تعد الفيديوهات التعليمية ركيزة أساسية في طرق التعلم عن بُعد والمختلط، لكنها تواجه تحديًا جوهريًا يتمثل في تقلب انتباه المتعلمين، والذي يؤثر بشكل كبير على قدرتهم على استيعاب المعلومات بطريقة فعالة. في محاولة للتغلب على هذا التحدي، قام الباحثون بتحليل البيانات المرتبطة بتركيز المتعلمين عبر تقنيات مثل تتبع العين (Eye Tracking).

ومع ذلك، اعتمدت الأساليب التقليدية حتى الآن على مصنفات التعلم الآلي الكلاسيكية التي كانت تفتقر إلى القدرة على فهم الطبيعة المعقدة والديناميكية لتفاعل المتعلمين مع المحتوى. لذلك، قررت هذه الدراسة البحث في إمكانية تحسين كشف فقدان الانتباه من خلال استخدام نماذج الرؤية-لغة (Vision-Language Models) التي تعتمد على البيانات متعددة الوسائط.

استخدم الباحثون مجموعة بيانات تتبع العين الخاصة بالتعليم التي تضم 70 متعلمًا، وقاموا بتطبيق منهجية جديدة تستفيد من نموذج الرؤية-لغة لتحليل محتوى الفيديو بالإضافة إلى بيانات النظر المرسومة فوقها. من خلال هذه الطريقة، يهدف الباحثون إلى الاستفادة من قدرات النماذج الأساسية في التحليل السياقي لتركيز المتعلم ضمن محتوى الفيديو.

تم تقييم أداء هذه الطريقة المعتمدة على نموذج الرؤية-لغة باستخدام استراتيجيات مختلفة، ومن بينها Gemini 3، لكن لم يتمكن أي من هذه الاستراتيجيات من التغلب على الأساليب الإحصائية التقليدية. تقدم نتائج هذه الدراسة رؤى جديدة حول حدود استخدام نماذج الرؤية-لغة في التشخيصات التعليمية في الزمن الحقيقي.