🤖 machine learning

Teaching Machine Learning Fundamentals with LEGO Robotics

تقدم هذه الورقة "تعلم الآلة بالمكعبات"، وهي منصة مفتوحة المصدر قائمة على الويب ودورة تدريبية لمدة يومين تستخدم أنشطة روبوتات ليغو خالية من البرمجة لتدريس خوارزميات تعلم الآلة الأساسية بفعالية للطلاب الذين تتراوح أعمارهم بين 12 و17 عاماً، مما أدى إلى تحسينات ذات دلالة إحصائية في فهمهم التقني وتحفيزهم وتفاعلهم.

المؤلفون الأصليون: Viacheslav Sydora, Guner Dilsad Er, Michael Muehlebach

نُشر 2026-04-07

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Viacheslav Sydora, Guner Dilsad Er, Michael Muehlebach

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تحاول شرح كيفية تعلم الكمبيوتر التعرف على قطة في صورة ما. عادةً، سيتعين عليك الغوص في رياضيات معقدة وأسطر من الكود البرمجي، وهو ما يشبه محاولة شرح كيفية خبز كعكة عبر مناقشة التركيب الجزيئي للدقيق. هذا الأمر يبدو مخيفاً ومملاً في كثير من الأحيان للأطفال.

تقدم هذه الورقة البحثية طريقة جديدة لتدريس هذه المفاهيم الصعبة تسمى "التعلم الآلي باستخدام المكعبات" (Machine Learning with Bricks). فكر في الأمر كتحويل "الصندوق الأسود" للذكاء الاصطناعي إلى ساحة لعب شفافة وتفاعلية باستخدام روبوتات ليغو (LEGO).

إليك تفصيل فكرتهم، مشروحة ببساطة:

1. الفكرة الكبيرة: لا كود، فقط لعب

قام الباحثون ببناء موقع إلكتروني يتصل بروبوتات الليغو (تحديداً مجموعات LEGO SPIK Prime التي تمتلكها العديد من المدارس بالفعل). والجزء الأفضل؟ لا تحتاج لكتابة سطر برمجي واحد.

بدلاً من كتابة الأوامر، يستخدم الطلاب واجهة ويب لـ:

جمع البيانات: مثل عالم يجمع الأدلة.
تدريب النماذج: تعليم الروبوت ما يجب فعله.
مشاهدة عملية التعلم: رؤية الروبوت وهو يكتشف الأمور في الوقت الفعلي.

الأمر يشبه تعليم كلب بعض الحيل. أنت لا تحتاج لمعرفة كيف يعمل دماغ الكلب؛ كل ما عليك فعله هو إظهار مكافأة (مكافأة/جائزة) له عندما يفعل الشيء الصحيح، ومع مرور الوقت، سيتعلم النمط.

2. الثلاث "ألعاب" (التجارب)

تستخدم الدورة ثلاث روبوتات ليغو مختلفة لتعليم ثلاثة أنواع مختلفة من التعلم الآلي. إليك التشبيهات:

محقق الفاكهة (الخواريد الأقرب - K-Nearest Neighbors):
- الإعداد: ذراع روبوت مزودة بمستشعر ألوان ومسطرة.
- الدرس: تخيل أن لديك سلة من التفاح والموز. تقيس لون وطول كل منها. الآن، تجد فاكهة غامضة. كيف تعرف ما هي؟ تنظر إلى الفواكه الأقرب إليها في سلتك. إذا كانت تشبه التفاح الموجود بجانبها، فهي تفاحة!
- الخلاصة: هذا يعلم التعرف على الأنماط. يتعلم الروبوت من خلال مقارنة الأشياء الجديدة بالأمثلة القديمة.
الرامي (الانحدار الخطي - Linear Regression):
- الإعداد: ذراع روبوت تطلق كرات تنس طاولة.
- الدرس: إذا قمت بتدوير المحرك ببطء، ستذهب الكرة مسافة قصيرة. إذا قمت بتدويره بسرعة، ستذهب لمسافة بعيدة. يقوم الطلاب بإطلاق الكرات بسرعات مختلفة ويقيسون المسافة التي قطعتها. ثم يرسمون خطاً عبر النقاط على الرسم البياني.
- الخلاصة: هذا يعلم التنبؤ. بمجرد أن يفهم الروبوت "الخط" الذي يربط بين السرعة والمسافة، يمكنك أن تقول له: "أريد للكرة أن تذهب لمسافة مترين"، وسيقوم هو بحساب السرعة التي يجب أن يدور بها المحرك بالضبط.
الزاحف (تعلم كيو / التعلم المعزز - Q-Learning / Reinforcement Learning):
- الإعداد: روبوت بعجلات مع ذراع تتحرك للأمام.
- الدرس: الروبوت لا يعرف كيف يتحرك في البداية. يقوم بمحاولات عشوائية. إذا تحرك للأمام، يحصل على "نقطة" (مكافأة). إذا اصطدم بحائط، لا يحصل على شيء. يستمر في المحاولة، متذكراً الحركات التي منحته نقاطاً.
  _
- الخلاصة: هذا يعلم التجربة والخطأ. يتعلم الروبوت استراتيجية من خلال استكشاف العالم ومعرفة أي الأفعال تؤدي إلى أفضل النتائج، تماماً مثل شخصية في لعبة فيديو تتعلم مستواً معيناً.

