تقرير آفاق التعليم الرقمي 2026: استكشاف الاستخدامات الفعالة للذكاء الاصطناعي التوليدي في التعليم (14/3)

الجزء الأول: تعزيز تعلم الطلبة بالذكاء الاصطناعي التوليدي

الفصل الثالث: التعلم مع المعلمين الأذكياء القائمين على الحوار: تطبيق الطريقة السقراطية بالذكاء الاصطناعي التوليدي

يوهينغ لي وشيانغين هو، جامعة هونغ كونغ للفنون التطبيقية (الصين)

يعرض هذا الفصل الإمكانات الجديدة التي يتيحها الذكاء الاصطناعي التوليدي مقارنةً بالعوامل التربوية السابقة المدعومة بالذكاء الاصطناعي. ومتخذاً نظام Socratic Playground مثالاً، يبرز الأدوار المختلفة التي يمكن للعوامل المدعومة بالذكاء الاصطناعي التوليدي أن تضطلع بها، ويؤكد كيف يمكنها تجسيد مقاربة «التربية أولاً». وبعد مراجعة بعض الأدلة واقتراح إطار لدراسات الفاعلية، يشير إلى اتجاهات مستقبلية ممكنة لتطوير أنظمة الذكاء الاصطناعي التوليدي التعليمية. ويعرض ملحق بعض الجوانب التقنية للعوامل التوليدية التعليمية.

مقدمة

اقتصرت العوامل التربوية الأولى المدعومة بالذكاء الاصطناعي في التعليم في الغالب على أنظمة تدريس قائمة على القواعد ومبرمجة مسبقاً، تمثلها منصات مثل AutoTutor التي حاكت الحوار بين المعلم والمتعلم عبر نصوص ثابتة. وقد أثبتت هذه الأنظمة أن التعلم الحواري مع الذكاء الاصطناعي قادر على محاكاة التدريس البشري الفردي، غير أنها عملت ضمن حوارات مضبوطة بإحكام واستجابات طلابية متوقعة سلفاً. ومع ظهور النماذج اللغوية الكبيرة، مثل GPT4 من OpenAI، في عشرينيات القرن الحادي والعشرين، بدأ جيل جديد من عوامل الذكاء الاصطناعي التوليدي يحوّل هذا المشهد. فعلى خلاف أسلافها المبرمجة مسبقاً، تستطيع العوامل التوليدية إنتاج ردود وثيقة الصلة بالسياق ومتماسكة لغوياً على الفور، مما يتيح تفاعلات أعمق وأكثر طبيعية بكثير. ويستكشف هذا الفصل كيف يمكن للعوامل التربوية المدعومة بالنماذج اللغوية الكبيرة أن تنتقل، بتوظيف الذكاء الاصطناعي التوليدي، من شخصيات افتراضية ساكنة إلى شركاء حوار متكيفين.

ويتخذ الفصل مثالاً محورياً له نظام Socratic Playground، الذي يوسع البحوث السابقة حول التدريس القائم على الحوار باستخدام الذكاء الاصطناعي التوليدي، والذي طوّره أحد المؤلفَين. وهذا النظام نموذج أولي عامل لنظام تدريس ذكي يدمج GPT4 لتقديم تساؤل سقراطي مفتوح وتغذية راجعة مخصصة في الوقت الفعلي. وتؤطر هذه المقدمة سؤالين رئيسيين يوجهان بحثنا: كيف تختلف التفاعلات البشرية مع العوامل التوليدية نفسياً وتربوياً عن التفاعلات مع المعلمين الأذكياء المبرمجين مسبقاً؟ وما الإمكانات الجديدة التي تجلبها العوامل التوليدية إلى التعلم المخصص؟ فمن منظور نفسي، تستطيع العوامل التوليدية محاكاة الفروق الدقيقة في الحوار البشري، بل وحتى الحساسية الوجدانية، بدلاً من تبادل الأدوار الآلي في الأنظمة الأقدم. ومن منظور تربوي، تستطيع العوامل التوليدية القائمة على النماذج اللغوية الكبيرة تكييف أسئلتها وشروحها وفق مدخلات كل متعلم على نحو لم تستطعه أنظمة التدريس القائمة على أشجار القرار الساكنة، مما يتيح شكلاً من التدريس التكيفي كان حتى وقت قريب مجرد طموح. فعلى سبيل المثال، في حين قد يقدم معلم ذكي تقليدي تلميحاً ثابتاً بصرف النظر عن الحالات الوجدانية للطلبة المنعكسة في مدخلاتهم، قد يحاول العامل التوليدي تحديد هذه الحالات والتنبؤ بها وتكييف ردوده وفقاً لها، فيتبنى مثلاً نبرة أكثر تشجيعاً لدعم المتعلم عند رصد علامات الإحباط. وتحمل هذه الإمكانات الجديدة، الممتدة من التخصيص الممكن عند الطلب على نطاق واسع إلى القدرة على الانخراط في حوار سقراطي مفتوح، وعوداً بتجارب تعلم أكثر فاعلية وجاذبية.

وفي الوقت ذاته، تثير المقاربة التوليدية اعتبارات حاسمة تؤكد من جديد المكانة المحورية الدائمة للتربية. فالبحوث السابقة تؤكد أن قوة التقنية يجب أن تُسخَّر لخدمة أساليب تدريسية سليمة، لا أن تكون بديلاً عنها. وبعبارة أخرى، حتى أكثر المعلمين الأذكياء القائمين على النماذج اللغوية الكبيرة تقدماً سيقصر عن بلوغ غايته ما لم توجهه نظريات راسخة في التعلم وتصميم تعليمي متأنٍّ. ولذلك يضع بحثنا منظور «التربية أولاً» في المقدمة. فنحن ننظر إلى النماذج التوليدية بوصفها محفزات قادرة على تعميق شخصية العامل وقدراته الحوارية، شريطة دمجها في أطر تدريسية متينة. ويجسد النموذج الأولي Socratic Playground كيف يمكن أن تظل التربية في المركز، مستندة إلى مقاربات تدريس راسخة لتعزيز التفكير النقدي وتأمل المتعلم، مع دمج القدرات التوليدية للذكاء الاصطناعي المتطور في الوقت ذاته ضمن سياقات تعليمية حقيقية. ومن خلال استعادة مسار التطور من الأنظمة القائمة على القواعد مثل AutoTutor إلى المعلمين السقراطيين التوليديين اليوم، تمهد هذه المقدمة لفحص مفصل لكيفية عمل هذه العوامل الجديدة وكيف يمكن استخدامها بمسؤولية لتحسين التعلم. ويستند الفصل إلى بحوث حديثة تقارن المعلمين الأذكياء التقليديين بالأنظمة الجديدة القائمة على النماذج اللغوية الكبيرة، وإلى نتائج الأدبيات حول العوامل التربوية المدعومة بالذكاء الاصطناعي في عصر الذكاء الاصطناعي التوليدي. والغاية النهائية هي بلورة رؤية لرفقاء تعلم توليديين لا يتجاوزون قيود المعلمين الأذكياء التقليديين فحسب، بل يظلون أيضاً راسخين في تربية هادفة وفي تمكين الإنسان.

الذكاء الاصطناعي التوليدي يلتقي بالعوامل التربوية التقليدية المدعومة بالذكاء الاصطناعي

كانت أنظمة التدريس الذكية التقليدية في معظمها أنظمة خبيرة قائمة على القواعد، تعتمد على قواعد شرطية محددة سلفاً ومعارف المجال لمحاكاة المعلمين البشريين. وكانت هذه الأنظمة قادرة على تقديم دعم وتغذية راجعة خطوة بخطوة في حل المسائل، لكن سلوكها كان مبرمجاً مسبقاً بالكامل، أي أنها كانت أشبه بشخصية افتراضية ذات نص معد سلفاً. وقد أظهرت الدراسات أن هذه الأنظمة، حين تُصمم بعناية، يمكن أن تقترب من فاعلية التدريس البشري الفردي في مجالات معينة. غير أن بناءها كان يتطلب جهداً كبيراً؛ إذ استلزمت صياغة قواعد الخبراء والأسئلة والإجابات المتوقعة ورسائل التغذية الراجعة خبرة واسعة بالمجال، وكان كل مجال دراسي جديد يعني البدء بقاعدة قواعد جديدة من الصفر. والأهم من ذلك أن جمود أنظمة التدريس القائمة على القواعد كان يعني أيضاً أنها تواجه صعوبة مع مدخلات الطلبة أو أسئلتهم غير المتوقعة، مما قيّد قابليتها العملية للتوسع وثراء تفاعلاتها التدريسية.

وفي المقابل، تستطيع التطورات الحديثة في النماذج اللغوية الكبيرة التوليدية، كسلسلة GPT من OpenAI، توليد حوار سلس وملائم للسياق على نحو ديناميكي، مما يتيح فرصاً جديدة لتطبيق أنظمة التدريس الذكية تتفوق في قابلية التعميم والتكيف مقارنةً بالمعلمين الأذكياء المبرمجين مسبقاً. ويُتصور أن العوامل التوليدية قادرة على إتاحة تجربة تدريس أكثر مرونة، تتعامل مع الأسئلة غير المتوقعة أو سيناريوهات المسائل الجديدة في الوقت الفعلي، وهو ما كانت الأنظمة السابقة القائمة على القواعد تجد صعوبة في تحقيقه في الغالب.

التقدم في الحوار والتكيف

يفصّل هذا القسم كيف ينعكس التحول النموذجي من أنظمة التدريس الذكية القائمة على القواعد إلى العوامل التوليدية القائمة على الشبكات العصبية على الممارسة والبحث التربويين.

فقد بلغت النماذج اللغوية الكبيرة الحديثة مستوى من الطلاقة والفهم الحواري يمكّن العوامل التربوية الرقمية من إشراك المتعلمين في نقاشات مفتوحة. فقد أظهر GPT4 مثلاً قدرة على إنتاج شروح شبيهة بشروح البشر، وطرح أسئلة استيضاحية، ودعم تفكير الطلبة عبر حوار متعدد الأدوار. وتستند هذه النماذج إلى معارف ضخمة مدربة مسبقاً وقدرات استدلال سياقي تفوق بمراحل تقنيات مطابقة الأنماط في أنظمة التدريس الذكية السابقة. ويستطيع العامل القائم على نموذج لغوي كبير «ارتجال» أسئلة متابعة أو تلميحات بناءً على آخر إجابة للطالب، بدلاً من الاختيار من قائمة ثابتة من الردود. وقد قدم باحثون مفهوم Socratic Playground بوصفه نموذجاً لتطبيق الجيل الجديد من أنظمة التدريس الذكية، يستخدم نواة من GPT4 لتحقيق هذا النوع من التكيف الديناميكي تحديداً. وفي التطبيقات التجريبية، أفضت المقاربة التوليدية إلى تحسينات ملحوظة في انسيابية حوارات التدريس وتخصيصها، مقارنةً بالتفاعلات الأكثر برمجة في الأنظمة التقليدية. وأظهر العامل قدرات سليمة على تفسير الإجابات الدقيقة أو الصحيحة جزئياً بدقة عالية، وتوليد أسئلة أو سيناريوهات جديدة وفقاً لذلك لتلبية احتياجات المتعلم. وتؤكد هذه القدرات كيف تمكّن النماذج اللغوية الكبيرة العوامل من تجاوز المسارات المتوقعة التي رسمها المصممون، مما يجعل تجربة التدريس أكثر استجابة للمتعلمين الأفراد.

وفي المقابل، كثيراً ما واجهت الأنظمة السابقة مشكلات حين لا تطابق مدخلات الطالب أي توقع مبرمج سلفاً؛ فقد يتوقف الحوار أو يقدم العامل رداً عاماً. وتخفف النماذج التوليدية من ذلك بالتعميم من بيانات تدريبها للتعامل مع مدخلات متنوعة، حتى تلك التي لم يتوقعها المطورون. كما توفر إمكانية تأسيس المعرفة، عبر التوليد المعزز بالاسترجاع أو مزيد من الضبط الدقيق على مواد خاصة بالمهام اللاحقة، بحيث يستطيع العامل إدماج معلومات واقعية محدثة في تدريسه. فضلاً عن ذلك، تستطيع العوامل القائمة على النماذج اللغوية الكبيرة الاحتفاظ بشكل من الذاكرة طوال جلسة التدريس، يُحتفظ به في الغالب بوصفه سياق الجلسة، فتتتبع المفاهيم التي جرت تغطيتها والمفاهيم الخاطئة التي أظهرها الطالب. ويتم ذلك عبر آليات كسجل المحادثة أو وحدات الذاكرة الصريحة التي افتقرت إليها الأنظمة الأقدم. فعلى سبيل المثال، يستطيع العامل أن يتذكر أن طالباً واجه صعوبة مع مفهوم ما في وقت سابق، فيعود إليه لاحقاً بمزيد من التدريب أو الأسئلة، اتساقاً مع مفهوم فيجوتسكي حول المساعدة ضمن منطقة النمو القريبة للمتعلم. ومن خلال بناء ملامح المتعلمين وتحسينها تدريجياً، يستطيع العامل التوليدي تكييف جلسة التدريس وفقاً لذلك، كتعديل مستوى الصعوبة، مع الحفاظ على مستوى تحدٍّ ملائم للمتعلم، وهي قدرة أقرب بكثير إلى ما يفعله المعلم البشري الماهر منها إلى ما كانت الأنظمة المبرمجة مسبقاً قادرة عليه.

وفي الممارسة العملية، كثيراً ما تُعتمد تقنيات هندسة الأوامر النصية لتوجيه سلوك النموذج اللغوي نحو دور تعليمي. إذ يصمم المطورون أوامر نصية توجه النموذج إلى التصرف كمعلم سقراطي، وقد تتضمن أحياناً إرشادات منظمة، بل ومخططات موحدة لتمثيل البيانات بصيغة JSON لفرض منطق تربوي. ويتيح هذا التحكم القائم على الأوامر النصية، مقترناً بالقدرة التوليدية للنموذج، استجابة متعددة الوسائط أيضاً؛ إذ باتت بعض العوامل قادرة على إنتاج ليس فقط شروح نصية، بل أيضاً صيغ رياضية أو شيفرات برمجية أو حتى صور عند الطلب لتيسير الفهم. وتساعد القدرة على توليد تمثيلات متنوعة، كالتشبيهات والأمثلة والتمثيلات البصرية، على مراعاة أنماط التعلم المختلفة، وهو ما كان عسيراً على الأنظمة النصية المعدة سلفاً. وخلاصة القول، زوّد الذكاء الاصطناعي التوليدي العوامل التربوية الرقمية بمجموعة من الإمكانات تشمل توليد الحوار في الوقت الفعلي، والفهم العميق للغة، والاحتفاظ بالسياق، وإنتاج المحتوى. وتتيح هذه الإمكانات للعوامل تخصيص التدريس وإشراك المتعلمين بمرونة أكبر من الأنظمة السابقة المقيدة بمنطق مبرمج سلفاً. ويتناول ما تبقى من هذا الفصل ما تعنيه هذه التغيرات بالنسبة إلى الأدوار التي يمكن للعوامل أداؤها، وكيفية تصميم تفاعلاتها، وكيفية ضمان رسوخ هذه القفزة التقنية في تربية فعالة.

أدوار العوامل وقدراتها المعززة

وسّع الذكاء الاصطناعي التوليدي القدرات التربوية للعوامل الاصطناعية، فأتاح لها تجاوز الدور التقليدي للمعلمين الأذكياء السابقين المتمثل في نقل المعرفة وتقديم التغذية الراجعة. ففي نظام Socratic Playground والأنظمة المماثلة، تستطيع العوامل أن تتبنى بسلاسة أدواراً كالمرشد أو القرين أو المدرب الوجداني بحسب السياق واحتياجات المتعلم. ويستكشف هذا القسم هذه الأدوار الموسعة والقدرات الجديدة التي تتيحها، موضحاً كيف يمكن للعامل القائم على نموذج لغوي كبير أن يتحول من مجرد ناقل للمحتوى إلى شريك تعليمي متعدد الأوجه.

