الذكاء الاصطناعي بمشاركة الإنسان

ترجمة آلية للصفحة الإنجليزية، لم يراجعها بعد متحدث أصلي.

الذكاء الاصطناعي بمشاركة الإنسان — نمط التصميم الذي تُدخل فيه أنظمة الذكاء الاصطناعي التعليمية التوليد الآلي بشكل استراتيجي متشابك مع حكم الخبراء البشريين، فتحفظ الجودة التربوية والسلامة مع توسيع نطاق الإنتاج. وبدلًا من أتمتة التقييم أو التغذية الراجعة أو التدريس أتمتةً كاملة، يُبقي الذكاء الاصطناعي بمشاركة الإنسان إنسانًا (معلّمًا أو خبيرًا في المادة أو متعلّمًا) داخل حلقة القرار حيث تكون لحكمه أعلى قيمة حدّية — لتقويم الجودة، والفصل في الحالات الاستثنائية، وحماية فاعلية المتعلّم وسلامته. والسؤال التصميمي المركزي ليس ما إذا كنّا سنُشرك الإنسان، بل أين في خط الأنابيب يكون إشرافه أعلى قيمة وأقل قابلية للاستبدال.

أسئلة للتفكير

• السؤال التصميمي المركزي للذكاء الاصطناعي بمشاركة الإنسان ليس ما إذا كنّا سنُشرك الإنسان، بل أين يكون حكمه أعلى قيمة. ففي نظام تقييم أو تغذية راجعة بالذكاء الاصطناعي، في أي نقطة تتمسّك ببقاء إنسان داخل الحلقة؟
• وجدت دراسات توليد الأسئلة بالذكاء الاصطناعي أن الحواسيب تتولّى الوضوح والصدق تلقائيًا جيدًا لكن ما زال البشر في حاجة إلى مشتّتات ذات معنى وتغذية راجعة جيدة. فلماذا قد تقاوم بعض أجزاء الحكم التربوي الأتمتة؟
• وجد تقويم واحد أن ثلاث نماذج لغوية كبيرة قدّمت توصيات دعم للطلاب غير متسقة وغير حسّاسة — فاستُنتج أن الحكم البشري ما زال لازقًا قبل أن ينصح الذكاء الاصطناعي بشأن الطلاب. فعندما «يوصي» الذكاء الاصطناعي بدعم طالب متعثر، ما الذي قد يسوء إن لم يراجعه إنسان؟
• تقترح الصفحة أن البشر والخوارزميات يكشفان أنواعًا مختلفة من المشكلات — فأتمِت ما يمكن التحقق منه بدقة، واحفظ الحكم حيث يكون الفارق الدقيق لا يُعوَّض. فأين في ممارستك أنت الحدّ بين الاثنين؟
• يُؤطَّر إبقاء إنسان في الحلقة كحماية لفاعلية المتعلّم وسلامته، لا كجودة فحسب. فكيف قد تغيّر الأتمتة الكاملة على نحو خفيّ إحساس الطلاب بمن المسؤول عن تعلّمهم؟
• إذا صار الذكاء الاصطناعي أكثر استقلالية، فيُوصف الإشراف البشري كضابط سلامة أساسي. فإلى أي مستوى من استقلالية الذكاء الاصطناعي تشعر بعدم الارتياح — وماذا يقول لك ذلك الارتياح المفقود عن موضع الإشراف؟

مقدّمة

الذكاء الاصطناعي بمشاركة الإنسان استجابة لحدود ومخاطر الذكاء الاصطناعي المستقل تمامًا في التعليم: فالأنظمة الآلية تستطيع التوليد على نطاق واسع لكنها تفتقر إلى الحكم السياقي والأخلاقي والتربوي الذي يأتي به المعلّمون والخبراء. وتُظهر تجسيدتان حديثتان معمارين متمايزين:

الدعم الإرشادي مجال يُزعم على نحو متزايد أن الإشراف البشري فيه غير اختياري. فقد اختبر López-Pernas et al. (2026) ما إذا كانت ثلاث نماذج لغوية كبيرة تستطيع التوصية بخطط دعم للطلاب انطلاقًا من مؤشرات تحليلات التعلّم، فوجدوا حساسية محدودة للحاجة وعدم اتساق حادّ بين النماذج — فاستنتجوا أن الحكم البشري ما زال لازقًا قبل نشر الإرشاد الإرشادي بـالنماذج اللغوية الكبيرة (LLMs) بأمان وأخلاق.

