الفصل الثاني: الذكاء الاصطناعي التوليدي في تنمية المهارات البشرية وتقييمها: انعكاساته على الممارسات القائمة وآفاقه الجديدة
دراغان غاشيفيتش، مركز تحليلات التعلم بكلية تقنية المعلومات في جامعة موناش (أستراليا)، ولي شيانغ يان، كلية التربية بجامعة تسينغهوا (الصين)
يُحدث الذكاء الاصطناعي التوليدي تحولاً في المشهد التعليمي بإعادة تشكيل طرق تنمية المهارات وتقييمها ودعمها. ويجمع هذا الفصل الأدلة التجريبية الحديثة حول كيفية تأثير تقنيات الذكاء الاصطناعي التوليدي في الممارسات التدريسية والتغذية الراجعة والتقييم. ويتناول الفرص والحدود المرتبطة باستخدام الذكاء الاصطناعي التوليدي لتقديم تدريس مخصص، وتحسين جودة التغذية الراجعة، وأتمتة ممارسات التقييم. ويدعو الفصل إلى توازن دقيق بين تنمية المهارات البشرية والأداء المعزَّز بالذكاء الاصطناعي، مؤكداً ضرورة دمج الذكاء الاصطناعي التوليدي دمجاً قائماً على أسس تربوية ضمن أطر التدريس الذكي والتقييم. ويختتم بتحديد اتجاهات للبحث والسياسات تضمن أن يعزز الذكاء الاصطناعي التوليدي التعلم البشري والخبرة التدريسية بدلاً من أن يحل محلهما.
مقدمة
أثار التبني الواسع للذكاء الاصطناعي التوليدي، عقب الإطلاق العام لتطبيق ChatGPT في نوفمبر 2022، نقاشات عميقة حول انعكاساته على التعليم. فالذكاء الاصطناعي التوليدي قادر على توفير تقنيات تدعم اكتساب المهارات عبر التدريس المخصص والتغذية الراجعة، وترفع كفاءة الممارسات التدريسية وفاعليتها. غير أنه يطرح في الوقت ذاته تحديات أخلاقية ومخاطر. وقد دفعت تطوراته المربين وقادة التعليم وصانعي السياسات إلى التعامل معه على نطاق واسع، وإعادة النظر في الأطر التربوية وأطر التقييم والحوكمة، بغية تسخير إمكاناته مع الحد من مخاطره. ومن خلال هذه الجهود، أصدرت مؤسسات تعليمية كثيرة سياسات ومبادئ توجيهية لدعم العاملين والطلبة في استخدام الذكاء الاصطناعي التوليدي. وبالمثل، أصدرت منظمات حكومية وحكومية دولية وغير حكومية وغير ربحية كثيرة وثائق تسترشد بها عمليات تبني الذكاء الاصطناعي التوليدي والممارسات المسؤولة وأطر التطوير المهني للمربين. كما حفزت التطورات المتسارعة في هذا المجال كثيراً من الباحثين على دراسة انعكاساته على التعليم والتعلم البشري.
ويهدف هذا الفصل إلى تلخيص الأدلة الحديثة حول انعكاسات الذكاء الاصطناعي التوليدي على تنمية المهارات البشرية وتقييمها، باعتبارهما محور برامج التعليم والتطوير المهني. ويؤطَّر تحليل هذه الانعكاسات على وجه الخصوص من خلال منظورين متكاملين. أولهما أن تقنيات الذكاء الاصطناعي التوليدي تتيح آفاقاً واعدة للنهوض بممارساتنا القائمة المتصلة بتنمية المهارات وتقييمها؛ إذ يمكن استخدامها لتقديم دعم تدريسي تفاعلي، وتقديم تغذية راجعة مخصصة على نطاق واسع، وأتمتة إعداد التقييمات وتطبيقها. وثانيهما أن الذكاء الاصطناعي التوليدي يتحدى افتراضاتنا القائمة حول ممارسات التعلم، ويستدعي طرقاً جديدة للتقييم؛ فمع أنه قادر على رفع الأداء في مواقف معينة، فإنه قد يقيد أيضاً الفاعلية البشرية ويفضي إلى الاعتماد المفرط على الذكاء الاصطناعي. وأخيراً، نحتاج إلى تعزيز مناهج البحث المستخدمة في دراسة تنمية المهارات البشرية وتقييمها في عصر الذكاء الاصطناعي التوليدي، لتجنب إشكالات رُصدت مؤخراً في الأدبيات، كالخلط بين التعلم والأداء.
ويستند هذا الفصل إلى تحليل الأدلة التجريبية المنشورة في الأدبيات البحثية. ويقدم خلاصة للأدلة القائمة حول فاعلية الذكاء الاصطناعي التوليدي في دعم الممارسات الحالية للتدريس والتغذية الراجعة والتقييم، نظراً إلى أدوارها المحورية في التعليم والتطوير المهني. كما يعرض المفهوم الحديث للمهارات الهجينة بين الإنسان والذكاء الاصطناعي، الذي يقر بضرورة دعم تنمية المهارات البشرية مع تحسين الأداء في المهام باستخدام الذكاء الاصطناعي التوليدي. ويختتم الفصل بتقديم انعكاسات على الممارسة والسياسات مستندة إلى الأدلة القائمة، وباتجاهات واعدة للبحث المستقبلي. ويلي ذلك مسرد بالمصطلحات الرئيسية وأنواع الذكاء الاصطناعي التوليدي والتقنيات المرتبطة به في مجال الذكاء الاصطناعي في التعليم.
مسرد المصطلحات
الذكاء الاصطناعي التوليدي: فرع من فروع الذكاء الاصطناعي يُعنى بإنتاج محتوى جديد، كالنصوص أو الصور أو الأصوات، استناداً إلى أنماط متعلَّمة من بيانات قائمة. وتستطيع أنظمته، كالنماذج اللغوية الكبيرة، توليد استجابات شبيهة باستجابات البشر، وأعمال إبداعية، وحلول بصيغ متنوعة.
النماذج اللغوية الكبيرة: نوع من نماذج تعلم الآلة، يقوم في الغالب على التعلم العميق، ويُدرَّب على كميات هائلة من البيانات النصية. وهي قادرة على توليد نصوص متماسكة وملائمة للسياق، والإجابة عن الأسئلة، وأداء طيف واسع من المهام اللغوية، ومن أمثلتها GPT وBERT.
نماذج الانتشار: فئة من النماذج التوليدية تنتج بيانات عالية الجودة، كالصور أو الأصوات، بمحاكاة عملية تدريجية لإضافة التشويش ثم عكسها لاستعادة الإشارة الأصلية. وتشتهر خصوصاً بقدرتها على توليد صور واقعية عالية الدقة.
المحوِّل التوليدي المدرَّب مسبقاً (GPT): نوع من النماذج اللغوية الكبيرة يعتمد بنية المحوِّلات. وتُدرَّب نماذجه مسبقاً على مجموعات بيانات ضخمة، ثم تُضبط ضبطاً دقيقاً لمهام محددة، وهي قادرة على توليد نصوص شبيهة بنصوص البشر في سياقات متنوعة.
BERT (تمثيلات المرمِّز الثنائية الاتجاه من المحوِّلات): نموذج لغوي مدرَّب مسبقاً قائم على المحوِّلات، ومصمم لمهام فهم اللغة الطبيعية. وعلى خلاف GPT الأحادي الاتجاه، يعالج BERT النص في الاتجاهين، مما يحسن قدرته على فهم السياق والمعنى في الجمل. وقد أظهر «فهمه» لسياق النصوص نتائج واعدة في تحليل النصوص في مجال التعليم.
الأمر النصي وهندسة الأوامر النصية: الأمر النصي هو النص المدخل أو التعليمة المقدمة لنموذج الذكاء الاصطناعي التوليدي لإنتاج مخرجات محددة. أما هندسة الأوامر النصية فتعني تصميم الأوامر وتحسينها لتحقيق الاستجابات أو السلوكيات المطلوبة من النموذج، وكثيراً ما يجري ذلك بالتجربة والخطأ.
الأمر النصي دون أمثلة: طريقة في صياغة الأوامر يُنتظر فيها من النموذج أداء مهمة لم يُدرَّب عليها صراحة.
الأمر النصي بمثال واحد: صيغة من صيغ هندسة الأوامر النصية يُعطى فيها النموذج مثالاً واحداً أو تعليمة واحدة قبل أداء المهمة.
الأمر النصي بسلسلة الاستدلال: تقنية في صياغة الأوامر يولد فيها النموذج خطوات استدلال وسيطة قبل تقديم الإجابة النهائية، مما يساعد على تحسين الدقة في المهام المعقدة.
التوليد المعزَّز بالاسترجاع: مقاربة هجينة تجمع بين تقنيات استرجاع المعلومات ونماذج الذكاء الاصطناعي التوليدي. وتسترجع هذه النماذج المعلومات ذات الصلة من قواعد بيانات أو مصادر معرفة ضخمة، وتستخدمها لتوليد مخرجات أكثر دقة ووعياً بالسياق.
أنظمة التدريس الذكية: برمجيات تعليمية قائمة على الذكاء الاصطناعي تقدم للطلبة تدريساً وتغذية راجعة مخصصين. وهي تحاكي التدريس الفردي بتكييف المحتوى والإيقاع ومستوى الصعوبة وفق احتياجات المتعلم وأدائه.
تحليلات التعلم: قياس البيانات المتعلقة بالمتعلمين وسياقاتهم وجمعها وتحليلها والإبلاغ عنها، بهدف فهم التعلم والبيئات التي يحدث فيها وتحسينها. وهي توظف البيانات لتحسين الممارسات التدريسية ونواتج الطلبة.
لوحة تحليلات التعلم: أداة بصرية تعرض بيانات ورؤى آنية حول تقدم المتعلمين وسلوكهم وانخراطهم. وتزود اللوحات عادةً المدرسين والطلبة بتغذية راجعة قابلة للتنفيذ تدعم اتخاذ القرارات والتدخلات.
التغذية الراجعة: عملية يستوعب فيها المتعلمون المعلومات المتعلقة بأدائهم ويستخدمونها لتحسين جودة أعمالهم أو استراتيجيات تعلمهم.
الثقافة في مجال التغذية الراجعة: القدرة على فهم التغذية الراجعة وتفسيرها واستخدامها بفاعلية في عملية التعلم. وتشمل معرفة كيفية الاستجابة لها والعمل بموجبها ودمجها في استراتيجيات التعلم الشخصية.
الممارسات القائمة
تعزيز الدعم التدريسي
الدعم المباشر للطلبة
يُعدّ تقديم دعم تدريسي معزز على نطاق واسع من أبرز مجالات استخدام الذكاء الاصطناعي التوليدي في التعليم. ويقوم ذلك على فكرة توظيف الذكاء الاصطناعي التوليدي لتطوير أنظمة قادرة على تقديم دعم تعلم مخصص. وتستند فكرة الدعم المخصص إلى «مشكلة الانحرافين المعياريين» التي طرحها بلوم، والتي تُظهر الفوائد الكبيرة للتدريس الفردي مقارنةً بأشكال التدريس الأخرى. وقبل الانتشار الواسع للذكاء الاصطناعي التوليدي، دُرست فاعلية دعم التعلم المخصص طويلاً في أدبيات الذكاء الاصطناعي في التعليم، مع تركيز خاص على أنظمة التدريس الذكية، وأسفر ذلك عن تطوير كثير من أنظمة التدريس الفعالة، مثل SQL Tutor وMetaTutor وCognitive Tutors. وتتصل بالمحاولات الحالية لتقديم دعم تعلم مخصص بوجه خاص أنظمةُ تدريس ذكية مثل AutoTutor وBEETLE، التي صُممت أصلاً لتقديم التدريس عبر الحوار بلغة طبيعية. كما أسهمت هذه البحوث في تطوير كثير من أنظمة التدريس التجارية، مثل MATHia القائم على Cognitive Tutor، وALEKS. ومع ذلك، يظل التطوير السريع لمثل هذه الأنظمة تحدياً قائماً.
