AI Study Performance Predictor
تفاصيل العمل
مشروع تعلم آلة (Machine Learning) متكامل يهدف إلى التنبؤ بالدرجة النهائية المتوقعة للطالب اعتمادًا على مجموعة من العوامل الدراسية والسلوكية، مثل: عدد ساعات المذاكرة اليومية، ساعات النوم، نسبة الحضور، الدرجة السابقة، درجة الأسايمنتس، درجة الامتحان النصفي (Midterm)، ووقت استخدام الشاشة، بالإضافة إلى مشاركة الطالب في الأنشطة اللاصفية.
تم تنفيذ المشروع بمنهجية علم البيانات الكاملة (End-to-End Data Science Pipeline) على النحو التالي:
1. تجهيز وتنظيف البيانات (Data Cleaning & Preprocessing)
معالجة القيم المفقودة والقيم المكررة، وترميز المتغيرات الفئوية (Categorical Encoding) للأنشطة اللاصفية.
2. التحليل الاستكشافي للبيانات (Exploratory Data Analysis)
دراسة العلاقة بين كل عامل من العوامل الدراسية والسلوكية والدرجة النهائية، من خلال رسومات بيانية تفاعلية (Scatter Plots, Histograms) وخريطة ارتباط (Correlation Heatmap) لفهم أقوى العوامل المؤثرة على أداء الطالب.
3. بناء ومقارنة النماذج (Model Building & Comparison)
تم تدريب واختبار 3 نماذج مختلفة لمسألة الانحدار (Regression): Linear Regression وDecision Tree Regressor وRandom Forest Regressor، ثم مقارنتها لاختيار أفضل نموذج من حيث الدقة والاتساق.
4. التقييم (Model Evaluation)
تم تقييم النماذج باستخدام مقاييس مناسبة لمسائل الانحدار وهي Mean Absolute Error (MAE) وRoot Mean Squared Error (RMSE)، دون الاعتماد على مقياس الـ Accuracy المخصص لمسائل التصنيف.
5. تفسير النموذج (Feature Importance)
استخراج أهم العوامل التي يعتمد عليها النموذج في اتخاذ قراراته، مما يوضح للمستخدم أي العوامل (كالدرجة السابقة أو درجة الميدتيرم) لها التأثير الأكبر على التوقع.
6. لوحة التحكم التفاعلية (Interactive Dashboard)
تم بناء واجهة استخدام كاملة باستخدام Streamlit تحتوي على أربعة أقسام رئيسية: نظرة عامة على البيانات (KPIs)، تحليلات بصرية تفاعلية، نموذج إدخال بيانات الطالب للحصول على توقع فوري للدرجة النهائية مصحوبًا بتصنيف مستوى الأداء (ممتاز / جيد / متوسط / في خطر)، وقسم توضيحي عن المشروع بالكامل.
الهدف النهائي من المشروع هو تمكين المؤسسات التعليمية والمدرسين من اكتشاف الطلاب المعرضين لخطر التراجع الدراسي في وقت مبكر، واتخاذ إجراءات داعمة قبل فوات الأوان، بدلاً من الاعتماد على التقييم بأثر رجعي فقط.