ويفرض معمار ثالث الحكم البشري أعلى مجرى النموذج لا عند مخرَجه. ففي دراسة Lee و Atif و Kang's (2026) لتصنيف أسئلة المتعلّمين، حكم ثلاثة خبراء على مستوى الدكتوراه خط الأنابيب كله: فقد صقّلوا التعريفات التشغيلية لكل دور بنائي، ووسموا استقلالًا حتى ارتفع معامل فليس كابا من 0.60 إلى 0.83 بعد حلّ التباين، وتحققوا من المفردات المترجمة ترجمة عكسية والمعاد صياغتها المستخدمة لموازنة مجموعة التدريب.

CODE-GEN: توليد أسئلة الاختيار من متعدّد بمشاركة الإنسان

بنى Duan et al. (2026) نظامًا وكيليًا قائمًا على RAG (التوليد المعزَّز بالاسترجاع) بوكلاء اثنين:

• الوكيل المولّد — يُنتج أسئلة برمجية للاختيار من متعدّد مواءَمة لأهداف التعلّم في المقرر
• الوكيل المدقّق — يُقوّم الجودة عبر سبعة أبعاد تربوية

التقويم: حكم 6 خبراء في المادة في 288 سؤالًا مولَّدًا بالذكاء الاصطناعي. ونسب نجاح مُتحقَّقة بشريًا: 79.9%–98.6% عبر الأبعاد.

الأبعاد القوية للذكاء الاصطناعي (عبء بشري منخفض):

• وضوح السؤال، وصحة الشيفرة، ومواءمة المفهوم، وصحة الجواب الصحيح

الأبعاد التي تتطلب إنسانًا (عبء بشري مرتفع):

• تصميم مشتّتات ذات معنى تربوي
• تغذية راجعة تفسيرية عالية الجودة

الاستراتيجية المُلخَّصة: ينبغي تركيز الجهد البشري حيث يكون الحكم التعليمي لا يُعوَّض؛ أما التحقق الحاسوبي فيمكن أتمتته أتمتةً كاملة.

MAIC: توليد السيناريوهات بمشاركة الإنسان

نشر Yu et al. (2024) فصلًا دراسيًا متعدد الوكلاء (وكيل المعلّم، ووكيل مساعد المعلّم، وأنماط أقران) في جامعة تسينغهوا مع أكثر من 500 طالب وأكثر من 100,000 سجل تعلّم. ويشارك المعلّمون البشريون في توليد السيناريوهات والإشراف عليها، بما يضمن أن التعزيز بالذكاء الاصطناعي على نطاق واسع لا يُزيح الخبرة التربوية.

PedaCo: حَكَمية مزدوجة لتوليد فيديو بالذكاء الاصطناعي

يوسّع Kim و Baek و Kwak (2026) الذكاء الاصطناعي بمشاركة الإنسان ليشمل الفيديو التعليمي المولَّد بالذكاء الاصطناعي عبر PedaCo (الإنشاء التربوي المشترك)، وهو خط أنابيب بطبقتَي حَكَمية متكاملتين تُجسّدان المقاومة المبدئية المتجذرة في النظرية المعرفية للتعلّم متعدد الوسائط عند Mayer (CTML). فأما الطبقة الأولى فتضع الإنسان في مرحلة السيناريو: يُعدّ نموذج لغوي كبير مسوّدة سيناريو، ويُشير مراجع بالذكاء الاصطناعي إلى انتهاكات محتملة لنظرية CTML (مثل: «المشهد 3 يُدخل مصطلحات تقنية دون شرح مسبق»)، فيقرر المربّي القبول أو التنقيح أو إعادة التوليد. وأما الطبقة الثانية فتُشغّل مقاييس آلية بعد التوليف على التماسك والتكرار والتجاور الزمني والوسائط وجودة الصورة، يراجعها المربّي. وفي دراسة داخلية الموضوع (23 مربيًا)، حسّن النهج القائم على المراجعة كل مبدأ من مبادئ CTML (متوسط التقويم 3.07→3.86، p<.01)، مع تقويم المربّين لكفاءة الإنتاج بـ4.26/5 — يُنظر إلى الاحتكاك كمنتج لا كعبء. ومبدأ التصميم هذا يوافق تركيب قاعدة المعارف عن الذكاء الاصطناعي بمشاركة الإنسان: فالبشر والخوارزميات يكشفان أنواعًا مختلفة من المشكلات، لذا تُؤتمِت أكثر الأنظمة فعاليةً حيث يكون التحقق الحاسوبي دقيقًا (التزامن الزمني) وتحفظ الحكم البشري حيث يكون الفارق الدقيق التربوي لا يُعوَّض (النبرة، ومناسبة الجمهور).

وقد يكون الموضع أهمّ من الحضور: فقد قيّم الممارسون أداة تأليف «القصة الاجتماعية» قيمًا عالية لقابلية الاستخدام (SUS 86.8) لكنهم أبلغوا أن المراجعة جاءت متأخرة جدًا، لأن القيود الثقافية والسريرية المحددة قبل التوليد — حجاب بدل لباس الشارع الغربي — أصعبُ في الاستعادة بتعديل المخرَج بعدًا (Enkhjargal et al. (2026)).

