توليد الأسئلة الآلي

ترجمة آلية للصفحة الإنجليزية، لم يراجعها بعد متحدث أصلي.

توليد الأسئلة الآلي (AQG) — استخدام الذكاء الاصطناعي، وخصوصاً معالجة اللغة الطبيعية والنماذج اللغوية الكبيرة (LLMs)، لتوليد بنود التقويم التعليمي (اختيار من متعدد، وإجابة قصيرة، وملء فراغ، وبرمجة، وأسئلة أداء) آلياً من المادة المصدرية أو أهداف التعلّم. ويمكّن توليد الأسئلة الآلي التقويم على نطاق واسع — إنتاج اختبارات تكوينية وتمارين تكيّفية وبنود تدريب — لكن الجودة تتباين تباعداً كبيراً بين أنواع البنود وتتطلب تحققاً لتجنّب الأسئلة المُختلقة أو المعايَرةَ معايرةً سيّئة. وهو مُكوّن جوهري في التقويم الآلي ومُمكّن رئيسي لـ التعلّم التكيفي والتعلّم المخصّص.

أسئلة تستحق التأمل

• يُنتج توليد الأسئلة الآلي بنود تقويم من المادة المصدرية على نطاق واسع — لكن هذه الصفحة تحذّر من أن الجودة تتباين تباعداً كبيراً بين أنواع البنود. قبل القراءة، أي نوع بنود تخمّن أن يولّده الذكاء الاصطناعي بأعلى موثوقية: اختيار من متعدد، أم إجابة قصيرة، أم برمجة — ولماذا؟
• التحدّي المركزي هو ضبط الجودة: يمكن للنماذج اللغوية الكبيرة أن تُولّد أسئلةً خاطئةً واقعياً. خفّض خط أنابيب واحد التخليق بنسبة 62% بإضافة حلقة توليد-ثم-تحقق-ثم-تنقيح. لماذا تظنّ أن مطالبة الذكاء الاصطناعي بالتحقق من أسئلته الخاصة تُحسّنها تحسيناً ذا معنى بدلاً من أن تكون مجرّد تصديق على مخرجاته؟
• يُظهر البحث أن الأسئلة المُولَّدة قد تنحرف نحو التفكير الأدنى مرتبةً (التذكّر) ما لم تُصمَّم صراحةً لمخرجات أعلى مرتبةً. إذا استخدمت الذكاء الاصطناعي لبناء بنود تدريب، فكيف تعرف ما إذا كانت تُدرّب فهماً حقيقياً أم الحفظ فقط؟
• معايرة الصعوبة مهمة: ترتبط تقديرات الذكاء الاصطناعي للصعوبة ارتباطاً قوياً بأداء الطلاب، لكن الصفحة تحذّر من إساءة الاستخدام عالية المخاطر. متى يكون السؤال الذي يحكم الذكاء الاصطناعي أنه "بالصعوبة الصحيحة" لا يزال السؤال الخطأ في طرحه على متعلّم معيّن؟
• يبني التوليد الواعي بـ إمكانية الوصول أسئلةً مضبوطةً للمتعلّمين الصم وضعاف السمع، منقّحةً بشراكة مع المجتمع المستهدف. فماذا يوحي هذا المثال بشأن سبب تعذّر معاملة توليد الأسئلة كمشكلة تقنية أو متعلقة بالمحتوى فقط؟

المقدمة

يمثّل توليد الأسئلة الآلي أهميةً لأن بنود التقويم مكلفة الإنشاء يدوياً، ويمكن للذكاء الاصطناعي إنتاجها بسرعة وعلى نطاق واسع. لكن أبحاث قاعدة المعارف تُظهر أن البنود المُولَّدة يجب التحقق من صحتها وملاءمتها وصعوبتها، وأن أنواع البنود المختلفة (اختيار من متعدد، وإجابة قصيرة، وبرمجة) تتباين في درجة موثوقية توليدها. لذا يقف توليد الأسئلة الآلي عند تقاطع الذكاء الاصطناعي التوليدي ومعالجة اللغة الطبيعية التعليمية والقياس التربوي.