3. هل نجح الأمر؟ (النتائج)

اختبر الباحثون هذا مع 14 طالباً تتراوح أعمارهم بين 12 و17 عاماً على مدار يومين. كانت النتائج كمن وجد كنزاً:

تعزيز الثقة: قبل ورشة العمل، كان الأطفال يشعرون أن الذكاء الاصطناعي سحر أو شيء مخيف. بعد ذلك، شعروا أنهم فهموا "الخدع السحرية". أصبح بإمكانهم شرح المفاهيم لأصدقائهم.
مفردات جديدة: قبل الورشة، كانوا يستخدمون كلمات مثل "روبوتات" و"المستقبل". بعد ذلك، بدأوا في استخدام كلمات تقنية مثل "الوكلاء" (agents)، و"المكافآت" (rewards)، و"الانحدار الخطي" (linear regression). توقفوا عن رؤية الذكاء الاصطناعي كوحش وبدأوا في رؤيته كأداة يمكنهم فهمها.
عامل المتعة: أحب الأطفال التجربة. قيموا الأنشطة العملية والأدوات المرئية تقييماً عالياً جداً. لم تكن محاضرة مملة؛ بل كانت لعبة.
أحلام مستقبلية: قال المزيد من الطلاب إنهم يرغبون في متابعة مهن في مجال الذكاء الاصطناعي أو الروبوتات بعد ورشة العمل.

4. لماذا هذا مهم؟

عادةً، تنتظر المدارس حتى المرحلة الجامعية لتدريس كيفية عمل الذكاء الاصطناعي فعلياً. في هذه الأثناء، يعامل الأطفال الذكاء الاصطناعي كصندوق سحري. يثبت هذا المشروع أنه إذا أعطيت الأطفال أدوات ملموسة (ليغو) وتغذية مرتدة مرئية (رسوم بيانية ومخططات)، فيمكنهم استيعاب الرياضيات والمنطق المعقد دون الحاجة لأن يكونوا مبرمجين محترفين.

باختالصر: تظهر هذه الورقة البحثية أنك لست بحاجة لتكون ساحراً لتفهم السحر. إذا أعطيت الأطفال الألعاب المناسبة وتركتهم يلعبون، فيمكنهم تعلم كيف يعمل "سحر" الذكاء الاصطناعي حقاً.

إليك ملخص تقني مفصل لورقة بحثية بعنوان "تعليم أساسيات تعلم الآلة باستخدام روبوتات ليغو (LEGO)".

1. بيان المشكلة

تتناول الورقة فجوة حرجة في تعليم الذكاء الاصطناعي (AI) لمرحلة الطفولة المتأخرة والمدرسة (K-12). وبينما أصبحت الثقافة المتعلقة بالذكاء الاصطناعي أمراً ضرورياً، إلا أن المناهج الحالية غالباً ما تعامل أنظمة الذكاء الاصطناعي كـ "صناديق سوداء"، حيث تركز على الأخلاقيات والتطبيقات عالية المستوى بدلاً من الخوارزميات الكامنة وراءها.

