Learning AI Without a STEM Background: Mixed-Methods Evidence from a Diverse, Mixed-Cohort AIED Program

ملخص تقني: تعلم الذكاء الاصطناعي دون خلفية في مجالات العلوم والتكنولوجيا والهندسة والرياضيات (STEM)

بيان المشكلة
على الرغم من التكامل المتزايد للذكاء الاصطناعي في الحوكمة، والقوى العاملة، والحياة المدنية، لا يزال الوصول إلى تعليم الذكاء الاصطناعي غير عادل. فالمبادرات الحالية تستهدف بشكل أساسي الطلاب المستعدين في مجالات العلوم والتكنولوجيا والهندسة والرياضيات (STEM)، وتعتمد بشدة على الكفاءة في البرمجة، أو تركز على المتعلمين في بداية مسيرتهم المهنية. هذا الاستبعاد يمنع بشكل منهجي طلاب المرحلة الجامعية من غير التخصصات العلمية والمهنيين البالغين من التفاعل مع الذكاء الاصطناعي في سياقات السياسة، والمصلحة العامة، وسوق العمل. ونتيجة لذلك، غالبًا ما تعطي النماذج الحالية الأولوية للتنفيذ التقني على حساب الحكم الأخلاقي، مما يعزز التفاوتات في المشاركة التكنولوجية ويحد من قدرة أصحاب المصلحة المتنوعين على تقييم الأنظمة المؤتمتة بشكل نقدي أو التكيف مع أسواق العمل القائمة على البيانات.

المنهجية
تستخدم هذه الدراسة تصميم تقييم يعتمد على الأساليب المختلطة لتحليل برنامج "Data Crossings"، وهو مبادرة لتعليم الذكاء الاصطناعي ممولة من مؤسسة العلوم الوطنية (NSF) وتمتد لمدة عام. يستخدم البرنامج نموذج الفئات المختلطة، الذي يدمج عمدًا طلاب المرحلة الجامعية من غير تخصصات STEM (من العلوم الإنسانية، والعلوم الاجتماعية، والفنون، والأعمال) مع المتعلمين البالغين (المهنيين العاملين والأفراد الذين يمرون بمرحلة انتقال مهني).

• المشاركون: تكونت الفئة الأولى من 19 مشاركًا مختارًا (12 طالبًا جامعيًا، و7 بالغين) من بين أكثر من 200 متقدم (معدل قبول 9.45%). أعطيت الأولوية في الاختيار للدافع للمشاركة في الذكاء الاصطناعي غير التقني والجاهزية للتعلم ضمن فئة مختلطة على حساب الكفاءة التقنية؛ حيث تم استبعاد المتقدمين الذين لديهم تدريب رسمي في الحوسبة ضمن مجالات STEM.
• مصادر البيانات: تشمل عملية جمع البيانات استطلاعات رأي المشاركين (التي يتم إدارتها عند الدخول وطوال فترة البرنامج)، والتأملات المفتوحة، وتقارير المحاضرين ومساعدي التدريس.
• النهج التحليلي:
  • الكمي: تحليل وصفي لعناصر استطلاع الرأي القائمة على مقياس ليكرت (Likert-scale) لقياس الثقة المبلغ عنها ذاتيًا، والأهمية المدركة، والقدرة الأكاديمية. كما استُخدمت مصفوفة الانتقال لحساب التغيرات في القيمة المتوقعة لمستويات الراحة تجاه تكنولوجيا الذكاء الاصطناعي.
  • النوعي: طُبق نهج هجين يجمع بين المعالجة الحاسوبية والتحليل النوعي لمعالجة اللغات الطبيعية (NLP) على سرديات التقديم. تضمن ذلك نمذجة المواضيع غير الخاضعة للإشراف (مثل BERTopic) مدمجة مع الترميز البشري لتحديد المواضيع الكامنة المتعلقة بالدوافع والتوجهات الأخلاقية.
  • التكامل: استُخدم استراتيجية الأساليب المختلطة التقاربية لربط تقارير المتعلمين الذاتية مع وجهات نظر المعلمين.