ويقدم الذكاء الاصطناعي التوليدي مقاربات واعدة يمكن استخدامها في التطوير السريع لأنظمة تدريسية تقدم دعماً مخصصاً. فتحديداً، يمكن توظيف الذكاء الاصطناعي التوليدي، عبر النماذج اللغوية الكبيرة، لتطوير روبوتات محادثة تدريسية. ومن أبرز الأمثلة روبوت المحادثة Khanmigo التابع لأكاديمية خان، الذي يستخدم النماذج اللغوية الكبيرة لتقديم تدريس متدرج على الطريقة السقراطية في مجالات دراسية متنوعة. وبوصفه واحداً من روبوتات محادثة توليدية كثيرة ناشئة في التعليم، يوضح Khanmigo كيف تستطيع هذه التقنيات توسيع نطاق دعم التعلم المخصص وتوسيع فرص استقلالية المتعلم واستكشافه. غير أنه، حتى وقت كتابة هذا الفصل، لم تُنشر دراسات تقيّم فاعلية Khanmigo في التعلم، وإن كانت هناك تجربة عشوائية مضبوطة واحدة على الأقل مسجلة مسبقاً وجارية في كندا.
ولا تزال الأدلة على فاعلية الذكاء الاصطناعي التوليدي في تعزيز الدعم التدريسي آخذة في التشكل، وتقدم تأييداً متبايناً. فعلى سبيل المثال، أظهرت تجربة عشوائية مضبوطة أُجريت في جامعة هارفارد آثاراً كبيرة، تراوحت بين 0.73 و1.3 انحراف معياري، لمعلم ذكي قائم على ChatGPT مقارنةً بمن حضروا صفوف التعلم النشط الحضورية في مقرر للفيزياء لطلبة المرحلة الجامعية الأولى. كما أعلن البنك الدولي مؤخراً نتائج تجربة عشوائية مضبوطة في تسع مدارس ثانوية في نيجيريا، وُزِّع فيها الطلبة عشوائياً بين مجموعة تجريبية حصلت على إمكانية استخدام Microsoft Copilot القائم على GPT4 في برنامج بعد الدوام المدرسي، ومجموعة ضابطة لم تحصل عليها. وتلقى طلبة المجموعة التجريبية تعليمات من المعلمين حول كيفية استخدام Copilot، بما في ذلك الأوامر النصية، وعملوا في أزواج مع طلبة آخرين. وأظهرت النتائج آثاراً إيجابية لهذا التدخل بحجم أثر بلغ 0.31 انحراف معياري. غير أن هذا الحجم كان أدنى من متوسط حجم الأثر المرصود في التحليلات البعدية لفاعلية أنظمة التدريس الذكية، والذي يتراوح بين 0.42 و0.57 انحراف معياري وفق أحد التحليلات، ويبلغ 0.66 وفق تحليل آخر. ويوحي ذلك بأن المعلمين الأذكياء السابقين ربما كانوا أكثر فاعلية، على الرغم من اختلاف السياق. ومع ذلك، تتسق نتائج دراسة البنك الدولي مع النطاق المرصود في تدخلات التعلم بمساعدة الحاسوب الواعدة، والتي حُددت لها أحجام أثر تتراوح بين 0.18 و0.63 انحراف معياري للبرامج المخصصة والتكيفية، ولا سيما في الرياضيات. كما بيّنت دراسة البنك الدولي أن الطلبة ذوي الأداء الأكاديمي السابق المرتفع والمستوى الاجتماعي والاقتصادي المرتفع استفادوا بوجه خاص من هذه التدخلات، وهو ما أظهرته دراسة أخرى كذلك. ومع أن هذه النتائج صادرة عن سياق يُرجح أن تكون الفوارق الاجتماعية والاقتصادية فيه أشد وضوحاً منها في معظم دول المنظمة، فإنها تشير مع ذلك إلى أن أنظمة التدريس القائمة على الذكاء الاصطناعي التوليدي قد تفيد فئات معينة من الطلبة على نحو غير متناسب. ولا بد من بحوث مستقبلية في بيئات تعليمية متنوعة لتأكيد هذا النمط.
وقد تكون لطريقة تهيئة نظام التدريس القائم على الذكاء الاصطناعي التوليدي وطريقة استخدامه انعكاسات عميقة على التعلم. ففي تجربة ميدانية واسعة النطاق في صفوف الرياضيات بالمرحلة الثانوية، تبيّن أنه في حين حسّن المعلمون الأذكياء القائمون على GPT4 الأداء أثناء الاستخدام بنسبة وصلت إلى 127%، فإن الطلبة الذين استخدموا روبوت محادثة قياسياً شبيهاً بـChatGPT جاء أداؤهم أسوأ من المجموعة الضابطة بنسبة 17% بعد سحب إمكانية استخدام الروبوت. ولم يستخدم طلبة المجموعة الضابطة أي دعم تدريسي قائم على الذكاء الاصطناعي التوليدي إلى جانب التدريس الصفي التقليدي. وقد خُفِّف هذا الأثر السلبي لاستخدام الذكاء الاصطناعي التوليدي في نسخة صُممت بضمانات تعلمية، مما يوحي بأن الأنظمة سيئة التهيئة قد تقوض التعلم على المدى الطويل.
وبالمثل، بيّنت دراسة أخرى أن معلماً ذكياً قائماً على ChatGPT لتعلم البرمجة بلغة Python لم يكن له أثر إجمالي في التعلم، لكن أثره توقف على أنماط الاستخدام. فالطلبة الذين اعتمدوا عليه اعتماداً كبيراً مالوا إلى تغطية نطاق أوسع من الموضوعات، لكنهم كوّنوا فهماً أكثر سطحية، في حين اكتسب من استخدموه لاستكمال تعلمهم فهماً أعمق. كما وسّع استخدامه فجوات الأداء بين الطلبة ذوي المعرفة السابقة المرتفعة والمنخفضة. وخلاصة القول، أبرزت هاتان الدراستان أن الاستراتيجيات التدريسية المضمَّنة في تصميم الأنظمة التدريسية القائمة على الذكاء الاصطناعي التوليدي، وطريقة استخدام الطلبة لها، عاملان رئيسيان ينبغي مراعاتهما في البحث والممارسة. وينبغي للبحوث المستقبلية أيضاً أن تدرس أفضل السبل للجمع بين النماذج التوليدية ونماذج الذكاء الاصطناعي التقليدية، وأن تبحث فاعلية المقاربات التربوية المختلفة التي تعتمدها هذه الأنظمة، والعوامل، كالمهارات ما وراء المعرفية، التي تفسر اختلاف أنماط استخدام الطلبة. ومن المهم كذلك دراسة كيفية الدمج الفعال بين نماذج الذكاء الاصطناعي التقليدية والتوليدية، بحيث يعزز هذا الدمج التعلم البشري بالجمع بين مواطن قوة كل طبقة مع تقليص المخاطر، بما فيها الهلوسات التي قد تمس الموثوقية.
ويتطلب الدعم التدريسي الفعال الذي تقدمه الأنظمة المدعومة بالذكاء الاصطناعي التوليدي الاتساقَ مع الخبرة المثبتة في تطوير أنظمة التدريس الذكية. فعلى الرغم من تكرار الإشارة إليها في التطورات الحديثة، لا تتبع الأنظمة التدريسية المدعومة بالذكاء الاصطناعي التوليدي البنية المعتادة لأنظمة التدريس الذكية، التي تقوم في جوهرها على نماذج المتعلم، ونماذج المعلم، ونماذج المجال، وواجهة المستخدم. وتعتمد معظم الأنظمة التدريسية القائمة على الذكاء الاصطناعي التوليدي أساساً على النماذج اللغوية الكبيرة لتغطية وظائف هذه المكونات الأربعة جميعها. ومع أن واجهات المستخدم القائمة على التفاعل بلغة طبيعية قد تكون متقدمة جداً مع هذه النماذج، فإن دعم المكونات الثلاثة الأخرى أقل وضوحاً. فعلى الرغم من قدرة النماذج اللغوية الكبيرة على أداء وظائف نموذجي المجال والمعلم إلى حد ما، فإن البحوث والأدلة حول كيفية ضمان جودتها محدودة حالياً. وتحديداً، لا تستطيع هذه النماذج، بسبب طبيعتها العشوائية وميلها إلى الهلوسة، أن تضمن موثوقية المعلومات التي يغطيها نموذج المجال. وتُظهر البحوث القائمة أن النماذج اللغوية الكبيرة قد تتشتت بسهولة وتلتزم التزاماً غير متسق بالتعليمات المقدمة في الأوامر النصية الأساسية. ولذلك تلزم بحوث مستقبلية لتقييم مدى قدرة هذه النماذج على الالتزام المتسق باستراتيجية تدريس معينة لتحقيق آثار طويلة المدى. كما تلزم أعمال مستقبلية لتطوير مقاربات حاسوبية فعالة ترفع مستوى التزام النماذج اللغوية الكبيرة باستراتيجيات تدريس فعالة بمرور الوقت. وأخيراً، ثمة أدلة ضئيلة جداً في الأدبيات على أن الأنظمة التدريسية القائمة حالياً على الذكاء الاصطناعي التوليدي تتضمن أي نماذج للمتعلم، مع أن هذه النماذج ضرورية تحديداً لفهم الاحتياجات الفردية للطلبة استناداً إلى تتبع تطور معارفهم ومقاربات التعلم التي يتبعونها، بغية تقديم دعم تكيفي ومخصص. وتُظهر أدلة حديثة أن الأدوات المعتمدة على النماذج اللغوية الكبيرة وحدها لا توفر سوى قدر محدود من التكيف مقارنةً بأنظمة التدريس الذكية التقليدية. ولا بد من بحوث مستقبلية لمعالجة هذه الاحتياجات البنيوية الحاسمة، وتحديد طرق فعالة لدمج النماذج اللغوية الكبيرة في بنى التدريس الذكي بما يعزز الفاعلية التدريسية.
دعم المعلمين
لا يلزم بالضرورة أن يتم تعزيز الدعم التدريسي من خلال تقديم تدريس مباشر للطلبة؛ إذ يمكن للمعلمين أيضاً أن يستفيدوا من الذكاء الاصطناعي التوليدي في مهام الإعداد للتدريس وفي أثناء ممارسة التدريس الفعلية. فعلى سبيل المثال، GPTeach أداة تفاعلية لتدريب المعلمين تتيح للمربين المبتدئين التدرب على التدريس مع طلبة يحاكيهم GPT. وقد أظهرت تقييمات هذه الأداة قدرتها على تعزيز استعداد المعلمين وثقتهم، وإتاحة فرص تدريب قيّمة مصممة لسيناريوهات تدريسية متنوعة. وفي السياق ذاته، يُعدّ Tutor CoPilot نظاماً مدعوماً بالذكاء الاصطناعي التوليدي يقدم للمعلمين الخصوصيين توجيهاً آنياً شبيهاً بتوجيه الخبراء في أثناء جلسات التدريس المباشرة. وهذه المقاربة وثيقة الصلة بدعم الطلبة من خلال تعبئة قوة عاملة أقل خبرة ومعالجة مشكلة نقص المعلمين. وفي تجربة عشوائية مضبوطة شملت 900 معلم خصوصي و1800 طالب من رياض الأطفال حتى الصف الثاني عشر من مجتمعات عانت تاريخياً من نقص الخدمات، أشارت النتائج إلى أن الطلبة الذين أتيح لمعلميهم استخدام الأداة كانوا أرجح بأربع نقاط مئوية في إتقان الموضوعات، ورُصدت أكبر الفوائد لدى طلبة المعلمين الأدنى تقييماً، الذين شهدوا تحسناً بتسع نقاط مئوية. فضلاً عن ذلك، كان المعلمون الخصوصيون المستخدمون للأداة أميل إلى توظيف استراتيجيات تربوية عالية الجودة، كطرح الأسئلة التوجيهية، وأقل ميلاً إلى تقديم الإجابات المباشرة. ومع أن الدراسات المتعلقة بـGPTeach وTutor CoPilot واعدة جداً، فلا بد من بحوث مستقبلية لفهم مدى تبني هذه الأنظمة وفاعليتها في سياقات تعليمية ودولية متنوعة. ولا تقل أهمية البحوث المستقبلية الرامية إلى فهم مدى استيعاب المعلمين للممارسات التدريسية التي تدعمها هذه الأداة بمرور الوقت ضمن نموهم المهني، وما إذا كانت قد تفضي إلى اعتماد مفرط على الذكاء الاصطناعي التوليدي يعوق تنمية مهارات التدريس البشرية لديهم.
