چگونه آنالیزهای Alphazed پیشرفت یادگیری کودکان را ردیابی می‌کند

چگونه آنالیزهای Alphazed پیشرفت یادگیری کودکان را ردیابی می‌کند (فراتر از کلیک‌ها)

برخلاف بسیاری از برنامه‌های آموزشی که صرفاً کلیک‌ها و زمان حضور روی صفحه را ثبت می‌کنند، در دریاچه آنالیز Alphazed نتایج واقعی یادگیری رصد می‌شود: بهبود دقت تلفظ در گذر زمان، تغییرات سطح تسلط بر مفاهیم (مبتدی → متوسط → پیشرفته)، اثربخشی مرورهای فاصله‌دار (آیا جلسات مرور فراموشی را کاهش می‌دهند؟)، و پیشرفت در سطوح طبقه‌بندی بلوم. این داده‌ها به بهبود محتوا و اثبات یادگیری صحیح کودکان به والدین کمک می‌کند.

معماری سه لایه آنالیز

لایه ۱: رویدادهای موبایل (در لحظه از داخل برنامه)
زمانی که کودک تمرینی را کامل می‌کند، برنامه رویدادی ارسال می‌کند:

{
  "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
}

لایه ۲: افزودن زمینه توسط سرور
سرور اطلاعات کاربر را به رویداد اضافه می‌کند:

{
  "...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"
}

لایه ۳: دریاچه آنالیز (پردازش ناهمزمان، قابل جستجوی SQL)

سرور رویداد کامل‌شده را می‌فرستد → صف SQS (fire-and-forget)
↓ (منتظر آنالیز نمی‌ماند)
↓ (تجربه کاربر تحت تأثیر نیست)
Kinesis Firehose (رویدادها را هر ۵ دقیقه یا ۱۰۰ مگابایت دسته‌بندی می‌کند)
↓
S3 (داده‌ها در مسیر s3://alphazed-analytics/amal/2026/03/28/events.parquet ذخیره می‌شوند)
↓
AWS Glue (هر ۱ ساعت ساختار داده‌ها را استخراج می‌کند)
↓
Athena (موتور SQL برای جستجو)
↓
داشبورد (داشبورد لحظه‌ای والدین و آنالیز داخلی)

متریک‌های پیشرفت یادگیری که ردیابی می‌کنیم

نوع رویداد ۱: تکمیل تلاش
وقتی کودک تمرینی را کامل می‌کند فعال می‌شود.

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

نتیجه: «حرف ب: کاربر user_456 از دقت ۷۲٪ در هفته اول به ۹۴٪ در هفته سوم رسید»

نوع رویداد ۲: تغییر سطح تسلط بر مفهوم
وقتی سطح تسلط روی یک مفهوم تغییر می‌کند (مثلاً مبتدی به 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"
}

ردیابی تغییرات تسلط، اثربخشی برنامه آموزشی را نشان می‌دهد: چند کودک به سطح متوسط رسیده‌اند؟ میانگین زمان رسیدن به آن چقدر است؟ کدام مفاهیم دشوارترین هستند؟

نوع رویداد ۳: رشد عمر مفید حافظه (HLR)
در مرور فاصله‌دار، قدرت حافظه رصد می‌شود:

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

نتیجه: «جزء عم الاخلاص: کاربر user_789 پس از ۷ مرور صحیح به عمر مفید ۲۵۶ ساعت (ثبات ۲ هفته‌ای) رسید»

نوع رویداد ۴: روند دقت تشخیص گفتار
بهبود تلفظ در طول زمان:

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

نتیجه: «دقت تلفظ کاربر با تمرین پیوسته طی ۸ هفته، ۱۸٪ بهبود یافته است»

نوع رویداد ۵: پیشرفت در طبقه‌بندی بلوم
ردیابی پیشرفت سطح شناختی:

{
  "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"
}

ردیابی: چند کودک به سطح ۴ بلوم (تحلیل) رسیده‌اند؟ به طور متوسط چقدر زمان برده است؟

چگونه این داده‌ها تصمیمات محصول را هدایت می‌کند

تصمیم ۱: بازطراحی یک بخش محتوا
- پرس‌وجو: «کدام بخش‌های محتوا بیش از ۴۰٪ تلاش‌های نادرست دارند؟»
- نتیجه: «تمرین ساخت کلمه با صامت‌های خوشه‌ای ۵۲٪ خطا دارد»
- اقدام: تیم محتوا تمرین را بازطراحی می‌کند (راهنمایی بیشتر، پیشرفت کندتر)
- اعتبارسنجی: ۲ هفته بعد پرس‌وجو دوباره انجام شود، نرخ خطا باید زیر ۲۵٪ بیاید

تصمیم ۲: تنظیم ترکیب تمرین‌ها
- پرس‌وجو: «کدام نوع تمرین بیشترین تعامل و پیشرفت را دارند؟»
- نتیجه: بازی‌های فیزیک ۳۰٪ تعامل بیشتر و ۱۵٪ بهبود دقت بالاتری دارند
- اقدام: افزایش تکرار بازی‌های فیزیک در درس‌های سازگار

تصمیم ۳: شناسایی مفاهیم دشوار
- پرس‌وجو: «کدام مفاهیم بیش از ۳۰٪ کاربران هرگز به سطح متوسط نمی‌رسند؟»
- نتیجه: «صامت‌های تأکیدی (ص، ض، ط، ظ) همواره مشکلات دارند»
- اقدام: تولید محتوای تکمیلی (تمرین‌های بیشتر تلفظ، پیشرفت کندتر)

مقایسه با رقبا

معیار	Duolingo	Amal/Thurayya
ردیابی کلیک	✓ امتیاز و دنباله	✓ (اما ثانویه)
ردیابی دقت	✗	✓ بر اساس مفهوم
ردیابی فراموشی حافظه	✗	✓ طول عمر مفید حافظه (HLR)
ردیابی نتایج یادگیری	✗	✓ تغییرات تسلط
ردیابی تلفظ	✗	✓ روند دقت گفتار
تصمیم‌گیری مبتنی بر داده	تمرکز روی تعامل	تمرکز روی یادگیری

سؤالات متداول

س: آیا داده‌های فرزندم در دریاچه آنالیز موجود است؟
ج: بله، به صورت ناشناس ذخیره می‌شود. معیارهای یادگیری ثبت می‌شوند و اطلاعات هویتی شخصی نیستند. شما می‌توانید وضعیت فرزندتان را در داشبورد والدین ببینید، اما پژوهشگران نام کودکان را مشاهده نمی‌کنند.

س: داده‌ها چقدر نگهداری می‌شوند؟
ج: داده‌های زنده تا ۱۲ ماه در Athena برای جستجو موجود است. داده‌های تاریخی تا ۷ سال در S3 آرشیو می‌شوند. دوره نگهداری بر اساس نوع داده قابل تنظیم است.

س: آیا می‌توانم گزارش تحلیل یادگیری فرزندم را استخراج کنم؟
ج: بله. داشبورد دکمه‌ای با عنوان «صادرات گزارش» دارد که PDF مخصوص به سه ماه گذشته با نتایج یادگیری شخصی‌سازی شده ایجاد می‌کند.

چگونه آنالیزهای Alphazed پیشرفت یادگیری کودکان را ردیابی می‌کند