المرشدون والمدربون

تستطيع العوامل التوليدية أن تؤدي دور المرشدين الذين يوجهون المتعلمين عبر مسائل أو مشروعات مفتوحة. ففي سيناريو كتابة المقالات في نظام Socratic Playground مثلاً، لا يكتفي العامل بتقديم الحقائق أو الإجابات الصحيحة، بل يرشد الطالب في التفكير النقدي بطرح أسئلة استقصائية من قبيل «لماذا» و«كيف» حول حجج مقالته. وتهدف هذه المقاربة، المتجذرة في الطريقة السقراطية، إلى تعزيز تأمل المتعلم واستدلاله على نحو يماثل توجيه المرشد البشري. وبما أن العامل يستطيع توليد أسئلة المتابعة ديناميكياً بناءً على إجابة الطالب السابقة، يبدو الحوار مصمماً على مقاسه ومثيراً للتحدي الفكري. وتشير الملاحظات التجريبية إلى أن العوامل السقراطية في هذا النظام تدعم بفاعلية تأملاً أعمق؛ إذ يُحث الطلبة على شرح استدلالهم، والنظر في الحجج المقابلة، وتنقيح أفكارهم، بدلاً من تلقي المعلومات تلقياً سلبياً. ويمثل هذا الشكل من الدعم القائم على الأسئلة والمتكيف مع تفاعلات كل متعلم تحولاً في القدرات: فالعامل يتجاوز دور المحاضر إلى دور المدرب المعرفي الشخصي، الذي يوجه المتعلمين في تنمية استراتيجيات ما وراء معرفية للتعلم.

وبعيداً عن التوجيه الأكاديمي، تستطيع العوامل التوليدية أيضاً تقديم تدريب تحفيزي. فمن خلال تحليل المشاعر في مدخلات المتعلم، يستطيع العامل رصد الإحباط أو الارتباك والاستجابة بالتشجيع أو الثناء على الجهد أو اقتراح الاستراتيجيات. ويتيح هذا المظهر من التناغم الوجداني، الذي تجعله القدرات اللغوية للنماذج اللغوية الكبيرة ممكناً، أن يتولى العامل دور المدرب الوجداني، وهو ما قد يعزز ثقة المتعلم ومثابرته كما تشير البحوث ذات الصلة. وباختصار، يمكن للعامل التوليدي الجيد التصميم أن يكون في آن واحد مرشداً معرفياً ومدرباً وجدانياً، يمزج الدعم الفكري بالتعاطف على نحو يتفوق على المعلمين الأذكياء الساكنين المبرمجين مسبقاً.

والأهم أن التحولات بين أدوار الإرشاد والتدريب المختلفة يمكن أن تجري بانسيابية. فالمعلم الذكي ذاته قد ينتقل من تقديم التلميحات، إلى طرح الأسئلة التأملية، إلى تقديم التشجيع، بل إلى ترك الطالب يقود الشرح، وكل ذلك في جلسة واحدة. وكان هذا التنوع شبه مستحيل مع المعلمين الأذكياء الجامدين، لكن النماذج اللغوية الكبيرة تجعل الارتجال السياقي ممكناً. فالقدرة على تتبع تطور الخطاب، مقترنةً بالقدرة على تحديد الأنماط والتنبؤ، حين تُصمم وتُنفذ بصرامة، كإضافة تعليمات لفحص المشاعر التي يعبر عنها الطلبة في أثناء المحادثات، تتيح للعامل استنتاج متى ينبغي تبديل الأدوار؛ كأن يتبنى موقفاً داعماً في لحظات الإحباط بوصفه مدرباً وجدانياً، ثم ينتقل إلى دور أكثر توجيهاً حين تُستعاد الثقة. ومن خلال توظيف ذاكرة الأدوار السابقة، التي تُمرَّر إلى العامل التوليدي في الغالب بوصفها سياق المحادثة، يستطيع العامل اتباع تعليمات محددة سلفاً لتقدير ما إذا كان المتعلم مستعداً لمزيد من الاستقلالية، أو بحاجة بدلاً من ذلك إلى مهام مدعومة وتغذية راجعة تحفيزية لتعزيز ثقته. وتسهم هذه القدرة في أنسنة التفاعل، وتجعله أقرب إلى التبادلات التربوية الحقيقية المرصودة في سياقات التفاعل بين المعلم والمتعلم.

الأقران والرفقاء

تستطيع العوامل التربوية التوليدية أيضاً أداء دور متعاون شبيه بالقرين، يعزز الانخراط التعاوني والبناء المشترك للمعرفة. إذ يمكنها الانخراط في تفاعلات أقل رسمية وأكثر حوارية تشبه التعلم بين الأقران أو حل المسائل التعاوني. فعلى سبيل المثال، قد يتقمص العامل شخصية شريك في التعلم يعمل على حل مسألة جنباً إلى جنب مع الطالب، قائلاً أحياناً: «هكذا أفكر في الأمر، فما رأيك؟» بدلاً من إصدار التعليمات دائماً. ويوظف دور القرين هذا الطبيعة الحوارية للنماذج اللغوية الكبيرة لخلق تبادل ثنائي الاتجاه يشعر فيه المتعلم بفاعلية أكبر. وقد أظهرت الدراسات أن التفاعلات المتعددة العوامل أو المتعددة الأدوار قادرة على تعريض المتعلمين لوجهات نظر متنوعة وتعزيز التفكير النقدي. ففي أحد العروض اللافتة، استُخدمت عوامل توليدية لمحاكاة مشاركين مختلفين، طالب ومعلم وولي أمر، ينخرطون في نقاش على غرار النقاشات الصفية، فوفرت للمتعلم منظورات متعددة في الحوار. ومع أن ذلك المثال استخدم عوامل ذكاء اصطناعي منفصلة لكل دور، يستطيع عامل توليدي واحد أيضاً أن يقترب من دور القرين بحث الطالب أحياناً على تعليمه أو بتقمص دور محامي الشيطان. بل إن نظام Socratic Playground يتضمن خاصية أشبه بوضع «العامل القابل للتعليم»، مستوحاة من نماذج التعلم بالتعليم، يحث فيها العامل المتعلم على صياغة مفهوم ما أو إعادة تعليمه للنظام. فبتقمص دور المبتدئ الذي يحتاج إلى شرح لفترة وجيزة، يشجع العامل المتعلم على الصياغة، ومن ثم على ترسيخ فهمه، وهي استراتيجية تدعمها البحوث التربوية حول التعلم بالتعليم. ويتيح الذكاء الاصطناعي التوليدي لعب هذا الدور بإنتاج استفسارات وسوء فهم معقول يتعامل معه الطالب، محاكياً قريناً يتعلم من شروح قرينه.

ويجرب الباحثون أيضاً أنماطاً جديدة كلياً من رفقاء التعلم الأذكياء باتت ممكنة بفضل النماذج التوليدية. فعلى سبيل المثال، يمكن جعل المعلم الذكي التوليدي يتصرف بوصفه «شريكاً في التأمل» يحث المتعلمين في نهاية الدرس على التأمل فيما تعلموه، وما وجدوه صعباً، وكيف تغلبوا على التحديات؛ فبطرح أسئلة ما وراء معرفية، وربما بمشاركة «أفكاره» الخاصة المولدة من أوامر تربوية، قد يعزز العامل عادات التأمل الذاتي والتنظيم الذاتي لدى المتعلم. أو بوصفه «رفيقاً عابراً للمجالات» يصاحب المتعلم عبر مواد وسياقات مختلفة، ويساعده على ربط الرؤى من مجال بآخر؛ فبما أن النماذج اللغوية الكبيرة مدربة على معارف واسعة، يستطيع عامل واحد نظرياً أن يناقش التاريخ في حصة التاريخ ثم ينتقل إلى الفيزياء في حصة العلوم، مع تذكر الملامح التعلمية العامة للطالب طوال الوقت. وقد يتيح ذلك استمرارية في الإرشاد تمتد عبر تخصصات وفترات تعلم متعددة، فيؤدي فعلياً دور رفيق تعلم شخصي على المدى الطويل. ومع أن ذلك لا يزال نظرياً، تشير الأعمال المبكرة حول العوامل التوليدية الطويلة الأمد ذات الذاكرة المستمرة إلى جدوى رفقاء أذكياء يستمرون ويتطورون مع المتعلم. بل إنه مع تشكيل ملامح التعلم جزءاً من النماذج الشخصية للعالم لدى الأفراد، قد يمتد هذا الرفيق العابر للمجالات ليصبح رفيقاً للتعلم مدى الحياة. أو بوصفه «محاوراً تحفيزياً» موجهاً نحو إدامة انخراط المتعلم ودافعيته؛ ففي هذا الدور، قد يعود العامل دورياً إلى أهداف المتعلم، ويبرز التقدم المحرز، أو يضع المادة في سياق اهتمامات المتعلم الشخصية، وهي مهمة يمكن للنماذج اللغوية الكبيرة محاولتها بالاستناد إلى معارف واسعة في مجالات كالرياضة والموسيقى والثقافة الشعبية. ومن خلال هذا التخصيص والحفاظ على نبرة إيجابية، يسعى العامل إلى تعزيز الدافعية الداخلية للمتعلم وإدامتها.

وفي جميع هذه الأدوار الموسعة، يتمثل العامل الممكّن الرئيسي في قدرة العامل التوليدي على التكيف الفوري والتواصل التفاعلي الثري. فبينما اعتمد المعلمون الأذكياء التقليديون الساكنون على ثناء مبرمج أو تغذية راجعة عامة، يستطيع العامل التوليدي تكييف رسائله التحفيزية وتعديل صعوبة المهام استجابةً لسلوكيات كل متعلم، كتقديم تشجيع ألطف لطالب ارتكب عدة أخطاء متتالية. ويفضي هذا التكيف إلى تجربة تعليمية أثرى وأكثر تناغماً اجتماعياً، تقترب أكثر من الفروق الدقيقة في التدريس البشري والتعاون بين الأقران. فالطلبة المتفاعلون مع هذه العوامل لا يتلقون المعلومات تلقياً سلبياً، بل ينخرطون فعلياً في تجربة علائقية، يتحاورون فيها مع شخصية مرشد أو قرين تستجيب لهم وتتذكر التبادلات السابقة وتتكيف وفقاً لها.

وتشير دراسات المستخدمين المبكرة والأدلة القصصية من عروض نظام Socratic Playground إلى أن المتعلمين كثيراً ما يشعرون بأن العامل التوليدي «يصغي إليهم» أو «يفهمهم» بدرجة تفوق أدوات التعلم الإلكتروني السابقة. ويوحي ذلك بتعزز الحضور النفسي للعامل؛ إذ يبدو أقل شبهاً ببرنامج وأكثر شبهاً بشريك في الحوار، مما قد يزيد استعداد الطلبة للمثابرة في مهام التعلم.

وبطبيعة الحال، تجلب هذه القدرات الجديدة تحديات جديدة أيضاً. فضمان بقاء ردود العامل سليمة تربوياً في أثناء ارتجاله بوصفه قريناً أو مدرباً مجال بحث مستمر. ومع ذلك، فإن الأدوار الموسعة والتكيف اللذين يتيحهما الذكاء الاصطناعي التوليدي ينطويان بوضوح على إمكانية جعل العوامل التربوية الذكية أكثر بكثير من مجرد معلمين رقميين متحركين، بتحويلها إلى مرشدين ومدربين ومتعاونين يثرون الأبعاد الاجتماعية والمعرفية وما وراء المعرفية للتعلم.

أطر التصميم التربوي والتفاعل

يتطلب تصميم عوامل توليدية فعالة المزاوجة بين قدرات الذكاء الاصطناعي والمبادئ التربوية الراسخة وأطر تصميم التفاعل. ونعرض في هذا القسم مبادئ التصميم الرئيسية للعوامل التعليمية المدعومة بالنماذج اللغوية الكبيرة، بما فيها شفافية قرارات الذكاء الاصطناعي، وتقنيات التساؤل المتدرج، والانخراط المتعدد الوسائط، والحفاظ على فاعلية المتعلم. ثم نتناول كيفية تطبيق هذه المبادئ عملياً، مستشهدين بأطر مثل ARCHED وقوالب الأوامر النصية المنظمة، القائمة في الغالب على صيغة JSON، المستخدمة في نظام Socratic Playground. ومن خلال التركيز على خصائص كإيقاع المحادثة، والتزامن بين الإشارات اللفظية وغير اللفظية، وأدوات التحكم التفاعلية للمتعلم، نبيّن كيف تستطيع العوامل التوليدية الموازنة بين الحوار المفتوح والصرامة التدريسية، فتعزز ثقة المتعلم واستقلاليته حتى حين يكون التفاعل مدفوعاً بالذكاء الاصطناعي.

إطار ARCHED وأوامر JSON النصية

إطار ARCHED والأطر المماثلة

إطار ARCHED، أي الذكاء الاصطناعي للتصميم التدريسي التعليمي المسؤول والتعاوني والمتمحور حول الإنسان، إطار يتصدى لغموض «الصندوق الأسود» في الأدوات التعليمية المؤتمتة، عبر إرساء سير عمل شفاف يشرك الإنسان في الحلقة ويستند إلى تصنيف بلوم. وبدلاً من أتمتة إعداد المقررات أتمتة كاملة، يعتمد الإطار بنية ثنائية العوامل، تضم نظاماً لتوليد أهداف التعلم لصياغة المحتوى، ومحركاً لتحليل الأهداف للتدقيق التربوي، بما يضمن احتفاظ المربين باستقلاليتهم في انتقاء الأهداف المولدة بالذكاء الاصطناعي وتنقيحها. وبالمثل، تشمل الأطر البارزة الأخرى في هذا المجال نموذج GAIDE، أي الذكاء الاصطناعي التوليدي للتطوير التدريسي والتعليم، المركز على الكفاءة، وإطار التعاون Academic GPT المركز على الجودة، والذي يكيّف مقاربة «التصميم ثم البناء ثم الاختبار ثم التعلم».

الأوامر النصية بصيغة JSON

تتسم الأوامر النصية العادية بالمرونة والطابع الحواري وسهولة التعامل البشري معها، لكنها قد تترك مجالاً للالتباس. وفي المقابل، تستخدم الأوامر النصية بصيغة JSON حقولاً صريحة وبنية قابلة للقراءة الآلية، مما يقلل التخمين لدى العامل التوليدي ويجعل مخرجاته أكثر تنظيماً وموثوقية.

الشفافية وقابلية التفسير

مع تزايد تعقيد المعلمين الأذكياء، تصبح الشفافية في طريقة عملهم أمراً حاسماً لبناء الثقة لدى المتعلمين والمربين على السواء. ويقترح إطار ARCHED مقاربة متمحورة حول الإنسان تدمج الشفافية والإشراف البشري في التصميم التدريسي المدعوم بالذكاء الاصطناعي. فضمن هذا الإطار، توصي مكونات ذكاء اصطناعي متخصصة متعددة بإجراءات تربوية وتقيّمها، بينما يظل المربون البشريون أصحاب القرار النهائي، بما يضمن أن يكون المنطق الكامن وراء المحتوى المولد بالذكاء الاصطناعي مرئياً وقابلاً للتدقيق. وبنقل ذلك إلى سيناريو العامل التدريسي الرقمي، ينبغي للعامل التوليدي في الحالة المثلى أن يكون قادراً على تفسير سبب طرح سؤال معين أو تقديم تغذية راجعة بعينها، أو على الأقل أن يفعل ذلك إذا استفسر المتعلم. فعلى سبيل المثال، قد يمهد العامل لتلميح ما بتوضيح أنه يهدف إلى دعم توضيح فهم المتعلم لمفهوم محدد. ويوفر هذا الحوار الشارح نافذة على القصد التربوي للعامل. ومن جوانب الشفافية الأخرى الإفصاح عن عدم اليقين؛ فإذا لم يكن الذكاء الاصطناعي واثقاً تماماً من رد ما، وهو ما يمكن تقديره من احتمالات النموذج أو من خطوة تحقق، أمكنه الإفصاح عن ذلك، كأن يقول: «لنتحقق من هذه الإجابة مجدداً، فلست متأكداً تماماً منها». ويمكن لهذه الأمانة أن تساعد على ضبط التوقعات الصحيحة ودعوة الطالب إلى حل المشكلة بالاشتراك، بدلاً من أن يأخذ كل ما يقوله الذكاء الاصطناعي على أنه حقيقة مسلّمة.