ويستطيع الذكاء الاصطناعي التوليدي دعم المعلمين في طيف من المهام، مع نتائج متباينة من حيث الفاعلية والكفاءة. فمع أن التخطيط للدروس يُطرح كثيراً بوصفه أحد المجالات الرئيسية في الممارسة التدريسية التي يمكن أن تستفيد من الذكاء الاصطناعي التوليدي، فإن الأدلة على فاعليته لا تزال في طور التشكل. فعلى سبيل المثال، قيّمت دراسة أداة Shiksha Copilot للتخطيط للدروس بمساعدة الذكاء الاصطناعي، والتي نُشرت في مدارس بالهند. وفي دراسة واسعة النطاق متعددة المناهج شملت المقابلات والاستبانات وسجلات الاستخدام، تبيّن أن المعلمين استخدموا الأداة لتلبية متطلبات التوثيق الإداري ودعم تدريسهم. وارتبط استخدامها بانخفاض وقت التخطيط للدروس، بأحجام أثر تراوحت بين صغيرة وكبيرة (بين 0.371 و0.658 وفق مقياس d لكوهين)، وبانخفاض الضغوط المرتبطة بالتدريس (0.436 وفق المقياس ذاته)، مع تعزيز التحول نحو التربية القائمة على الأنشطة. غير أن تحديات منهجية، كنقص الكوادر والمتطلبات الإدارية، حدّت من التغيير التربوي الأوسع. وفي المقابل، أجرت دراسة أخرى مقابلات مع معلمين في السويد وأستراليا حول تجاربهم مع أدوات الذكاء الاصطناعي التوليدي في المهام الإدارية، وأبرزت الجهد الكبير الذي يفيد المعلمون بأنهم يبذلونه في مراجعة المخرجات المولدة بالذكاء الاصطناعي وإصلاحها وإعادة صياغتها. وتشير نتائجها إلى أن الوعد بتوفير الوقت في أدوات الذكاء الاصطناعي قد يتجاهل الأحكام المهنية المعقدة التي يتعين على المعلمين إصدارها بشأن الملاءمة التربوية والعلاقات الاجتماعية والقيمة التعليمية. غير أن هذه النتائج قائمة على التقارير الذاتية، أي المقابلات، التي يُرجح ألا تقدّر الوقت المستغرق في استخدام التقنية تقديراً موثوقاً، بينما يوفر تحليل سجلات الاستخدام مقاربة أدق وأقل تحيزاً. وعلى خلاف الدراسة الهندية المستندة إلى تحليل سجلات الاستخدام لتقديم تقديرات أكثر موثوقية لوقت الاستخدام، تبرز الدراسة السويدية الأسترالية ضرورة مراعاة العمل الخفي للمعلمين الذي قد لا ترصده سجلات الاستخدام. ومع ذلك، فبما أن الدراسة الهندية قارنت التخطيط للدروس المدعوم بالذكاء الاصطناعي التوليدي بخط أساس لا يستخدمه، فقد يكون جزء من هذا العمل الخفي قد انعكس بالفعل في تحليلها. ويبرز ذلك أهمية أطر تقييم منصفة وقابلة للمقارنة سياقياً، تراعي كيفية تطبيق أدوات الذكاء الاصطناعي التوليدي وكيفية قياس استخدام المعلمين لوقتهم عبر الدراسات. وبالنظر إلى الدور الجوهري للمعلمين في التعليم، يؤكد ذلك أهمية استكشاف مبادئ التصميم واستراتيجيات التبني المؤسسي والانعكاسات الأوسع لتبني تقنيات الذكاء الاصطناعي التوليدي في دعم التدريس.
تحسين ممارسات التغذية الراجعة
يُعدّ تقديم التغذية الراجعة المؤتمتة من أكثر مجالات تطبيق الذكاء الاصطناعي التوليدي إلحاحاً في التعليم. فالتغذية الراجعة تمثل تحدياً مزمناً في التعليم العالي، حيث لا تقابل الزيادة في أعداد الطلبة زيادة متناسبة في موارد التدريس. وهي تحدٍّ أيضاً على المستوى المدرسي في السياقات التي ترتفع فيها نسب الطلبة إلى المعلمين، أو حين يدرّس المعلمون مادة ذات ساعات قليلة في المنهج، ومن ثم صفوفاً وطلبة كثيرين. وقد جعل هذا التوتر البنيوي تقديم تغذية راجعة في وقتها ومحددة الهدف وفردية على نطاق واسع أمراً عسيراً، وفق مبادئ التغذية الراجعة الفعالة والمتمحورة حول المتعلم. فالتغذية الراجعة قادرة على تحسين تقدم التعلم ودعم تنمية العلاقات بين الطلبة والمربين. وكما سيتبين في بقية هذا القسم، يحمل الذكاء الاصطناعي التوليدي وعوداً كبيرة في إتاحة التوليد السريع والواسع للتغذية الراجعة عبر وسائط متعددة، مع إمكانية تعزيز قابليتها للتوسع وجودتها، بل والثقافة في مجال التغذية الراجعة ذاتها.
توليد التغذية الراجعة وتحليل جودتها
تبيّن أن الذكاء الاصطناعي التوليدي واعد في تقديم التغذية الراجعة على المنتجات المكتوبة للطلبة في التعليم العالي. ففي دراسة حديثة، قارن باحثون التغذية الراجعة المولدة بالنماذج اللغوية الكبيرة بتلك التي يقدمها المدرسون البشريون، من حيث المقروئية، وتشابه نقاط القوة والضعف المحددة، والمستويات التي قُدمت عليها التغذية الراجعة. واستندت مستويات التغذية الراجعة إلى إطار هاتي وتيمبرلي المرجعي الذي يميز بين التغذية الراجعة على المهمة (الصحة)، والعملية (استراتيجيات التعلم)، والتنظيم الذاتي (مراقبة التعلم)، والذات (السمات الشخصية والدافعية). وفي هذا الإطار، يُعترف على نطاق واسع بأن التغذية الراجعة ذات المستوى الأعلى، ولا سيما على مستويي العملية والتنظيم الذاتي، أكثر قيمة تعليمية ومؤشر رئيسي على جودة التغذية الراجعة، لأنها تدعم التعلم العميق واستقلالية المتعلم. وكشفت النتائج أن الذكاء الاصطناعي التوليدي، ممثلاً في GPT3.5 وGPT4، مال إلى إنتاج تغذية راجعة أيسر قراءة وأكثر صقلاً أسلوبياً بحجم أثر كبير جداً (d = 1.79) مقارنةً بالتغذية الراجعة التي قدمها المربون البشريون. ولم تكن هذه النتيجة مفاجئة إلى حد ما، إذ يعمل المقيّمون البشريون في الغالب تحت ضغوط زمنية صارمة، ويقدمون تغذية راجعة موجزة نسبياً. غير أن الدراسة كشفت أيضاً عن اتساق محدود بين ما حددته التغذية الراجعة المولدة وما حدده المدرسون البشريون من نقاط قوة وضعف في أعمال الطلبة وفق سلم التقدير. كما بيّنت أن نماذج GPT، ولا سيما GPT4، استطاعت إنتاج تغذية راجعة تقدم توجيهاً بشأن اختيار استراتيجيات التعلم مستقبلاً، أي تغذية راجعة على مستوى العملية، في أكثر من 97% من الحالات. واللافت أن هذه النسبة كانت أعلى مما رُصد في التغذية الراجعة البشرية، التي كانت على مستوى العملية في نحو 80% من الحالات. غير أن GPT4 كان أقل قدرة بكثير على إنتاج تغذية راجعة على مستوى التنظيم الذاتي، إذ لم يتجاوز ذلك 17% من الحالات، وإن ظلت هذه النسبة أعلى مما قدمه المدرسون البشريون الذين لم يقدموا تغذية راجعة على مستوى التنظيم الذاتي إلا في 11% من الحالات. ويبرز ذلك صعوبة تقديم تغذية راجعة على مستوى التنظيم الذاتي، حيث يُوجَّه المتعلمون إلى مراقبة تعلمهم بأنفسهم، وهو تحدٍّ بالغ الأهمية في عصر الذكاء الاصطناعي التوليدي كما سيتبين لاحقاً.
ويمكن استخدام الذكاء الاصطناعي التوليدي أيضاً لتوليد تغذية راجعة توجه الطلبة استناداً إلى نتائج النمذجة التنبؤية. فالتنبؤ المبكر بالطلبة المعرضين لخطر الرسوب أو التسرب كان منذ زمن طويل في صميم البحث والممارسة في مجال تحليلات التعلم. غير أن تحويل نتائج النمذجة التنبؤية إلى تغذية راجعة قابلة للتنفيذ لم يحظ إلا باهتمام أقل بكثير. ومن الأمثلة البارزة التي حققت نجاحاً كبيراً في تحسين تعلم الطلبة وتجربتهم نظام OnTask، الذي أتاح للمربين كتابة قواعد يدوياً لتوليد تغذية راجعة مخصصة استناداً إلى بيانات الطلبة. ومع أنه كان أكفأ بكثير من الكتابة اليدوية للتغذية الراجعة على نطاق واسع، فقد ظل عاجزاً عن تحويل النتائج التفصيلية للنمذجة التنبؤية إلى تغذية راجعة قابلة للتنفيذ، كالنصح بالتمارين التي ينبغي أداؤها. ولمعالجة هذا التحدي، اقترح باحثون مقاربة لتحويل نتائج النمذجة التنبؤية إلى تغذية راجعة مخصصة باستخدام GPT4، وقد قيّمها مربون ذوو خبرة بأنها «قابلة للتطبيق مباشرة في المقرر»، وبأنها أعلى من التغذية الراجعة البشرية من حيث المقروئية والخصائص العلائقية والتحديد. غير أنه لا بد حالياً من بحوث مستقبلية لتقييم فاعلية هذه التغذية الراجعة المخصصة في نواتج التعلم واستبقاء الطلبة، ومدى استخدام الطلبة فعلياً للتغذية الراجعة المولدة بالذكاء الاصطناعي والعمل بموجبها.
ويمكن استخدام الذكاء الاصطناعي التوليدي كذلك للتحقق من جودة التغذية الراجعة بغية تعميم أفضل الممارسات على نطاق واسع. وقد أثبتت بحوث سابقة إمكانات استخدام تعلم الآلة التقليدي للتعرف إلى مدى اتباع التغذية الراجعة البشرية للنماذج الراسخة في هذا المجال. فعلى سبيل المثال، استخدمت إحدى الدراسات نموذج تعلم آلي من نوع XGBoost مدرباً على سمات لغوية راسخة، كالتماسك واستخدام الكلمات المعرفية، لتحديد مستويات الذات والمهمة والعملية في التغذية الراجعة، بقيم دقة بلغت 0.87 و0.82 و0.69 على التوالي. وفي دراسة حديثة، قيّم باحثون أداء GPT3.5 باستخدام أوامر نصية دون أمثلة في تحديد عناصر التغذية الراجعة المتمحورة حول المتعلم في مجموعة بيانات كبيرة تضم أكثر من 16 ألف رسالة تغذية راجعة في التعليم العالي. وأظهر GPT3.5 نتائج واعدة، بدقة تراوحت بين 0.53 و0.97 عبر السمات السبع للتغذية الراجعة المتمحورة حول المتعلم. غير أن نماذج تعلم الآلة التقليدية، مثل XGBoost والغابات العشوائية، القائمة على السمات اللغوية كالتماسك وعدد الكلمات، تفوقت عليه باستمرار، في حين جاء أداء BERT موثوقاً في جميع الحالات تقريباً، بدقة تراوحت بين 0.91 و0.99. كما ظهرت الدقة الأعلى لتعلم الآلة التقليدي مقارنةً بـChatGPT في تقييم جودة التغذية الراجعة بين الأقران. وبالمثل، بيّنت دراسة أن GPT4o استطاع تحديد تسع من عشر خصائص علائقية للتغذية الراجعة بمتوسط دقة تجاوز 80%؛ فقد تعرف النموذج بنجاح مثلاً إلى التغذية الراجعة التي تقر بمواطن قوة الطلبة، وتقدم ملاحظات نقدية متوازنة، وتتضمن مقترحات عملية للتحسين. ومع ذلك، لم تجد الدراسة زيادة ذات دلالة عند استخدام استراتيجيات الأوامر النصية بأمثلة قليلة مقارنةً بالأوامر دون أمثلة. وتشير هذه النتائج إلى أنه في حين توفر مقاربات صياغة الأوامر مع GPT مدخلاً واعداً وميسوراً لانخفاض عتبتها التقنية، فإن تحقيق دقة عالية ومتسقة لا يزال يتطلب أساليب تعلم الآلة التقليدية ونماذج لغوية مثل BERT.
