في عالم التعلم الرقمي، يعتبر توقع اندماج الطلاب من أهم التحديات التي تواجه educators عبر الإنترنت. فالأبحاث تشير إلى أن الاندماج يتكون من مجموعة معقدة من العناصر السلوكية، العاطفية والمعرفية. وبما أن كل طالب يُظهر أنماط تفاعل مختلفة، فإن الدقة في توقع هذه الأنماط تتطلب تحليلاً شاملاً للبيانات السلوكية والعاطفية.

في إطار تحقيق هذا الهدف، تم تطوير إطار عمل متعدد الوسائط يستند إلى مجموعة بيانات CASED. يعتمد هذا الإطار على دمج خصائص زمانية ومكانية مستخلصة من تقنيات التعلم العميق المستخدمة في معالجة مقاطع الفيديو، الصوت والصور، مع أنماط سلوكية مثل أوضاع الرأس، نظرات العين، وحدات الحركة الوجهية. تُدمج هذه الأنماط عبر نموذج Perceiver IO الذي يُساعد على تقليل الازدحام في المعلومات.

لمزيد من التكيف مع تنوع شخصيات الطلاب والمدرسين، تم الاعتماد على نماذج احتمالية التي توفر تخمينات قابلة للتعلم عبر التدريبات المختلفة. وبفضل استخدام تقنيات الانحدار الاحتمالي ورؤوس التصنيف المعتمدة على العمليات الغاوسية، يتم تحسين موثوقية التوقعات لتكون أكثر دقة ووعيًا للمخاطر.

ومع ذلك، تُظهر الاختبارات على مجموعة بيانات CASED أن جميع الطرق المشاركة تقارب أداءً عشوائيًا، مما يكشف عن صعوبة البيانات المستخدمة. ومع ذلك، يحقق الإطار الخاص بنا أداءً تنافسيًا مع مقاييس عدم اليقين الفريدة، مما يُظهر أن تحقيق تقييم دقيق للمخاطر يعد شرطًا أساسيًا في تطبيق نماذج الاندماج في أدوات التعليم الحقيقية.