LLM-based Multimodal Feedback Produces Equivalent Learning and Better Student Perceptions than Educator Feedback

ملخص تقني: التغذية الراجعة متعددة الوسائط القائمة على النماذج اللغوية الكبيرة (LLM) تحقق نتائج تعليمية مكافئة وتفوق في تصورات الطلاب مقارنة بتغذية المعلمين الراجعة

بيان المشكلة
تعد عملية تقديم تغذية راجعة فورية، ومستهدفة، ومتعددة الوسائط أمراً بالغ الأهمية للتعلم الفعال، ومع ذلك يظل توسيع نطاق هذه الممارسة تحدياً كبيراً بسبب ارتفاع نسبة الطلاب إلى المعلمين والطبيعة الكثيفة للوقت المطلوبة لتأليف رسائل متماسكة وذات صلة بالسياق تدمج النصوص والمرئيات والصوت. وبينما توفر النماذج اللغوية الكبيرة (LLMs) إمكانات هائلة للتغذية الراجعة المؤتمتة والواعية بالسياق، فإن الأبحاث الحالية تركز بشكل كبير على المخرات أحادية الوسيط (النص فقط). علاوة على ذلك، لا تزال الفعالية التعليمية للنماذج اللغوية الكبيرة المتطورة والمتعددة الوسائط في الوقت الفعلي (مثل الصوت المتدفق، والنسخ ذات زمن الاستجابة المنخفض مثل GPT-5) في مهام التعلم الواقعية غير موثقة بشكل كافٍ. وهناك خطر من أن التغذية الراجعة متعددة الوسائط سيئة التنسيق قد تؤدي إلى حمل معرفي زائد ومعلومات مفرطة، مما يعيق التعلم بدلاً من المساعدة فيه.

المنهجية
أجرى المؤلفون تجربة حشد إلكتروني عشوائية محكومة لمقارنة نظام تغذية راجعة متعدد الوسائط مدعوم بالذكاء الاصطناعي بنظام "العمل كالمعتاد" (BAU) الذي يعتمد على تغذية راجعة ثابتة من تأليف المعلمين.

• تصميم النظام: يدمج نظام الذكاء الاصطناعي الشروحات النصية المهيكلة مع موارد وسائط متعددة ديناميكية. ويستخدم النظام تقنية التوليد المعزز بالاسترجاع (RAG) لاسترجاع صفحات الشرائح الأكثر صلة من عرض تقديمي للدورة التدريبية. تعرض واجهة التغذية الراجعة (المدمجة عبر <iframe\>) ما يلي:
  1. تغذية راجعة تصحيحية معززة بصرياً: نص مهيكل (الدرجة، البيان، الشرح، النصيحة) تم توليده بواسطة GPT-5 (مع ضبط reasoning_effort=low و verbosity=low لتقليل زمن الاستجابة). يتم تسليط الضوء على المفاهيم الرئيسية باستخدام تلميحات الأدوات عند تمرير الفأرة لتقليل الحمل المعرفي.
  2. منطقة الموارد: تعرض صفحة الشريحة المسترجعة ذات الصلة وتوفر سردًا صوتيًا بالذكاء الاصطناعي المتدفق (عبر GPT Realtime API) الذي يربط بين السؤال، وإجابة الطالب، والتغذية الراجعة دون تكرار حرفي.
• الإعداد التجريبي:
  • المشاركون: 197 طالباً جامعياً (من الولايات المتحدة) تم استقطابهم عبر منصة Prolific.
  • المهمة: مرحلة "التعلم بالممارسة" تتضمن 13 نشاطاً (8 أسئلة اختيار من متعدد [MCQs] و5 أسئلة مفتوحة [OEQs]) بناءً على مبدأ الوسائط المتعددة في التعلم الإلكتروني.
  • المجموعات:
    • مجموعة العمل كالمعتاد (BAU): تلقت تغذية راجعة نصية مكتوبة مسبقاً من المعلمين ورابطاً عاماً لمجموعة الشرائح الكاملة.
    • مجموعة الذكاء الاصطناعي: تلقت التغذية الراجعة متعددة الوسائط والآنية التي وصفها النظام أعلاه.
  • المقاييس: مكاسب التعلم (الاختبار القبلي مقابل البعدي)، التفاعل (سجلات العمليات: عدد عمليات الإرسال، سلوكيات المراجعة، الوقت المستغرق في المهمة)، وتصورات المتعلمين (استطلاع حول الوضوح، التحديد، الدافعية، الثقة، والحمل المعرفي).

