قاعدة المعارف AIEdAIEd KB
في هذه الصفحة

هذه الصفحة مترجمة إلى العربية. أما صفحات المقالات فهي لا تزال مكتوبة بالإنجليزية. اقرأ هذه الصفحة بالإنجليزية

المفاهيم

البحث التربوي بمساعدة الذكاء الاصطناعي

تاريخ الإنشاء 2026-10-12

ترجمة آلية للصفحة الإنجليزية، لم يراجعها بعد متحدث أصلي.

التوليف: البحث التربوي بمساعدة الذكاء الاصطناعي هو استخدام الذكاء الاصطناعي كأداة في العمل العلمي للمجال ذاته — البحث والاسترجاع الأدبي، وترشيح السجلات للمراجعات، وترميز البيانات الكيفية، وتحليل البيانات، وصياغة المخطوطات وتحريرها، والتأمل الذي يسأل عما تفعله تلك الأدوات بالمعرفة المُنتَجة. وهو متميز عن البحث حول الذكاء الاصطناعي في التعليم: فالتصاميم المستخدمة لدراسة ما إذا كان الذكاء الاصطناعي يساعد المتعلّمين تنتمي إلى مناهج البحث في AIED، وتقييم أنظمة الذكاء الاصطناعي ينتمي إلى تقييم الذكاء الاصطناعي في التعليم (AI Ed Evaluation)، وقراءة دراسة واحدة في مجال AIED تنتمي إلى تفسير أبحاث التعليم بالذكاء الاصطناعي وتطبيقها. وتغطي هذه الصفحة سير عمل الباحث نفسه واستقصاء الباحث الممارس — منح الدراسات في التعلّم والتعليم والبحث في الصف — والحصيلة المعرفية عند دخول الأتمتة إلى أيٍّ منهما. إن أدلتها ضعيفة وحديثة: مقترح إطار عمل، ورواية تأملية لفريق مراجعة واحد، ودراسة صغيرة بمجموعات بؤرية، ودراستان بيبلومتريتان، وتقرير ورشة عمل، ودراسات حالة لمحقّق منفرد. وهي تصف اتجاه مسار لا ممارسة راسخة، وخيط البحث الممارس هو أنحفها على الإطلاق.

أسئلة للتفكير

  • من يُعدّ باحثًا هنا: الأكاديمي الممول، وطالب الدراسات العليا، والمحاضر الذي يدرس صفّه الخاص؟ وأي هؤلاء تصفه الأدلة فعلًا؟
  • استبعد فحص بالذكاء الاصطناعي دراسة من مراجعتك. من المسؤول عن ذلك القرار — المورّد، أم الأداة، أم البروتوكول، أم أنت؟
  • عندما يُلخّص نموذج مصادر لم تقرأها، فما الجزء من العمل العلمي الذي توقفت عن فعله؟
  • يمكن لمتعلّم محاكى أن يختبر معلمًا عبر كثير من الصور. فما الذي ستتحقق منه قبل تصديق حكمه على طلاب حقيقيين؟
  • الاستقصاء الممارس محلي وصغير عادة. هل ينبغي أن تفي أدلته بمعيار تجربة ممولة، أو أن تُوزن بمعيار مختلف لأن الموقع هو المقصد؟
  • إذا ساعد الذكاء الاصطناعي في صياغة ورقة، فما الذي ينبغي إخبار القراء به، وأين ينبغي أن يوجد ذلك الإفصاح؟

مقدمة

البحث التربوي بمساعدة الذكاء الاصطناعي هو تحويل الحقل أدوات الذكاء الاصطناعي على عمله ذاته. وموضوع الدراسة ليس متعلّمًا يستخدم معلمًا ذكاءً اصطناعيًا بل باحث يستخدم نموذجًا للبحث والترشيح والاستخراج والترميز والتحليل أو الكتابة. وما يتغير هو سير عمل الباحث، وبهدوء أكثر، المعايير التي يُحتسب بمقتضاها مُخرَجه كدليل.

