تعتمد أهمية علم البيانات على القدرة على أخذ البيانات الموجودة التي ليست بالضرورة مفيدة من تلقاء نفسها ودمجها مع نقاط البيانات الأخرى لتكوين رؤى يمكن استخدامها لمزيد من المعرفة المزيد المعرفة. مجالات البحث مازالت مفتوحة وتستهدف كافة مناحي الحياة؛ من مجالات مؤسسات الأعمال، إلى التعليم والصحة وغيرها. رغم ان اعتبار البيانات ثروة منذ وقت طويل ولكن الان مع تطور أساليب وأدوات التحليل، جعل من هذه البيانات قيمة عالية جدا أكثر مما كان ينظر أو يتوقع لها سابقا. علم البيانات استثمر العلوم الأخرى مثل الذكاء الاصطناعي وتعلم الآلة والتعلم العميق في دعم التحليل والتوصل إلى ثروة معرفية تهدف لخدمة البشرية. كلما استوعبت هذه الاتجاهات والأفق المفتوح لمجالات البحث العلمي، كلما استطعت ان تسهم في أبحاث ذات قيمة عالية ونافعة للمستقبل. على الرغم من أن علم البيانات يبنى على المعرفة من علوم الحاسوب والهندسة والرياضيات والإحصاء والتخصصات الأخرى، فإن علم البيانات هو مجال فريد به العديد من الألغاز لفتح المجال للأسئلة العلمية الأساسية والمشاكل الملحة ذات الأهمية المجتمعية.
هل علم البيانات تخصص؟
هل علم البيانات تخصص؟ هذا سؤال مطروح ولا تزال الإجابة عليه موضع نقاش حيوي. علم البيانات هو مجال للدراسة، يمكن للمرء الحصول على "شهادة في علم البيانات"، والحصول على وظيفة "كعالم بيانات"، والحصول على تمويل لإجراء أبحاث في "علوم البيانات". لكن هل علم البيانات تخصص؟ إلى أي فرع من المعرفة ينتمي؟ إذا لم يكن الأمر كذلك بعد، فهل سيتطور ليكون متميزًا عن التخصصات الأخرى؟ فيما يلي بعض الأسئلة الوصفية حول ما إذا كان علم البيانات تخصصًا أم لا.
هل هناك سؤال أو أسئلة عميقة في علم البيانات؟ إذا كان الأمر كذلك، ما هي؟ يحتوي كل تخصص علمي (عادةً) على سؤال "عميق" واحد أو أكثر يقود مسار أعماله البحثي، مثلا؛ ما هو أصل الكون (الفيزياء الفلكية)؟ ما هو أصل الحياة (علم الأحياء)؟ ما هو المحوسب (علوم الحاسوب)؟ هل يرث علم البيانات أسئلته العميقة من جميع التخصصات المكونة له أم أن له أسئلة فريدة خاصة به؟
ما هو دور المجال في مجال علم البيانات؟ جادل العديد من الأكاديميين بأن علم البيانات فريد من نوعه، من حيث إنه لا يتعلق فقط بالأساليب، ولكن أيضًا حول استخدام هذه الأساليب في سياق المجال - مجال البيانات التي يتم جمعها وتحليلها؛ المجال الذي، من هذه البيانات، يجب الإجابة على سؤال، هل إُدراج مجال متأصل في تحديد مجال علم البيانات؟ يتم استخدام التخصصات الأخرى القائمة على الأساليب، مثل علوم الحاسوب والرياضيات والإحصاء، في سياق المجالات الأخرى، وهي مستوحاة من المشكلات من هذه المجالات. هل يمكن للمرء دراسة علم البيانات، كما يدرس البعض علوم الحاسوب والرياضيات والإحصاء، دون دراسته في سياق المجال؟ هل الطريقة (الأكثر تكاملاً) التي يتم بها تضمين المجال في دراسة علم البيانات تنفرد بها علوم البيانات؟
ما الذي يجعل علم البيانات "علم البيانات"؟ هل هناك مشكلة فريدة في علم البيانات يمكن للباحث أن يجادل بها بشكل مقنع؟ ولم يتم تناولها أو طرحها من قبل أي من التخصصات المكونة لها؟ على سبيل المثال، علوم الحاسوب أو الإحصاء، متى يجب اعتبار مجموعة من الأساليب أو التحليلات أو النتائج علم بيانات، وليس مجرد طرق أو تحليلات أو نتائج في علوم الحاسوب أو الإحصاء (أو الرياضيات، إلخ)؟ أم يجب اعتبار جميع الأساليب والتحليلات والنتائج في جميع هذه التخصصات جزءًا من علم البيانات؟
اتجاهات بحثية في علم البيانات
لا يزال علم البيانات كمجال للدراسة جديدًا جدًا بحيث لا يمكن الحصول على إجابات نهائية لجميع هذه الأسئلة الوصفية. من المرجح أن تتطور الإجابات بمرور الوقت، حيث ينضج المجال ويشترك الباحثون في التخصصات الراسخة المساهمة في المنح الدراسية ووجهات النظر من تخصصاتهم. نشجع مجتمع علوم البيانات على التفكير في هذه الأسئلة الوصفية ومناقشتها، بينما نحرز تقدمًا في التحديات العلمية والمجتمعية الملموسة التي تثيرها هيمنة البيانات وأساليب علم البيانات وتطبيقات علوم البيانات.