وقد أدخلت أنظمة حديثة عدة آليات لتعزيز شفافيتها وقابليتها للتفسير. فنظام Khanmigo الأمريكي، الذي يسعى إلى تقديم تدريس آمن بمستوى مؤسسي، يعزز الشفافية بتقديم إحالات مضمّنة إلى مصادر خارجية، وباعتماد آلية «التحقق المزدوج» التي يتحقق فيها الذكاء الاصطناعي علناً من إجاباته قبل عرضها. ونظام Squirrel AI الصيني، الذي يسعى إلى تحسين كفاءة التعلم عبر التشخيص الدقيق، يستخدم «الذكاء الاصطناعي القابل للتفسير» ليُظهر للمعلمين المنطق الكامن وراء توصيات محتوى بعينها، وإن كان «النموذج التكيفي الكبير» الذي يقوم عليه يعمل عموماً بوصفه نظاماً غامضاً بالنسبة إلى الطالب. ونظام Riiid الكوري الجنوبي، المركز على رفع درجات الاختبارات المعيارية بكفاءة، يوظف تقنيات «الذكاء الاصطناعي القابل للتفسير» ليبيّن للمستخدمين بصرياً مكونات المعرفة أو سلوكيات الدراسة التي أسهمت تحديداً في درجاتهم المتوقعة. ومنصة Century Tech البريطانية، الرامية إلى تعزيز قدرات المعلمين وتخصيص التعلم، تضمن الشفافية بالتمييز الصريح في لوحة معلومات الطالب بين المهام التي يكلّف بها المعلم و«الجرعات» التعليمية التي يوصي بها الذكاء الاصطناعي، مع تحديد فجوات المهارات المحددة المستخلصة من سلوكيات التعلم على «المستوى الدقيق» التي استدعت التوصية.

وبديلاً عن الآليات المستخدمة في الأدوات القائمة، يمكن أن يتضمن تطبيق العوامل التربوية التوليدية آليات للتحقق اللاحق من التفاعلات. ففي أثناء تصميم نظام Socratic Playground، أدخل المطورون أداة للتسجيل والتمثيل البصري موجهة إلى الباحثين والمدرسين، تُظهر مسار قرارات العامل، كنمط الأمر النصي الذي جرى تفعيله، وما «ظنه» العامل مفهوماً خاطئاً لدى الطالب. ومع أن هذه الشفافية الخلفية ليست متاحة للمتعلمين مباشرة، فإنها تتيح إشرافاً بشرياً مستمراً على الإجراءات التربوية للذكاء الاصطناعي. وإجمالاً، يستلزم تبني تصميم شفاف جعل المنطق الداخلي للنظام وتفاعلاته الخارجية قابلين للتفسير قدر الإمكان، اتساقاً مع الدعوات إلى ذكاء اصطناعي جدير بالثقة في التعليم.

تقنيات التساؤل المتدرج

من الركائز الأساسية في تصميم العوامل التربوية المدعومة بالذكاء الاصطناعي استخدام الحوار المتدرج، الذي يستند في الغالب إلى التساؤل السقراطي والاستراتيجيات المتصلة به. فبدلاً من تقديم الإجابات جاهزة، يوجّه العامل التربوي الجيد التصميم المتعلم إلى بناء المعرفة عبر أسئلة مرتبة بعناية. وتتجذر هذه المقاربة في مفهوم السقالات التعليمية لدى فيجوتسكي ومنطقة النمو القريبة، حيث يُقدَّم الدعم بما يتجاوز قليلاً قدرة المتعلم الحالية ثم يُسحب تدريجياً مع نمو كفاءته. والعوامل القائمة على النماذج اللغوية الكبيرة مؤهلة بوجه خاص لتطبيق التساؤل السقراطي، لقدرتها على توليد طيف واسع من الأسئلة الاستقصائية وأسئلة المتابعة على نحو ديناميكي، وعلى إعادة صياغة الأسئلة أو تعديل صعوبتها بمرونة بناءً على إجابات المتعلم.

وكثيراً ما تتضمن أطر التدريس الذكي تصنيفات للأسئلة، كأسئلة سبر المفاهيم وطلب الأدلة والأسئلة المضادة للواقع، يمكن ترميزها في الأوامر النصية للذكاء الاصطناعي أو في منطق قراراته. وفي الممارسة العملية، يستخدم نظام Socratic Playground قالباً للأوامر النصية قائماً على صيغة JSON لفرض نص تدريسي منظم مع الاستفادة في الوقت ذاته من المرونة التوليدية. ويُقسَّم الأمر النصي إلى أقسام، مثل «التفاعل الأولي» و«المتابعة» و«تقديم التغذية الراجعة» وغيرها، يتضمن كل منها إرشادات لنوع الحركات السقراطية التي ينبغي للعامل القيام بها. فعلى سبيل المثال، في دور «المتابعة»، قد يُوجَّه العامل عبر الأمر النصي إلى طرح سؤال «لماذا» يتصل بآخر عبارة للطالب، أو إلى طلب الاستيضاح إذا كانت إجابة الطالب ناقصة. وبتنظيم التفاعل على هذا النحو، تظل المخرجات التوليدية للعامل هادفة تربوياً. والأهم أن بنية JSON تتيح للنظام أيضاً تتبع التوقعات والمفاهيم الخاطئة صراحة؛ إذ يحتفظ العامل بقوائم للنقاط الرئيسية، أي «التوقعات»، التي ينبغي للطالب ذكرها في الإجابة المثالية، وللأخطاء الشائعة المعروفة، أي «المفاهيم الخاطئة». وتُقارن كل إجابة للطالب بهذه القوائم، عبر النموذج اللغوي أو عبر مصنفات مساندة، ويُولَّد الأمر النصي التالي وفقاً لذلك؛ فإذا رُصد مفهوم خاطئ مثلاً، قد يستهدف السؤال التالي سوء الفهم هذا. وتضمن هذه الطريقة، المستوحاة من آلية التكييف وفق التوقعات والمفاهيم الخاطئة في AutoTutor والمحدَّثة بقدرات النماذج اللغوية الكبيرة، أن يكون التساؤل المتدرج متكيفاً مع مدخلات المتعلم. وقد أظهرت الدراسات التجريبية منذ زمن طويل فاعلية هذا النوع من السقالات، لأنه يبقي المتعلم في نمط بنائي فاعل لا سلبي، وهو ما يُعرف بأنه يحسن نواتج التعلم.

ويتسق تبني مقاربة السقالات في تصميم العوامل مع مجموعة أوسع من البحوث التي تسعى إلى توظيف العوامل القائمة على النماذج اللغوية الكبيرة لتعزيز الفهم الأعمق والتعلم الذاتي التوجيه. ولذلك ينبغي لمطوري التقنيات التعليمية، عند تصميم عامل توليدي، أن يعدّوا بنكاً من استراتيجيات التساؤل السليمة تربوياً، وأن يدمجوها إما عبر أنماط الأوامر النصية، أو عبر أمثلة قليلة، أو عبر طبقات قائمة على القواعد فوق مخرجات النموذج اللغوي.

التفاعل المتعدد الوسائط والمتجسد

لتجاوز التفاعلات الأحادية الوسيط التي أتاحها المعلمون الأذكياء التقليديون تجاوزاً حقيقياً، تستطيع العوامل التوليدية توظيف الانخراط المتعدد الوسائط، بالجمع بين النص أو الكلام ووسائط أخرى كالمرئيات والإيماءات والمحاكاة التفاعلية. وقد أظهرت البحوث في التعلم بالوسائط المتعددة أن المعلومات اللفظية والبصرية المنسقة جيداً قادرة على تعزيز الفهم، ما دامت متزامنة وغير مُثقِلة. وتتيح منصات الذكاء الاصطناعي الحديثة للعامل التدريسي عرض الصور أو المخططات، بل والتعامل مع أجسام افتراضية في بيئة محاكاة بالتوازي مع الحوار. فعلى سبيل المثال، إذا كان الطالب يتعلم الهندسة، قد يولّد العامل ديناميكياً مخططاً لمثلث ويحدد زواياه وهو يوجه الطالب في برهان ما. وتستطيع النماذج التوليدية إنتاج أوصاف للمرئيات أو طلب صور ذات صلة، عبر التكامل مع نماذج البحث عن الصور أو توليدها، فتؤدي فعلياً دور الجسر بين النص والمرئيات. فضلاً عن ذلك، إذا جُسِّد العامل في هيئة معلم افتراضي، سواء عبر الواقع المعزز أو الافتراضي أو عبر واجهات قائمة على الشاشة، فإن مواءمة تعبيرات الوجه والإيماءات مع الحوار تشكل عاملاً مهماً في تحقيق تفاعل طبيعي. فإيماءة بالرأس أو ابتسامة مشجعة تظهر على الصورة الرمزية للمعلم الذكي يمكن أن تعزز نبرة رسالته، كتأكيد تقدم المتعلم. غير أنه تجدر الإشارة إلى أن توقيت هذه الإشارات ينبغي أن يتسق مع محتوى الحوار لتجنب التنافر المعرفي. ويعتمد التطبيق الحالي لنظام Socratic Playground أساساً على النص، مع صورة رمزية متحركة بسيطة تمثل العامل التربوي الذكي، غير أن إرشادات التصميم تدعو إلى التزامن بين الإيماءة والنص في الإصدارات المستقبلية، كأن تُظهر الصورة الرمزية تعبير «التفكير» عند طرح سؤال صعب، أو تعبيراً مبتهجاً عند تقديم تغذية راجعة إيجابية. وتشير الأدبيات المتعلقة بعوامل المحادثة المتجسدة إلى أن هذه السلوكيات غير اللفظية، حين تتسق مع الحوار، قادرة على زيادة انخراط المتعلم وثقته بالعامل. وتُستخدم السلوكيات غير اللفظية في منصات مبتكرة عدة؛ فمشروع DALverse ينشئ بيئة ميتافيرس شاملة للتعليم عن بعد، ينخرط فيها الطلبة بوصفهم صوراً رمزية رقمية في مهام تعلم متعددة الوسائط، مما أفضى إلى زيادة الانخراط والاستبقاء في بيئات التعلم عن بعد.

وانعكاسات ذلك على التصميم واضحة: ينبغي، كلما أمكن، دمج العوامل التوليدية في واجهات توظف وسائط متعددة، كالنص والصوت والرسوم، لإتاحة تفاعلات تعلم أثرى. غير أن على المصممين الالتزام بالمبادئ الراسخة للتعلم بالوسائط المتعددة لضمان أن تتكامل هذه الوسائط لا أن تتنافس، كتجنب الرسوم المتحركة الزائدة أو السرد الصوتي المكرر الذي يكتفي بقراءة النص المعروض على الشاشة، إذ يسهم كلاهما في الإثقال المعرفي.

الحفاظ على فاعلية المتعلم

من الانتقادات المتكررة للمعلمين الأذكياء خطر سلبية المتعلم؛ فإذا أفرط العامل في العمل، قد يفقد الطلبة انخراطهم أو يعتمدون على الذكاء الاصطناعي اعتماداً مفرطاً. ولذلك يُعدّ الحفاظ على فاعلية المتعلم وتعزيزها مبدأً محورياً في التصميم. ويمكن للعوامل التوليدية دعم ذلك بطرق عدة، منها تنمية الوعي ما وراء المعرفي لدى المتعلمين، عبر طرح أسئلة مفتوحة مثلاً تتيح لهم توجيه مسار التفاعل، فتعزز وعيهم بقيادة رحلة تعلمهم بأنفسهم. بل إن أسئلة بسيطة مثل: «هل تود تلميحاً آخر أم نجرب مسألة مختلفة؟» تضع المتعلمين في موقع صنع القرار الفاعل. ويمكن للواجهات أن تعزز الفاعلية أكثر عبر أدوات تحكم تفاعلية؛ فواجهة نظام Socratic Playground مثلاً تتيح للمتعلمين خيارات لطلب شرح أبسط، أو طرح سؤال على العامل، أو الإشارة إلى رغبتهم في محاولة الحل بأنفسهم. وتعمل أدوات التحكم هذه صمامات أمان تمكّن الطالب من ضبط مستوى المساعدة. وفي الخلفية، يراقب العامل هذه المدخلات ويعدّل استراتيجيته؛ فإذا طلب الطالب مراراً شروحاً أبسط، يخفض العامل تعقيد لغته أو يقسم المسائل إلى خطوات أصغر، وإذا رغب الطالب في المضي مستقلاً، يتراجع العامل إلى دور أكثر ملاحظة، مستعداً للتدخل فقط إذا طُلب منه ذلك.

ومن التقنيات الأخرى للحفاظ على الفاعلية تطبيق سياسات لتبادل الأدوار تضمن ألا يهيمن الذكاء الاصطناعي على الحوار. فبعد أن يطرح العامل سؤالاً، ينبغي أن يمنح المتعلم وقتاً كافياً للتفكير والإجابة، بدلاً من ملء الصمت فوراً بمزيد من الكلام. وإذا بدا الطالب عالقاً، قد يقدم العامل تلميحاً، لكن الأفضل أن يكون ذلك بعد تشجيع الطالب على التعبير عن أي تفكير جزئي لديه أولاً. ويتسق ذلك مع تقنية التدريس الذكي القائمة على تقديم الحد الأدنى من المساعدة لإبقاء الطالب يؤدي أكبر قدر ممكن من العمل المعرفي؛ فهدف هذه الأنظمة الوصول إلى مستوى «تفاعلي» من الانخراط يبني فيه الطالب والمعلم المعرفة بالاشتراك. ومن منظور التصميم، قد يكون من المفيد في هذا التطبيق قياس نسبة المحادثة التي يقودها الطالب مقارنةً بالعامل؛ وقد بحثت بعض تقييمات النماذج الأولية لنظام Socratic Playground نسبة الكلمات أو الأدوار التي ولدها الطالب، وسعت إلى زيادتها بمرور الوقت عبر تعديلات في الواجهة. فضلاً عن ذلك، يستطيع العامل تعزيز الفاعلية بأن يكون تأملياً على نحو صريح، يشجع الطلبة على تحديد الأهداف وطرح أسئلتهم الخاصة وتقويم مقترحات العامل. فقد يقول العامل مثلاً: «هل توافق على المقاربة التي اقترحتها للتو، أم ترى أن هناك طريقة أفضل؟»، فيحث المتعلم على التقويم النقدي لردود الذكاء الاصطناعي السابقة، معاملاً إياه بوصفه مشاركاً فاعلاً ذا إرادة، لا مجرد متلقٍّ للمعرفة.

خلاصة

يجب أن يمزج تصميم العوامل التربوية التوليدية بعناية بين الابتكار في الذكاء الاصطناعي والمبادئ التعليمية المتمحورة حول الإنسان. فأطر مثل ARCHED توفر توجيهاً على المستوى الكلي للحفاظ على الشفافية والتحكم البشري في النظم التعليمية المدعومة بالذكاء الاصطناعي، في حين يوضح التصميم على المستوى الجزئي في الأنظمة الوكيلية مثل Socratic Playground خصائص ملموسة تجسد تلك المبادئ، كالأوامر النصية المنظمة والتساؤل التكيفي وأدوات التحكم في الواجهة. ومن خلال إعطاء الأولوية لقابلية التفسير والتفاعل المتدرج والانخراط المتعدد الوسائط وفاعلية المتعلم، يستطيع المصممون ابتكار معلمين أذكياء ليسوا أقوياء ومتكيفين فحسب، بل سليمين تربوياً وسهلي الاستخدام أيضاً. وكما ستبيّن الأقسام التالية، تؤدي اعتبارات التصميم هذه دوراً حاسماً في مواجهة التحديات والانعكاسات الأخلاقية للمعلمين الأذكياء التوليديين، بما يضمن أن تكون التقنية مكملة للتدريس الفعال لا انحرافاً عنه.