مقاربات توليد الأسئلة

تُجسّد أبحاث قاعدة المعارف عدة مقاربات:

• خطوط أنابيب توليد-ثم-تحقق: يُدخل Generate-Then-Validate حلقة توليد ← تحقق ← تنقيح تُخفّض تخليق النماذج اللغوية الكبيرة بنسبة 62% مقارنةً بالتوليد المباشر، محققةً دقة 89% على مجموعات بيانات STEM وتحسيناً في الملاءمة بنسبة 23%. ومرحلة التحقق تُرشّح البنود غير الصالحة أو منخفضة الجودة، والبنود الفاشلة تُشعل إعادة توليد بإشارات تصحيحية.
• التوليد القائم على تتبّع المعرفة: يُولّد KT4EQG أسئلة تدريب مخصّصة موجّهةً بـ تتبّع المعرفة، مُخصّصاً البنود لحالة معرفة كل متعلّم بدلاً من توليد أسئلة عامة.
• المُشوّشات المرتبطة بالمفاهيم الخاطئة كتسميات تشخيصية: يُرفق CoLearn (هو وزملاؤه، 2026) كل مُشوّش بمفهوم خاطئ مُستخرَج واحد ويُعلّم خياراً صحيحاً واحداً بالضبط، فيُولَّد البند مع أهدافه التشخيصية مدمجةً فيه ويُمكن تقييمه بشكل قطعي دون أي نداء لـ النماذج اللغوية الكبيرة (LLMs) — نحو 7.6 ثانية ونحو \$0.005 لكل جولة على النشر الحي للمؤلفين، مقابل نحو 32 ثانية و\\$0.015 لجولة إجابة قصيرة مُقيَّمة بالنموذج اللغوي الكبير. والربط جيّد بمقدار جودة تسميات المفاهيم الخاطئة الكامنة وراءه، إذ طابقت المفاهيم الخاطئة حول الذكاء الاصطناعي المُستخرَجة المفاهيم الخاطئة المستهدفة عند F1 ≈ 0.56، وخدمت اختيارات بنوده مهارةً ضعيفةً حقاً 0.72 من الوقت.
• التوليد الواعي بالعمق المعرفي: يفحص تقييم العمق المعرفي للأسئلة المُولَّدة بالنماذج اللغوية الكبيرة ما إذا كانت البنود المُولَّدة تُحفّز التفكير العالي المرتبة (الإنشاء، والتقييم) أم الحفظ فقط، وهو ما يرتبط بتصنيف بلوم والقياس التربوي.
• مشكلات حالات مدمجة بالأخطاء للتقويم المتكرر: ولّد تاكاهاشي وزملاؤه (2026) مشكلات استدلال تشخيصي هرمي (HDR) جديدة — حالات قصيرة تحمل أخطاءً مدمجةً بشكل مقصود يجب على الطلاب العثور عليها وشرحها — ووجدوا أن البنود التي ألفها GPT-4o طابقت البنود التي ألفها البشر على الاتساق الداخلي (ألفا كرونباخ = 0.78 لكليهما) والصعوبة، مع اختبارات فيشر الدقيقة التي لم تجد أي فرق ذي دلالة في توزيع الدرجات عبر 100 مشارك. والصيغة تُزاوج مطلب التفكير العالي المرتبة باستجابة مقيّدة، فتتقارب الإجابات ويصبح التقييم قابلاً للتكرار. والدافع التوليدي هو إعادة استخدام البنود: فإعادة استخدام حالة واحدة تدعو إلى الذاكرة وإعادة استخدام الإجابات، بينما تُخمد الحالات المولّدة المكافئة بنيوياً والمختلفة سياقياً تحيّز البند في إعادة القياس.
• خطوط أنابيب بيداغوجية: يستخدم توليد أسئلة وأجوبة من عروض الشرائح خط أنابيب متعدد المراحل لتوليد أسئلة سليمة بيداغوجياً من مواد المقرر.
• التوليد الواعي بإمكانية الوصول: يصمّم تشين وزملاؤه نظام توليد أسئلة مدفوعاً بالنماذج اللغوية الكبيرة لـ المتعلّمين الصم وضعاف السمع، مُدخلين استراتيجيتَي سؤال بصري وسؤال انفعالي تستهدفان لحظات الصعوبة البصرية أو الانفعالية في الفيديو، ومنقّحَيْن الأسئلة تكرارياً مع المجتمع المستهدف لضمان إمكانية الوصول اللغوية.
• الأنظمة القائمة على RAG مع الإنسان في الحلقة: يجمع CODE-GEN بين التوليد المعزَّز بالاسترجاع ومراجعة الإنسان في الحلقة لتوليد تقويمات اختيار من متعدد.
• المعايير والتقييم: يُوفّر NSMQ Riddles معياراً للأحاجي العلمية/الرياضية لتقييم أنظمة توليد الأسئلة والاستدلال.

