تجاوز إلى المحتوى الرئيسي
TawjihiAI: دراسة التوجيهيادرس وتدرّب من هاتفكحمّل التطبيق

المهارات الرقمية ⁦٢.٢⁩ تقنيات تحليل البيانات

المزيد من هذا الموضوع

تدرّب

تعلّم

ملخصات TawjihiAIنسخة 2026 الجديدة

المهارات الرقمية ⁦٢.٢⁩ تقنيات تحليل البيانات

جرّب أسئلة مجانية على TawjihiAI

طرائق جمع البيانات:

  • المقابلات ⁦(Interviews)⁩: تُعدّ المقابلات واحدة من أكثر طرائق جمع البيانات شيوعًا وفاعلية، وهي تمتاز بتنوّع أساليبها التي تُناسب مختلف الأهداف. كذلك تُعدّ المقابلات أداة مرنة وفاعلة لجمع البيانات النوعية.
  • المقابلة الفردية: تُرّكز المقابلة الفردية على شخص واحد للحصول على بيانات عميقة ومُفصّلة عنه.
  • المقابلة الجماعية: تشمل المقابلة الجماعية الالتقاء بمجموعة من الأشخاص؛ ما يتيح جمع آراء مُتعدّدة في آنٍ معًا.
  • المقابلة الرسمية: يُخطّط للمقابلة الرسمية مُسبقًا بأسئلة مُجهّزة وواضحة.
  • المقابلة غير الرسمية: تُعقد المقابلة غير الرسمية من دون تخطيط دقيق ومُحكم، وفيها تكون الأسئلة مفتوحة لتتيح نقاشًا حُرًّا.
  • وجهًا لوجه: يمتاز هذا النوع من المقابلات بالتفاعل المباشر بين الطرفين.
  • عن بُعد: يمتاز هذا النوع من المقابلات باستخدام وسائل الاتصال، مثل: الهاتف، والتطبيقات المرئية.
  • الاستبانات ⁦(Questionnaires)⁩: تُعَدُّ الاستبانة أداة لجمع البيانات، وهي تتضمَّن مجموعة من الأسئلة (ورقية أو إلكترونية) يجيب عنها أفراد من مجموعة مُستهدفة. تُعَدُّ الاستبانة أداة مثالية إذا كان الهدف منها هو جمع بيانات شاملة ومُوحَّدة تُسهِّل عملية التحليل واتِّخاذ القرارات، وهي تمتاز بتوافرها لشريحة واسعة من الأفراد، وسهولة جمعها للبيانات وتحليلها.
  • أُنشِئ استبانة إلكترونية باستخدام نماذج جوجل ⁦(Google Forms)⁩، وأُضمِّنها مجموعة من الأسئلة بهدف جمع بيانات عن الطلبة في صفي، مثل: الاسم، والعمر، وتاريخ الميلاد.
  • أُشارك الاستبانة مع زملائي/زميلاتي في الصف، ثمَّ أطلب إليهم تعبئتها والإجابة عن الأسئلة الواردة فيها.
  • بعد ذلك، أُطَّلع على نتائج الاستبانة، وأُلاحظ السرعة والسهولة في الحصول على البيانات وتحليلها.
اضغط هنا لفتح بنك الأسئلة