وتتيح الفروق في الأداء بين الذكاء الاصطناعي التوليدي والمربين البشريين فرصاً جديدة لاستكمال فاعلية المدرسين البشريين وتعزيزها. فعلى سبيل المثال، يستطيع الذكاء الاصطناعي التوليدي تحديد النقاط الإيجابية والسلبية في التغذية الراجعة، ليستخدمها المربون مقترحاتٍ لتحسين مسودات تغذيتهم الراجعة. وهو ما يقترحه أيضاً باحثون يرون أن الذكاء الاصطناعي التوليدي قادر على تقديم تغذية راجعة فورية ومخصصة على الجوانب الدنيا في المنتجات المكتوبة، كالنحو والمفردات وبنية الجملة، وهو ما قد يتيح للمعلمين التركيز على مهارات التفكير العليا وعمق المحتوى والحِجاج، حيث يظل الحكم البشري حاسماً. وتشير نتائج الدراسة المشار إليها آنفاً إلى أن الذكاء الاصطناعي التوليدي قادر على المساعدة في تعزيز التغذية الراجعة البشرية بممارسات التغذية الراجعة الفعالة. وتنطوي هذه المقاربة الهجينة على إمكانية رفع الكفاءة دون المساس بالحكم التربوي، وينبغي للبحوث والممارسات المستقبلية تقييم فاعليتها. وعلى الرغم من كل هذه الوعود، لا تزال الأدوات المتخصصة التي تعزز هذه المقاربة الهجينة لدى المربين في بداياتها. فعلى سبيل المثال، طُوِّرت أداة Feedback Copilot بدمج مبادئ التصميم المشترك لإنشاء واجهات مستخدم فعالة توظف الذكاء الاصطناعي التوليدي، ولم تُقيَّم فاعليتها في الممارسة بعد، مما يبرز فجوة بحثية مهمة واتجاهاً للبحث المستقبلي.
فاعلية التغذية الراجعة المولدة بالذكاء الاصطناعي التوليدي
استكشف عدد متنامٍ من البحوث كيفية إدراك الطلبة للتغذية الراجعة المولدة بالذكاء الاصطناعي التوليدي واستجابتهم لها، ولا سيما مقارنةً بالتغذية الراجعة البشرية. وقد أظهرت الدراسات أن الطلبة يميلون إلى العمل بالتغذية الراجعة المقدمة من المدرسين البشريين بسهولة أكبر من تلك المقدمة من أدوات الذكاء الاصطناعي التوليدي. ومع ذلك، كثيراً ما وجد الطلبة التغذية الراجعة التوليدية محددة وواضحة، ولا سيما في المهام التقنية. غير أن دراسات عدة تبرز أيضاً مخاوف بشأن فائدتها المتصورة وجدارتها بالثقة. ومع أن هذه الدراسات تختلف في تركيزها وتصميمها المنهجي، بدءاً بالتقييمات شبه التجريبية لنواتج التعلم، مروراً بالمقارنات العشوائية المضبوطة بين تغذية المدرسين الراجعة وتغذية الذكاء الاصطناعي، وانتهاءً بدراسات التصورات الواسعة النطاق في سياقات التعليم العالي، فإنها تشير باتساق إلى تدني الفائدة المتصورة والثقة في التغذية الراجعة المولدة بالذكاء الاصطناعي مقارنةً بالتغذية الراجعة البشرية.
وإجمالاً، تشير الأدلة الحالية إلى أن التغذية الراجعة المولدة بالذكاء الاصطناعي التوليدي، وإن أمكنها أن تضاهي التغذية الراجعة البشرية في نواتج التعلم القابلة للقياس، لا تعيد إنتاج قيمتها التربوية ولا مصداقيتها الاجتماعية. فعلى سبيل المثال، لم تجد إحدى الدراسات فروقاً ذات دلالة في نواتج التعلم بين الطلبة الذين تلقوا تغذية راجعة من GPT4 ومن تلقوها من المدرسين، وإن انقسم المشاركون بالتساوي في تصوراتهم لفائدتها. ومع أن ذلك قد يبدو دالاً على تكافؤ وظيفي، فإن تقارب الأداء لا يعني قابلية التبادل التربوي. فكما بيّن تحليل بعدي حديث شمل 41 دراسة، تحقق التغذية الراجعة المولدة بالذكاء الاصطناعي والتغذية الراجعة البشرية مكاسب تعلم متشابهة إحصائياً، غير أن الطلبة رأوا التغذية الراجعة البشرية أكثر مصداقية ومعنى. ويشير هذا التمييز إلى الدور الأوسع للتغذية الراجعة في تشكيل الدافعية والحكم التقويمي وثقة المتعلم، وهي أبعاد يظل من الصعب على أنظمة الذكاء الاصطناعي التوليدي محاكاتها حتى حين تتكافأ مقاييس النواتج. وبالمثل، أفادت دراسة بأن التغذية الراجعة البشرية عُدَّت أكثر فائدة بدرجة ذات دلالة، وأن الطلبة الذين تلقوها أظهروا تحسناً أكبر في درجات المختبر في البرمجة بلغة Java. وفي دراسة ذات صلة، تبيّن أن تصورات الطلبة للتغذية الراجعة تفاوتت بحسب هوية مقدمها؛ فحين كان المصدر مجهولاً، قيّم الطلبة التغذية الراجعة المولدة بالذكاء الاصطناعي تقييماً أفضل، أما حين كُشف المصدر، فقد منحوا ثقة أكبر للتغذية الراجعة البشرية. ورغم الصلة الوثيقة بالثقة، لم تحظ آثار هلوسات الذكاء الاصطناعي التوليدي في تقبل التغذية الراجعة إلا باهتمام ضئيل في الأدبيات، وهي جديرة بالاهتمام مستقبلاً. كما جاءت تصورات الإنصاف متناقضة إلى حد ما؛ فبينما وجدت بعض الدراسات أن الطلبة قيّموا التغذية الراجعة التوليدية بأنها منصفة، رصدت دراسات أخرى العكس.
وقد أظهرت التغذية الراجعة المولدة بالذكاء الاصطناعي التوليدي أيضاً إمكانات لدعم عمليات ما وراء معرفية مهمة. فقد بيّنت دراسة أن التغذية الراجعة التوليدية المنظمة على مهام الكتابة حسّنت تحسيناً ملحوظاً دقة التقييم الذاتي لدى الطلبة، وهي مهارة أساسية للتعلم المستقل. غير أن هذه الإمكانات لا تتحقق دائماً؛ إذ وجدت دراسة أخرى أن الطلبة ذوي الثقافة المتدنية في مجال التغذية الراجعة لم يتفاعلوا إلا تفاعلاً ضئيلاً مع أداة دعم قائمة على الذكاء الاصطناعي التوليدي، وكثيراً ما كان ذلك بسبب عدم التوافق بين ردود الأداة وتوقعاتهم. وتشير هذه النتائج إلى أن أثر التغذية الراجعة التوليدية لا يتوقف على خصائصها التقنية فحسب، بل يتوقف أيضاً على استعداد المتعلمين لتفسيرها وتطبيقها بفاعلية. وكما يرى باحثون، فإن تعزيز الانخراط في التغذية الراجعة في سياق الذكاء الاصطناعي التوليدي يتطلب التنمية الصريحة لثقافة الطلبة في مجال التغذية الراجعة، بما في ذلك مهارات هندسة الأوامر النصية والحكم التقويمي وما وراء المعرفة، لتيسير تفاعل أعمق وأكثر معنى مع الذكاء الاصطناعي التوليدي في ممارسات التغذية الراجعة. وينبغي للبحوث المستقبلية أن تسعى إلى أمرين: أولهما بحث مدى إمكانية تعزيز ثقافة الطلبة في مجال التغذية الراجعة ليتعاملوا مع التغذية الراجعة المولدة بالذكاء الاصطناعي بفاعلية أكبر وبروح نقدية، وثانيهما فهم ما إذا كانت هذه الثقافة تمكّن المتعلمين من تحسين نواتج تعلمهم عند استخدام التغذية الراجعة المولدة بالذكاء الاصطناعي.
ما وراء التغذية الراجعة النصية
يستطيع الذكاء الاصطناعي التوليدي دعم توليد التغذية الراجعة بوسائط مختلفة تتجاوز النص. فعلى سبيل المثال، تقدم تحليلات التعلم لوحات المعلومات بوصفها مقاربة بديلة وفعالة من حيث التكلفة لتقديم التغذية الراجعة استناداً إلى تحليل بيانات الطلبة. غير أن لوحات تحليلات التعلم لم تحقق كامل إمكاناتها، ومن أبرز أسباب ذلك محدودية ثقافة المربين والطلبة في مجال التمثيل البصري للبيانات، مما يصعّب عليهم فهم ما تكشفه الإحصاءات والرسوم المختلفة وتحويله إلى إجراءات. ولمعالجة هذا القصور، يستطيع الذكاء الاصطناعي التوليدي أن يقدم مقاربتين متكاملتين.
أولاهما أن الذكاء الاصطناعي التوليدي يستطيع توفير طبقة توجه المربين والمتعلمين لتحسين قدرتهم على فهم لوحات المعلومات فهماً دقيقاً. فعلى سبيل المثال، طوّر باحثون أداة تسمى VizChat، تتيح للطلبة والمربين التفاعل مع روبوت محادثة يساعدهم على فهم البيانات المعروضة في لوحة المعلومات عبر طرح الأسئلة. وحين هُيِّئت الأداة في الوضع الاستباقي، أي باستخدام أسئلة تدعيمية، عززت تعزيزاً ملحوظاً فهم لوحات تحليلات التعلم مقارنةً بوضع المحادثة السلبي، أي الرد على استفسارات الطلبة على غرار ChatGPT، ومقارنةً بالدعم التدعيمي المستقل. والأهم أن هذه الفوائد استمرت حتى حين لم يعد الطلبة قادرين على استخدام الوضع الاستباقي. وبناءً على هذه النتائج الواعدة، ينبغي للبحوث المستقبلية بحث مدى قدرة المتعلمين والمربين على تحويل ما يستخلصونه من لوحات تحليلات التعلم إلى ممارسات تعلم وتدريس فعالة بفضل الذكاء الاصطناعي التوليدي.
وثانيتهما أن الذكاء الاصطناعي التوليدي يمكن استخدامه لتوليد التغذية الراجعة بأشكال غير نصية، كالقصص المصورة للبيانات. وتتبع هذه القصص المصورة المبادئ الراسخة لأنواع القصص المصورة، كالمانغا، وتُولَّد بتوجيه نماذج لغوية متعددة الوسائط لإنتاج صور استناداً إلى نتائج التحليل. وقد طُبقت في التعلم القائم على المحاكاة لدى المهنيين الصحيين، حيث ينخرط طلبة التمريض في سيناريوهات تعلم تعاونية مكثفة في فضاءات مادية. وتهدف القصص المصورة للبيانات إلى تقديم التغذية الراجعة بصيغة أيسر وصولاً وأكثر إثارة للانخراط الوجداني. وتشير أدلة نوعية إلى أنها قادرة على تحسين دافعية الطلبة وانخراطهم التأملي، بل أفاد بعض الطلبة بأنهم شعروا بأنهم مرئيون أو مقدَّرون. غير أن بعض طلبة التعليم العالي وجدوا هذه المقاربة غير مهنية بالقدر الكافي، ومن شأنها أن تكرس التحيزات؛ إذ كان جميع الممرضين المولَّدين في هذه القصص نساءً، وكان الطبيب رجلاً. وللبناء على الجوانب الإيجابية للقصص المصورة المدعومة بالذكاء الاصطناعي التوليدي، لا بد من بحوث مستقبلية لفهم فاعليتها في سياقات ومراحل تعليمية مختلفة، مع تقليص آثارها السلبية المحتملة. ويمكن تطبيق الفكرة ذاتها على توليد مقاطع فيديو بالذكاء الاصطناعي استناداً إلى تحليلات التعلم المتعددة الوسائط.
التغذية الراجعة على العملية
لا تحظى التغذية الراجعة على عمليات التعلم، كتحديد الأهداف واستخدام الاستراتيجيات والمراقبة الذاتية، بتمثيل كافٍ في الأدبيات القائمة حول الذكاء الاصطناعي في التعليم. ومع أن التعلم لا يكون شفافاً تماماً أبداً، فقد أحرزت تحليلات التعلم تقدماً كبيراً في تصوير الديناميات غير المرئية لعملية التعلم وتفسيرها، مما يزود المربين والمتعلمين برؤى قابلة للتنفيذ حول كيفية تكشّف التعلم. ومع التقدم في هذا المجال، بات بإمكاننا الآن تحليل بيانات التتبع الدقيقة، كتسلسل النقرات وحركات الفأرة وغيرها من الآثار الرقمية لنشاط الطلبة، لتحديد العمليات المعرفية وما وراء المعرفية والوجدانية والتحفيزية. وقد أظهرت البحوث القائمة في تحليلات التعلم أيضاً أن هذه المقاربات قادرة على تقديم رؤى دقيقة حول استراتيجيات التعلم التي يستخدمها المتعلمون. بل أظهرت أن عمليات التعلم تفسر قدراً من التباين في درجات مقالات الطلبة يفوق ما تفسره الخصائص اللغوية للمقالات، كتماسك النص، الشائعة الاستخدام في التصحيح الآلي للمقالات. غير أن تحويل ما تكشفه التمثيلات الأساسية لنماذج تحليل البيانات، كخرائط العمليات والشبكات والإحصاءات الوصفية، يتطلب ثقافة بيانات كبيرة، وهو ما قد يشكل عائقاً أمام كثير من المربين والمتعلمين.