التحقق والجودة

التحدّي المركزي في توليد الأسئلة الآلي هو ضبط الجودة:

• قيّم عملية الحل لا صلب السؤال: يُحاجّ ProIQA بأن مراجعة جودة البند ينبغي أن تتبع ما يفعله الخبير — محاكاة الحل — ويبني شجرة استدلال مُولَّدةً بالنموذج اللغوي الكبير لكل بند، مُتحقَّقاً من صحتها الرياضية بنسبة 90.38–97.80%، ثم يرمّز بنية تبعيتها بشبكة عصبية تعلّم آلي بيانية إلى جانب عرض مُقتصر على صلب السؤال. ويُبلّغ عن مكاسب متوسطة على ثاني أفضل أسلوب قدرها 7.5% في تقويم المفاهيم، و6.3% في تقدير الصعوبة، و19.5% في تقويم الكفاءة، وتُسمّي تحليله لأخطائه نمط فشل يستحق المراقبة: شجرة استدلال سليمة منطقياً لكن ضحلة بنيوياً تجعل بنداً صعباً يبدو سهلاً.

• مخاطرة التخليق: يمكن للنماذج اللغوية الكبيرة أن تُولّد أسئلةً خاطئةً واقعياً. يُظهر Generate-Then-Validate أن مرحلة تحقق مخصّصة تُخفّض ذلك بحِدّة، ومخاطرة التخليق مصدر قلق معترف به على نطاق واسع.

• معايرة الصعوبة: يجب معايرة الأسئلة المُولَّدة على صعوبة مناسبة. يُظهر بحث معايرة الصعوبة أن تقديرات الذكاء الاصطناعي للصعوبة ترتبط ارتباطاً قوياً بأداء الطلاب (مثلاً، rho ≈ −0.87)، مما يُتيح اختيار بنود أفضل — مع التحذير من إساءة الاستخدام عالية المخاطر. ويوسّع رزافي وباورز (2026) ذلك إلى بنود الرياضيات والقراءة لمرحلة K-5 (N = 5170) المعايَرة تحت نموذج Rasch IRT: ارتبطت تقديرات GPT-4o للصعوبة بإطلاق الصفر ارتباطاً متوسطاً إلى قوي بالصعوبات الحقيقية (r = 0.83 في الرياضيات، و r = 0.81 في القراءة) لكنها تباينت بحسب المرحلة، بينما وصلت المقاربة القائمة على السمات — السمات المعرفية واللغوية المُستخلَصة بالنموذج اللغوي الكبير والمُغذّاة لنماذج قائمة على الأشجار — إلى ارتباطات تصل إلى r = 0.87. ويُوفّر استخلاص السمات المُنظَّم في الدراسة (مثلاً، تعقيد النحو، والحِمل المعرفي، وخبث المُشوّشات) وسير عملها العملي السباعي قالباً لمعايرة البنود المُولَّدة، بينما تحذّر نتيجة تقييد المدى في المراحل المبكرة وتحفّظات القابلية للتعميم فيها من الاستخدام عالي المخاطر.

• يمكن أن تكون تسميات الصعوبة المُولَّدة فشلاً في صلاحية البنية لا خطأ معايرة. عبر 378 بنداً مُولَّداً، تتبّعت تسميات النموذج سهل/متوسط/صعب مستوى بلوم المُولَّد مرافقاً لها (ρ=0.90) والشكل السطحي — متوسط طول صلب السؤال يرتفع من 15.9 إلى 22.1 إلى 30.2 كلمة — لكنها ارتبطت بالصعوبة التجريبية للبند عند ρ=0.06 فقط عبر 7,888 استجابةً من 54 طالباً، وهي الحالة التي تدعو إلى معايرة البيانات الوصفية المُولَّدة مقابل بيانات الاستجابات لا الثقة بالوسوم المُولَّدة مرافقةً (آن ووانغ (2026)).

