الإنصاف

ترجمة آلية للصفحة الإنجليزية، لم يراجعها بعد متحدث أصلي.

الإنصاف — المبدأ القائل إن الذكاء الاصطناعي ينبغي أن يخدم جميع المتعلّمين بعدل، ودراسة التفاوتات البنيوية في الوصول إلى أدوات الذكاء الاصطناعي التعليمية، وفي التمثيل داخلها، وفي الاستفادة منها. ويفحص البحث في الإنصاف في قاعدة المعارف فجوات الوصول والفجوة الرقمية، والتحيّز والإنصاف في أنظمة الذكاء الاصطناعي، والتصميم الملائم ثقافيًا والشامل لغويًا، وإمكانية الوصول للمتعلّمين ذوي الإعاقة، وتوزيع فوائد الذكاء الاصطناعي وأضراره بين المجموعات. وهو يربط التقني (تخفيف التحيّز، والخوارزميات العادلة) بالبنائي (البنية التحتية، والسياسة) وبـالتربوي (التدريس الملائم ثقافيًا).

أسئلة للتفكير

• لا يُغلق توفير أدوات الذكاء الاصطناعي لمدرسة أو فصل دراسي فجوات التحصيل تلقائيًا — بل إن الوصول وحده قد يوسّعها. فإذا كان «الوصول ليس كافيًا»، فما الذي يجب أن يتوفر أيضًا كي يخدم الذكاء الاصطناعي جميع المتعلّمين بعدل؟
• حتى البيانات المستخدمة لـمحاكاة المتعلّمين تحمل تحيّزًا: فعندما تولّد النماذج اللغوية الكبيرة حالات طلابية، أنتجت نماذج مختلفة مزيدًا من ملامح الشمال العالمي أو الجنوب العالمي وضمائر ذات دلالة جندرية. فإلى أي مدى ينبغي أن نثق بتمثيلات المتعلّمين التي يولّدها الذكاء الاصطناعي، والنماذج نفسها تُشفّر انحيازات أولية غير متساوية؟
• غالبًا ما يُؤطَّر الإنصاف في تعليم الذكاء الاصطناعي حول ثلاثة شواغل: من يحصل على الأدوات (الوصول)، ومن يتمثّل فيها (التمثيل)، ومن يستفيد (المخرَجات). فهل تستطيع التصوّر حالة تحصل فيها مجموعة على الوصول لكنها لا تستفيد؟ وما الذي يفسّر الفجوة؟
• يرى البحث في «الصمت البنيوي» أن متحدثي اللغات غير الممثَّلة تمثيلًا كافيًا يتضررون من بنية الذكاء الاصطناعي التحتية — ونصوص التدريب، والتقطيع اللغوي (tokenization)، ومعايير القياس — قبل تدريب أي نموذج أصلًا. فإذا كان الضرر مبنيًا في البنية التحتية، فأين يبدأ إصلاحه؟

مقدّمة

يتناول الإنصاف في تعليم الذكاء الاصطناعي ثلاثة شواغل متداخلة: من يحصل على أدوات الذكاء الاصطناعي (الوصول)، ومن وما يتمثَّل في أنظمة الذكاء الاصطناعي (التمثيل)، ومن يستفيد (المخرَجات). ويمكن للذكاء الاصطناعي أن يوسّع التفاوتات القائمة وأن يضيّقها معًا، حسب التصميم والبنية التحتية والسياسة. والإنصاف هو بالتالي عدسة مقطعية تُطبَّق على الإنصاف الخوارزمي، والوصول الرقمي، والشمول اللغوي، وإمكانية الوصول، والتدريس الملائم ثقافيًا.

إنصاف الوصول والبنية التحتية

• الفجوة الرقمية: الوصول غير المتكافئ إلى أدوات التعلّم المدعومة بالذكاء الاصطناعي عبر الخطوط الاجتماعية الاقتصادية والأقاليم والأمم عائق تأسيسي. وتُوثّق الأدلة كيف تتوزع مزايا الذكاء الاصطناعي التوليدي توزيعًا غير متساوٍ بين البلدان والمؤسسات.
• جودة الأداة جزء من الفجوة، لا مجرد الوصول إلى الأدوات: قدّم Canonigo (2026) 50 مطالبة رياضية ثلاث مرات لكل منها إلى الطبقتين المجانية والمتميزة من النموذج نفسه، ووجد الطبقة المجانية غير دقيقة في 49 من 150 من ردودها (32.7%) مقابل 18 من 150 (12%) للطبقة المتميزة (χ2(1) = 17.5، p < 0.001)؛ ووصف معلّمو المدرسة الأقل تجهيزًا من مدرستَي الدراسة النموذج المجاني بأنه «على حدّ التسامح، عديم النفع في الرياضيات». ويفسر المؤلفون هذا بأنه فجوة خوارزمية تُوسّع الفجوة الرقمية إلى ما يتجاوز الوصول إلى الأجهزة وصولًا إلى جودة الأداة نفسها، بحيث قد تكون المدرسة التي «لديها وصول إلى الذكاء الاصطناعي» لا تزال تُسلّم طلابها مدرّسًا خاصًا أقل موثوقية ماديًا، مع تحفّظهم على أن المقارنة كانت استكشافية وأن المطالبات لم تُرتّب عشوائيًا، مما يجعل حجم الفجوة إرشاديًا أكثر منه محسومًا. وتُظهر الدراسة نفسها أن اتجاه الفجوة لا تحدّده الأداة: فحيث طلب المعلّمون من الطلاب مقارنة مخرجات الذكاء الاصطناعي بأعمالهم وأعدّوا النموذج مسبقًا ليمتنع عن تقديم الحلول، صار المخرَج أداةً للنقد، في حين رأت الفصول غير المتوسّطة الطلاب يرجعون إلى الخوارزمية أولًا ويصير المعلّم مدقّقًا («لم أعد الوحي؛ صرت المحرّر»).
• الوصول ليس كافيًا: تقديم أدوات الذكاء الاصطناعي دون معالجة العوائق البنيوية لا يُغلق الفجوات — فلا بدّ من إقران الوصول بالمهارات والدعم والظروف التي تتيح استخدامًا حقيقيًا.

الدعم المتمايز ليس دليلًا على منفعة منصفة: فمراجعة للتدريس الخصوصي بالذكاء الاصطناعي في الرياضيات تجد ادعاءات الشمول غير مسنودة لأن الدراسات نادرًا ما تختبر ما إذا كانت المكاسب موزعة اتساقًا بين مجموعات القدرة والجنس والحالة الاجتماعية الاقتصادية واللغة والإعاقة والجغرافيا، فيبقى غير مُثبَت أن هذه الأنظمة تُقلّص فجوات التحصيل (Ogunsakin et al. (2026)).