التطبيق العملي: نظام Socratic Playground التجريبي

لتأسيس النقاش على مثال ملموس، يعرّف هذا القسم بالنموذج الأولي العامل Socratic Playground، ويتناول كيفية عمله في سيناريوهات تعليمية حقيقية. فهذا النظام، المتاح للعموم، يمثل عرضاً عملياً للتدريس السقراطي التوليدي، ويركز في البداية على مجال كتابة المقالات والتفكير النقدي. ويصف هذا القسم تجربة نموذجية لمستخدم النظام، ويلخص بيانات التقييم الأولية حول فاعليته، ويناقش التحديات العملية التي صودفت في أثناء نشره. وتبرز الدروس المستفادة من الاستخدام التجريبي للنظام، بما فيها ملاحظات المستخدمين والمشكلات التقنية كزمن الاستجابة والهلوسات، الفجوة التي قد تفصل بين الوعود البحثية والنشر العملي، مقدمةً رؤى قيّمة للتحسينات المستقبلية.

حالة استخدام: التدريس السقراطي لكتابة المقالات

في السيناريو التجريبي للنظام، طُلب من المتعلمين كتابة مقالة حِجاجية قصيرة، حول موضوع مثل: «هل ينبغي للحكومة دعم الطاقة المتجددة مالياً؟». وبدلاً من تصحيح المقالة مباشرة أو تقديم مجموعة ثابتة من التعليقات، يشرك العامل المتعلم في حوار سقراطي متعدد الأدوار حول مقالته. وتبدأ الجلسة عادةً بترحيب العامل بالمستخدم وطلبه الاطلاع على مسودته أو أفكاره الأولية. فلنفترض أن الطالب كتب بضع جمل يعلن فيها موقفه؛ عندئذ يحلل العامل هذا المدخل، عبر GPT4 وبنية الأمر النصي الأساسية، ثم يرد بسؤال متبصر، يكون في الغالب من نوع «لماذا» أو «كيف»، يهدف إلى تعميق حجة الطالب. فإذا قال الطالب مثلاً: «نعم، ينبغي دعم الطاقة المتجددة لأنها أفضل للبيئة»، قد يسأل العامل: «لماذا تعتقد أن الدعم الحكومي ضروري لتحقيق الفوائد البيئية، بدلاً من ترك الأمر للسوق؟». ويدفع هذا النوع من الأسئلة الطالب إلى التوسع في استدلاله. ثم يجيب الطالب، ربما مضيفاً أنه «من دون دعم، قد لا تجتذب مشروعات الطاقة المتجددة الاستثمارات». ويواصل العامل هذه العملية، ربما بسؤال متابعة آخر مثل: «هل يمكنك التفكير في مثال محدد أو دليل يدعم هذه النقطة؟». ومن خلال هذا التساؤل التكراري، يُقاد الطالب إلى إغناء حجته بالاستدلال والأدلة، منخرطاً فعلياً في تفكير نقدي حول كتابته.

ومن الملاحظات اللافتة في عروض النظام أن الطلبة كثيراً ما يحسنون جودة تأملاتهم وشروحهم خلال هذه الحوارات. وتشير البيانات الأولية المجموعة من المستخدمين التجريبيين، وهم طلبة جامعيون في ورشة للكتابة، إلى أن مقالاتهم النهائية بعد التفاعل مع العامل السقراطي تضمنت تبريرات أكثر للادعاءات، ونظرت في الحجج المضادة بتواتر أكبر مقارنةً بمسوداتهم الأولى. ومع أن ذلك ليس نتيجة دراسة مضبوطة، فإنه يتسق مع التوقع بأن حث المتعلمين على الشرح والتبرير سيفضي إلى انخراط أعمق في المادة. فالعامل التوليدي يعمل في جوهره محفزاً للشرح الذاتي، وهو آلية معروفة لتحقيق مكاسب التعلم. وأفاد المستخدمون بأن أسئلة العامل جعلتهم يفكرون على نحو أكثر نقدية؛ إذ قال أحد المشاركين: «سألني الذكاء الاصطناعي عن أمور لم أفكر فيها، مثل كيفية عمل الدعم تحديداً. كان ذلك صعباً، لكنه جعل حجتي أفضل». وتنسجم هذه الملاحظات القصصية مع أهدافنا؛ فالعامل لا يقدم إجابات مباشرة، بل يحسن عملية تفكير المتعلم ومخرجاته.

السقالات المخصصة في الممارسة

يُظهر النظام أيضاً قدرته على التخصيص بتكيفه مع احتياجات المستخدمين المختلفة ضمن مهمة المقالة. فبالنسبة إلى متعلم يجد صعوبة في توليد المحتوى، يتبنى العامل دوراً أكثر دعماً، بل وتوجيهياً إلى حد ما؛ فقد يقسم المهمة قائلاً: «لنبدأ بتحديد سببين رئيسيين يجعلانك تؤيد الدعم. ما السبب الأول؟». وإذا كان الطالب عالقاً تماماً، يمكن للعامل أن يقدم دفعة لطيفة، مثل: «قد يتعلق أحد الأسباب بتغير المناخ، هل تود التوسع في ذلك أم التفكير في سبب آخر؟». وفي المقابل، بالنسبة إلى متعلم واثق يكتب فقرة أولى قوية، ينتقل العامل إلى دور أكثر تحدياً، ربما بطرح حجة مقابلة: «يرى بعض المنتقدين أن الدعم يشوه السوق، فكيف سترد على هذه الحجة المضادة في مقالتك؟». ولا يقتصر التخصيص هنا على مستوى الصعوبة، بل يمتد إلى الدور أيضاً؛ فمع الطالب الأقل ثقة كان العامل مدرباً يقسم المهمة، بينما أصبح مع الطالب المتقدم شريكاً في المناظرة يطرح وجهات نظر معارضة. والآلية الكامنة التي تتيح ذلك هي التحديد المستمر لملامح أداء الطالب وقالب الأوامر النصية المرن الموصوف آنفاً. فبعد كل إجابة للطالب، يصنف النظام مستوى أدائه ويقرر استراتيجية ما، كالتبسيط أو التحدي، أو طرح سؤال جديد أو تقديم تلميح. ويمكن النظر إلى ذلك على أنه اتباع لمنطقة النمو القريبة لدى الطالب، مع السعي الدائم إلى العمل فوق مستواه الحالي بقليل. ومن خلال رصد خصائص كطول إجابات الطالب ومضمونها، يعدّل النظام عمق سقالاته. وتُظهر جلسات المستخدمين المبكرة أن هذا السلوك التكيفي قد يفضي إلى انخراط أعمق؛ فالطلبة في مراحل الإتقان الأولى يستفيدون من المهام المقسمة إلى خطوات يمكن إدارتها، بينما يظل الطلبة الأكثر تقدماً منخرطين عبر مسائل متزايدة التعقيد. وأشار المستخدمون في ورشة للتطوير المهني جربوا النظام إلى أن العامل بدا «منتبهاً»، وهو انطباع ناجم عن هذا السلوك التكيفي.

النتائج الأولية والملاحظات

مع أن دراسات الفاعلية الشاملة لم تُجرَ بعد، ويقترح هذا الفصل لاحقاً إطاراً لها، فإن التجارب الأولية للنظام كانت مشجعة. ففي تجربة بجامعة هونغ كونغ للفنون التطبيقية شملت نحو عشرين متعلماً بالغاً من المعلمين والمهنيين الذين يستكشفون أدوات الذكاء الاصطناعي التوليدي، أفاد المشاركون بمستويات رضا مرتفعة عن فائدة العامل. ووجد استبيان أُجري بعد الجلسات باستخدام مقياس ليكرت الخماسي أن غالبية المشاركين وافقوا، بدرجة 4 أو 5، على أن أسئلة المعلم الذكي ساعدتهم على التفكير على نحو أكثر نقدية في الموضوع. وأشار كثيرون منهم أيضاً إلى رغبتهم في استخدام هذه الأداة بانتظام للعصف الذهني أو تنقيح كتاباتهم. ومن منظور النظام، أظهرت السجلات أن الحوارات امتدت في الغالب بين ثمانية واثني عشر دوراً من الأسئلة والأجوبة، مع إسهام المتعلم بإجابات متزايدة التعقيد. وأشار التحليل اللغوي لإجابات الطلبة من أول دور إلى آخره في كل جلسة إلى زيادة في التنوع المعجمي وتعقيد الجمل، وهو ما يمكن عدّه مؤشراً على محتوى أثرى، وإن كانت الحاجة قائمة إلى تحليل أكثر صرامة للمحتوى. وتتسق هذه الملاحظات مع فكرة أن التدريس السقراطي التوليدي يعزز تأملاً وانخراطاً أعمق، مما يفضي إلى نواتج أفضل كمقالات أكثر عمقاً. فضلاً عن ذلك، تشير نتائج سابقة إلى أن معلماً سقراطياً مدعوماً بـGPT4 يسهّل تفاعلات تدريسية أكثر فاعلية من أنظمة التدريس الذكية التقليدية، وهي نتيجة عززتها تجاربنا العملية نوعياً وتجريبياً.

غير أن عروض النظام كشفت أيضاً عن تحديات كبيرة، شكلت اختباراً واقعياً للضجيج المحيط بالمعلمين الأذكياء. ومن المشكلات العملية، كما كان متوقعاً، زمن استجابة GPT4؛ إذ اضطر المستخدمون في بعض الحالات إلى الانتظار بين خمس ثوانٍ وعشر ثوانٍ حتى يرد المعلم الذكي، ولا سيما مع ازدياد سياق الأمر النصي؛ فبعد أن يكتب الطالب بضع مئات من الكلمات مثلاً، قد يؤدي إرسال ذلك كله مع بنية JSON إلى النموذج إلى إطالة زمن الاستجابة. ومع أن كثيراً من المستخدمين تحلّوا بالصبر وأدركوا أن الأمر يتعلق بنموذج أولي، فقد وجد بعضهم وقت الانتظار مزعجاً، ولا سيما حين كانت المحادثة منسابة ثم توقفت. ويؤكد ذلك الحاجة إلى مزيد من التحسين، أو ربما استخدام نموذج أسرع في الأدوار الوسيطة. ومن المشكلات الأخرى المرصودة هلوسات عرضية للمعلم الذكي. ففي إحدى الجلسات مثلاً، ذكر الطالب سياسة ألمانيا في مجال الطاقة المتجددة، فرد العامل بـ«تذكير» مفصل بقانون ألماني مزعوم لا وجود له في الواقع، إذ اختلق حقيقة تبدو معقولة. وكان الطالب فطناً بما يكفي للتشكيك فيه قائلاً: «لست متأكداً من وجود هذا القانون»، فتراجع العامل، غير أن ذلك قد يضلل المتعلمين الأقل معرفة. وقد أضفنا منذ ذلك الحين عمليات تحقق إضافية حين يقدم العامل عبارات واقعية، لكنه تذكير صارخ بأن الذكاء الاصطناعي، حتى وإن كان حسن النية تربوياً، قد يُدخل معلومات مضللة. ويظل ضمان الدقة الواقعية معركة مستمرة في التدريس بالذكاء الاصطناعي التوليدي، مما يعزز الحجج الواردة في الأدبيات حول الحاجة إلى التأسيس المعرفي والتحقق.

تحسينات واجهة المستخدم وسهولة الاستخدام

أبرزت التجربة أيضاً بعض المشكلات في الواجهة. فالإصدار الأول مثلاً لم يوضح أن المستخدم يستطيع طرح الأسئلة على العامل في أي وقت، فظن بعض المستخدمين أنهم لا يستطيعون سوى الإجابة عن أسئلة العامل. ولم يكن هذا التفاعل الأحادي الاتجاه مقصوداً؛ فالنظام كان قادراً على التعامل مع الأسئلة أو طلبات الاستيضاح التي يبادر بها المستخدم، لكن إشارات الواجهة لم تكن واضحة. واستجابةً لذلك، عدّلنا الواجهة لتوضيح أن المستخدمين يستطيعون طلب الشروح أو التلميحات من المعلم الذكي. ومن الملاحظات الطفيفة لكن المثيرة للاهتمام أن بعض المستخدمين تفاعلوا مع المعلم الذكي بنبرة رسمية في بداية محادثاتهم، كقولهم: «عزيزي المعلم، لدي سؤال...»، ثم أصبحوا بمرور الوقت أكثر عفوية حين أدركوا أن العامل يستجيب كما يستجيب الإنسان.

ويوحي هذا التأقلم بأن بناء ثقة المستخدم وألفته بأسلوب العامل جزء من عملية التبني، وأن أي نشر للنظام ينبغي أن يتضمن مرحلة تمهيدية أو درساً تعريفياً يتيح للمستخدمين الارتياح في الحديث مع الذكاء الاصطناعي. ومن منظور التصميم، وجدنا أن الحفاظ على إحساس المستخدم بالسيطرة أمر حيوي. فحين خالف أحد المشاركين اقتراح الذكاء الاصطناعي، أصر الذكاء الاصطناعي على الدفع بوجهة نظره بقصد الاستقصاء التام، مما أشعر المستخدم بالإحباط. وفي التعديلات اللاحقة، جعلنا العامل يعترف صراحة بوجهات نظر المستخدم ويحترمها أكثر، كأن يقول: «هذا منظور وجيه. هل نستكشفه أكثر أم تود النظر في زوايا بديلة؟». ويحافظ ذلك على الهدف التربوي المتمثل في التأمل، ويتجنب في الوقت ذاته انطباع إصرار الذكاء الاصطناعي على رأيه. ويجعل هذا الضبط الدقيق العامل أقرب إلى الموجّه الداعم منه إلى المستجوِب، وهو أمر مهم لاستدامة الانخراط.

خلاصة

يقدم عرض نظام Socratic Playground دراسة حالة قيّمة للتطبيق الواقعي لعامل تربوي توليدي. فهو يشير إلى عدة فوائد محتملة بدأت تبرز في النقاشات حول المعلمين الأذكياء القائمين على النماذج اللغوية الكبيرة، كالسقالات المخصصة، وتحسن التفكير النقدي في أعمال الطلبة، والتلقي الإيجابي من المتعلمين. وفي الوقت ذاته، يكشف عن المشكلات العملية التي تنشأ عند الانتقال من التطوير المضبوط إلى الاستخدام الفعلي: زمن الاستجابة، والأخطاء العرضية للذكاء الاصطناعي، ووضوح الواجهة، والتوازن الدقيق في السيطرة بين الطالب والعامل. وتؤكد تجارب هذا النظام فكرة محورية في هذا الفصل، مفادها أن ثمة فجوة لا تزال قائمة بين الوعود البحثية للذكاء الاصطناعي التوليدي في التعليم والنشر العملي لأدواته، ولا يمكن سدها إلا بالتحسين التكراري، والتصميم المتمحور حول المستخدم، والتقييم الصارم.

إطار لدراسات الفاعلية

تجاوز دمج العوامل التوليدية في التعليم مرحلة الوعود النظرية إلى مرحلة التحقق التجريبي الصارم. ففي السنوات الأخيرة، قدمت بعض التجارب العشوائية المضبوطة والدراسات الميدانية الواسعة النطاق رؤى قيّمة حول الفاعلية الحالية لأنظمة التدريس الذكية المدعومة بالذكاء الاصطناعي التوليدي. ونجمع في هذا القسم الأدلة الناشئة عبر ثلاثة نماذج متميزة للنشر: النموذج الهجين الذي يشرك الإنسان في الحلقة ويعزز المعلمين البشريين، والتدريس المستقل الذي يحل محل المحاضرات أو يستكملها، والدمج الصفي الذي يدعم العمل الصفي في الوقت الفعلي، ونختتم بإطار مبسط لتقييم فاعلية هذه الأنظمة.

