Measuring Inclusion in Interaction: Inclusion Analytics for Human-AI Collaborative Learning
تقدم هذه الورقة "تحليلات الشمول"، وهو إطار عمل قائم على الخطاب مصمم لقياس الشمول في التعلم التعاوني بين الإنسان والذكاء الاصطناًعي كعملية ديناميكية لحظية عبر أبعاد المشاركة، والعاطفة، والمعرفة.
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
مشكلة "حفلة العشاء": التأكد من أن الجميع لديهم مقعد على الطاولة
تخيل أنك تستضيف حفلة عشاء. تريد أن تكون الحفلة شاملة للجميع، لذا تراجع قائمة الضيوف: "رائع، لدي مجموعة متنوعة من الأشخاص هنا!" تشعر بالرضا. ولكن بعد ذلك، تبدأ الحفلة بالفعل.
مع مرور الوقت خلال السهرة، تلاحظ شيئاً ما:
- المتحدث الصاخب: أحد الضيوف يستحوذ على 90% من وقت الكلام، بينما يجلس ضيف آخر بهدوء، وبالكاد ينطق بكلمة.
- التجاهل البارد: عندما يلقي أحدهم دعابة، يضحك الجميع، ولكن عندما يشارك شخص آخر فكرة جادة، يسود الصمت في الغرفة.
- سارق الأفكار: يقترح أحدهم فكرة رائعة، لكن المجموعة تتجاهلها — فقط ليعيد شخص آخر اقتراح الشيء نفسه تماماً بعد خمس دقائق، ويحصل ذلك الشخص على كل التقدير.
على الرغم من أن قائمة الضيوف كانت "متنوعة"، إلا أن تجربة الحفلة لم تكن شاملة.
عن ماذا يتحدث هذا البحث؟
في عالم الذكاء الاصطناعي (AI)، نطلب بشكل متزايد من البشر والذكاء الاصطناعي العمل معاً لحل المشكلات (مثل طالب ومعلم ذكاء اصطناعي يعملان على مشروع علوم).
حالياً، يقيس الباحثون "الشمولية" عادةً من خلال النظر إلى قائمة الضيوف (الديموغرافيا) أو سؤال الناس لاحقاً: "هل شعرت بالشمول؟" (التقارير الذاتية). لكن مؤلفي هذا البحث، جيهيون كوي وتشوي ونييا نيكسون، يجادلان بأن هذا يحدث في وقت متأخر جداً. فالشمول ليس مجرد علامة اختيار (Checkbox)؛ بل هو عملية حية تحدث لحظة بلحظة أثناء المحادثة.
لقد اقترحوا مجموعة أدوات جديدة تسمى "تحليلات الشمول" (Inclusion Analytics). بدلاً من سؤال الناس عن شعورهم، يستخدمون الرياضيات وتكنولوجيا اللغة لمراقبة كيف يتفاعل الناس فعلياً في الوقت الفعلي.
"العدسات الثلاث" للشمول
ينظر الباحثون إلى التعاون من خلال ثلاث عدسات محددة:
1. عدالة المشاركة (اختبار "الميكروفون")
التشبيه: تخيل مجموعة من الناس يجلسون حول ميكروفون واحد.
الهدف: هل يتم تمرير الميكروفون بشكل عادل؟ أم أن هناك شخصاً واحداً يستحوذ عليه؟ يستخدم الباحثون الرياضيات لتتبع عدد الأدوار التي يأخذها كل شخص وعدد الكلمات التي يقولونها. إذا كان هناك شخص "يستحوذ على الميكروفون"، فإن النظام يشير إلى وجود خلل.
2. المناخ العاطفي (اختبار "الأجواء")
التشبيه: فكر في "درجة الحرارة الاجتماعية" لغرفة ما. هل هي دافئة ومرحبة، أم باردة وحادة؟
الهدف: هم ينظرون إلى اللباقة. لكنهم لا يبحثون فقط عن كلمات مثل "من فضلك" و"شكراً لك". بل يبحثون عن "استيعاب اللباقة" (Politeness Uptake). إذا كنتُ محترماً معك، فهل تعكس لي هذا الاحترام؟ إذا كنتُ مهذباً واستجبتَ أنت ببرود، فإن "درجة الحرارة الاجتماعية" تنخفض، وقد تصبح البيئة غير آمنة للناس لطرح الأسئلة أو المخاطرة بآرائهم.
3. العدالة المعرفية (اختبار "الصدى")
التشبيه: تخيل أنك رميت كرة داخل مجموعة، فتجاهلها الجميع. ثم قام شخص آخر برمي نفس الكرة، فاستقبلها الجميع.
الهدف: يتعلق هذا الأمر بـ الأفكار. هل "تلتقط" المجموعة فعلياً ما تقوله؟ يستخدم الباحثون الذكاء الاصطناعي لمعرفة ما إذا كان معنى كلماتك يُردد أو يُدعم في الجمل التالية. إذا كانت أفكارك تُتجاهل أو "تُسقط" باستمرار، فأنت مستبعد من القدرة الذهنية للمجموعة، حتى لو كان مسموحاً لك بالتحدث.
ماذا وجدوا؟
اختبر الباحثون هذا باستخدام كل من المحادثات المحاكية حاسوبياً والتجارب الحقيقية حيث عمل البشر مع الذكاء الاصطناعي.
- الذكاء الاصطناعي "ثرثار": وجدوا أنه عندما ينضم الذكاء الاصطناعي إلى فريق بشري، فإن "اختبار الميكروفون" غالباً ما يفشل. يميل الذكاء الاصطناعي إلى أن يكون أكثر ثرثرة (يستخدم كلمات أكثر بكثير) من البشر، مما قد يخل بالتوازن.
- الذكاء الاصطناعي "شبح مهذب": بينما يكون الذكاء الاصطناعي مهذباً للغاية، لا "يعكس" البشر دائماً تلك اللباقة. غالباً ما يعامل البشر الذكاء الاصطناعي كأداة (إعطاء أوامر مباشرة) وليس كزميل في الفريق.
- "فجوة الأفكار": لاحظوا أنه بينما يميل البشر إلى البناء على أفكار بعضهم البعض، فإن أفكار الذكاء الاصطناعي غالباً ما تُقبل ولكن لا يتم "مناقشتها" حقاً. الأمر يشبه قول الذكاء الاصطناعي لشيء ما، ورد الجميع بـ "حسناً"، ثم المضي قدماً — لا يوجد "رقصة" تعاونية حقيقية.
لماذا يهم هذا؟
إذا أردنا للذكاء الاصطناعي أن يكون شريكاً حقيقياً في التعليم والعمل، فلا يمكننا مجرد الأمل في أن يكون شاملاً. نحن بحاجة إلى القدرة على قياس الرقصة.
من خلال استخدام "تحليلات الشمول" هذه، يمكننا بناء أنظمة تنبهنا عندما يتم إسكات طالب ما، أو عندما تتحول "الأجواء" إلى بيئة سامة، أو عندما يتم تجاهل فكرة مهمة. إن هذا ينقلنا من مجرد الأمل في المساواة إلى رؤيتها فعلياً وهي تحدث.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.