في مقالتنا هذه سنناقش مجالات أبحاث علم البيانات كما وردت بالمقالة (مع الإضافات)
الفهم العلمي للتعلم، وخوارزميات التعلم العميق Scientific Understanding of Learning, Deep Learning Algorithms
بقدر ما نعجب بالنجاحات المذهلة للتعلم العميق، ما زلنا نفتقر إلى الفهم العلمي لسبب نجاح التعلم العميق، على الرغم من أننا نحقق تقدمًا، نحن لا نفهم الخصائص الرياضية لخوارزميات التعلم العميق أو للنماذج التي تنتجها. نحن لا نعرف كيف نفسر لماذا ينتج نموذج التعلم العميق نتيجة واحدة وليس أخرى. نحن لا نفهم مدى قوة أو هشاشة النماذج للاضطرابات في توزيعات البيانات المدخلة. نحن لا نفهم كيفية التحقق من أن التعلم العميق سيؤدي المهمة المقصودة جيدًا على بيانات الإدخال الجديدة. نحن لا نعرف كيفية وصف أو قياس عدم اليقين في نتائج النموذج. نحن لا نعرف الحدود الحسابية الأساسية للتعلم العميق؛ في أي نقطة لا تساعد المزيد من البيانات والمزيد من الحوسبة؟ التعلم العميق هو مثال على المكان الذي يكون فيه التجريب في مجال ما متقدمًا على أي نوع من الفهم النظري الكامل. وهو ليس المثال الوحيد في التعلم؛ فمثلا، الغابات العشوائية random forests
والإحصاءات المتفرقة عالية الأبعاد high-dimensional sparse statistics تتمتع بإمكانية تطبيق واسعة النطاق على البيانات واسعة النطاق، حيث لا تزال هناك فجوات بين أدائها في الممارسة العملية وماذا يمكن أن تفسر النظرية. والغابات العشوائية random forests أو غابات القرار العشوائي هي طريقة تعلم جماعية للتصنيف والانحدار والمهام الأخرى التي تعمل من خلال إنشاء العديد من أشجار القرار في وقت التدريب وإخراج الفصل الذي يمثل وضع الفئات أو متوسط / متوسط التنبؤ للأشجار الفردية.
المنطق السببي Causal Reasoning
يعد تعلم الآلة Machine learning أداة قوية للعثور على الأنماط وفحص الارتباطات والعلاقات، لا سيما في مجموعات البيانات الكبيرة. في حين أن تبني تعلم الآلة قد فتح العديد من مجالات البحث المثمرة في الاقتصاد والعلوم الاجتماعية والصحة العامة والطب، تتطلب هذه المجالات طرقًا تتجاوز التحليلات الارتباطية ويمكنها معالجة الأسئلة السببية. هناك مجال غني ومتزايد من الدراسة الحالية وهو إعادة النظر في الاستدلال السببي في وجود كميات كبيرة من البيانات. يبتكر الاقتصاديون طرقًا جديدة تدمج ثروة البيانات المتاحة الآن في تقنيات التفكير السببي الأساسية، على سبيل المثال، استخدام المتغيرات الآلية؛ تجعل هذه الأساليب الجديدة تقدير الاستدلال السببي أكثر كفاءة ومرونة. بدأ علماء البيانات في استكشاف الاستدلال السببي المتعدد، ليس فقط للتغلب على بعض الافتراضات القوية للاستدلال السببي أحادي المتغير، ولكن لأن معظم ملاحظات العالم الحقيقي ترجع إلى عوامل متعددة تتفاعل مع بعضها البعض. مستوحاة من التجارب الطبيعية المستخدمة في الاقتصاد والعلوم الاجتماعية، مع توفر المزيد من البيانات الحكومية والتجارية للجمهور، يستخدم علماء البيانات التحكم التركيبي للتطبيقات الجديدة في الصحة العامة، وتجارة التجزئة، والرياضة.
