مقدمة

قال مارك أندريسن في عام 2011: إن البرمجيات غزت العالم ^[1]. وفي هذه الأيام يبدو أن التعلم الآلي Machine Learning وخوارزمياته المتخصصة بدأت تغزو عالم البرمجيات^[2].

يُقصد بالتعلّم الآلي تعليم الآلة شيئًا ما بدون برمجة واضحة، وجوهر التعلم الآلي هو فكرة النمذجة واستخراج المعلومات المفيدة من المعطيات. ويمكن اعتبار هذه المعطيات موردًا للتنبؤ بالمستقبل والتخطيط له. تخيّل مستقبلًا تكون فيه أجهزة الحاسوب في كل مكان ومرتبطة بكل ما يحيط بها من الملابس إلى الثلاجات والهواتف وآلات البيع وغير ذلك. تقوم أجهزة استشعار بتجميع المعطيات، وتحديد متغيرات التوقع، وحتى محاولة التنبؤ بهذه المتغيرات.

قبل أن نتوسّع بمناقشة التعلم الآلي، من المهم أن نناقش بإيجاز التحليلات والإحصاءات التقليدية. فقد استُعملت الطرائق التقليدية للتحليل الإحصائي مثل التنبؤ بالسلاسل الزمنية أو الأشكال المختلفة من الانحدار بنجاح في العديد من المجالات عدة سنوات. ويمكن اعتبار هذه التحليلات على أنها حقل فرعي للتعلم الآلي الذي يعتمد على خوارزميات التدريب مع مجموعة تدريب مصنفة، والمعروفة باسم التعلم الخاضع للإشراف. نورد هنا مثالًا شائعًا على الطقس^[6]: افترض أننا نهتم بالتنبؤ في الأيام المشمسة. يمكننا القيام بذلك بمراقبة مجموعة المعطيات بالكامل وإدخال ظروف الطقس في خوارزمية تحصي الأيام التي كانت مشمسة والأيام التي لم تكن مشمسة لإجراء تخمينات عمَّا يمكن أن يكون عليه الطقس غدًا؛ هل هو مشمس أم لا؟ لأغراضنا، نهتم باستعمال طرائق خاضعة للإشراف لإجراء تنبؤات وطرائق غير خاضعة للإشراف لتصنيف المعطيات والعثور على أنماط لها.

سيكون للمؤسسات التي تتكيف وتعتمد التعلم الآلي مستقبل مشرق. ومن المهم تعلم كيفية استعماله، ومكان تطبيقه. ولمّا كانت الكليات والجامعات تسبح بالفعل في بحر من المعطيات، وثمة مزيد منها، فهي المرشحة فعلًا لاعتماد تقنيات التعلّم الآلي. حيث يمكن للكليات والجامعات والمؤسسات التعليمية استعمال التعلم الآلي لتحسين التعليم ^[5]، ومن ثَم يمكن أن يؤدي اعتماد نهج علم المعطيات المتمحور حول التعلم الآلي أداة للمسؤولين وأعضاء الهيئة التدريسية بغرض تحسين الاستراتيجيات المعتمدة في التعليم العالي.

من المهم مناقشة الفوائد والتوصيات المحتملة لاعتماد التعلم الآلي باعتبارها أداة للخبراء التربويين. ومن المهم أيضًا مراقبة القيود المحتملة والاعتبارات الأخلاقية. لذا لا بد من حوار بين مسؤولي التعليم العالي وأعضاء هيئة التدريس من جهة ومتخصصي تقانة المعلومات من جهة أخرى فيما يتعلق بإمكانات التعلم الآلي للمساعدة على اتخاذ قرارات مستنيرة ومحْكمة.

