الصعوبات المرغوبة

ترجمة آلية للصفحة الإنجليزية، لم يراجعها بعد متحدث أصلي.

الصعوبات المرغوبة — النتيجة (Bjork) أن شروط الاسترجاع الأصعب والأكثر جهدًا — التباعد، وممارسة الاسترجاع، والتداخل، والتوليد — تُحسّن التعلّم طويل الأمد أكثر من الشروط الأسهل والمتجمّعة — هي الثقل النظري المقابل للذكاء الاصطناعي الذي يُنعّم العمل المعرفي بعيدًا. وفي عصر الذكاء الاصطناعي تُحذّر المبدأ من أن الأدوات التي تُزيل الكفاح المُنتج قد ترفع الأداء الفوري مع تقويضها التعلّم الدائم. تُستخدم "الصعوبات المرغوبة" و"الاحتكاك المعرفي" و"الاحتكاك المُنتج" كمرادفات متداخلة لهذا الجهد المُتعمَّد: فقاعدة المعارف تتعامل معها بوصفها الفكرة الجوهرية نفسها من زوايا مجالات دراسية مختلفة، مع تفصيل الفروق بين المسمّيات في القسم أدناه. والمفاهيم المتحالفة عن قرب — الحَيرة، والكفاح المُنتج — تُعيّن المنطقة التي يُتوقع أن يقع فيها هذا المعالجة الجهدية (ومرغوب أن يقع).

أسئلة للتأمل

• هل شعرت يومًا أنك فهمت شيئًا لأنه بدا سهلًا وسلسًا في تلك اللحظة — لتفشل لاحقًا حين اضطررت لاسترجاعه؟ هذا وهم الكفاءة. ما الذي أوجده لديك؟
• تقول الصعوبات المرغوبة إن الشروط الجهدية — التباعد، وممارسة الاسترجاع، والتداخل — تبني تعلّمًا دائمًا أفضل من السهلة والمتجمّعة. أين في تعلّمك قاومت استراتيجية "أصعب" كان من المحتمل أنها ستنجح أكثر؟
• الذكاء الاصطناعي التوليدي آلة إزالة احتكاك بطبيعتها: يُجيب فورًا ويُنتج مخرجات مصقولة عند الطلب. فإذا كان إزالة الكفاح ترفع الأداء الفوري مع تقويض التعلّم الدائم، كيف ستكون قادرًا على معرفة ما إذا كان الذكاء الاصطناعي يُفيد طالبًا أم يضره؟
• تُفرّق هذه الصفحة بين الصعوبات المرغوبة (تحسين الذاكرة من علم النفس المعرفي) والاحتكاك المُنتج/المعرفي (احتكاكات حماية الاندماج من تصميم تجربة المستخدم). هل ترى لماذا يحتاج الهدف التربوي الواحد إلى كليهما — وأين يتباعدان؟
• تُوصف بعض المُعلّمين الآليين بأنها "تُسقالد أكثر من اللازم" — أي تزيل المعالجة الجهدية نفسها التي تتطلبها الصعوبات المرغوبة. فإذا كنت تُقيّم مُعلّمًا آليًا، فأي سلوك ملموس سيُخبرك أنه يحافظ على الكفاح المُنتج لا ينهار إلى تقديم الأجوبة؟
• تُصوَّر الحَيرة هنا بوصفها موردًا لا خللًا — فعندما تُحَل إنتاجيًا تدفع المعالجة العميقة، لكنها حين لا تُعالَج تتلاشى إلى الإحباط. فأين الخط بين الكفاح المُنتج الذي يستحق الحفاظ والإحباط الذي هو ضرر محض؟

مقدمة

الصعوبات المرغوبة هي شروط الممارسة التي تجعل التعلّم أصعب في اللحظة — الاسترجاع الجهدي، والتوليد والشرح، والتباعد، والتداخل — ومع ذلك تُنتج استبقاءً أقوى وانتقالًا أكبر من الشروط التي تبدو سهلة. والظاهرة نفسها تظهر في الأدبيات بوصفها الاحتكاك المعرفي والاحتكاك المُنتج، مسمّياتٌ مستعارة من تفاعل الإنسان والحاسوب وتصميم تجربة المستخدم تُؤكّد وضع مقاومة مقصودة بين متعلّم وجواب سهل؛ فالعائلتان تتداخلان لكنهما غير متطابقتين، والفروق موضحة أدناه. ولأن الذكاء الاصطناعي التوليدي مُحسَّن ليكون بلا احتكاك، صار المفهوم همًا تصميميًا من الدرجة الأولى لا نتيجةً متخصصة: فالأنظمة التي تُجيب فورًا تزيل صعوبةً كانت قد تؤدي التعلّم (التفريغ المعرفي، السقالة).

