في العصر الرقمي الحالي، تعتبر النماذج المبكرة للتنبؤ بنتائج التعلم أدوات حيوية تمكن المؤسسات من تقديم الدعم المناسب للمتعلمين في الوقت المناسب. تعتمد هذه النماذج على سجلات نظم إدارة التعلم (LMS) لتحليل البيانات واستبصار النتائج النهائية قبل انتهاء الدورة. لكن ما هو ثمن هذه التنبؤات؟

تظهر الدراسات أن الأداء "المبكر" للتنبؤ قد يتعرض للتضخيم نتيجة للتسريبات الزمنية، وهي ظاهرة تحدث عندما تستخدم النماذج معلومات لا تتوفر الفعلي في وقت التنبؤ. وهذا ما أبرزته دراسات جديدة تهدف إلى تحسين موثوقية هذه النماذج.

لمعالجة هذه المشكلة، تم تقديم بروتوكول LEAP (Protocol Leakage-Excluded Early-Availability), الذي يقوم بتنفيذ تقنيات لقص البيانات قبل التراسل والتجميع، بالإضافة إلى تدقيق أصول الميزات لمنع المعلومات الناتجة بعد القطع من التأثير على النتائج.

تم تطبيق LEAP على مجموعة البيانات العامة Open University Learning Analytics Dataset (OULAD) كتجربة متعددة الخطوات لتقييم الأداء بشكل متحكم في تسرب المعلومات عبر نقاط قطع أسبوعية. تم استخدام عدة طرق تعلم معيارية، وتم تقييم الأداء باستخدام مقاييس ROC-AUC وPR-AUC وBrier score وF1@0.5.

أظهرت النتائج تحسنًا في الأداء مع توسع نافذة الملاحظة، مع زيادة ملحوظة حول الأسبوع الثالث؛ حيث حققت طريقة Random Forest أفضل أداء في أولى نقاط القطع، بينما تميزت طريقة Gradient Boosting فيما بعد. كما أظهرت التحليلات المتعلقة بالتسرب أن الانتهاكات الزمنية، وخاصة من خلال معلومات التقييم، يمكن أن تضخم الأداء "المبكر" الظاهر.

تحديثات مثل بروتوكول LEAP تُعتبر خطوة هامة نحو تحسين دقة التنبؤات المبكرة، مما يعطي مؤسسات التعليم مساحة كبيرة للابتكار وتحسين تجربة التعلم.