الفوائد المحتملة لتعلم الآلة في التعليم العالي

بدأ الاهتمام بالتعلم الآلي بإجراء بعض التحاليل العنقودية البسيطة بالتوازي مع طريقة الجار الأقرب  ،(kNN)حيث تقوم هذه التقنيات بالعثور على أنماط في المعطيات. طرح أحد المانحين على تشامبرلين السؤال التالي^[17]: "هل يمكننا تحديد مجموعة من الطلاب الذين يحتاجون إلى منحة دراسية إضافية، بحيث تؤدي هذه المنحة إلى تشجيعهم للبقاء في مؤسستهم؟". بعد وقت طويل من معالجة مجموعات المعطيات وكثير من البحث، حدد تشامبرلين وفريقه مجموعة من الطلاب الذين يحتاجون إلى زيادة في حصصهم المالية لضمان التزامهم. بداية اعتقد الكثيرون أن زيادة الاحتفاظ بهذه المجموعة كانت بعيدة المنال. إلا أنّه وبعد منح هؤلاء الطلاب منحًا دراسية إضافية، ارتفعت نسبة الاحتفاظ من 64٪ إلى 90٪، وكان لهذا الجهد فائدتان متميزتان: الأولى أنها ساهمت في استمرار نجاح هؤلاء الطلاب، والثانية أنها أنتجت نحو 200000 دولار أمريكي في صافي عائدات الرسوم الدراسية من استثمار نحو 50000 دولار في المنح الدراسية. وباعتماد التعلم الآلي أداة أساسية للعثور على أنماط في المعطيات واختبار الفرضيات تم فرز الطلاب الجامعين واستهداف فئة هامة منهم. وبالرغم من سهولة هذا المثال وإمكان حله اعتمادًا على بعض الاستدلالات الإحصائية التقليدية، إلا أنه فتح بابًا بين التعليم العالي والتعلّم الآلي.

على الرغم من انتشار تقنيات التعلم الآلي، إلا أن استعمال التعلم الآلي في التعليم العالي ما زال في بدايته، مع وجود إمكانات كبيرة لتحليل المعطيات والتعلم الآلي الممكن تطبيقها في مجالات التعليم العالي؛ من قبيل: نسب توظيف الخريجين، ومعدلات النجاح، ونمذجة المناهج، ودراسة العديد من المعطيات لكل طالب، كعلاماته ودخل والديه ومكان إقامته للتحقق من ضرورة تقديم مساعدة مادية له. ويمكن أن تساعد خوارزميات التعلم الآلي أيضًا في تحديد إمكان تسجيل الطالب، ودراسة حالته الاجتماعية، وتحديد العوامل المؤثرة في نجاحه، ومدى ارتباط نجاح طالب بمادة ما مع نجاحه بمادة أخرى، وأثر الدروس الإضافية على نسب النجاح، وغير ذلك.

سيحتاج الخبراء إلى التعلم الآلي وفهم خوارزمياته قبل استعمالها لاتخاذ قرارات لتحسين مردود العمل في التعليم العالي. في الوقت الحالي، عدد قليل من الجامعات يعتمد على علماء المعطيات أو فريق من الخبراء لتطبيق التعلم الآلي بصفة رسمية. لذلك فالعديد منها يفتقد التحسينات التي يوفرها التعلم الآلي. 

توصيات لاعتماد التعلم الآلي

إن البدء في التعلم الآلي ليس بالأمر الصعب كما قد يظن البعض. فللجامعات والكليات والمؤسسات التعليمية الأخرى وضع جيد لاعتماد مشاريع التعلم الآلي والبدء بتنفيذها وتطويرها، نظرًا إلى المستوى العلمي لأعضاء الهيئة التدريسية أو العاملين فيها والذين يملكون القاعدة الرياضية والإحصائية الأساسية في التعلم الآلي، إضافة إلى إتقان علوم الحاسوب.