مقايضة الجهد والتعلّم

تستند الصعوبات المرغوبة إلى البصيرة القائلة إن الشروط التي تجعل التعلّم أصعب في اللحظة — بِطلب الاسترجاع الجهدي، أو التوليد، أو الشرح — تُنتج غالبًا استبقاءً أقوى وانتقالًا أكبر من الشروط التي تبدو سهلة. وعلى العكس، يمكن للشروط التي تبدو سهلة (العرض السلس، والأجوبة الفورية) أن تُنتج وهم الكفاءة: يشعر المتعلّمون أنهم يعرفون المادة لأن التعرف كان سلسًا، بينما يفشل الاسترجاع الحر لاحقًا. وهذا هو الجوهر النظري لـفجوة الأداء–التعلّم: ما يبدو أداءً حسنًا خلال الممارسة ليس هو التعلّم الدائم.

الحَيرة والاحتكاك المعرفي والكفاح المُنتج

ثلاثة بنيات ذات صلة تصف المنطقة التي تعمل فيها الصعوبات المرغوبة:

• الحَيرة — عاطفة معرفية في التعلّم (انظر الحوسبة العاطفية وOrdered Network Analysis of Epistemic Emotions during Collaborative Problem Solving) تُشير إلى فجوة بين نموذج المتعلّم الذهني والمعلومات الواردة. الحَيرة ليست سيئةً على نحو موحد: فعندما تُحَل بالاستقصاء المُنتج يمكن أن تدفع المعالجة العميقة، لكنها حين لا تُعالَج يمكن أن تتلاشى إلى الإحباط أو الانفصال. وتكتشف أنظمة الذكاء الاصطناعي الحَيرة بصورة متزايدة (مثلًا أزرار الالتقاط، والاستشعار العاطفي) لترسيخ الدعم المُخصَّص — كما في From Confusion to Consolidation: A Staged Conversational Workflow for Post-Lecture Review، حيث تصبح نقاط الحَيرة المُعلَّمة مراسي مراجعة وتُظهر مطالبات الشرح التعليمي الفجوات المفاهيمية.
• الاحتكاك المعرفي — المقاومة المتعمدة التي تضعها بيئة التعلّم بين متعلّم وجواب سهل، مُجبرةً إياه على التفكير قبل تلقّي المساعدة. أما أدوات الذكاء الاصطناعي التي تُجيب فورًا فتزيل هذا الاحتكاك؛ والتصاميم التي تمتنع أو تُلمّح أو تُسقالد تحفظه. ويفحص كل من Stop Writing for Me: Generative Refusal in AI Tools for Thought وAssessing the Impact and Underlying Pathways of Sequenced AI Feedback on Student Learning وScaffolding critical thinking with generative AI: Design principles for integrating large language models in higher كيف يدعم الاحتكاك المحفوظ بقصد الاستدلال.
• الكفاح المُنتج — المرحلة الجهدية في حل المشكلات التي يُصارع فيها المتعلّم تحديًا قبل تلقّي الدعم (أو أثناءه). وتوثّق قاعدة دليل المعارف قيمته وكلفته معًا: يُظهر Faster Completion, Less Learning: Generative AI Reduced Study Time on Math Problems and the Knowledge They Build أن إزالة الكفاح قلّلت زمن الدراسة لكنها أضرت التعلّم، بينما يستكشف Curiosity as Linguistic Intervention: Using LLM Tutoring Dialogues to Influence Exploratory Learning Behavior وRethinking Scaffolding in LLM Tutors: The Interactional Mismatch Between Benchmarks and Real-World Deployments كيف تستطيع المُعلّمات إبقاء المتعلمين في منطقة الكفاح المُنتج لا الانهيار إلى تقديم الأجوبة.