حاجز التعقيد: عادة ما تُخصص خوارزميات تعلم الآلة (ML) الأساسية للمستويات الجامعية بسبب تعقيدها الرياضي.
العبء المعرفي: تعتمد الأدوات التعليمية الحالية غالباً على البرمجة القائمة على الكتل (blocks)، مما ينقل تركيز الطلاب نحو قواعد اللغة (syntax) وتفاصيل التنفيذ بدلاً من الفهم المفاهيمي.
إمكانية الوصول: تتطلب العديد من حلول الروبوتات الملموسة أجهزة مخصصة غير متوفرة على نطاق واسع في المدارس، مما يحد من قابليتها للتوسع.

يهدف المؤلفون إلى إنشاء منصة سهلة الوصول وغير قائمة على البرمجة، تعمل على إزالة الغموض عن خوارزميات تعلم الآلة للطلاب الذين تتراوح أعمارهم بين 12 و17 عاماً باستخدام مجموعات روبوتات LEGO المتوفرة على نطاق واسع.

2. المنهجية

قام المؤلفون بتطوير "تعلم الآلة مع الطوب" (Machine Learning with Bricks)، وهي منصة مفتوحة المصدر وقائمة على الويب، وقاموا بتقييمها من خلال منهج ورشة عمل لمدة يومين.

أ. تصميم المنصة

تدمج المنصة تصورات تفاعلية مع مجموعات LEGO Education SPIKE Prime. وهي تلغي متطلبات البرمجة باستخدام واجهة ويب رسومية تتواصل مع الروبوت عبر البلوتوث. يركز النظام على ثلاث خوارزميات أساسية، تم اختيارها لسهولة الوصول الرياضي إليها (الأنظمة الإحداثية، المعادلات الخطية، التحديثات الجدولية):

الخوار جيران الأقرب (K-Nearest Neighbors - KNN):
- الروبوت: كاشف الفاكهة (يستخدم مستشعرات اللون والطول).
- النشاط: يجمع الطلاب البيانات حول التفاح والموز، ويصورون فضاء الميزات ثنائي الأبعاد، ويلاحظون كيف تصنف الخوارزمية الفواكه غير المعروفة بناءً على القرب من الجيران. كما يستكشفون حدود القرار وجودة البيانات (التسميم).
الانحدار الخطي (Linear Regression):
- الروبوت: القاذف (يطلق كرة تنس طاولة).
- النشاط: يغير الطلاب سرعة المحرك للتحكم في مسافة الطيران. يجمع الطلاب نقاط البيانات لتصور العلاقة الخطية بين السرعة والمسافة، ويعدلون معلمات الخط يدوياً لتقليل الخسارة (loss)، ويلاحظون الحل الأمثل الذي يقدمه الكمبيوتر.
تعلم كيو (Q-Learning - التعلم التعزيزي):
- الروبوت: الزاحف (منصة ذات عجلات مع ذراع).
- النشاط: يتعلم الروبوت التحرك نحو هدف ما. يتفاعل الطلاب مع جدول "كيو" (Q-table)، ويعدلون معدل الاستكشاف وعامل الخصم لفهم المقايضة بين الاستكشاف والاستغلال وأهمية المكافآت المستقبلية.

ب. الإعداد التجريبي

المشاركون: 14 طالباً (تتراوح أعمارهم بين 12-17 عاماً) تم استقطابهم من مساحة صُنّاع (makerspace) محلية.
الهيكل: ورشة عمل لمدة يومين (حوالي 6-7 ساعات إجمالاً) تتضمن العمل الثنائي باستخدام مجموعات LEGO مشتركة.
البيداغوجيا (الأسلوب التعليمي): يتبع المساق إطاراً بنائياً (constructionist framework)، حيث يتناوب بين النظرية الموجزة والتطبيق العملي. يستخدم دورة تكرارية من "النظرية-الممارسة" وواجهات لا تتطلب برمجة.
التقييم: تم إجراء استطلاعات قبل وبعد الدورة لقياس:
- المعرفة المبلغ عنها ذاتياً بمفاهيم تعلم الآلة (مقياس ليكرت خماسي النقاط).
- التغيرات في المصطلحات المتعلقة بالذكاء الاصطناعي (تداعي الكلمات المفتوح).
- سهولة استخدام المنصة والمشاركة في الدورة.
- الدافع للمشاركة المستقبلية في مجال الذكاء الاصطناعي.