• التدريس الخصوصي الهجين بين الإنسان والذكاء الاصطناعي المتمايز دليلٌ على أن النماذج الهجينة يمكنها تضييق الفجوات — حين يتبع التوزيع الحاجة. دراسة فروق في نقاط الانقطاع (635 طالبًا، الصفوف 5–8؛ حصل ذوو الأداء تحت الوسيط على تدريس خصوصي بشري استباقي، وفوق الوسيط على دعم تفاعلي عند الطلب، مقابل خط أساس خريفي بالذكاء الاصطناعي وحده) وجدت أن التدريس الخصوصي الهجين رفع الوقت على المهمة 25% وإتقان المهارة 36% والنمو الأكاديمي 61% إجمالًا — وحقّق الفرعان مكاسب مشاركة وإتقان مقارنة عبر آليتين مختلفتين. والتفصيل المتعلق بالإنصاف: أظهر التدريس الاستباقي نموًا وسطيًا أعلى على هامش الدلالة (75%، p = .065) مركّزًا بين الطلاب الأبعد عن حدّ القطع — نمط انضغاط الفجوة لا الرفع الموحّد — في حين خدم معلّم واحد لكل جلسة المجموعتين. والمؤلفون حذرون كما ينبغي: تصميم فروق نقاط الانقطاع شبه تجريبي، وحدّ الوسيط الثنائي يُغفِر تفاوت الحاجة داخل المجموعة، وأثر 75% هامشي. (Improving hybrid human-AI tutoring by differentiating human tutor roles based on student needs)

• يتوقّع أعضاء هيئة التدريس أن تتسع الفجوة. أجرى Watson و Rainie (2026) مسحًا شمل 1,057 عضو هيئة تدريس في الكليات والجامعات الأمريكية، ووجدوا أن 81% يتوقّعون أن يُوسّع الذكاء الاصطناعي التوليدي الفجوات الرقمية (58% قالوا كثيرًا) — أقوى توقّع إنصافي في التقرير، ويجاور 68% قالوا إن مؤسساتهم لم تُهيّئ أعضاء هيئة التدريس لاستخدام الأدوات في التدريس والإرشاد. ويُظهر المسح نفسه مدى تفاوت تبنّي الأدوات: 26% من المستجيبين لا يستخدمون الذكاء الاصطناعي التوليدي أصلًا، وترتفع النسبة إلى 40% من أعضاء هيئة التدريس في الآداب والعلوم الإنسانية و28% من علماء الاجتماع، فيتجمّع عدم الاستخدام وعدم التهيئة في مجالات دراسية بعينها. والتقرير عيّنة غير احتمالية يذكر مؤلفوها أنها غير قابلة للتعميم، فهذه مخاوف معبَّر عنها في القطاع لا آثار مقيسة.

• تفوّق البنية التحتية: يُظهر بحث الصمت البنيوي أن البنية التحتية للذكاء الاصطناعي — ونصوص التدريب، والتقطيع اللغوي، ومعايير القياس، ومعماريات النشر — تُضرّب بشكل منهجي بمتحدثي اللغات غير الممثَّلة تمثيلًا كافيًا قبل تدريب نموذج، فتُعيد تأطير شحّ مجموعات البيانات كمشكلة بنيوية لا عارضة.

• الانحيازات الأولية الديموغرافية الخاصة بكل نموذج في البيانات الاصطناعية: وجد López-Pernas et al. (2026) أنه عند توليد النماذج اللغوية الكبيرة لحالات طلابية، فرض كل نموذج ميولًا ديموغرافية متمايزة — أنتج GPT مزيدًا من ملامح الشمال العالمي واستخدم ضمائر they/them، وأنتج Qwen مزيدًا من ملامح الجنوب العالمي، وانحاز Mistral نحو she/her. وحتى بناء بيانات المتعلّمين بواسطة النماذج اللغوية الكبيرة (LLMs) يحمل إذن انحيازات أولية إقليمية وجندرية يمكن أن تنتقل إلى توصيات لاحقة، وهو خطر إنصافي لم يجرِ فحصه كثيرًا.

• التدرّجات الاجتماعية الاقتصادية: تفحص سياسة الذكاء الاصطناعي والتعلّم مدى الحياة وتجارب فجوات الإنتاجية كيف يمكن للذكاء الاصطناعي أن يضيّق الفجوات بين مجموعات المتعلّمين المختلفة أو أن يوسّعها.

• رأب الفجوات للمتعلّمين ذوي الإعاقة: وجد Khlaif et al. (2026) أن الذكاء الاصطناعي التوليدي يُسوّي أرض اللعب لطلاب البكالوريوس ضعاف البصر عبر الفجوات الرقمية والجغرافية والاجتماعية الاقتصادية، مُؤطِّرًا الشمول بأنه مسألة بنية تحتية ومسألة ثقافية معًا — مما يُوسّع خطاب الإنصاف الرقمي إلى ما يتجاوز الوصول ليصل إلى الانتماء والصوت والتمثيل.

التهيئة أهم من التفضيل، وحقّ الرفض موزّع توزيعًا غير متكافئ. فالطلاب ذوو الثقة الأكاديمية القوية يستطيعون رفض الذكاء الاصطناعي دون عقوبة، في حين يعيش الطلاب الذين يحتاجون دعمًا لغويًا أو دعمًا لإمكانية الوصول أو تغذية راجعة سريعة الرفضَ كخسارة للفرصة، وقد يشعر الموظفون العاديون بضغط لتبنّي أدوات تُقلّص زمن التهيئة دون أن تُقلّص المسؤولية. وحيث يُفرض واجب الفهم دون تدريب وبنية تحتية آمنة وسياسة واضحة، فإنه يتحول إلى حِمل عمل خفيّ، ويصير الرفض استجابةً متوقّعة لنقص التهيئة المؤسسية لا مقاومةً للتقنية (Zagami 2026).

الإيجار يُدفع بثلاث عملات، وتخرج الكفاءة المملوكة مع الخريج. تجادل de Barba (2026) بأن القدرة الكامنة في أداة تجارية متاحة فقط بشروط مزوّدها، فرخص المؤسسات تُنقل المالك العقاري لا تُزيله: فسينتهي الوصول عادةً بانتهاء التسجيل، ولا تبقى القدرة المستأجرة حينئذ إلا للخريجين القادرين على الاستمرار في الدفع. وهي تضيف توزيعين آخرين يُغفِلهما نقاش الوصول عادةً — تتركّز تكاليف الذات في التأقلم، حيث يقضي المتعلّمون الأقل معرفة مسبقة بالمجال أطول وقت، وتحمل المعايير المستأجرة نقاط مرجع النموذج، وهو ما يُتوقّع أن يُزيح أكثر من معايير المتعلّمين الذين تختلف نقاطهم المرجعية الثقافية واللغوية عن النموذج. فتوسّع الأداة نفسها الوصول وتزيح المعايير في الوقت نفسه، ولهذا تعتبر تسمية القدرات التي يجب أن يبنيها المقرر بنفسه إجراءً إنصافيًا بقدر ما هو تربوي.

إنصاف التمثيل

• التحيّز في بيانات التدريب والمخرَجات: تعكس بيانات تدريب الذكاء الاصطناعي في معظمها منظورات ثقافية سائدة. ويُظهر بحث انتقال تحيّز الجندر أن الكتابة بمساعدة النماذج اللغوية الكبيرة قد تُلوّث أعمال الطلاب بتحيّز جندري؛ وأن مرشّحات تعليم التاريخ وتصحيح الذكاء الاصطناعي يمكن أن تُشفّر افتراضات متمركزة حول الغرب ومنحازة لغويًا.

• المعارف المُهمَّشة: يفحص البحث في المعارف المُهمَّشة كيف يُهمّش الذكاء الاصطناعي التوليدي أنظمة المعرفة غير السائدة ووجهات نظر الإعاقة في التعليم العالي.