وهذه الصفحة ليست عن قصد عن البحث حول الذكاء الاصطناعي في التعليم. فأسئلة ما إذا كان المعلم الذكاء الاصطناعي يحسّن التعلّم تعالجها مناهج البحث في AIED، وتقييم أنظمة الذكاء الاصطناعي يعالجه تقييم الذكاء الاصطناعي في التعليم (AI Ed Evaluation)، والقراءة المتحفّظة لدراسة واحدة يعالجها تفسير أبحاث التعليم بالذكاء الاصطناعي وتطبيقها والحدود في أبحاث التعليم بالذكاء الاصطناعي. وكثيرًا ما تُخلط الأدبيتان بينهما، وتُستعار ادعاءات الأدوات في الثانية لدعم الأولى بكثرة.

ويمتد النطاق من البحث الأدبي عبر الترشيش والترميز والتحليل والكتابة، ويشمل التأمل المعرفي الذي يسأل عما تفعله الأتمتة بالمعرفة التي يُنتجها الحقل. وهو يشمل كذلك البحث الممارس: منح الدراسات في التعلّم والتعليم والاستقصاء الصفّي، حيث يدرس معلم ممارسته الخاصة. وهذا الخيط هو أضعف جزء في هذه الصفحة، والأقسام التالية تقول ذلك بدلًا من تذويبه.

كيف يدخل الذكاء الاصطناعي إلى سير عمل البحث

روايات الاستخدام أكثر اتساقًا من الأدلة على الأثر. فأجرى Dai and Chan (2026) مقابلات مع 28 طالب دراسات عليا في سبع مجموعات بؤرية في مؤسسة واحدة، ووجدوا أن 27 من الـ28 استخدموا الذكاء الاصطناعي التوليدي في مكان ما من بحثهم: توليد الأفكار، ومراجعة الأدبيات، والشرح، ومعالجة البيانات، والبرمجة، والكتابة الأكاديمية، والتحقيق، والترجمة.

وكان المشاركون فيها معايرين لا سريعي التصديق. فقد طابقوا الأدوات بالمهام حسب الحصيلة المتصوّرة والمطالب الفكرية، واستخدموا الذكاء الاصطناعي بكثافة أكبر في العمل الإجرائي منخفض الحصيلة، وبقوا متحفّظين حيث كان الإسهام العلمي محوريًا. كما أبقوا إشرافًا بشريًا طوال الوقت، معاملين النموذج كمساعد قد يكون "مضللًا" أو "مخطئًا تمامًا".

والنتيجة المتعلقة بالسياسة هي العملية. فالإرشاد المؤسسي القائم تناول التعليم والتعلّم والتقويم، واختبره المشاركون على أنه مجرّد ومصطفٍ بشكل خاطئ مع ممارسة البحث. ويقترح المؤلفون إرشادات موجّهة للباحثين، مبنية على إطار رباعي الأبعاد لثقافة الذكاء الاصطناعي، كسقالة تنموية لا ككتاب قواعد.

وتغطي الدراسة مؤسسة واحدة، ومجموعة منتقاة ذاتيًا من 28 شخصًا، وروايات مُعلَنة ذاتيًا؛ فقد يكون الطلاب قد نقلوا استخدامهم بأقل من حقيقته لأسباب النزاهة. وهي تصف كيف تستخدم جماعة قادرة هذه الأدوات، لا ما يُنتجه الاستخدام.

البحث الأدبي والاسترجاع

تقرير ورشة العمل يخطّ خطة لا يقيسها. فقد جمعت ورشة CHIIR 2026 حول الذكاء الاصطناعي التوليدي والبحث الأكاديمي باحثين في تفاعل المعلومات البشرية والاسترجاع، ويصف تقريرها أنظمة بُنيت لاسترجاع الوثائق فصارت تُلخّص وتوصي وتولّف وتحاور — مما يزعزع افتراض أن النظام يحدّد مواقع المصادر بينما يبقى التأويل مع المستخدم.

واختبر حديث خاطف كيف تُعيد النماذج بناء العلماء. مقابل حقيقة أرضية مأخوذة من OpenAlex وGoogle Scholar لـ1,596 باحثًا بذريًا في 10 مجالات دراسية و8 مناطق عالمية، أُعيد بناء الباحثين كثيري الاستشهاد بنحو ضعف معدل أقرانهم الأقل استشهادًا، وذلك باختبار DeepSeek R1 وLlama 4 Scout وMixtral 8×7B.