3. المساهمات الرئيسية

تقدم الورقة ثلاث مساهمات رئيسية:

المساهمة الأولى (C1). المنصة: أداة مفتوحة المصدر وقائمة على الويب (ml-with-bricks) تجمع بين التصورات التفاعلية، والدروس التعليمية بالفيديو، وروبوتات LEGO لتدريس KNN، والانحدار الخطي، وتعلم كيو دون الحاجة للبرمجة.
المساهمة الثانية (C2). المنهج: ورشة عمل مهيكلة لمدة يومين تضم ثلاثة أنشطة ملموسة تدعم التعلم بشكل تدريجي (scaffolding) من جمع البيانات إلى تدريب النموذج والاستدلال.
المساهمة الثالثة (C3). الأدلة التجريبية: التحقق الإحصائي الذي يظهر أن هذا النهج يحسن بشكل كبير فهم الطلاب وينقل مفرداتهم نحو المصطلحات التقنية لتعلم الآلة.

4. النتائج

أسفرت البيانات من 14 مشاركاً عن النتائج التالية:

نتائج التعلم:
- مكاسب ذات دلالة إحصائية: أظهر الطلاب تحسينات كبيرة ( $p < 0.01$ ) في فهم نماذج تعلم الآلة (L2, L3) وخوارزميات محددة مثل KNN، والانحدار الخطي، والتعلم التعزيزي (L5–L8).
- المفاهيم العامة: لوحظت تحسينات في مفاهيم تعلم الآلة العامة وأهمية البيانات، رغم أنها لم تصل إلى الدلالة الإحصائية، ويرجع ذلك على الأرجح إلى الإلمام المسبق بها.
التحول في المصطلحات:
- استخدمت استجابات ما قبل الدورة مصطلحات مجردة (مثل "المستقبل"، "الخطر"، "ذكي").
- تضمنت استجابات ما بعد الدورة مفردات تقنية محددة (مثل "الوكيل/Agent"، "المكافآت"، "الانحدار الخطي"، "التعلم الخاضع للإشراف")، مما يشير إلى تحول من الإدراك المجرد إلى الفهم التقني.
سهولة الاستخدام والتفاعل:
- حصلت المنصة على تقييمات عالية لسهولة الاستخدام (المتوسط = 4.00/5).
- حظيت العروض التقديمية والأنشطة العملية بأعلى التقييمات (المتوسط = 4.54/5)، مما يؤكد التفاعل العالي.
الدافع:
- ارتفع الاهتمام بمتابعة مسيرة مهنية في مجال الذكاء الاصطنا/الروبوتات من 5 إلى 8 مشاركين.
- أعرب المشاركون عن دافعية عالية لمواصلة التعلم ( $M=3.92$ ) واعتبروا المهارات مفيدة لمستقبلهم المهني ( $M=3.69$ ).

5. الأهمية والقيود

الأهمية:
تثبت الدراسة أن النهج الملموس القائم على التصور يمكن أن يعلم بفعالية المفاهيم الخوارزمية المعقدة للمتعلمين الصغار دون عائق لغة البرمجة. ومن خلال جعل "الصندوق الأسود" شفافاً عبر تصور البيانات في الوقت الفعلي والتفاعل الفيزيائي، تعمل المنصة على تعزيز الفهم الميكانيكي لتعلم الآلة. وهذا يشير إلى مسار قابل للتطبيق لدمقرطة تعليم الذكاء الاصطنا في مراحل K-12 باستخدام أجهزة قياسية وبأسعار معقولة.

القيود:

حجم العينة: شملت الدراسة 14 مشاركاً فقط من موقع واحد، مما يحد من إمكانية تعميم النتائج.
البيانات المبلغ عنها ذاتياً: الاعتماد على تقييم المعرفة الذاتي بدلاً من مهام الأداء الموضوعية.
النطاق قصير المدى: كان التقييم فورياً؛ ولم يتم قياس الاحتفاظ بالمفاهيم على المدى الطويل.
غياب المجموعة الضابطة: بدون مجموعة ضابطة، من الصعب عزل التأثير المحدد للمنصة مقارنة بطرق التدريس الأخرى.

العمل المستقبلي:
يخطط المؤلفون لتوسيع المنهج ليشمل الشبكات العصبية وأشجار القرار، ودمج تدريب أعمق على الأخلاقيات، وإجراء دراسات طولية واسعة النطاق ضمن مسار التعليم "الروبوتات في ألمانيا" (RIG).