الذكاء الاصطناعي في الفصول الدراسية: تكييف الدروس حسب احتياجات الطلاب

ترجمة: أ. سوار الماجري

مقدمة: تحول الفلسفة التعليمية نحو التكييف

يمثل التعلم المتكيف ركيزة أساسية وتحولاً جوهرياً في تطوير المنظومات التعليمية الحديثة؛ إذ يسعى إلى تجاوز المناهج النمطية الموحدة وتوفير تجارب تعلم شخصية تُراعي الفروق الفردية بين المتعلمين وتستجيب لاحتياجاتهم المتغيرة لحظة بلحظة. يركز هذا التوجه الحديث على جعل المتعلم محور العملية التعليمية عبر ملاءمة المحتوى والسرعة مع إمكانياته الخاصة.

وفي هذا السياق، يبرز “تعلم التعزيز” (Reinforcement Learning – RL) كأحد أكثر فروع الذكاء الاصطناعي والتعلم الآلي واعدة لتصميم بيئات تعلم ديناميكية الذكاء. يقوم مفهوم تعلم التعزيز على فكرة اتخاذ وكيل ذكي (Agent) لسلسلة من القرارات الإجرائية المتتابعة داخل بيئة تعليمية، بهدف تعظيم “إشارة المكافأة” (Reward Signal) عبر عملية مستمرة من التجربة والخطأ. يسمح هذا النموذج للأنظمة الذكية باكتشاف الاستراتيجيات التربوية والتدريسية المثلى تلقائيًا ودون الحاجة إلى برمجة صريحة لكل خطوة.

يعتمد هذا النموذج على تحليل التفاعلات والسلوكيات السابقة للمتعلم بشكل متواصل، بما في ذلك مستويات الإجابة وأوقات الاستجابة وأنماط الخطأ. بناءً على هذه البيانات، يقوم النظام بتكييف المسارات الأكاديمية والأدوات المتاحة لضمان تحسين مخرجات الفهم المستدامة، وتقديم التغذية الراجعة الملائمة في الوقت المناسب، مما يعزز استقلالية المتعلم ويزيد من كفاءة العملية التعليمية برمتها.

مسارات التكييف التربوي عبر خوارزميات التعلم

تتجلى القيمة الجوهرية لاستخدام تعلم التعزيز في التعليم من خلال مسارين رئيسيين للتكييف يهدفان إلى تلبية تطلعات واحتياجات كل متعلم بشكل دقيق:

• التكييف الموجه بالمحتوى (Content-Related Adaptation): ويركز بشكل أساسي على التسلسل الإرشادي والتعليمي (Instructional Sequencing) لتقديم المفاهيم والخبرات الدراسية. في هذا المسار، يتولى النظام الذكي تحليل مستوى الإتقان الأكاديمي وتحديد المسار التعليمي الأمثل لكل طالب على حدة، وذلك من خلال الملاءمة المستمرة لمستوى صعوبة المسائل المتتالية، وتحديد السرعة والإيقاع المناسبين لعرض المادة الدراسية، واختيار الأنشطة والتمارين التي تتناسب تمامًا مع مستوى التمكن الحالي للمتعلم. يهدف هذا النوع من التكييف إلى حماية الطالب من التشتت وفقدان الشغف الناتجيْن عن المحتوى السهل جدًا، وتجنب الشعور بالإحباط والجهد المفرط الناتجين عن المحتوى المعقد أو المفرط الصعوبة.
• التكييف الموجه بالإرشاد والدعم (Guidance-Related Adaptation): ويتناول كيفية وآليات تقديم الدعم والتدخل التربوي المناسب أثناء تنفيذ الأنشطة وحل المشكلات. تشمل إجراءات الوكيل الذكي في هذا المسار تحديد التوقيت الأمثل والمفضل لتقديم التلميحات والإرشادات (Hints)، وتحديد طبيعة ونوع التغذية الراجعة (Feedback) الفورية أو المرجأة، بالإضافة إلى التبديل الديناميكي المرن بين عرض الأمثلة المحلولة خطوة بخطوة (Worked Examples) وبين تكليف الطالب بمهام التطبيق والحل المباشر بناءً على استجابته وحاجته الملموسة للدعم.

النمذجة الرياضية والرياضيات النفسية للعملية التعليمية

تعتمد هذه النماذج الذكية تشغيليًا على صياغة العملية التعليمية في إطار “عمليات تصمیم ماركوف” (Markov Decision Processes – MDPs) أو “عمليات تصميم ماركوف الجزئية الملاحظة” (POMDPs). تكمن أهمية نماذج (POMDPs) في واقعية فرضيتها؛ إذ تُقر بأن الحالة المعرفية والنفسية الحقيقية للمتعلم (مثل مستوى الفهم الداخلي، أو الدافعية، أو الإجهاد) هي حالات مخفية لا يمكن قياسها بشكل مباشر ويقيني، بل يتم الاستدلال عليها ترجيحيًا عبر التفاعلات الملاحظة كالإجابات الصائبة والخاطئة وزمن الاستجابة.