وأفاد أمين مكتبة بـ"فجوة ثقة": إذ كثيرًا ما أفرط الطلاب في الثقة بالبحث التوليدي بينما شكّك فيه أعضاء هيئة التدريس، ورُئي أن ورشات الجلسة الواحدة غير كافية لثقافة دائمة. وكان خيط التصميم الذي عاد إليه المشاركون أكثر هو "الاحتكاك" — إبقاء المستخدمين منخرطين في العمل النقدي، وغير المريح أحيانًا، الذي يأتي منه التعلّم.

والتقرير يغطي حدثًا واحدًا منتقى ذاتيًا ويسجّل أراءً ومبادئ تصميم وأسئلة بحثية إلى حد كبير. وأرقامه تنتمي إلى الأحاديث المنفردة لا إلى ورشة العمل، ولا شيء فيه يُظهر أن البحث الأكاديمي بالذكاء الاصطناعي يحسّن التعلّم أو يضره.

الترشيش وأتمتة المراجعات المنهجية

المراجعات المنهجية هي حيث تقدّمت الأتمتة أكثر، وحيث تُظهر حدودها كذلك. ففي تأمّل Wang et al. (2026) عن مراجعة فريق واحد متعدد المجالات، يُبلّغون أن الأتمتة قلّلت العبء الإجرائي أساسًا في الترشيش على مستوى الملخص — بأدوات مثل ASReview وSWIFT-Review وCovidence وAIScreenR وMetaMate — بينما بقيت استخراج البيانات والمصالحة والتوليف مع المراجعين البشر. وعمل الإرشاد والمناقشة بين الأقران كبنية تحتية منهجية، لا كمجاملة.

وخلاصتهم هي تقسيم للعمل لا تسليم له: أسند الأتمتة إلى العبء الإجرائي، وتحقق من كل مخرج، وأبقِ القرارات التأويلية بشرية. والرواية هي تأمّل فريق واحد دون شرط مقارنة، فاستراتيجياتها موصوفة لا مُختبَرة.

ويُكمّ Zabaleta and Lin (2026) مشكلة التبليغ عبر 888 ورقة أتمتة مراجعات تحمل 14,726 بند توصيف. فمنذ 2023، لم تُبلّغ 38.0% من أوراق البرمجيات والمنتجات عن أي تقييم، مقابل 9.3% من أوراق النماذج اللغوية الكبيرة. وتنجو الفجوة من التطبق: ففي الترشيش والاختيار، متوسط أوراق البرمجيات 3.2 بند تقييم جوهري مع 39.3% لا تُبلّغ عن شيء، بينما متوسط أوراق النماذج اللغوية 7.3 بنود بمعدل لا تقييم 3.8%.

ولم يُغنِ التقييم المواتي عن الأهلية للتفويض. فمن بين 118 ورقة نماذج لغوية بتقييمات إيجابية فقط، أبلغ 52% على الأقل عن مصدر قلق واحد بأن سير العمل يقع دون المستوى المطلوب لدوره. وكان الوصول إلى النماذج ملكيًا إلى حد كبير: إذ اعتمد 84.1% من استخدام النماذج اللغوية الكبيرة على أنظمة ملكية أو مستضافة، و11.0% مختلط، و4.9% فقط أوزانًا مفتوحة.

ومن هذه الأنماط يستنبط المؤلفون PRISMA-LLM، وهو إطار من ثلاث طبقات مستوياته الخمس للتنفيذ هي درجات إفصاح لا درجات مخاطر. وهو مقترح يُقدَّم للاختبار، لا امتداد رسمي تعتمد عليه اللجنة التنفيذية لـPRISMA. ويحذّرون من أن الصمت على مستوى الورقة ليس دليلًا على غياب التحقق — فقد يوجد في تقرير منتج، أو بروتوكول، أو مستودع.