• تنويع المناهج: يستخدم المعلّمون النماذج اللغوية الكبيرة على نطاق متزايد لتنويع مواد المناهج (وجد Wang et al., 2025 أن 78% فعلوا ذلك)، لكن قوائم القراءة المنتقاة بالذكاء الاصطناعي لا تزال تُنقّص تمثيل مؤلفي السود والسكان الأصليين والأقليات (BIPOC)، كما تتخذ مدرّسو العلوم والتقنية والهندسة والرياضيات الخصوصيون بالذكاء الاصطناعي سياقات مسائل متمركزة حول الغرب افتراضيًا.

• تُعيد الصور المولّدة إنتاج المعايير البصرية السائدة، مما يجعل الاستخدام النقدي كفاءةً لا إضافةً. يلاحظ Jiang et al. (2026) أن توليد الصور بالذكاء الاصطناعي التوليدي يعيد إنتاج معايير متعددة الوسائط سائدة مثل التحيز البصري، ويحذّرون من أن التقييم متعدد الوسائط الذي يُغفِل ذلك يُخاطر بأتمتة التفاوتات وإعادة إنتاجها؛ ولهذا يُوجب إطارهم لمعلّمي اللغة الثانية كفاءةَ مساعدة الطلاب على كشف مخرجات النماذج المنحازة وتقويمها ومواجهتها بسرد مضاد (Jiang et al., 2026).

إنصاف المخرَجات

• الأثر المتمايز: قد تُوسّع أدوات الذكاء الاصطناعي الفجوات إذا صُمّمت دون عدسة إنصافية — تُظهر المراجعات المنهجية ودراسات تحيّز التصحيح منافع وأضرارًا غير متساوية بين مجموعات المتعلّمين. وتحمل الأدلة المجمَّعة على المنفعة الحدّ نفسه: يُقدّر Jing et al. (2026) مكسبًا وسطيًا إلى كبير لطلاب البكالوريوس عبر 35 دراسة (g=0.53، فاصل ثقة 95% [0.48, 0.64]) مع الإشارة إلى أن الوصول غير المتكافئ إلى الأدوات عالية الكلفة أحد المخاطر التي لا تستطيع أحجام الأثر تلك التقاطها، وأن اختبارات Egger الدالة في الأداء الأكاديمي والمهارات المهنية تُبقي عدم تناسق مخطّط القمع وآثار الدراسات الصغيرة دون حلّ.

• تعلّم مكافئ عبر مرتبتين من حيث الكلفة. وجد StudentBench أن التدريس الخصوصي بالذكاء الاصطناعي المجمَّع مكافئٌ إحصائيًا للتدريس الخصوصي البشري الخبير، بينما تراوح الانتشار بين المدرّسين من 0.005 دولار إلى 1.40 دولار لكل نقطة مئوية من مكسب التعلّم، وطابق نموذج مفتوح واحد المكاسب البشرية بكلفة أقل 918 مرة لكل نقطة (0.0052 دولار مقابل 4.81 دولار)، مما يجعل الكلفة لكل وحدة تعلّم متغيّر وصول لا متغيّر جودة فحسب (Northcutt et al. (2026)).

• تضخيم التحيّز: يمكن لاقتراحات الذكاء الاصطناعي والتغذية الراجعة الآلية أن تُعزّز تحيّزات المعلّمين والنظام القائمة (لا أن تتحدّاها). ويُظهر Marked Pedagogies أن أدوات التغذية الراجعة على الكتابة بالنماذج اللغوية الكبيرة تميل منهجيًا نحو المدح المتماشي مع الصور النمطية وحجب النقد عندما تُخصَّص التغذية الراجعة بجنس الطالب أو لغته أو إعاقته أو تحصيله أو دافعيته — حتى على المقالات المتطابقة — مما يجعل «التخصيص» متجه تحيّز ملموسًا في التغذية الراجعة الآلية.

• الأنظمة الواعية بالإنصاف: تُطوّر أبحاث تخفيف الانحياز وموثوقية الحقيقة الأرضية طرائق لكشف التحيز في مدرّسي الذكاء الاصطناعي الخصوصيين والمصحّحين والمُوصين وتصحيحه.

• قد لا تتعمّم مُنظّمات الإنصاف على متعلّمين جدد. أضاف Fragkiadakis et al. (2026) تنظيمًا لفجوة الأخطاء موجّهًا بالجنس والعمر إلى محوّل الذكاء الاصطناعي متعدد الوسائط يتنبّأ بانتباه الطالب في الزمن الحقيقي، ووجد أنه ضيّق التفاوتات الديموغرافية على بيانات التحقق لكن هذه المكاسب لم تنتقل باتساق إلى الموضوعات المحتجز خارجًا ولا إلى التقسيمات المتكررة على مستوى الموضوع (فقلّص النموذج المُنظَّم الفجوة في 4 من 10 مرات تشغيل تدريبية فقط). فالإنصاف المُصادَق عليه على تقسيم واحد قد يتبخّر على متعلّمين جدد حقًا — يحتاج الذكاء الاصطناعي التعليمي إلى تقويم باستثناء الموضوعات المتكرر بدل المقاييس المجمَّعة وحدها.

• قرارات الفرصة التالية الموزّعة تفاضليًا. قد يُعيد التحيّز الذي يبدو دفاعيًا حالةً بحالة فرز المتعلّمين بشكل منهجي: فقد كلّف Entezami et al. (2026) ثلاث نماذج لغوية كبيرة بتوزيع 11,200 مهمة جماعية في صفوف هندسة البرمجيات، حيث كان الرجال أقل احتمالية من النساء بنسبة 80% على الأقل للوصول إلى تصميم الواجهات بدل التطوير الأساسي (GPT-5.2 OR < 0.01)، وحرّكت الجنسية المهام بشكل مستقل عن الجدارة. ولم تحسم المهارات الأمر — طابق 99.2% من المهام المبنية على المهارات أحد الفريقين الصالحين، ومع ذلك اختار الجنس بين خيارين صالحين بالقدر نفسه، فلا تكشف النمط إلا الإحصاءات المجمَّعة؛ وانحازت صور شخص واحد في المقررات نحو الذكور والبشرة الفاتحة (أكثر من 95% بشرة فاتحة في مطالبات قواعد البيانات وتصحيح الأخطاء والبرمجة الفردية) بينما كانت صور عدة أشخاص متنوعة على نحو مقارن.

• فاعلية الطالب: ضمان أن يُتيح الذكاء الاصطناعي صوت الطالب وفاعلية المتعلّم لا أن يُحلّ محلهما، وخاصة للمتعلّمين المُهمَّشين تاريخيًا.

• الإنصاف النفسي مقابل المعرفي: وجد Liang et al. (2026) أن عامًا من تعليم الذكاء الاصطناعي المدرسي في مدارس هونغ كونغ الثانوية ضيّق فجوات الجاهزية النفسية للذكاء الاصطناعي (الثقة، والتحفيز، والوعي الأخلاقي) لكنه لم يضيّق الفجوات المعرفية — فبقيت الفجوات الموضوعية في ثقافة الذكاء الاصطناعي بين المتعلّمين المبادِرين بأنفسهم («ذوي الفاعلية العالية») وأقرانهم قائمة، وهو نمط أثر متيوز (Matthew effect) حيث «رفعت المناهج الأرضية لكنها لم تُسوّ أرض اللعب». فالوصول إلى المنهج وحده، دون انخراط ذاتي المبادرة ومستدام، قد يُنمّي الإنصاف النفسي لا المعرفي الكامل.