البيانات الثمينة Precious Data
يمكن أن تكون البيانات ثمينة لواحد من ثلاثة أسباب؛ مجموعة البيانات مكلفة في جمعها؛ تحتوي مجموعة البيانات على حدث نادر (نسبة إشارة إلى ضوضاء منخفضة)، أو أن مجموعة البيانات حرفية - صغيرة ومحددة المهام و / أو تستهدف جمهورًا محدودًا. يأتي أحد الأمثلة الجيدة على البيانات باهظة الثمن من الأدوات العلمية الكبيرة وباهظة الثمن، على سبيل المثال، تلسكوب المسح الشامل الكبير، ومصادم الهادرون الكبير، وكاشف نيوترينو آيس كيوب في القطب الجنوبي. من الأمثلة الجيدة على بيانات الأحداث النادرة البيانات الواردة من أجهزة الاستشعار على البنية التحتية المادية، مثل الجسور والأنفاق؛ تنتج أجهزة الاستشعار الكثير من البيانات الأولية، لكن الحدث الكارثي الذي تستخدم للتنبؤ به نادر (لحسن الحظ). قد يكون جمع البيانات النادرة مكلفًا أيضًا. خير مثال على البيانات الحرفية هو عشرات الملايين من الأحكام القضائية التي أصدرتها الصين على الإنترنت للجمهور منذ عام 2014 أو أكثر من مليوني وثيقة رفعت عنها السرية من قبل الحكومة الأمريكية. لكل نوع من هذه الأنواع المختلفة من البيانات الثمينة، نحتاج إلى طرق وخوارزميات جديدة في علم البيانات، مع مراعاة المجال والاستخدامات المقصودة ومستخدمي البيانات.
الاستنتاج من البيانات الصاخبة و/ أو غير المكتملة Multiple, Heterogeneous Data Sources
العالم الحقيقي فوضوي وغالبًا ما لا نملك معلومات كاملة حول كل نقطة بيانات. ومع ذلك، يريد علماء البيانات بناء نماذج من هذه البيانات للقيام بالتنبؤ والاستدلال. تظهر هذه المشكلة طويلة الأمد في الإحصاء في المقدمة على النحو التالي:
(1) حجم البيانات، وخاصة حول الأشخاص، التي يمكننا إنشاؤها وجمعها ينمو بلا حدود.
(2) وسائل إنشاء وجمع البيانات ليست تحت السيطرة، على سبيل المثال، تختلف البيانات من الهاتف المحمول وتطبيقات الويب (حسب التصميم) عبر مستخدمين مختلفين وعبر مجموعات سكانية مختلفة.
(3) العديد من القطاعات، من التمويل إلى البيع بالتجزئة إلى النقل، تتبنى الرغبة في التخصيص في الوقت الفعلي.
من الأمثلة الرائعة على الصياغة الجديدة لهذه المشكلة، الاستخدام المخطط للخصوصية التفاضلية لبيانات تعداد 2020 حيث تتم إضافة الضوضاء عمدًا إلى نتيجة الاستعلام، للحفاظ على خصوصية الأفراد المشاركين في التعداد. يعتبر التعامل مع الضوضاء "المتعمدة" أمرًا مهمًا بشكل خاص للباحثين الذين يعملون مع مناطق جغرافية صغيرة مثل كتل التعداد، نظرًا لأن الضوضاء المضافة يمكن أن تجعل البيانات غير مفيدة عند مستويات التجميع هذه. كيف إذن يمكن لعلماء الاجتماع، الذين ظلوا على مدى عقود يستخلصون استنتاجات من بيانات التعداد، أن يتوصلوا إلى استنتاجات على هذه البيانات "الصاخبة" وكيف يجمعون استنتاجاتهم السابقة مع هذه الاستنتاجات الجديدة؟ يمكن أن تؤدي قدرة تعلم الآلة على فصل الضوضاء عن الإشارة بشكل أفضل إلى تحسين كفاءة تلك الاستنتاجات ودقتها.