الأدلة التجريبية الناشئة

يتمثل السيناريو الأول لاستخدام أنظمة الذكاء الاصطناعي التوليدي في ألا يدرّس الذكاء الاصطناعي الطالب مباشرة، بل يعمل «هامساً» آنياً في أذن المعلم البشري، يقترح عليه حركات تربوية لتحسين التدريس. وأبرز مثال على ذلك Tutor CoPilot، الذي نُشر في تجربة عشوائية مضبوطة واسعة النطاق شملت 900 معلم خصوصي بشري و1800 طالب. ووجدت الدراسة أنه في حين حسّن استخدام المعلم التوليدي إتقان الطلبة بمقدار أربع نقاط مئوية في المتوسط، فإن قوته الحقيقية تكمن في «الارتقاء بمستوى» القوة العاملة. فالطلبة الذين عملوا مع معلمين أدنى تقييماً أو مبتدئين استخدموا الأداة حققوا مكاسب تعلم بلغت تسع نقاط مئوية مقارنةً بالمجموعة الضابطة، مما سد فعلياً الفجوة بين التدريس المبتدئ والخبير. وكشف تحليل سجلات المحادثة عن الآلية: فقد نجح النظام التوليدي في صرف المعلمين قليلي الخبرة عن مجرد تقديم الإجابات، ودفعهم نحو استخدام استراتيجيات السقالات التي يعتمدها الخبراء، كطرح الأسئلة التوجيهية. ويوحي ذلك بأن أحد أكثر استخدامات الذكاء الاصطناعي التوليدي فاعلية لا يتمثل في استبدال البشر، بل في تعميم التربية الخبيرة على قوة عاملة متفاوتة المستويات.

ويتمثل سيناريو آخر في تفاعل الطلبة مباشرة مع عامل تربوي ذكي لتعلم مفاهيم جديدة أو تسريع دراستهم، وكثيراً ما يكون ذلك خارج ساعات الدوام الصفي المعتادة. ففي جامعة هارفارد، اختُبر المعلم الذكي للفيزياء، وهو عامل مخصص قائم على GPT4، مقابل صف «معياري ذهبي» للتعلم النشط في تجربة عشوائية تبادلية. وجاءت النتائج لافتة؛ إذ حقق الطلبة المستخدمون للمعلم الذكي مكاسب تعلم تجاوزت ضعف مكاسب مجموعة التعلم النشط، بحجم أثر تراوح تقريباً بين 0.73 و1.3، والأهم أنهم أمضوا وقتاً أقل بكثير لبلوغ ذلك المستوى من الإتقان. ويبرز ذلك كفاءة «التخصيص الفائق»، حيث يعالج الذكاء الاصطناعي التوليدي مفاهيم خاطئة محددة لا يستطيع معلم الصف معالجتها فردياً لكل طالب في الوقت ذاته.

وبالمثل، في سياق التعلم عن بعد، نشرت جامعة IU الدولية مساعد التدريس التوليدي Syntea لأكثر من 10000 طالب. وكان المقياس الأساسي للنجاح هنا «سرعة التعلم»؛ إذ خفّض الطلبة المستخدمون له متوسط الوقت اللازم لإكمال المقرر بنسبة 27% مع الحفاظ على الأداء في الامتحانات. فبأدائه دور شريك دراسي سقراطي متاح على الدوام، أزال العامل التوليدي «وقت الانتظار» للتغذية الراجعة، مسرّعاً دورة التعلم فعلياً. وفي البيئات المحدودة الموارد، أثبت المعلم الذكي النصي للرياضيات Rori أن الواجهات العالية الدقة ليست ضرورية لتحقيق الأثر. فبعد نشره عبر تطبيق واتساب لأكثر من 1000 طالب في غانا، حقق نمواً ملحوظاً في الرياضيات بحجم أثر بلغ 0.37، وبتكلفة حدية تقارب خمسة دولارات للطالب، مما يثبت أن الذكاء الاصطناعي الحواري قادر على سد الفجوة الرقمية حتى على بنية تحتية أساسية للهواتف المحمولة.

وثالثاً، يمكن استخدام المعلمين الأذكياء التوليديين إلى جانب التدريس المعتاد في حل مسائل التدريب. وفي هذه الحالة، تشير الأدلة الحالية إلى خطر مرتفع للتفريغ المعرفي إذا غابت «الضوابط». والتفريغ المعرفي هو استخدام أدوات أو موارد خارجية لتقليل الجهد الذهني اللازم لأداء مهمة ما أو تذكر معلومات. فقد قارنت دراسة شملت نحو 1000 طالب في الرياضيات بالمرحلة الثانوية بين نموذج «GPT الأساسي» القياسي ونموذج «GPT المعلم» المهندس تربوياً. وجاء أداء الطلبة الذين أتيح لهم النموذج الأساسي دون قيود أفضل بنسبة 48% في أثناء التدريب، لكنه جاء أسوأ بنسبة 17% في الامتحانات المستقلة اللاحقة، وهي ظاهرة سُميت «أثر العكاز». فقد تعلم الطلبة استخدام الذكاء الاصطناعي لتجاوز المجاهدة المعرفية اللازمة للتعلم. أما «GPT المعلم»، المصمم عن قصد لحجب الإجابات المباشرة والحث على الشرح الذاتي، فقد خفف هذا الضرر، لكنه لم يحقق الارتفاع المصطنع في الأداء الذي شهدته المجموعة الأساسية.

وقد أظهرت أدوات صفية أخرى مثل Khanmigo من أكاديمية خان نتائج كمية متباينة، لكن فوائد نوعية قوية. فمع أن بعض تجاربه لم تُظهر «فروقاً ذات دلالة إحصائية» في درجات الاختبارات القصيرة المدى مقارنةً بالبحث المعتاد على الإنترنت، أفاد الطلبة بانخفاض ملحوظ في «رهبة التقييم»؛ إذ شعروا بأمان أكبر في طرح «الأسئلة الساذجة» على الذكاء الاصطناعي مقارنةً بطرحها على المعلم.

وخلاصة القول، في ظل هذا المشهد من النتائج المتباينة، الممتدة من تسريع الإتقان إلى تدهور المهارات، يتضح أن الفاعلية ليست متأصلة في التقنية، بل تتوقف على طريقة تطبيقها. والأهم أن التقييم الصارم للأدوات المطبقة ضروري للتمييز بين مكاسب التعلم الحقيقية والارتفاع الخادع في الأداء. ويستدعي ذلك تقييماً مستمراً ومنهجياً للاستخدامات المختلفة للأدوات المدعومة بالذكاء الاصطناعي التوليدي في التعلم. ويقدم الإطار التالي بعض الأفكار حول مقاييس تقييم هذه الأدوات.

إطار لتقييم أنظمة التدريس الذكية المدعومة بالذكاء الاصطناعي التوليدي

المقاييس الكمية للنواتج والعمليات: تشمل أولاً مكاسب التعلم المعيارية، باستخدام تصاميم الاختبار القبلي والبعدي بأدوات مقننة مثل اختبار كاليفورنيا لمهارات التفكير النقدي، مع ضرورة إدراج اختبارات بعدية مؤجلة، بعد أسبوع مثلاً، دون مساعدة الذكاء الاصطناعي لرصد «أثر العكاز» أو وهم الأداء. وتشمل ثانياً جودة المنتجات عبر التصحيح المُعمّى، إذ يُستخدم في الكتابة أو البرمجة تصحيح لا يعرف فيه المصحح هوية الكاتب، وفق سلالم تقدير كسلم المنظمة للإبداع والتفكير النقدي، لتقييم ما إذا كانت المسودات المدعومة بالذكاء الاصطناعي تُظهر تفكيراً نقدياً أو إبداعاً يفوق مسودات المجموعة الضابطة. وتشمل ثالثاً الكفاءة، بقياس «الوقت اللازم للإتقان»، أي ما إذا كان الذكاء الاصطناعي يتيح للطلبة بلوغ معيار الكفاءة ذاته في وقت أقصر من المقاربات التقليدية. وتشمل رابعاً دقة رصد التفاعل، وذلك بثلاثة مؤشرات: الوقت المستغرق في المهمة، أي الوقت الذي يقضيه الطالب منخرطاً في أنشطة التعلم مع الذكاء الاصطناعي، إذ قد تدل المدة الأطول على الاستمتاع بالذكاء الاصطناعي رفيقاً للتعلم؛ وتناظر الحوار، أي نسبة كلمات الطالب إلى كلمات الذكاء الاصطناعي، إذ قد تدل النسبة المنخفضة على استهلاك سلبي والمرتفعة على انخراط فاعل؛ والتنوع المعجمي والتعقيد النحوي، باستخدام تقنيات معالجة اللغة الطبيعية لتتبع ما إذا كانت إجابات الطالب تزداد تعقيداً بمرور الوقت، بوصف ذلك مؤشراً على تفكير أعمق.

المقاييس النوعية الظاهراتية: تشمل بروتوكولات التفكير بصوت مسموع، بإشراك الطلبة في التعبير لفظياً عن عملية تفكيرهم في أثناء استخدام الذكاء الاصطناعي، لرصد «التقارب الآلي»، أي القبول الأعمى لمقترحات الذكاء الاصطناعي. وتشمل رهبة التقييم، باستطلاع تصورات الطلبة لاستخدام نظام التدريس الذكي في دعم تعلمهم، كمستوى ارتياحهم لطرح الأسئلة على الذكاء الاصطناعي مقارنةً بالمعلم البشري. وتشمل آراء المعلمين والأطراف المعنية، عبر المقابلات أو مجموعات التركيز، لتقييم احتكاكات الدمج، كمعرفة ما إذا كانت الأداة المدمجة تعطل سير الحصة.

التصاميم التجريبية: تشمل المقارنات المضبوطة، باعتماد التجارب العشوائية المضبوطة، أو التصاميم شبه التجريبية إن تعذرت التجارب العشوائية، لإتاحة تقييم شامل لفاعلية النظام. وتشمل دراسات «الاستبعاد»، إذ تُفحص فاعلية الأنظمة المصممة بمجموعة كاملة من الخصائص بإدخال حالات تجريبية تتضمن خصائص معينة وأخرى تخلو منها. وتشمل التجارب العشوائية التي تشرك الإنسان في الحلقة، بإتاحة الأداة عشوائياً على مستوى المدرسين لا على مستوى الطلبة وحدهم، لتمحيص كيفية تغيير إدخال الأدوات للممارسات التربوية للمدرسين. وتشمل التتبع الطولي، بتتبع الاستخدام على مدى فترة، كفصل دراسي كامل، لرصد تلاشي «أثر الجدة»، وتتبع مكاسب التعلم على مدى فترة لضمان استدامتها.

فحوص الإنصاف والسلامة: تشمل تدقيق التحيز، باختبار الأدوات تحت الضغط عبر «مدخلات عدائية» للتحقق من وجود تحيز ثقافي أو سياسي. وتشمل التفصيل الديموغرافي، بتحليل النتائج بحسب الخلفيات اللغوية لضمان أن تساعد الأداة متعلمين ذوي كفايات متنوعة، لا المتفوقين وحدهم.

التحديات والأخلاقيات والانعكاسات العملية

يطرح نشر العوامل التوليدية لتيسير التدريس المعزز بالتقنية تحديات محددة يجب التصدي لها لضمان أن تكون هذه الأدوات مسؤولة ومنصفة وفعالة تعليمياً. فمع أن إمكانات التدريس المخصص والتكيفي هائلة، يجب أن يتعامل التطبيق مع القيود التقنية والمخاطر التربوية.

الموثوقية والإنصاف في الحوار

من التحديات التقنية الأساسية في التدريس القائم على الحوار ميل النماذج اللغوية الكبيرة التوليدية إلى «الهلوسة»، أي إنتاج معلومات معقولة الظاهر لكنها خاطئة. ففي سياق سقراطي، حيث يقود المعلم الطالب عبر سلسلة من الاستدلالات، قد تؤدي مقدمة خاطئة يطرحها الذكاء الاصطناعي إلى انحراف عملية التعلم بأكملها. وإذا استوعب الطلبة هذه الأخطاء، يكون الضرر كبيراً. وقد لاحظت دراسات بالفعل طلبة يعيدون إنتاج أخطاء أدخلها الذكاء الاصطناعي في مهام الواجبات المنزلية.

وللحد من ذلك، تعتمد الأنظمة على نحو متزايد على التوليد المعزز بالاسترجاع لتأسيس ردود الذكاء الاصطناعي على مدونات موثوقة، كالكتب المدرسية. يضاف إلى ذلك أن الإنصاف يظل مصدر قلق بالغ؛ إذ قد تُظهر النماذج اللغوية الكبيرة فجوات في الأداء بين اللغات أو اللهجات، مما قد يضر بغير الناطقين باللغة الأصليين. فضلاً عن ذلك، قد يحابي المعلم الذكي، دون معايرة دقيقة، منظورات أو حججاً ثقافية بعينها عن غير قصد، مما يقوض الحياد اللازم للتدريس الفعال.

استقلالية المتعلم والاعتماد المعرفي

لعل أبرز التحديات التربوية الحفاظ على التوازن الدقيق بين الدعم والاستقلال. فثمة قلق مشروع من أن الاعتماد المفرط على مساعدة الذكاء الاصطناعي قد يقلل الجهد الذهني ويمس عمق الاستقصاء. فإذا كان المعلم الذكي توجيهياً أكثر من اللازم، أو إذا تقبل الطالب توجيهاته تقبلاً سلبياً، تضيع الفوائد ما وراء المعرفية للطريقة، أي التقويم الذاتي والتفكير النقدي.

ولذلك يجب على المصممين ضمان أن يمكّن الذكاء الاصطناعي المتعلم لا أن يجعله متلقياً سلبياً. وينطوي ذلك على الشفافية في بيان سبب طرح السؤال، والحث الصريح للطلبة على التحقق من المعلومات، بما يعزز التنمية ما وراء المعرفية الضرورية في عصر الذكاء الاصطناعي التوليدي.

إشراك المعلم في الحلقة

اتساقاً مع الإجماع السائد في هذا المجال، ينبغي النظر إلى المعلمين الأذكياء بوصفهم أدوات لتعزيز المربين البشريين لا لاستبدالهم. وينبغي أن تتمثل الضمانة الأخلاقية لهؤلاء المعلمين الأذكياء في مقاربة «إشراك الإنسان في الحلقة»، التي يحتفظ فيها المعلمون بالإشراف على توجيهات الذكاء الاصطناعي. ويجب أن يملك المعلمون صلاحية تحديد وقت استخدام الذكاء الاصطناعي، كتكليف الطلبة به في نقاشات تمهيدية ضمن الواجبات المنزلية، بحيث يُخصص وقت الصف لتحليل أعمق. ويتطلب ذلك تطويراً مهنياً متميزاً لضمان تمكن المعلمين من تفسير مخرجات الذكاء الاصطناعي والتدخل حين ينحرف منطق النظام.

لوجستيات التطبيق والضمانات الأخلاقية

بعيداً عن الديناميات التربوية المحددة، يتطلب النشر الأوسع لهذه العوامل التزاماً صارماً بالمعايير التشغيلية والأخلاقية؛ إذ يجب أن يقترن الابتكار التقني بضوابط أخلاقية. ومن الاعتبارات الرئيسية في هذا الصدد خصوصية البيانات وحوكمتها، إذ يجب أن تمتثل الأنظمة لتشريعات مثل اللائحة العامة لحماية البيانات في الاتحاد الأوروبي أو قانون الحقوق التعليمية والخصوصية للأسرة في الولايات المتحدة، وبما أن المعلمين الأذكياء يجمعون بيانات سلوكية عميقة، فلا بد من إخفاء صارم للهوية وضوابط للوصول لحماية خصوصية الطلبة. ومنها البنية التحتية والإنصاف، إذ إن تشغيل نماذج لغوية كبيرة مثل GPT OSS وQwen3 مكلف حاسوبياً، ولمنع فجوة رقمية لا تصل فيها إلى التدريس العالي الجودة المدعوم بالذكاء الاصطناعي التوليدي سوى المؤسسات الثرية، يجب أن تتضمن الاستراتيجيات إتاحة مدعومة أو استخدام نماذج محسنة أقل تكلفة. ومنها الشفافية والثقة، إذ إن من الواجب الأخلاقي الإفصاح بشفافية عن أن العامل ذكاء اصطناعي، وإبلاغ المستخدمين بحدود النظام، ولا سيما قابليته للهلوسة، لتشجيع التقويم النقدي بدلاً من الثقة العمياء.