الفشل المُنتج هو النسخة المُهيكلة والمدفوعة بالنظرية من هذه الفكرة: يُرسّخ فشل كابور المُنتج (PF) الكفاح المُنتج بوصفه تصميمًا من مرححتين (التوليد والاستكشاف قبل التعليم، ثم التجميع وبناء المعرفة). وتمنح أدبيات الفشل المُنتج في عصر الذكاء الاصطناعي قاعدة المعارف مفرداتٍ تصميميةً ملموسةً للحفاظ على الصعوبة المرغوبة — إذ يستنتج Kim et al. (2026) مبادئ تصميم للذكاء الاصطناعي (التعاون بين الإنسان والذكاء الاصطناعي، والتصميم التأملي، والدعم غير الموجِّه) التي تُبعد الذكاء الاصطناعي عن محو الكفاح؛ ويُظهر Puech et al. (2025) أنه يمكن توجيه مُعلّمات النماذج اللغوية الكبيرة لتمنع الحلول وتستحضر محاولات متعددة؛ ويُرسّخ Wang & Shan (2026) "فجوة الأمان" — أي التباعد بين الأداء المُساعَد بالذكاء الاصطناعي والقدرة غير المُساعدة — بوصفها كلفة إزالة الكفاح؛ وتستخدم ProductiveMath الذكاء الاصطناعي لخفض عبء تصميم مسائل الفشل المُنتج. وهذا يُظهر أن مبادئ الصعوبة المرغوبة تُترجم إلى خيارات تصميمية ملموسة للذكاء الاصطناعي.

الصعوبات المرغوبة مقابل الاحتكاك المعرفي مقابل الاحتكاك المُنتج

لأن الذكاء الاصطناعي مُصمَّم ليكون بلا احتكاك — فهو يُولّد فورًا الملخصات، ويحل المعادلات، ويكتب المقالات — يمكنه أن يتجاوز في غير قصد الكفاح نفسه الذي يتطلبه تعلّم الطالب. ولمواجهة ذلك، يعتمد المربّون والتقنيون إطارين متداخلين لكنهما متمايزان: الصعوبات المرغوبة والاحتكاك المُنتج (أو المعرفي). وكلاهما يدعو إلى جعل الأشياء أصعب على المتعلّم، لكنهما ينشآن من مجالين مختلفين ويستهدفان جزأين مختلفين من عملية التعلّم. وفي قاعدة المعارف هذه تُعالَج كمرادفات للفكرة نفسها المتعلقة بالجهد المقصود؛ والجدول أدناه يفصّل الفروق بين المسمّيات.

السمة	الصعوبات المرغوبة	الاحتكاك المُنتج / المعرفي
الهدف الأولي	تعظيم الذاكرة طويل الأمد ونقل المعرفة	منع الإحالة المعرفية والحفاظ على الاندماج الفعّال
الجذر العلمي	العلوم المعرفية وعلم النفس (Bjork, 1994)	تفاعل الإنسان والحاسوب (HCI) وتصميم تجربة المستخدم
"التهديد"	وهم الكفاءة (الاعتقاد أنك تعرفه لأنه يبدو سهلًا الآن)	انحياز الأتمتة (ترك الآلة تفكر عنك)
التنفيذ في الذكاء الاصطناعي	خوارزميات تُوقّت وتبني الممارسة (التباعد، والتداخل، والاسترجاع)	حواجز حماية روبوت المحادثة وموانع واجهة تُجبر المتعلّم على أداء العمل

الصعوبات المرغوبة: مُحسِّن الذاكرة. صاغ هذا الإطار Robert و Elizabeth Bjork (1994)، وهو ينشأ من علم النفس المعرفي. فكرته الجوهرية أن استراتيجيات التعلّم التي تبدو أصعب وتُبطئ الأداء الأولي تُنتج فعلًا استبقاءً طويل الأمد وانتقالًا أفضل. والصعوبات المرغوبة تتعلق بـكيف يُشفّر الدماغ المعلومات ويستعيدها: فإذا بدا التعلّم سهلًا أو سلسًا جدًا في اللحظة (مثل إعادة قراءة كتاب مدرَّس بقلم التظليل)، فالدماغ على الأرجح لا يقوم بالمعالجة العميقة اللازمة لتثبيت الذاكرة. وفي الذكاء الاصطناعي، الأداة التي تستخدم هذا الإطار تُغيّر منهجية الجلسة — مثلًا مطالبة الطالب بالاسترجاع من الذاكرة قبل تقديم ملخص (ممارسة الاسترجاع)، أو جدولة المراجعة قبل النسيان بقليل (التباعد)، أو خلط أنواع المسائل (التداخل) بدلًا من تجميعها بحسب الفئة. وبالجدارة، فإن فائدة هذه الاستراتيجيات الجهدية هي نفسها معتمدةً على المحتوى: يُظهر Rachatasumrit, Koedinger & Carvalho (2025) أن ممارسة الاسترجاع تُقوّي أساسًا الذاكرة الحرفية (بتأخير النسيان)، بينما يقتضي اكتساب مهارة قابلة للتعميم دمج أمثلة مُنجَزة مع الممارسة — لذا فـ"الصعوبة" التي تُفيد يجب أن تُطابق نوع المعرفة التي يُتعلَّمها لا أن تُطبَّق بشكل موحد.

