تخيل فصلاً دراسياً لا يكون فيه المعلم مجرد محاضر يقف في المقدمة، بل هو قائد لفرقة موسيقية معقدة وحية. في هذه الفرقة، كل طالب هو عازف، لكنهم لا يعزفون جميعاً على نفس الآلة، ولا بنفس السرعة، ولا بنفس النوتة الموسيقية. البعض مبدعون، والبعض مبتدئون، والبعض الآخر يحاول فقط العثور على إيقاعه الخاص. لعقود من الزمن، عملت الأدوات "الذكية" التي بنيناها لمساعدة الطلاب على التعلم كمدربين منفردين؛ فهي تستمع لطالب واحد، وتتحقق من إجاباته، وتمنحه قائمة تشغيل مخصصة من مسائل التدريب. هذا يعمل بشكل رائع إذا كنت تتعلم بمفردك في غرفة هادئة، لكن التعلم الحقيقي يحدث غالباً في الفوضى الجميلة والمزعجة والمربكة للمشاريع الجماعية، حيث يتحدث الطلاب، ويتجادلون، ويساعدون بعضهم البعض، وأحياناً، للأسوأ، يترك شخصاً واحداً يقوم بكل العمل بينما ينعزل الآخرون.

السؤال الكبير الذي تعالجه هذه الورقة هو: كيف نبني "مدرباً ذكياً" لا يراقب العازفين المنفردين فحسب، بل يفهم الفرقة بأكملها؟ تتساءل الورقة كيف يمكننا استخدام الذكاء الاصطناعي ليس فقط لمساعدة الطالب على حل مسألة رياضية، بل أيضاً لملاحظة متى بدأت المجموعة في الانهيار، أو متى يهيمن صوت واحد على المحادثة، أو متى يحتاج طالب خجول إلى دفعة لطيفة للتحدث. تجادل الورقة بأنه لكي يكون الذكاء الاصطناعي مفيداً حقاً في الفصول الدراسية الحديثة والمتنوعة، يجب أن يتوقف عن معاملة الطلاب كجزر معزولة ويبدأ في العمل كقائد اجتماعي، يوجه ديناميكية المجموعة بنفس الدقة التي يوجه بها التعلم الفردي.

---

الفكرة الكبرى: محرك التنظيم متعدد المستويات

صمم مؤلفا هذه الورقة، ريم أيوني وأنيس بي، مخططاً لنوع جديد من "المعلم الذكي" يسمى محرك التنظيم متعدد المستويات (MLRE). فكر في هذا المح المحرك كحكم ذكي للغاية وغير مرئي يجلس في منتصف دردشة جماعية أو مشروع تعاوني. على عكس المعلمين التقليديين الذين ينظرون فقط إلى واجباتك المنزلية، فإن هذا الحكم ينظر إليك، وإلى شريكك، وإلى الفريق بأكمله في آن واحد.

تقترح الورقة أن التعلم يحدث على ثلاثة مستويات مختلفة في وقت واحد:

1. المستوى الفردي: ما مدى استيعابك أنت للمادة؟
2. المستوى الثنائي: كيف تسير الأمور بينك وبين شريكك؟ هل تستمعان لبعضكما البعض؟
3. مستوى المجموعة: هل يعمل الفريق بأكمله معاً، أم أن شخصاً واحداً يستحوذ على الأضواء بينما يصمت الآخرون؟

تم تصميم MLRE للتعامل مع هذه المستويات الثلاثة معاً. إذا رأى المحرك أن طالباً يعاني من فهم مفهوم ما (مستوى فردي)، ولكن المجموعة تتجاهله، فإن المحرك لا يكتفي بإعطاء الطالب تلميحاً، بل قد يرسل تنبيهاً للمجموعة، مثل نقرة لطيفة على الكتف تقول: "مهلاً، دعونا نسمع من سارة"، أو قد يقترح تبديل الأدوار لكي يحصل الطالب الهادئ على فرصة للقيعة.

ما فعلوه بالفعل (وما لم يفعلوه)

هذا هو الجزء الأهم: هذه الورقة هي مخطط ومحاكاة، وليست منتجاً نهائياً. لم يقم المؤلفون ببناء روبوت دخل فصلاً دراسياً حقيقياً ودرّس 120 طالباً بعد. بدلاً من ذلك، اتبعوا نهج "علم التصميم" (Design Science)، مما يعني أنهم بنوا الآلة النظرية، واختبروا تروسها في مختبر حاسوبي، ثم كتبوا خطة مفصلة لكيفية اختبارها في العالم الحقيقي لاحقاً.

الاختبارات "غير المتصلة" (المختبر الحاسوبي)
قبل المخاطرة بطلاب حقيقيين، أجرى الفريق اختبارين رئيسيين على حاسوبهم:

1. اختبار المنفرد: تحققوا مما إذا كان جزء "الفردي" في محركهم يعمل. قاموا بتغذية النظام بمجموعة بيانات عامة ضخمة من المسائل الرياضية (مجموعة بيانات ASSISTments) تشمل أكثر من 4000 طالب. كانت قدرة المحرك على التنبؤ بما إذا كان الطالب سيجيب على السؤال التالي بشكل صحيح هي 0.78 على مقي de حيث أن الدرجات الأعلى هي الأفضل. هذه نتيجة جيدة، تثبت أن جزء "المدرب المنفرد" في تصميمهم يضاهي أفضل المعلمين الحاليين.
2. محاكاة المجموعة: هنا حدث السحر. أنشأوا 1000 جلسة جماعية وهمية في محاكاة حاسوبية. وضعوا خمسة سيناريوهات مختلفة للكوارث:
   • مجموعة حيث الجميع متساوون (متوازن).
   • مجموعة مع طالب "متسلط" يتحدث كثيراً (مهيمن).
   • مجموعة مع طالب "صامت" لا يتحدث أبداً.
   • مجموعة حيث يتشاجر طالبان (صراع).
   • مجموعة حيث يستسلم شخص ما ببساطة (عدم مشاركة).