المساهمات الرئيسية

1. تنفيذ النظام: نظام تغذية راجعة متعدد الوسائط مدعوم بالذكاء الاصطناعي في الوقت الفعلي، يدمج النص المهيكل، والاسترجاع البصري لمواد الدورة، والسرد الصوتي المتدفق، والمصمم لسهولة الدمج في أنظمة التدريس الذكية (ITS) القائمة عبر <iframe\>.
2. التقييم التجريبي: مقارنة صارمة تثبت أن التغذية الراجعة متعددة الوسائط من الذكاء الاصطناعي تحقق نتائج تعلم مكافئة لتغذية المعلم البشرية، بينما تتفوق عليها بشكل كبير في تصور المستخدم وأنماط التفاعل.

النتائج

• فعالية التعلم (RQ1): أظهرت كلتا المجموعتين مكاسب تعليمية كبيرة من الاختبار القبلي إلى البدي. وكشف تحليل التباين المصاحب (ANCOVA) مع ضبط درجات الاختبار القبلي عن عدم وجود فرق معنوي في نتائج التعلم بين مجموعة الذكاء الاصطناعي ومجموعة العمل كالمعتاد ($p=0.34$). حقق نظام الذكاء الاصطناعي فعالية تربوية مكافئة للتغذية الراجعة البشرية.
• كفاءة الوقت: أظهر نظام الذكاء الاصطناعي كفاءة عالية في الوقت. فبينما تطلبت التغذية الراجعة البشرية وقتاً كبيراً في التأليف، قام نظام الذكاء الاصطناعي بتوليد التغذية الراجعة في أوقات وسيطة بلغت 0.299 ثانية لأسئلة الاختيار من متعدد و 6.23 ثانية للأسئلة المفتوحة. ويقدر المؤلفون أن النظام أكثر كفاءة في الوقت بمقدار 2.77 ضعفاً تقريباً من تأليف نص بشري مكافئ، باستثناء الوقت الإضافي الذي قد يحتاجه المعلمون لتنسيق موارد الوسائط المتعددة.
• تفاعل المتعلمين (RQ2):
  • لم يظهر إجمالي الوقت المستغرق في المهمة أي فرق معنوي بين المجموعتين.
  • تباين نوع الأسئلة: بالنسبة لأسئلة الاختيار من متعدد، قامت مجموعة العمل كالمعتاد بعمل المزيد من عمليات الإرسال (مما يشير إلى أسلوب التجربة والخطأ)، بينما قامت مجموعة الذكاء الاصطعي بعمليات أقل. أما بالنسبة للأسئلة المفتوحة، فقد أظهرت مجموعة الذكاء الاصطناعي توجهاً نحو المزيد من عمليات الإرسال، مما يشير إلى أن الدعم الهيكلي المستهدف من الذكاء الاصطناعي خفض حاجز المراجعة التكرارية.
• تصورات المتعلمين (RQ3): سجلت مجموعة الذكاء الاصطناعي رضا أعلى بشكل ملحوظ، وجهداً عقلياً أقل، وتقييمات أعلى في الوضوح، والتحديد، والإيجاز. والأهم من ذلك، لم تكن هناك فروق ذات دلالة إحصائية في مستويات الصحة، والثقة، أو القبول بين مجموعة التغذية الراجعة للذكاء الاصطناعي ومجموعة التغذية الراجعة البشرية، مما يشير إلى أن نظام الذكاء الاصطناعي قد وصل إلى التكافؤ مع التغذية الراجعة البشرية في مقاييس الثقة الحرجة هذه.

الأهمية والادعاءات
يدعي البحث أن التغذية الراجعة متعددة الوسائط في الوقت الفعلي والمصممة جيداً يمكن أن تعمل كمكمل قابل للتوسع للتعليم البشري. وتوضح الدراسة أن أنظمة الذكاء الاصطناعي يمكنها مطابقة مكاسب التعلم للتغذية الراجعة التقليدية من المعلمين مع تقديم تجارب مستخدم فائقة من حيث الوضوح، والدافعية، وتقليل الحمل المعرفي.

يؤكد المؤلفون أن نتائجهم تدعم استراتيجية التصميم القائمة على التعزيز متعدد الوسائط عند الطلب والتي تتميز بكونها:

• قابلة للتوسع: قادرة على تقديم دعم فوري ومستهدف لمجموعات كبيرة من الطلاب دون زيادة عبء العمل على المعلم.
• قابلة للدمج: يمكن دمجها في منصات التعلم الرقمية الحالية دون تغييرات جوهرية في تصميم المساق.
• فعالة: تقلل من الحمل المعرفي الخارجي من خلال المعلومات المهيكلة والمكشوفة تدريجياً، مما يعزز تجربة التعلم دون المساس بالثقة أو الدقة.

تخلص الدراسة إلى أنه بينما يتطلب تأثير الاحتفاظ بالمعلومات ونقل أثر التعلم على المدى الطويل مزيداً من الاستقصاء في بيئات صفية واقعية، فإن الأدلة الحالية تدعم نشر مثل هذه الأنظمة لتقليل عبء المعلم وتعزيز تفاعل الطلاب في الوقت الفعلي.