الاتجاهات المستقبلية وخريطة الطريق البحثية

ليس ظهور الذكاء الاصطناعي التوليدي في العوامل التربوية سوى بداية تحول أوسع في التقنيات التعليمية. ويعرض هذا القسم الاتجاهات المستقبلية وخريطة طريق بحثية للنهوض بهذا المجال، مبرزاً عدة مسارات واعدة: أولها أدوات ومنصات التأليف التي تتيح للمربين إعداد محتوى التدريس المدعوم بالذكاء الاصطناعي وتخصيصه بسهولة دون معرفة تقنية عميقة؛ وثانيها العوامل التوليدية المتعددة الوسائط التي تدمج الرؤية والكلام وربما مدخلات حسية أخرى لإتاحة تجارب تعلم أكثر شمولاً؛ وثالثها أنظمة الذكاء الاصطناعي المتعددة العوامل والتعاونية، حيث يتفاعل عدة معلمين أذكياء أو أقران اصطناعيين فيما بينهم ومع المتعلمين لمحاكاة ديناميات التعلم الجماعي؛ ورابعها رفقاء التعلم مدى الحياة الذين يصاحبون المتعلمين ويدعمونهم على مدى فترات ممتدة، عبر المقررات أو السنوات، ويتكيفون مع نموهم؛ وخامسها النشر التكيفي العابر للسياقات، الذي يضمن قدرة هذه العوامل على الانتقال والعمل بفاعلية في سياقات متنوعة، من الصفوف النظامية إلى التعلم غير النظامي، وعبر مجالات دراسية وفئات عمرية مختلفة. كما نقترح مناهج بحثية مستقبلية، تشمل التجارب الواسعة النطاق والدراسات الطولية، للتحقق من أثر هذه الأنظمة وتحسينه. وأخيراً، نؤكد أن العوامل التوليدية تقنية متطورة ستتطلب تقييماً مستمراً لفاعليتها وإتاحتها واتساقها مع التربية في أثناء تطورها.

تمكين المربين عبر أدوات التأليف

أولاً، لكي يكون المعلمون الأذكياء التوليديون في أقصى درجات الفائدة وأوسع درجات التبني، يحتاج المربون إلى القدرة على إعداد المحتوى وتخصيصه بسهولة. فالاعتماد على خبراء الذكاء الاصطناعي لبناء كل درس ليس قابلاً للتوسع. ولذلك يُعدّ تطوير أدوات تأليف موجهة إلى المعلمين، توظف الذكاء الاصطناعي للمساعدة في إنتاج دروس مدعومة به، مجالاً حاسماً. فعلى سبيل المثال، قد يُدخل المعلم أهداف التعلم والنقاط الرئيسية لدرس ما، فيولد النظام مسودة لقالب أمر نصي أو سلسلة أسئلة متسقة مع ذلك الهدف، ثم يراجع المعلم المحتوى المولد وينقحه ويعتمده. أو قد يعرض المعلم تدفق الحوار المرغوب مرة واحدة، إما بالتحاور مع طالب افتراضي أو بتحديده صراحة، فيتبنى المعلم الذكي ذلك الأسلوب. فضلاً عن ذلك، يمكن للذكاء الاصطناعي دعم إعداد المحاكاة أو أنشطة التعلم القائمة على السرد؛ فإذا طلب معلم مثلاً سيناريو يناظر فيه طالبٌ ذكاءً اصطناعياً يتقمص شخصية تاريخية حول موضوع معين، يستطيع النظام توليد نص أولي يراجعه المعلم لاحقاً. ومن شأن هذه الأدوات أن تخفض كثيراً عتبة تطبيق التدريس الذكي المخصص عبر مواد ولغات مختلفة.

ويشمل المسار البحثي هنا فهم كيفية تصور المعلمين لسلوك الذكاء الاصطناعي، وتصميم واجهات تتسق مع طريقة تفكيرهم؛ فقد يفضل بعضهم واجهة قائمة على القواعد، بينما قد يرغب آخرون في تقديم أمثلة يعممها الذكاء الاصطناعي، على غرار البرمجة بالعرض التوضيحي. وسيكون التصميم المشترك مع المربين أساسياً؛ إذ ينبغي أن تشرك الدراسات المبكرة المعلمين في استخدام نماذج أولية لأدوات التأليف، وأن تقيس نواتج من قبيل سرعة إعدادهم لدرس جديد، وفاعلية ذلك الدرس للطلبة، ومدى ارتياح المعلمين لمستوى التحكم والشفافية في السلوك الناتج للذكاء الاصطناعي. ويمثل إطار ARCHED خطوة في هذا الاتجاه، إذ ينظم إسهام الذكاء الاصطناعي في التصميم التدريسي مع إشراف بشري في كل مرحلة. ويمكن للبحوث المستقبلية البناء عليه لتطبيق مبادئ مماثلة على إعداد محتوى التدريس الآني.

العوامل التوليدية المتعددة الوسائط والمتجسدة

من الاتجاهات الواضحة للبحث المستقبلي تجاوز النص إلى التفاعلات المتعددة الوسائط. فالبشر يتواصلون ويتعلمون عبر مزيج ثري من الوسائط، كالكلام والإيماءة والكتابة والرسم وغيرها، ومن المرجح أن يدعم المعلمون الأذكياء مستقبلاً تعلم الطلبة بالطريقة ذاتها. فقد باتت نماذج مثل GPT4 تتمتع ببعض القدرات المتعددة الوسائط، كقبول الصور مدخلاتٍ، والبحث جارٍ في دمج الفهم البصري بالنماذج اللغوية. وقد يراقب عامل تربوي ذكي مستقبلي طالباً يحل مسألة فيزياء على الورق عبر كاميرا، فيشخص مفهوماً خاطئاً من عمله المكتوب أو رسومه، ثم يقدم توجيهاً لفظياً. أو قد يراقب العامل في مختبر افتراضي كيف يجمّع الطالب دائرة كهربائية أو يجري محاكاة، ويتدخل في اللحظة المناسبة. ويمكن للعوامل المزودة بالرؤية التحقق من أخطاء حل الطالب المكتوب «برؤيته»، كما يلقي المعلم نظرة على الدفتر. وفي الوقت ذاته، ستتيح واجهات الكلام استخداماً أكثر طبيعية في السياقات التي تكون فيها الكتابة غير مريحة؛ فلنتخيل متعلمي اللغات يتدربون على المحادثة مع ذكاء اصطناعي لا يتكلم فحسب، بل يقرأ أيضاً تعبيرات الوجه لتقدير الحالة الوجدانية، كالارتباك.

فضلاً عن ذلك، قد تقدم العوامل المتجسدة في الواقع المعزز أو الافتراضي تدريساً انغماسياً، كمعلم علوم ثلاثي الأبعاد يظهر في نظارة الواقع المعزز ليوجه الطالب في تجربة كيميائية في المختبر. ويمكن للتجسد أن يوظف البيئة المادية؛ ففي الواقع المختلط مثلاً، يستطيع العامل الإشارة إلى أجزاء من نموذج أو تقديم عرض توضيحي بأجسام افتراضية. وقد تُصمم العوامل المتعددة الوسائط لإثراء تجربة تعلم الطلبة، بما يتسق أكثر مع نظريات مثل مخروط الخبرة لدى ديل ودورة التعلم التجريبي لدى كولب، اللتين تؤكدان التعلم بالعمل والتجربة. وقد أظهرت التجارب المبكرة لهذه المقاربات، كمنصة DALverse المذكورة آنفاً التي تدمج النماذج اللغوية الكبيرة ببيئة ميتافيرس، زيادة في الانخراط وتحسناً في الاستبقاء. ويتمثل التحدي أمام الباحثين في دمج الوسائط بسلاسة بحيث يستطيع الذكاء الاصطناعي تفسير البيانات المتعددة الحواس وتوليدها بتماسك. وقد ينطوي ذلك على الجمع بين نماذج متخصصة للرؤية والكلام والنماذج اللغوية الكبيرة، أو تدريب نماذج موحدة متعددة الوسائط. كما يثير أسئلة جديدة: كيف يُقيَّم التعلم في هذه البيئات الأثرى؟ وكيف نضمن أن الوسائط المضافة تحسن التعلم فعلاً ولا تقتصر على كونها حيلاً مبهرة؟ وستكون هذه أسئلة حاسمة ينبغي الإجابة عنها مع تقدم هذا المسار البحثي.

ومع ذلك، فإن السيناريو المرجح في المستقبل القريب هو معلم ذكي يستطيع التحدث والاستماع، وهو أمر ممكن بالفعل بدمج تقنيتي تحويل الكلام إلى نص والنص إلى كلام، وربما استخدام رسوم أو مخططات بسيطة عند الطلب، كرسم مخطط باستخدام بيانات واردة في مواد منهجية يعدها المعلم. وفي نهاية المطاف، تهدف العوامل التوليدية المتعددة الوسائط إلى محاكاة المعلم البشري لا في المحادثة فحسب، بل في الحضور التدريسي الكامل: الكتابة والرسم والعرض التوضيحي والاستجابة للإشارات غير اللفظية.

الأنظمة المتعددة العوامل والتعلم التعاوني

من الآفاق المثيرة الأخرى استخدام عوامل متعددة لإثراء التفاعلات التعليمية. فبدلاً من معلم ذكي واحد وطالب واحد، يمكن تصور سيناريوهات تضم عدة شخصيات اصطناعية وطالباً واحداً أو أكثر. فعلى سبيل المثال، قد يضم نظام متعدد العوامل معلماً ذكياً ومتعلماً اصطناعياً قريناً، ويشارك الطالب البشري في حوار جماعي. ويمكن أن يحاكي ذلك حل المسائل التعاوني أو المناظرات السقراطية، فيعرّض الطلبة لوجهات نظر متنوعة. وقد نجح باحثون في تطوير «عوامل توليدية» تتفاعل فيما بينها لمحاكاة سلوك اجتماعي شبيه بسلوك البشر، واقترح آخرون أطراً متعددة العوامل للدعم التعليمي. فقد يقترح أحد العوامل حلاً، وينتقده عامل آخر، ويُطلب من الطالب البشري التحكيم أو الإسهام، فيتعلم من خلال نقاش ثري. أو قد تتولى عوامل متعددة أدواراً متخصصة: أحدها يركز على تلميحات المحتوى، وآخر على التشجيع التحفيزي، وثالث ربما يمثل شخصية تاريخية أو طرفاً معنياً في مناظرة؛ فلنتخيل تعلم التربية المدنية عبر عوامل ذكية تتقمص وجهات نظر سياسية مختلفة في نقاش مع الطالب.

ويمكن لهذه التفاعلات المتعددة العوامل، إن أُحسن تنظيمها، أن تقدم نماذج لأنماط حوار منتجة، وأن تعرّض المتعلمين للحِجاج وتبني المنظورات على نحو يصعب تحقيقه مع معلم واحد. غير أن تصميم الأنظمة المتعددة العوامل معقد بطبيعته، إذ يجب تصميمها بطرق تحافظ على الاتساق وتمنع الارتباك، فلا ينبغي للعوامل أن تُثقل على المتعلم أو تتناقض على نحو ضار. وسيتعين على البحث استكشاف التصاميم المثلى: ما العدد المثالي للعوامل ضمن نظام متعدد العوامل؟ وما توليفات الأدوار الفعالة؟ وتشير بعض الدراسات المبكرة خارج مجال التعليم إلى أن المناظرات بين عوامل متعددة يمكن أن تحسن دقة الإجابات عبر نقد العوامل بعضها بعضاً، لكن الهدف في التعليم قد يكون أقرب إلى نمذجة النقاش بين الأقران أو تقديم التباين.

ويتصل بذلك التدريس الجماعي، حيث يدعم الذكاء الاصطناعي مجموعات تعاونية من الطلبة؛ إذ يمكن للذكاء الاصطناعي إدارة نقاش جماعي للطلبة أو المشاركة فيه، مع ضمان إسهام الجميع، وهو ما يمثل تعدداً للعوامل بمعنى ذكاء اصطناعي مع عدة بشر. وإجمالاً، يُعدّ تسخير عوامل ذكية متعددة لتيسير التعلم الاجتماعي اتجاهاً واعداً، يتسق مع النظريات البنائية الاجتماعية التي ترى أن المعرفة كثيراً ما تُبنى عبر الخطاب.

رفقاء التعلم مدى الحياة

وبالتطلع إلى أبعد من ذلك، يمكن للعوامل التوليدية أن تصبح رفقاء تعلم دائمين يدعمون الفرد على مدى سنوات وعبر مجالات كثيرة. فبدلاً من معلمين أذكياء منفصلين للرياضيات والعلوم والكتابة وغيرها، يمكن لذكاء اصطناعي واحد، أو نظام متكامل، أن يصاحب الطالب في رحلته التعليمية، محافظاً على نموذج طويل الأمد لاهتماماته ومواطن قوته وضعفه. وتتسق هذه الفكرة مع مفهوم المساعدين الشخصيين الأذكياء، وترتبط أيضاً بالمبادرات التعليمية للتعلم المخصص مدى الحياة. فعلى سبيل المثال، قد يساعد «المرشد الذكي» للطالب في الجبر بالمرحلة المتوسطة، ثم يتكيف لاحقاً لمساعدته في الفيزياء بالمرحلة الثانوية، متذكراً أن الطالب واجه صعوبة في مفاهيم التفاضل والتكامل، ومعززاً إياها استباقياً حين تظهر مجدداً. بل قد يمتد ذلك إلى ما بعد التعليم النظامي؛ فحين يلتحق الطالب بالجامعة أو بالتدريب المهني، يستطيع الذكاء الاصطناعي ذاته، العارف بتاريخه التعلمي، تصميم تجارب تعلم جديدة ملائمة له بفاعلية.

ويثير تطبيق ذلك أسئلة كثيرة: تقنية، تتعلق بكيفية تخزين نموذج المتعلم الطويل الأمد وتحديثه بأمان؛ وتربوية، تتعلق بكيفية ضمان أن تفضي الاستمرارية إلى فوائد تراكمية لا إلى تراكم التحيزات السابقة؛ وأخلاقية، تتعلق بملكية تلك البيانات، والحق في «إعادة ضبط» الرفيق الذكي أو تغييره تجنباً للتصنيف الجامد القائم على الأداء المبكر. وتسعى بحوث حول أنظمة التدريس التكيفية ذاتية التحسن، وأخرى حول البنى العصبية الرمزية، كخدمة الذكاء الاصطناعي التعليمية NEOLAF في الولايات المتحدة، إلى معالجة فكرة ذكاء اصطناعي قادر على تحسين نفسه والتكيف بمرور الوقت، وهي فكرة وثيقة الصلة ببناء معلم ذكي دائم مدى الحياة. ويمكن أن تتضمن خريطة الطريق في هذا الاتجاه تجارب يُستخدم فيها نظام الذكاء الاصطناعي ذاته عبر مقررات متعددة أو عبر الانتقال بين الصفوف، مع رصد ما إذا كان الاستبقاء أو النقل يتحسن لأن الذكاء الاصطناعي يستطيع تذكير الطالب بمعارفه السابقة أو التكيف مع ملامحه التراكمية.

ومن الاحتمالات القائمة أن يعزز الرفيق الذكي مدى الحياة عادات التعلم الدائم أيضاً؛ فبحضوره خارج الصف، قد يشجع حب الاستطلاع، ويوصي بفرص التعلم، أو يساعد في المشروعات الشخصية، كذكاء اصطناعي يساعد طالباً مهتماً بالموسيقى بالبحث له عن موارد تعليمية أو تحديد أهداف للتمرين. وسيطمس ذلك في جوهره الحدود بين دعم التعلم النظامي وغير النظامي.

