Predicting Vocabulary Acquisition in EFL Learners Using Machine Learning Models
تُظهر هذه الدراسة أنه في حين أن الذكاء الاصطناه التوليدي يعزز اكتساب المفردات لدى متعلمي الإنجليزية كلغة أجنبية بشكل كبير مقارنة بالتعليم التقليدي، فإن نماذج الانحدار الخطي التي تعتمد أساساً على المؤشرات اللغوية تفوق خوارزميات التعلم الآلي المعقدة والمقاييس السلوكية في التنبؤ بمكاسب التعلم هذه.
إن تعلم لغة جديدة هو رحلة تراكمية، حيث تعتمد القدرة على التعبير عن الأفكار المعقدة بشكل كبير على حجم وتنوع مفردات الشخص. ولعقود من الزمن، عرف المعلمون أن الطلاب يتعلمون بشكل أفضل عندما يواجهون كلمات جديدة بشكل متكرر ويستخدمونها في سياقات ذات معنى، مثل كتابة المقالات أو إجراء المحادثات. وفي السنوات الأخيرة، دخلت أداة جديدة قوية إلى الفصول الدراسية: الذكاء الاصطناعي. يمكن لهذه الأنظمة الدردشة مع الطلاب، وتقديم تفسيرات فورية، واقتراح طرق أفضل لصياغة الجملة. ولكن بينما تسعى المدارس جاهدة لتبني هذه الأدوات، يظل هناك سؤال جوهري لم تتم الإجابة عليه: هل مجرد امتلاك الوصول إلى روبوت دردشة ذكي يساعد الطلاب حقاً على تعلم المزيد من الكلمات، وهل يمكننا التنبؤ بمن سيستفيد أكثر؟
وضع باحثون في جامعة الأمير مقرن في المملكة العربية السعودية حداً لهذا التساؤل من خلال مراقبة مجموعة كبيرة من طلاب الجامعات أثناء تعلمهم اللغة الإنجليزية. أرادوا معرفة ما إذا كان استخدام الذكاء الاصطناعي للمساعدة في مهام الكتابة يؤدي إلى نمو أفضل في المفردات مقارنة بطرق التدريس التقليدية. والأهم من ذلك، أرادوا معرفه ما إذا كان بإمكانهم استخدام النماذج الحاسوبية للتنبؤ بتقدم الطالب بناءً على كيفية استخدامه للتكنولوجيا. شملت الدراسة 180 طالباً جامعياً على مدار خمسة عشر أسبوعاً. تم تقسيم الطلاب إلى مجموعتين؛ تلقت إحدى المجموعتين ملاحظات قياسية من معلمهم حول كتاباتهم، بينما سُمح للمجموعة الأخرى باستخدام روبوتات دردشة متطورة لاستكشاف معاني الكلمات، والتحقق من قواعدهم اللغوية، ومراجعة مسوداتهم. درست كلتا المجموعتين نفس المادة وكتبتا نفس المهام، مما يضمن أن الفرق الرئيسي الوحيد كان مصدر ملاحظاتهما.
أظهرت النتائج أن كلتا المجموعتين حسنتا معرفتهما بالمفردات على مدار الفصل الدراسي، وهو أمر متوقع عندما ينخرط الطلاب بنشاط في التعلم. ومع ذلك، حققت المجموعة التي استخدمت أدوات الذكاء الاصطناعي مكاسب أكبر بكثير. ففي المتوسط، حسنت هذه المجموعة درجات اختبار المفردات بأكثر من سبع نقاط، بينما تحسنت المجموعة التي اعتمدت فقط على ملاحظات المعلم بأكثر من ثلاث نقاط فقط. لم يكن هذا الاختلاف مجرد مسألة صدفة؛ فقد تعلم الطلاب الذين استخدموا الذكاء الاصطناعي كلمات أكثر، واستخدموا مجموعة متنوعة أوسع من الكلمات في كتاباتهم. أظهرت مقالاتهم ثراءً أكبر في المفردات واستخداماً أعلى للمصطلحات الأكاديمية، مما يشير إلى أن الذكاء الاصطناعي ساعدهم ليس فقط في حفظ التعريفات، بل في دمج الكلمات الجديدة فعلياً في مهاراتهم اللغوية النشطة.
