في ظل التطور السريع للتعليم الرقمي، أصبحت تحليلات التعلم (Learning Analytics) أداة رئيسية في تحسين جودة التعليم العالي من خلال توفير رؤى قائمة على البيانات حول أداء الطلاب وسلوكياتهم الأكاديمية. يهدف هذا البحث إلى إجراء مراجعة منهجية شاملة حول استخدام تحليلات التعلم في مؤسسات التعليم العالي خلال الفترة بين 2017 و2023، مع التركيز على الأساليب المستخدمة، الفوائد المكتسبة، والتحديات التي تواجه تبني هذه التقنيات.

من خلال تحليل 61 دراسة علمية، يستعرض البحث التطبيقات المتنوعة لتحليلات التعلم، بما في ذلك استخدام لوحات المعلومات الذكية، تقنيات التنقيب عن البيانات، وتحليل الشبكات الاجتماعية لفهم وتحسين الأداء الأكاديمي. كما يناقش البحث الأثر الإيجابي لتحليلات التعلم في تخصيص التعليم، تحسين أداء الطلاب، دعم اتخاذ القرار الأكاديمي، والتنبؤ بالمخاطر الأكاديمية مثل التسرب الدراسي.

ومع ذلك، تسلط الدراسة الضوء على بعض التحديات الرئيسية، مثل القضايا الأخلاقية، وحماية خصوصية البيانات، والتحديات المتعلقة بتكامل هذه التقنيات مع أنظمة التعليم التقليدية. يهدف هذا البحث إلى توفير دليل شامل لأفضل الممارسات في تطبيق تحليلات التعلم وتعزيز دورها في تحسين تجربة الطلاب الأكاديمية.

🔹 الكلمات المفتاحية: تحليلات التعلم، التعليم العالي، مراجعة منهجية، التحديات التعليمية، تحليل البيانات، الذكاء الاصطناعي في التعليم.

في عصر التعليم الرقمي، أصبح تحليل البصمات الرقمية للطلاب أداةً قوية لفهم أساليب التعلم وتكييف المحتوى التعليمي وفقًا للاحتياجات الفردية. يهدف هذا البحث إلى تطوير نموذج ذكاء اصطناعي يستخدم الشبكات العصبية التلقائية (Autoencoders) و تحليل المكونات الرئيسية (PCA) لتحليل بيانات البصمات الرقمية للطلاب وتصنيفهم بناءً على نموذج فيلدر-سيلفرمان لأنماط التعلم.

تم جمع بيانات 120 طالبًا من أنظمة إدارة التعلم، حيث أظهرت النتائج أن النموذج المقترح حقق دقة تصنيف بلغت 89.7% باستخدام الشبكات العصبية التلقائية، متفوقًا على الأساليب التقليدية مثل تحليل المكونات الرئيسية (PCA) والخوارزميات التقليدية الأخرى. تسلط هذه الدراسة الضوء على إمكانيات الذكاء الاصطناعي في تحسين التعلم المخصص وتعزيز تجربة الطالب في بيئات التعلم الرقمي.

🔹 الكلمات المفتاحية: التعلم الآلي، البصمات الرقمية، الشبكات العصبية التلقائية، تحليل المكونات الرئيسية، أنماط التعلم، الذكاء الاصطناعي في التعليم

في عصر التعلم الرقمي، تمثل تحليلات التعلم (Learning Analytics) إحدى أقوى الأدوات لتعزيز تجارب التعلم وتحسين أداء الطلاب. يركز بحثي على كيفية استخدام تحليلات التعلم في أنظمة إدارة التعلم لمساعدة الطلاب على تطوير وعي أعمق بممارساتهم التعليمية وتعزيز استراتيجياتهم الدراسية من خلال أساليب عالية التأثير مثل استرجاع المعرفة والممارسات التأملية.

من خلال دراسة مختلطة طويلة الأمد، قمت بتحليل بيانات الطلاب الناتجة عن أنشطة الممارسة التكرارية والاختبارات منخفضة المخاطر، وتقديمها في صورة بصرية تساعدهم على التفاعل مع أدائهم وتحسين قدرتهم على الاحتفاظ بالمعلومات واسترجاعها. توضح نتائج البحث أن هذا النهج لا يعزز فقط تحصيل الطلاب، بل يساهم أيضًا في تطوير متعلمين مستقلين أكثر وعياً بمسارات تعلمهم.

يقدم هذا البحث إطارًا نظريًا وتطبيقيًا لدمج تحليلات التعلم بفعالية في بيئات التعليم العالي، مما يسهم في إعادة تشكيل مستقبل التعلم الرقمي وجعله أكثر تكيفًا مع احتياجات المتعلمين المتنوعة.

Abstract: In this study, we propose a hybrid CNN-BiLSTM model for sentiment analysis of customer reviews, specifically designed to address the challenges of precision marketing in e-commerce, particularly in the context of customer churn. One of the main issues businesses face is the inability to fully understand evolving customer needs, often relying on static profiles that lead to poor decision-making and reduced customer satisfaction, ultimately resulting in higher churn rates. The primary objectives of this study are threefold: to predict customer satisfaction based on product reviews, to identify key factors that enhance satisfaction for more targeted marketing efforts, and to develop a scalable approach capable of processing large volumes of customer feedback data. By combining the strength of convolutional neural networks (CNN) for feature extraction with bidirectional long short-term memory (BiLSTM) networks for capturing contextual dependencies, the model aims to deliver a deeper understanding of customer sentiment. This integrated approach enhances the accuracy of recommendations and marketing strategies, helping to reduce churn. The proposed architecture consists of three main stages: data preprocessing using Doc2Vec for document embedding, feature extraction through CNN and max-pooling layers, and sentiment classification via BiLSTM and fully connected layers, culminating in a final classification of positive, negative, or neutral sentiment.

Keywords: Artificial intelligence; precision marketing; sentiment analysis; Natural Language Processing; E-commerce

The 2020 European Advanced Educational Technology Conference (EAET 2020) was scheduled to take place from March 27 to 29, 2020, at Imperial College London, UK. However, due to the COVID-19 pandemic, the conference was held online.

EAET 2020 aimed to provide scholars, researchers, students, and administrators with an opportunity to discuss innovative ideas and developments in educational technology. The conference covered topics such as instructional design, learning and technology, teaching and technology, distance education, e-learning, teacher training, lifelong learning, and new approaches in educational technology.

Keynote speakers included Prof. Adrian Hopgood from the University of Portsmouth, UK; Shuliang Li, Life Fellow of the British Computer Society and Reader at the University of Westminster, UK; Prof. Joanne Roberts from the University of Southampton, UK; Prof. Michael Pace from Texas A&M University, USA; Dr. Yu-Wang Chen from the University of Manchester, UK; and Dr. Haiming Liu from the University of Bedfordshire, UK.

The conference was technically sponsored by the University of Westminster, Southwest Jiaotong University, the International Journal of Learning and Teaching (IJLT), and the International Journal of Information and Education Technology (IJIET). Selected papers were recommended for publication in these journals.

Despite the shift to an online format, EAET 2020 facilitated meaningful academic discussions and exchanges among participants.