• تحقق ميداني سيكومتري واسع النطاق: يتحقق تقييم الامتحانات المُولَّدة بالذكاء الاصطناعي من خط أنابيب توليد أسئلة آلي بمنهجية تنقيح تكرارية (توليد←حكم←مراجعة، بأسلوب Self-Refine) في 91 صفاً جامعياً حقيقياً (نحو 1,686 طالباً). ويُظهر تحليل IRT البايزي الهرمي 2PL أن الأسئلة المُولَّدة بالذكاء الاصطناعي تُؤدي بالمستوى نفسه الذي تُؤديه به بنود امتحانات موحّدة كتبها خبراء — أسهل نوعاً ما (β̄ = −0.45 مقابل 0.35) لكن أكثر تمييزاً بقليل (ᾱ = 1.3 مقابل 1.2)، مع أعلى ذروة معلومات للاختبار (الموثوقية 0.79 مقابل 0.72) — مما يُثبت أن توليد الأسئلة الآلي يمكنه إنتاج تقويمات مخصّصة للمقرر وسليمة سيكومترياً على نطاق واسع.

• يمكن للتكافؤ السيكومتري المتوسط أن يُخفي قصوراً على مستوى البند: فمراجعة نطاق لـ 153 تقريراً في التعليم الطبي وجدت أن توليد البنود بالذكاء الاصطناعي طابق أحياناً صعوبة أعضاء هيئة التدريس وتمييزها، مع أنه في مقارنة واحدة في علم وظائف الأعضاء استوفى 9 بنود فقط من أصل 40 بنداً لـ ChatGPT جميع المعايير المثالية مقابل 19 من أصل 40 بنداً لأعضاء هيئة التدريس (تشاو وزملاؤه (2026)).

• التعرّف عليها في امتحان حيّ، وما تُزيله المراجعة فعلاً: وضع فوغت وزملاؤه (2026) 30 بند اختيار من متعدد مُولَّداً بالذكاء الاصطناعي و30 بنداً من امتحانات الترخيص الوطنية في امتحان مُقيَّم على أجهزة لوحية خاضعه 119 طالباً في الطب بالسنة الخامسة، مع صياغة بنود الذكاء الاصطناعي من مواد المقرر نفسها بواسطة ChatGPT-4o و Gemini 1.5 Pro عبر لجنة خبراء قبلت 82% منها وأقصت 18.2% باعتبارها غير قابلة للاستخدام. ولم يختلف إسناد الطلاب للمصدر بين نوعَي البنود، وكانت صعوبة البند وتوزيع المُشوّشات والملاءمة المُدرَكَة للمنهج غير قابلة للتمييز إحصائياً — وهي نتيجة تعرّف لا نتيجة جودة، ولهذا يصف المؤلفون منفعة سير عمل المبادرة بتحويل جهد المربّين من الصياغة إلى المراجعة لا بإزالته. ونجا فرقٌ استكشافي واحد: كانت بنود Gemini أصعب من بنود امتحان الترخيص (p = 0.028)، بينما لم تكن بنود ChatGPT كذلك (p = 0.984).

• التبعية للمهمة: تتباين موثوقية التوليد بحسب نوع البند. ويُظهر تقييم الإجابات القصيرة وتقويم الكتابة التحليلي أن البنود مفتوحة الاستجابة والكتابة أصعب توليداً وتقييماً بموثوقية من البنود المُنظَّمة.

• الجودة المعرفية: يُظهر تقييم العمق المعرفي أن البنود المُولَّدة قد تنحرف نحو التفكير الأدنى مرتبةً ما لم تُصمَّم صراحةً لمخرجات أعلى مرتبةً.