• التصحيح الآلي والتحصيل واللغة. وجد مقارنة OpRaise لثلاثة نماذج متقدّمة على 761 مقالًا أصيلًا أن اختلاف الذكاء الاصطناعي عن الإنسان تفاوت مع مستوى تحصيل الطلاب ومع سمات اللغة السطحية (تعدّد المفردات، والأدوات الربط، وتعقيد الجملة) بطرق لم يتبعها التصحيح البشري، وأن الدقة اختلفت بين ثلاث مؤسسات بريطانية تختلف جماعات طلابها — ويربط المؤلفون هذا مباشرةً بالتزامات المؤسسات بموجب قانون المساواة البريطاني، على أساس أن بعض مجموعات الطلاب قد تتأثر أكثر من غيرها، ويلفتون إلى حقّ التفسير بموجب المادة 22 من اللائحة العامة لحماية البيانات حيث تؤثر قرارات التصحيح الآلي في الطلاب. ولأن علامات الذكاء الاصطناعي انضغطت نحو منتصف التوزيع، فإن الطلاب الأكثر تعرضًا هم أولئك في طرفي مدى التحصيل.

• يمكن لقواعد التقييم أن تُحوّل الحرمان اللغوي إلى خطر على النزاهة. تجادل Li (2026) بأن قواعد النزاهة التي تعامل الذكاء الاصطناعي التوليدي كفئة واحدة من المساعدة غير المصرّح بها تفرض أعباء التزام أعلى على الطلاب الذين يستخدمون الإنجليزية كلغة إضافية، والذين يكون استخدامهم المشروع لدعم اللغة أكثر تكرارًا وتكرّرًا، وتتركّز الشبهة على الكُتّاب الذين تغيّرت طلاقة سطحهم أكثر من غيرهم — وهي مشكلة تصميم قواعد لا مشكلة سلوك، وهي ترفع أيضًا خطر الإنفاذ الانتقائي على أدلة ضعيفة. والحدّ المقترح قائم على الغرض والبنية بدل أن يكون قائمًا على الأداة: فتعديلات القواعد وعلامات الترقيم ووضوح الجملة، والترجمة لأجل الفهم، والمسوّدة الأولى التي يعيد الطالب كتابتها جوهريًا تُعدّ دعمًا مسموحًا لأنها لا تضيف أفكارًا جديدة ولا مصادر جديدة ولا إعادة ترتيب جوهرية للتحليل، في حين يُعدّ توليد الحجج والحجج المضادة، وتطبيق قواعد المجال على الوقائع، وإعادة هيكلة التسلسل التحليلي، وتوليد الاستشهادات إحلالًا. ولأن بيانات البنية كثيرًا ما تكافئ الطلاقة والتعابير الأصيلة كبدائل عن الاستدلال، يلاقي طلاب الإنجليزية كلغة إضافية تباينًا غير متعلق بالبنية في درجاتهم؛ والعلاجات هي التحديد المسبق لوظائف ما هو مسموح والممنوع، والإفصاح المعاير بحيث تكون كلفة الإعلان عن الدعم الروتيني أقل من كلفة مدخل ببليوغرافي، والتقديمات المتدرجة وآثار المصادر بدل الاستدلال القائم على الكشف، ومراقبة مستوى الجماعة للإحالات والعقوبات. والإطار معياري وغير مُختبر — لا يدّعي Li شيئًا عن معدلات استخدام الطلاب لِلغة الإنجليزية كلغة إضافية للذكاء الاصطناعي التوليدي.

• الطلاب أنفسهم يحكمون على خطّ الدعم مقابل الإحلال بدقة، لكن بتردّد. عرض Reed et al. (2026) ست حالات أخلاقية على 531 طالب بكالوريوس، ووجدوا أن 57.6% صنّفوا الحالات الست كلها تصنيفًا صحيحًا (المتوسط 88.54%): فقُبلت الاستخدامات المدعومة بالتحقق على نطاق واسع — تلخيص الملاحظات مع تحقّق الأستاذ (91.7%)، وتحسين القواعد في ورقة كتبها الطالب نفسه (84.9%)، وتوليد مصطلحات بحث بالذكاء الاصطناعي متبوعًا بمراجعة أدبية مستقلة (91.1%) — في حين رُفضت الاستخدامات الإحلالية رفضًا ساحقًا. وتجمّع عدم اليقين في الحالات التي يجب أن تحسمها القاعدة فعلًا: المراجع المولَّدة بالذكاء الاصطناعي غير القابلة للتحقق (9.9% «غير متأكد») والنص المولَّد بالذكاء الاصطناعي المعدّل بأدنى تعديل (9.6%)، وهو ما يقرأه المؤلفون دليلًا على أن الحدّ بين المساعدة والمؤلفية ذات المعنى غير واضح للطلاب. وتنبّأت ثقافة الذكاء الاصطناعي الموضوعية بدقة التصنيف على نحو ضعيف فقط (معامل ارتباط سبيرمان ρ = 0.234)، وكانت العيّنة في معظمها بيضاء وأنثى وفي سنتها الأولى في جامعة عامة واحدة في الغرب الأوسط الأمريكي، ويشدد المؤلفون على أن الحكم الصحيح ليس سلوكًا أخلاقيًا.

• امتياز المطالبة: يوثّق Jin et al. «امتياز المطالبة» — فالمستخدمون الذين يصوغون الطلبات بمهارة يحصلون منهجيًا على مخرجات أفضل من النماذج اللغوية الكبيرة مقارنة بالمستخدمين الذين يُعبّرون عن النية نفسها بأقل براعة — مما يجعل مهارة صياغة المطالبات موردًا متفاوتًا بصمت. ويُنقل مُحوّل الإنصاف في المطالبة (Prompt Equity Transformer) الذي يقترحونه تحسين المطالبات إلى داخل النظام، مُعامِلًا المخرَج المنصف كخاصية إمكانية وصول بدل أن يُطالب المبتدئين بصياغة الخبراء.

• فجوة إدارة التفاعل. يصل Brunnström و Palmqvist (2026) إلى استنتاج مزدوج حول الذكاء الاصطناعي التوليدي كأداة تسوية: فلأن الاستخدام المنتج يتطلّب التعرّف على جواب مُجرَّد أكثر من اللازم، وطلب التبسيط، وهيكلة الجلسة حول أهداف صغيرة، فإن الذكاء الاصطناعي التوليدي غير الموجَّه «قد يكون أنفع للطلاب المتفوقين أصلًا» — أولئك الذين يملكون عادات دراسة قوية وثقة في توجيه الذكاء الاصطناعي — في حين يلاقي الطلاب الأضعف عاداتَ دراسةٍ أو الأقل الكفاءة الذاتية تعقيدًا وإحباطًا مضافين. فبدل أن يُحلّ محل شركاء الحوار الأكاديمي الغائبين، تُدخِل الأداة كفاءةً جديدةً يُنشئ اكتسابها فجوتَه الخاصة؛ ويستنتج المؤلفون أن مسؤولية تعليمها لا يمكن أن تقع على الطالب وحده (ثقافة الذكاء الاصطناعي، والتعلّم موجّه الذات).