الاحتكاك المُنتج (المعرفي): حماية الاندماج. ينشأ هذا الإطار من تصميم تجربة الاستخدام والتفاعل، حيث يكون "الاحتكاك" عدوًا عادةً (الدفع بنقرة واحدة، والبحث الفوري). وفي تكنولوجيا التعليم، الاحتكاك الصفري يعني التفكير الصفري: فالاحتكاك المُنتج يُدخل "مطبات سرعة" مقصودة إلى البرمجيات لمنع المستخدم من إحالة الإدراك إلى الآلة. وهو يتعلق بـ*التفاعل بين الإنسان والآلة**، مُبقيًا المستخدم مندمجًا فعّالًا ومُنعيًا انحياز الأتمتة — الثقة العمياء بمخرجات الذكاء الاصطناعي دون تقييمها. وفي الذكاء الاصطناعي، الأداة التي تستخدم هذا الإطار تُغيّر سلوكها وتصميمها لمنع الطرق المختصرة — مثلًا حاجز حماية سقراطي يمنع الجواب المباشر ويسأل عن الرموز التي لاحظها الطالب، أو نقاط فحص للجهد ترفض توليد مسودة حتى تُدخل أطروحة ومخططًا، أو تغذية راجعة مؤجّلة تقتضي الالتزام بجواب وشرح الاستدلال قبل كشف الحل.

باختصار: تستخدم الاحتكاك المُنتج لضمان تفاعل الطالب فعلًا مع المادة بدلًا من ترك الذكاء الاصطناعي يقوم بالعمل الشاق؛ وتستخدم الصعوبات المرغوبة لبناء كيفية تفاعله مع تلك المادة بحيث يتذكرها بعد شهر من الآن.

الصعوبات المرغوبة في عصر الذكاء الاصطناعي

التوتر المحوري للتعلّم المدعوم بالذكاء الاصطناعي هو أن الذكاء الاصطناعي التوليدي تقنيةٌ لإزالة الاحتكاك بطبيعتها: فهو يُجيب ويُولّد ويُنتج قطعًا أثرية مصقولة عند الطلب. وفي قاعدة المعارف، يتجلى هذا في اتجاهين:

• كلفة إزالة الكفاح. عندما يمحو الذكاء الاصطناعي التباعد والاسترجاع والتوليد، قد يُظهر المتعلّمون مكاسب أداء فورية لكنهم يُنزلون التعلّم الدائم والانتقال. وهذا يتصل مباشرةً باكتشافي الإفراط في الاعتماد وسوء استخدام الذكاء الاصطناعي والضرر التعليمي: فالذكاء الاصطناعي الذي يزيل الصعوبة المرغوبة يُنتج فجوة الأداء–التعلّم الموثّقة عبر قاعدة دليل المعارف. ويُطالب Agentic AI and Pedagogical Best Practice: The Tension Between Automation and Learning صراحةً بالاحتكاك المتعمّد. أما التجربة العشوائية لـBarcaui (2025) فتمنح المبدأ اختبارًا مؤجلًا مباشرًا في سياق الذكاء الاصطناعي: فـ120 طالبًا في مرحلة البكالوريوس درسوا موضوعات الذكاء الاصطناعي/تعلّم الآلة مع ChatGPT بلا قيود، وسجّلوا 57.5% في اختبار استبقاء مفاجئ بعد 45 يومًا مقابل 68.5% للمتعلّمين التقليديين (t(83) = −3.19، p = .002، d كوهين = 0.68)، واستمرّ النقص مع جعل زمن الدراسة متغيرًا مرافقًا (F(1, 82) = 7.89، p = .006). وكان الإضرار الأكبر في الموضوعات التقنية (d = 0.92) — وهي المادة التي قدّم فيها الذكاء الاصطناعي أكثر مساعدة، وحيث يكون الكفاح الذي يقول المبدأ إنه مُنتج أكثر ما يحتاجه.
• النموذج نفسه، حاجزا حماية، نتيجتان متعاكستان: الطلاب الذين أُعطي لهم GPT-4 بلا قيود استخدموه عكازًا وأدّوا أسوأ من الضوابط بمجرد إزالته، بينما أدّى الطلاب الذين أُعطي لهم مُعلّمٌ محميّ بحواجز حماية كالضوابط — فالاحتكاك، لا النموذج، هو ما قرر ما إذا كانت الأداة تُفيد (Arthars et al. (2026)).
• تصميم الكفاح بإعادة إدخاله. يمكن للتصاميم التعليمية أن تحفظ المعالجة المُنتجة بقصد: روتينات "المسودة أولًا"، والإرشاد الذي يُعطي تلميحات لا أجوبة، والتغذية الراجعة المؤجّلة، وبروتوكولات الشرح التعليمي/التوضيح. وهذه هي السقالات الملموسة المستكشفة تحت الحد من إساءة استخدام الذكاء الاصطناعي وThe Effects of Structured LLM-Generated Feedback on Programming Assignment Performance. وامتدادٌ مفاهيمي عام 2026 (Gupta) يدفع المنطق نفسه خارج المهام الأكاديمية المُهيكلة إلى الصعوبة داخل اللقاءات العلائقية: في التعليم في الخارج تجادل بأن السؤال التربوي ليس كم من الذكاء الاصطناعي التوليدي موجود بل أيّ الصعوبات يُذيبها، وتقترح تدرجًا وسيطًا يرتّب الاستخدامات بحسب الفاعلية التأويلية المنقولة إلى النظام لا بحسب حجم الاستخدام.

