🤖 AI

Surfacing Isolated Learners with Outcome-Independent Mediation of Feedback between Teachers and Students Using AI

تقترح هذه الورقة طبقة قرار مدفوعة بالذكاء الاصطناعي وقابلة للتفسير، تعمل على تحديد المتعلمين المنعزلين وتحديد أولويات مواضيع المساق من خلال دمج التقارير الذاتية للطلاب، والصعوبات الملحوظة، ومخاوف المعلمين دون الاعتماد على النتائج الدرجية، مما يثبت فعاليتها في التوافق مع رؤى المحاضرين وكشف الطلاب المعرضين للخطر في مساق دراسات عليا في علوم الحاسوب.

المؤلفون الأصليون: Junsoo Park, Youssef Medhat, Htet Phyo Wai, Ploy Thajchayapong, Ashok K. Goel

نُشر 2026-05-29

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Junsoo Park, Youssef Medhat, Htet Phyo Wai, Ploy Thajchayapong, Ashok K. Goel

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 فصلاً دراسياً كأنه مطبخ مزدحم حيث يحاول طاهٍ (المعلم) إعداد وجبة معقدة لمجموعة كبيرة من الزبائن (الطلاب). عادةً، لا يعرف الطاهي ما إذا كانت الوجبة جيدة إلا بعد أن يأكلها الزبائن ويرسلوا أطباقهم مع تعليقاتهم. ولكن بحلول ذلك الوقت، يكون الأوان قد فات لإصلاح الحساء الذي كان مالحاً جداً أو شريحة اللحم التي كانت غير ناضجة تماماً.

تقترح هذه الورقة طريقة جديدة للطهي: "مساعد الطاهي الذكي" (نظام ذكاء اصطناعي) يساعد الطاهي الرئيسي على رصد المشكلات بينما لا يزال الطعام قيد التحضير، دون انتظار اختبار التذوق النهائي (الدرجات).

إليك كيف يعمل النظام، مقسماً إلى أجزاء بسيطة:

1. المشكلة: الطهي مع عصب العينين

في الفصل الدراسي العادي، غالباً لا يعرف المعلمون أي المواضيع تسبب ارتباكاً للطلاب حتى يروا درجات الاختبارات بعد أسابيع. وبحلول ذلك الوقت، يكون الطلاب قد انتقلوا بالفعل إلى مواضيع أخرى. تسأل الورقة: كيف يمكننا إصلاح "الوصفة" بينما لا نزال نطهو، باستخدام الإشارات التي لدينا الآن فقط؟

2. الحل: "الكرسي ذو الأرجل الثلاث"

قام الباحثون ببناء "طبقة قرار" شفافة (لوحة تحكم ذكية) تعمل مثل كرسي ذي ثلاثة أرجل. هذا الكرسي يوازن بين ثلاثة مصادر مختلفة للمعلومات لتحديد المواضيع التي تحتاج إلى اهتمام الآن:

الرجل الأولى: "معاناة الحشد" (انتشار الفجوة): يراقب الذكاء الاصطناعي عدد الطلاب الذين يطرحون أسئلة أو يتعثرون في موضوع معين. إذا كان 50% من الفصل يسألون عن "خوارزميات التخطيط"، فهذا مؤشر خطر.
الرجل الثانية: "فجوة الارتباك" (عدم الاتفاق في الاستبيان): هذا هو الجزء الأكثر إثارة للاهتمام. أحياناً، يعتقد الطلاب أنهم يفهمون موضوعاً ما، لكن أفعالهم (مثل طلب المساعدة) تظهر عكس ذلك. أو يقولون إن موضوعاً ما صعب، لكنهم لا يطلبون المساعدة. يرصد النظام هذا التناقض. الأمر يشبه طالباً يقول: "أنا بخير!" بينما يسقط شوكته بوضوح.
الرجل الثالثة: "حدس الطاهي" (احتكاك المعلم): يستمع النظام لمخاوف المعلم. إذا قال المعلم: "أنا قلق بشأن كيفية تعامل الطلاب مع 'الاستدلال التناظري'"، فإن النظام يأخذ هذا القلق على محمل الجد.