الذكاء الاصطناعي جدير بالثقة Trustworthy AI
لقد شهدنا انتشارًا سريعًا للأنظمة التي تستخدم الذكاء الاصطناعي وتعلم الآلة في المجالات الحيوية مثل المركبات ذاتية القيادة، والعدالة الجنائية، والرعاية الصحية، والتوظيف، والإسكان، وإدارة الموارد البشرية، وإنفاذ القانون، والسلامة العامة، حيث تؤثر القرارات التي يتخذها وكلاء الذكاء الاصطناعي (الوكيل البرمجي) بشكل مباشر حياة الانسان. وبالتالي، هناك قلق متزايد بشأن إمكانية الوثوق بهذه القرارات على أنها صحيحة وعادلة و"أخلاقية"، وقابلة للتفسير و"خصوصية"، وموثوقة وقوية وآمنة، خاصة في الهجمات العدائية. تقترض العديد من هذه الخصائص من تاريخ طويل من الأبحاث حول الحوسبة الجديرة بالثقة، لكن الذكاء الاصطناعي يكسب الرهان. يبدو أن التفكير في نموذج تعلم الآلة لا ينفصل عن التفكير في البيانات المتاحة المستخدمة لبنائه والبيانات غير المرئية التي سيتم استخدامها؛ وهذه النماذج احتمالية بطبيعتها. تتمثل إحدى طرق بناء الثقة في تقديم تفسيرات لنتائج نموذج تعلم الآلة إذا تمكنا من تفسير النتيجة بطريقة ذات مغزى، فيمكن للمستخدم النهائي أن يثق في النموذج بشكل أفضل. نهج آخر هو من خلال الأساليب الرسمية، حيث يسعى الباحث لإثبات مرة واحدة وإلى الأبد نموذج يرضي خاصية معينة. تؤدي خصائص الثقة الجديدة إلى مقايضات جديدة لنماذج تعلم الآلة، على سبيل المثال، الخصوصية مقابل الدقة؛ المتانة مقابل الكفاءة؛ العدل مقابل المتانة.
نظم الحوسبة للتطبيقات كثيفة البيانات Computing Systems for Data-Intensive Applications
ركزت التصاميم التقليدية لأنظمة الحوسبة على السرعة والقوة الحاسوبية، فكلما زاد عدد الدورات، زادت سرعة تشغيل التطبيق. اليوم، التركيز الأساسي للتطبيقات، لا سيما في العلوم (على سبيل المثال، علم الفلك، وعلم الأحياء، وعلوم المناخ، وعلوم المواد)، هو البيانات. المعالجات الجديدة ذات الأغراض الخاصة، على سبيل المثال، وحدات معالجة الرسومات (GPU) وFPGAs و TPUs، توجد الآن بشكل شائع في مراكز البيانات الكبيرة Big Data. تُظهر المسرعات الخاصة بالمجال، بما في ذلك تلك المصممة للتعلم العميق، مكاسب كبيرة في الأداء مقارنة بأجهزة الحاسوب ذات الأغراض العامة. حتى مع كل هذه البيانات وكل هذه القوة الحاسوبية السريعة والمرنة، لا يزال بناء نماذج تنبؤية دقيقة يستغرق أسابيع؛ ومع ذلك، فإن التطبيقات، سواء من العلوم أو الصناعة، تريد تنبؤات في الوقت الفعلي.
يساعد توزيع البيانات والحوسبة والنماذج في الحجم والموثوقية (والخصوصية)، ولكن بعد ذلك يتعارض مع الحد الأساسي لسرعة الضوء والقيود العملية لعرض النطاق الترددي للشبكة وزمن الانتقال. أيضًا، تعد الخوارزميات المتعطشة للبيانات data-hungry والمتعطشة للحساب compute-hungry algorithms، على سبيل المثال، التعلم العميق deep learning، خنازير للطاقة energy hogs. لا يجب أن نأخذ في الاعتبار المكان والزمان فحسب، بل أيضًا استهلاك الطاقة في مقاييس أدائنا. خنازير للطاقة EnergyHog هي حملة كفاءة في استخدام الطاقة طورها Ad Council. هدفهم هو توفير الطاقة من خلال التنوير وتسليط الضوء على مزايا كفاءة الطاقة.