وتستند الرياضيات النفسية في هذا السياق إلى دمج نظرية الاستجابة للمفردة (Item Response Theory – IRT) وتتبع المعرفة البيزي (Bayesian Knowledge Tracing – BKT) لبناء نموذج ديناميكي متكامل. يتيح هذا التكامل للأنظمة التعليمية تقدير احتمال إتقان الطالب لمفهوم معين في أي لحظة زمنية، وتحديث هذه التقديرات باستمرار بناءً على أدائه الفعلي. ومن خلال التنبؤ المستمر بالحالة المعرفية والنفسية، يمكن للنظام اختيار التدخل التربوي التالي الأكثر ملاءمة لتطوير المهارات دون التسبيب في إجهاد ذهني أو إحباط للمتعلم.

الأثر التربوي والأدلة الميدانية

وعند قياس الأثر التربوي لهذه التقنيات، تظهر الدلائل العملية والبحوث الميدانية تفوقًا ملحوظًا لسياسات تعلم التعزيز المطبقة في البيئات التعليمية الذكية مقارنة بالأساليب التقليدية. وتتجسد هذه الفعالية في قدرتها العالية على التكيف الديناميكي مع احتياجات كل متعلم على حدة، مما يسهم بشكل مباشر في تنمية متغيرات متعددة لدعم وتجويد تجربة التعلم الشاملة:

وعلى الرغم من الإمكانات الواعدة، تفرض طبيعة البيئات التعليمية تحديات منهجية وتقنية خاصة عند تطبيق خوارزميات تعلم التعزيز. فالأنظمة التعليمية تتطلب مراعاة أهداف متعددة في وقت واحد؛ إذ يتعين على الوكيل الذكي التوفيق بين زيادة الفهم المعرفي واستيعاب المفاهيم، وتقليل الوقت المستغرق لإنجاز المهام، وحفظ الدافعية والاندماج الوجداني للطلاب دون التسبيب في إجهاد ذهني أو إحباط. يضاف إلى ذلك افتقار هذه الأنظمة إلى النماذج المحاكية الدقيقة التي تستطيع تمثيل التباين النفسي والتعقد المركب لصلب السلوك البشري بصورة كاملة.

كما يبرز تحدٍّ جوهري آخر يتمثل في كفاءة العينات (Sample Efficiency)؛ إذ تتطلب الخوارزميات التقليدية خوض ملايين التفاعلات والتجارب للوصول إلى التنسيق الأمثل والسياسات التدريسية الفعالة. وهذا الحجم الضخم من المحاولات والخطأ لا يمكن تطبيقه مباشرة على متعلمين حقيقيين في الفصول الدراسية دون تعريض تجاربهم التعليمية ومسارهم الأكاديمي للمخاطرة. ولذا تتزايد الحاجة الماسة إلى الاعتماد على خوارزميات خالية من النماذج (Model-free) وتطوير خوارزميات آمنة، إلى جانب التوسع في إجراء التقييمات الميدانية المباشرة والدراسات التجريبية المقارنة بأطر الضبط والأنظمة الخبيرة، لضمان بناء أدوات تعليمية ذكية تكون آمنة، وموثوقة، ومجدية تربويًا.

وفي الحصيلة، تؤكد الرؤية الشاملة لتطبيقات تعلم التعزيز في التربية والتعليم أن هذه التقنية ليست مجرد أداة برمجية للأتمتة أو تقديم التمارين، بل هي شريك تربوي متكامل قادر على إعادة تشكيل بيئات التعلم الرقمية والمنصات الذكية لتصبح أكثر مرونة وتكيفًا واستجابة للطبيعة البشرية التكيفية والفروق الفردية بين الطلاب.

إن التطلعات المستقبلية لتطوير هذا المجال تعتمد بالأساس على تعميق المنهجيات البحثية والتحليلات البعدية، والتوسع في استهداف المراحل العمرية المبكرة والمجالات غير الهندسية أو الإنسانية، مع الالتزام الصارم بالتصميم المتوازن والمتوافق عصبياً ونفسياً والذي يضع التفكير المعرفي، والنمو الانفعالي، والتحصيل الفعلي للمتعلم في قلب خوارزميات المكافأة وحسابات التغذية الراجعة.

المرجع : 

Reinforcement Learning in Education: A Systematic Literature Review 

https://link.springer.com/content/pdf/10.1007/s40593-025-00494-6.pdf