ورود سامانه بازرسی و نظارت آموزشی مبتنی بر هوش مصنوعی به چندین دانشگاه؛ سنجش نرخ حضور، توجه به درس و درصد پر شدن صندلی‌های جلو
اخیراً موضوع «سنجش نرخ حضور و میزان توجه و نگاه دانشجویان به تخته توسط سامانه کلاس هوشمند» در Nanjing University بحث‌های گسترده‌ای برانگیخته است. در واقع طی سال‌های اخیر، دانشگاه‌های متعددی سامانه‌های بازرسی و نظارت بر کلاس درس مبتنی بر AI را به خدمت گرفته‌اند. این سامانه‌ها چگونه عمل می‌کنند؟ آیا به‌راستی می‌توانند به بهبود فضای تدریس و یادگیری کمک کنند و طراحی آموزشی اساتید را با دقت ارتقا بخشند؟ ویدیوهای ضبط‌شده در کلاس‌ها چگونه از حریم خصوصی افراد محافظت می‌کنند؟
برای نمونه، در گزارش «پروژه‌های نوآورانه دیجیتالی‌سازی آموزش در سطح استان برای سال ۲۰۲۵» که در ژوئیه امسال توسط Jiangsu Provincial Center for Educational Information and Data Management منتشر شد، اشاره شده است که در الگوهای سنتی آموزش عالی، پایین بودن بهره‌وری مدیریت آموزشی مشکلی ملموس است؛ امری که عمدتاً از نبود داده‌های کافی برای تصمیم‌گیری ناشی می‌شود و نمی‌تواند به تکمیل سازوکار تضمین کیفیت تدریس یاری رساند. به منظور حل این مسئله، Jiangnan University با اتکا به فناوری هوش مصنوعی، بستر نوآورانه‌ای تحت عنوان «تحلیل چندبعدی وضعیت تدریس و تصمیم‌گیری هوشمند» بر پایه AI طراحی کرده است.
در حال حاضر، سامانه تحلیل وضعیت تدریس مبتنی بر AI در این دانشگاه تمام ۴۶۲ کلاس عمومی را پوشش داده و ۱۲۷ هزار و ۶۸۸ ساعت-کلاس را در ۱٬۳۶۵ دوره درسی تحلیل کرده است.
در این نمونه، سامانه یادشده در Jiangnan University با تمرکز بر شاخص‌هایی چون نرخ حضور در کلاس، درصد پر شدن صندلی‌های ردیف جلو، نرخ نگاه به استاد و میزان تعامل استاد و دانشجو، فرایند تدریس را به‌صورت بلادرنگ و با بهره‌گیری از AI تحلیل عمیق می‌کند. این سامانه با ارائه داشبوردهای بصری، گزارشی جامع از نمای کلی آموزش، تحلیل پویایی کلاس، پیگیری فعالیت‌های آموزشی و ارزیابی منابع تدریس را در ابعاد مختلف (شامل اساتید، دانشجویان کارشناسی و تحصیلات تکمیلی) فراهم می‌آورد. همچنین با نمایش بصری داده‌های کلیدی مانند دروس، اعضای هیئت علمی و ظرفیت کلاس‌ها، رتبه‌بندی شاخص‌های مربوط به دانشکده‌ها را مشخص می‌کند و به لایه‌های مختلف مدیریتی در دانشگاه و دانشکده‌ها یاری می‌رساند تا اشراف کاملی بر وضعیت جریان آموزش داشته باشند و تصمیم‌گیری‌های خود را بر مبنای داده‌ها اتخاذ کنند.
افزون بر این، به منظور ارتقای بازدهی کارکنان امور آموزشی، Jiangnan University یک ربات دستیار مدیریتی مبتنی بر AI راه‌اندازی کرده است که کلاس‌ها را به‌صورت برخط و در لحظه پایش می‌کند. این ربات شاخص‌های کلیدی از قبیل اجرای برنامه درسی، حضور دانشجویان و نرخ پر شدن صندلی‌های جلو را در ابعاد مختلف رصد کرده و در صورت نیاز هشدار می‌دهد. سامانه به‌طور خودکار گزارش‌های فشرده بازرسی تولید می‌کند و رفتار اساتید و دانشجویان و نیز نظم کلاس را به‌صورت پویا زیر نظر می‌گیرد. الگوریتم‌های سامانه با شناسایی کلاس‌های باکیفیت و برتر، آن‌ها را به‌عنوان الگو معرفی می‌کنند؛ هم‌زمان در صورت بروز وضعیت غیرعادی در کلاس‌ها، ربات دستیار بر اساس سطح خطر پیام هشدار ارسال می‌کند تا مدیران بتوانند به‌موقع اختلالات آموزشی را شناسایی و رفع کرده و از برگزاری منظم و استاندارد فعالیت‌های آموزشی اطمینان یابند.
