Date of Award

4-2025

Document Type

Thesis

Degree Name

Master of Science in Software Engineering

Department

Computer Science and Software Engineering

First Advisor

Prof. Salah Bouktif

Abstract

The rapid transformation of educational delivery methods during the COVID-19 pandemic required institutions to transition between online, hybrid, and offline learning approaches, creating both challenges and opportunities for educators and students. While online and hybrid learning modes ensured continuity, their effectiveness across different course types remained uncertain. This thesis addresses this gap by developing a datadriven recommendation framework that predicts Course Learning Outcome (CLO) achievement scores using regression, and recommends the most appropriate learning mode (online, hybrid, or offline) along with instructional tools based on course characteristics. This study analyzed 100 undergraduate and postgraduate courses from the College of Information Technology (CIT) at the UAEU, offered across 1165 course sections, spanning five academic semesters (Fall 2020–Fall 2023). The dataset derived from official course portfolios, captures key attributes such as teaching methodologies, assessment strategies, practical engagement, and performance metrics such as CLO achievement trends across three departments: Computer Science & Software Engineering, Computer & Network Engineering, and Information Systems & Security.
Machine learning approaches were used to predict CLO achievement, with many algorithms explored throughout the modeling phase. Among the models examined, the Gradient Boosting Regressor outperformed Random Forest and Linear Regression in terms of prediction accuracy. A rule-based recommendation system was created to match course requirements with suitable delivery modalities to convert these predictions into workable tactics. For example, hands-on learning environments were linked with practical courses, whereas online or hybrid forms were more appropriate for theoretical subjects. These results provide a data-driven method for instructional planning which assists institutions in creating more individualized and successful learning programs.

Arabic Abstract


اختيار وضع التعلم المناسب والأدوات التعليمية بناءً على خصائص المقرر: نظام توصية يعتمد على البيانات

شهدت أساليب تقديم التعليم تحولاً سريعاً خلال جائحة كوفيد-19، مما دفع المؤسسات التعليمية إلى التنقل بين أنماط التعلم الإلكتروني، والتعلم المدمج، والتعلم الحضوري، الأمر الذي نتج عنه تحديات وفرص على حد سواء للمعلمين والطلاب. وعلى الرغم من أن أنماط التعلم الإلكتروني والمدمج ضمنت استمرارية التعليم، إلا أن فعاليتها عبر أنواع المقررات المختلفة بقيت غير مؤكدة. تهدف هذه الرسالة إلى معالجة هذه الفجوة من خلال تطوير إطار توصية قائم على البيانات، يتنبأ بمعدلًت تحقيق مخرجات التعلم للمقرر (CLO) باستخدام نماذج الًنحدار، ويوصي بأفضل نمط تعلم مناسب (إلكتروني، مدمج، أو حضوري) مع أدوات التدريس المناسبة، وذلك بناء على خصائص المقرر.

شملت الدراسة تحليل بيانات 100 مقرر دراسي في مرحلتي البكالوريوس والدراسات العليا من كلية تقنية المعلومات بجامعة الإمارات العربية المتحدة، موزعة على 1165 شعبة دراسية خلال خمسة فصول أكاديمية (من خريف 2020 إلى خريف 2023) وقد استُخرجت البيانات من ملفات المقررات الرسمية، واحتوت على خصائص رئيسية مثل أساليب التدريس، استراتيجيات التقييم، مستوى التطبيق العملي، ومؤشرات الأداء كاتجاهات تحقيق مخرجات التعلم في ثلاثة أقسام: علوم وهندسة الحاسوب، هندسة الشبكات، ونظم المعلومات وأمنها.

استخدمت الدراسة منهجية قائمة على التعلم الآلي لتوقّع نسب تحقيق مخرجات التعلم، حيث تم مقارنة عدة نماذج مثل الًنحدار الخطي وغابة القرارات، وتبيّن أن نموذج الًنحدار المعزز التدريجي (Gradient Boosting Regressor) هو الأكثر فعالية. بالإضافة إلى ذلك، تم تصميم نظام توصية قائم على القواعد لترجمة نتائج التنبؤ إلى استراتيجيات تدريسية منظمة، بما يضمن أن المقررات التي تركز على التطبيق العملي تُقدَّم في بيئات تعليمية عملية، في حين تُعزَّز المقررات النظرية والتحليلية من خلال التعلم المدمج أو الإلكتروني. تقدم نتائج هذه الدراسة نهجاً منظماً للتخطيط الأكاديمي القائم على البيانات، مما يمكّن المؤسسات من مواءمة طرق تقديم المقررات مع احتياجات تعلم الطلاب. وتُسهم هذه الدراسة في مجال علم بيانات التعليم، موضحة كيف يمكن لتحليلات التنبؤ وأنظمة التوصية أن تدعم اتخاذ قرارات مستندة إلى الأدلة لتحسين فاعلية التعلم وتصميم التعليم وتخطيط المناهج في التعليم العالي.

Download
COinS