كيف متابعة التعلم يحسن نتائج الأطفال في Alphazed

على عكس معظم تطبيقات التكنولوجيا التعليمية التي تتعقب النقرات ووقت الشاشة، يتتبع نظام تحليلات Alphazed نتائج التعلم الفعلية: تحسين دقة النطق على مر الوقت، انتقالات إتقان المفاهيم (مبتدئ → متوسط → متقدم)، فعالية التكرار المباعد (هل تقلل جلسات المراجعة من النسيان؟)، وتقدم مستوى تصنيف بلوم. هذه البيانات توجه تحسينات المناهج وتثبت للآباء أن أولادهم يتعلمون بالفعل، وليس فقط يلعبون.

هيكل تحليل ثلاثي المستويات

المستوى 1: أحداث الجوال (في الوقت الحقيقي من التطبيق)
عندما يكمل الطفل تمرينًا، يرسل التطبيق حدثًا:

{
  "event_type": "attempt_complete",
  "concept_id": "letter_ba",
  "exercise_type": "select",
  "accuracy_score": 0.89,
  "attempt_number": 3,
  "session_id": "session_abc123",
  "timestamp": "2026-03-28T14:35:22Z",
  "is_correct": true,
  "response_time_ms": 2400
}

المستوى 2: إثراء الخلفية (إضافة السياق من الخادم)
يقوم نظام الخلفية بإضافة خصائص المستخدم:

{
  "...event...",
  "user_id": "user_456",
  "age_group": "5-7",
  "persona": "intermediate",
  "days_since_signup": 34,
  "total_practice_minutes": 487,
  "app_name": "amal",
  "device_type": "Android",
  "country": "US"
}

المستوى 3: بحيرة التحليلات (غير متزامن، يستفسر عنه باستخدام SQL)

Backend sends enriched event → SQS queue (fire-and-forget)
    ↓ (doesn't wait for analytics)
    ↓ (user experience unaffected)
Kinesis Firehose (batches events every 5 min or 100MB)
    ↓
S3 (partitioned: s3://alphazed-analytics/amal/2026/03/28/events.parquet)
    ↓
AWS Glue (crawls S3 every 1 hour, infers schema)
    ↓
Athena (Presto SQL engine for querying)
    ↓
Dashboard (real-time parent dashboard + internal analytics)

مؤشرات نتائج التعلم التي نتتبعها

نوع الحدث 1: إكمال المحاولة
يُنفذ كلما أكمل الطفل تمرينًا.

SELECT
  user_id,
  concept_id,
  ROUND(AVG(accuracy_score), 2) as avg_accuracy,
  COUNT(*) as total_attempts,
  SUM(CASE WHEN is_correct THEN 1 ELSE 0 END) as correct_count,
  DATE(FROM_UNIXTIME(timestamp / 1000)) as date
FROM analytics_lake.attempt_complete
WHERE app_name = 'amal'
  AND concept_id = 'letter_ba'
GROUP BY user_id, concept_id, date
ORDER BY date DESC

النتيجة: "حرف ب: المستخدم 456 تحسن من دقة 72% (الأسبوع الأول) إلى 94% (الأسبوع الثالث)"

نوع الحدث 2: انتقال إتقان المفهوم
يُنفذ عندما يتغير المستوى الإتقاني لمفهوم (مبتدئ → متوسط).

{
  "event_type": "mastery_transition",
  "concept_id": "word_kitab",
  "from_level": "beginner",
  "to_level": "intermediate",
  "hlr_half_life_before": 4.0,
  "hlr_half_life_after": 8.0,
  "timestamp": "2026-03-20T10:15:00Z"
}

تعقب انتقالات الإتقان يكشف فعالية المناهج:

• كم عدد الأطفال الذين يصلون إلى مستوى المتوسط لكل مفهوم؟
• المدة الزمنية المتوسطة للوصول إلى المتوسط؟
• ما هي المفاهيم التي تشكل عوائق؟

نوع الحدث 3: نمو مدة التكرار
أثناء التكرار المباعد، نتتبع قوة الذاكرة:

SELECT
  user_id,
  concept_id,
  DATE(FROM_UNIXTIME(timestamp / 1000)) as date,
  MAX(hlr_half_life_hours) as max_half_life,
  COUNT(DISTINCT CASE WHEN is_correct THEN 1 END) as correct_reviews,
  COUNT(DISTINCT CASE WHEN NOT is_correct THEN 1 END) as incorrect_reviews
FROM analytics_lake.hlr_update
GROUP BY user_id, concept_id, date