حرف U المقلوب ومفارقة الجهد. يُقدّم Zohar, Bloom and Inzlicht (2026) أحدث صياغة قاطعة لسبب كون إزالة الاحتكاك في الذكاء الاصطناعي غير مفيدة تلقائيًا. فيُميّزون الذكاء الاصطناعي عن تقنيات توفير العمل الأقدم على أساسين: فهو يستهدف العمل الفكري والإبداعي لا العمل الجسدي أو الكتابي، وإزالة الاحتكاك فيه متطرفة — فالتقنيات الأقدم أزالت الاحتكاك الزائد، "العقائق المُملّة أو المستحيلة التي تُقدّم فائدة قليلة للتعلّم أو للمعنى"، بينما يتيح روبوت المحادثة للمتعلّم أن ينتقل من توليد الأفكار إلى التقييم "دون بذل جهد ذي معنى، ودون التساؤل عن المخرجات، ودون الانخراط في العمليات المعرفية التي تُنمّي التملك أو الاستبقاء أو الفكر النقدي". وادعاؤهم المنظّم أن علاقة الجهد بالمعنى علاقةٌ منحنية: فالاحتكاك المعتدل يُعزّز المعنى والدافعية بينما يُغرق الاحتكاك المفرط، لذا فخطر الذكاء الاصطناعي هو الإفراط في ناحية الاحتكاك القليل لا ناحية الفائض. ونتيجتان تهمان تربويًا — الجهد نفسه مهارة قابلة للتدريب (إذ إن مكافأة العملية لا المنتج تُزيد الميل إلى السعي والمواصلة)، وفوائد الجهد الدافعية تتآكل تحديدًا في المجالات التي يحل الذكاء الاصطناعي فيها محله، مُنتجةً دورةً من الاعتماد المتزايد (التفريغ المعرفي، الدافعية).

الانطباقات التصميمية

1. لا تُحسِّن للطلاقة الخالية من الجهد. مُعلّمٌ آلي يُجيب فورًا دائمًا قد يرفع الرضا مع خفضه التعلّم الدائم؛ وفضّل التدخلات التي تقتضي الاسترجاع والتوليد أولًا.
2. تعامل مع الحَيرة بوصفها موردًا لا خللًا. اكتشف الحَيرة واستهدفها بوصفها مراسي مراجعة مُخصَّصة بدلًا من تنعيمها — فنموذج KnowLoop (تعرّف→حُل→جمّع) نمطٌ ملموس.
3. احفظ الاحتكاك المعرفي بقصد. استخدم السقالة التي تُعطي تلميحات لا أجوبة، والتغذية الراجعة التسلسلية، والامتناع عن الإجابة حيث الهدف هو الاستدلال لا الإنتاج.
4. طابق الاحتكاك مع جهوزية المتعلّم. الصعوبات المرغوبة تُفيد المتعلمين القادرين على الانخراط في المعالجة الجهدية؛ والتحدي المفرط دون دعم يُخاطر بالإحباط. يجب أن تُبقي السقالة المتعلمين في منطقة الكفاح المُنتج لا أبعد منها.