لإنشاء استبانة إلكترونية

  • المسوحات أو الاستطلاعات ⁦(Surveys)⁩: تُشبه هذه الطريقة الاستبانات من حيث التصميم، لكنَّها تختلف عنها في جمعها بيانات من عدد أكبر من الأفراد. وفيها تُكتب مجموعة من الأسئلة المُخصَّصة، ثمَّ تُوزَّع على عينة مختارة بعناية من أفراد المجتمع المُستهدف. تُعَدُّ المسوحات وسيلة فاعلة لجمع كَمٍّ كبير من البيانات بهدف استكشاف مواقف الأفراد، وتحديد الفروق في السلوكات، ومراقبة التغيُّرات المُحتملة بمرور الوقت، وصولًا إلى فهم الاتِّجاهات العامة داخل المجتمعات.
  • الملاحظة ⁦(Observation)⁩: تُعَدُّ الملاحظة إحدى أدوات جمع البيانات التي تعتمد على مراقبة الباحث لعناصر مُعيَّنة أو عمليات وأحداث مُحدَّدة، إضافةً إلى تسجيل ملاحظاته بدقة. تُستخدم هذه الطريقة كثيرًا في مراقبة السلوكات والظواهر بصورة مباشرة ودقيقة؛ ما يتيح جمع بيانات موضوعية عن الواقع بعيدًا عن التحيز أو التعصُّب. من الأمثلة على الملاحظة: مراقبة سلوك الطلبة الصغار داخل الصفوف؛ لفهم كيفية تفاعلهم مع المُعلِّمين/ المُعلِّمات والزملاء/ الزميلات، ودراسة تفاعل الأفراد في بيئة العمل؛ لفهم ديناميكيات الفريق.
  • مجموعات التركيز ⁦(Focus Groups)⁩: تُعَدُّ هذه الطريقة واحدة من الطرائق النوعية لجمع البيانات، وهي تعتمد على مناقشات جماعية مُنظَّمة تُرَكِّز على موضوع مُعيَّن. تضمُّ المجموعة عادةً (6-12) فردًا لديهم اهتمام (أو خبرة) مُشترك بالموضوع الذي يُراد دراسته. تهدف هذه الطريقة إلى فهم تصوُّرات المشاركين وآرائهم ومواقفهم عن طريق طرح مجموعة من الأسئلة التوجيهية التي تتعلَّق بالموضوع. من الأمثلة على مجموعات التركيز: دراسة آراء المُستهلكين بخصوص مُنتج جديد، واستكشاف مواقف المُعلِّمين/ المُعلِّمات تجاه تطبيق استراتيجيات تعليمية مُبتكرة.
  • دراسة الحالة ⁦(Case Study)⁩: تُعَدُّ دراسة الحالة أسلوبًا بحثيًا يُركِّز على التحليل المُعمَّق لوحدة مُحدَّدة، مثل: الفرد، والأسرة، والمجتمع، والمدرسة، والموقع المُعيَّن. تهدف هذه الطريقة إلى جمع بيانات شاملة عن هذه الوحدة؛ بُغية فهم الظاهرة المدروسة بوضوح ودقة، وهي تعتمد على ملاحظة الظاهرة في سياقها الطبيعي، مع توثيق التفاصيل المحيطة بها. يُذكر أنَّ دراسة الحالة تُستخدم على نطاق واسع في المجالات الاجتماعية والتعليمية والطبية.
اضغط هنا لفتح الكتاب

استكشاف البيانات

  • المرحلة الأوّلية لتحضير البيانات: تبدأ هذه المرحلة بتحديد المشكلة أو السؤال الذي نرغب في الإجابة عنه باستكشاف البيانات، ويُعدّ وجود هدف واضح خطوة أساسية لتوجيه عملية الاستكشاف بصورة فاعلة. بعد ذلك تُجمع البيانات اللازمة للتحليل من مصادر مُتنوّعة، مثل: قواعد البيانات، والواجهات البرمجية ⁦(APIs)⁩، وجداول البيانات، والملفات النصية. يُذكر أنّ هذه المرحلة تُعدّ حجر الأساس في استكشاف البيانات وتحضيرها لتحليل أعمق.
  • تنظيف البيانات ⁦(Data Cleaning)⁩: تتضمّن هذه المرحلة إزالة الأخطاء والقِيَم المفقودة والقِيَم غير المنتمية لضمان جودة البيانات وتحضيرها للتحليل.
  • تمثيل البيانات المرئي ⁦(Data Visualizing)⁩: يُقصد بذلك إنشاء تمثيلات بصرية للبيانات بهدف الكشف عن الأنماط والعلاقات بينها ⁦(Uncover Patterns)⁩ والاتّجاهات ⁦(Trends)⁩، واكتشاف القِيَم غير المنتمية ⁦(Anomalies)⁩ بسهولة.
  • تلخيص البيانات ⁦(Summarizing)⁩: تُستخدَم الإحصائيات الوصفية في تقديم رؤى واضحة وموجزة عن البيانات.
اضغط هنا لفتح البطاقات

