An Integrated Explainable AI and Universal Design for Learning (UDL) Framework for Inclusive Special Education Systems

ملخص تقني: إطار عمل متكامل للذكاء الاصطناعي القابل للتفسير والتصميم الشامل للتعلم (UDL) لأنظمة التربية الخاصة الشاملة

بيان المشكلة
تواجه أنظمة التربية الخاصة التقليدية تحديات كبيرة في توفير ظروف تعلم فردية، وشفافة، ومنصفة. إن نموذج "الانتظار حتى الفشل" السائد هو نموذج تفاعلي، حيث يؤدي غالباً إلى تأخير التدخل حتى يظهر العجز الأكاديمي، مما يؤدي بدوره إلى توسيع فجوات التحصيل. علاوة على ذلك، فإن قيود الموارد (مثل ارتفاع نسبة الطلاب إلى المعلمين) تحد من جدوى التعليم المخصص، كما أن صوامع البيانات المنفصلة تمنع الحصول على رؤى قابية للتنفيذ. ورغم أن الذكاء الاصطناعي يوفر إمكانات هائلة للتخصيص القابل للتوسع من خلال التعلم التكيفي والتدريس الذكي، إلا أن طبيعة "الصندوق الأسود" للعديد من نماذج الذكاء الاصطناعي المتطورة تقوض الثقة؛ فهذه الأنظمة الغامضة تحجب مبررات اتخاذ القرار، وتعيق مساءلة المعلمين، وتخاطر بنشر الانحيازات المنهجية المتأصلة في البيانات التاريخية، لا سيما فيما يتعلق بتصنيف وتقييم التربية الخاصة. وبناءً على ذلك، هناك حاجة ماسة لإطار عمل يجمع بين الشمولية التربوية للتصميم الشامل للتعلم (UDL) وشفافية الذكاء الاصطناعي القابل للتفسير (XAI) لدعم التربية الخاصة الشاملة.

المنهجية
تعتمد هذه الدراسة مراجعة منهجية للأدبيات باتباع إرشادات تقرير PRISMA 2020.

• مصادر البيانات: تم إجراء بحث شامل عبر قواعد بيانات Scopus وWeb of Science وERIC وPubMed وGoogle Scholar.
• استراتيجية البحث: شملت الكلمات المفتاحية "الذكاء الاصطناعي القابل للتفسير"، و"التصميم الشامل للتعلم"، و"التربية الخاصة"، و"التعلم الشامل". غطى البحث المنشورات من عام 2019 إلى 2026 (مع ملاحظة أن معايير الأهلية تشمل الفترة من 2010 إلى 2026).
• معايات الاختيار: شملت الدراسات المختارة مقالات محكمة في مجلات علمية، وأوراق مؤتمرات، ودراسات تجريبية مكتوبة باللغة الإنجليزية. استبعدت معايير الاستبعاد الافتتاحيات، والمستخلصات التي تفتقر إلى النص الكامل، والدراسات التقنية البحتة للذكاء الاصطناعي التي تفتقر إلى التركيز التعليمي، ودراسات UDL التي تفتقر إلى التكامل التكنولوجي.
• مجموعة البيانات النهائية: من أصل سجل أولي يضم 1,200 سجل، تم اختيار 165 مصدراً فريداً للمتن النهائي. تضمن ذلك 78 دراسة تجريبية، و52 ورقة مفاهيمية/نظرية، و24 مراجعة منهجية/نطاقية، و11 تقريراً تقنياً.
• نهج التركيب: نظراً للتباين المنهجي، تم استخدام التركيب الموضوعي السردي بدلاً من التحليل التلوي الكمي. تم رسم النتائج مقابل ستة أهداف للدراسة لتحديد الموضوعات، والفجوات، والتداخلات المفاهيمية.

المساهمات الرئيسية
تقدم الورقة ثلاث مساهمات رئيسية للأدبيات:

1. التركيب المنهجي: تقدم أول تركيب شامل للأدلة المتعلقة بدمج XAI وUDL في التربية الخاصة الشاملة، مما يسد الفجوة بين هذين المجالين اللذين كانا مستقلين سابقاً.
2. تحديد الموضوعات: من خلال التركيب السردي، تحدد الدراسة أربعة موضوعات رئيسية: ضرورة القابلية للتفسير في اتخاذ القرار التربوي، وUDL كإطار للتعلم المخصص، وتقارب XAI وUDL من أجل التعليم التكيفي، وتحديات التنفيذ والاعتبارات الأخلاقية المرتبطة بها.
3. مقترح إطار عمل مفاهيمي: يقترح المؤلفون إطار عمل مركب لـ XAI-UDL. يعمل هذا النموذج على مستويين: بنيوي وتربوي:
   • الطبقة التربوية: تحدد مبادئ UDL (وسائل متعددة للمشاركة، والتمثيل، والعمل/التعبير) ما هي التعديلات الضرورية وما هي التفسيرات المفيدة للمتعلمين المتنوعين.
   • الطبقة التقنية: توفر طرق XAI (مثل SHAP وLIME والتفسيرات القائمة على القواعد) الآليات لتوليد تعديلات شفافة ومفهومة.
   • البنية: يتضمن إطار العمل طبقة مدخلات البيانات (التي تجمع البيانات الأكاديمية والسلوكية والديموغرافية وبيانات برنامج التربية الفردي IEP)، ومحرك تنبؤ الذكاء الاصطناعي/تعلم الآلة، ووحدة القابلية للتفسير، ومحرك التكيف التعليمي القائم على UDL، ولوحة دعم قرار المعلم.

النتائج
يكشف تركيب 165 مصدراً عن فوائد تآزرية قوية من دمج XAI وUDL:

• الشفافية والثقة: يحول XAI الذكاء الاصطناعي من "صندوق أسود" إلى أداة شفافة، مما يسمح للمعلمين بالتحقق من المبررات وراء التوصيات. وهذا يبني الثقة، والمساءلة، وفاعلية المتعلم.
• المواءمة التربوية: يوفر UDL الإطار اللازم لترجمة رؤى الذكاء الاصطناذ إلى ممارسات تعليمية ذات معنى. ويضمن التكامل أن يكون التخصيص ليس فقط مدفوعاً بالبيانات، بل أيضاً سليماً تربوياً ومتاحاً.
• التحسينات التجريبية: بالإشارة إلى البيانات التجريبية (تحديداً من نظام "IncluLearn AI")، تشير المراجعة إلى تحسينات ملحوظة في الثقافة الرقمية والقدرة الذاتية على التعلم لدى الطلاب ذوي الإعاقة.
• الميزة النسبية: مقارنة بالأنظمة التكيفية ذات الصندوق الأسود أو الأنظمة القائمة على القواعد، يوفر إطار عمل XAI-UDL المقترح شفافية عالية، وتكيفاً عالياً يتماشى مع مبادئ UDL، وقدرات محسنة في كشف الانحياز.
• قابلية التطبيق في النظام البيئي للولايات المتحدة: تسلط المراجعة الضوء على أن النظام البيئي التعليمي في الولايات المتحدة، الذي يتميز بسياسات مثل IDEA وESSA، ومؤسسات بحثية قوية (مثل CAST)، والابتكار المتقدم في الذكاء الاصطناعي، يوفر بيئة مواتية لتطوير وتوسيع نطاق هذا الإطار.

الأهمية والادعاءات
تدعي الورقة أن إطار عمل XAI-UDL المقترح يوفر مساراً قابلاً للتطبيق نحو بيئات تعلم شفافة، وتكيفية، وشاملة. وتكمن أهميته في تحويل النموذج من الذكاء الاصطناعي كصانع قرار مستقل إلى الذكاء الاصطناعي كأداة لدعم القرار تعزز حكم المعلم.

• الادعاءات المتواضعة: يقر المؤلفون صراحة بأنه بينما التوافق النظري قوي، فإن التحقق التجريبي واسع النطاق من أنظمة XAI-UDL المتكاملة لا يزال محدوداً. يعتمد الكثير من الأدلة الحالية على نماذج مفاهيمية أو نماذج أولية صغيرة الحجم.
• الاتجاهات المستقبلية: تدعو الورقة إلى إجراء دراسات طولية، وأبحاث تنفيذ عابرة للثقافات، وتطوير مقاييس تقييم موحدة قبل التوصية باعتماد الإطار على نطاق عالمي واسع.
• الضرورة الأخلاقية: يُقدم هذا التكامل كأمر ضروري للتنفيذ الأخلاقي للذكاء الاصطناعي، لضمان بقاء أنظمة التربية الخاصة عادلة، وشفافة، وتحترم إرادة المتعلم، لا سيما بالنسبة للفئات الضعيفة.

تخلص الدراسة إلى أن الابتكار التربوي المسؤول يتطلب أن يتم توجيه التقدم التكنولوجي بواسطة مبادئ تربوية راسخة (UDL) وتعزيزه بالشفافية (XAI)، بدلاً من الاعتماد على القدرة التكنولوجية وحدها.