الترميز الكيفي والتحليل

التحليل الكيفي هو المرحلة التي يكون التأويل فيها هو المنتج، مما يجعل التفويض أصعب في الدفاع عنه. وتجمع صفحة البحث الكيفي أدلة النص على الترميز بمساعدة الذكاء الاصطناعي، بما في ذلك دراسات تُظهر أن الاتفاق بين الإنسان والنموذج ليس هو جودة الترميز، وأن الأخطاء يمكن أن تتسلسل عبر التحليل الزمني. وتعامل تلك الأدبيات النموذج كوسيلة توسيع نطاق تقتضي تحقق مخرجاتها مقابل الحكم البشري.

ويصف Martin et al. (2026) انتقال الدور مباشرة. فعند تطبيق نماذج الترميز الآلي، ينتقل الباحث من ترميز بيانات الطلاب إلى التحقق من مخرجات النموذج؛ وعندما تجمع النماذج غير المراقَبة الاستدلال في عناقيد، يؤدي الخوارزمية التحليل الاستكشافي الأولي. ويحتاج الباحثون، بحسب زعمهم، إلى مهارات علوم البيانات إلى جانب الخبرة الكيفية والكمية والنظرية بشكل متزايد.

ويُمدّ إطارهم كذلك بالفحص الذي يهم هنا: فالذكاء الاصطناعي القابل للتفسير يستطيع كشف ما إذا كان الترميز الآلي يتتبع الفهم الدلالي أم الكلمات المفتاحية وحدها. فقد تكون خطوة ترميز تتفق مع توصيفات الإنسان وهي تقرأ الشيء الخطأ.

تحليل البيانات والحصيلة المعرفية

يضغط Martin, Rost, Koenen and Graulich (2026) على إنتاج المعرفة في الحقل ذاته، ومقالتهم هي عمود هذه الصفحة. فبالانطلاق من رواية Hasok Chang (2004) للتكرار المعرفي — مراحل متتالية من المعرفة تبني بعضها على بعض نحو أهداف معرفية — يرسمون توازيًا مع تطوّر الميزان الحراري على مدى نحو 150 عامًا، ويجادلون بأن الحقل قد يكون الآن داخل تكرار مماثل.

وقلقهم المركزي معرفي لا تقني. فمشكلة القياس المعياري عند Chang تقتضي أن قياس كمية يتطلب قانونًا يربطها بشيء قابل للملاحظة، لكن ذلك القانون لا يمكن اختباره تجريبيًا دون معرفة الكمية سلفًا. ودوال القياس المشتقة من الذكاء الاصطناعي، التي تنبع من بيانات التدريب والتحسين لا من الباحث، قد تفاقم هذا لا تحلّه، لأنها قد تبدو دقيقة وتنبؤية مع بقائها معتمة.

وللإطار سبع مراحل: تأطير المشكلة؛ والأدوات والقياس؛ والتجريب والاستنتاج المبني على الأدلة؛ والمقارنات والتكرار؛ وبناء المعايير والإجماع؛ والتنفيذ ونتائجه؛ والتحسين المستمر. ويقدّم المؤلفون هذه كأبعاد تحليلية قد تتكرر أو تتشابك أو تغيب، لا كتسلسل مُتحقَّق منه.

والقابلية للمقارنة هي المرحلة ذات الحد الأوضح مساسًا بالإنصاف. فمبدأ Regnault يقتضي أن يُعطي أداةٌ القراءة ذاتها في الظروف ذاتها وأن تتفق أدوات من نوع واحد — لكن القابلية للمقارنة يجب أن تمتد عبر فئات الطلاب، ويميل التعلّم الآلي إلى ترميز الأفكار القياسية أفضل من الطرق المتنوعة التي يعبّر بها الطلاب الأضعف عن أفكارهم.

ويسمّون أيضًا مشكلة مسؤولية. فالباحثون يستخدمون نماذج مدربة سلفًا قد لا يعرفون بيانات تدريبها وضبطها الدقيق وأهدافها، مما يضيف طبقة من الاعتماد المعرفي؛ ولأن هذه الأنظمة تنبع من شبكات اجتماعية تقنية، تصبح المسؤولية عسرة التخصيص — وهي "مشكلة الأيدي الكثيرة".

