الحماس مقابل الأدلة العلمية
من السهل الانجراف مع موجة الحماس المحيطة بأدوات التدريس الخصوصي القائمة على الذكاء الاصطناعي. لكن الأدلة المتوفرة حتى الآن تدعو إلى التحفّظ. فقد وجدت بعض الدراسات أن روبوتات المحادثة التعليمية قد تأتي بنتائج عكسية، لأن الطلاب يعتمدون عليها بشكل مفرط، فيحصلون على الحلول جاهزة دون أن يستوعبوا المادة فعليًا. وحتى عندما تُصمَّم هذه الأدوات بحيث لا تكشف الإجابات مباشرة، فإنها لم تُحقق دائمًا نتائج أفضل من التعلم بالطريقة التقليدية دون الذكاء الاصطناعي.
ومع ذلك، لم يفقد الباحثون الذين أصدروا هذه الدراسات المتشككة الأمل، بل لا يزال بعضهم يجرّب ويحاول بناء معلمين رقميين أفضل. وتتمحور إحدى الأفكار الواعدة ليس حول طريقة شرح المفاهيم، بل حول ماهية التمارين التالية التي يطلبها النظام من الطالب.
تجربة بحثية في تايوان
أجرى فريق من جامعة بنسلفانيا، يضم باحثين من بين المتشككين في فعالية الذكاء الاصطناعي التعليمي، تجربة على هذه الفكرة شملت قرابة 800 طالب ثانوي تايواني يتعلمون لغة البرمجة بايثون. استخدم جميع الطلاب نفس "المعلم الذكي" المصمَّم بحيث لا يكشف الإجابات مباشرة.
لكن كان هناك اختلاف جوهري واحد: قُسّم الطلاب عشوائيًا إلى مجموعتين. المجموعة الأولى تلقّت تسلسلًا ثابتًا من تمارين التدريب، يتدرج من السهل إلى الصعب لجميع الطلاب على حد سواء. والمجموعة الثانية تلقّت تسلسلًا شخصيًا مُكيَّفًا، حيث يعدّل النظام درجة صعوبة كل تمرين بشكل مستمر بناءً على أداء الطالب وتفاعله مع المعلم الرقمي.
تستند هذه الفكرة إلى ما يسميه التربويون "منطقة النمو القريب": فعندما تكون التمارين سهلة جدًا، يشعر الطلاب بالملل، وعندما تكون صعبة جدًا، يشعرون بالإحباط. والهدف هو إبقاء الطالب في "النقطة المثلى" — متحديًا لكن غير مُحمّل بما يفوق طاقته.
نتائج لافتة
وجد الباحثون أن طلاب المجموعة التي حصلت على التدريب الشخصي المُكيَّف حققوا أداءً أفضل في الاختبار النهائي مقارنة بمجموعة التمارين الثابتة. وقد وُصف هذا الفرق بأنه يعادل ما بين 6 و9 أشهر إضافية من التعليم، وهو رقم مثير للانتباه نظرًا إلى أن البرنامج التدريبي بعد الدوام الرسمي استمر خمسة أشهر فقط. وقد أقرّت مبتكرة هذا المعلم الذكي، الباحثة في مرحلة الدكتوراه بكلية وارتون، بأن تحويلها للمقاييس الإحصائية إلى مدة زمنية "ليس تقديرًا دقيقًا تمامًا"؛ كما أن الورقة البحثية التي تناولت هذه التجربة لم تُنشر بعد في مجلة محكّمة عند صدور هذا التقرير.
ومع ذلك، فإن هذه أدلة مبكرة على أن تعديلات صغيرة — في هذه الحالة، ضبط درجة صعوبة تمارين التدريب وفق مستوى كل طالب — قد تُحدث فرقًا حقيقيًا.
التخصيص ليس مجرد شرح، بل مسار تعلّمي
أشارت الباحثة إلى أن استجابات روبوتات المحادثة التعليمية مثل ChatGPT قد تبدو شخصية بالفعل لأنها تستجيب مباشرة لأسئلة الطالب الخاصة، لكن هذا المستوى من التخصيص غير كافٍ. وكما تقول: "الطلاب في العادة لا يعرفون ما لا يعرفونه. فالطالب لا يملك القدرة على طرح الأسئلة الصحيحة للحصول على أفضل تدريس ممكن."