المساهمات الرئيسية

1. تصميم الفئات المختلطة: يقدم البحث نموذجًا لتعليم الذكاء الاصطناعي (AIED) يدمج المتعلمين عبر التخصصات، والأعمار، والمراحل المهنية، مما يتحدى معيار الفصول الدراسية المتجانسة والمتقاربة في السن.
2. الأدلة الطولية: توفر الدراسة أدلة من منهج مختلط من برنامج مستدام لمدة عام كامل بدلاً من تدخل قصير المدى، مما يقدم رؤية أكثر قوة لمسارات التعلم.
3. إعادة صياغة مخرجات التعلم: تفترض الدراسة أن الحكم الأخلاقي والقدرة الأكاديمية يجب أن يُعاملا كمخرجات تعلم أساسية جنبًا إلى جنب مع الإلمام بالذكاء الاصطناعي، بدلاً من النظر إلى الإتقان التقني كشرط وحيد مسبق للمشاركة.

النتائج

• الدوافع: كشف تحليل سرديات التقديم (ن=201) أن الدافع المهيمن للمشاركة هو الاستخدام الأخلاقي والمسؤول للذكاء الاصطناعي (68%)، يليه تطبيق الذكاء الاصطناعي من أجل الخير الاجتماعي (65%). صاغ المتقدمون باستمرار الذكاء الاصطناعي كأداة للتفسير واتخاذ القرار بدلاً من بناء النماذج، وغالبًا ما استشهدوا بالمتطلبات المسبقة للبرمجة التقليدية كعوائق هيكلية.
• مكاسب الثقة: أشار التحليل الكمي لبيانات الاستطلاع إلى مكاسب كبيرة في الثقة المبلغ عنها ذاتيًا. أظهر المشاركون الذين دخلوا بمستويات راحة منخفضة إلى متوسطة أكبر حركة تصاعدية. كانت القيمة المتوقلة الإجمالية للتحول في مستوى الراحة إيجابية (+0.90)، ولم ينتقل أي مشارك إلى حالة عدم الارتياح الشديد.
• الاستدلال الأخلاقي: كشفت البيانات النوعية عن تركيز ثابت على المسؤولية، والقدرة على الحكم، والاستدلال السياقي. أظهر المشاركون القدرة على صياغة المقايضات الأخلاقية والتشكيك في الافتراضات حتى في ظل غياب اليقين التقني.
• الديناميكيات التربوية: أفاد المحاضرون والموجهون من الأقران بمستوى عالٍ من التفاعل، خاصة في الأنشطة التعليمية القائمة على الحوار والسيناريوهات. عمل هيكل الفئات المختلطة كأصل معرفي (epistemic asset)، حيث قدم البالغون الخبرة في مجالاتهم والتقدير المهني، بينما ساهم الطلاب الجامعيون في الممارسات التأملية، مما ساهم في تطبيع عدم اليقين وتوسيع الآفاق.

الأهمية والادعاءات
يجادل البحث بأن دعائم التعليم التي تركز على الإنسان — وتحديدًا الدعم الأخلاقي، والتوجيه، والنقاش المنظم — ضرورية لتعليم ذكاء اصطناعي عادل للفئات المتنوعة. ويدعي البحث ما يلي:

• الحكم الأخلاقي قابل للتعلم ويمكن ملاحظته حتى بدون إتقان تقني، مما يتحدى النماذج التي تؤجل الأخلاقيات إلى ما بعد تحقيق الكفاءة التقنية.
• المتعلمون البالغون يعملون كمساهمين معرفيين وليس كمشاركين يحتاجون إلى معالجة علاجية، مما يرفع من العمق الفكري والأخلاقي لبيئة التعلم.
• التيسير (Facilitation) هو آلية جوهرية للعدالة، حيث يخلق مساحة للتساؤل والاستدلال دون معاقبة عدم اليقين التقني، على عكس النماذج التي تعتمد على التعلم الذاتي أو التي تبدأ بالبرمجة أولاً.

يخلص المؤلفون إلى أن توسيع تعليم الذكاء الاصطناعي يتطلب إعادة التفكير في افتراضات التصميم لتشمل نماذج الفئات المختلطة التي تركز على الأخلاق، والتي تُعد المتعلمين المتنوعين — ليس فقط المطورين، بل صناع القرار المستقبليين — للمشاركة بمسؤولية في مجال الذكاء الاصطناعي. وتقر الدراسة بالقيود المتعلقة بحجم العينة والاختيار الذاتي، مشيرة إلى أن النتائج الطولية الشاملة لا تزال قيد الانتظار.