فيما يلي بعض التوصيات المتعلقة بكيفية تنفيذ مشاريع التعلم الآلي على المستوى الجامعي

1.     ضع تقديرات واضحة للاحتياجات والأهداف والمتطلبات المؤسسية

يجب أن تكون لدى المسؤولين وأعضاء الهيئة التدريسية رؤية واضحة لاحتياجات المؤسسة المراد إدخال تقنيات التعلم الآلي إليها، والمواضيع الواجب معالجتها. نبدأ أولا بسؤال محدود جدًّا. على سبيل المثال، قد يكون من المفيد التكهن بمن يمكنه أن يجتاز فصلًا صعبًا معيَّنًا، وهل يمكن أن يتنبأ التعلم الآلي بعدد الطلاب المسجلين في فصول معيَّنة؟ وعلى العكس من ذلك، هل توجد معلومات كافية من المعطيات التي تمكّن الخبير بالتنبؤ بعدد الطلاب الذين من المحتمل أن يحصلوا على درجات علمية محددة، باستعمال التحليل العنقودي؟ إذن لا بد من دراسة أهداف البحث والنتائج المتوخاة من إجرائه، والمعطيات اللازمة له. فمثلًا يمكن للجامعة استعمال هذه النتائج لزيادة نسبة نجاح الطلاب أو تشجيعهم للعمل في الجامعة أو تعزيز دورهم؟

2. التزام الواقعية

لنتساءل: هل يمكن الإجابة على بعض التساؤلات المطروحة باعتماد التعلم الآلي؟ فبعض المسائل سهلة الحل وقليلة التكلفة، وبعضها الآخر ليس كذلك، وهذه الأخيرة بحاجة إلى دراسة وبحث وتحليل. إن أولئك الذين لديهم خلفية جيدة في الرياضيات والإحصاء والبرمجة هم أقدر الناس على التحليل والإجابة عن تلك التساؤلات. نشير إلى هؤلاء الأفراد على أنهم "ذوو صفات سحرية"^[8]. والتعليم العالي هو الأداة التي تمكّن هذه المواهب أن تؤدي دورها وتعطي نتائج جيدة. ومن جهة أخرى، يتمثل التحدي الذي يواجه المدرّسين في أن يكونوا جسرًا للطلاب للانتقال من الطرائق التقليدية إلى طرائق المعالجة الآلية المعاصرة.

3. ضع في اعتبارك الموارد المالية

هل تستطيع مؤسستك تحمُّل تكاليف توظيف خبير تحليل معطيات؟ في كثير من الحالات، قد لا يكون هذا خيارًا ناجحًا، نظرًا إلى الرواتب التي يتقاضاها هؤلاء الخبراء. والبديل المعقول هو تشكيل فريق متنوع من المتطوعين للعمل معًا، مقابل التزام المؤسسة تقديم بعض الخدمات في أنشطة أخرى لأعضاء هذا الفريق. من المهم أيضًا أن ندرك أنه من الضروري وجود بعض الأجهزة الحاسوبية وملحقاتها وبعض البرمجيات التخصصية. وغالبًا ما يكون ذلك جزءًا متوفرًا وهامًّا؛ فهو من أساسيات البنية التحتية التقانية للمؤسسة.

4. أدرك أن هذا العمل يستغرق وقتًا ويمكن أن يكون معقدًا

قد يكون لدى المؤسسة الكثير من المعطيات التاريخية، لكنه قد يكون -في الوقت ذاته- من الصعب الحصول على هذه المعطيات، وقد يستغرق الأمر أيضًا بعض الوقت لإجراء تحليل مناسب للمعطيات. لذا لا بد من التحلي بالصبر لاعتماد التعلم الآلي.

5.  تعلم الآلة

يجب البحث عن الأشخاص المهتمين في المؤسسة الذين يمكنهم تعلم الآلة، إن لم يكن موجودًا. هناك العديد من الموارد في التعلم والتعليم بالإنترنت لتدريس علوم المعطيات. والكثير من هذه الموارد مجاني، وبعضها يقدم شهادات بسعر معقول. وكثير من أدوات البرمجة وعلوم المعطيات مجانية.