باختصار، نحن بحاجة إلى إعادة التفكير في تصميم أنظمة الحاسوب من المبادئ الأولى، مع التركيز على البيانات (وليس الحساب). يجب أن تأخذ تصميمات أنظمة الحوسبة الجديدة في الاعتبار:
المعالجة غير المتجانسة.
التخطيط الفعال لكميات هائلة من البيانات للوصول السريع.
قدرة الاتصال والشبكة.
كفاءة الطاقة.
المجال المستهدف.
التطبيق.
المهمة task.
أتمتة المراحل الأمامية لدورة حياة البيانات Automating Front-End Stages of the Data Life Cycle
في حين أن الإثارة في علم البيانات ترجع إلى حد كبير إلى نجاحات تعلم الآلة، وبشكل أكثر تحديدًا التعلم العميق، قبل أن نبدأ في استخدام خوارزميات تعلم الآلة، نحتاج إلى إعداد البيانات للتحليل. لا تزال المراحل الأولى من دورة حياة البيانات كثيفة ومملة. يحتاج علماء البيانات، الذين يعتمدون على كل من الأدوات الحسابية والإحصائية، إلى ابتكار طرق آلية تعالج جمع البيانات وتنظيف البيانات وجدل البيانات Data wrangling (الجدل في البيانات، الذي يشار إليه أحيانًا باسم إدارة البيانات، هو عملية تحويل البيانات ورسم خرائط لها من نموذج بيانات "خام" إلى تنسيق آخر بهدف جعلها أكثر ملاءمة وقيمة لمجموعة متنوعة من الأغراض النهائية مثل التحليلات)، دون فقدان الخصائص الأخرى المرغوبة، مثل الدقة والضبط والمتانة للنموذج النهائي (accuracy, precision, and robustness). أحد الأمثلة على العمل الناشئ في هذا المجال هو مكتبة تحليل البيانات الأساسية Data Analysis Baseline Library ، والتي توفر إطارًا لتبسيط وأتمتة تنظيف البيانات، والتصور، وبناء النماذج، وتفسير النموذج.
الخصوصية Privacy
بالنسبة للعديد من التطبيقات، كلما زادت البيانات المتوفرة لدينا، كان النموذج الذي يمكننا إنشاؤه أفضل. تتمثل إحدى طرق الحصول على المزيد من البيانات في مشاركة البيانات، على سبيل المثال، تقوم عدة أطراف بتجميع مجموعات البيانات الفردية الخاصة بهم لبناء نموذج جماعي أفضل مما يمكن لأي طرف بناءه. ومع ذلك، في كثير من الحالات، بسبب مخاوف لوائح الرقابة أو الخصوصية، نحتاج إلى الحفاظ على سرية مجموعة بيانات كل طرف.
مثال على هذا السيناريو هو في بناء نموذج للتنبؤ بما إذا كان شخص ما مصابًا بمرض أم لا. إذا تمكنت عدة مستشفيات من مشاركة سجلات المرضى الخاصة بهم، فيمكننا بناء نموذج تنبؤي أفضل؛ ولكن بسبب لوائح الخصوصية لقانون نقل التأمين الصحي والمساءلة، لا يمكن للمستشفيات مشاركة هذه السجلات. نحن الآن فقط نستكشف طرقًا عملية وقابلة للتطوير، باستخدام أساليب التشفير والإحصاء، لأطراف متعددة لمشاركة البيانات والنماذج و / أو النتائج النموذجية مع الحفاظ على خصوصية مجموعة بيانات كل طرف. تستغل الصناعة والحكومة بالفعل التقنيات والمفاهيم، على سبيل المثال، الحساب الآمن متعدد الأطراف secure multiparty computation ، والتشفير المتماثل homomorphic encryption ، وإثبات البراهين الصفرية zero-knowledge proofs ، والخصوصية التفاضلية differential privacy، والجيوب الآمنة secure enclaves ، كعناصر لحلول النقطة لتحديد المشكلات. يمكننا أيضًا تطبيق هذه الأساليب على السيناريو الأبسط حيث يجب الحفاظ على خصوصية بيانات كيان واحد قبل التحليل.
