المدير العام
توعد تحليلات التعلم المدعومة بالذكاء الاصطناعي بتطوير كبير في أقسام التعلم والتطوير في السعودية. لكن معظم المنصات تقدم لوحات بيانات مزدحمة ومؤشرات غير مصنفة ونماذج تنبؤية غير واضحة. النتيجة: بيانات أكثر، رؤية أقل، وقرارات متوقفة. هذا الدليل يحدد المعايير الأساسية التي يجب أن يعتمدها قادة التعلم والتطوير عند اختيار أدوات التحليلات الذكية—مع التركيز على وضوح النتائج، خصوصية المتعلمين، وارتباطها بأهداف العمل.
تشير أبحاث المجلة الدولية للتعليم بالذكاء الاصطناعي إلى أن التحليلات تكون أكثر فاعلية عند التركيز على مجموعة صغيرة من المؤشرات القابلة للتنفيذ—مثل إكمال الدورات، تحسن التقييمات، وأنماط التفاعل المرتبطة بالأداء. النماذج التنبؤية تقدم قيمة فقط إذا كانت افتراضاتها ومتغيراتها واضحة وقابلة للمراجعة من قبل فرق التعلم والتطوير (Ifenthaler & Yau, 2020).
يسعى بنك سعودي كبير لتطوير تحليلات التعلم والتطوير. فريق المشتريات يقارن بين مزودين. الأول يعرض أكثر من 50 مؤشرًا أغلبها عام، ونماذجه التنبؤية مغلقة المصدر. الثاني يركز على خمسة مؤشرات رئيسية (الإكمال، تحسن التقييم، التطبيق العملي، التفاعل، وتقييم المدير)، ويقدم شرحًا كاملًا لنماذجه ويدعم لوحات تحكم بالعربية. يختار البنك المزود الثاني بعد التأكد من التوافق مع أنظمة الخصوصية المحلية وسهولة التكامل مع أنظمة الموارد البشرية.
حتى أفضل منصة تحليلات تعتمد على جودة البيانات المدخلة. سجلات المتعلمين الناقصة أو معايير التقييم غير الموحدة أو ضعف التكامل قد تشوه النتائج. كما أن تفسير البيانات يتطلب دائمًا حكمًا بشريًا—الذكاء الاصطناعي يحدد الأنماط، لكن القرار النهائي يجب أن يراعي احتياجات العمل الحقيقية.
يجب على قادة التعلم والتطوير في السعودية المطالبة بتحليلات ذكاء اصطناعي تقدم نتائج واضحة وقابلة للتنفيذ، وتحترم خصوصية المتعلمين، وتناسب السياق المحلي. المنصة الأفضل ليست الأكثر ميزات، بل التي تحقق أثرًا حقيقيًا وقابلًا للقياس، وتدعم احتياجات العمل السعودي.