• الوسم الآلي للمستوى المعرفي لا ينتقل إلى البنود المُولَّدة. انهار مصنّف تصنيف بلوم المدرَّب على بنك بنود مُنتقى على الأسئلة المُولَّدة بالذكاء الاصطناعي — macro F1 من 0.88 داخل التوزيع إلى 0.48 و 0.20 خارجه — لأن البنود المُولَّدة تحمل عدد كلمات أكبر بكثير (18.2 مقابل 9.3) وتتقاسم وسيط 10.5% فقط من أفعال تصنيف بلوم المُحفّزة مع المجلّد المُنتقى، مقابل 35.1% لمجموعة أقرب؛ وكان إعادة التدريب على بيانات موسومة خارج التوزيع أكبر مكسب منفرد، عند عتبة تقارب N > 1,000 عيّنة موسومة (كاستانياريس وزملاؤه، 2026).

الدور في التعلّم التكيّفي والمخصّص

توليد الأسئلة الآلي مُمكّن رئيسي للتعلّم التكيّفي والمخصّص: فهو يُنتج بنوك البنود الكبيرة التي ترسم منها المدرّسون التكيفيون، و— بالتزامن مع تتبّع المعرفة أو نمذجة الطالب — يمكنه توليد بنود مخصّصة لحالات معرفة المتعلّمين الفردية (KT4EQG). ويُظهر التخصيص القائم على الاهتمام أن توليد الأسئلة الآلي يمكنه أيضاً تكييف الأسئلة مع اهتمامات الطلاب لا مع الصعوبة فقط.

الآثار المترتبة على الذكاء الاصطناعي في التعليم

• ولّد ثم تحقق: اقترن التوليد دائماًً بمرحلة تحقق/تنقيح للتحكم في التخليق وضمان الملاءمة.
• طابق نوع البند مع الموثوقية: استخدم توليد الأسئلة الآلي لأنواع البنود المُنظَّمة (اختيار من متعدد، وملء فراغ، وبرمجة) حيث يكون أشدّ موثوقيةً، وطبّق تحققاً دقيقاً على بنود الاستجابة المفتوحة والكتابة.
• صمّم للعمق المعرفي: ينبغي للإشارات وخطوط الأنابيب أن تستهدف التفكير العالي المرتبة لا التذكّر فقط، لدعم التعلّم الحقيقي.
• عايِر الصعوبة: استخدم تقديرات الذكاء الاصطناعي للصعوبة لاختيار بنود مُتحدّيةً على النحو المناسب، مع تحقق قوي قبل الاستخدام عالي المخاطر.
• خصّص عبر نماذج المتعلّمين: ادمج توليد الأسئلة الآلي مع تتبّع المعرفة ونماذج الاهتمام لتوليد بنود تكيّفية فردية.

المفاهيم المرتبطة

• النماذج اللغوية الكبيرة (LLMs)
• الذكاء الاصطناعي التوليدي
• معالجة اللغة الطبيعية التعليمية
• التقويم الآلي
• تقويم المقالات الآلي
• التقويم
• التقويم البنّاء
• التعلّم التكيفي
• التعلّم المخصّص
• تتبّع المعرفة
• نمذجة المتعلّم والتعليم التكيّفي
• RAG (التوليد المعزَّز بالاسترجاع)
• الذكاء الاصطناعي بمشاركة الإنسان
• القياس التربوي
• نظرية الاستجابة للمفردة
• خطر الهلوسة
• تقييم الذكاء الاصطناعي في التعليم (AI Ed Evaluation)
• المعيار المرجعي (Benchmark)
• السقالة
• التدريس الذكي
• الذكاء الاصطناعي في التعليم

المقالات المرتبطة

• Generative artificial intelligence and the transformation of medical education: a scoping review — مراجعة نطاق لـ 153 تقريراً في التعليم الطبي حول توليد البنود بالذكاء الاصطناعي مقابل جودة بنود أعضاء هيئة التدريس

• Assessing the Quality of AI-Generated Exams: A Large-Scale Field Study — تحقق ميداني واسع النطاق في جودة الامتحانات المُولَّدة بالذكاء الاصطناعي عبر IRT

• Generate-Then-Validate: Question Generation for Education — توليد أسئلة بطريقة توليد-ثم-تحقق

• KT4EQG: Personalized Exercise Question Generation via Knowledge Tracing — توليد أسئلة مخصّص عبر تتبّع المعرفة