• آليتا فجوة المهارة وفجوة الموارد ليست المشكلة نفسها. يفصل Kumar و Wongsirichot و Nanthaamornphong (2026) بين آليتين وجد مراجعتهم المنهجية لـ72 دراسة في تعليم الحوسبة أن الأدبيات تميل إلى الخلط بينهما. فـفجوة المهارة تعمل داخل فصل دراسي واحد: فالطلاب الأقوى معرفةً مسبقة يحوّلون مساعدة الذكاء الاصطناعي إلى مهارة دائمة، بينما يستخدمها الطلاب المتعثرون كعكّاز يُزيل الكفاح المنتج، مما يُوسّع توزيع الكفاءة بنهاية الفصل — ويُعالَج ذلك بالوصول المتدرّج المرتبط بالكفاءة المُظهَرة. أما فجوة الموارد فتعمل عبر المؤسسات والسياقات الوطنية: فالإنترنت الموثوق والاشتراكات المدفوعة في واجهات البرمجة تُسند استخدامًا أدواتٍ أكثر قدرة مقارنةً بالطلاب الذين لا يملكونها — ويُعالَج ذلك باستثمار مؤسسي في الوصول المشترك للأدوات وبسياسات لا تفترض التوفر الشامل. والإنصاف هو الأرقّ من متطلبات الإطار الثلاثة في المراجعة (ستّ دراسات)، ويقرأ المؤلفون هذا الرقّة بوصفها النتيجة نفسها: فغياب بحوث التدخّل المركّزة على الإنصاف هو نفسه مشكلة الإنصاف (صدق التقييم، والسقالة).

• أفضل الطرائق إثباتًا هي الأقل قابلية للتوسّع. في ورشة عمل مع 73 مربّي حوسبة، أُبلغ عن التقييم الشفهي والتفاعلي كأقوى دليل متاح على الفهم الفردي وأقل علاج مقترح قابلية للتوسّع — وهو ما أُثير في غرفة واحدة إلى جانب أكثر من 400 طالب وحفنة من مساعدي التدريس — فاستراتيجيات الاتصال الأوضح بالتعلّم المتحقَّق منه تقع في المؤسسات التي تُدرّس أقلّ عدد من الطلاب، وهي فجوة إنصاف بين المؤسسات لا داخل جماعة طلابية (Akbar et al., 2026).

• تتغيّر جودة التدريس الخصوصي بتغيّر خصائص المتعلّمين الديموغرافية. يقرن EduFair-Bench طالبًا ثابتًا بالنماذج اللغوية الكبيرة بكل مدرّس خصوصي عبر تسعة مستويات ديموغرافية تغطي الجنس وخلفية الهجرة واللغة الأولى والحالة الاجتماعية الاقتصادية، ويُحرِّز خمس مقاييس تربوية على مستوى الدور. وفي التدريس الخصوصي بالنماذج اللغوية الكبيرة تظهر أكبر الانحرافات في الظروف الديموغرافية الصريحة — إذ يرتبط سقالة الخطوات بما يصل إلى |r| = 0.144 في الرياضيات، ويتجاوز النبرة التصحيحية 0.10 لكل نموذج في الكيمياء (0.102-0.168) والفيزياء (0.129-0.294) — وفي 11 من 15 خلية نموذج-مجال نزّل شرط الخطأ درجةً أعلى من شرط الصواب، مما يشير إلى أن النبرة تابعت البطاقة الديموغرافية للطالب لا جودة استدلال الطالب. وأعاد التعلّم المعزَّز الخاص بالتربية توزيع هذه الفجوات لا إزالتها. (EduFair-Bench: Evaluating Pedagogical Fairness of LLM Tutors Across Student Demographics)

• الإشارات الديموغرافية الضمنية قناة تحيّز أقل قابلية للضبط من السمات المُصرَّح بها. ثبّت Rooein و Benedetto و Hovy (2026) مدخل كل مهمة مع تغيير السياق الديموغرافي فقط عبر ست نماذج لغوية كبيرة معدَّلة بالتعليمات وثلاث مهام تعليمية، منتجين 192,480 استدعاءً استدلاليًا، وفصلوا الإشارات الصريحة (سمات الطلاب المُصرَّح بها) عن الضمنية التي ينقلها سجل حوار من عشر مطالبات. وفي التصحيح الآلي للمقالات كانت معظم النماذج مستقرة نسبيًا تحت الشرط الصريح، في حين ضخّم الشرط الضمني الدرجات — سجّل Llama-70B 1.57 نقطة أعلى من افتراضه الخاص (p < 0.001). وفي أسئلة المعرفة ما وراء اللغوية انحرف الشرط الضمني في الاتجاه المعاكس: تلقّت الردود الخاصة بمستويات تعليمية أدنى انفعالًا أقل إيجابية، بفجوة وسيطية 0.3 بين أدنى المستويات والمستويات الأعلى على مقياس 0-4 مقابل انحراف معياري داخل المفردة 0.07. وصعوبة الإنصاف بنيوية — الدليل ليس سمةً مُصرَّحًا بها تستطيع سياسة منعها أو حقل مطالبة يستطيع تدقيق فحصه، بل خاصية للتفاعل نفسه.

• يمكن للتحقق أن يُعيد توجيه مكسب نحو الطلاب الأضعف. وجد Dang و Nguyen (2026) أن مواد الدراسة التي تحقّق منها خبراء في مقرر اقتصاديات للسنة الأولى ارتبطت بمكسب 2.34 علامة، لكن نحو ثلاثة أرباعها نشأ في الخُمس الأدنى، وانخفضت حصة العلامات تحت حدّ 60% بمقدار 24.7 نقطة — مُنقلًا عبء التحقق من الطلاب إلى مدرّس مسؤول.