والصراحة الضرورية هي أن المقالة لا تُبلّغ عن أي بيانات ولا تُثبت أي آثار تعلّمية. وهي لا تُظهر أن منهجيات الذكاء الاصطناعي تحسّن البحث أو تُنتج استنتاجات أكثر صلاحية؛ وذلك المقارنة تُطرح كعمل مستقبلي، ويسمح المؤلفون بأن فرضيتهم "قد تثبت خطأها تمامًا".

كتابة البحث والاستشهاد والنزاهة

الكتابة هي حيث تكون مساعدة الذكاء الاصطناعي أكثرها ظهورًا وحيث تكون إخفاقاتها أكثرها جسامة، لأن المرجع ادعاء بالمسؤولية. فدقّق Denny et al. (2026) مكتبة ACM الرقمية بأكملها — 723,930 منشورًا و15,872,533 مرجعًا — وتتبّعوا 113,588 مرجعًا من 5,225 ورقة في تعليم الحوسبة منشورة من 2021 فصاعدًا.

وتحقّقوا يدويًا من 828 سجلًا مشتبهًا به، فوجدوا 30 مرجعًا يحمل معلومات بيبلوغرافية مُلفَّقة بشكل قابل للتحقق عبر 14 ورقة، كلها من 2025 و2026. وفي ندوة SIGCSE التقنية ارتفع العدد من 3 في وقائع 2025 إلى 17 في 2026، وظهر في 2.3% من أوراق وقائع 2026. وسبعة عشر من الثلاثين كانت هجينة تجمع عنوانًا حقيقيًا بمؤلفين مُلفَّقين أو خاطئين.

وعددهم حدّ أدنى مقصود، ويقدّمون المشكلة كمشتركة لا يحلّها البرنامج. فعلى المؤلفين التحقق من كل عمل مُستشهد به، خصوصًا عند استخدام الذكاء الاصطناعي التوليدي في الكتابة؛ ولا يستطيع المراجعون تدقيق كل مرجع، لذا تعتمد المواقع فحوصًا موجّهة؛ وينبغي للناشرين تحسين البيانات الوصفية. والكشف الآلي يرث عيوب البيانات الوصفية التي يعتبرها حقيقة أرضية.

وتظهر آثار حجم كتابة الذكاص الاصطناعي في دراسة بيبلومترية ثانية. إذ حلّل Wang et al. (2026) 147,074 منشورًا من دوريات PLoS وNature منذ 2020، وربط الكتابة بمساعدة الذكاء الاصطناعي بفرق أصغر ومائلة إلى الأحدثية. وفي التحول الأقصى من لا مساعدة إلى مساعدة كاملة بالذكاء الاصطناعي، كان حجم الفريق أصغر بـ22.1% في PLoS وبـ45.5% في Nature (Poisson β = −0.250 و−0.607، كلاهما p < 0.01).

ولم يتضرر الأثر على ما يبدو. فبلغ نحو 7.34% من أوراق PLoS المدعومة بالذكاء الاصطناعي و7.40% من أوراق Nature أعلى 5% من FWCI، وهو فوق كلتا المجموعتين المقارنتين المكتوبتين بشريًا، وأظهرت المقارنات المطابقة احتمالًا أعلى بـ3.0% و2.7% للوصول إلى أعلى 5% من FWCI (كلاهما p < 0.01). والبيانات رصدية، لذا يمتنع المؤلفون عن ادعاءات سببية قوية.

الوكلاء الدائمون في بيئة البحث

إلى جانب المطالبات المفردة، تُدمَج الوكلاء الدائمون في مساحة العمل البحثية ذاتها. ويُبلّغ Alzahrani (2026) عن دراسة حالة لمحقّق منفرد دامت 115 يومًا عن وكيل بذاكرة دائمة وملفات محلية وأدوات خارجية وروتينات مجدولة وأدوار مفوّضة، يعمل في مساحة عمل عالِم طبيب واحد.