به گفته مسئولان، این بستر با استفاده از AI گزارش‌های آموزشی خودکار صادر می‌کند؛ گزارش‌هایی که با تکیه بر اطلاعات پایه درس و سوابق تحصیلی، نوع کلاس، درصد حضور و میزان تمرکز دانشجویان را ارزیابی کرده و با مقایسه آن‌ها با میانگین کل دانشگاه، جذابیت درس و مشارکت دانشجویان را می‌سنجند. این گزارش رفتار آموزشی و مدت تعامل را به تفصیل می‌کاود، ویژگی‌های شیوه تدریس را مشخص می‌سازد و با بررسی مشارکت کلامی دانشجویان در کلاس، اثربخشی تعامل را می‌سنجد و در نهایت پیشنهادهایی کاربردی مبتنی بر داده برای بهبود کیفیت تدریس به اساتید ارائه می‌دهد.
از دیدگاه برخی دانشگاه‌ها، ایجاد سازوکار ارزیابی آموزشی متکی بر کلان‌داده‌ها و هوش مصنوعی به اولویتی مهم تبدیل شده است.
برای مثال، در آوریل امسال، Center for Educational Quality Management و Information and Network Center در Heilongjiang University اعلام کردند که به منظور بهره‌گیری گسترده‌تر از فناوری‌های دیجیتال در مدیریت و ارزیابی کیفیت تدریس، قابلیت «بازرسی برخط کلاس» را با تکیه بر کلان‌داده‌های ضبط کلاس‌ها و تحلیل هوشمند AI توسعه داده‌اند. این قابلیت امکان بررسی برخط و از راه دور شاخص‌هایی چون درصد حضور، درصد پر شدن صندلی‌های ردیف اول، نرخ توجه به درس و پخش زنده کلاس را میسر می‌سازد و پشتوانه فنی و داده‌ای لازم را برای ناظران آموزشی جهت پایش مستمر کیفیت تدریس فراهم می‌آورد. بدین ترتیب، گذار هوشمند ارزیابی آموزشی از «قضاوت تجربی» به سمت «تصمیم‌گیری داده‌محور» و «شواهد دیجیتال» شتاب می‌گیرد.
Wenzhou University نیز با به‌کارگیری هوش مصنوعی وضعیت کلاس‌ها را پایش می‌کند تا نقاط ضعف آموزشی را با دقت شناسایی کند. در مارس امسال و هم‌زمان با نخستین روز از ترم بهاره سال تحصیلی ۲۰۲۵-۲۰۲۶، این دانشگاه طرح پایش سرتاسری کلاس‌ها را آغاز کرد. در این بازرسی با تکیه بر بستر آموزشی هوشمندِ توسعه‌یافته در همین دانشگاه و با بهره‌گیری از AI، پایش برخط ۲۵۸ درس در همان روز نخست به انجام رسید.
رویکرد مشابهی نیز در Northeast Forestry University به اجرا درآمد. در ماه مارس و با آغاز دومین نیم‌سال سال تحصیلی ۲۰۲۵-۲۰۲۶، گروه نظارت بر آموزش کارشناسی این دانشگاه با بهره‌گیری از الگوی تلفیقی «راهنمایی حضوری + بازرسی ابری»، نظارت همه‌جانبه‌ای را بر تدریس در کلاس‌ها آغاز کرد.
طی این طرح، گروه نظارت از طریق سامانه آموزش هوشمند دانشگاه، هم‌زمان فرایند «بازرسی ابری» را پیش برد. کارشناسان ناظر توانستند با استفاده از این سامانه، پخش زنده کلاس‌ها را در تمام ساختمان‌های آموزشی مشاهده کنند و وضعیت تدریس اساتید و رفتار دانشجویان را از راه دور زیر نظر بگیرند. بازرسی ابری همچنین داده‌های کلیدی مانند حضور و غیاب، نرخ نشستن در صندلی‌های جلو و میزان توجه دانشجویان را ثبت کرد و تصویری دقیق از میزان تعامل و کیفیت تدریس ارائه داد تا تحلیل کمی کیفیت آموزش پشتوانه داده‌ای مطمئنی داشته باشد.