الشمول اللغوي والثقافي ولذوي الإعاقة

• اللغة: تُقدّم معظم أدوات الذكاء الاصطناعي اللغة الإنجليزية على غيرها، فتُهمّش المتعلّمين متعددي اللغات. وتتناول هذا البحث في التنوع اللغوي في الكتابة الأكاديمية، واللغات غير الممثَّلة تمثيلًا كافيًا، وتعلّم اللغات.
• التعرّف، لا الوصول فحسب: تسطّح الذكاء الاصطناعي الثقافي كنتاج إنصافي: في استقصاء سردي على مدى 9 أشهر مع خمسة متعلّمين في المرحلة الثانوية من أبناء الأقليات العرقية، وجد Gyekye (2026) أن الطلاب مساووا الإنصاف بـغياب التحيّز المرئي — «تسطّح ثقافي» لا تُمثَّل فيه التجارب الخاصة بالهوية والعلامات الثقافية في ردود الذكاء الاصطناعي — وبنوا الفاعلية عبر الرفض (عدم الاستخدام كتوافق مؤسسي) والتفاوض (جعل مخرجات الذكاء الاصطناعي قابلة للقراءة مؤسسيًا). ويُسمّي مفهوم نطاق التعرّف (Recognition Bandwidth) في دراسته الحيّز الذي يملكه المتعلّمون لرؤية أنفسهم في مخرجات الذكاء الاصطناعي، وثقافة الذكاء الاصطناعي المؤسسية القدرة على التنقّل في الذكاء الاصطناعي داخل التوقعات المؤسسية. وهي دراسة نوعية لخمسة طلاب في برنامج واحد؛ ومساهمتها الإنصافية إظهار أن الحياد-كإنصاف قد يكون هو نفسه آلية الإقصاء.
• من يستفيد من مدرّس ذكاء اصطناعي خاص — دليل ميداني استكشافي: في نشر على مستوى منطقة كاملة لمنصة رياضيات مدرَّسة بالذكاء الاصطناعي، وجد Goblins (Alam et al. 2026) ارتباطات تحصيل أكبر للطلاب ذوي خطط التعليم الفردية (+0.122 SD)، ومتعلّمي الإنجليزية (+0.191 SD)، وطلاب الهيسبان (+0.084 SD) من المجموعات المقارنة، بما يتسق مع إدخالها متعدد الوسائط ودعمها الصوتي بسبع لغات وما يُخفض حواجز الانخراط. والمؤلفون صريحون في أن المجموعات الفرعية الاستكشافية غير ذات القوة الإحصائية الكافية لا تستطيع إثبات أن ميزات إمكانية الوصول سبّبت التفاضل — فالأمر إشارة مبكّرة تُولّد الفرضيات لا نتيجة إنصافية.
• الثقافة: يدعو أصول التدريس الملائمة ثقافيًا وتعليم الذكاء الاصطناعي المرتكز على المجتمع إلى ذكاء اصطناعي يعكس سياقات المتعلّمين الثقافية بدل أن يفرض المعايير السائدة.
• الإعاقة والتنوّع العصبي: يفحص البحث في التعلّم المتاح، والتصميم الشامل، والتنوّع العصبي، والتعليم الخاص كيف يمكن للذكاء الاصطناعي أن يدعم المتعلّمين ذوي الإعاقة أو أن يقصيهم — وطلاب الحوسبة المتنوعون عصبيًا، والمتعلّمون المصابون بعسر القراءة، والمواد التعليمية المتاحة أمثلة على ذلك.
• اللغة والثقافة والكلفة معًا: يُؤطّر Bashir و Afzal (2026) التصميم المنصف في ذكاء الرفاه الاصطناعي كسؤال واحد عن اللغة والثقافة والكلفة — فالأدوات الإنجليزية الوحيدة تُخفق الطلاب الذين يُعبّرون عن ضيقهم بالأردية أو الرومية الأردية، ومجموعات البيانات الغربية تُخفق في التقاط مصادر الضغط المحلية الأبرز، والأنظمة التجارية الباهظة تُخفق الجامعات الأقل تجهيزًا (Sukoon). واقترانهما جمع نموذجًا لغويًا كبيرًا المصدر المفتوح متعدد اللغات يُتاح عبر واجهة برمجة تطبيقات مستضافة لمتطلبات موارد منخفضة، وواجهة تقييم ثنائية اللغة، ومصنّفًا مدرَّبًا على أداة مُتحقَّقة من 20 سمة — مع الإقرار بأن بيانات التدريب غير ممثلة للسكان المستهدفين، وبأن «بعض المناطق... تتوفر فيها الأدوات لكنها غالبًا باهظة»، وبأن التهيئة على مستوى المطالبة لا مُتحقَّق منها مع الطلاب، وهو سرد صريح للفجوة بين النية المنصفة والإنصاف المُظهَر.

الفئات الخاصة والإنصاف العالمي

• الفئات الخاصة: التربية الخاصة، والمتعلّمون المتنوعون عصبيًا، والمتعلّمون المصابون بعسر القراءة، والمتعلّمون ذوو الإعاقة جماعات كثيرًا ما تُغفَل احتياجاتها في تصميم أنظمة الذكاء الاصطناعي.
• منظورات الجنوب العالمي: تقدّم دوافع الطلاب الأفارقة، وتخطيط الدروس بالذكاء الاصطناعي في فيتنام، وقبول معلّمي غانا منظورات الجنوب العالمي الغائبة كثيرًا عن بحوث الذكاء الاصطناعي في التعليم المتمركزة حول الغرب. وعلى المستوى المؤسسي، يُظهر Adeniranye et al. (2026) أن اندماج الذكاء الاصطناعي في 45 جامعة نيجيرية يدفعه عصر المؤسسة وجغرافيتها لا نوع الحوكمة، مع روابط شبكية مُعزِّزة تتيح للمؤسسات جيدة الارتباط أن تُراكم الميزة — دليل على أن فجوات الإنصاف تُستنسخ بنيويًا لا من خلال الوصول الفردي فحسب.
• القدرة العالمية: تُوثّق الأدلة كيف تتوزع مزايا الذكاء الاصطناعي التوليدي توزيعًا غير متساوٍ بين البلدان والمؤسسات، وتعالج سياسة الذكاء الاصطناعي والتعلّم مدى الحياة التدرّجات الاجتماعية الاقتصادية البنيوية.
• تقاطع الإعاقة والجنوب العالمي: يُظهر Khlaif et al. (2026) — وهي دراسة نوعية لحالة 21 طالب بكالوريوس ضعاف البصر في ثلاث جامعات فلسطينية — أن الذكاء الاصطناعي التوليدي يرأب الفجوات الرقمية والجغرافية والاجتماعية الاقتصادية مع توسيع نماذج قبول التقنية لتشمل سياقات الإعاقة، حيث تتعزّز قابلية الاستخدام والإمكانية المالية وإمكانية الوصول تعزيزًا متبادلًا.
• الإنصاف الجندري في الحوسبة: لا تزال الاستخدامات الموجهة نحو الإنصاف لـالذكاء الاصطناعي التوليدي دون استكشاف كافٍ. وجمعت مبادرة مساحة صناعية للبنات بالذكاء الاصطناعي التوليدي في أوروبا بين أداتَي ذكاء اصطناعي توليدي وأصول تدريس نسوية لمعالجة التفاوتات الجندرية المستمرة في تمثيل الفتيات في الحوسبة، مع ممارسين يقتضون خطوات محددة لدعم مشاركة الفتيات وانخراطهن — وهو مثال على تصميم موجّه نحو الإنصاف. ويمكن للذكاء الاصطناعي المُوجَّه جندريًا بشكل مقصود أن يعمل كـالتدخّل نفسه: فقد أظهر Rücker و Becker-Genschow (2026) أن روبوتًا حواريًا خاصًا بمجال الرياضيات مُرمَّزًا بأنثى على شخصية Ada Lovelace (والمنشور قدوةً ومساعدًا للتعلّم في الوقت نفسه) قلّل بشكل دالّ المعتقدات النمطية الجندرية عن القدرة الرياضية والرياضيات كمجال للرجال بين طلاب الصف التاسع — في *كلا الجنسين، مع قبول تقني عالٍ ومحايد جندريًا. وهذا يُعيد تأطير التمثيل كرافعة تصميم لا كتحيّز يخضع للتدقيق فحسب: فيستطيع تمثيل الذكاء الاصطناعي المصمم منهجيًا أن يُواجه التحيّز الجندري بدل أن يتجنب إعادة إنتاجه فقط.