لمعالجة هذه الفجوة، دمج فريق البحث نموذج لغة كبيرًا مع خوارزمية تعلّم آلي منفصلة تُحلّل كيفية تفاعل الطلاب مع المنصة الرقمية — كيف يجيبون عن تمارين التدريب، وكم مرة يُعدّلون أو يُنقّحون شيفرتهم البرمجية، وجودة محادثاتهم مع المعلم الرقمي — وتستخدم هذه المعلومات لتحديد التمرين التالي الأنسب.
بعبارة أخرى، التخصيص ليس مجرد تكييف طريقة الشرح، بل تكييف مسار التعلّم بأكمله. وهذه الفكرة، في جوهرها، ليست جديدة.
دروس من أنظمة التدريس الذكية القديمة
قبل وقت طويل من ظهور أدوات الذكاء الاصطناعي التوليدي مثل ChatGPT، طوّر باحثو التربية ما سُمي "أنظمة التدريس الذكية"، التي حاولت تحقيق أمر مشابه: تقدير ما يعرفه الطالب وتقديم التمرين المناسب التالي له. لم تكن هذه الأنظمة القديمة قادرة على إجراء محادثات طبيعية، لكنها كانت تقدّم تلميحات وتغذية راجعة فورية. وقد وجدت دراسات رصينة أن النسخ المصمَّمة بعناية من هذه الأنظمة ساعدت الطلاب على التعلم بشكل ملحوظ.
لكن نقطة ضعفها الأساسية كانت الانخراط: فكثير من الطلاب لم يكونوا راغبين في استخدامها أصلًا. واليوم، قد تساعد أدوات الذكاء الاصطناعي الحديثة في معالجة هذه المشكلة بالضبط، لأن الطلاب قد يجدون اهتمامًا أكبر بمحاورة روبوت يتحدث معهم بطريقة قريبة من الأسلوب الإنساني.
الانخراط هو سرّ الفارق
في تجربة جامعة بنسلفانيا، قضى طلاب المجموعة المُكيَّفة وقتًا أطول في التدريب، بمعدل ثلاث دقائق إضافية لكل تمرين، ما يعادل نحو ساعة كاملة لكل وحدة تعليمية في مقرر بايثون، مقارنة بنصف هذا الوقت أو أقل لدى المجموعة المقارنة. ويعتقد الباحثون أن هؤلاء الطلاب حققوا نتائج أفضل لأنهم كانوا أكثر انخراطًا في عملهم التدريبي.
كما أثّرت المعرفة السابقة للطلاب بالموضوع على مدى فعالية التسلسل المُخصَّص: الطلاب الجدد كليًا على لغة بايثون استفادوا أكثر من الطلاب الذين كانت لديهم خبرة سابقة بها، والذين حققوا نتائج جيدة بالتساوي مع التسلسل الثابت. كما بدا أن الطلاب من مدارس أقل تميّزًا استفادوا بدرجة أكبر من هذا النوع من التخصيص.
قيود التجربة وآفاق مستقبلية
تجدر الإشارة إلى أن جميع الطلاب التايوانيين في هذه الدراسة تطوّعوا للمشاركة في مقرر برمجة اختياري قد يعزز طلبات قبولهم الجامعية. كان كثير منهم متحفزين بدرجة عالية، وينحدرون من أسر يتمتع أولياء أمورها بمستوى تعليمي مرتفع، وكان لدى الكثيرين خبرة برمجية سابقة. ولذلك يبقى من غير الواضح إن كان هذا النوع من المعلم الرقمي سيحقق نفس الفعالية مع طلاب أقل تحفّزًا، أو متأخرين دراسيًا، أو هم في أمسّ الحاجة للدعم الإضافي.
أحد الحلول المحتملة هو الدمج بين الجديد والقديم. فأحد رواد أنظمة التدريس الذكية في جامعة كارنيغي ميلون يجرّب حاليًا استخدام نماذج الذكاء الاصطناعي الحديثة لتنبيه معلمين بشريين عن بُعد، يمكنهم تحفيز الطلاب المتعثرين الذين بدأوا يفقدون التركيز. وكما يقول: "نحقق نجاحًا أكبر بهذه الطريقة."
الخلاصة أن العامل البشري لم يصبح بعدُ غير ضروري في العملية التعليمية، على الأقل ليس الآن.