لماذا يهمّ الذكاء الاصطناعي بمشاركة الإنسان في عصر الذكاء الاصطناعي

صار تصميم الذكاء الاصطناعي بمشاركة الإنسان مركزيًا في نقاشَي قاعدة المعارف عن الذكاء الاصطناعي الوكيلي والاستخدام المسؤول للذكاء الاصطناعي لعدة أسباب متقاربة:

• السلامة التربوية. يشترط الأمان البيداغوجي أن يحتفظ الذكاء الاصطناعي ذو السلطة التعليمية الحقيقية بإشراف بشري، بحيث تُكشَف الأخطاء والتحيّزات والمخرَجات الضارة قبل أن تصل إلى المتعلّمين. وهذا مهمّ خاصةً لوكلاء مستقلين يسعون إلى أهداف استباقيًا.

• الإشراف نادر في الممارسة لا في النظرية فقط. وجد Wang et al. (2026) أن الحوكمة المدمجة الراسخة والإشراف البشري داخل الحلقة كانا نادرَي الظهور عبر 474 نظامًا تعليميًا وكيليًا، حتى مع نمو الاستقلالية أحادية المهمة والتعاون متعدد الوكلاء — وهي الفجوة بين مبدأ التصميم والممارسة المنشورة.

• السؤال الحاسم هو كيف تُجعل الحلقة قابلة للتنفيذ، لا مدى مشاركة البشر. تقول رؤية علوم التعلّم إنّ تنظيم التعلّم حول التقاط البيانات والتفسير الحاسوبي والاستجابة المحتملة يجعل الفعل التربوي معلّقًا بما تستطيع الأنظمة كشفه والتصرّف بناءً عليه، وأنّ التنبيهات وتصنيفات المشاركة تفسّر المتعلّم قبل أن يتصرّف أي معلّم أو طالب (Pande (2026)).

• الصدق وضبط الجودة. الذكاء الاصطناعي بمشاركة الإنسان بوابة جودة لـالتقييم الآلي والتوليد — يفصل البشر حيث يكون التصحيح الآلي غير موثوق (انظر بحث تصحيح المقالات بالنماذج اللغوية الكبيرة والبحوث المنهجية) ويتحققون من المفردات المولّدة. وتصل مراجعة منهجية مراجعة منهجية موجّهة بـPRISMA لـ42 دراسة في التصحيح والتغذية الراجعة (2023–2025) إلى الاستنتاج نفسه صراحةً: تطابق النماذج اللغوية الكبيرة المصحّحين البشريين في المهام القصيرة والمبنية بنيوية لكنها لا تستطيع أن تحلّ محل الحكم البشري تمامًا في العمل المعقّد أو المفتوح أو الذاتي، وأعلى فعالية تصحيح تُحقَّق في الأنظمة الهجينة التي تجمع بين التصحيح المدفوع بالذكاء الاصطناعي وإشراف المعلّم والتحقق منه (Can ChatGPT Replace the Teacher in Assessment? A Review of Research on the Use of Large Language Models in Grading and Providing Feedback). ويُظهر Falahat et al. (2026) بشكل ملموس أين يقع ذلك الحدّ: طابق ChatGPT-5 أعضاء هيئة التدريس في مفردات امتحانات الصيدلة الموضوعية (CCC 0.935–1.000) لكنه كان غير موثوق في مفردات الإجابة القصيرة والمقال حتى عند إعطائه سلم تقدير، مما دفع المؤلفين إلى التوصية بتصحيح هجين مع مراجعة بشرية للتقييم المعقّد أو الذاتي أو عالي الأهمية. التكرار ليس بديلًا عن ذلك الإشراف: فعند إعادة تصحيح التقديمات المتطابقة في خمسة أيام مختلفة، أعاد النموذج نفسه إنتاج نتائجه بمعامل كريبندورف ألفا 0.625 فقط، مع تركّز التباين في الدرجات الوسطى وغياب A و F من عدّادات الجلسات الخمس (Brevik et al. (2026)).

• فاعلية المتعلّم. يُحافظ إبقاء إنسان في الحلقة على فاعلية المتعلّم ويدعم التعلّم موجّه الذات، مُواجهًا الاعتماد المفرط الذي قد تُحدثه المساعدة المستقلة تمامًا.