ثم انتقل الباحثون إلى مسألة التنبؤ. تساءلوا عما إذا كان بإمكانهم النظر في سلوك الطالب - مثل المدة التي قضاها في التحدث مع الذكاء الاصطناعي، أو عدد المرات التي راجع فيها عمله، أو مدى تفاعله - واستخدام تلك المعلومات لتخمين مقدار النمو في مفرداته. اختبروا ذلك باستخدام عدة نماذج حاسوبية مختلفة، تتراوح من الأساليب الإحصائية البسيطة إلى الخوارزميات الأكثر تعقيداً المصممة لإيجاد الأنماط الخفية. ومن المثير للدهشة، أن النماذج الحاسوبية الأكثر تطوراً لم تكن أفضل من النماذج الأبسط. في الواقع، كانت الطريقة الأكثر دقة للتنبؤ بمكاسب المفردات لدى الطالب هي النظر في درجات اختبارهم الأولية وما إذا كانوا في مجموعة الذكاء الاصطناعي أو مجموعة المعلم فقط.
ولعل النتيجة الأكثر كشفاً كانت أن البيانات السلوكية التي جُمعت من مستخدمي الذكاء الاصطناعي لم تساعد في التنبؤ بنتائج التعلم. فمعرفة عدد الدقائق التي قضاها الطالب مع روبوت الدردشة أو عدد المرات التي نقر فيها على زر للحصول على اقتراح لم يخبر الباحثين إلا القليل عن مدى تعلم ذلك الطالب فعلياً. لم تكن كمية التفاعل مؤشراً موثوقاً للنوعية. فقد يقضي الطالب وقتاً طويلاً مع الأداة ولكنه يقبل ببساة الاقتراح الأول دون تفكير، بينما قد يستخدمها آخر لفترة وجيزة ولكن بعمق لتحليل البدائل. تشير الدراسة إلى أن قيمة الذكاء الاصطناعي جاءت من طبيعة الدعم الذي وفره - وهو التغذية الراجعة الفورية والفردية التي سمحت للطلاب بتجربة اللغة في الوقت الفعلي - وليس من مجرد مقدار الوقت الذي قضوه في استخدامه.
في الختام، تثبت الدراسة أن الذكاء الاصطناعي يمكن أن يكون شريكاً قوياً في تعلم اللغة، ولكن فقط عندما يتم دمجه بعناً في مساق دراسي منظم. لم تكن التكنولوجيا بديلاً للمعلم؛ بل وسعت نطاق وصول المعلم، حيث وفرت للطلاب وسيلة لممارسة وصقل كتاباتهم وقتما احتاجوا لذلك. وجد الباحثون أن أفضل طريقة لفهم والتنبؤ بنمو المفردات لم تكن عبر تتبع مدى انشغال الطالب مع الآلة، بل من خلال النظر في التغييرات الفعلية في كتاباتهم ونتائج اختباراتهم. يقدم هذا النهج مساراً واضحاً للمربين: التركيز على جودة التفاعل التعليمي والتحسينات الملموسة في استخدام اللغة، بدلاً من مجرد عد الدقائق التي يقضيها الطلاب عبر الإنترنت.