قاموا بتشغيل المحاكاة 1000 مرة (200 جلسة لكل سيناريو من السيناريوهات الخمسة). في كل سيناريو، عندما كان محرك MLRE يعمل، كانت "عدالة المشاركة" (درجة توضح مدى عدالة توزيع فرص التحدث) ترتفع.
* في سيناريو "المسيطر"، قفزت درجة العدالة من 0.642 (بدون المحرك) إلى 0.929 (مع المحرك).
* في سيناريو "الصامت"، ارتفعت من 0.708 إلى 0.880.

وللتأكد من أن هذا لم يكن مجرد حظ، قاموا بتعديل إعدادات المحرك 135 مرة مختلفة (مسح للمعلمات/parameter sweep). وفي 100% من تلك التوليفات، ظل المحرك يحسن عدالة المحادثة. وهذا يشير إلى أن الفكرة قوية، حتى لو لم نكن نعرف الإعدادات المثالية لفصل دراسي حقيقي بعد.

تجارب "البيانات الحقيقية" (اختبار الضغط)
اختبر الفريق أيضاً "آذان" النظام (الجزء الذي يستمع للمحادثات) على بيانات حقيقية وفوضوية، وإن لم تكن من طلاب.

• قاموا بتغذية النظام بـ 40 تسجيلاً حقيقياً لاجتماعات عمل (حيث كان البالغون يقومون بعمليات تصميم). نجح النظام في معالجة الصوت، حتى مع وجود مقاطعات وكلمات حشو مثل "اممم" و"حسناً"، مما يثبت قدرته على التعامل مع الضجيج في العالم الحقيقي.
• كما اختبروا "كاشف الأسئلة" على 479 نصاً حقيقياً من فصول دراسية للرياضيات (K-12). ووجدوا أنه عندما صنف النظام جملة المعلم كـ "سؤال"، تبعها إجابة من طالب بنسبة 26.5%، مقارنة بـ 22.3% فقط للجمل التي لم يصنفها كذلك. إنه فرق صغير، لكنه يشير إلى أن النظام "يسمع" الأسئلة بشكل صحيح، ولا يكتفي بالتخمين.

ما تستبعده الورقة (وما لا تزال تحاول اكتشافه)

المؤلفون واضحون جداً بشأن ما ليس عليه هذا النظام.

• إنه ليس بديلاً للمعلمين. تم تصميم النظام بمنهج "الإنسان في الحلقة" (Human-in-the-Loop). وهذا يعني أن الذكاء الاصطناعي يعمل كطيار مساعد؛ يمكنه اقتراح إجراءات، ولكن لدى المعلم لوحة تحكم يمكنه من خلالها رؤية لماذا قدم الذكاء الاصطناعي هذا الاقتراح، ويمكنه الضغط على زر "إيقاف" إذا اختلف معه. لا يُسمح للذكاء الاصطناعي باتخاذ قرارات تنتهك القواعد الأخلاقية (مثل عزل طالب متعثر).
• إنه ليس "حلاً سحرياً" لجميع المجموعات. تجادل الورقة صراحة ضد فكرة أن مجرد وضع طلاب متنوعين في غرفة واحدة يجعلهم يتعلمون بشكل أفضل. فبدون هذا النوع من التنظيم، يمكن أن يؤدي التنوع في الواقع إلى عدم المساواة، حيث يهيمن الطلاب الواثقون ويُترك الآخرون خلفهم. MLRE هو الأداة اللازمة لإدارة هذا التنوع، وليس مجرد افتراض أنه يعمل تلقائياً.
• لم يتم إثبات نجاحه في فصل دراسي حقيقي بعد. يعترف المؤلفون بأن جزء "التفاعل الجماعي" في محركهم (الجزء الذي يفهم الديناميكيات الاجتماعية) قد تم اختباره فقط على بيانات وهمية واجتماعات بالغين. إنهم لم يثبتوا بعد أنه يعمل على مجموعات حقيقية من الطلاب يعملون معاً. هذا هو "الجزء المفقود" الذي يحتاجون إلى إيجاده في دراستهم الميدانية المستقبلية.

الخلاصة

تقدم هذه الورقة فكرة جريئة: معلم ذكي يعمل كقائد اجتماعي، ينظم التعلم على المستويات الفردية والثنائية والجماعية في آن واحد. ومن خلال 1000 محاكاة حاسوبية، أظهر المؤلفون أن محركهم يمكنه تحسين عدالة مشاركة الطلاب في المجموعة بشكل كبير، حتى في السيناريوهات الصعبة مثل الأعضاء "المتسلطين" أو "الصامتين". كما أثبتوا أن النظام يمكنه التعامل مع المحادثات الحقيقية والفوضوية دون أن يتعطل.

ومع ذلك، تتوقف الورقة عند حد عدم ادعاء النصر في العالم الحقيقي. فلا يزال طبقة "التفاعل الجماعي" عبارة عن فرضية تحتاج إلى اختبار مع طلاب حقيقيين. يقترح المؤلفون تجربة مستقبلية تشمل 120 طالباً في فصل دراسي حقيقي لمعرفة ما إذا كان هذا القائد الرقمي يمكنه حقاً جعل التعلم أكثر شمولاً وفعالية. وحتى ذلك الحين، يظل MLRE مخططاً قوياً وواعداً—مجموعة من التعليمات لمستقبل يساعدنا فيه الذكاء الاصطناعي ليس فقط على التعلم أكثر، بل على التعلم معاً بشكل أفضل.