• الطلاب أنفسهم يضعون الإنسان في طرف المهام عالية الأهمية. من بين 93 طالب بكالوريوس، فضّل 81.7% التصحيح البشري لورقة نهائية تمثّل 40% من الدرجة، وأراد 75 من 93 أن يساعد الذكاء الاصطناعي المصحّحين لا أن يحلّ محلهم، وأراد 69 أن يكون تصحيح الذكاء الاصطناعي مراجعًا بشريًا دائمًا (Yildirim-Erbasli et al. (2026)).

• الثقة والمعايرة. يدعم الإشراف البشري الشفاف معايرة الثقة — فيعلم المتعلّمون والمعلّمون أن إنسانًا مؤهلًا يقف خلف النظام.

• المعايير المرئية قبل المراجعة ترفع الاتفاق. وجد Coscia et al. (2026) أن إظهار مقاييس الجدارة للثقة للمراجعين أثناء مقارنتهم ردود النماذج اللغوية الكبيرة رفع الاتفاق بين المصحّحين من معامل كريبندورف ألفا 0.3987 إلى 0.4931، في حين إن إضافة مقاييس أخرى زادت العبء المعرفي دون مقابل.

• الفاعلية المحدودة كمعمار، لا كإخلاء مسؤولية. يُبني إطار Ilieva et al.'s (2026) لدعم التعلّم الوكيلي (AGAI-HE) الإشراف في النموذج نفسه، كطبقة ثالثة إلى جانب طبقة سير العمل التربوي وطبقة الدعم الوكيلي: فهو يُعرّف الاستخدام المقبول للذكاء الاصطناعي، والحدود التربوية، وقواعد الخصوصية، ومتطلبات الإفصاح، والتحقق من المصادر، ونقاط تفتيش المعلّم، وآليات النزاهة، والمساءلة البشرية النهائية، ويشترط أن تُرجَع كل وظيفة وكيل إلى مطلب تعلّم أو غرض تقييم أو ضابط حوكمة. وهو تجسيد ملموس للمبدأ القائل إن الذكاء الاصطناعي بمشاركة الإنسان خاصية تصميم نظام لا بيان سياسة — ودراسة تصوّر المؤلفين على 130 طالبًا تذكير بأن إضافة التنسيق الوكيلي تحت ذلك الإشراف لم تُسجَّل بذاتها كدعم تعلّم أفضل من روبوت حواري.

• مدى تكرار نظر الإنسان قرارٌ تصميمي بذاته. يفصل Venetsanos (2026) تكرار الإشراف عن موضعه: فالإشراف عالي التكرار، بمراجعة كل مخرَج ذكاء اصطناعي قبل وصوله إلى الطلاب، يشتري ضبط الجودة والكشف السريع عن الأخطاء والمساءلة والمعايرة المستمرة لكنه قد يُلغي الكفاءة التي دفعت إلى الأتمتة ويُحدث اختناقًا في فترات التصحيح الذروة؛ أما الإشراف منخفض التكرار، بفحص عيّنات ومراجعة الحالات المُعلَّمة وحدها، فيتوسّع ويقصّر زمن التسليم لكنه يُخاطر بانتشار الأخطاء دون كشفها عبر التقديمات، ويُضعف المساءلة، ويُحدث مشكلة إنصاف إذا تلقّى بعض الطلاب مراجعةً بشريةً أكثر شمولًا من غيرهم. وبدلًا من وصف وصفة عامة، يشترط الإطار أن يُتخذ الحلّ الوسط صراحةً مقابل تحمّلات الخطأ التأديبية، وبحسب ما إذا كان التقييم تكوينيًا أم ختاميًا، وحجم الجماعة وموارد المؤسسة — ويضع الافتراضي في الاتجاه المعاكس للاتجاه الكفئوي المعتاد: ابدأ بإشراف عالي التكرار وقلّصه فقط حين تُظهر أدلة جوهرية موثوقية وأمنًا وإنصافًا مقبولين، فيكون عبء الإثبات على إظهار أن الإشراف الأقلّ آمن. ويحذّر البحث أيضًا من أن المبادئ الكامنة وراء مثل هذا الإشراف قد تُزيح جهد الموظفين لا أن تُقلّصه، فتبقى مكاسب الكفاءة الصافية سؤالًا تجريبيًا مفتوحًا.

• قد يعني الإشراف البشري المنشور توجيه الموافقة لا حكم الجودة: ففي نظام استعلام هجين كان حقل القبول يُشفّر فقط ما إذا كان المُجيب يختلف عن السائل، ولم يقس أي مقياس جودة الجواب Gupta et al. (2026).