تُجرّد TutorMoments مبادئ الصعوبة المرغوبة كمعايير تقييم: فـZhang et al. (2026) يختبرون ما إذا كانت المُعلّمات الآلية تحافظ على الكفاح المُنتج بالسقالة من أجل الوصول (عند الحاجة) والدفع من أجل الصرامة (عند الجاهزية)، ويجدون أن مُعلّمات النماذج اللغوية الكبيرة تفرط في السقالة افتراضيًا — مُزيلةً المعالجة الجهدية التي تتطلبها الصعوبات المرغوبة.

المفاهيم المتصلة

• الأنماط التربوية — لماذا يتفوق الترتيب الجهدي على السلس
• التعلّم بالتعليم
• التعلّم موجّه الذات
• ما وراء المعرفة
• نقل التعلّم
• السقالة
• مكاسب التعلّم
• التفريغ المعرفي
• سوء استخدام الذكاء الاصطناعي والضرر التعليمي
• الحد من إساءة استخدام الذكاء الاصطناعي
• الحوسبة العاطفية
• التعلُّم النشط
• البنائية
• التحفيز
• نظريات التعلُّم
• الفشل المنتج — الفشل المُنتج
• الاسترجاع والتباعد والتداخل — التقنيات التشغيلية التي تُجسّد هذا المبدأ: أثر الاختبار، والتباعد، والتداخل

المقالات المتصلة

• ChatGPT as a cognitive crutch: Evidence from a randomized controlled trial on knowledge retention — ChatGPT بوصفه عكازًا معرفيًا: اختبار عشوائي مؤجل لإزالة الصعوبة المرغوبة (Barcaui 2025)
• Against frictionless AI — ضد الذكاء الاصطناعي بلا احتكاك: حجة حرف U المقلوب للحفاظ على الاحتكاك المفيد
• Agentic AI and Pedagogical Best Practice: The Tension Between Automation and Learning
• The Effects of Structured LLM-Generated Feedback on Programming Assignment Performance
• Faster Completion, Less Learning: Generative AI Reduced Study Time on Math Problems and the Knowledge They Build
• Curiosity as Linguistic Intervention: Using LLM Tutoring Dialogues to Influence Exploratory Learning Behavior
• Rethinking Scaffolding in LLM Tutors: The Interactional Mismatch Between Benchmarks and Real-World Deployments
• From Confusion to Consolidation: A Staged Conversational Workflow for Post-Lecture Review
• Stop Writing for Me: Generative Refusal in AI Tools for Thought
• Assessing the Impact and Underlying Pathways of Sequenced AI Feedback on Student Learning
• Scaffolding critical thinking with generative AI: Design principles for integrating large language models in higher
• Ordered Network Analysis of Epistemic Emotions during Collaborative Problem Solving
• Young People, Learning, and Generative AI: A Rapid Literature Review and Implications for PreK-12 Education — الاحتكاك المُنتج المدمج في أدوات الذكاء الاصطناعي التوليدي يدعم التعلّم
• When Help is Unhelpful: Evaluating AI Tutors for Productive Struggle — When Help is Unhelpful: تقييم المُعلّمين الآليين من أجل الكفاح المُنتج
• Designing AI systems to support a productive-failure-based learning: insights from adult learners on AI applications — تصميم أنظمة ذكاء اصطناعي لدعم التعلّم القائم على الفشل المُنتج
• Towards the Pedagogical Steering of Large Language Models for Tutoring: A Case Study with Modeling Productive Failure — التوجيه التربوي للنماذج اللغوية الكبيرة للفشل المُنتج
• The Safety Gap: Restoring Productive Struggle Through Pedagogically Aligned Generative AI — فجوة الأمان: استعادة الكفاح المُنتج
• ProductiveMath: A Generative-AI-Powered App to Support Productive Failure Teaching — ProductiveMath: ذكاء اصطناعي لدعم تصميم مسائل الفشل المُنتج
• Making AI Annoying on Purpose: When Helpful Tools Don't Always Help — جعل الذكاء الاصطناعي مزعجًا بقصد: القيد في الكتابة المدعومة بالذكاء الاصطناعي (Konradt, Boote & Taub 2026)
• Evidence and Theory for why the Best Example-Problem Ratio To Optimize Learning Gain Depends on Knowledge Content
• Open Questions Towards Skill-Sustaining Reliance in Reflective AI Engagement — Open Questions Towards Skill-Sustaining Reliance in Reflective AI Engagement