الانتقال عبر السياقات والمجالات

من الاتجاهات المستقبلية الأخرى ضمان قدرة العوامل التوليدية على التكيف بسهولة مع سياقات تعليمية متنوعة. ففي الوقت الحالي، يتطلب تكييف الأنظمة مع كل مجال أو حالة استخدام جديدة جهداً كبيراً. وعلى المدى البعيد، قد يتمكن معلمون أذكياء أكثر عمومية من التكيف السريع مع محتوى جديد وتعلمه. وتبدو قدرات التعلم بأمثلة قليلة لدى النماذج اللغوية الكبيرة واعدة في هذا الصدد؛ فربما يمكن تزويد المعلم الذكي بنص درس واحد أو ببعض الأمثلة على الأسئلة والأجوبة في مادة جديدة، ثم يعمل معلماً في تلك المادة. وتشمل المتانة عبر السياقات أيضاً التكيف مع مراحل تعليمية مختلفة، كاستخدام لغة أبسط لطالب في الصف الخامس مقارنةً بطالب جامعي، وهو أمر تستطيع النماذج اللغوية الكبيرة القيام به إلى حد ما عبر الأوامر النصية التي تحدد الدور. كما تشمل التكيف مع السياق الثقافي؛ فالمعلم الذكي العالمي قد يحتاج إلى معرفة المناهج المحلية أو أمثلة وثيقة الصلة ببيئة المتعلم. وقد تستكشف البحوث كيفية تضمين المعرفة السياقية دون إعادة تدريب كاملة، ربما بربط قواعد معرفة محلية أو بإتاحة ضبط النظام ضبطاً دقيقاً بسهولة على يد المربين المحليين.

فضلاً عن ذلك، قد ينطوي الانتقال عبر السياقات على استخدام المعلم الذكي في بيئات مختلفة: الصف النظامي، وما بعد الدوام المدرسي، والتدريب في مكان العمل. وينبغي استكشاف كيف يحتاج إلى تعديل أسلوبه، رسمياً أو عفوياً، توجيهياً أو ذاتي التوجيه، بحسب السياق. والرؤية النهائية هي إطار للمعلم الذكي بمرونة المعلم البشري القادر على تدريس مواد وفئات عمرية مختلفة وتكييف أسلوب تدريسه، وهو هدف بعيد جداً، لكن البحوث في نقل التعلم والتدريب المتعدد المجالات لنماذج الذكاء الاصطناعي تحرز تقدماً.

خاتمة

يمثل تطور العوامل التربوية المبرمجة مسبقاً والمدعومة بالذكاء الاصطناعي نحو معلمين أذكياء توليديين متطورين تحولاً عميقاً في التقنيات التعليمية. وقد تتبع هذا الفصل هذا التحول من خلال عدسة نظام Socratic Playground، مبيّناً أن الانتقال من الصور الرمزية للمعلمين المبرمجين مسبقاً إلى الرفقاء السقراطيين التوليديين ليس مجرد ترقية تقنية، بل إعادة تصور للإمكانات التعليمية. فالذكاء الاصطناعي التوليدي قادر على العمل شريكاً حوارياً ديناميكياً يقدم توجيهاً تكيفياً وحواراً عميقاً، شريطة أن تظل التربية المحرك الأساسي. ويمثل مبدأ «التربية أولاً» ودمجه في تصميم النظام ضرورة أخلاقية ومفتاحاً عملياً للنجاح في آن واحد. وفي جوهر الأمر، يجب أن يكون المعلمون الأذكياء نتاج الحِرفة التعليمية بقدر ما هم نتاج البراعة الحاسوبية. فالابتكارات الرقمية في التعليم تتوقف على التآزر بين الذكاء الاصطناعي المتقدم ومقاربات التدريس السليمة.

غير أن التقدم المتسارع لهذه الأنظمة يستلزم الانتقال من إثبات المفهوم إلى التقييم الصارم والمستمر. فمع شيوع العوامل التوليدية، يجب على المجتمع البحثي تجاوز الانبهار بالجديد لإجراء تجارب عشوائية واسعة النطاق تفحص النواتج الشاملة. ومن الضروري ألا يقتصر الفحص على مكاسب المعرفة بالمادة، بل أن يشمل أيضاً التحولات ما وراء المعرفية: هل يطور الطلبة استراتيجيات تعلم أفضل، وتنظيماً ذاتياً أكبر، واهتماماً مستداماً، أم أن الدافعية تتلاشى حين يزول بريق جدة الذكاء الاصطناعي؟ فضلاً عن ذلك، ومع التطور الحتمي للنماذج، من GPT4 إلى إصداراته المستقبلية مثلاً، لا يمكن افتراض أن الجودة التعليمية ستظل ثابتة. ولذلك لا بد من عملية متينة لإعادة التحقق من صلاحية العوامل مع كل ترقية كبرى لضمان بقائها متسقة مع أهداف التعلم بدلاً من أن تصبح مصدر تشتيت.

ويجب أن يعطي هذا التحقق المستمر الأولوية للشمول والأخلاقيات إلى جانب الفاعلية. فضمان الدقة الواقعية والإنصاف والخصوصية ليس إضافات اختيارية، بل هو أساس لنزاهة المعلمين الأذكياء المدعومين بالذكاء الاصطناعي التوليدي. ولتحقيق ذلك، يمكن اعتماد آليات ضمان متنوعة في تطبيق الأنظمة، تمتد من تدقيق التحيز وأطر إشراك الإنسان في الحلقة إلى الاتساق مع المبادئ التوجيهية الدولية كتلك الصادرة عن منظمة التعاون الاقتصادي والتنمية واليونسكو والاتحاد الأوروبي. ومن خلال تطبيق هذه الضمانات، يستطيع المجتمع الدولي السعي إلى جعل العوامل التربوية التوليدية ليست فعالة فحسب، بل جديرة بالثقة وشاملة أيضاً. ومع ازدياد الخصائص تعدداً في الوسائط واستقلالية، يجب أن تستهدف هذه الجهود تحديداً إمكانية الوصول، بما يضمن ترتيبات تراعي الاحتياجات التعلمية المتنوعة. وحين تُطبق هذه التدابير بعناية، يمكنها أن تعزز الثقة؛ فقد يرحب الطلبة بالدعم المخصص، ويقدّر المعلمون القدرات المعززة التي يوفرها، فتتبدد المخاوف من الذكاء الاصطناعي بوصفه دخيلاً غير مرغوب فيه. وفي نهاية المطاف، يتطلب التعامل مع هذه التحديات تعاوناً عميقاً متعدد التخصصات بين باحثي الذكاء الاصطناعي وعلماء التعلم والمربين وصانعي السياسات وعلماء الأخلاق وسائر الأطراف المعنية، إذ لا تملك أي مجموعة بمفردها كل الخبرات اللازمة لإتقان هذه الأنظمة.

ففي الأعمال المبكرة لآرت غريسر مع نظام AutoTutor، كان الحلم محاكاة حوار التدريس الماهر. واليوم، يقربنا الذكاء الاصطناعي التوليدي وأنظمة مثل Socratic Playground كثيراً من تحقيق تلك التطلعات. غير أن هذه التقنية لا ينبغي السعي إليها لجدتها، بل لتضخيم أفضل ما في التدريس وإتاحته للجميع، بما يمكّن كل طالب من إرشاد ثري وتكيفي بصرف النظر عن موقعه الجغرافي. ويتطلب تحقيق هذه الرؤية روح «التربية أولاً» وتطوير أدوات ذكاء اصطناعي واستخدامها بحيث تعزز العقل البشري لا أن تنتقص منه. ومن خلال الجمع بين تعاطف المعلمين وصرامة علماء التعلم والتربية والاتساق الحاسوبي للذكاء الاصطناعي، يستطيع المجتمع التربوي أن يصنع مستقبلاً تُسخَّر فيه العوامل التوليدية بمسؤولية لسد فجوة التعلم، وتصبح قصة نجاح للمتعلمين في كل مكان.

ملحق الفصل الثالث: الجوانب التقنية للعوامل التوليدية التعليمية

البنية التحتية التقنية والتكامل

يتطلب تطبيق نظام مثل Socratic Playground بنية تحتية تقنية متينة تدمج النواة التوليدية للذكاء الاصطناعي بمكونات مساندة للذاكرة والمنطق وتفاعل المستخدم. ويفصّل هذا القسم بنية النظام والأنظمة التدريسية المماثلة القائمة على النماذج اللغوية الكبيرة، مبرزاً كيف تعمل الوحدات المختلفة معاً لتقديم تجربة تعليمية سلسة. كما نناقش اعتبارات عملية كزمن الاستجابة ومعالجة الأخطاء والتكامل مع المنصات الخارجية، كأنظمة إدارة التعلم وبيئات الواقع المعزز والافتراضي. وتشمل العناصر التقنية الرئيسية محرك الحوار القائم على GPT4 مع الحقن الديناميكي للأوامر النصية، ونصوص الدروس المهيأة بصيغة JSON، وتتبع الحالة لأغراض التخصيص، كنمذجة منطقة النمو القريبة للمتعلم، والأدوات المساعدة كسلالم التقدير الخاصة بالمجال أو الآلات الحاسبة. كما نتناول جوانب تصميم الواجهة الأمامية، كعرض الحوار في الوقت الفعلي وأدوات التحكم التفاعلية في السقالات، لتأثيرها في الاستجابة والموثوقية المتصورتين للعامل. ونؤكد في هذا القسم كله على البنية التحتية التقنية واستراتيجيات التكامل التي تتيح قابلية التوسع ودعم الوسائط المتعددة ومراقبة النظام، بما يساعد على الحفاظ على تجربة مستخدم سلسة.

نظرة عامة على البنية: نواة GPT4 والوحدات المحيطة بها

في قلب النظام نموذج لغوي كبير، هو GPT4، يولد رسائل المعلم. ويُستدعى هذا النموذج عبر واجهة برمجة تطبيقات، ويُزوَّد بأمر نصي يتضمن محادثة التدريس والأهداف التربوية للتفاعل التالي. وتحيط بنواة النموذج عدة وحدات: مدير الحوار، ونموذج الطالب، وقاعدة معارف المجال، وواجهات تكامل متنوعة. ويتولى مدير الحوار بناء الأمر النصي للنموذج في كل دور، بالجمع بين السياق ذي الصلة، كسجل المحادثة الأخير أو الحقائق أو المقاطع ذات الصلة من المنهج، والقالب التدريسي الموصوف في قسم أطر التصميم التربوي والتفاعل. وكثيراً ما ينطوي ذلك على الحقن الديناميكي للأوامر النصية، أي إدخال معلومات محدثة، كإجابة الطالب أو المفاهيم الخاطئة المحددة أو المعارف الخارجية، في قالب الأمر النصي قبل إرساله إلى GPT4. فعلى سبيل المثال، إذا كان الطالب يكتب مقالة عن تغير المناخ، قد يحقن النظام مقتطفاً موجزاً من مقالة علمية، عبر مكون للاسترجاع، لتأسيس التغذية الراجعة للعامل على محتوى واقعي. وهذه المقاربة القائمة على التوليد المعزز بالاسترجاع طريقة شائعة لمكافحة ميل النموذج اللغوي إلى الهلوسة بتأسيسه على معارف محققة. أما نموذج الطالب فيحتفظ بملف لتقدم المتعلم وحالته. ويشمل ذلك في هذا النظام تتبع التوقعات الرئيسية للمهمة التي حققها المتعلم، والمفاهيم الخاطئة التي أظهرها، كما ذُكر آنفاً، إلى جانب مقاييس أبسط كمعدل الدقة الإجمالي للطالب وأزمنة استجابته ومؤشراته الوجدانية إن وجدت. ويمكن النظر إلى هذه الوحدة بوصفها ذاكرة متطورة لمنطقة النمو القريبة لدى الطالب، إذ تقدّر مستوى التحدي الحالي الذي يستطيع الطالب التعامل معه بمساعدة السقالات. فإذا أجاب الطالب باستمرار إجابة صحيحة عن نوع معين من الأسئلة، قد يرفع النظام مستوى الصعوبة أو ينتقل إلى موضوع جديد، وإذا وقعت أخطاء، قد يبقى في الموضوع الفرعي ذاته مع تجربة استراتيجية تدريس مختلفة. وتغذي البحوث المتعلقة بنمذجة المتعلم وتتبع المعرفة هذا المكون، وإن كان تتبع المعرفة التقليدي يتطلب تكييفاً ليلائم سياق الحوار غير المنظم.

وفي قاعدة معارف المجال، أو مستودع نصوص الدروس، يأتي دور نصوص الدروس المهيأة بصيغة JSON. إذ يمكن تعريف كل درس أو مجال دراسي بملف JSON يسرد المفاهيم الرئيسية والمفاهيم الخاطئة الشائعة ونماذج المسائل وغيرها مما ينبغي للعامل أن يكون على دراية به. وفي تصميم النظام، تتضمن هذه الملفات مدخلات لـ«التوقعات» و«المفاهيم الخاطئة» كما سبق وصفه، وربما بيانات وصفية تربوية أخرى كالتلميحات المقترحة لكل مفهوم. وهي تعمل نموذجاً خبيراً خفيفاً يستطيع الذكاء الاصطناعي الرجوع إليه. فحين يُطلب من GPT4 إنتاج رد، قد تُضمَّن بعض هذه المعلومات المنظمة أو تُلحق بالأمر النصي؛ كإضافة ملخص للتوقع الذي لم يغطه الطالب بعد، فيُوجَّه الذكاء الاصطناعي بلطف لقيادة الطالب نحوه. وتهدف هذه المقاربة الهجينة، الجامعة بين المرونة التوليدية لـGPT4 والتوجيه المنظم للمجال بصيغة JSON، إلى ضمان دقة المحتوى واتساقه مع المنهج. وهي تعالج تحدياً تقنياً رئيسياً؛ فالتدريس المعتمد كلياً على النموذج اللغوي قد يخرج عن الموضوع أو يغفل أهداف المنهج، لكن دمج عمود فقري مبرمج، أي خطة الدرس بصيغة JSON، يُبقي الذكاء الاصطناعي «على المسار» تربوياً. واللافت أن هذه المقاربة استرشدت بأطر سابقة لأنظمة التدريس الذكية، كالإطار الذكي المعمم للتدريس GIFT، وبأنظمة تقليدية مثل AutoTutor، التي أكدت النمذجة الصريحة للمعارف الصحيحة والخاطئة. أما الابتكار هنا، الذي يتجاوز أنظمة التدريس الذكية التقليدية المبرمجة مسبقاً، فهو أن العبء الأكبر من توليد الحوار وفهم اللغة يتولاه النموذج اللغوي، في حين يوفر النص المنظم نقاط تحقق وحدوداً.

الذاكرة وتتبع منطقة النمو القريبة

من مزايا البنية التحتية الحديثة للذكاء الاصطناعي القدرة على الاحتفاظ بسجلات محادثة طويلة عبر نوافذ سياق ممتدة أو مخازن ذاكرة خارجية. فنافذة السياق الموسعة لـGPT4، التي تصل إلى 8000 وحدة نصية أو أكثر في بعض الإصدارات، تعني أن العامل يستطيع «تذكر» كل ما قيل حتى الآن في جلسة التدريس دون نسيان النقاط السابقة، وهو ما لم تستطعه روبوتات المحادثة الأقدم. ويتيح ذلك تفاعلات أكثر تماسكاً وصلة بالسياق على مدى جلسات مطولة. غير أن الذاكرة الطويلة الأمد عبر الجلسات، كمعرفة ما فعله الطالب في الأسبوع الماضي، تتطلب حلولاً إضافية، كحفظ ملخص لكل جلسة في ملف الطالب يمكن إعادة تحميله لاحقاً. ففي هذا النظام، يولد النظام بعد كل جلسة ملخصاً موجزاً للحوار ونواتج التعلم، يعده GPT4 نفسه، ويخزنه في قاعدة بيانات. وحين يعود الطالب، يُضاف هذا الملخص في بداية المحادثة لتزويد العامل بالسياق. وتمثل هذه المقاربة للاستمرارية تطبيقاً عملياً لمعاملة العامل بوصفه رفيقاً مدى الحياة يراكم المعرفة عن المتعلم. وتسهم الذاكرة أيضاً في تتبع منطقة النمو القريبة؛ فباستخلاص سمات من أنماط التفاعل، كعدد الأخطاء المرتكبة والوقت المستغرق في الأنشطة، يستنتج النظام ما الطالب مستعد لتعلمه لاحقاً. فإذا كان الطالب قادراً على الإجابة عن الأسئلة المباشرة لكنه يجد صعوبة في أسئلة التوليف، يركز العامل الدعم على خطوات التفكير العليا، ساعياً دائماً إلى العمل في النقطة المثلى التي يواجه فيها الطالب التحدي دون أن يُثقل عليه. ومن الناحية التقنية، قد يكون ذلك قاعدة من قبيل: «إذا ارتكب الطالب خطأين متتاليين في مفهوم ما، فارجع إلى سؤال أسهل أو إلى مفهوم فرعي من الموضوع ذاته؛ وإذا أجاب إجابة صحيحة بثقة عالية، فانتقل إلى سؤال أصعب أو إلى المفهوم التالي». ويمكن تطبيق هذه القواعد خارج النموذج اللغوي، في مدير الحوار، لضمان الموثوقية، بدلاً من الأمل في أن يستنتجها النموذج في كل مرة.

