تحليل وعرض البيانات
نوفر للجهات الحكومية والخاصة خدمة التنفيذ والاستشارات لتحليل وعرض البيانات (Data Analytics and Visualization) وذلك لتحليل بيانات قواعد البيانات المتعلقة بأعمال هذه الجهات مثل بيانات بأعضاء هيئة التدريس والطلبة والمقررات والعملية التعليمية من خلال الربط مع قاعدة بيانات نظام معلومات الطالب (SIS) لدى المؤسسة التعليمية. في هذا السياق، نوفر للمؤسسات التعليمية تصميم لوحات تحليلية تفاعلية حية (Real-Time Dashboards) لعرض معلومات وإحصاءات تحليلية عن قبول وتسجيل وأداء الطلبة وبيانات المقررات والخريجين. تزود هذه اللوحات التفاعلية الحية إدارة المؤسسة التعليمية بشكل شبه حي (Near Real Time) بمؤشرات لتحليل الأداء(KPIs) إضافة إلى معلومات ومؤشرات تحليلية وإحصاءات حول البرامج الأكاديمية والطلبة. يتم تحديث هذه المؤشرات والإحصاءات بشكل حي كل ساعتين عند حدوث أي تغيير في سجل الطالب في قاعدة بيانات نظام معلومات الطالب. يمكن استخدام هذه اللوحات التفاعلية الحية عن طريق الويب من خلال أي جهاز حاسوب أو جهاز ذكي. توفر هذه اللوحات التحليلية التفاعلية أيضاً إمكانية تحليل اتجاهات البيانات (Data Trends Analysis) وتقسيم البيانات (Data Clustering and Segmentation). بالإضافة إلى ذلك ، استخدمت الكلية تحليلات تقنيات التحليل التوقعي (Forecasting Analysis) للتنبؤ باتجاهات التسجيل (Enrollment) المستقبلية بالكلية بناءً على بيانات التسجيل في السنوات السابقة. علاوة على ذلك، يمكن للمؤسسة التعليمية تحليل البيانات لتطبيق تحليل الارتباط (Correlation Analysis) من أجل تحديد الارتباطات بين العوامل التي تؤثر على العملية التعليمية ، واكتشاف الأنماط المهمة (Patterns) في البيانات.
فيما يتعلق باستخدام لذكاء الاصطناعي، يمكن للمؤسسات التعليمية استخدام الذكاء الاصطناعي وتقنيات تعلم الآلة (Machine Learning) لتطبيق التحليلات الوصفية (التحليل الوصفي والتشخيصي) لتقييم الأداء الأكاديمي وفهم اتجاهات القبول الحالية والسابقة. يمكن أن يوفر هذا النوع من التحليل قيمة جيدة لتطوير الأعمال التي تقوم بها تلك المؤسسات. علاوة على ذلك، فإن استخدام الذكاء الاصطناعي لتطبيق التحليلات التنبؤية (باستخدام تقنيات تنقيب البيانات Data Mining والتحليل التوقعي (Forecasting Analysis) والتنقيب في النصوص (Text Mining) وتعلم الآلة Machine Learning ) يسمح للمؤسسات التعليمية بالإجابة على أسئلة مثل: ماذا سيحدث؟ ما مدى خطورة ذلك؟ في هذا الصدد ، يمكن للمؤسسات التعليمية استخدام تعلم الآلة والتحليل التنبؤي لتوقع اتجاهات القبول المستقبلية ، وتحسين جهود التوظيف ، ورفع الأداء الأكاديمي بما يتوافق مع معايير الاعتماد الأكاديمي. علاوة على ذلك، يمكن للمؤسسة التعليمية تطوير أساليب التحليل الخاصة بها من نهج التفاعل مع الأزمات بعد حدوثها من خلال رد فعل (Reactive) إلى نهج استباقي (Proactive) من خلال تحديد الاتجاهات (Trends) أو تحديد نقاط الضعف أو تحديد الظروف وذلك لكي تتخذ قرارات مناسبة بشأن المستقبل بناء على نتائج تحليل البيانات (Data-Driven Decision Making). إلى جانب ذلك ، يساعد التحليل التنبؤي (Predictive Analytics) في تحقيق الإدارة الاستباقية للأزمات (Proactive Crisis Management) من خلال تحديد علامات الإنذار المبكر والأعلام الحمراء حول مختلف القضايا / العوامل مثل الطلاب الذين من المرجح أن يعانوا أكاديميًا من صعوبات. يمكن أن يساعد ذلك في تقليل احتمالية تسرب الطلاب. كما يمكن أن يوفر التحليل المبني على الذكاء الاصطناعي للكلية فهماً أفضل لكفاءة الطالب/الأستاذ وتقدم التعلم. أخيرًا ، فيما يلي التطبيقات الرئيسية الأخرى للذكاء الاصطناعي التي يمكن نوفرها لتحليل بيانات المؤسسة التعليمية:
- النمذجة التنبؤية (Predictive Modelling) لمجموعة متنوعة من المشاكل التعليمية.