ملخص تقني: التنبؤ باكتساب المفردات لدى متعلمي اللغة الإنجليزية كلغة أجنبية باستخدام نماذج تعلم الآلة
بيان المشكلة بينما يتم دمج الذكاء الاصطناائي (AI) بشكل متزايد في تعليم اللغة الإنجليزية كلغة أجنبية (EFL)، توجد فجوة حرجة في فهم مدى إمكانية التنبؤ بتطور المفردات من خلال الجمع بين المؤشرات اللغوية وبيانات التفاعل مع الذكاء الاصطناعي. تعتمد الأبحاث الحالية غالباً على مؤشرات أكاديمية عامة أو تركز على التقييم الآلي للكتابة (AWE) لتقييم المنتج النهائي، مع اهتمام محدود بالتغيرات الطولية في استخدام المفردات. علاوة على ذلك، فإن دراسات قليلة تدمج المعرفة الأساسية بالمفردات، والسمات المعجمية المستخرجة من الكتابة الطولية، وبيانات تفاعل المتعلم، والظروف التعليمية للتنبؤ بالزيادة المستمرة في المفردات في سياقات تعلم اللغة الإنجليزية كلغة أجنبية. تعالج هذه الدراسة الحاجة إلى نماذج تنبؤية تفسر اكتساب المفردات من خلال فحص العلاقة بين التطور اللغوي، وسلوك المتعلم، والدعم التعليمي.
المنهجية استخدمت الدراسة تصميماً كمياً شبه تجريبي (قبلي-بعدي) شمل 180 من متعلمي اللغة الإنجليزية كلغة أجنبية من طلاب المرحلة الجامعية (المستوى B1–C1) في جامعة الأمير مقرن بالمملكة العربية السعودية. تم تقسيم المشاركين إلى مجموعتين كاملتين تضم كل منهما 90 مشاركاً:
المجموعة المدعومة بالذكاء الاصطناعي: استخدمت ChatGPT وGoogle Gemini لدعم الكتابة، واستكشاف المفردات، والمراجعة على مدار فصل دراسي مدته 15 أسبوعاً.
المجموعة الضابطة: تلقت تغذية راجعة تقليدية من المعلم لنفس المهام الكتابية والمنهج الدراسي.
جمع البيانات والميزات:
المتغير التابع: اكتساب المفردات، ويُحسب كفرق بين درجات الاختبار البعدي والاختبار القبلي في اختبار المفردات الأكاديمية (50 بنداً، معامل ألفا كرونباخ = 0.84/0.90).
المتنبئات اللغوية: التغيرات في نسبة النوع إلى الكلمات (ΔTTR)، ومقياس التنوع المعجمي النصي (ΔMTTLD)، وتغطية قائمة الكلمات الأكاديمية (ΔAWL%)، والتي استُخرجت من عينات الكتابة قبل التدخل وبعده.
المتنبئات السلوكية (للمجموعة المدعومة بالذكاء الاصطناعي فقط): وقت استخدام الذكاء الاصطناعي، درجة التفاعل (بناءً على المشاركة في الجلسات، وتكرار التفاعل، وإكمال المهام)، وعدد مرات المراجعة.
المتغيرات الضابطة: المعرفة الأساسية بالمفردات، وعضوية المجموعة التعليمية.
النهج التحليلي: استخدمت الدراسة إطاراً تحليلياً مزدوجاً:
النمذجة التنبؤية: تمت مقارنة أربع خوارزميات للتعلم الخاضع للإشراف — الانحدار الخطي (LR)، وانحدار متجه الدعم (SVR)، والغابة العشوائية (RF)، وتعزيز التدرج (GB) — باستخدام التحقق المتقاطع خماسي الطيات. وتم تقييم الأداء باستخدام R2، وجذر متوسط مربع الخطأ (RMSE)، ومتوسط الخطأ المطلق (MAE).
النتائج الرئيسية
تحسن المفردات: أظهرت كلتا المجموعتين مكاسب كبيرة في المفردات. ومع ذلك، حققت المجموعة المدعومة بالذكاء الاصطناعي مكاسب أكبر بكثير (متوسط الربح = 7.33) مقارم بالمجموعة الضابطة (متوسط الربح = 3.26)، مع حجم تأثير كبير ($Hedges' g = 1.01$). وظل هذا الفرق معنوياً بعد ضبط درجات الاختبار القبلي.
متنبئات الربح:
التحليل الاستدلالي: في نموذج الانحدار للعينة الكاملة، كانت المجموعة التعليمية هي أقوى متنبئ فريد لاكتساب المفردات (β=−0.548,p<.001). وبينما ارتبطت التغيرات اللغوية (ΔMTLD، ΔAWL%) إيجابياً بالربح، إلا أنها لم تظل متنبئات فريدة معنوية بمجرد إدراج المجموعة التعليمية.