أين يظهر الذكاء الاصطناعي بمشاركة الإنسان في بحوث قاعدة المعارف

• التقييم الآلي والتصحيح: تجمع أنظمة الذكاء الاصطناعي بمشاركة الإنسان بين التوليد/التصحيح بالذكاء الاصطناعي والتحقق البشري عبر تصحيح الإجابات القصيرة (Confidence Estimation in Automatic Short Answer Grading with LLMs)، وتقييم التفسير الذاتي (Exploring the Effectiveness of Using LLMs for Automated Assessment of Student Self Explanations in Programming Education)، وتصحيح المقالات (PsyScore: A Psychometrically-Aware Framework for Trait-Adaptive Essay Scoring and ZPD-Scaffolded Feedback). ويُجسّد Cvengros & Kortemeyer ذلك في تصحيح كيمياء عامة مكتوب بخط اليد وعالي الأهمية: فلأن موثوقية نموذج لغوي كبير الذكاء الاصطناعي متعدد الوسائط تتغير بصيغة الرد (الإجابات النصية وردود التفاعلات الكيميائية موثوقة بينما تُسجّل الرسم والتمثيل البياني أسوأ من العشوائية) وتكون الإيجابيات الكاذبة غير مكشوفة من الطلاب، فإنهما يحوّلان الدرجات الخامة للذكاء الاصطناعي إلى سياسة قبول/تأجيل انتقائية باستخدام مرشّحات الثقة — حدود الائتمان الجزئي، وحدّ خطر قائم على نظرية الاستجابة للمفردة، واستثناء نوع المسألة — مُؤجّلين المفردات غير المؤكدة والبيانية إلى البشر، وهو نهج يربطه المؤلفون بأطر التنظيمية التي تُصنّف الذكاء الاصطناعي في التقييم التربوي عالي الخطورة وتُلزم بإشراف بشري موثَّق.

• أنظمة التغذية الراجعة: إلزام بإشراف بشري موثَّق.

• تصحيح تشغيلي بمشاركة الإنسان في تقييم وطني (2026): يُجسّد Curi et al. (2026) الذكاء الاصطناعي بمشاركة الإنسان على نطاق مؤسسي في امتحان أكرédita EB في الأوروغواي. ولأن أخطاء المصحّح بالنماذج اللغوية الكبيرة محافظة بشكل منهجي (التصحيح بأقل من الواجب)، يستخدم سير العمل منطق نقطة القرار الذي يُوجّه المراجعة البشرية إلى المرشحين الذين يعتمد عليهم تحديدًا نجاحهم/رسوبهم في قسم الكتابة — فتُقبل الردود الناجحة المصحَّحة بالذكاء الاصطناعي بثقة، في حين يتحقق مصحّقون خبراء من الردود الرسوبة المصحَّحة بالذكاء الاصطناعي (15.3–16.5% من الحالات)، فتُخفض حِمل التصحيح الكامل بنسبة ≥50% مع خطر رسوب خاطئ متبقٍّ من الذكاء الاصطناعي لا يتجاوز 0.2–0.6%. وهذا هو الذكاء الاصطناعي بمشاركة الإنسان كاستراتيجية توزيع موارد: يفصل البشر تحديدًا حيث كان تحيّز الذكاء الاصطناعي المحافظ سيُغيّر المخرَجات عالية الأهمية لولا ذلك.

• استنباط حدّ التأجيل من دقة سلم التقدير نفسه (2026). وضع Cruz et al. (2026) تحمّل الذكاء الاصطناعي–المعلّم عند 0.5 نقطة — وهو أكبر تباين لا يستطيع نقل تقديم عبر نطاق مرساة — ورفع القيم الشاذة عند 0.8 نقطة، فأُرسل 11 من 362 تقديمًا (3.0%) إلى مراجعة بشرية قبل نشر التغذية الراجعة.

• الاتفاق بين المعلّمين ليس حقيقة أرضية بشرية. يدفع Bernado et al. (2026) تعليم النموذج إلى طبقة التدقيق دون التحقق منه قطّ مقابل تسميات ذهبية بشرية، تاركين اتفاق النماذج المتقاطع (وسيط 0.401) بديلًا عن جودة التأكيد يمكن أن تنجو منه أخطاء النماذج المشتركة. ويُبقي تصميمهما الإشراف تشخيصيًا لا تزيينيًا: فلأن الأحكام الوسيطة صريحة، يستطيع المراجع أن يرى أي السلوكيات تفعّلت وأن يفصل بين سلوك قُرئ خطأً وبين قاعدة تُشفّر البنية سوءًا.

• أنظمة التغذية الراجعة: يظهر تصميم التغذية الراجعة بمشاركة الإنسان في أنظمة التغذية الراجعة التعاونية وتصحيح الإجابات القصيرة الواعي بالثقة.

