AI-Driven Precision Management for Smart Classrooms: A Design-Based Study

The large-scale deployment of the Internet of Things, learning management systems, and real-time interaction platforms in Chinese university smart classrooms has enabled institutions to accumulate unprecedented volumes of student behavioral data. However, academic management still relies primarily on coarse-grained early-warning mechanisms and struggles to deliver precise interventions in a timely manner. To address the limitations of prior research in three respects—warning timeliness, intervention implementation, and feedback loops—this paper proposes an AI-driven precision management model for smart classrooms in Chinese universities. The model advances intervention granularity to the weekly and knowledge-point levels and embeds intervention mechanisms within existing institutional workflows. The study adopts a four-stage design-based research (DBR) process and combines it with multi-case retrospective analysis and a bibliometric review, evaluating three Chinese universities using a D1–D5 five-dimensional coding matrix. The results show that, compared with the LMS clickstream early-warning framework of Macfadyen and Dawson [12] and recent learning analytics dashboard studies [29], the proposed model demonstrates improvements in three areas: warning lead time, intervention targeting, and feedback-loop closure. Cross-case coding of the three cases further confirms the model's adaptability and feasibility across different organizational and institutional contexts. The proposed model provides an implementation framework for data-driven academic management in smart classrooms that can be embedded within institutional processes. Future research will conduct longitudinal validation across more than ten universities and incorporate multimodal behavioral signals. RU Масштабное внедрение Интернета вещей, систем управления обучением и платформ взаимодействия в реальном времени в умных аудиториях китайских университетов позволило образовательным учреждениям накапливать беспрецедентные объёмы данных о поведении студентов. Однако академическое управление по-прежнему в значительной степени опирается на укрупнённые механизмы раннего предупреждения и испытывает трудности с своевременным осуществлением точечных интервенций. Для устранения ограничений предыдущих исследований в трёх аспектах — своевременности предупреждений, реализации интервенций и замыкании обратной связи — в данной работе предлагается модель точного управления умными аудиториями китайских университетов на основе искусственного интеллекта. Модель повышает детализацию интервенций до недельного уровня и уровня отдельных элементов знаний, а также интегрирует механизмы вмешательства в существующие институциональные рабочие процессы. В исследовании применяется четырёхэтапный процесс дизайн-ориентированного исследования (Design-Based Research, DBR), дополненный ретроспективным анализом нескольких кейсов и библиометрическим обзором. Три китайских университета оцениваются с использованием пятикомпонентной матрицы кодирования D1–D5. Результаты показывают, что по сравнению с моделью раннего предупреждения на основе LMS-clickstream, предложенной Macfadyen и Dawson [12], а также с современными исследованиями панелей учебной аналитики [29], разработанная модель демонстрирует улучшения по трём направлениям: опережающему времени предупреждения, точности таргетирования интервенций и замыканию контура обратной связи. Межкейсное кодирование трёх случаев дополнительно подтверждает адаптивность и практическую реализуемость модели в различных организационных и институциональных условиях. Предложенная модель формирует практическую основу для управления учебным процессом в умных аудиториях на основе данных и может быть интегрирована в институциональные процессы. В дальнейших исследованиях планируется провести продольную валидацию более чем в десяти университетах и включить мультимодальные поведенческие сигналы. UZ Xitoy universitetlaridagi aqlli auditoriyalarda Internet of Things, ta'limni boshqarish tizimlari va real vaqt rejimidagi oʻzaro hamkorlik platformalarining keng miqyosda joriy etilishi oliy ta'lim muassasalariga talabalar xulq-atvoriga oid misli koʻrilmagan hajmdagi ma'lumotlarni toʻplash imkonini berdi. Biroq akademik boshqaruv hanuzgacha asosan umumlashtirilgan erta ogohlantirish mexanizmlariga tayanadi va aniq yoʻnaltirilgan aralashuvlarni oʻz vaqtida amalga oshirishda qiyinchiliklarga duch kelmoqda. Avvalgi tadqiqotlarning uch jihat — ogohlantirishning oʻz vaqtida berilishi, aralashuvlarning amalga oshirilishi va teskari aloqa siklining yopilishi — boʻyicha mavjud cheklovlarini bartaraf etish maqsadida ushbu maqolada Xitoy universitetlaridagi aqlli auditoriyalar uchun sun'iy intellektga asoslangan aniq boshqaruv modeli taklif etiladi. Mazkur model aralashuvlar tafsilotini haftalik daraja va alohida bilim nuqtalari darajasigacha oshiradi hamda aralashuv mexanizmlarini mavjud institutsional ish jarayonlariga integratsiya qiladi. Tadqiqotda toʻrt bosqichli dizaynga asoslangan tadqiqot (Design-Based Research, DBR) jarayoni qoʻllanilib, u koʻp holatli retrospektiv tahlil va bibliometrik sharh bilan uygʻunlashtirilgan. Uchta Xitoy universiteti D1–D5 besh oʻlchovli kodlash matritsasi asosida baholangan. Natijalar shuni koʻrsatadiki, Macfadyen va Dawson [12] tomonidan taklif etilgan LMS clickstream ma'lumotlariga asoslangan erta ogohlantirish modeli hamda soʻnggi learning analytics dashboard tadqiqotlari [29] bilan taqqoslaganda, taklif etilgan model uch yoʻnalishda yaxshilanishni namoyon etadi: ogohlantirishning oldindan berilish muddati, aralashuvlarning aniq nishonlanishi va teskari aloqa siklining yopilishi. Uchta holat boʻyicha oʻtkazilgan qiyosiy kodlash natijalari modelning turli tashkiliy va institutsional sharoitlarga moslashuvchanligi hamda amaliy jihatdan qoʻllash mumkinligini qoʻshimcha ravishda tasdiqlaydi. Taklif etilgan model aqlli auditoriyalarda ma'lumotlarga asoslangan akademik boshqaruvni tashkil etish uchun institutsional jarayonlarga integratsiya qilinishi mumkin boʻlgan amaliy mexanizmni taqdim etadi. Kelgusidagi tadqiqotlarda modelni oʻndan ortiq universitetda uzoq muddatli kuzatuv asosida validatsiya qilish hamda multimodal xulq-atvor signallarini integratsiya qilish rejalashtirilgan.