ويحمل الذكاء الاصطناعي التوليدي إمكانات كبيرة لدعم ممارسات التغذية الراجعة على عملية التعلم، بفضل قدرته على الجمع بين ما تكشفه نماذج تحليل البيانات عن عمليات التعلم والمعلومات التدريسية ومحتوى المادة الدراسية. وبالجمع بين هذه المنظورات كلها، يستطيع إنتاج دعم تعليمي ملائم للسياق ومخصص، كالتغذية الراجعة أو السقالات التعليمية، يهدف إلى توجيه المتعلمين لتحسين عمليات تعلمهم وأدائهم. إذ يمكن تزويد النماذج اللغوية الكبيرة بنتائج التحليلات الآنية لعمليات التعلم المنظم ذاتياً، إلى جانب معلومات عن مبادئ التغذية الراجعة الفعالة ومعلومات المحتوى ذات الصلة، لتوليد سقالات تعليمية مخصصة.
ولإمكانات التغذية الراجعة على العملية انعكاسات عميقة في عصر الذكاء الاصطناعي التوليدي. فبما أن الطلبة باتوا قادرين بسهولة على استخدام أدواته لإنتاج منتجات نهائية مصقولة، يصبح من الأهمية بمكان تقييم كيفية انخراطهم في عملية التعلم، بدلاً من التركيز على النتيجة النهائية وحدها. فضلاً عن ذلك، تستطيع التغذية الراجعة على العملية إبراز تحديات حاسمة قد يواجهها المتعلمون عند استخدام الذكاء الاصطناعي التوليدي، كالكسل ما وراء المعرفي والاعتماد المفرط. وتُناقش الإمكانات التحويلية لتقييم العملية بمزيد من التفصيل لاحقاً.
التقييم التكويني للعملية في منصة FLoRA: استخدام النماذج اللغوية الكبيرة لتحويل التحليلات الآنية إلى تغذية راجعة مخصصة
منصة FLoRA مجموعة من الأدوات المتكاملة التي تتيح للطلبة الانخراط في طيف من أنشطة التعلم المنظم ذاتياً، كتظليل النصوص والبحث عن المعلومات وتدوين الملاحظات والتخطيط واستخدام أدوات مثل ChatGPT وغيرها. وتُسجَّل جميع هذه التفاعلات وتُحلَّل باستخدام خوارزميات طُوِّرت لمطابقة أفعال الطلبة مع العمليات المعرفية وما وراء المعرفية والوجدانية والتحفيزية. ويمكن بعد ذلك استخدام هذه النتائج في التحليلات الآنية لمعرفة ما إذا كان الطلبة يستخدمون استراتيجيات تعلم فعالة، ويخططون لتعلمهم، ويراقبون بانتظام تقدمهم قياساً إلى متطلبات المهمة. ثم تُغذَّى النماذج اللغوية الكبيرة بنتائج التحليلات لتوليد تغذية راجعة على العملية في الوقت المناسب للمتعلمين. وهذه التغذية الراجعة المدعومة بالنماذج اللغوية الكبيرة أكثر تكيفاً وحساسية للسياق من الأنظمة السابقة القائمة على القواعد. إذ تستطيع هذه النماذج تفسير المعلومات المتعلقة بالمتعلم والمهمة والأفعال السابقة لتوليد سقالات تعليمية مخصصة بلغة طبيعية يفهمها المتعلمون ويعملون بموجبها. كما تستطيع ربط التغذية الراجعة بسياق الموضوعات والمحتوى الذي يدرسه المتعلمون، مما يسهّل توسيع نطاقها عبر مجالات ومهام دراسية مختلفة. ويمكن تقديم هذه التغذية الراجعة في لحظات محددة سلفاً أو إطلاقها ديناميكياً بناءً على عمليات التعلم المرصودة. وقد بيّنت دراسة أن الطلبة يميلون إلى اتباع هذه السقالات المولدة بالذكاء الاصطناعي التوليدي عن كثب، فيحسّنون بذلك استراتيجيات تعلمهم، التي سبق أن ثبت ارتباطها الإيجابي بتحسن الأداء في مهام القراءة والكتابة. وبالمثل، بيّنت دراسة أخرى قيد التحكيم أن التغذية الراجعة المخصصة التي تستهدف عمليات معينة من التعلم المنظم ذاتياً، كالمراقبة، ترتبط بتحسن أداء الكتابة ومعارف الاختبار البعدي في التعليم الثانوي.
ويُظهر نجاح أنظمة مثل FLoRA كيف يستطيع الذكاء الاصطناعي التوليدي توسيع دعم التعلم المخصص إلى ما يتجاوز الصفوف والمواد الفردية. ومع تزايد اندماج أدوات الذكاء الاصطناعي التوليدي في أنشطة تعلم الطلبة، برزت مخاوف من الاعتماد المفرط والكسل ما وراء المعرفي، حيث يعتمد المتعلمون على الردود المولدة بالذكاء الاصطناعي بدلاً من المراقبة الفاعلة لتعلمهم وتوجيهه. ولذلك يُعدّ التعلم المنظم ذاتياً محورياً للحفاظ على قدرة الطلبة على التكيف مدى الحياة وعلى التعامل النقدي مع الأدوات المدعومة بالذكاء الاصطناعي، غير أن المعلمين كثيراً ما يجدون صعوبة في رصد هذه العمليات ودعمها عبر صفوف متنوعة. فمقاربات التغذية الراجعة والسقالات التقليدية نادراً ما تكون قابلة للتوسع، وتميل إلى إغفال الفروق الفردية الدقيقة في استراتيجيات المتعلمين واحتياجاتهم. ومن خلال دمج التحليلات الآنية بالتغذية الراجعة القائمة على النماذج اللغوية الكبيرة، تستطيع أنظمة الذكاء الاصطناعي التوليدي المساعدة في سد هذه الفجوة، بتقديم دعم في الوقت المناسب واعٍ بالسياق، يستكمل عمل المعلمين ويديم الانخراط ما وراء المعرفي لدى الطلبة. ويكتسب هذا التوجيه القابل للتوسع والفردي أهمية خاصة في ظل سعي النظم التعليمية إلى تنشئة متعلمين مستقلين ومتأملين في عصر الذكاء الاصطناعي.
النهوض بممارسات التقييم
توليد البنود والتحقق من صلاحيتها
يحمل الذكاء الاصطناعي التوليدي وعداً بتوليد بنود التقييم. فمع أنه قادر على إنتاج طيف واسع من المحتوى، فإن استخدامه في التقييم المعياري يتطلب توليد بنود تستوفي المعايير السيكومترية للصدق والثبات. وتشير أدلة ناشئة إلى أن ذلك ممكن؛ فقد بيّنت دراسة أن ChatGPT قادر على توليد بنود سليمة سيكومترياً في الجبر، في حين أثبتت دراسة أخرى نجاحاً مماثلاً في مهام القراءة. وتقوم هذه الدراسة الأخيرة عليها عملية التوليد الآلي للبنود المستخدمة في اختبار دولينجو للغة الإنجليزية، وهو امتحان واسع الاعتراف لقياس الكفاءة اللغوية. ويمكن استخدام الذكاء الاصطناعي التوليدي لتقييم جودة بنود التقييم. وقد أكدت الأعمال المنجزة في دولينجو أهمية إشراك الإنسان في الحلقة لإجراء مراجعة جودة البنود ومراجعة حساسيتها ضمن ضمان الجودة، وقبل فحص الخصائص السيكومترية للبنود المولدة. ويتسق ذلك أيضاً مع توصيات تدعو إلى الجمع بين الأحكام البشرية والنماذج اللغوية الكبيرة لإنتاج أسئلة اختيار من متعدد وأسئلة ذات إجابات قصيرة عالية الجودة.
التصحيح الآلي
تتنامى الأدلة على إمكانات استخدام الذكاء الاصطناعي التوليدي في ممارسات التقييم القائمة. فالبحوث تُظهر أن استخدامه قد يكون فعالاً بوجه خاص حين تُستخدم نماذج لغوية كبيرة مضبوطة ضبطاً دقيقاً في التصحيح الآلي للإجابات المفتوحة، بدقة مماثلة لدقة النماذج القائمة على مقاربات تعلم الآلة والتعلم العميق التقليدية أو متفوقة عليها. فعلى سبيل المثال، بيّنت دراسة أن نسخة مضبوطة ضبطاً دقيقاً من GPT3.5 تفوقت تفوقاً ملحوظاً على BERT في تصحيح مهام تعليم العلوم المتعددة التصنيفات والفئات، محققة تحسناً في الدقة وصل إلى 10.6%. وبالمثل، أظهر GPT4 توافقاً قوياً، بمعامل كابا الموزون التربيعي يتجاوز 0.8، مع أدوات تقييم الكتابة المعاصرة في سياقات تقييم اللغة العالية المخاطر لمتعلمي الإنجليزية لغةً ثانية، ولا سيما حين زُوِّد بمثال معايرة واحد لكل فئة تقدير. غير أن دراسة أخرى بيّنت أن المقاربات التقليدية تفوقت تفوقاً كبيراً على ChatGPT3.5 Turbo وLlama2، بمتوسط معامل كابا بلغ 0.817 مقابل 0.313 و0.201، في التصحيح الآلي لمقالات إنجليزية مأخوذة من مجموعة بيانات جائزة التقييم الآلي للطلبة، التي تضم مقالات كتبها بالإنجليزية طلبة مدارس ثانوية أمريكيون في الصفوف من السابع إلى العاشر لغتهم الأولى الإنجليزية، في مهام كتابة إقناعية ومعتمدة على المصادر وسردية. وتشير النتائج إلى أن النماذج اللغوية الكبيرة، وإن أمكن أن تكون مفيدة في بعض أنواع مهام التصحيح الآلي، قد لا تكون كذلك في أنواع أخرى. ولذلك من المهم توسيع رصيد المعرفة القائم لفهم أنواع المهام التي يمكن أن تكون فيها هذه النماذج فعالة، بما يسترشد به في الممارسة والسياسات التعليمية. وبالمثل، ينبغي للمربين توخي الحذر في قراراتهم بالاعتماد على الذكاء الاصطناعي التوليدي في التصحيح الآلي.
وقد بحثت دراسات عدة مدى قدرة الذكاء الاصطناعي التوليدي على التقييم الآلي للإجابات عن الأسئلة المفتوحة في التقييمات المعيارية، وتحديد استراتيجيات صياغة الأوامر الفعالة. فعلى سبيل المثال، قيّمت إحدى الدراسات GPT4 على 738 سؤالاً مفتوحاً مأخوذة من مهام الأحياء وعلوم الأرض والفيزياء في المرحلة الثانوية ومصنفة وفق تصنيف بلوم. وأنتج النموذج إجابات عالية الجودة عموماً، وإن تراجع أداؤه في الأسئلة التي تتطلب استرجاع الحقائق أو الاستدلال الإبداعي. وحللت دراسة أخرى النماذج اللغوية الكبيرة في التقييمات المعيارية في مجالات العلوم والتقنية والهندسة والرياضيات، وبيّنت أن الأوامر النصية بسلسلة الاستدلال حسّنت الدقة تحسيناً ملحوظاً، ولا سيما في المسائل التي تتطلب استدلالاً مكثفاً. وفي التعليم العالي، استكشفت دراسة قدرة GPT3 على تقييم أسئلة كيمياء قصيرة الإجابة ولّدها الطلبة في مقررات جامعية عبر الإنترنت، ووجدت توافقاً متواضعاً فقط مع أحكام الخبراء، تراوح بين 32% و40%. وتُظهر هذه الدراسات مجتمعةً أن الذكاء الاصطناعي التوليدي، وإن أمكنه استكمال التصحيح البشري في السياقات التعليمية المنظمة، فإن موثوقيته لا تزال تتفاوت بحسب المجال والمتطلب المعرفي وتصميم الأوامر النصية، مما يبرز الحاجة المستمرة إلى الإشراف البشري في توليد البنود وتصحيحها معاً.
