في وقت يشهد فيه التعليم العالي تحولًا ملحوظًا نحو الكفاءة الذكية، قدم الباحثون نموذجًا جديدًا يسمى TRansformer for Academic Course-grade Estimation (TRACE). يهدف هذا النموذج إلى تحسين دقة التنبؤ بأداء الطلاب الأكاديمي، من خلال الطريقة التي يتناول بها تاريخهم الأكاديمي. بينما تعالج الكثير من النماذج الحالية تاريخ الطلاب الأكاديمي على أنه تسلسل بسيط، فإن نموذج TRACE يقوم بمعالجة تأثيرات الدورات المشتركة في نفس الفصل الدراسي.

تُظهر الدراسات أن الطلاب الذين يتحملون أعباء دراسية ثقيلة أو تحديات أكاديمية تظهر لهم تقديرات غير دقيقة نتيجة لهذه الطريقة البسيطة، لذا جاء نموذج TRACE لحل هذه المشكلة.

يساعد TRACE في التنبؤ بمجموعة الدورات التي سيلتحق بها الطالب والدرجات المتوقعة لكلٍ منها، مما يعطي صورة أوضح لأدائهم المحتمل. يعكس هذا النموذج تفصيل الدورات على أساس كل فصل دراسي، لالتقاط التأثيرات الناجمة عن التقيد الزمني لهذه الدورات.

ولزيادة دقة التنبؤ، استخدم الباحثون وظيفة خسارة مبتكرة تجمع بين تنبؤ مجموعة الدورات وتوقع الدرجات. وقد أظهر النموذج تحسينًا كبيرًا في الجودة، حيث انخفض متوسط الخطأ المطلق بنسبة تقارب 50% مقارنة بالموديلات الأخرى التي تتنبأ بالدرجات فقط.

علاوة على ذلك، تفوق النموذج على النماذج التقليدية القائمة على LSTM والنماذج التي تستخدم الشبكات العصبية الرسومية. كما يوفر طرقًا طبيعية لدمج بيانات الطالب الشخصية في التحليل. في النهاية، توضح هذه الدراسة فائدة البنى العصبية الحديثة في إنشاء نماذج قابلة للتفسير وقابلة للتكيف مع مؤسسات جديدة عبر إعادة التدريب وإعادة المعايرة.

تفتح هذه النتائج بابًا واسعًا أمام دمج هذا النموذج في أنظمة الكشف المبكر في مؤسسات التعليم العالي، مما يعد خطوة كبيرة نحو تحسين تجربة التعليم الأكاديمية.