3. كيف يقرر ما يجب إصلاحه

النظام لا يخمن فحسب. بل يجمع هذه الإشارات الثلاث في قائمة مرتبة:

المخرج: يعطي المعلم قائمة مثل: "1. الاستدلال التناظري (أولوية عالية)، 2. التخطيط (أولوية متوسطة)..."
"الإيصال" (سجل القرار): من الضروري لكل عنصر في القائمة تقديم "إيصال" يشرح لماذا. يقول النظام: "لقد صنفنا 'الاستدلال التناظري' في المرتبة الأولى لأن 40% من الطلاب عانوا منه، ولأن المعلم ذكره في مقابلة، ولأن الطلاب قالوا إنه سهل لكن تصرفاتهم أظهرت أنه صعب". هذا يجعل تفكير الذكاء الاصطناعي شفافاً، وليس "صندوقاً أسود".

4. العثور على الطلاب "غير المرئيين"

تسلط الورقة الضوء على مجموعة خاصة تسمى "المتعلمين المنعزلين".
تخيل طالباً هادئاً، لا يطلب المساعدة، ويقول إنه بخير. إشارة واحدة (مثل "هل طلب المساعدة؟") ستخطئه تماماً.

السحر: عندما يجمع النظام بين الإشارات الثلاث، وجد الطلاب الذين كانوا يتسللون من خلال الشقوق. على سبيل المثال، قد يمتلك طالب درجة "ثقة بالنفس" عالية، لكن لديه نمط خفي من "طلبات المساعدة غير المحلولة". بمفردهما، تبدو هذه الإشارات طبيعية. معاً، تكشف عن طالب يعاني بصمت.
النتيجة: وجد النظام هؤلاء "الطلاب غير المرئيين" بشكل أفضل بكثير مما لو تم النظر في إشارة واحدة وحدها.

5. هل نجح الأمر؟

اختبر الباحثون هذا في فصل دراسي واحد لعلوم الحاسوب في مرحلة الدراسات العليا.

مطابقة المعلم: المواضيع التي حددها الذكاء الاصطناعي كـ "الأكثر إلحاحاً" طابقت ما كان المعلم قلقاً بشأنه فعلياً.
مطابقة الطلاب: المواضيع التي حددها الذكاء الاصطنا also طابقت ما قاله الطلاب عن الصعوبات في استبياناتهم.
الاستقرار: حتى لو قام الباحثون بتعديل الوزن الذي أعطوه لكل إشارة (على سبيل المثال، الاهتمام أكثر بالمعلم مقابل الطلاب)، ظلت الأولويات القصوى في القائمة ثابتة في الغالب.

الخلاصة

لا تدعي هذه الورقة أن الذكاء الاصطناعي يحل محل المعلم. بدلاً من ذلك، يعمل كـ منسق شفاف. فهو يأخذ مخاوف المعلم، وأفعال الطلاب، وتقارير الطلاب الذاتية، وينسجها في قائمة مرتبة وواضحة لـ "ما يجب إصلاحه تالياً".

الأمر يشبه امتلاك لوحة تحكم في سيارة لا تخبرك فقط أن المحرك تعطل بعد وقوع الحادث (الدرجة)، بل تحذرك: "مهلاً، ضغط الإطارات منخفض، ومصباح الزيت يومض، والسائق يبدو قلقاً"، حتى تتمكن من التوقف وإصلاح الأمر قبل أن تفسد الرحلة.

ملخص تقني: إبراز المتعلمين المنعزلين عبر وسيط مستقل عن المخرقات للتعليقات التقييمية

بيان المشكلة

في الفصول الدراسية المعززة بالذكاء الاصطناعي، يولد المعلمون والطلاب إشارات تغذية راجعة غنية (مثل سجلات التفاعل، والاستطلاعات، والمقابلات) قبل توفر النتائج المقترنة بالدرجات. ومع ذلك، غالبًا ما يصعب تلخيص هذه الإشارات في قرارات تعليمية في الوقت المناسب. إن النهج التقليدي الذي يعتمد على التحليلات اللاحقة أو النتائج المقترنة بالدرجات يصل في وقت متأخر جدًا لدعم التدخلات التعليمية الاستباقية. المشكلة الجوهرية التي يتناولها البحث هي كيفية تنسيق التغذية الراجعة من المعلم والمتعلم لتحديد أولويات التدريس واحتياجات الدعم عندما تكون بيانات المخرجات (الدرجات) غير متوفرة.