• دعم التعاون في الفصل. يُبقي CoBi المعلّم هو الإنسان المراجع في نظام ذكاء اصطناعي يكشف خطاب المجموعات الصغيرة المُلهِم: فقد فضّل المعلّمون صراحةً المراجعة قبل/بعد الفعل على العرض المباشر في الزمن الحقيقي الذي كان سيضعهم «في موضع الاستجواب»، والتغذية الراجعة المجمَّعة على مستوى الفصل (لا على مستوى الفرد) هي تحديدًا ما يتيح له التنقّل في التوتّر بين الخصوصية والمراقبة وفاعلية الطلاب.

• توليد الأسئلة والمحتوى: إلى جانب CODE-GEN، يُوجّه الذكاء الاصطناعي بمشاركة الإنسان توليد الأسئلة للتقييم والسقالة (CODE-GEN: A Human-in-the-Loop RAG-Based Agentic AI System for Multiple-Choice Question Generation، وFrom Evaluated Models to Evaluation Aids: A Multi-Evidence Study of LLM-Based Difficulty Calibration for Programming Examinations).

• الأنظمة الوكيلية ومتعددة الوكلاء: فمع تزايد استقلالية الذكاء الاصطناعي، يكون الإشراف البشري ضابط تصميم أساسيًا (Agentic AI and Pedagogical Best Practice: The Tension Between Automation and Learning، وBeyond Access: Guided LLM Scaffolding for Independent Learning in Undergraduate Statistics).

• التوجيه بمقتضى أثر القرار، لا بعدم يقين النموذج (2026). يُظهر دراسة تشغيلية 2026 لاختبار الاعتماد الوطني أكرédita EB في الأوروغواي (دورتان، نحو 5,000-6,000 مرشح في كل منهما) كيف يبدو تصميم الذكاء الاصطناعي بمشاركة الإنسان عندما يدفعه أثر القرارات لا عدم يقين النموذج. فمصحّح GPT-5 وافق المصحّقين الخبراء في 60-80% من مفردات سلم التقدير الخمس عشرة لكنه كان محافظًا بشكل منهجي، منتجًا تباينات نجاح-بشري/رسوب-ذكاء اصطناعي في 15.3% (2024) و16.5% (2025) من مقارنات النجاح/الرسوب والعكس نادرًا جدًا. ولذلك يقبل الإطار نتائج النجاح بالذكاء الاصطناعي على ظاهرها ويُوجّه كل نتيجة رسوب بالذكاء الاصطناعي يمكن أن تُغيّر مخرَج مرشح إلى مراجعة خبراء — بعد تجاوز أولًا المرشحين الذين لا يمكن أن يعتمد نجاحهم/رسوبهم على قسم الكتابة — فتُخفض الردود التي تحتاج تصحيحًا بشريًا كاملًا بنسبة 50% على الأقل. ويستنبط تصميم 2026 ثانٍ الحدّ من الجهة الأخرى: ففي منصة متعددة الوكلاء لمريض نموذجي (Yang et al.)، يُحتفظ بالإشراف البشري لما يُحكم بعدم أهلية الذكاء الاصطناعي للحكم فيه، إذ يُقدّم أعضاء هيئة التدريس والمرضى النموذجيون البشريون التفسير السياقي والمعالجة وأحكام الجاهزية، ولا يُسمح للنظام صراحةً بتحديد الكفاءة السريرية استقلالًا.

التركيب

تصميم الذكاء الاصطناعي بمشاركة الإنسان ليس مجرد إجراء سلامة — بل استراتيجية توزيع موارد. فالسؤال الحدّي ليس ما إذا كنّا سنُشرك الإنسان، بل أين يكون لحكمه أعلى قيمة حدّية في خط الأنابيب. وتُركّز أكثر أنظمة الذكاء الاصطناعي بمشاركة الإنسان فعاليةً الخبرة البشرية النادرة حيث تكون الأنظمة الآلية أضعف (تصميم المشتّتات، والتغذية الراجعة التفسيرية، والفصل في الحالات الاستثنائية، والحكم الأخلاقي) وتُؤتمِت الباقي — فتحفظ الجودة والسلامة والثقة مع توسيع الإنتاج.