الأخلاقيات Ethics
يثير علم البيانات قضايا أخلاقية جديدة. يمكن تأطيرها على ثلاثة محاور:
(1) أخلاقيات البيانات: كيف يتم إنشاء البيانات وتسجيلها ومشاركتها.
(2) أخلاقيات الخوارزميات: كيف يفسر الذكاء الاصطناعي وتعلم الآلة وروبوتات البيانات.
(3) أخلاقيات الممارسات: استنباط ابتكار مسؤول ومدونات مهنية لتوجيه هذا العلم الناشئ ولتحديد معايير مجلس المراجعة المؤسسية (IRB) والعمليات الخاصة بالبيانات.
تمنحنا المبادئ الأخلاقية الواردة في تقرير بلمونت Belmont Report وتقرير مينلو Menlo Report نقطة انطلاق لتحديد القضايا الأخلاقية الجديدة التي تثيرها تكنولوجيا علوم البيانات. يقترح المبدأ الأخلاقي لاحترام الأشخاص أنه يجب إبلاغ الناس دائمًا عندما يتحدثون مع روبوت محادثة. يتطلب المبدأ الأخلاقي للإحسان إجراء تحليل للمخاطر / المنافع بشأن القرار الذي تتخذه السيارة ذاتية القيادة بمن لا تؤذي. يتطلب المبدأ الأخلاقي للعدالة منا ضمان عدالة أدوات تقييم المخاطر في نظام المحاكم وأنظمة القرار الآلي المستخدمة في التوظيف. تثير هذه القضايا الأخلاقية الجديدة في المقابل تحديات علمية جديدة لمجتمع علوم البيانات، على سبيل المثال، كيفية الكشف عن التحيزات العرقية أو الجنسية أو الاجتماعية الاقتصادية أو غيرها من التحيزات في نماذج تعلم الآلة والقضاء عليها.
تقرير بلمونت هو تقرير تم إنشاؤه بواسطة اللجنة الوطنية لحماية الموضوعات البشرية في الطب الحيوي والبحوث السلوكية. وتقرير مينلو هو تقرير نشرته إدارة علوم وتكنولوجيا الأمن الداخلي التابعة لوزارة الأمن الداخلي الأمريكية، قسم الأمن السيبراني الذي يحدد إطار العمل الأخلاقي للبحث الذي يشمل تكنولوجيا المعلومات والاتصالات (ICT).
لمزيد من المعلومات اضغط هنا
الخلاصة
نظرًا لأن العديد من الجامعات والكليات تقوم بإنشاء مدارس ومعاهد ومراكز جديدة لعلوم البيانات وما إلى ذلك، فمن الجدير التفكير في علم البيانات كمجال. هل سيتطور علم البيانات كمجال للبحث والتعليم ليصبح تخصصًا خاصًا به أم أنه مجال يشمل جميع التخصصات الأخرى؟ يمكن للمرء أن يجادل في أن علوم الحاسوب والرياضيات والإحصاء تشترك في هذه القاسم المشترك؛ فكل منها تخصص خاص به، ولكن يمكن تطبيق كل منها (تقريبًا) على كل تخصص آخر.
ماذا سيكون علم البيانات بعد 10 أو 50 عامًا؟ الإجابة على هذا السؤال في أيدي الجيل القادم من الباحثين والمعلمين. للتقدم في علم البيانات ودراسته، سيتطلب الأمر التزامًا بتعلم المفردات والأساليب والأدوات من تخصصات متعددة ومنفصلة تقليديًا. يتطلب دمج هذه المعرفة وتطبيقها "الصبر"، ولكن يمكن أن يكون أمرًا مبهجًا، بالنسبة للطلاب الجامعيين وطلاب الدراسات العليا وزملاء ما بعد الدكتوراه وأعضاء هيئة التدريس والباحثين في بداية حياتهم المهنية من خلال البحث في القضايا في علوم البيانات التي تختار معالجتها، ستشكل ضمن هذا المجال.
دكتورة أروى الأرياني
أستاذ مشارك - تكنولوجيا المعلومات
باحث ومستشار أكاديمي
أضغط هنا "Dr. Arwa Aleryani-Blog " لتسجيل متابعة، حتى يصلك الجديد من المدونة الأكاديمية.
Comments