6. الاعتبارات والقيود الأخلاقية

من الضروري دائمًا توخي الحذر عند اعتماد تقنية جديدة كالتعلم الآلي، فالتعلم الآلي يوفّر لصانعي القرار قوى لم يسبق لهم أن حلموا بها بسبب قدرته على إيجاد الأنماط والتنبؤ واستخلاص الاستنتاجات. لذا لا بد من الأخذ باعتبارات أخلاقية وقيود محتملة للتعلم الآلي.

7. احترم الخصوصية

قبل المضي قدمًا في التعلم الآلي، يجب أن تكون جميع المعطيات آمنة قدر الإمكان، كما يجب حماية خصوصية الأفراد. أحد أقدم الأمثلة على استعمال التعلم الآلي في التحليلات التنبُّئِية من حادثة اعتمدت فيها إحدى الشركات على الذكاء الصنعي في إرسال قسائمها، فأرسلت فيها قسائم إلى امرأة مفترضة أنها حامل. مما أثار حفيظة الأب الذي اشتكى للإدارة من أنها أرسلت قسائم موجهة إلى ابنته المراهقة مع إعلانات لملابس الأمومة وأثاث الأطفال. اعتذرت إدارة المتجر، لكن الأب اتصل بهم لاحقًا وقدم اعتذاره عندما علم أن ابنته حامل بالفعل. وهكذا، استعملت الشركة تقنيات التعلم الآلي للتنبؤ بالسلوك البشري والأنماط في المعطيات التي تجمعها الشركات لتحديد الاتجاهات الناشئة، التي من الممكن أن تكون خاصة مثل الحمل.

 

8. ضع في اعتبارك التداعيات

يمكن استعمال تقنيات التعلم الآلي بنجاح لاستنتاج بعض صفات الأفراد بناءً على مزايا وجوههم باستعمال تقنيات محددة. فقد قام باحثان من جامعة ستانفورد بتدريب نظام ذكاء صنعي لاكتشاف الأنماط اعتمادًا على ملامح الوجه، فقد استُعمل هذا لتحديد التوجه الجنسي للذكر (بدقة 81٪) وللمرأة (بدقة 71٪) ^.]12[ وهو أعلى بكثير من قدرة البشر على الاستنتاج. وقد أثار هذا البحث تساؤلات عن إمكان استنتاج التوجه السياسي للشخص ومعدل الذكاء اعتمادًا على مظهره.

يجب دراسة الحالات المرشّحة لتطبيق التعلم الآلي فيها، فقد لا يكون ثمة داعٍ لاستعماله من البداية؛ إذ قد يكون من المفيد أن يزيد من استعمال التعلم الآلي في رفع كفاءة التعليم العالي، فهو يحدّ بدرجة كبيرة من التحيز الواضح في المجتمع البشري عند اتخاذ قرار ما.

9. الإصرار على أهداف مناسبة

ظهرت بعض الأعمال المثيرة للجدل في الكشف عن الجرائم بناءً على ملامح الوجه ^]14[. حيث أظهر الباحثون أنه كان من الممكن العثور على المجرمين بناءً على سلسلة من صور الوجوه الثابتة فقط باستعمال تقنيات التعلم الآلي الشائعة.^]15[

أحد مخاطر علم المعطيات هو الصعوبة في اختيار نظم الذكاء الصنعي بناءً على أفكار مشكوك فيها علميًّا. لذا يجب أن نكون حريصين على اختيار المجال المناسب لاستعمال التعلم الآلي، فقد أظهرت بعض الأبحاث الناشئة أن الميول السياسية يمكن أن تؤثر على الطريقة المختارة من نظم الذكاء الصنعي لاعتمادها في الاستبيانات السياسية.