والنتائج الوصفية كبيرة. فقد احتفظت قياسات الوكيل الرئيسي القابلة للاستعادة بـ75,671 سجلًا منزوع التكرار عبر 96 يومًا نشطًا، بنسبة يوم نشط 0.835؛ واحتوت مساحة العمل على 502 ملف متعلق بالذاكرة، و17 دليل وكيل مُهيَّأ، و57 ملف مهارة. واحتوت مجموعة فرعية صارمة من 25 يومًا في مايو على 627 حدثًا أكمله النموذج و73,950,305 رمزًا مسجلًا، منها 82.9% قراءات من ذاكرة التخزين المؤقت، بنحو US$1,961 من الإنفاق الرصدي للنظام.

وإسهام الدراسة الرئيسي هو إطار قياس — PARE-M — بُني لأن النتائج التي يُفترض أن يدعمها وكيل دائم، مثل الحكم والكلفة لكل ناتج، غير مرئية لمعايير العمل الحادثي. ونتيجتها السلبية المركزية هي أن حجم التفاعل المجمّع لم يُظهر تقليلًا للمدخل البشري: فمع تراكم الذاكرة والإجراءات، اتسع نطاق العمل المفوض، لذا فالنمط الأقوى هو توسيع القدرة لا إحلال مُثبَت للعمل البشري.

والقيود هي التي تدعو إليها حالة واحدة يرصدها صاحبها ذاتيًا. فباحث واحد كان المستخدم والمصمّم ومصدر البيانات والمحلّل والمستفيد، دون مجموعة ضابطة، ولا فترة أساس، ولا مبرمِج مستقل لأحداث الحكم.

المتعلّمون المحاكون كأدوات بحث وتقييم

محاكاة الطلاب هي صفحة قاعدة المعارف عن التقنية والظاهرة: كيف تبني متعلّمًا اصطناعيًا تكون حالته المعرفية وأخطاؤه أمنة بما يكفي لأن يقوم مقام شخص. وتعالج هذه الصفحة الجهاز ذاته كأداة للبحث والتقييم — ما هو الغرض من متعلّم اصطناعي حين يجب اختبار تدخّل أو أداة أو معيار أو معلم على نطاق أو في ظروف لا تستطيع المتعلّمين الحقيقيين توفيرها.

وأوضح استخدام هو تقييم معلم على مر الزمن. فيضع Lee et al. (2026) معلمًا وكيليًا في علاقة دامت 30 يومًا مع متعلّم محاكى تدفع إجاباته إتقانه المستنبط من نموذج تتبّع المعرفة المدرب على بيانات طلاب حقيقيين. وبتقييم 10 محوّلات وكيل، بلغ كل محوّل هضبة خلال 5–10 أيام أدنى بكثير من مرجع التعلّم المثالي، وهي نتيجة لا تصل إليها تقييمات الجلسة الواحدة. وفحص معايرة مقابل دقة الفحص المرصود يحاذي القطر (ECE 0.049، وBrier 0.033 على 1.19 مليون محاولة).

والأمانة شرط مسبق، وهي قابلة للقياس. فيُبلّغ Wang et al. (2026) عن تباعد سلوكي عن آثار طلاب حقيقيين بـDKL = 0.31 مقابل 0.53 لأفضل خط أساس، وفي اختبار تورينغ بـ71 مقيّمًا كانت آثاره غير قابلة للتمييز إحصائيًا عن بيانات طلاب حقيقيين (دقة 52.8%، d′ = 0.15). والإخفاق الذي يجتنبه هو تحيز الكفاءة: فالنماذج المستدعاة تحل المهمة بأداء مفرط لتقوم مقام المبتدئين.

وحال الاعتقاد هي الجزء السهل في تلفيقه. فقد أظهر Do, Sonkar and Sachan (2026) أنه عبر سبعة نماذج من 4B إلى 120B بارامترًا، تخلى المحاكون عن مفهوم خاطئ مُسند إليهم وأعادوا الحل من المعرفة الداخلية بمعدلات شبه موحدة تحت تغذية راجعة موجّهة وغير مصطفّة وعامة. ويُكمّلون ذلك بـSelective Flip Score، ويرفعون الأمانة حتى +0.56 بالتدريب، وهذه هي النقطة: فاستدعاء شخصية لا يبني متعلّمًا.