آثار هذا على الذكاء الاصطناعي في التعليم

• الإنصاف تصميم، لا فكرة لاحقة: يجب بناء تخفيف التحيّز والخوارزميات الواعية بالإنصاف في مدرّسي الذكاء الاصطناعي الخصوصيين والمصحّحين والمُوصين، وتقويمها من حيث الإنصاف إلى جانب الدقة.
• البنية التحتية هي الإنصاف: معالجة الفجوة الرقمية وبنية اللغات غير الممثَّلة تمثيلًا كافيًا شرط مسبق لذكاء اصطناعي منصف، لا شاغل ثانوي.
• التمثيل مهمّ في المحتوى والتقييم: يجب أن تعكس المواد المنتقاة بالذكاء الاصطناعي والتقييم الآلي المتعلّمين والثقافات واللغات وأنظمة المعرفة المتنوعة ولا أن تعاقبها.
• أقرن الوصول بالدعم: تقديم الأدوات غير كافٍ؛ يحتاج المتعلّمون إلى مهارات وظروف والسقالة ملائمة ثقافيًا للاستفادة.
• بلِغ الجماهير التي يُغفلها التعليم النظامي: تجادل إطار ثقافات الذكاء الاصطناعي لوسائل الإعلام الخدمية العامة بأن التوفير سيستمر في الوصول إلى المتفوقين أصلًا إلا إذا صُمّم على خلاف ذلك، وتُسمّي الشباب المهمَّشين رقميًا أو غير ذلك أولئك الذين لهم أقلّ الفرص عبر التعليم النظامي، وتقترح شراكات موجَّهة مع توفير ذي مدى وطني — لا النشر الشامل — كعلاج.
• السياسة والحوكمة: يجب أن تُدرج سياسة الذكاء الاصطناعي المؤسسية (سياسة الذكاء الاصطناعي في التعليم، وحوكمة الذكاء الاصطناعي) الإنصاف كمبدأ موجِّه.

المفاهيم المتصلة

• الآثار التفاضلية بين مجموعات المتعلّمين
• المتعلّمون — المتعلّمون: المظلة لمفاهيم جانب المتعلّم
• الفجوة الرقمية — الوصول غير المتكافئ إلى أدوات وبنية الذكاء الاصطناعي عبر الخطوط الاجتماعية الاقتصادية والأقاليم والأمم
• تخفيف الانحياز — طرائق لكشف التحيّز في مدرّسي الذكاء الاصطناعي الخصوصيين والمصحّحين والمُوصين وتصحيحه
• إمكانية الوصول — التصميم الذي يجعل أدوات تعلّم الذكاء الاصطناعي قابلة للاستخدام من قبل المتعلّمين ذوي الإعاقة
• التقنية المساعدة — أدوات تدعم المتعلّمين ذوي الإعاقة في الأوساط التي يتوسطها الذكاء الاصطناعي
• البيداغوجيا المرتبطة ثقافياً — التدريس الذي يعكس سياقات المتعلّمين الثقافية بدل أن يفرض المعايير السائدة
• تعلّم اللغات — الشمول اللغوي للمتعلّمين متعددي اللغات وذوي اللغات غير الممثَّلة تمثيلًا كافيًا
• التعلّم الشامل — التعلّم المتاح والمنصف لجميع المتعلّمين
• التصميم الشامل للتعلّم — التصميم لتفاوت المتعلّمين من البداية
• التنوّع العصبي — دعم المتعلّمين المتنوعين عصبيًا في تعليم الذكاء الاصطناعي
• التربية الخاصة — تلبية احتياجات المتعلّمين ذوي الإعاقة في تصميم أنظمة الذكاء الاصطناعي
• ثقافة الذكاء الاصطناعي — المهارات التي يحتاجها المتعلّمون للاستفادة من الذكاء الاصطناعي على نحو منصف
• سياسة الذكاء الاصطناعي في التعليم — السياسة المؤسسية التي تُدرج الإنصاف كمبدأ موجِّه
• حوكمة الذكاء الاصطناعي — الإشراف والمساءلة من أجل ذكاء اصطناعي منصف
• فاعلية المتعلّم — ضمان أن يُتيح الذكاء الاصطناعي صوت الطالب لا أن يُحلّ محله
• أصحاب المصلحة — مظلة: الناس والجماهير في تعليم الذكاء الاصطناعي (المتعلّمون والمعلّمون والمصمّمون والإداريون وواضعو السياسات)
• الآباء والأسر
• دعم الطلاب ونجاحهم — من تبلغه أنظمة الدعم، ومخاطر التصرّف على درجة خطر