لا نريد من هذه الأمثلة إثارة الخوف أو ثني القرّاء عن متابعة التعلم الآلي، بل نأمُل، بدلًا من ذلك، في إجراء مناقشة هادئة حول التعلم الآلي وإمكان تطبيقه بعناية ومسؤولية. يجب على الكليات والجامعات والمؤسسات التعليمية تحديد معايير واضحة، بحيث لا تنتهك مشاريع التعلم الآلي المعايير الأخلاقية وتبقى وفيَّة للأهداف المؤسسية والمعايير العالية. في الواقع، هذه فرصة رائعة للتعليم العالي لقيادة المجتمع علميًّا، بحيث تكون سبّاقة لاعتماد الخوارزميات الحديثة بالطريقة الصحيحة. وهكذا لا بد من اختيار فريق متنوع وشامل من الخبراء لتحليل المعطيات بعناية بطريقة أخلاقية سليمة.

 

خاتمة

إن أمام التعليم العالي فرصة كبييرة ​​للاستفادة من تقدّم التعلم الآلي واستعماله أداة فعّالة للتحليل والتصنيف، ولكن بمعايير اجتماعية وأخلاقية. فللتعليم العالي الفرصة ليس فقط لاستعمال تعلم الآلة للمساعدة على اتخاذ قرارات أفضل، ولكن أيضًا لاستكشاف آلية مثلى لتطبيق التعلم الآلي. كما يمكن أن يفيد التعلم الآلي التعليم العالي، في الاتجاه نحو الأتمتة في التقانة واتخاذ القرار. نعتقد أن الجواب: في النهاية كل شيء ممكن.

المراجع 

1. Marc Andreesen, "Why Software Is Eating the World" Wall Street Journal, August 20, 2011

2. Alex Woodie, "How Machine Learning Is Eating the Software World", Datanami, May 18, 2015

3. Salah S. Al-Majeed, Intisar S. Al-Mejibli, and Jalal Karam, "Home telehealth by internet of things (IoT)" in 2015 IEEE 28th Canadian Conference on Electrical and Computer Engineering (CCECE), Halifax, NS, Canada, May 3–6, 2015: 609–13

4. Haluk Demirkan and Dursun Delen, "Leveraging the Capabilities of Service-Oriented Decision Support Systems: Putting Analytics and Big Data in Cloud," Decision Support Systems, 55, no. 1 (2013): 412–21

5. Lenka Zdeborová, "Machine learning, New Tool in the Box," Nature Physics 13, no. 5 (February 13,2017): 420–21

6. Kevin P. Murphy, Machine Learning: A Probabilistic Perspective (Cambridge, MA: MIT Press, 2012)

7. Skip Descant, "How Kansas City, Mo. Is snuffing out Potholes Befor they appear" FutureStructure, August 2, 2017.

8. Alfred Hermida and Mary Lynn Young, Finding the Data Unicorn: A Hierarchy of Hybridity in Data and Computational Journalism," Digital Journalism 5, no.2, 159–76

9. Alex Woodie, " What's Driving Data Science Salaries Now ," Datanami, October 10, 2016

10. Tim Harford, "Big Data: A Big Mistake?" Significance 11, no. 5 (December 2014): 14–19

11. Charles Duhigg, " How Companies Learn Your Secrets ," New York Times, February 16, 2012

12. Yilun Wang and Michal Kosinski, "Deep Neural Networks Are More Accurate Than Humans at Detecting Sexual Orientation from Facial Images," Journal of Personality and Social Psychology, October 2017

13. Sam Levin, " Face-Reading AI Will Be Able to Detect Your Politics and IQ, Professor Says" The Guardian, September 12, 2017

14. Xiaolin Wu and Xi Zhang, "Automated Inference on Criminality using Face Images," November 2016

15. Cara McGoohan, " Minority Report-Style AI Learns to Predict If People Are Criminals from Their Facial Features ," November 24, 2016

16. Jeff Larson, Julia Angwin, and Terry Parris Jr., " How Machines Learn to Be Racist" ProPublica, October 19, 2016

17. Heath Yates and Craig Chamberlain, Machine Learning and Higher Education | EDUCAUSE Dece