وتخدم المتعلّمين المحاكون أيضًا كساحة اختبار مضبوطة لأدوات التقييم ذاتها. إذ جَزّأ Fan et al. (2026) كل قاعدة من ثلاث قواعد معلمين مع متعلّم اصطناعي ضعيف ثابت بموجب بروتوكول مُسجَّل مسبقًا، ووجد أن مقاييس النفع ذات الغرض العام تحمل إشارة بيداغوجية ضعيفة، مع سبع سياسات تمتد على 2.3 نقطة من البيداغوجيا المحكومة داخل نطاق 0.25 نقطة من النفع المحكوم. وكانت المنعطفات التي تكشف الإجابة تتبعها أعمال مستقلة أقل للطالب في كل قاعدة.

والتحذير ينبغي أن يوجد في الصفحة. فحكم المحاكي لا يعدو جودة المحاكي، واتساع تغطيته يميل إلى أسهل المتعلّمين.

البحث الممارس: SoTL والاستقصاء الصفّي

هذا هو الخيط الذي يوثّقه النص أقل من غيره. فمنح الدراسات في التعلّم والتعليم والبحث الصفّي هما استقصاءان للممارس — معلم يدرس مقرره الخاص، غالبًا على نطاق صغير، وغالبًا كدراسة ذاتية — والصفحات المجموعة هنا لا تُقدّم رواية مبحوثة عن استخدام الذكاء الاصطناعي في تلك الصيغة.

وأقرب الأدلة مجاور لا على صلة بالموضوع. فطلاب الدراسات العليا في Dai and Chan (2026) كانوا يتعلمون أن يكونوا باحثين، لا يدرسون تعليمهم الخاص. والفريق في Wang et al. (2026) أجرى مراجعة رسمية متعددة المجالات، لا مشروعًا محليًا. والدراسات البيبلومترية تصف مجالات دراسية وناشرين، لا صفوفًا.

والقول الصريح هو إذن فجوة لا نتيجة. فالاستقصاء الممارس بمساعدة الذكاء الاصطناعي منتشر على الأرجح وغير موثّق في هذا النص تقريبًا؛ وصفحة تقدّم أدلة أتمتة المراجعات والبيبلومترية كأنها تحسم كيف ينبغي لمحاضر أن يستخدم الذكاء الاصطناعي لدراسة تعليمه الخاص ستكون مبالغة.

وما يمكن نقله هو تصوّف لا نتيجة: سمّ دور الذكاء الاصطناعي في المناهج، وأبقِ القرارات التأويلية بشرية، وأبلغ عمّا تحقق منه وما لم يتحقق.

ما لم تُثبته الأدلة بعد

  • لا مقارنة وجهاً لوجه. يطرح Martin et al. المقارنة بين المناهج المدعومة بالذكاء الاصطناعي والتقليدية كعمل مستقبلي. ولا تُظهر أي مقالة مرتكز أن منهجية ذكاء اصطناعي تُنتج استنتاجات أكثر صلاحية.
  • تصاميم ضعيفة في كل المواضع. المرتكزات هي مقترح إطار عمل، ورواية تأملية لفريق واحد، وتقرير ورشة عمل، ودراسة بمجموعات بؤرية، وقياسات بيبلومترية رصدية. ولا شيء منها تجربة مضبوطة لمنهج مدعوم بالذكاء الاصطناعي.
  • فجوة تبليغ، لا تدقيق للممارسة. يقرأ PRISMA-LLM الصمت على مستوى الورقة؛ فقد يبقى سير عمل بلا تقييم في ورقته متحققًا منه في موضع آخر.
  • البحث الممارس ممثل تمثيلًا ناقصًا. تذكر صفحات قليلة هنا فقط SoTL أو البحث الصفّي، فلا يستطيع النص تأسيس ادعاءات عن معلمين يدرسون ممارستهم الخاصة.
  • هدف متحرك. فالأدوات تتحسن أسرع من النشر، لذا فإن نتيجة عن سير عمل في 2025 تصف جيلًا من الأنظمة قد لا يوجد بتلك الصورة بعد.