النتيجة: "جزء عم السورة الإخلاص: المستخدم 789 حقق مدة تكرار 256 ساعة (ثبات لمدة أسبوعين) بعد 7 مراجعات صحيحة"

نوع الحدث 4: اتجاهات دقة التعرف على الصوت
تحسين النطق على مر الوقت:

SELECT
  user_id,
  DATE_TRUNC('week', FROM_UNIXTIME(timestamp / 1000)) as week,
  AVG(similarity_score) as avg_pronunciation_accuracy,
  APPROX_PERCENTILE(similarity_score, 0.5) as median_accuracy
FROM analytics_lake.speech_recognition_result
WHERE concept_type = 'letter'
GROUP BY user_id, week
ORDER BY week DESC

النتيجة: "تحسنت دقة نطق المستخدم بنسبة 18% على مدار 8 أسابيع من التدريب المتواصل"

نوع الحدث 5: تقدم تصنيف بلوم
تعقب التقدم في مستوى الإدراك:

{
  "event_type": "blooms_level_completion",
  "concept_id": "word_kitab",
  "blooms_level_achieved": 4,
  "user_age_group": "5-7",
  "time_to_level_days": 14,
  "attempt_count": 47,
  "timestamp": "2026-03-25T16:45:00Z"
}

تعقب: كم عدد الأطفال الذين يصلون إلى مستوى بلوم 4 (تحليل)؟ وكم المدة المتوسطة؟

كيف تؤثر هذه البيانات على قرارات المنتج

القرار 1: إعادة تصميم وحدة المحتوى

• استفسار: "أي وحدات المحتوى بها أكثر من 40٪ محاولات خاطئة؟"
• النتيجة: "تمرين بناء الكلمات لتجميع الحروف يحتوي على معدل خطأ 52%"
• الإجراء: فريق المحتوى يعيد تصميم التمرين (المزيد من الدعم، تقدم أبطأ)
• التحقق: تنفيذ الاستفسار مرة أخرى بعد أسبوعين، يجب أن ينخفض معدل الخطأ إلى أقل من 25٪

القرار 2: تعديل تنوع التمارين

• استفسار: "أي أنواع التمارين تحقق أعلى تفاعل + نتائج تعلم؟"
• النتيجة: الألعاب الفيزيائية تحقق تفاعلًا أعلى بنسبة 30% لكن الألعاب الفيزيائية لديها تحسن في الدقة بنسبة 15% أعلى
• الإجراء: زيادة تكرار ألعاب الفيزياء في الدروس المتكيفة

القرار 3: تحديد المفاهيم التي تواجه صعوبة

• استفسار: "المفاهيم التي لا يصل أكثر من 30% من المستخدمين أبدًا إلى المستوى المتوسط؟"
• النتيجة: "الحروف الشمسية (ص، ض، ط، ظ) هي دائمًا صعبة"
• الإجراء: إنشاء محتوى إضافي (تمارين نطق إضافية، تقدم أبطأ)

مقارنة بالمنافسين

المؤشر	Duolingo	Amal/Thurayya
يتعقب النقرات	✓ XP، السلسلة	✓ (لكن بشكل ثانوي)
يتعقب الدقة	✗	✓ كل مفهوم
يتعقب تآكل الذاكرة	✗	✓ HLR نصف العمر
يتعقب نتائج التعلم	✗	✓ انتقالات الإتقان
يتعقب النطق	✗	✓ اتجاهات دقة النطق
قرارات منتج مستندة إلى البيانات	تركيز على التفاعل	تركيز على التعلم

التعليمات

س: هل توجد بيانات طفلي في بحيرة التحليلات؟

نعم، مجهولة الهوية. نتتبع مؤشرات التعلم (لا نحدد الهوية الشخصية). يمكنكم رؤية مؤشرات طفلكم في لوحة القيادة للآباء؛ الباحثون لا يمكنهم رؤية أسماء الأطفال الفرديين.

س: كم مدة الاحتفاظ بالبيانات؟

البيانات الحية (آخر 12 شهرًا): متاحة في Athena للاستعلام. البيانات التاريخية: مؤرشفة إلى S3 لمدة 7 سنوات (الامتثال). يمكن ضبط الاحتفاظ بحسب نوع البيانات.

س: هل يمكنني تصدير مؤشرات تعلم طفلي؟

نعم. تحتوي لوحة القيادة على زر "تصدير التقرير" الذي ينشئ ملف PDF بنتائج التعلم الشخصية للأشهر الثلاثة الماضية.