مساءلة الافتراضات واستشراف آفاق جديدة
مفارقة الذكاء الاصطناعي التوليدي في اكتساب المهارات
على الرغم من الوعود التي يحملها الذكاء الاصطناعي التوليدي، يثير دمجه في التعليم أسئلة جوهرية تستوجب تمحيصاً نقدياً. فمع تنامي قدرة أنظمة الذكاء الاصطناعي على أتمتة المهام المعرفية، يصبح لزاماً التساؤل ليس فقط عما يمكن لهذه التقنيات إنجازه، بل أيضاً عما قد يُفقد في أثناء ذلك. ويتناول هذا القسم كيف تتعرض الافتراضات السائدة حول تنمية المهارات وتقييمها للاضطراب، ويقترح إعادة توجيه الأولويات التعليمية في عصر الذكاء الاصطناعي التوليدي.
التمييز بين مكاسب التعلم والأداء في عصر غني بالذكاء الاصطناعي
من الأطروحات المحورية في هذا الفصل أن على النظم التعليمية أن تنمّي القدرات البشرية عن قصد، حتى وهي تستثمر الإمكانات التحويلية للذكاء الاصطناعي التوليدي. وهذه الضرورة ليست تربوية فحسب، بل هي أساسية لتنمية المهارات البشرية التي ستمكّن الأفراد من الازدهار في بيئات رقمية سريعة التطور. ومن المهم، عند استخدام الذكاء الاصطناعي التوليدي، التمييز بين بعدين مترابطين في التعلم البشري: الأداء المعزز بالذكاء الاصطناعي، وتنمية المهارات البشرية. ويركز البعد الأول على تنمية المهارات البشرية، أي التعلم البشري. وقد تناول التعليم هذا البعد تقليدياً، بما في ذلك البحث التربوي في مجال الذكاء الاصطناعي في التعليم، كما تناول القسم السابق حول «الممارسات القائمة» تطبيقات الذكاء الاصطناعي التوليدي في دعم التعلم البشري. غير أن الحضور الواسع للذكاء الاصطناعي التوليدي يغير السياق الذي يحدث فيه التعلم. ولهذا ننظر أيضاً في البعد الثاني، الذي يتعلق بمدى استخدام الأفراد لأدوات الذكاء الاصطناعي، كالنماذج اللغوية الكبيرة، لتحسين تنفيذ المهام وإنتاج مخرجات عالية الجودة. وفي بقية هذا القسم، نتناول انعكاسات هذين البعدين على تنمية المهارات البشرية وفق الأدلة الناشئة في الأدبيات القائمة.
وهم «الإتقان الزائف» في التعلم المعزز بالذكاء الاصطناعي
يحدد تقاطع هذين البعدين الأفق الذي ينبغي للتعليم أن يسعى إليه: متعلمون يجمعون بين مهارات مستقلة قوية واستخدام فعال ومتأمل للتعزيز الذي يتيحه الذكاء الاصطناعي. غير أن عدداً متزايداً من الأدلة يشير إلى أن هذا الطموح ليس سهل المنال، وأن إدخال الذكاء الاصطناعي التوليدي قد يخلق «وهم الإتقان الزائف»، حيث تخفي المخرجات العالية الجودة التي يتيحها الذكاء الاصطناعي مواطن ضعف كامنة في المهارات البشرية، أي تلك الحالة غير المرغوب فيها التي لا يرتبط فيها الأداء في المهام بالتعلم.
ومع أن الذكاء الاصطناعي التوليدي أظهر وعوداً في دعم مهام تعليمية متنوعة، فإن فاعليته في تعزيز تنمية المهارات على المدى الطويل لا تزال غير مؤكدة. ومن الدراسات المهمة في هذا المجال دراسة بحثت مدى قدرة أداة دعم قائمة على الذكاء الاصطناعي على توسيع قدرة الطلبة على تقديم تغذية راجعة فعالة لأقرانهم. وقد صُممت الأداة لمساعدة الطلبة على توليد التغذية الراجعة بفاعلية أكبر، لا لتحسين محتوى ردودهم مباشرة. وفي تجربة عشوائية مضبوطة واسعة النطاق شملت نحو 1600 طالب، لوحظ أنه في حين كانت المكاسب الأولية المدعومة بالذكاء الاصطناعي في جودة التغذية الراجعة بين الأقران كبيرة، فإنها لم تستمر بعد سحب الأداة، ولم يحتفظ الطلبة بمهارات التغذية الراجعة التي بدا أنهم اكتسبوها بدعم الذكاء الاصطناعي. فضلاً عن ذلك، لم تظهر أدلة متينة على تنمية تآزرية للمهارات البشرية والمهارات المعززة بالذكاء الاصطناعي؛ إذ أظهر الطلبة عموماً قوة إما في الأداء بمساعدة الذكاء الاصطناعي وإما في المهارة المستقلة، ونادراً ما جمعوا بينهما. وتجد هذه النتائج صداها في مراجعة منهجية وتحليل بعدي شمل 106 دراسات تجريبية حول التعاون بين الإنسان والذكاء الاصطناعي، ووجد أن التوليفات بين الإنسان والذكاء الاصطناعي كان أداؤها في المتوسط أسوأ من أداء الأفضل منهما منفرداً، ولا سيما في مهام اتخاذ القرار. ويحذر ذلك من افتراض أن التآزر بين الإنسان والذكاء الاصطناعي سينشأ تلقائياً. والخطر في كثير من السياقات التعليمية أن الذكاء الاصطناعي التوليدي إما أن يكتفي بتعزيز القدرات الحالية، وإما، وهو الأكثر إشكالاً في سياق تعليمي، أن يحل محل الجهد البشري دون أن يعزز تنمية حقيقية للمهارات.
وكثيراً ما يكون هذا النمط من الإحلال مدفوعاً بضغوط خارجية. فقد كشف بحث أن طلبة الجامعات كانوا أكثر ميلاً إلى استخدام ChatGPT حين يواجهون عبئاً أكاديمياً مرتفعاً وضغطاً زمنياً. ووجدت الدراسة، التي شملت نحو 500 طالب، أن لهذه المنفعة ثمناً؛ إذ ارتبط تزايد استخدام ChatGPT بمستويات أعلى من التسويف، وبفقدان الذاكرة وفق ما أفاد به الطلبة أنفسهم، وفي نهاية المطاف بتراجع الأداء الأكاديمي. وتوحي هذه النتائج بأن الطلبة قد يلجؤون إلى الذكاء الاصطناعي التوليدي لا بوصفه شريكاً في التعلم، بل بوصفه أداة للتعامل مع متطلبات مرهقة، مما يفضي إلى عواقب سلبية غير مقصودة. وفضلاً عن ذلك، قد يعزز هذا الإحلال اعتماداً مفرطاً وغير نقدي على الذكاء الاصطناعي. ففي مراجعة منهجية، بحث باحثون كيف يؤثر الاعتماد المفرط على أنظمة الحوار الذكية في القدرات المعرفية للطلبة، وعرّفوا الاعتماد المفرط بأنه القبول غير النقدي لتوصيات الذكاء الاصطناعي، وهو ميل ينشأ حين يجد الأفراد صعوبة في تقدير مدى جدارة الأداة بالثقة. وتشير نتائجهم إلى أن هذا السلوك يشجع على استخدام الاختصارات المعرفية، مفضلاً الإجابات السريعة والفعالة على الاستدلال البطيء والمجهِد. ويقوّض هذا التفضيل تنمية قدرات معرفية أساسية، منها اتخاذ القرار والاستدلال التحليلي والتفكير النقدي. ولذلك من الضروري مقاومة إغراء الخلط بين الأداء المعزز بالذكاء الاصطناعي والكفاءة الحقيقية أو التعلم العميق.
آثار استخدام الذكاء الاصطناعي التوليدي في عمليات التعلم
يتعلق بُعد آخر من أبعاد القلق بآثار استخدام الذكاء الاصطناعي التوليدي في عمليات التعلم. إذ تتراكم الأدلة على أن تزايد الاعتماد على أدواته قد يكبح انخراط الطلبة في المراقبة الذاتية، أي العملية المستمرة لفحص الفهم والاستراتيجيات وتنظيمها وتعديلها في أثناء التعلم، وفي التأمل والحكم التقويمي على عمليات تعلمهم، وهي عمليات أساسية للتعلم المستقل. فحين يُستخدم الذكاء الاصطناعي التوليدي طريقاً مختصراً لا سقالةً تعزز التعلم، قد يُحيل الطلبة الجهد المعرفي إلى التقنية، فيضعفون بذلك المهارات ذاتها التي يقوم عليها التعلم العميق.
وقد بدأت البحوث التجريبية في قياس مخاطر الذكاء الاصطناعي التوليدي على تراجع الإدراك البشري وما وراء المعرفة. ففي دراسة قارنت استخدام ChatGPT باستخدام محركات البحث التقليدية في مهمة استقصاء علمي، تبيّن أن الطلبة المستخدمين للنموذج اللغوي الكبير واجهوا عبئاً معرفياً أدنى بدرجة ملحوظة. غير أن هذه السهولة المعرفية جاءت بثمن؛ إذ أنتج هؤلاء الطلبة استدلالاً وحججاً أدنى جودة في توصياتهم النهائية مقارنةً بالمجموعة التي استخدمت محرك البحث Google. ويبرز ذلك مقايضة حاسمة، مفادها أن النماذج اللغوية الكبيرة، وإن خففت العبء المعرفي لجمع المعلومات، قد لا تعزز الانخراط المعرفي الأعمق اللازم للتعلم العالي الجودة. وتدعم هذه النتيجة دراسة تجريبية عشوائية قارنت عمليات الكتابة لدى طلبة جامعيين حين دُعموا بـChatGPT، أو بخبير بشري، أو بأداة لتحليلات الكتابة، أو دون أي دعم إضافي. فبينما أظهرت المجموعة المدعومة بـChatGPT تحسناً أكبر في درجات المقالات، لم تُترجم هذه المكاسب إلى اكتساب أعمق للمعارف أو إلى نقلها، كما قاسه اختبار لنقل المعرفة في موضوعات مختلفة. والأهم أن الدراسة وجدت أن المتعلمين في المجموعة المدعومة بالذكاء الاصطناعي أظهروا اعتماداً ملحوظاً على التقنية، وكانوا أقل ميلاً إلى الانخراط في الأنشطة ما وراء المعرفية كالمراقبة الذاتية والتأمل، وهي ظاهرة أسماها الباحثون «الكسل ما وراء المعرفي».
ويزداد أثر الذكاء الاصطناعي في التعلم الذاتي التوجيه تعقيداً بفعل دوافع الطلبة لاستخدام هذه الأدوات. فقد بحثت دراسة طولية امتدت عاماً كاملاً كيف يؤثر تواتر التفاعل مع روبوتات المحادثة في استقلالية التعلم، وجاءت النتائج دقيقة: فبالنسبة إلى المتعلمين الباحثين عن رفقة افتراضية، كان للحضور الاجتماعي الذي يوفره الذكاء الاصطناعي أثر وسيط إيجابي في استقلاليتهم في التعلم. وفي المقابل، بالنسبة إلى المتعلمين المركزين على اكتساب المعرفة وحده، ارتبط التفاعل الأكثر تكراراً مع روبوت المحادثة ارتباطاً سلبياً بالحضور الاجتماعي واستقلالية التعلم معاً. ويدل ذلك على أن أثر التفاعل مع الذكاء الاصطناعي ليس متجانساً، وأن الاستخدام المتكرر لأغراض نفعية قد يقوض تنمية عادات التعلم المستقل.
وتوضح هذه النتائج تمييزاً حاسماً: فالتحسينات الظاهرة في الأداء التي يتيحها الذكاء الاصطناعي التوليدي قد تخفي أوجه قصور في العمليات المعرفية وما وراء المعرفية الكامنة لدى المتعلمين. غير أن ذلك لا يعني أن الذكاء الاصطناعي عاجز عن أداء دور منتج في التعلم. فحين يُنظَّم عن قصد ضمن بيئة تعلم تعاونية، يمكن أن يكون سقالة قوية. فعلى سبيل المثال، درس باحثون طلبة معلمين يستخدمون أداة لرسم الخرائط الذهنية مدمجة بالذكاء الاصطناعي التوليدي، فوجدوا أن المجموعات المستخدمة للأداة لم تتفوق على المجموعات الضابطة في مهامها التعاونية فحسب، بل أظهرت أيضاً عملية بناء معرفي أكثر تطوراً، انتقلت تدريجياً من الأفكار الفردية إلى التفاعل بين الأقران ثم إلى التوليف الجماعي.