المفاهيم المرتبطة

المقالات المرتبطة

الاستشهاد

Martin, P. P., Rost, M., Koenen, J., & Graulich, N. (2026). Amid an Epistemic Iteration: How AI Methodologies May Transform the Nature of Science Education Research. Science & Education.

Wang, X., Dadashipour, F., Basori, Maeda, Y., & Richardson, J. C. (2026). Scaffolding systematic reviews in learning design and technology through mentoring and AI integration. Educational Technology Research and Development.

Dai, W., & Chan, C. K. Y. (2026). Shaping responsible GenAI use in research through AI literacy-oriented guidelines: Insights from postgraduate students. International Journal of Educational Technology in Higher Education, 23, 33.

Denny, P., Barbre, G., Blake, M., Hua, Y. C., Leinonen, J., Luxton-Reilly, A., Prather, J., & Reeves, B. N. (2026). Testing Our Foundations: Citation Trends, Errors, and Emerging Hallucinations in the Computing Education Literature. arXiv preprint.

Zabaleta, M., & Lin, B. (2026). PRISMA-LLM: An Empirical Reporting Framework for AI-Assisted Systematic Reviews. arXiv preprint.

Liu, Y., Arguello, J., Hoeber, O., et al. (2026). Report on CHIIR 2026 Workshop on Generative AI and Academic Search (GAI&AS). ACM SIGIR Forum.

Alzahrani, A. H. (2026). Persistent AI Agents in Academic Research: A Single-Investigator Implementation Case Study. arXiv preprint.

Wang, H., Zhang, M., Bu, Y., Zhao, S. X., & Liu, M. (2026). Smaller, Younger, and More Impactful: How AI-Assisted Writing Transforms Research Teams. arXiv preprint.

Lee, U., Lee, S., Jeong, Y., Lee, E., Shin, M., & Kwon, H. (2026). EduClaw-Bench: A Long-Horizon Benchmark for Pedagogical LLM Agents with Simulated Learners. arXiv preprint.

Wang, H. D., Cohn, C., Xu, Z., Guo, S., Biswas, G., & Ma, M. (2026). BEAGLE: Behavior-Enforced Agent for Grounded Learner Emulation. arXiv preprint.

Do, H., Sonkar, S., & Sachan, M. (2026). Simulating Students or Sycophantic Problem Solving? On Misconception Faithfulness of LLM Simulators. arXiv preprint.

Fan, S., Deng, B., Xu, M., Liu, J., & Zhang, H. (2026). Rethinking LLM-Judged Helpfulness as a Pedagogy Signal: A Pre-Registered Audit Across Tutor Models. arXiv preprint.

الأسئلة الشائعة المرتبطة

البيانات الوصفية

المستوىHigher Ed
الجمهور المستهدفResearchers, Instructors, Faculty Developers
التقنيات والأساليبالذكاء الاصطناعي التوليدي, النماذج اللغوية الكبيرة (LLMs), الذكاء الاصطناعي بمشاركة الإنسان, محاكاة الطلاب, المحاكاة
التقييم والقياسالقياس التربوي, مكاسب التعلّم
مناهج البحث والتقييممناهج البحث في AIED, التحليل البعدي والمراجعة المنهجية, البحث النوعي, البحث الكمي, تقييم الذكاء الاصطناعي في التعليم (AI Ed Evaluation), المعيار المرجعي (Benchmark), البحث بالمناهج المختلطة
الإنصاف والأخلاق والاستخدام المسؤولبيانات استخدام الذكاء الاصطناعي والإفصاح عنه, خطر الهلوسة, الثقة
أساسيات الذكاء الاصطناعي في التعليمثقافة الذكاء الاصطناعي, التعاون بين الإنسان والذكاء الاصطناعي, النزاهة الأكاديمية
نوع الصفحةSynthesis
SourceHistoryEditChat

ضمّن هذه الصفحة

انسخ الشيفرة أدناه لتضمين هذه الصفحة في نظام إدارة التعلم أو أي موقع آخر. الإصدار المُضمَّن يعرض محتوى الصفحة فقط — فهو يُخفي ترويسة الموقع وقائمة التنقل وتذييله.