- التنقيب في النصوص (Text Mining) المهيكلة (Structured) وغير المهيكلة (Unstructured)
- Time Series Data Mining
- Data Clustering, Categorization, and Segmentation (Supervised and unsupervised)
- Big Data Analytics and Mining
- Decision Trees and Neural Networks
تحليل مؤشرات قياس الأداء لأنظمة إدارة التعلم (LMS)
نوفر للمؤسسات التعليمية إمكانية تقييم استخدام تقنية المعلومات في عملية التعليم بصفة مستمرة على ضوء المعايير وأفضل الممارسات العالمية (Best Practices) عن طريق تحليل مؤشرات قياس الأداء (KPIs) المرتبطة باستخدام هذه التقنية وفقاً لتحليل بيانات السجلات الإلكترونية لاستخدام المنصات التعليمية وأنظمة تقنية المعلومات المستخدمة في التعليم والتي تشمل على جوانب أهمها:
- استخدام أنظمة إدارة التعلم (Learning Management Systems)
- الواجبات والاختبارات الإلكترونية
- استخدام مصادر التعلم الإلكترونية
- استخدام الفصول الافتراضية (Virtual Classrooms)
وهو ما يساعد في التعرف على أنماط استخدام المعلمين والمتعلمين لهذه المنصات ومدى التفاعل معها.
تتبع وتحسين تفاعل المتعلمين
توفر هذه المؤشرات رؤى تحليلية (Insights) حول جوانب تعليمية مثل تركيز المتعلم (Student Retention)، ومشاركة المعلم ، ونجاح المتعلم. هذه المعلومات تحتاجها الكلية لأنها تؤثر على منهجيات التعلم / التدريس الخاصة بها.
من أمثلة هذه المؤشرات:
- User Engagement (مشاركة المستخدم)
- Learner Completion (إتمام المتعلم لأنشطته)
- Engaged/Not Engaged Students (الطلاب المتفاعلون / غير المتفاعلين)
- Instructor Activity (نشاط المعلم)
- Student’s Progress (تقدم الطالب)
تتبع الطلبة المتعثرين
يعد الاحتفاظ بتركيز المتعلم (Learner retention) عاملاً مهماً في العملية التعليمية، لذلك يوفر تحليل البيانات عدة مؤشرات لإظهار صورة واضحة عن المتعلمين المتعثرين بناءً على الوقت الذي يقضونه في العملية التعليمية، ومتوسط الدرجات، ونشاطهم في نظام إدارة التعلم. من أمثلة هذه المؤشرات:
- Learner Success & Progress (نجاح المتعلم وتقدمه)
- Learner Status Summary (ملخص حالة المتعلم)
- Overdue Learners (المتعلمون المتأخرون)
- Past Due Assignments (الواجبات التي تأخر تسليمها)
- Learner Compared to Course Average (نشاط المتعلم مقارنة بمتوسط نشاط طلبة المقرر)
- Activity Status Details (تفاصيل حالة النشاط )
تحليل مشاركة المعلم
يوفر تحليل البيانات الأدوات التي تساعد المؤسسة التعليمية على فهم كيفية تفاعل المعلمين مع نظام إدارة التعلم والمتعلمين:
- Teaching Activity (النشاط التدريسي)
- Teaching Performance (الأداء التدريسي)
- Most Active Courses (المقررات الأكثر نشاطا)
- Most Active Teachers (المعلمون الأكثر نشاطا)
التقييم الذاتي للمتعلمين (Learner Self-Assessment)
توفر أنظمة التحليل للمتعلمين لوحة معلومات تحليلية شخصية (Personal Analytics Dashboard) لأدائهم وأنشطتهم ، مما يسمح لهم بإدارة جهودهم وتقدمهم وجداولهم الزمنية لتحقيق النجاح عن طريق متابعة مؤشرات منها:
- Course Averages Comparison (مقارنة مع متوسطات المقرر)
- Assignment/Quiz Completion (إكمال الواجبات والاختبارات)
- Course Progress (التقدم في المقرر)
- Activity Participation (المشاركة في الأنشطة)
الروابط الآتية تعرض نماذج للوحاتنا التحليلية التفاعلية:
https://app.klipfolio.com/published/5340f4eec97ee50b5883fc6b39ea30f1/corona-kuwait-statistics-index