ملخص تقني: هل يمكن لنماذج الرؤية واللغة أن تكون تكيفية في تعليم الرياضيات؟ دراسة معيارية قائمة على نموذج المتعلم

1. بيان المشكلة

بينما يتم اعتماد نماذج الرؤية واللغة (VLMs) بشكل متزايد كوكلاء تعليميين مشخصنين في تعليم الرياضيات، هناك نقص حرج في التقييم المنهجي فيما يتعلق بقدرتها على التكيف مع ملفات المتعلمين المتنوعة. تعمل نماذج الرؤية واللغة الحالية في المقام الأول كـ "حلالين للمسائل" تعطي الأولوية لصحة الإجابة بدلاً من كونها "وكلاء تعليميين" يقدمون توجيهاً شفافاً تربوياً يتماشى مع منطقة النمو الوشيك (Zone of Proximal Development) للمتعلم.

إن نماذج التقييم الحالية تحاكي إلى حد كبير بيئات النصوص فقط، حيث تركز على دقة الإجابة على الأسئلة البصرية مع إهمال جودة الاستدلال التعليمي والقدرة على تكييف التوجيه بناءً على سياق المتعلم (مثل: المعرفة السابقة، الاتجاه نحو التعلم، والكفاءة الذاتية). علاوة على ذلك، عندما لا يشارك المتعلمون بيانات أداء مفصلة بشكل صريح، يظل من غير الواضح ما إذا كانت نماذج الرؤية واللغة تستطيع استنتاج ملفات تعريف المتعلمين أو توليد استجابات تعليمية متمايزة ومناسبة حقاً. تعالج هذه الورقة الفجوة في تقييم ما إذا كانت نماذج الرؤية واللغة يمكن أن تظهر قدرات تعليمية تكيفية في مهام تدريس الرياضيات القائمة على الأساس البصري.

2. المنهجية

2.1 معيار قائم على نموذج المتعلم

تقترح المؤلفة معياراً جديداً قائماً على إطار التعلم التكيفي (Shute and Towle, 2018) وخصائص المتعلمين التي حددها (Bernacki et al., 2021). يصيغ هذا المعيار تقييم التكيف في ثلاثة أبعاد رئيسية:

1. التكيف (Adaptivity): وهو التركيز التقييمي الجوهري، وينقسم إلى:
   • الجوانب المعرفية: المعرفة الحالية، نطاق المحتوى (المتوافق مع معايير Common Core State Standards)، ومستوى الصعوبة.
   • الجوانب التحفيزية: اتجاه التعلم والكفاءة الذاتية.
   • التعقيد: شرح معنى السؤال، تقديم الأمثلة، التدريب الإضافي، والتلميحات خطوة بخطوة.
2. الصحة (Correctness): تقيم الصلاحية الرياضية للإجابة النهائية واستدلال الحل (Q10–Q12).
3. الجودة (Quality): تقيم جودة التوليد، بما في ذلك الهلوسة، التماسك المنطقي، الأمانة تجاه التعليمات، والتنسيق (Q13–Q19).

2.2 التصميم التجريبي

• مجموعة البيانات: مجموعة بيانات طبقية مكونة من 10 أسئلة رياضيات تمثيلية (5 من الصف الرابع، 5 من الصف الثامن) مستخرجة من دراسة الاتجاهات الدولية في الرياضيات والعلوم (TIMSS) لعامي 2019 و2023. 90% من العناصر تعتمد على الأساس البصري (تتطلب تفسيراً للرسوم التوضيحية).
• ملفات تعريف المتعلمين: ستة ملفات تعريف اصطناعية تم بناؤها من إحصائيات TIMSS، تختلف حسب الصف (4/8)، وفئة الأداء (مرتفع، متوسط، منخفض)، واتجاه التعلم، والثقة المبلغ عنها ذاتياً.
• شروط السياق: أربع مجموعات اختبار ($C_1$ إلى $C_4$) بزيادة رتيبة في المعلومات الخاصة بالمتعلم:
  • $C_1$: سؤال الرياضيات فقط.
  • $C_2$: السؤال + مطالبة المستخدم (الاتجاه/الثقة).
  • $C_3$: السؤال + مطالبة النظام (أهداف الصف الدراسي) + مطالبة المستخدم.
  • $C_4$: السؤال + مطالبة النظام + مطالبة المستخدم + ملف تعريف المتعلم الكامل (بما في ذلك درجات TIMSS).
• النماذج التي تم تقييمها: خمسة من نماذج الرؤية واللغة (VLMs) المتطورة (GPT-5, GPT-o1, Gemini-2.5-Flash, Llama3.2-11B-VL, Qwen3-30B-VL).
• التعليق (Annotation): قام أربعة خبراء في المجال بتعليق 600 استجابة للنماذج باستخدام المعيار. كان توافق المقيمين قوياً ($\kappa = 0.87$).

3. النتائج الرئيسية

3.1 أداء التكيف

• تباين النماذج: توجد فروق ذات دلالة إحصائية في التكيف عبر النماذج ($F(4, 705) = 41.81, p < .001$). حققت كل من Gemini-2.5-Flash و Qwen3-30B-VL درجات تكيف أعلى بكثير من GPT-5 و GPT-o1 و Llama3.2-11B-VL.
• عدم الحساسية لملف تعريف المتعلم: لم تظهر درجات التكيف ارتباطاً معنوياً مع مستويات أداء المتعلمين ($p = .18$). مالت النماذج إلى العودة إلى أسلوب تعليمي "واحد يناسب الجميع"، وفشلت في تمييز الاستراتيجيات التعليمية بناءً على احتياجات محددة للمتعلمين (مثل: المتعلمين ذوي الأداء العالي مقابل المتعلمين ذوي الأداء المنخفض).
• الحساسية للسياق: تحسن التكيف بشكل ملحوظ مع توفر المزيد من المعلومات السياقية ($F(3, 708) = 92.73, p < .001$). سجلت المجموعة 1 (السؤال فقط) درجات أقل بكثير من المجموعات 2-4. ومع ذلك، حتى مع السياق الكامل، كافحت النماذج لإنتاج استجابات قائمة على نموذج المتعلم باستمرار.

