Ahmed Mohamed Shitaya, Mohamed El Syed Wahed, Saied Helemy Abd El khalek, Amr Ismail, Mahmoud Y. Shams, A. A. Salama
الملخص العربي
لقد قمنا بتطوير نظام معلومات باستخدام لغة برمجة موجهة للكائنات وقاعدة بيانات موزعة (DDB) تتكون من قواعد بيانات متعددة مترابطة عبر شبكة كمبيوتر، يتم إدارتها بواسطة نظام إدارة قاعدة بيانات موزعة (DDBMS) لسهولة الوصول. تم تصميم نظام ذكي لتقييم مستوى صعوبة الاختبارات الأولية واختيار الطلاب المتقدمين المتفوقين باستخدام نموذج التعلم العميق النيوتروسوفي. تم تقسيم مجموعة البيانات بشكل عشوائي إلى مجموعات تدريب (80٪) واختبار (20٪)، وتم دمج النموذج، الذي تم تدريبه باستخدام محسن آدم بمعدل تعلم 0.001 على مدار 50 حقبة، في التوقف المبكر بناءً على فقدان التحقق. حقق هذا النظام، الذي تم تنفيذه في جامعة مصرية تقليدية، دقة بنسبة 95٪ في التنبؤ بتسرب الطلاب. غالبًا ما يتم تقييم سلوك الطلاب، المتأثر بالعوامل الشخصية والبيئية والأكاديمية، بشكل شخصي، مما يؤدي إلى نتائج غير متسقة. تكافح مناهج التعلم الآلي التقليدية مع عدم اليقين المتأصل في البيانات السلوكية. ولمعالجة هذه المشكلة، قمنا بدمج نظرية النيتروص سوفية - وهو إطار رياضي يأخذ في الاعتبار الصدق والزيف وعدم التحديد - مع التعلم العميق، الذي يتفوق في تعلم علاقات البيانات المعقدة، للتنبؤ بنتائج الطلاب مثل معدلات التسرب. وأظهر تقييم النموذج على بيانات الطلاب، بما في ذلك الحضور والدرجات، دقة فائقة، حيث حقق معامل تحديد قدره 0.95، مما يدل على إمكانات النهج في تحديد الطلاب المعرضين للخطر وتمكين التدخلات المستهدفة.
الملخص الانجليزي
We developed an information system using an object-oriented programming language
and a distributed database (DDB) consisting of multiple interconnected databases across a computer
network, managed by a distributed database management system (DDBMS) for easy access. An
intelligent system was designed to assess the difficulty level of preliminary exams and select
top-performing advanced students using a Neutrosophic Deep Learning Model. The dataset was
randomly split into training (80%) and testing (20%) sets, and the model, trained with the Adam
optimizer at a 0.001 learning rate over 50 epochs, incorporated early stopping based on validation
loss. This system, implemented at a traditional Egyptian university, achieved a 95% accuracy in
predicting student dropout. Student behavior, influenced by personal, environmental, and
academic factors, is often evaluated subjectively, leading to inconsistent results. Traditional machine
learning approaches struggle with the inherent uncertainty in behavioral data. To address this, we
combined neutrosophic theory—a mathematical framework that accounts for truth, falsity, and
indeterminacy—with deep learning, which excels at learning complex data relationships, to predict
student outcomes such as dropout rates. Evaluating the model on student data, including
attendance and grades, showed superior accuracy, achieving a determination coefficient of 0.95,
demonstrating the approach's potential for identifying at-risk students and enabling targeted
interventions.
أ.د. أحمد سلامة | Prof. Dr. Ahmed Salama | 10317