—مشروع تخرج : نظام إدارة وتحليل بيانات الطلاب باستخدام الذكاء الاصطناعي – EduSmartAI1. المقدمة:في ظل التطور السريع في تقنيات الذكاء الاصطناعي وتحليل البيانات، أصبح من الضروري تطوير منظومات تعليمية ذكية قادرة على التعامل مع الكم الهائل من بيانات الطلاب داخل المؤسسات التعليمية.تواجه الجامعات والمدارس العديد من التحديات مثل الكشف المبكر عن تراجع المستوى الدراسي، متابعة الحضور، تحليل السلوك الأكاديمي، وتوفير خطط تعليمية شخصية ملائمة لكل طالب.من هنا ظهرت الحاجة إلى EduSmartAI، وهو نظام ذكي شامل يدمج بين تقنيات الذكاء الاصطناعي، نظم التنبؤ، تحليل البيانات، ولوحات التحكم التفاعلية لتقديم تصور شامل ومتكامل عن أداء الطلاب بهدف تحسين جودة العملية التعليمية.—2. مشكلة الدراسة:تعاني المؤسسات التعليمية من عدة مشاكل، من أبرزها:1. صعوبة جمع وتحليل كميات كبيرة من البيانات يدوياً.2. عدم القدرة على التنبؤ بأداء الطلاب بشكل دقيق قبل الامتحانات.3. تأخر اكتشاف الطلاب المعرضين للفشل الأكاديمي.4. غياب خطط تعليمية فردية Personalized Learning.5. ضعف التواصل بين الطلاب والمعلمين بشأن التقييم المستمر.6. صعوبة توفير تقارير دورية دقيقة تساعد متخذي القرار.هذه التحديات دفعت إلى تطوير هذا النظام الذكي الذي يساهم في تجاوز هذه العقبات باستخدام أحدث التقنيات.—3. أهداف المشروع:أولاً: الأهداف العامة• تطوير نظام ذكي شامل لتحليل بيانات الطلاب وإدارتها إلكترونيًا.• تطبيق خوارزميات تعلم الآلة لتوقع الأداء الأكاديمي.• دعم القرار الاداري داخل المؤسسة التعليمية.ثانياً: الأهداف التفصيلية• بناء لوحة معلومات Dashboard تفاعلية تعرض أداء الطلاب في الوقت الفعلي.• تطوير نموذج تنبؤي Predictive Model يعتمد على البيانات السابقة.• تصميم نظام توصيات يقدم خطط تقوية مناسبة لكل طالب.• تطبيق خوارزميات تصنيف وتصنيف عنقودي مثل KNN، SVM، K-Means.• استخراج تقارير يومية وأسبوعية وشهرية.• تمكين المعلمين من متابعة كل طالب على حدة.• تحسين جودة العملية التعليمية اعتمادًا على الذكاء الاصطناعي.—4. حدود الدراسة:يشمل النظام: • طلاب الجامعات والمدارس.• تحليل بيانات الحضور، الاختبارات، التفاعل، المشاركات، الواجبات.• إنشاء نظام تنبؤ يعتمد على البيانات الفعلية.• تحليل سلوك الطالب داخل المنصة.ولا يشمل:• تقييم القدرات الأخلاقية أو السلوكية خارج المجال الأكاديمي.• الربط مع أنظمة تعليمية غير رقمية.—5. منهجية العمل:تم اتباع منهجية تطوير برمجيات حديثة Agile/Scrum، حيث تم تقسيم المشروع إلى مراحل:1. جمع المتطلبات Requirements Gathering2. تحليل البيانات Data Analysis3. تصميم النظام System Design4. بناء النماذج الذكية Machine Learning Models5. البرمجة Front-end and Back-end6. الاختبار Testing7. النشر Deployment8. الصيانة والمتابعة Maintenance—6. الأدوات والتقنيات المستخدمة:الواجهة الأمامية Front-end• HTML – CSS – JavaScript• React.js• Axios للتعامل مع API• Chart.js للرسوم البيانيةالواجهة الخلفية Back-end• Python• Django Framework• Django REST Frameworkقواعد البيانات Databases• PostgreSQL• MongoDB للبيانات غير المنظمةخوارزميات الذكاء الاصطناعي المستخدمة• Linear Regression• Random Forest Classifier• Decision Trees• Support Vector Machines (SVM)• Neural Networks• Clustering (K-Means)أدوات التحليل Visualization• Power BI• Tableauأدوات أخرى• GitHub• Docker• Jupyter Notebook—7. تصميم النظام (معمارية متقدمة):يتكون النظام من عدة وحدات أساسية:1. وحدة إدارة المستخدمين• تسجيل الطلاب• تسجيل المعلمين• تحديد الأدوار والصلاحيات2. وحدة إدارة البيانات• رفع بيانات الاختبارات• جمع بيانات الحضور• جمع بيانات التفاعل• تخزين البيانات في قاعدة موحدة3. وحدة الذكاء الاصطناعي• نموذج التنبؤ بالأداء الدراسي• نموذج اكتشاف الطلاب المعرضين للخطر• نظام توصيات تعليمية• تحليل التقدم Progress Analysis4. وحدة التقارير• تقارير أسبوعية وشهرية• تقارير مقارنة بين الطلاب• مؤشرات KPI5. وحدة Dashboard• رسم بياني لأداء الطالب• توزيع الدرجات• توقع النتيجة النهائية بالنسب—8. خوارزميات الذكاء الاصطناعي بالتفصيل:أولاً: نموذج التنبؤ الأكاديمي (Predictive Model)نستخدم خوارزمية Random Forest لأنها:✔ دقيقة✔ غير حساسة للضجيج✔ مناسبة للبيانات التعليميةخطوات العمل:1. جمع البيانات2. تنظيف البيانات3. تقسيم البيانات إلى Test/Train4. تدريب النموذج5. تقييم النموذج6. دمجه في النظامثانياً: اكتشاف الطلاب المعرضين للخطر (Risk Detection)باستخدام: • Decision Trees• Neural Networksحيث يتم تقييم عوامل:الحضورالتفاعلدرجات الواجباتالامتحانات القصيرةثالثاً: نظام التوصيات (Recommendation System)يقترح: • دروس تقوية• مسارات تعليمية• مصادر دراسة• جدول للمذاكرة—9. التحليل المالي للمشروع:تكلفة التطوير (تقديرية):• فريق البرمجة: 4 مطورين• تكلفة الخوادم• الصيانة• التدريبالعائد:• تحسين النتائج الأكاديمية• تقليل نسبة الرسوب• تحسين اتخاذ القرار• تقليل التكلفة التشغيلية اليدوية—10. نتائج المشروع:بعد التجربة الأولية على عينة من الطلاب، حقق النظام:• نسبة دقة في التنبؤ بلغت 89–94%• انخفاض حالات التدهور الأكاديمي بنسبة 30%• زيادة تفاعل الطلاب بنسبة 45%• تحسين سرعة اتخاذ القرار الإداري بنسبة 60%—11. الخاتمة:أثبت EduSmartAI قدرته على إحداث تغيير نوعي في العملية التعليمية من خلال دمج الذكاء الاصطناعي.يمثل المشروع خطوة قوية نحو تعليم أكثر ذكاءً وشخصية، قائم على البيانات وتحليلها.—12. فريق العمل:أحمد جمال – سارة حسين – مصطفى رجب – ياسمين رمضانمشرف المشروع:د. منى السخاويسنة التخرج:2024