إعادة التفكير في التقييم
مع تزايد استخدام الطلبة لأدوات الذكاء الاصطناعي التوليدي في التعلم، تغدو نماذج التقييم التقليدية التي تركز على المخرجات النهائية وحدها قاصرة. فحين يمكن إنتاج منتجات عالية الجودة بأدنى انخراط في عملية التعلم، يخاطر التقييم بقياس البراعة التقنية بدلاً من المهارة أو الفهم البشري. ولمعالجة هذا التحدي، ثمة حاجة ملحة إلى إعادة توجيه ممارسات التقييم نحو مقاربات تركز على العملية، لا تقيّم ما ينتجه الطلبة فحسب، بل تقيّم أيضاً كيفية انخراطهم في التعلم لإنتاجه. وينبغي أن تسعى التقييمات إلى رصد العمليات التي يستخدمها الطلبة لتخطيط أعمالهم ومراقبتها وتكييفها، بما يكشف أصالة تعلمهم وعمقه في البيئات الغنية بالذكاء الاصطناعي التوليدي. ولن تتمكن النظم التعليمية من ضمان أن يعزز الذكاء الاصطناعي تنمية الخبرة البشرية الهادفة بدلاً من أن يحل محلها إلا بإعطاء الأولوية للانخراط المعرفي وما وراء المعرفي إلى جانب جودة المنتج.
ومن السبل الواعدة لتفعيل هذا التحول تصميم التقييم المتمحور حول الأدلة، الذي يوفر نموذجاً مبدئياً للربط بين مهام التقييم والأدلة والاستدلالات حول معارف المتعلمين ومهاراتهم. فبتجاوز التركيز الضيق على المخرجات النهائية، يتيح هذا الإطار تصميم تقييمات متعددة الأبعاد ترصد أدلة المنتج والعملية معاً.
ويأتي مثال توضيحي على هذه المقاربة المركزة على العملية من أعمال حديثة في التعليم الطبي، أُعيد فيها تصميم مهام الاستدلال السريري لرصد صورة أشمل للتعلم. فبالاستناد إلى إطار التصميم المتمحور حول الأدلة، تتجاوز هذه المقاربة تقييم الاستنتاج التشخيصي النهائي وحده، وتبني بدلاً من ذلك نموذج أدلة متعدد الأبعاد بجمع ثلاثة تيارات من البيانات في أثناء تفاعل الطلبة مع مرضى افتراضيين مدعومين بالذكاء الاصطناعي التوليدي: أدلة المنتج، كدقة التشخيص؛ وأدلة العملية، كسجلات المحادثة التي يأخذ فيها الطلبة التاريخ المرضي؛ والأدلة ما وراء المعرفية، كبيانات تسلسل النقرات وسجلات التفاعل. ويكشف تحليل هذه البيانات الثرية أن دمج مصادر الأدلة الثلاثة يوفر تنبؤاً بأداء المتعلم أكثر موثوقية بكثير من الاعتماد على مقاييس المنتج وحدها. واللافت أن بيانات العملية برزت بوصفها أقوى منبئ منفرد، مما يؤكد قيمة تقييم «كيف» يتعلم الطالب، لا «ماذا» ينتج فحسب.
وبناءً على هذا الأساس، تُقرن النماذج التنبؤية الآن بالذكاء الاصطناعي القابل للتفسير لجعل عملية التقييم ليست دقيقة فحسب، بل ذات معنى تربوي أيضاً. فالاكتفاء بالتنبؤ بالأداء عبر نموذج تعلم آلي من نوع «الصندوق الأسود» لا يكفي لدعم التعلم. ولجعل النتائج قابلة للتنفيذ، تحدد طبقة الذكاء الاصطناعي القابل للتفسير العوامل الرئيسية المؤثرة في التنبؤ، ثم يترجم نظام ذكاء اصطناعي توليدي هذه التفسيرات التقنية إلى تغذية راجعة منظمة ومخصصة وذات صلة تربوية بالمتعلم. وتضمن هذه المقاربة الهجينة أن تتسق التغذية الراجعة مع مبادئ التعلم المنظم ذاتياً، فتساعد الطلبة على فهم أدائهم، وكذلك الاستراتيجيات المعرفية وما وراء المعرفية التي شكّلته. ومن خلال تأسيس التغذية الراجعة على أدلة محددة من عملية التعلم، تمد هذه المقاربة نموذج التصميم المتمحور حول الأدلة من تصميم التقييم إلى تقديم التغذية الراجعة، موفرة توجيهاً شفافاً وقابلاً للتنفيذ يعزز التنمية الحقيقية للمهارات.
وقد طُبقت هذه المقاربة التقييمية في منصة FLoRA لتنمية مهارات أخذ التاريخ المرضي ضمن تنمية الاستدلال السريري في التعليم الطبي. إذ يتفاعل المتعلمون أولاً مع مرضى افتراضيين معياريين قائمين هم أيضاً على GPT، وبعد أن يكمل المتعلم تفاعله مع المريض الافتراضي ويقدم تشخيصه، يطبق النظام نموذج الأدلة ويولد تغذية راجعة مخصصة.
الصرامة المنهجية
تُعدّ الصرامة المنهجية للبحوث المتعلقة بالذكاء الاصطناعي التوليدي في التعليم أمراً حاسماً لإنتاج أدلة عالية الجودة. فإذا أردنا اتخاذ قرارات سليمة مستنيرة بالأدلة، فمن الضروري تجاوز التعليقات ودورات الضجيج الإعلامي، والتمسك بمعايير عالية في البحث التجريبي. وكما أشير في القسم الفرعي السابق، يتمثل أحد التحديات المحورية في إنتاج أدلة تجريبية متينة حول آثار الذكاء الاصطناعي التوليدي في المهارات البشرية في الخلط الشائع بين الأداء والتعلم. فالأداء يشير إلى الأداء الملحوظ في مهمة ما، في حين ينطوي التعلم على تغير دائم في المعارف والمهارات يتجلى في الاحتفاظ بها ونقلها. وهذا التمييز جوهري؛ فالأداء المرتفع، ولا سيما حين تتوسطه أداة قوية، لا يعني أن التعلم قد حدث.
وثمة مسألة ثانية ذات صلة لكنها متميزة، هي مغالطة الوسيط والأسلوب. فعلى مدى عقود، حذر الباحثون من «دراسات المقارنة بين الوسائط» التبسيطية التي تنسب مكاسب التعلم إلى التقنية ذاتها لا إلى الأساليب التدريسية المحددة التي تتيحها. ويكرر كثير من البحوث الناشئة حول الذكاء الاصطناعي التوليدي هذا الخطأ، فيقارن «حالة ChatGPT» غير محددة المعالم بمجموعة ضابطة، ثم يخلص إلى أن التقنية «تنجح». وقد تُثبت هذه التصاميم أن ترتيباً معيناً، كعمل الطلبة مع ChatGPT، يمكن أن يفضي إلى نواتج مختلفة عن ترتيب آخر، كعمل الطلبة منفردين. غير أنها، لكونها تنسب الآثار إلى التقنية ككل لا إلى العمليات التدريسية المحددة التي تتيحها، لا تقدم إلا فهماً محدوداً للآليات الكامنة، مما يحد من قدرتها التفسيرية ويعرضها لخطر الخلط بين دعم الأداء والتعلم الحقيقي.
ومن أوجه الضعف المنهجي الأخرى، المتميزة عن مغالطة الوسيط والأسلوب وإن كانت كثيراً ما تقترن بها، الخلط بين الأداء في المهمة والتعلم. فعلى سبيل المثال، كثيراً ما تقيس التحليلات البعدية التي تزعم أن ChatGPT يعزز «الأداء الأكاديمي» الإنجاز الفوري للمهمة، لا التعلم الدائم، بل أحياناً لا تقيس التعلم أصلاً. فمع أن الطلبة قد ينتجون مقالة أو ترجمة أفضل بمساعدة الذكاء الاصطناعي، فإن هذا المكسب في الأداء قد يخفي غياب الانخراط المعرفي الكامن ومكاسب التعلم. وكما نوقش آنفاً، فإن تفريغ الجهد إلى الذكاء الاصطناعي قد يخفف العبء المعرفي، لكنه يخاطر أيضاً بتعزيز «الكسل ما وراء المعرفي»، فيقوض العمليات ذاتها اللازمة لتنمية المهارات العميقة. وتتضخم هذه المشكلة بفعل ثقافة «العلم السريع»، حيث تحظى ادعاءات مثيرة، كتفوق GPT4 في منهج معهد ماساتشوستس للتقنية، بالرواج رغم عيوب منهجية كبيرة، منها تلوث البيانات وغياب التحقق الشفاف. وحتى لو صحت هذه الادعاءات، فإن معناها التعليمي سيكون محدوداً، لأن تفوق الذكاء الاصطناعي التوليدي في المهام المعيارية أو المرجعية لا يقترن بفهم مفاهيمي، ولا يعني أنه ينبغي التخلي عن العمليات الكامنة للتعلم والنقل لدى البشر. ويكمن الخطر في الخلط بين البراعة التقنية والقيمة التعليمية، وهو ما قد يشوه التوقعات والتوجهات السياساتية، ويغذي ذلك النوع من عدم الاتساق بين السياسات والممارسة الذي طبع كثيراً من النقاشات حول الذكاء الاصطناعي في التعليم.
ولبناء قاعدة أدلة متينة، يجب على هذا الحقل تبني أجندة بحثية أكثر صرامة. أولاً، يجب على الباحثين التمييز صراحة بين التعلم والأداء، بإدراج تقييمات مركزة على العملية في تصاميمهم، كاختبارات الاحتفاظ المؤجل ونقل المعرفة. ثانياً، يجب أن تتجاوز الدراسات المقارنة بين الوسائط لعزل الآليات السببية، مع تحديد الوظيفة التربوية لتدخل الذكاء الاصطناعي تحديداً واضحاً، على غرار عقود من البحث الموجه بالنظرية حول أنظمة التدريس الذكية. وأخيراً، يجب إعطاء الأولوية للبحوث الطولية التي تتتبع الآثار الدائمة للتفاعل مع الذكاء الاصطناعي في معارف الطلبة ومهاراتهم ونزعاتهم بمرور الوقت.
وبالنسبة إلى صانعي السياسات ومؤسسات التمويل، يبرز ذلك حاجة ماسة إلى توجيه الاستثمار المستقبلي. فلبناء قاعدة أدلة متينة، ينبغي أن يعطي التمويل الأولوية للدراسات الطولية التي تتتبع المهارات الدائمة، وأن يشترط أن تحدد التدخلات أسسها التربوية بوضوح، وأن يدعم تطوير تقييمات مركزة على العملية. ولن نتمكن من ضمان أن تخدم التقنية هدفنا الأسمى، أي تنمية كفاءة بشرية عميقة ودائمة، إلا بالاستثمار في بحوث تميز بين الأداء في المهام والتعلم.
خاتمة
ختاماً، تؤكد نتائجنا الوعود الكبيرة للذكاء الاصطناعي التوليدي في تحسين الممارسات التعليمية المتصلة بالتعلم والتقييم. فقد بيّنا تحديداً أن الأنظمة المدعومة به قادرة على دعم الطلبة والمربين مباشرة، وتبسيط أنشطة التدريس، وتقديم مساعدة محددة الهدف. غير أن تحليلنا يكشف أيضاً، على الرغم من هذه التطورات الواعدة، عن عدة تحفظات حاسمة ينبغي النظر فيها بعناية عند توجيه الممارسات والسياسات المستقبلية في هذا المجال. ومن هذه التحفظات ضرورة إيلاء عناية فائقة لتصميم الممارسات التدريسية التي تتيح الاستخدام الفعال للذكاء الاصطناعي التوليدي، ولا سيما في الأنظمة المصممة لدعم الطلبة مباشرة، كروبوتات المحادثة التدريسية. فقد أظهرت دراسات حديثة مثلاً أن الجمع بين الذكاء الاصطناعي التوليدي والأساليب التدريسية الراسخة، كالسقالات التعليمية، حيث توجه العوامل التوليدية الطلبة عبر استدلال متدرج خطوة بخطوة، يمكن أن يعزز تعلماً حقيقياً وتحسناً مستداماً في الأداء حتى بعد سحب دعم الذكاء الاصطناعي التوليدي. وفي المقابل، تبيّن أن ممارسات «تقديم الإجابات» غير الموجهة، حيث يكتفي الطلبة بطلب الحلول من روبوت المحادثة، تقوض التأمل وتكبح الانخراط ما وراء المعرفي. وكما تشير الأدلة الناشئة، قد لا يستفيد جميع الطلبة من هذه الأنظمة بالقدر نفسه. ولذلك من الضروري النظر في كيفية تفاعل الفئات الطلابية المختلفة مع هذه التقنيات، بحسب عوامل كالمستوى الاجتماعي والاقتصادي أو التحصيل الأكاديمي السابق. ومن خلال تحديد الشروط المحددة التي تستفيد في ظلها هذه الفئات من الأنظمة المدعومة بالذكاء الاصطناعي التوليدي، يمكننا الحد من أوجه عدم المساواة المحتملة وضمان أن تدعم أدوات الذكاء الاصطناعي طيفاً متنوعاً من المتعلمين.
