تولد نظم إدارة التعلم (LMS) سجلات غنية للنشاط والتفاعل يمكن استغلالها باستخدام تقنيات تعلّم الآلة. تدرس هذه الدراسة أنماط التفاعل الزمنية، مثل النشاط المبكر، الوسيط، المتأخر، نشاط عطلة نهاية الأسبوع، والنشاط الليلي، المستمدة من سجلات مودل في عدة مقررات جامعية. تبني متجهات ميزات زمنية لكل طالب، وتطبق تجميع k-means للكشف عن أنماط السلوك، ثم تستخدم اختبارات ANOVA وKruskal–Wallis لتقييم ما إذا كانت الأنماط تختلف في الدرجات النهائية. تظهر النتائج أن القيمة التنبؤية للأنماط الزمنية تعتمد بشكل كبير على المقرر؛ ففي بعض المقررات، يرتبط التفاعل المبكر المنظم بانجاز أعلى، بينما في أخرى يرتبط الاستخدام المكثف في عطلات نهاية الأسبوع والليل بأفضل النتائج. لإكمال التحليلات الكمية، يتم تقييم نموذج لغة كبيرة (LLM) (أي ChatGPT) كمصنف بدون تدريب مسبق يستقبل ملخصات طبيعية للغة عن السلوك الزمني ويتنبأ بمستويات الأداء. رغم أن الدقة محدودة، ينتج النموذج نهجًا متماسكًا، مما يشير إلى قيمته كطبقة تفسيرية فوق التحليل الإحصائي. توضح الدراسة خط تجميع عام لهندسة الميزات الزمنية، والتوصيف غير المراقب، والاستدلال بناءً على LLM على بيانات LMS للكشف المبكر عن المخاطر في بيئات التعلم الرقمي.
درس شحادة وآخرون (الخميس) هذا السؤال.