في عصر الذكاء الاصطناعي، أصبح من الضروري استخدام البيانات الاصطناعية (Synthetic Data) في ميادين التعليم، لكن كيف نختار التقنية المثلى لتحقيق الفائدة القصوى؟

تركز دراسات جديدة على أهمية الاستخدام الفعال لنماذج البيانات الاصطناعية في ظل مخاوف الخصوصية ونقص البيانات. هذا البحث يقدم أول مقارنة منهجية بين أساليب إعادة أخذ العينات التقليدية كنموذج SMOTE ونموذج Bootstrap، ونماذج التعلم العميق مثل Autoencoder و Variational Autoencoder و Copula-GAN.

استخدم الباحثون مجموعة بيانات تحتوي على 10,000 سجل لأداء الطلاب لتقييم الأداء لكل تقنية عبر عدة أبعاد، مثل دقة التوزيع ومعدل الاستفادة من التعلم الآلي (Train-on-Synthetic-Test-on-Real) وحماية الخصوصية.

وتظهر النتائج وجود تعارض جوهري: طرق إعادة أخذ العينات تعطي تقييمات عالية للأداء (TSTR: 0.997) لكنها تفشل في حماية الخصوصية (DCR ~ 0.00)، بينما توفر نماذج التعلم العميق ضمانات قوية لحماية الخصوصية (DCR ~ 1.00) بتكلفة كبيرة للأداء.

برزت نماذج Variational Autoencoders كأفضل خيار وسط، حيث حافظت على 83.3% من الأداء التنبؤي مع ضمان الحماية الكاملة للخصوصية.

تم تقديم توصيات عملية، مثل استخدام طرق إعادة أخذ العينات التقليدية في التطوير الداخلي حيث يتم التحكم في الخصوصية، وVAEs لمشاركة البيانات الخارجية حيث تكون الخصوصية أولوية قصوى. يعتبر هذا البحث حجر الزاوية لإرساء معايير عملية في مجال البيانات الاصطناعية في تحليلات التعليم.