• Exploring the Design of LLM-Powered Question Generation for Deaf and Hard of Hearing Learners — توليد أسئلة مدفوع بالنماذج اللغوية الكبيرة للمتعلّمين الصم وضعاف السمع

• From Memorization to Creation: Evaluating the Cognitive Depth of LLM-Generated Educational Questions — العمق المعرفي للأسئلة المُولَّدة بالنماذج اللغوية الكبيرة

• Slide Deck Q&A Quality Assurance App: A Multi-Stage Pipeline for Pedagogical Question Generation — توليد أسئلة وأجوبة بيداغوجي من عروض الشرائح

• CODE-GEN: A Human-in-the-Loop RAG-Based Agentic AI System for Multiple-Choice Question Generation — CODE-GEN: توليد أسئلة قائم على RAG مع الإنسان في الحلقة

• NSMQ Riddles: A Benchmark of Scientific and Mathematical Riddles for Quizzing Large Language Models — معيار NSMQ Riddles

• Taklif.AI: LLM-Powered Platform for Interest-Based Personalized College Assignments — تكاليف مخصّصة قائمة على الاهتمام

• From Evaluated Models to Evaluation Aids: A Multi-Evidence Study of LLM-Based Difficulty Calibration for Programming Examinations — معايرة الصعوبة القائمة على النماذج اللغوية الكبيرة

• Towards Self-Referential Analytic Assessment: A Profile-Based Approach to L2 Writing Evaluation with LLMs — تقويم الكتابة التحليلي المرجعي الذاتي

• Cross-Dataset Bloom Question Classification: Supervised Models and Prompted LLMs — تصنيف أسئلة بلوم عبر مجموعات البيانات

• Are LLM-based Chatbots Good Enough to Support Computer Science Students in Multiple-Choice Exercises? — روبوتات المحادثة بالنماذج اللغوية الكبيرة وبنود اختيار من متعدد في علوم الحاسب

• The Theoretical Foundation of Socratic Tests: Dynamic, Multimodal, Conversational Examinations — الاختبارات السقراطية: تقويم حواري

• What out-of-the-box LLMs can(t) do in law? A Turing test in Italian exams for lawyers, judges and notaries — اختبار تورينغ للنماذج اللغوية الكبيرة في الامتحانات القانونية

• Estimating Item Difficulty Using Large Language Models and Tree-Based Machine Learning Algorithms — تقدير صعوبة البند باستخدام النماذج اللغوية الكبيرة وتعلّم الآلة القائم على الأشجار

• ProIQA: A Process-Based Framework for Fine-Grained Math Item Quality Assessment — ProIQA: تقويم جودة بنود الرياضيات القائم على العملية

• CoLearn: An Agentic Tutor that Learns its Learner in a Human-AI Co-Learning Loop — CoLearn: مدرّب ذو فاعلية يتعلّم متعلّمَه في حلقة تعلّم مشترك بين الإنسان والذكاء الاصطناعي

• Automating Constructive Assessment with Large Language Models: Toward Scalable and Repeated Evaluation of Practical Competence — أتمتة التقويم البنائي بالنماذج اللغوية الكبيرة: نحو تقويم قابل للتوسّع والمتكرر للكفاءة العملية

• Student Use of LLMs and the Limits of AI-Generated Question Difficulty in Data Science Courses — استخدام الطلاب للنماذج اللغوية الكبيرة وحدود صعوبة الأسئلة المُولَّدة بالذكاء الاصطناعي في مقررات علوم البيانات

• Evaluation of pre-trained models for pedagogical assessment of novel AI-assisted educational questions — تقييم نماذج مُدرَّبة مسبقاً للتقييم البيداغوجي لأسئلة تعليمية جديدة مساعدة بالذكاء الاصطناعي

• Can students identify AI? – A cross-sectional quantitative study about AI recognition in tablet-based MCQ assessment among fifth-year undergraduate medical students at Saarland University, Germany — لم يستطع الطلاب التمييز بين بنود اختيار من متعدد مُولَّدة بالذكاء الاصطناعي وبنود امتحانات الترخيص في امتحان مُقيَّم، وأُقصي 18.2% من البنود المُولَّدة في المراجعة (فوغت وزملاؤه 2026)