3.2 الصحة والجودة

• الصحة: مدفوعة بشكل أساسي باختلاف النماذج ($p < .001$). تفوقت Gemini-2.5-Flash والنماذج القائمة على GPT على Llama3.2-11B-VL. كانت الصحة قوية عبر ملفات تعريف المتعلمين، مما يشير إلى أن النماذج إما وصلت إلى سقف الأداء مع المطالبات الأساسية أو تجاهلت المطالبات الإضافية للنظام.
• الجودة: وجد تباين كبير بين النماذج ($p < .001$). أنتج Llama3.2-11B-VL عدداً أكبر بكثير من الأخطاء. حقق Qwen3-30B-VL أعلى متوسط تكيف ولكنه عانى في الصحة والجودة بسبب التوليدات الطويلة جداً التي غالباً ما كانت مبتورة أو غير مكتملة.

3.3 ملاحظات محددة

• إهمال الجانب التحفيزي: أظهرت النماذج أدنى قدر من التكيف مع مواقف التعلم والكفاءة الذاتية. على سبيل المثال، عالج GPT-o1 مخاوف الكفاءة الذاتية في 8% فقط من الحالات القابلة للتطبيق.
• عدم المواءمة المعرفية: لم تضمن عملية توفير خلفية المتعلم الحصول على تغذية راجعة مناسبة. في بعض الحالات، قدمت النماوت تفسيرات أكثر تفصيلاً للمتعلمين ذوي الأداء العالي مقارنة بالمتعلمين المتوسطين الذين احتاجوا إلى مزيد من الدعم (scaffolding).
• الإخفاقات متعددة الوسائط: شكلت مسائل الهندسة تحديات كبيرة. خلطت النماذج بشكل متكرر بين تسميات الخيارات والقيم العددية (على سبيل المثال، الإجابة بـ "6kg" بدلاً من "D") أو هلست بمعلومات من الرسوم التوضيحية، مما أدى إلى درجات صحة منخفضة رغم وجود استدلال يبدو منطقياً.

4. المساهمات الرئيسية

1. معيار قائم على نموذج المتعلم: اقتراح إطار تقييم منهجي يفصل بين القصد التربوي (التكيف) والدقة التقنية (الصحة/الجودة)، والمستند إلى الأبعاد المعرفية والتحفيزية والتعقيد.
2. مجموعة بيانات تقييم اصطناعية: بناء مجموعة بيانات تم التعليق عليها بشرياً بناءً على عناصر TIMSS، مع دمج ملفات تعريف متنوعة للمتعلمين وظروف سياقية مضبوطة لمحاكاة سيناريوهات التدريس الواقعية.
3. التحليل التجريبي: أول تحليل مباشر لخمسة من نماذج الرؤية واللغة (VLMs) المتطورة، مما يكشف أنه بينما تظهر النماذج بعض الحساسية للسياق، فإن سلوكها التكيفي يظل محدوداً وغير متسق، خاصة فيما يتعلق بالعوامل التحفيزية والدعم المتمايز.

5. الأهمية والادعاءات

تدعي الورقة أنه بينما تبدي نماذج الرؤية واللغة (VLMs) وعداً كأدوات تعليمية، إلا أنها تفتقر حالياً إلى الدعم المتمايز المطلوب للتعلم التكيفي الحقيقي. تسلط الدراسة الضوء على الفجوة بين الاستجابات التعليمية العامة والتعليم التكيفي الحقيقي الذي يتوافق مع الخلفية الأكاديمية والحالة النفسية للمتعلم.

تضع المؤلفة هذا العمل كتقييم أساسي. وتذكر صراحة أن الاستجابة المصنفة على أنها "تكيفية" في هذه الدراسة لا تمثل بالضرية استجابة تكيفية عالية المستوى أو عالية الجودة. تكمن الأهمية في توفير أداة مبدئية للمقارنة المنهجية للقدرات التكيفية وتحديد أن النماذج الحالية غالباً ما تعود إلى نصوص عامة عند إدخال سياق حرج أو إزالته. يؤكد هذا العمل على الحاجة إلى منهجيات تقييم تعطي الأولوية لـ المواءمة التربوية مع المتعلمين لتوجيه تطوير نماذج متعددة الوسائط أكثر تجذراً في التعليم.

6. القيود

تقر المؤلفة بعدة قيود:

• أسئلة المعيار الخاصة بالتكيف ليست شاملة (على سبيل المثال، تفتقر إلى المتغيرات العاطفية والاجتماعية الثقافية).
• عدد عناصر الرياضيات المحدود قد يؤدي إلى عدم كفاية التغطية للتكيف التربوي.
• استخدمت الدراسة ملفات تعريف متعلمين اصطناعية بدلاً من طلاب حقيقيين، مما قد يؤدي إلى فقدان سلوكيات التعلم المعقدة المتأصلة في التفاعل بين الإنسان والذكاء الاصطناعي.
• يعمل المعيار كخط أساس؛ فهو لا يقيم عمق أو تطور الاستراتيجيات التكيفية بما يتجاوز المعايير المحددة.