• يبقى الإشراف البشري في العمل المُساعَد بالذكاء الاصطناعي. وجد بحث المراجعات المنهجية أن أدوات الأتمتة بالذكاء الاصطناعي قلّلت الأعباء الإجرائية (كالغربلة مثلًا) لكن القرارات التفسيرية ما زالت تتطلب إشرافًا بشريًا جوهريًا؛ ويجعل بحث الأندراغوجيا (تعليم الكبار) الذكاء الاصطناعي بمشاركة الإنسان (النماذج الذهنية المشتركة، والإنشاء المشترك) مبدأ تصميم أساسيًا للذكاء الاصطناعي.
• الذكاء الاصطناعي بمشاركة الإنسان على نطاق مؤسسي. يصف Qin (2026) كيف طوّرت جامعة لينغنان نموذجًا تعليميًا بمشاركة الإنسان يُقدّم الاستدلال الأخلاقي والحكم النقدي والمسؤولية الاجتماعية مع إتاحة الوصول إلى الذكاء الاصطناعي التوليدي على نطاق واسع. ويضع النموذج البشر موضع الحكم والقيم حتى مع تضمين الذكاء الاصطناعي في المنهج كامله — تجسيد مؤسسي ملموس لمبادئ الذكاء الاصطناعي بمشاركة الإنسان في التعليم العالي.
• المتعلّمون كإنسان في حلقة تدريسهم الخصوصي. أنتج التصميم الحسّاس للقيمة مع طلاب الكلية المجتمعية عائلةً كاملة من ميزات المتعلّم بمشاركة الإنسان لنظام تدريس خصوصي ذكي (التحكم في إعادة التقييم والمراجعة، والأهداف/الإيقاع المخصّصين، والإشارة المرجعية للمراجعة، وتأكيد الثقة على التمكن، وضابط مستوى مشاركة المساعدة بالذكاء الاصطناعي)، فتُموضع الطالب كمراقب نشط للحلقة التعليمية لا كمستهلك سلبي لقرارات التكيّف. ووجدت الدراسة أيضًا أن المعلّمين منقسمون حول ما إذا كان مثل هذا التحكم للمتعلّم يُقوّض سلامة مسار التعلّم الموجَّه بالنظام — وهي حالة من سؤال توزيع الموارد الأوسع حول أين يُضيف الحكم البشري (المتعلّم مقابل المعلّم) أكبر قيمة.
• التصعيد من الذكاء الاصطناعي إلى الخبير حركةٌ بمشاركة الإنسان. يُسند إطار SCAN المهام إلى أربعة أنماط للذكاء الاصطناعي التوليدي بحسب بُعد المتعلّم، ويقرأ الانخراط السلبي داخل مهمة ذكاء اصطناعي مُسندة صحيحًا كإشارة إفقار المهارة لنقل المتعلّم من الذكاء الاصطناعي إلى مساعدة الخبير، مع إنسان كمدقّق إبيستيمي (Tsim et al. (2026)).
• الإشراف على نصائح تبنّي الذكاء الاصطناعي. ولأن أنظمة الذكاء الاصطناعي الحواري التي يستشيرها مستخدمون مرتابون قد تكون مُهيَّأة لتشجيع التبنّي، فإن الإشراف البشري والتقويم المستقل جوهريان. ويُبرز تدقيق أظهر أن معظم النماذج المتقدّمة تُعيد توجيه المرتابينالمرتابين في التعليم ما قبل الجامعي نحو الانخراط الحاجة إلى نصائح ذكاء اصطناعي شفافة وقابلة للتدقيق بدلًا من الاعتماد غير النقدي.

المفاهيم المتصلة

• الأنماط التربوية — أين تجلس المراجعة البشرية في التتابعات المُختبرة، وما لم يُختبر قطّ في عزلة
• الضوابط
• التقويم البنّاء
• التقويم الآلي
• السقالة
• التدريس
• ثقافة الذكاء الاصطناعي
• التدريس الذكي
• التغذية الراجعة
• تجربة الطالب
• التعلّم موجّه الذات
• ما وراء المعرفة
• التطوير التربوي
• الذكاء الاصطناعي التوليدي
• فاعلية المتعلّم
• الأمان البيداغوجي
• معايرة الثقة
• الذكاء الاصطناعي الوكيلي
• التفريغ المعرفي
• الاستسلام المعرفي
• دعم الطلاب ونجاحهم — الحكم البشري داخل سير دعم آلي