لغة البرمجة بايثون:

  • تمتاز لغة البرمجة بايثون بأنها مُتعدِّدة الاستخدامات، وسهلة التعلُّم، وهي تُستخدم على نطاق واسع في تحليل البيانات؛ لأنها مفتوحة المصدر ⁦(Open Source)⁩، ومجانية.
  • كذلك تمتاز لغة البرمجة بايثون بوجود مجتمع عالمي ضخم، وأكثر من (137000) مكتبة مُتخصِّصة في مختلف المجالات، وهي تتيح للمستخدمين إجراء معالجة مُتقدِّمة للبيانات، وعمل تحليل عددي دقيق.
اضغط هنا لفتح التعريفات

من أبرز مكتبات بايثون لتحليل البيانات

  • أ. مكتبة ⁦(pandas)⁩: تُستخدم هذه المكتبة في معالجة البيانات وعرضها، والتعامل مع الجداول بسهولة.
  • ب. مكتبة ⁦(pyspark)⁩: يُمكن لهذه المكتبة التعامل مع البيانات الضخمة ⁦(Big Data)⁩ ومعالجتها.
  • ج. مكتبة ⁦(numpy)⁩: الاسم الكامل لهذه المكتبة هو ⁦(Numerical Python)⁩، وهي تتيح تنفيذ العمليات الحسابية والعمليات المنطقية بكفاءة عالية، ويُمكنها التعامل مع المصفوفات والعمليات الرياضية.
  • د. مكتبة ⁦(scikit-learn)⁩: تُعدُّ هذه المكتبة واحدة من المكتبات الشاملة للتعلُّم الآلي والنمذجة الإحصائية، وهي تُستخدم في التصنيف ⁦(Classification)⁩، والانحدار ⁦(Regression)⁩، والتجميع ⁦(Clustering)⁩، وتقليل الأبعاد ⁦(Dimensionality Reduction)⁩.
  • هـ. مكتبة ⁦(scipy)⁩: الاسم الكامل لهذه المكتبة هو ⁦(Scientific Python)⁩، وهي مكتبة شاملة تُوفِّر وظائف رياضية مُتقدِّمة مثل الجبر الخطي، وتُناسب بوجه خاص المهام التي تتطلب تحليلاً علميًا وهندسيًا مُتقدِّمًا، وتستلزم أساليب رياضية وإحصائية مُتخصِّصة.
  • و. مكتبة ⁦(matplotlib)⁩: تتيح هذه المكتبة إنشاء الرسوم البيانية والمُخطَّطات، مثل: المُخطَّطات الخطِّيَّة، ومُخطَّطات التشتُّت.
  • ز. مكتبة (⁦Natural Language Toolkit⁩: ⁦NLTK⁩): تُعنى هذه المكتبة بمعالجة اللغة الطبيعية ⁦(NLP)⁩، ويستفاد منها في تمكين جهاز الحاسوب من فهم النصوص البشرية (لغة الإنسان)، والتفاعل معها، وتحليلها، ومعالجة النصوص.
اضغط هنا لفتح بنك الأسئلة

برمجية إكسل:

  • إنشاء المُخطَّطات: تُوفِّر برمجية إكسل ما لا يقل عن (20) نوعًا مختلفًا من المُخطَّطات، بدءًا بالخيارات القياسية (مثل: المُخطَّطات الشريطية، ومُخطَّطات التشتُّت)، وانتهاءً بأكثر المُخطَّطات تعقيدًا، مثل: مُخطَّطات الرادار ⁦(Radar Charts)⁩ التي تُستخدم في تمثيل البيانات التي تحتوي على ثلاثة مُتغيِّرات فأكثر، وتبدأ جميعها من النقطة نفسها. يُعدُّ مُخطَّط الرادار أنسب المُخطَّطات للبيانات المُتعدِّدة المُتغيِّرات، مثل: تحليل تغيِّر درجات الحرارة في مواقع مختلفة خلال السنة، ومقارنة أداء المُنتجات في مناطق مُتعدِّدة. أنظر الشكل (2-2) الذي يُبيِّن مثالاً على مخططات الرادار.
  • توفير خرائط الأشجار ⁦(Treemap)⁩: تُقدِّم هذه الخرائط عرضًا هرميًا للبيانات باستخدام مستطيلات، وفيها تُمثَّل الفئات بالألوان. وهي تمتاز بسهولة عرض كثير من البيانات التي قد يكون من الصعب عرضها في أنواع أخرى من المُخطَّطات، وكذلك اكتشاف الأنماط بسهولة، وإبراز أكثر العناصر أهمية، مثل تحديد أكثر المُنتجات مبيعًا في متجر ما. أنظر الشكل (2-3) الذي يُبيِّن عنوانًا للجدول المجاور، وألاحظ أنَّ الحليب هو أكثر المُنتجات مبيعًا في إحدى المؤسسات.
اضغط هنا لفتح الكتاب

المفاضلة بين أدوات تحليل البيانات:

  • سعر الأداة: تتباين أدوات تحليل البيانات في ما بينها من حيث تكلفة الاستخدام؛ فبعض هذه الأدوات يتطلَّب استخدامها اشتراكًا لقاء مبلغ من المال، وبعضها الآخر متاح للاستخدام بصورة مجانية. غير أنَّ بعض الإصدارات المجانية تفتقر إلى مزايا لا تتوافر إلَّا في النسخ المدفوعة الثمن. ولهذا يجب أوَّلًا تقييم المزايا المُتوافرة في الأدوات، وتحليل مدى وفائها بالاحتياجات المطلوبة.
  • سهولة التعلُّم: تتفرَّد كل أداة بقواعد وتعليمات خاصة بها. ولهذا تشهد الأدوات التي تمتاز بسهولة تعلُّمها إقبالًا أكثر من المُستخدمين، وبخاصة المُبتدئون منهم.
  • الفاعلية في إدارة البيانات: تتباين أدوات تحليل البيانات في ما بينها من حيث القدرة على إدارة البيانات بكفاءة واقتدار، بما في ذلك مُدَّة الاحتفاظ بالبيانات، وكيفية تخزينها، ومشاركتها، وأرشفتها، واسترجاعها، وكذا التخلُّص منها عند الحاجة، بما يتَّسق مع مُتطلَّبات التحليل والاستخدام.
  • القدرات الرسومية: تتيح الرسوم البيانية عرض البيانات بشكل واضح وبسيط؛ ما يُسهِّل فهم الأنماط والعلاقات. ولهذا تمتاز بعض الأدوات بقدرات رسومية مُتقدِّمة ومُتنوِّعة؛ ما يدعم التحليل البصري على نحو أكثر شمولًا وفاعلية.
اضغط هنا لفتح البطاقات

المواطنة الرقمية:

  • الحقوق الرقمية ⁦(Digital Rights)⁩: أُراعي حقوق الأفراد الرقمية عند جمع البيانات وتحليلها، مثل حَقِّهم في معرفة البيانات التي جُمِعت عنهم، وحَقِّهم في طلب حذفها. كذلك ألتزم بجمع البيانات بما يتَّفق مع القوانين الدولية والمحلية.
  • الأخلاقيات الرقمية ⁦(Digital Ethics)⁩: أحرص على أخذ موافقة واضحة وصريحة من الأفراد قبل جمع بياناتهم، وأتأكَّد أنَّهم يفهمون الغرض من جمع البيانات واستخدامها.
اضغط هنا لفتح التعريفات
ادرس تقنيات تحليل البيانات على tawjihiai.com: بنك الأسئلة · الكتاب · البطاقات · التعريفات
صفحة ١