مسئولان این دانشگاه معتقدند که با تدوین الگوی نوین «نظارت هوشمند»، نهادینه‌سازی بازرسی تلفیقی حضوری و برخط، تحلیل دقیق جریان آموزش با کلان‌داده‌ها و پایش پویا و تشخیص هوشمند فرایند تدریس، می‌توان توانمندی اساتید و کیفیت آموزش را مستمراً ارتقا بخشید و پیشران تازه‌ای برای توسعه کیفی آموزش در مقطع کارشناسی ایجاد کرد.
اما آیا راه‌اندازی سامانه‌های هوشمند نظارت آموزشی در دانشگاه‌ها نتایج ملموسی داشته است؟
پنگ‌پای گزارش می‌دهد که پیش‌تر، Southern Medical University از ارتقای دیجیتال ۱۰۰ کلاس درس در سطح دانشگاه و ایجاد مرکزی برای «تحلیل فرایندی کیفیت تدریس به‌صورت تمام‌مرحله‌ای، داده‌محور و قابل‌رهگیری» خبر داده بود. این دانشگاه اعلام کرد با تکیه بر سامانه نظارت آموزشی هوشمند و به‌کارگیری فناوری‌هایی چون تشخیص تصویر و تشخیص ژست بدنی مبتنی بر AI، الگوی «حضور سرزده و برخط در کلاس» را ایجاد کرده است تا موانع زمانی و مکانی بازرسی سنتی برطرف شود، امکان مشاهده زنده و مرور فیلم‌های ضبط‌شده در تمامی پردیس‌ها فراهم آید و خلأهای ناشی از بازرسی‌های مقطعی پوشش داده شود.
به گزارش وبگاه خبری Southern Medical University در نوامبر ۲۰۲۵، سامانه یادشده شبکه‌ای جامع از جمع‌آوری داده‌ها را هم در بخش تدریس استادان و هم در بخش یادگیری دانشجویان ایجاد کرده است: در بخش اساتید، شاخص‌های کمی از جمله حالت بدن حین تدریس، بسامد تعاملات و میزان استفاده از ابزارهای کمک‌آموزشی ثبت می‌شود؛ در بخش دانشجویان نیز داده‌هایی مانند درصد حضور، میزان توجه و سطح پویایی به‌صورت لحظه‌ای استخراج شده و تصویر جامعی از داده‌های کلاس به دست می‌آید.
مسئولان دانشگاه اعلام کردند با مقایسه شاخص‌های کلیدی تدریس در دو نیم‌سال بهار و پاییز ۲۰۲۵، نرخ حضور در کلاس‌های کل دانشگاه ۱۶ درصد و تمرکز دانشجویان ۱۴ درصد افزایش یافته است؛ همچنین شاخص‌های مربوط به پویایی تدریس و تعامل کلامی اساتید روندی صعودی داشته و میانگین نمره هوش مصنوعی کلاس‌ها ۹.۶۵ امتیاز رشد کرده است. کیفیت تدریس در دانشکده‌های مختلف نیز روندی رو به رشد را در تمام حوزه‌ها نشان می‌دهد؛ به‌طوری‌که نمره میانگین هوش مصنوعی در دانشکده‌های اصلی از جمله School of Basic Medical Sciences، The First Clinical Medical School و The Second Clinical Medical School به ترتیب ۱۰.۴۲، ۸.۷۵ و ۹.۶۲ امتیاز ارتقا یافته و سهم کلاس‌های برتر با امتیاز بالای ۸۰ به بیش از ۴۵ درصد رسیده است. چرخه بازخورد و مدیریت خطاها نیز بهره‌وری مدیریت آموزشی را بهبود داده و فاصله زمانی میان شناسایی اشکال تا اصلاح آن را به حداقل رسانده است. در نهایت، دسته‌بندی اشکالات پرتکرار و تدوین راهنماهای اصلاحی، زمینه‌ساز استقرار سامانه‌ای باثبات برای ارتقای پایدار کیفیت آموزش شده است.