المقالات المتصلة

• Analysing AI utilisation in education through learner question types: A constructivist approach — تصنيف الأسئلة المُعلَّم من خبراء: البشر يحكمون التسمية والاستكمال وتحليل الأخطاء (Lee, Atif & Kang 2026)
• Agentic Generative AI in Higher Education: Perceived Benefits, Risks, and Implications for Learning — الإشراف البشري والحوكمة كطبقة ثالثة في تصميم مقررات الذكاء الاصطناعي التوليدي الوكيلي (Ilieva et al. 2026)
• Value-Sensitive Design in Action: Designing Student-Centered Intelligent Tutoring Systems with Community College Students and Instructors — التصميم الحسّاس للقيمة لنظام تدريس خصوصي ذكي مرتكز على الطالب (المتعلّمون داخل الحلقة التعليمية)
• A Human-in-the-Loop Framework for AI-Assisted Scoring in Large-Scale Writing Assessment — التصحيح المُساعَد بالذكاء الاصطناعي بمشاركة الإنسان في تقييم كتابة وطني واسع النطاق (Curi et al. 2026)
• AI as Teammate: Rethinking Task Distribution in Medical Training — إطار SCAN: إعادة النظر في توزيع مهام الذكاء الاصطناعي في التدريب الطبي (Tsim et al. 2026)
• A scoping review of generative AI-powered agentic AI in education: Research landscape, agentic capabilities, and insights from the frontier agent paradigm, exemplified by OpenClaw
• AICoFe: Implementation and Deployment of an AI-Based Collaborative Feedback System for Higher Education
• Calibrating Trustworthiness: Co-Designing Metrics and Visualizations for Evaluating LLMs in Education
• CODE-GEN: A Human-in-the-Loop RAG-Based Agentic AI System for Multiple-Choice Question Generation
• Confidence Estimation in Automatic Short Answer Grading with LLMs
• TeachArena: Are Language Agents Ready for Realistic Teaching Work?
• From Evaluated Models to Evaluation Aids: A Multi-Evidence Study of LLM-Based Difficulty Calibration for Programming Examinations
• LLMs Do Not Grade Essays Like Humans — النماذج اللغوية الكبيرة لا تصحّح المقالات كما يصحّحها البشر (Mathew et al. 2026)
• Adult Learners' Perspectives of AI Applications in Supporting Andragogy — تطبيقات الذكاء الاصطناعي في دعم الأندراغوجيا (Kim et al. 2026)
• Scaffolding Systematic Reviews in Learning Design and Technology Through Mentoring and AI Integration — سقالة المراجعات المنهجية بالإرشاد والذكاء الاصطناعي (Wang 2026)
• AI-assisted, instructor-supervised grading and feedback in higher education: Design and evaluation of an end-to-end pipeline — التصحيح والتغذية الراجعة المُساعَدة بالذكاء الاصطناعي بإشراف المعلّم
• 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
• A Feasibility and Implementation Integrity Study of the Community Builder (CoBi): An AI-based Collaboration Support System in K-12 Classrooms
• Assisting the grading of a handwritten general chemistry exam with artificial intelligence
• Bridging technology and education: The use of ChatGPT in grading pharmacy student exams
• Can ChatGPT Replace the Teacher in Assessment? A Review of Research on the Use of Large Language Models in Grading and Providing Feedback
• Evaluating Scaffolding-Oriented Multi-Agent Large Language Model System for Clinical Interview Training — تقويم نظام متعدد الوكلاء من نماذج لغوية كبيرة موجَّه بالسقالة لتدريب المقابلة السريرية
• A Tripartite Feedback Framework for AI-Assisted Assessment of Complex Reports in Higher Education — إطار ثلاثي: تصنيف التغذية الراجعة بحسب الحالة الإبيستيمية ومبادئ الحدود الخمسة لمشاركة الذكاء الاصطناعي (Venetsanos 2026)
• AI-Assisted Social Story Intervention for Special Education: The Design of AdaptED Stories — تدخّل القصة الاجتماعية المُساعَد بالذكاء الاصطناعي في التعليم الخاص: تصميم AdaptED Stories
• EduBehaviors: Assertion-based Schemas for Auditable Coding of Educational Dialogues — EduBehaviors: مخططات تأكيد لترميز الحوارات التعليمية ترميزًا قابلًا للتدقيق
• From Sentiment Classification to Actionable and Responsible Feedback: A Scoping Review and Evidence Map of NLP in Student Evaluation of Teaching, 2015–2026 — من تصنيف الانفعال إلى تغذية راجعة قابلة للتنفيذ ومسؤولة: مراجعة نطاقية وخريطة أدلة لمعالجة اللغة الطبيعية في تقييم الطلاب للتدريس، 2015–2026
• Large language models as grading assistants in public health education: a method-comparison study of essay-style exam assessment — إعادة تشغيل تصحيح متطابقة بالنماذج اللغوية الكبيرة في أيام مختلفة تُعيد إنتاج النتائج بمعامل كريبندورف ألفا 0.625 فقط
• When Do Undergraduate Students Prefer AI? Insights into AI Scoring and Feedback — طلاب البكالوريوس يفضّلون التصحيح البشري للعمل عالي الأهمية والذكاء الاصطناعي كمساعد لا كبديل
• What Students Actually Ask: Demand Structure and Automation Potential in a Hybrid Support System — ما يسأله الطلاب فعلًا: بنية الطلب وإمكانية الأتمتة في نظام دعم هجين
• Rethinking "In-The-Loop" Approaches in Educational AI: A Learning Sciences Perspective — إعادة التفكير في مقاربات «داخل الحلقة» في الذكاء الاصطناعي التعليمي: منظور علوم التعلّم