المقالات المتصلة

• Conceptualizing and developing second language teachers' multimodal assessment literacy in the GenAI era — كيف يدخل التحيّز البصري في الذكاء الاصطناعي التوليدي التقييم متعدد الوسائط، ولماذا تُعدّ مواجهته بسرد مضاد كفاءةً للمعلّم
• The Rented Self: How AI-Enabled Tools Decouple Performance From Becoming — الذات المستأجرة: إيجار يُدفع بالمال والذات والمعايير، ورخص تنتهي بالتخرّج
• Verified, not generated: expert-verified AI study materials and the distribution of learning gains in a university course — متحقَّق لا مولَّد: مواد دراسة بالذكاء الاصطناعي تحقّق منها خبراء وتوزيع المكاسب التعليمية في مقرر جامعي
• Supporting AI Literacies for Young Adults Aged 14-19: A value-based, practical framework for public service media organisations — الإنصاف كمشكلة تسليم: الوصول إلى الشباب الذي يُغفله التعليم النظامي
• AI in University Assessment: Evaluating the Opportunities and Risks of Automated Marking — تقرير OpRaise: تصحيح بالذكاء الاصطناعي لـ761 مقالًا جامعيًا في ثلاث جامعات بريطانية
• Generative AI in computing education: A systematic review and a framework for responsible integration — فجوة المهارة مقابل فجوة الموارد: آليتا إنصاف تستلزمان علاجين مختلفين
• AI-interaction literacy: reflections on how generative AI might be used to support self-regulated learning in higher education — قد يُوسّع الذكاء الاصطناعي التوليدي غير الموجَّه الفجوات: كفاءة إدارة التفاعل (Brunnström & Palmqvist 2026)
• Institutional Structures, Digital Inequality, and AI Integration in Higher Education — البنى المؤسسية واللامساواة الرقمية واندماج الذكاء الاصطناعي في التعليم العالي النيجيري
• Fairness-Aware Multimodal Transformer Modeling for Real-Time Student Attention Estimation — نمذجة بمحوّل متعدد الوسائط واعٍ بالإنصاف لتقدير انتباه الطالب في الزمن الحقيقي
• Does school-based AI education narrow readiness gaps? The role of prior agency-related learning — تعليم الذكاء الاصطناعي المدرسي يضيّق فجوات الجاهزية النفسية لا المعرفية
• Same Question, Different Answer? Measuring and Mitigating Prompt Privilege for Equitable AI Access — امتياز المطالبة: قياس تفاوتات إمكانية الوصول في وصول النماذج اللغوية الكبيرة والتخفيف منها
• AI-based scoring systematically underestimates conceptual understanding of linguistically weak students' explanations in physics — التحيّز اللغوي في التصحيح القائم على الذكاء الاصطناعي
• Contaminated Collaboration: Measuring Gender Bias Transfer in LLM-Assisted Student Writing — انتقال تحيّز الجندر في الكتابة بمساعدة النماذج اللغوية الكبيرة
• Generative artificial intelligence and the marginalization of minoritized knowledges in higher education — الذكاء الاصطناعي التوليدي وتهميش المعارف المُهمَّشة
• Structural Silence: When AI Infrastructure Fails Speakers of Underrepresented Languages — الصمت البنيوي: اللغات غير الممثَّلة تمثيلًا كافيًا في بنية الذكاء الاصطناعي التحتية
• Generative AI in Higher Education: A Systematic Review of Opportunities, Challenges, and Pedagogical Innovations (2022–2025) — الذكاء الاصطناعي التوليدي في التعليم العالي: مراجعة منهجية
• Artificial Intelligence in Lifelong Learning: Opportunities and Challenges in Adult Education Policy — سياسة الذكاء الاصطناعي والتعلّم مدى الحياة
• Does generative AI narrow education-based productivity gaps? Evidence from a randomized experiment — هل يُضيّق الذكاء الاصطناعي التوليدي فجوات الإنتاجية القائمة على التعليم؟
• Generative AI and linguistic diversity in academic writing and publishing: Perspectives from World Englishes — التنوع اللغوي في الكتابة الأكاديمية التي يتوسطها الذكاء الاصطناعي والنشر
• Access is Not Enough: Human Support Improves Engagement with AI Tutoring — الوصول ليس كافيًا
• Bridging the Gender Gap in STEM Education with AI: Female-Coded Chatbot as Role Model and Learning Assistant — روبوت حواري مُرمَّز بأنثى كقدوة يُقلّص الصور النمطية الجندرية في الرياضيات
• The Paternalistic Filter: Epistemic Injustice and Differential Refusal in LLM-Mediated History Education for Marginalized Romanian Students — الترشيح الأبوي في تعليم التاريخ القائم على النماذج اللغوية الكبيرة
• DysLexLens: A Low-Resource LLM Framework for Analysing Dyslexic Learners Insights from Online Forums — DyslexLens: دعم بالذكاء الاصطناعي للمتعلّمين المصابين بعسر القراءة
• Modernizing Ground Truth: Four Shifts Toward Improving Reliability and Validity in AI in Education — موثوقية الحقيقة الأرضية في الذكاء الاصطناعي في التعليم
• Marked Pedagogies: Examining Linguistic Biases in Personalized Automated Writing Feedback — Marked Pedagogies: تحيّز التغذية الراجعة المتماشي مع الصور النمطية عبر سمات الطلاب
• Can AI deliver appropriate support for diverse student profiles? A large-scale evaluation — هل يستطيع الذكاء الاصطناعي تقديم دعم مناسب لمحات طلابية متنوعة؟ تقويم واسع النطاق
• Beyond “painting in pink”: A critical case study of all-girls generative AI workshops in a European makerspace — ورش مساحة صناعية للبنات بالذكاء الاصطناعي التوليدي والإنصاف الجندري في الحوسبة
• Assistive Generative AI for Visually Impaired Learners: Personalization and Inclusion in Higher Education — الذكاء الاصطناعي التوليدي المساعد للمتعلّمين ضعاف البصر
• An AI-Powered Culturally Aware Chatbot for Stress Detection and Wellness Support among Pakistani University Students Using NLP and Machine Learning — روبوت حواري واعٍ ثقافيًا مدعوم بالذكاء الاصطناعي لكشف الضغط ودعم العافية بين طلاب الجامعات الباكستانية باستخدام معالجة اللغة الطبيعية وتعلّم الآلة
• The Role of Implicit and Explicit Demographic Signals in Large Language Model-based Student Assessment — الإشارات الديموغرافية الضمنية (سجل الحوار) تُزيح تصحيح النماذج اللغوية الكبيرة وتغذيتها الراجعة وإجاباتها (Rooein, Benedetto & Hovy 2026)
• The AI Challenge: How college faculty assess the present and future of higher education in the age of AI — 1,057 عضو هيئة تدريس أمريكي عن حاضر الذكاء الاصطناعي ومستقبله: 81% يتوقّعون فجوات رقمية أوسع، و26% لا يستخدمون الأدوات
• GenAI assessment and language equity: Drawing the line between support and substitution — رسم خطّ الدعم مقابل الإحلال: قواعد تقييم الذكاء الاصطناعي التوليدي وعبء التزام طلاب الإنجليزية كلغة إضافية
• AI refusal in higher education: the right to refuse, the duty to understand and the diagnostic value of non-use — حقّ الرفض موزّع توزيعًا غير متكافئ: الرفض كدليل على نقص التهيئة المؤسسية (Zagami 2026)
• AI literacy and scenario-based ethical judgment about generative AI among undergraduate students — الحكم الأخلاقي القائم على الحالات وثقافة الذكاء الاصطناعي بين 531 طالب بكالوريوس
• StudentBench: AI and human tutoring yield equivalent GRE learning gains — StudentBench: التدريس الخصوصي بالذكاء الاصطناعي والبشري يُنتجان مكاسب تعلّم مكافئة في GRE
• AI Can Do Your Homework. Now What? Report from an online workshop on computing assessment in the age of generative AI — «الذكاء الاصطناعي يستطيع إنجاز واجبك. والآن ماذا؟» تقرير ورشة عمل إلكترونية عن تقييم الحوسبة في عصر الذكاء الاصطناعي التوليدي
• Generative AI May Reinforce Social Biases in Software Engineering Education — قد يُعزّز الذكاء الاصطناعي التوليدي التحيزات الاجتماعية في تعليم هندسة البرمجيات
• Teacher Mediation and the Contingent Promise of Generative AI in Mathematics Education — فجوة دقة النموذج المجاني مقابل المتميز في الرياضيات: 32.7% مقابل 12% (Canonigo 2026)
• The Impact of Generative Artificial Intelligence on Learning Outcomes in Higher Education: A Meta-Analysis — مكاسب التعلّم المجمَّعة من الذكاء الاصطناعي التوليدي (g=0.53) والوصول غير المتكافئ إلى الأدوات عالية الكلفة الذي لا تستطيع التقاطه
• Reimagining mathematics education through intelligent tutoring: evidence, opportunities, and implementation challenges — مراجعة التدريس الخصوصي بالذكاء الاصطناعي في الرياضيات تجد ادعاءات الشمول وفجوات التحصيل غير مسنودة
• Improving hybrid human-AI tutoring by differentiating human tutor roles based on student needs — تحسين التدريس الخصوصي الهجين بين الإنسان والذكاء الاصطناعي بتمايز أدوار المدرّس البشري حسب احتياجات الطلاب (Gurung et al. 2026)
• Teacher-Mediated Multimodal Platform and Math Achievement: Evidence from Goblins' Yearlong District Implementation — نشر لمنصة رياضيات بالذكاء الاصطناعي على مستوى المنطقة بارتباطات استكشافية أكبر لطلاب خطط التعليم الفردية ومتعلّمي الإنجليزية وطلاب الهيسبان (دعم متعدد الوسائط/متعدد اللغات؛ والسببية غير مُختبرة)
• Constructing Selves in AI-Mediated Apprenticeship Learning: Students of Colour's Narratives of Agency, Recognition and Negotiation — متعلّمو التلمذن من أبناء الأقليات العرقية مساووا الإنصاف بالتسطّح الثقافي؛ والفاعلية بُنيت عبر الرفض والتفاوض؛ ونطاق التعرّف وثقافة الذكاء الاصطناعي المؤسسية