عن نظام مسار
مسارك، بإرشاد البيانات.
تحديد المشكلة
تكمن المشكلة الأساسية في أن الإرشاد المهني التقليدي كثيراً ما يكون صعب المنال ومكلفاً وغير مخصّص، ما يدفع كثيرين إلى اتخاذ قرارات غير مبنية على معرفة كافية تؤدي إلى عدم الرضا المهني وعدم توافق المهارات. وتعتمد الأساليب التقليدية على اختبارات استعداد ثابتة وموارد بشرية محدودة، وهي تعجز عن مواكبة سوق عمل سريع التغيّر وظهور أدوار تقنية جديدة. وبناءً عليه، ثمة حاجة ماسّة إلى نظام ذكاء اصطناعي قابل للتوسّع وقائم على البيانات، يستطيع تحليل كميات كبيرة من بيانات القطاعات الآنية وملفات المستخدمين الفردية ليقدّم مسارات مهنية موضوعية ومخصّصة وقابلة للتنفيذ.
الملخّص
يواجه كثير من الطلبة صعوبة في اختيار المسارات المهنية المناسبة بسبب محدودية الوصول إلى إرشاد مخصّص وموثوق. فأساليب الإرشاد المهني التقليدية كثيراً ما تكون عامة أو غير متسقة أو غير متاحة لجميع المتعلمين، ما يجعل القرارات مبنية على عدم اليقين بدل التقييم الذاتي المستنير. وبناءً على ذلك، قد يختار الطلبة موادّ دراسية أو اتجاهات مهنية لا تتوافق مع قدراتهم أو ميولهم أو سماتهم الشخصية، ما يؤدي إلى عدم رضا أكاديمي طويل الأمد وتحديات مهنية.
ويعالج نظام الإرشاد المهني بالذكاء الاصطناعي المقترح هذه المشكلة عبر توفير منصّة قائمة على البيانات، متاحة ومخصّصة، للتخطيط المهني. ويستفيد النظام من تقنيات تعلّم الآلة لتحليل بيانات الطالب الأساسية، بما فيها الأداء الأكاديمي والميول الشخصية وملامح الشخصية. وبناءً على هذا التحليل، يولّد توصيات مهنية مصمّمة لتتوافق مع نقاط قوة كل طالب وتفضيلاته. كما يحدّد النظام الفجوات المهارية ويقترح دورات ومسارات تعلّم مناسبة لدعم الطلبة في تحقيق أهدافهم المهنية.
ومن خلال تقديم دعم مستمر وفردي، يعزّز نظام الإرشاد المهني بالذكاء الاصطناعي جودة اتخاذ القرار ويقلّل الاعتماد على التخمين. ويضمن حصول الطلبة على إرشاد دقيق وفي وقته، بما يمكّنهم من اتخاذ خيارات أكاديمية ومهنية مستنيرة. وفي المحصّلة، يسهم هذا النهج في تحسين المخرجات التعليمية وتحقيق توافق أفضل بين إمكانات الطلبة ومهنهم المستقبلية.
كيف يعمل النظام
يجمع «مسار» بين نموذجين بدل الاعتماد على واحد، لأن أياً منهما لا يجيب عن السؤال كاملاً بمفرده.
١. مصنّف القطاع
غابة عشوائية مُدرَّبة على ٥٠٠٠ ملف طالب مولَّد تتنبأ بالقطاع الأنسب من بين خمسة عشر قطاعاً. ودُرِّب الانحدار اللوجستي وخوارزمية أقرب الجيران كنماذج أساس للمقارنة.
٢. طبقة التشابه
لكل مهنة متجه ملف مثالي. نقارن ملف الطالب ذا العشرين بُعداً به باستخدام تشابه جيب التمام بعد توسيط المتوسط، وهو ما يرتّب المهن داخل القطاع الواحد وعبر القطاعات.
٣. المزج الموزون
الدرجة النهائية ٤٥٪ من المصنّف و٤٥٪ من التشابه و١٠٪ من الطلب في سوق العمل. وقد حُدَّ وزن الطلب عمداً: نظام إرشاد يلاحق الرائج سيعيد إنتاج المشكلة نفسها التي وُجد لحلّها.
٤. التفسير
نُبرز لكل ترشيح الأبعاد الثلاثة الأكثر إسهاماً فيه، وفقط حيث يكون الطالب والمهنة قويّين معاً — نقطة قوة مشتركة، لا غياباً مشتركاً.
ملاحظة حول البيانات
لا توجد مجموعة بيانات عامة تربط درجات الطلبة في الإمارات وميولهم وسماتهم الشخصية بمآلاتهم المهنية. وبدل ادّعاء امتلاك مثلها، يوفّر «مسار» مولّد بيانات اصطناعية حتمياً بقصة سببية موثّقة، ويصرّح بحدوده بوضوح. فارتفاع الدقة على هذه البيانات يثبت أن المنظومة تعمل، لا أن التوصيات مُتحقَّق منها خارجياً.
الفريق
- Saif Qais Ahmedقائد المجموعة والواجهة الأمامية
- Khaled Mohammed AlMemariقائد مشارك وقواعد البيانات والعمليات
- Mansour Buti ALShmasiضمان الجودة والتوثيق
- Mubarak Awad AlAmroالواجهة الخلفية وواجهات البرمجة
- Zayed Saif AlBlooshiمهندس تعلّم الآلة
- المشرف
- Hamdy Hersi
- المؤسسة التعليمية
- Applied Technology School — Al Ain
- العام الأكاديمي
- 2026