فضلاً عن ذلك، ومع أن الذكاء الاصطناعي التوليدي يتيح إمكانية التطوير السريع لأدوات مثل روبوتات المحادثة التدريسية، ينبغي الإقرار بأن النماذج اللغوية الكبيرة العامة الأغراض، كأنظمة GPT الجاهزة، لا تضاهي في المتوسط فاعلية أنظمة التدريس الذكية التقليدية حين لا تُصمم أو تُضبط ضبطاً دقيقاً بمعرفة تربوية كافية. وقد تكون الأنظمة الهجينة التي تدمج الذكاء الاصطناعي التوليدي ضمن أطر مستندة إلى أسس تعليمية أكثر وعداً، لكن قاعدة الأدلة لا تزال محدودة. كما لا نزال بحاجة إلى أدلة تقارن المعلمين الأذكياء المدعومين بالذكاء الاصطناعي التوليدي بنظرائهم التقليديين من حيث قدرتهم على تقديم دعم تعلم مستدام وطويل المدى. ومن ثم تحتاج البحوث المستقبلية إلى بحث ما إذا كانت أنظمة التدريس القائمة على الذكاء الاصطناعي التوليدي قادرة على دعم المتعلمين بفاعلية على مدى فترات ممتدة. يضاف إلى ذلك أن للذكاء الاصطناعي التوليدي إمكانات كبيرة لاستكمال أنظمة التدريس الذكية القائمة بتعزيز تفاعليتها وإتاحة تواصل بلغة أكثر طبيعية، مما قد يفضي في نهاية المطاف إلى تجارب تعلم أكثر تخصيصاً. وينبغي للبحوث المستقبلية أن تركز على استكشاف كيفية دمج الذكاء الاصطناعي التوليدي في أنظمة التدريس الذكية، بالاستناد إلى مبادئ تعليمية راسخة لتعزيز فاعليتها الإجمالية.
وعلى الرغم من القدرات الواعدة للذكاء الاصطناعي التوليدي في توليد تغذية راجعة عالية الجودة، أظهرت البحوث أن ثقة الطلبة بالتغذية الراجعة المولدة بالذكاء الاصطناعي تتفاوت تفاوتاً كبيراً بين السياقات. ففي بعض الدراسات يستجيب الطلبة إيجابياً ويرون هذه التغذية الراجعة واضحة ومفيدة، بينما يبدون في دراسات أخرى تشككاً في دقتها أو صلتها. ويمكن لهذا التفاوت في الثقة أن يؤثر في مدى انخراط المتعلمين في التغذية الراجعة التوليدية، مما يؤثر بدوره في أثرها المحتمل في التعلم. ولتحقيق الفوائد الكاملة للذكاء الاصطناعي التوليدي في دعم عمليات التغذية الراجعة، ينبغي أن تركز الأعمال المستقبلية على تطوير ممارسات تدريسية تساعد على دمج التغذية الراجعة المولدة بالذكاء الاصطناعي بفاعلية في الاستخدام الصفي. ومن الاتجاهات الواعدة استخدام الذكاء الاصطناعي التوليدي أداةً تساعد المربين على التأمل في تغذيتهم الراجعة، بشرية كانت أم مولدة بالذكاء الاصطناعي، وتحسينها، عبر التحقق من وضوحها وتوازنها واتساقها مع مبادئ التغذية الراجعة الراسخة قبل أن تصل إلى الطلبة.
ويُظهر الذكاء الاصطناعي التوليدي وعوداً في دعم المربين في مهامهم التدريسية والإدارية اليومية. فمع أن الأدلة القائمة المستندة إلى مقاييس أكثر موثوقية للوقت المستغرق مع التقنية، كتحليل سجلات الاستخدام، تُظهر زيادة في الكفاءة في بعض المهام كالتخطيط للدروس، فإن الدراسات النوعية تبرز «نقاطاً عمياء» محتملة في هذه التقديرات تستدعي مزيداً من البحث. وتحديداً، قد لا يُحتسب العمل الخفي الذي يتعين على المربين بذله في مراجعة المحتوى المولد بالذكاء الاصطناعي والتحقق من دقته احتساباً كاملاً عند الاعتماد على سجلات الاستخدام وحدها، ما لم يجروا المراجعات عبر الإنترنت. ويؤكد ذلك كله الحاجة إلى مزيد من البحث في كيفية تصميم أدوات الذكاء الاصطناعي التوليدي بحيث تعزز الممارسات التدريسية بدلاً من أن تعقدها.
وفي مجال التقييم، يتيح الذكاء الاصطناعي التوليدي فرصاً قيّمة لتبسيط إعداد التقييمات وأتمتة عمليات التصحيح. وقد ثبتت إمكاناته في الاختبارات المعيارية الواسعة النطاق، كاختبار دولينجو للغة الإنجليزية، حيث يمكنه المساعدة في توليد بنود تستوفي المعايير السيكومترية. غير أن هذا المستوى من الصرامة السيكومترية نادراً ما يكون مطلوباً أو ممكناً في التقييمات الصفية اليومية. ومع أن النماذج اللغوية الكبيرة المتاحة على نطاق واسع قادرة على مساعدة المعلمين في تصميم الأسئلة أو المهام بكفاءة أكبر، فإن مخرجاتها لا تزال تتطلب مراجعة بشرية لضمان صلتها التربوية وصحتها وإنصافها واتساقها مع أهداف التعلم. وبالمثل، تظل مقاربات التصحيح الآلي القائمة على الأوامر النصية، وإن كانت أيسر على المستخدمين غير التقنيين، أقل موثوقية من نماذج تعلم الآلة المضبوطة ضبطاً دقيقاً أو التقليدية. ولذلك ينبغي للمربين التعامل مع أدوات الذكاء الاصطناعي التوليدي بوصفها عوناً مكملاً لا بديلاً عن الحكم البشري، مع التحقق من وضوح مخرجاتها وملاءمتها قبل استخدامها في الصف. وينبغي للبحوث المستقبلية أن تركز على تطوير أطر عملية تساعد المعلمين على دمج هذه الأدوات في عمليات التقييم التكويني والختامي على نحو مسؤول، يجمع بين كفاءة الأتمتة والخبرة التفسيرية للمربين. ولمساعدة المربين، تحتاج الأعمال المستقبلية إلى التركيز على تطوير استراتيجيات للتقييم الصفي تدمج الذكاء الاصطناعي التوليدي بطرق هادفة، توسع نطاق تطبيقه وتضمن في الوقت ذاته أن يعزز تجربة التعلم والتعليم الإجمالية للمربين والطلبة على السواء.
المهارات الهجينة بين الإنسان والذكاء الاصطناعي: تنمية الكفايات لمنظومة معرفية جديدة
مع تحول الذكاء الاصطناعي التوليدي إلى جزء لا يتجزأ من المنظومة المعرفية، يجب أن يتحول تركيز تنمية المهارات من أداء المهام التي يستطيع الذكاء الاصطناعي أتمتتها إلى إتقان المهارات اللازمة للعمل مع هذه التقنيات ومن خلالها بفاعلية. فالمهارات الهجينة بين الإنسان والذكاء الاصطناعي لا تعني استبدال العقل البشري، بل تعزيزه. وهي تمثل مجموعة من الكفايات ما وراء المعرفية والنقدية والأخلاقية التي تمكّن الأفراد من توظيف الذكاء الاصطناعي لتحسين أدائهم دون التضحية بتنمية معارفهم وأحكامهم الدائمة. وتنمية هذه المهارات هي خط الدفاع الأول في مواجهة «وهم الإتقان الزائف». ومن المكونات الرئيسية لهذه المجموعة من المهارات ما يلي.
التعامل الاستراتيجي مع الذكاء الاصطناعي وصياغة الأوامر النصية: يتجاوز ذلك «هندسة الأوامر النصية» البسيطة، إذ ينطوي على القدرة على تحليل المهمة، والاختيار الاستراتيجي لأداة الذكاء الاصطناعي الملائمة أو اختيار عدم استخدام أي أداة، وتصميم أوامر نصية فعالة توجه النموذج نحو النتيجة المرغوبة. كما يشمل مهارة التحسين التكراري، أي التقييم النقدي لمخرجات الذكاء الاصطناعي وتعديل الأوامر لتحسين النتائج.
التقويم النقدي والتحقق: وهو القدرة على التشكك الفكري عند مواجهة المحتوى المولد بالذكاء الاصطناعي. وينطوي على التحقق الفاعل من صحة الادعاءات، والتعرف إلى التحيزات المحتملة في مخرجات النموذج، وتقدير مصداقية المعلومات، ولا سيما في أنظمة التوليد المعزز بالاسترجاع، وصولاً في النهاية إلى حكم مستنير على جدارة إسهام الذكاء الاصطناعي بالثقة وعلى جودته.
الإبداع المشترك والتوليف: وهي مهارة عليا تنطوي على استخدام الذكاء الاصطناعي التوليدي لا بوصفه محركاً للإجابات، بل شريكاً إبداعياً. وهي القدرة على استخدام الذكاء الاصطناعي للعصف الذهني، واستكشاف الفرضيات المضادة للواقع، وتوليد منظورات متنوعة حول مشكلة ما، والتوليف بين المحتوى المولد بالذكاء الاصطناعي والمعارف الذاتية لإنتاج عمل جديد يتجاوز مجموع أجزائه.
الوعي ما وراء المعرفي والتنظيم الذاتي: وهو القدرة الحاسمة على مراقبة المرء لعمليات تعلمه وإدراكه في أثناء استخدام الذكاء الاصطناعي. ويشمل التعرف إلى بوادر الاعتماد المفرط أو «الكسل ما وراء المعرفي»، واتخاذ قرارات واعية بشأن متى يُسند مهمة إلى الذكاء الاصطناعي ومتى ينخرط في تفكير مجهِد من أجل التعلم، والتأمل في كيفية تأثير استخدام الذكاء الاصطناعي في تنمية مهاراته.
الاستخدام الأخلاقي والمسؤول: وينطوي على فهم الجوانب الأخلاقية للذكاء الاصطناعي التوليدي والتعامل معها. ويشمل احترام خصوصية البيانات، والتمسك بالنزاهة الأكاديمية والمهنية، ونسبة إسهامات الذكاء الاصطناعي إليه على النحو الملائم، ومراعاة الانعكاسات المجتمعية الأوسع لكيفية توظيف هذه التقنيات القوية.
وأخيراً، تبرز دراستنا خطراً جسيماً: فالتبني غير النقدي للذكاء الاصطناعي التوليدي قد يقوّض عن غير قصد تنمية مهارات بشرية أساسية كالتفكير النقدي وما وراء المعرفة والحكم التقويمي، وكلها أسس للخبرة الحقيقية. وقد يفضي ذلك إلى ما نسميه «وهم الإتقان الزائف»، حيث تخفي المخرجات المبهرة التي يولدها الذكاء الاصطناعي قصوراً في تنمية المهارات الأساسية، بما فيها المهارات الهجينة بين الإنسان والذكاء الاصطناعي. ولذلك فإن الطريق إلى الأمام ليس رفض التقنية، بل الالتزام بالقصدية التربوية والصرامة المنهجية. فبدلاً من الاكتفاء بالتساؤل عما إذا كان الذكاء الاصطناعي التوليدي «يعزز أداء الطلبة في المهام»، يجب أن نركز على كيفية استخدامه لتعزيز تعلم عميق وهادف ودائم. ويعني ذلك إعادة توجيه تركيزنا من المنتجات التي يولدها الذكاء الاصطناعي التوليدي إلى العمليات المتمحورة حول الإنسان، وضمان تصميم أدواته لتكون سقالات للتفكير البشري لا بديلاً عنه. ومن خلال إعطاء الأولوية لتنمية مهارات دائمة وقابلة للنقل، ودمج الوعي ما وراء المعرفي في التعلم والتقييم كليهما، يمكننا إطلاق الإمكانات التحويلية للذكاء الاصطناعي التوليدي، وصنع مستقبل تعليمي ليس أكثر كفاءة فحسب، بل إنساني بحق.