المنهجية

يقترح المؤلفون طبقة قرار قابلة للتفسير (أو طبقة وسيطة) تعمل كآلية شفافة لترتيب موضوعات المساق التي تتطلب الاهتمام. لا يستخدم هذا النظام الدرجات أو تسميات المخرجات اللاحقة. بدلاً من ذلك، يقوم بدمج ثلاثة مصادر متميزة للإشارات في درجة أولوية ( $P_t$ ) لكل موضوع $t$ :

انتشار الفجوة ( $R_t$ ): نسبة الطلاب الذين تم تحديدهم كذوي صعوبة في موضوع معين، والمستمدة من آثار تفاعل المساعد التدريسي القائم على الذكاء الاصطناعي (Jill Watson).
التباين في الاستطلاع ( $D_t$ ): الفرق المطلق بين صعوبات التعلم الملحوظة ( $R_t$ ) والصعوبة المبلغ عنها ذاتيًا من قبل الطلاب ( $s_t$ ) في استطلاعات منتصف المساق ( $D_t = |R_t - s_t|$ ).
احتكاك المعلم ( $F$ ): مقياس ملخص للمخاوف غير المحسومة لدى المحاضر، والمستمدة من الموضوعات المشفرة في المقابلات شبه المهيكلة (تحديدًا احتكاك سهولة الاستخدام وعدم اليقين بشأن الثقة).

عملية الوساطة:
يحسب النظام درجة أولوية الموضوع باستخدام توليفة خطية موزونة:
$P_t = w_r R_t + w_d D_t + w_f F$
حيث أن الأوزان ( $w_r, w_d, w_f$ ) محددة من قبل الباحثين بناءً على أولويات التصميم المشترك (الافتراض: 0.70، 0.20، 0.10). المخرج هو قائمة مرتبة للموضوعات مصحوبة بـ سجل قرار (أو أثر قرار) يشرح المدخلات والمنطق الكامن وراء كل ترتيب.

سياق الدراسة:
تم تقييم هذا النهج في مساق دراسات عليا في الذكاء الاصطناعي في معهد جورجيا للتكنولوجيا ( $N=279$ طالبًا). شملت مصادر البيانات:

المعلم: 5 مقابلات شبه مهيكلة أعقبت نشر لوحة تحكم تحليلية.
الطالب: استجابات استطلاع منتصف المساق وسجلات تفاعل Jill Watson.
التحقق: استُخدم التفكير التأملي (RTQ)، وسلوك البحث عن المساعدة، ومقاييس الكفاءة الذاتية كأدلة تكميلية للمفاهيم المتعلقة بالتعلم، ولكنها لم تكن مدخلات لدرجة الأولوية.

المساهمات الرئيسية

التنسيق المستقل عن المخرقات: يقدم البحث آلية لتحديد أولويات الدعم التعليمي دون الاعتماد على الدرجات، مما يعالج مشكلة زمن الاستجابة في حلقات التغذية الراجعة التعليمية.
طبقة قرار قابلة للتفسير: على عكس التحليلات "الصندوق الأسود"، يوفر النظام سجلات قرار لكل موضوع، مما يجعل منطق الترتيب شفافًا وقابلاً للفحص من قبل المعلمين والطلاب والباحثين.
إبراز "المتعلمين المنعزلين": يحدد الإطار ويبرز "المتعلمين المنعزلين" — وهم الطلاب الذين لا يطلقون تنبيهات في أي مصدر إشارة واحد (على سبيل المثال، يبلغون عن فهم عالٍ وليس لديهم سجلات بحث عن المساعدة)، ولكن يتم إبرازهم عند دمج عدة إشارات.
الوكالة المشتركة بين الإنسان والذكاء الاصطناعي: ينظم هذا العمل أدوار المعلم والطالب والباحث حول عملية قرار مشتركة، متجاوزًا مجرد التفكير في لوحة التحكم إلى التنسيق النشط لوجهات النظر.