توسيع الوظائف عبر تكامل الأدوات

من الجوانب المهمة الأخرى في البنية التحتية دمج أدوات خارجية توسع وظائف العامل. ففي سيناريو دعم كتابة المقالات مثلاً، يمكن دمج أداة لسلم تقدير الكتابة، وهي خدمة لمعالجة اللغة الطبيعية تمنح المقالة درجات على أبعاد كالتماسك والنحو وقوة الحجة وغيرها. فحين يقدم الطالب مسودة أو فقرة، يستطيع النظام استدعاء هذه الأداة وإدخال نتائجها في الأمر النصي للنموذج، مما يمكّن العامل من تقديم تغذية راجعة محددة، كأن يقول: «حجتك قوية، لكن التنظيم يمكن تحسينه. ربما تبدأ هذه الفقرة بجملة موضوع واضحة». وفي الإصدار الحالي للنظام، دمجنا مدققاً نحوياً بسيطاً ومدققاً للحقائق. فالمدقق النحوي، وهو واجهة برمجة تطبيقات جاهزة، يحدد أي أخطاء نحوية صارخة في إجابة الطالب، ثم يقرر العامل ما إذا كان سيذكرها، وكثيراً ما لا يفعل ذلك إلا بعد معالجة فهم المحتوى، كي لا يعطل عملية تفكير الطالب. أما مدقق الحقائق، الذي يستخدم محرك بحث أو قاعدة معارف، فيُستخدم حين يطرح الطالب أو العامل ادعاءً واقعياً؛ إذ يستطيع النظام التحقق منه بسرعة، وإذا كان على الأرجح خاطئاً، يمكن للعامل حث الطالب على إعادة النظر، كأن يقول: «هل أنت متأكد من هذه المعلومة؟ ربما ينبغي أن نتحقق منها». وتعمل هذه التكاملات ضوابط لتحسين دقة حوار التدريس وإثراء التغذية الراجعة. وينبغي لمنصة العوامل التوليدية الجيدة التصميم أن تتيح طريقة معيارية لربط هذه الأدوات أو الخدمات. فالنماذج الأولية البحثية الحديثة مثلاً تتضمن عوامل «مخططة» قائمة على النماذج اللغوية الكبيرة تستطيع أن تقرر استدعاء أداة لرسم المخططات في الهندسة أو آلة حاسبة في المسائل الرياضية. وقد تعتمد البنية على استدعاء الدوال، عبر بروتوكول سياق النموذج مثلاً، أو على آلية إدخال وإخراج قائمة على JSON. وفي هذه الحالات، ينتج النموذج اللغوي مخرجاً في صورة استدعاء منظم ينفذه النظام المحيط، ثم تُعاد النتيجة المحسوبة إلى النموذج لمعالجتها لاحقاً. ويمكن تحقيق ذلك عبر واجهة استدعاء الدوال التي توفرها OpenAI أو عبر برمجيات وسيطة مخصصة. وخلاصة القول إن البنية التقنية ليست النموذج اللغوي وحده، بل مجموعة من المكونات الذكية وغير الذكية تعمل معاً لتقديم تجربة تدريس متماسكة.

زمن الاستجابة والأداء في الوقت الفعلي

من التحديات العملية لاستخدام نماذج كبيرة مثل GPT4 زمن الاستجابة. فالطلبة والمعلمون يتوقعون أنظمة سريعة الاستجابة، والتوقفات الطويلة قد تعطل انسياب المحادثة. وقد يستغرق GPT4، بحكم حجمه، بضع ثوانٍ أو أكثر، بحسب حمل الخوادم وطول الأمر النصي، لتوليد رد. وفي سياق تدريس مباشر، قد يبدو حتى تأخير خمس ثوانٍ محرجاً. ويعالج النظام ذلك بطرق عدة. أولاً، تُبقى الأوامر النصية موجزة قدر الإمكان عبر هندسة الأوامر واستخدام تعليمات على مستوى النظام لا تحتاج إلى تكرار مطول في كل دور. ثانياً، توفر الواجهة الأمامية تغذية راجعة بصرية، كمؤشر للكتابة أو صورة رمزية متحركة «تفكر»، لطمأنة المستخدم بأن النظام يعمل ولم يتوقف. ثالثاً، بالنسبة إلى الردود الأطول، يبث النظام المخرجات إلى الواجهة في أثناء توليدها، وهي قدرة تدعمها كثير من واجهات النماذج اللغوية الكبيرة، مما يعني أن الطالب يستطيع البدء بقراءة بداية إجابة العامل بينما يواصل باقيها الوصول، وهو ما يحاكي الحوار الطبيعي بدرجة أكبر. وعلى صعيد البنية التحتية، ننظر أيضاً في تشغيل النموذج على خوادم قوية أو استخدام تقنيات التقطير للحصول على نسخة أصغر أسرع في التفاعل الآني حين لا تكون سرعة GPT4 الكامل ضرورية. وكثيراً ما تكون هناك مقايضة بين الدقة والسرعة؛ ومن الأفكار في هذا الصدد استخدام نموذج أسرع لكنه أقل قدرة قليلاً في التفاعلات السريعة، وادخار النموذج الكامل للمهام الأكثر تعقيداً أو حين تحتمل الجلسة التأخير. ومع استمرار تحسن النماذج التوليدية، نتوقع أن ينخفض زمن الاستجابة، لكنه يظل حالياً اعتباراً تصميمياً.

معالجة الأخطاء والبدائل الاحتياطية

لا يوجد نظام ذكاء اصطناعي كامل، ولذلك يجب أن تعالج البنية التحتية الأخطاء بسلاسة. فالهلوسة، أي إنتاج النموذج اللغوي عبارة تبدو معقولة لكنها خاطئة، مشكلة معروفة. وللحد من الهلوسة في أثناء جلسات التدريس، يمكن اعتماد مقاربة متعددة الطبقات تشمل الوقاية، عبر أوامر نصية مؤسسة معرفياً وفحوص لاحقة، والتخفيف، عبر واجهة المستخدم والاستراتيجية التربوية. وكما ذُكر، فإن دمج آلية استرجاع لتأسيس الإجابات قادر على منع كثير من الهلوسات الواقعية. فضلاً عن ذلك، بعد أن ينتج النموذج اللغوي إجابة، يمكن لمدقق خفيف تقييم صحتها؛ فإذا كان السؤال مسألة رياضية، يستطيع برنامج منفصل التحقق من الحل، وإذا كان السؤال يطلب تعريفاً، يمكن إجراء فحص للكلمات المفتاحية مقابل مصدر موثوق. وإذا رصد المدقق خطأً محتملاً، قد يصححه النظام قبل عرضه على الطالب، أو يجعل العامل يعترف بعدم اليقين ويقدم رداً احتياطياً، كأن يقول: «لا أستطيع تقديم إجابة واثقة في الوقت الحالي». وفي تطبيق النظام، حين لا يكون العامل واثقاً من ردوده، يُوجَّه إلى الرد بسؤال بدلاً من تقرير، فيحول الهلوسة المحتملة إلى استكشاف مشترك: «هذا سؤال معقد، فما السبب في رأيك؟ لنعمل عليه معاً». وبهذه الطريقة، حتى إن لم يكن الذكاء الاصطناعي متأكداً، فإنه يُبقي الطالب منخرطاً في البحث عن الإجابة بدلاً من تقديم إجابة خاطئة بثقة. ومن السيناريوهات الإشكالية المحتملة الأخرى أن تكون مخرجات النموذج مشوهة البنية أو غير لائقة المحتوى، كأن تنتهك مرشحاً للمحتوى أو تنتج شيئاً لا صلة له بالموضوع. وينبغي للنظام الجيد التصميم أن يرصد هذه الحالات بفاعلية، وأن يوظف استراتيجيات احتياطية محددة سلفاً، تشمل اعتذاراً عاماً، أو رداً معاد الصياغة، أو عبارة موحدة مثل: «آسف، لم أفهم ذلك تماماً. هل يمكنك طرح السؤال بطريقة مختلفة؟»، تهدف إلى استدراج مدخل معدّل من المستخدم. ويُعدّ تسجيل كل تفاعل مع أي مؤشرات للأخطاء أمراً حاسماً ليتمكن المطورون لاحقاً من مراجعة النظام وتحسينه. وبمرور الوقت، تساعد هذه المراجعات على تحسين استراتيجيات الأوامر النصية أو إضافة قواعد لتغطية الحالات الطرفية.

التكامل مع الواجهة الأمامية وتجربة المستخدم

تمتد البنية التحتية التقنية إلى تطبيق الواجهة الأمامية الذي يتفاعل عبره المتعلمون والمربون مع العامل. ففي واجهة الويب للنظام، تُعرض المحادثة مع المعلم الذكي بطريقة تشبه الدردشة، مع وسم كل دور بالمتحدث، أي المعلم أو الطالب. ويعتمد التصميم إشارات بصرية بسيطة؛ إذ تظهر رسائل المعلم في فقاعة كلام بجوار أيقونة صورته الرمزية، بينما تظهر مدخلات الطالب في الجانب المقابل. ويمكن تمييز العبارات المهمة في نص المعلم، كأن يظهر المصطلح الرئيسي بخط عريض أو بلون مختلف حين يقدمه المعلم. كما يستطيع العامل عرض بيانات جدولية أو صور ضمن النص عند الحاجة، كجدول سريع لنتائج الطالب في اختبار قصير أو مخطط توضيحي. وقد بُنيت الواجهة الأمامية بطريقة معيارية تتيح ربطها بأنظمة إدارة التعلم التي تستخدمها المدارس. وللتكامل مع هذه الأنظمة، يُراعى الامتثال لمعايير مثل قابلية التشغيل البيني لأدوات التعلم، التي تتيح في جوهرها إطلاق المعلم الذكي داخل منصة مثل Moodle أو Canvas بوصفه أداة خارجية. ويتطلب ذلك مصادقة آمنة، بحيث يعرف العامل الطالب والصف اللذين يتعامل معهما، وإرسال البيانات إلى نظام إدارة التعلم، كالدرجات أو حالة الإكمال. ومع أن نموذجاً أولياً داخلياً كهذا النظام قد لا يطبق جميع خصائص التكامل مع أنظمة إدارة التعلم تطبيقاً كاملاً، فإن تصميمه بواجهات برمجة تطبيقات لاسترجاع الدرجات أو ملخصات الجلسات ونشرها يجعل التكامل لاحقاً ممكناً. فضلاً عن ذلك، كثيراً ما تكون لوحة معلومات المعلم جزءاً من البنية التحتية المتصورة، وهي واجهة يستطيع المعلم من خلالها رؤية الأسئلة التي يطرحها الذكاء الاصطناعي على الطالب، والتدخل عند الضرورة، أو مراجعة نص المحادثة لاحقاً. ويتسق ذلك مع نموذج الإدارة المشتركة الذي يشرف فيه المعلمون على تدخلات الذكاء الاصطناعي. ومن الناحية التقنية، تعني إتاحة الملاحظة الآنية أن يبث النظام الأحداث، عبر تقنية WebSockets مثلاً، بحيث يتلقى المعلم المتصل تدفق الحوار لحظة حدوثه.

قابلية التوسع والمراقبة

أخيراً، لكي تكون هذه البنية التحتية قابلة للتطبيق في النشر التعليمي الفعلي، يجب أن تكون قابلة للتوسع والصيانة.

ولا تعني قابلية التوسع التعامل مع عدد كبير من المستخدمين المتزامنين فحسب، وهو ما يتطلب موازنة الأحمال وربما تشغيل نسخ متعددة من النموذج في أوقات الذروة، بل تعني أيضاً التوسع إلى مجالات محتوى جديدة. فبفضل الطبيعة التوليدية للذكاء الاصطناعي، يمكن أن يكون النظام محايداً إزاء المحتوى إلى حد ما، إذ يستطيع GPT4 ذاته تدريس الرياضيات أو التاريخ، لكنه يحتاج إلى نصوص أو قواعد معرفة خاصة بكل مجال تُربط به. ومن ثم فإن إضافة مقرر أو موضوع جديد تنطوي على تأليف نص JSON لذلك الموضوع وتجميع أي موارد خاصة بالمجال، كمسرد للمصطلحات أو مجموعة من النصوص المصدرية. ومن الأهداف التقنية الطويلة الأمد تطوير أدوات تأليف تتيح للمربين إنشاء هذه النصوص عبر واجهة سهلة الاستخدام بدلاً من كتابة JSON يدوياً. وفي الوقت الحالي، قد تكون هذه العملية شبه مؤتمتة، كأن يملأ المربي استمارة بالمفاهيم الرئيسية والمفاهيم الخاطئة الشائعة فيولد النظام بنية JSON.

وتُعدّ مراقبة النظام أيضاً أمراً أساسياً لصيانته وتحسينه. ويشمل ذلك تحليلات الاستخدام، كمعرفة الأسئلة التي تدفع الطلبة في الغالب إلى طلب مزيد من المساعدة، والمواضع التي يولد فيها الذكاء الاصطناعي كثيراً ردوداً دون المستوى الأمثل، وتنبيهات آلية للسلوكيات الإشكالية؛ فإذا أنتج الذكاء الاصطناعي محتوى غير لائق مثلاً، ينبغي وسمه وإخطار المطورين. وفي النشر البحثي للنظام، تُسجَّل جميع الجلسات بموافقة المشاركين، ويراجعها فريق دورياً لضمان الجودة وتحديد الأنماط التي تستدعي الاهتمام، كمفهوم معين يربك الذكاء الاصطناعي. ومن خلال مراقبة هذه السجلات، يستطيع المطورون تحديث الأوامر النصية أو إضافة أمثلة جديدة إلى بيانات التدريب أو الضبط الدقيق لتحسين النظام تدريجياً. ومراقبة الموثوقية جانب آخر، يشمل ضمان استمرارية التشغيل، والتعافي السريع من أي أعطال، ورصد أي إخفاقات في استدعاءات الأدوات الخارجية.

خلاصة

ختاماً، ينطوي العمود الفقري التقني للعوامل التربوية التوليدية مثل Socratic Playground على تنسيق متطور بين مكونات الذكاء الاصطناعي والبرمجيات. فنواة GPT4 تُوظَّف لقدرتها القوية على توليد اللغة، لكننا نبني حولها هياكل من النصوص والذاكرة والأدوات لضمان أن تكون النتيجة متماسكة تربوياً ودقيقة واقعياً وملائمة لسياق المتعلم. ويعزز التكامل مع المنظومات القائمة للتقنيات التعليمية، كأنظمة إدارة التعلم والأجهزة الصفية ومنصات الواقع الافتراضي، الطابعَ العملي للنظام. ومن خلال الإدارة الدقيقة لزمن الاستجابة، والمعالجة المرنة للأخطاء، والتصميم المتأني للواجهة المتمحور حول المستخدم، صُممت البنية التحتية لتوفير تجربة سلسة وجديرة بالثقة. ومع انتقال هذه الأنظمة من النماذج الأولية إلى الصفوف الحقيقية، ستحدد الاعتبارات التي نوقشت هنا، من الأوامر النصية الديناميكية إلى لوحات إشراف المعلمين، مدى فاعلية دمج الذكاء الاصطناعي التوليدي في التعليم والتعلم اليومي. وقد بيّن قسم «التطبيق العملي» في هذا الفصل كيف يعمل هذا النظام في الممارسة، عارضاً نموذج Socratic Playground والدروس المستفادة من عمليات النشر الأولية.