LLM Pedagogical Behavior in AI Tutoring Interactions
تقدم هذه الدراسة مقياساً معتمداً من خمس مستويات للدعم التعليمي (scaffolding) لتحليل أكثر من 14,000 استجابة من نماذج اللغات الكبيرة (LLMs) في سياق التدريس، كاشفةً أن نماذج الذكاء الاصطناعي تقدم بشكل ساحق مساعدة مباشرة (شرح أو حل) بدلاً من الدعم الموجه، وهو نمط سلوكي يؤثر على حوار الطالب ولكنه يقدم قيمة تنبؤية محدودة للأداء في الامتحانات بما يتجاوز التحصيل السابق.
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
في همهمة هادئة داخل مختبر حاسوب جامعي، تجذرت نوع جديد من التدريس، نوع لا ينام أبداً، ولا يتعب، ولا يصدر أحكاماً. يتجه الطلاب بشكل متزايد إلى النماذج اللغوية الكبيرة، وهي برامج حاسوبية قوية مدربة على كميات هائلة من النصوص، لمساعدتهم في حل واجباتهم المنزلية وفهم المفاهيم الصعبة. يمكن لهؤلاء المساعدين الرقميين القيام بأشياء كثة، ولكن في سياق التعلم، يوجد توتر جوهري؛ فإذا قدم المعلم القليل جداً من المساعدة، قد يعلق الطالب ويستسلم، وإذا قدم المعلم الكثير من المساعدة، فقد يكتفي الطالب ببساطة بنسخ الإجابة دون أن يتعلم أبداً كيفية التفكير في المسألة بنفسه. هذا التوازن هو جوهر التحدي: إيجاد القدر المناسب من الدعم لتوجيه المتعلم دون القيام بالعمل نيابة عنه. لطالما درس الباحثون كيف يدير المعلمون البشر هذه المساحة، ولكن لا يزال من غير الواضح كيف تتصرف هؤلاء المعلمين الآليين الجدد عندما يستخدمهم الطلاب في مواقف تعلم حقيقية وغير مبرمجة.
قام فريق من الباحثين في معهد KAIST في كوريا الجنوبية برسم معالم هذا الإقليم غير المستكشف. قاموا بتحليل مجموعة ضخمة من المحادثات بين الطلاب ومعلم ذكاء اصطناعي خلال دورة تمهيدية في الذكاء الاصطناعي. كان الطلاب أحراراً في طلب أي شيء، بدءاً من تلميح بسيط وصولاً إلى حل كامل، وكان الحاسوب يستجيب بناءً على برمجته الافتراضية، والتي كانت ببساطة أن يكون مساعداً نافعاً. أراد الباحثون معرفة نوع المساعدة التي يقدمها الحاسوب بالفعل. ولقياس ذلك، أنشأوا مقياساً من خمس خطوات لتصنيف كل استجابة قدمها الذكاء الاصطناعي. في الحد الأدنى، قد لا يقدم الحاسوب أي مساعدة حقيقية على الإطلاق أو يطلب من الطالب ببساطة أن يفكر بجدية أكبر. وفي المنتصف، قد يشير إلى مفهوم ذي صلة أو خطأ محدد دون حل المشكلة. وفي الحد الأعلى، سيقوم بشرح طريقة بالتفصيل أو تقديم الحل الكامل والجاهز للاستخدام لمهمة الطالب المحددة.
عندما فحص الباحثون أكثر من 14,000 استجابة من أكثر من 200 طالب، ظهر نمط لافت للنظر. نادراً ما اختار الذكاء الاصطناعي المنطقة الوسطى؛ ففي أكثر من 95 بالمائة من الوقت، كان الحاسوب إما يشرح مفهوماً بتفصيل كبير أو يحل المشكلة ببساطة للطالب. أما الاستجابات التي كانت تحث الطالب على التفكير فقط أو تقدم تلميحاً صغيراً فكانت نادرة للغاية، حيث لم تشكل سوى أقل من خمسة بالمائة من جميع التفاعلات. وسواء طلب الطالب المساعدة في كتابة كود برمجي، أو تحرير تقرير، أو فهم نظرية معقدة، كان رد فعل الحاسوب الافتراضي هو تقديم مساعدة مباشرة وجوهرية. لقد كان يعمل كأنه ميكانيكي يصلح السيارة بدلاً من أن يكون مدرباً يوجه اللاعب خلال تدريب.
كان لهذا الميل لتقديم إجابات مباشرة تأثير متتابع واضح على سلوك الطلاب بعد ذلك. فعندما قدم الحاسوب حلاً كاملاً، كان من المرجح أن يطلب الطالب قطعة أخرى من الكود أو مهمة جديدة لحلها. وعندما قدم الحاسوب شرحاً، كان من المرجح أن يطرح الطالب سؤالاً متابعاً حول المفهوم الأساسي. وجد الباحثون أن مستوى المساعدة الذي قدمه الحاسوب تنبأ بشكل موثوق بما سيقوله الطالب في الدور التالي من المحادثة. ومع ذلك، لم يترجم هذا التفاعل الفوري إلى درجات أفضل لاحقاً. فقد درست الدراسة مدى أداء الطلاب في ثلاثة اختبارات رئيسية، خاضوها دون أي وصول إلى الحاسوب. ولم يتنبأ مقدار المساعدة التي تلقاها الطالب خلال جلسات الدراسة بدرجاته في الامتحانات بشكل أفضل من درجاته السابقة أو مجرد حقيقة أنه كان يتحدث مع الحاسوب.
تشير النتائج إلى أنه بينما تعد أدوات الذكاء الاصطناعي العامة هذه حريصة للغاية على المساعدة، إلا أنها ليست مائلة بطبيعتها للتدريس بطريقة تجبر الطلاب على "المعاناة المثمرة". فهي تميل افتراضياً لأن تكون أدوات فعالة لحل المشكلات بدلاً من كونها معلمين صبورين. هذا لا يعني أن التكنولوجيا عديمة الفائدة، ولكنه يكشف عن سلوك محدد: بدون تعليمات صريحة للتمهل والتوجيه، ستعمل هذه الأنظمة دائماً على القيام بالعمل الشاق نيابة عن الطالب. ويخلص الباحثون إلى أنه لتغيير هذه الديناميكية، يجب على التربويين والمطورين تصميم هذه الأنظمة عمداً لتقديم مساعدة أقل مباشرة، بدلاً من الأمل في أن تجد التكنولوجيا التوازن الصحيح من تلقاء نفسها. توفر البيانات خط أساس واضح لكيفية تصرف هذه الأدوات حالياً، مما يظهر أن الطريق نحو تدريس فعال بالذكاء الاصطناعي قد يتطلب منا تعليم الآلات كيف تُعلّم، وليس فقط كيف تُجيب.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.