النتائج

قدمت الدراسة أدلة أولية تدعم ثلاث فرضيات:

استقرار الأولويات (H1): ظلت أولويات الموضوعات المرتبة مستقرة عبر التباينات المعقولة في مخططات الأوزان. في تقديم المساق المحدد، كانت أعلى 5 موضوعات ذات أولوية هي: الاستدلال التناظري، الأطر، التخطيط، الاستدلال القائم على الحالة، والذكاء الاصطناٍ القائم على المعرفة.
التوافق مع أصحاب المصلحة:
- اتفاق المحاضر: أظهرت الأولويات الموسطة توافقًا عاليًا في الترتيب مع مخاوف المحاضر (Spearman $\rho = 0.80$ , $p < .001$ ). وتداخلت ثلاثة من أعلى 5 موضوعات في الوساطة مع المخاوف التي حددها المحاضر.
- توافق الطلاب: ارتبطت درجات الأولوية ارتباطًا متوسطًا مع الصعوبة المبلغ عنها ذاتيًا من قبل الطلاب ( $\rho = 0.46$ , $p = .048$ )، متفوقة على انتشار الفجوة وحدها ( $\rho = 0.29$ ).
تكامل الإشارات المتعددة (H3): كشف الجمع بين الإشارات عن متعلمين فاتهم الرصد عبر النهج أحادي المصدر.
- بالنسبة لـ "المتعلمين المنعزلين" (أولئك الذين لم يتم تحديدهم بواسطة الإشارات الفردية)، أدى التعرض للموضوعات ذات الأولوية العالية خلال الأسابيع التي أبلغوا فيها عن صعوبة إلى تحقيق مساحة تحت المنحنى (AUC = 0.96) أعلى بكثير مقارنة باستخدام انتشار الفجوة وحدها (AUC = 0.91).
- في المجموعة، تم إبراز 3 طلاب (2.2% من الطلاب غير المحددين مسبقًا) فقط من خلال تركيب عدة إشارات.
المفاهيم السلوكية: تماشى سلوك الطلاب (الكفاءة الذاتية، التفكير التأملي، البحث عن المساعدة) مع فهم الموضوعات، مما يؤكد أن هذه الإشارات تلتقط سلوكيات تعلم ذات مغزى.

الأهمية والادعاءات

يضع هذا البحث عمله كخطوة أولية نحو الوكالة المشتركة بين الإنسان والذكاء الاصطناعي في البيئات التعليمية. ويدعي المؤلفون أن:

آليات التنسيق الشفافة يمكن أن تدعم اتخاذ القرار عندما تكون التغذية الراجعة غير مكتملة أو عند غياب بيانات المخرقات.
طبقة الوساطة لا تحل محل حكم المعلم، بل تعمل كآلية لتنظيم وجعل تقارب وجهات نظر المعلم والطالب والباحث مرئيًا.
من خلال إبراز "المتعلمين المنعزلين" وتوفير سجلات القرار، يمكن للنظام تمكين التدخل الاستباقي قبل توفر المخرقات المقترنة بالدرجات.

يشير المؤلفون صراحةً إلى القيود، بما في ذلك نطاق الدراسة (تقديم واحد للمساق)، والعدد الصغير من مقابلات المحاضر، والطبيعة المقطعية لبيانات الاستطلاع. وبناءً على ذلك، تُقدم النتائج كأدلة وصفية واستكشافية بدلاً من تقديرات على مستوى المجتمع. كما يوفر المؤلفون تنفيذًا مرجعيًا خفيف الوزن لتسهيل إعادة الإنتاج والاستكشاف المستقبلي لإشارات الفصل الدراسي الأكثر ثراءً وسير عمل الإشراف البشري.