المؤشرات السلوكية: ضمن المجموعة المدعومة بالذكاء الاصطناዊ، أظهرت المؤشرات السلوكية (وقت الاستخدام، التفاعل، عدد المراجعات) ارتباطات ضعيفة وغير معنوية مع اكتساب المفردات، ولم تضف أي قيمة تنبؤية تراكمية في نماذج الانحدار.
أداء تعلم الآلة:
العينة الكاملة: حقق الانحدار الخطي أعلى أداء تنبؤي (R2=0.156, RMSE = 4.125)، متفوقاً على SVR وRF وGB. يشير هذا إلى أن العلاقات الأساسية كانت خطية في الغالب.
المجموعة الفرعية للذكاء الاصطناعي: كانت دقة التنبؤ أقل (قيم R2 سالبة عبر النماذج في التحقق المتقاطع). ومن الأهمية بمكان ملاحظة أن إضافة المؤشرات السلوكية إلى النماذج اللغوية أدت باستمرار إلى خفض الأداء التنبؤي، مما يشير إلى أن كمية التفاعل لم تعزز التنبؤ بمكاسب المفردات الفردية.
المساهمات الرئيسية
إطار متكامل: تقدم الدراسة إطاراً تحليلياً يجمع بين تنقيب البيانات التعليمية وأبحاث تعلم اللغة، حيث تدمج مخرجات المفردات المقاسة بشكل مستقل مع السمات المعجمية المستخرجة طولياً من الكتابة والظروف التعليمية.
القيمة السلوكية مقابل اللغوية: توضح الدراسة أنه بينما يحسن التعليم المدعوم بالذكاء الاصطناعي تعلم المفردات على مستوى المجموعة بشكل كبير، فإن المقاييس السلوكية البسيطة (الوقت المستغرق، عدد المراجعات) لا تعمل كمتنبئات موثوقة لاكتساب المفردات الفردية. وتعتبر التغيرات اللغوية القابلة للقياس (التنوع المعجمي واستخدام المفردات الأكاديمية) مؤشرات أكثر دقة لنتائج التعلم.
تعقيد النموذج مقابل الأداء: تتحدى النتائج الافتراض بأن الأساليب التجميعية المعقدة (الغابة العشوائية، تعزيز التدرج) تتفوق دائماً على النماذج الأبسط في السياقات التعليمية. فقد أثبت الانحدار الخطي تفوقه، مما يشير إلى أن العلاقات بين المتنبئات المختارة واكتساب المفردات في هذه المجموعة من البيانات كانت خطية.
الأهمية والادعاءات يزعم المؤلفون أن الذكاء الاصطناعي التوليدي يمكن أن يعزز تعلم المفردات عند دمجه في تعليم الكتابة الموجه من قبل المعلم، حيث يعمل كمورد وسيط بدلاً من بديل للمعلم. وتبرز الدراسة أن القيمة التعليمية للذكاء الاصطناعي تكمكمن في توفير دعم فردي فوري لاستكشاف المفردات والمراجعة، مما يسرع عملية التعلم مقارنة بالتغذية الراجعة التقليدية وحدها.
علاوة على ذلك، تؤكد الورقة أن النهجين الاستدلالي وتعلم الآلة يقدمان رؤى متكاملة: حيث يفسر تحليل الانحدار العلاقات السببية أو التفسيرية (مثل تأثير تعليم الذكاء الاصطناعي)، بينما يقيم تعلم الآلة الدقة التنبؤية للمتعلمين غير المرئيين. وتخلص الدراسة إلى أن التنبؤ الدقيق باكتساب المفردات الفردية يظل أمراً صعباً بسبب العوامل المعرفية والدافعية غير المقاسة، وأن الأبحاث المستقبلية يجب أن تركز على جودة التفاعل مع الذكاء الاصطناعي (مثل جودة الأوامر/البرومبت، والاستجابة للتغذية الراجعة) بدلاً من كمية الاستخدام.