المفاهيم
إطار ICAP
ترجمة آلية للصفحة الإنجليزية، لم يراجعها بعد متحدث أصلي.
إطار ICAP (التفاعلي–البنّاء–النشط–السلبي) — تصنيف للانخراط المعرفي طوّرته Michelene Chi يُصنّف سلوك المتعلّم إلى أربعة أنماط من تغيّر المعرفة، مرتّبة من الأقل انخراطًا معرفيًا إلى الأكثر: سلبي، ونشط، وبنّاء، وتفاعلي. وفي الذكاء الاصطناعي في التعليم، يُقدّم ICAP هدفًا تصميميًا (ابنِ أدواتٍ تُثير الانخراط البنّاء والتفاعلي لا الاستهلاك السلبي) وعدسة تقويم (قِس إن كان المتعلّمون وأنظمة الذكاء الاصطناعي منخرطين فعلًا في الأنماط العليا).(Systematic Review of Collaborative Learning Activities for Promoting AI Literacy)(Measuring Cognitive Engagement in Collaborative Discourse with an Extended ICAP Framework: Comparing Human Annotation, In-Context Learning, and Reflective LLM Agents)
أسئلة للتفكير
- تذكّر آخر مرة «تعلّمتَ» فيها شيئًا بمشاهدة فيديو أو بقراءة. فإطار ICAP يسمّي ذلك سلبيًا. فما الذي تحتفظ به فعلًا من التعرّض السلبي مقابل شرحه لشخص آخر؟
- يرتّب ICAP الانخراط من السلبي إلى النشط إلى البنّاء إلى التفاعلي. فأين تميل أدوات الذكاء الاصطناعي التي استخدمتها إلى إبقاء المتعلّمين — وهل يُحتسب النقر عبر ممارسة تكيّفية انخراطًا حقيقيًا أم مجرد نشاط؟
- تُحاجّ الصفحة أن التحوّل الأكثر أثرًا هو من النشط إلى البنّاء — أي توليد التفسيرات أو المنتجات الجديدة بدل تطبيق المعرفة فقط. فلماذا قد يكون إنتاج شيء جديد هو الخطوة التي تُغيّر الفهم فعلًا؟
- وجدت دراسة واحدة أن الخبراء البشريين يتفوّقون بفارق كبير على نماذج الذكاء الاصطناعي في وسم مستويات الانخراط. فإذا كانت الأنظمة الآلية تُقدّر الانخراط بأقل من قيمته بشكل منهجي، فكيف ينبغي أن نتعامل مع مقاييس «الانخراط» التي يولّدها الذكاء الاصطناعي؟
- يُظهر ICAP أن أداة تُجيب عنك تُبقيك سلبيًا، بينما أداة تُحفّز وتتساءل تدفعك نحو الانخراط البنّاء والتفاعلي. فأي اختيار تصميمي كنت ستتخذه لمتعلّميك؟
- يُستخدم الإطار هدفًا تصميميًا وعدسة تقويم معًا. فكيف يمكنك استخدام ICAP في تدريسك أو تصميمك لتعرف إن كان المتعلّمون منخرطين بصدق لا نشطين فحسب؟
مقدّمة
يقوم ICAP على افتراض أن ما يفعله المتعلّمون يُحدّد مقدار ما يتعلّمونه وما يتعلّمونه. وتفترض إطار Chi أنه مع انتقال الانخراط من السلبي إلى النشط إلى البنّاء إلى التفاعلي، يتعمّق تطوّر المعرفة — من التخزين، إلى الانتباه، إلى إدماج المعرفة الجديدة بالمعرفة المسبقة، إلى الابتكار المشترك للمعارف عبر الحوار. وهذا يجعل ICAP أداة تحليلية قوية للذكاء الاصطناعي في التعليم، حيث السؤال التصميمي المركزي هو: هل يدعم الذكاء الاصطناعي انخراط المتعلّمين المعرفي أم يزيحه؟
الأنماط الأربعة
| النمط | سلوك المتعلّم | تطوّر المعرفة |
|---|---|---|
| التفاعلي | حوار مع متعلّم آخر أو وكيل، يبنيان المعنى معًا؛ مثلًا الدفاع عن موقف، وحل المشكلات التعاوني | ابتكار معرفة جديدة عبر نشاط مشترك متبادل |
| البنّاء | توليد مخرَج جديد يتجاوز المُعطى؛ مثلًا الشرح الذاتي، والمقارنة، والتأمل، والرسم | إدماج المعلومات الجديدة بالمعرفة المسبقة لإنتاج فهم جديد |
| النشط | التلاعب بالمادة أو التصرّف عليها؛ مثلًا تدوين الملاحظات، والتسطير، والتوقّف للتفكير | الانتباه إلى المعلومات وتخزينها، وأحيانًا دون إدماج عميق |
| السلبي | استقبال المعلومات دون فعل ظاهر؛ مثلًا الاستماع إلى محاضرة، والقراءة | تخزين المعلومات، بمعالجة لاحقة محدودة |
ICAP في الذكاء الاصطناعي في التعليم
هدف تصميمي لأدوات الذكاء الاصطناعي
يعيد ICAP تأطير السؤال التصميمي المركزي في الذكاء الاصطناعي في التعليم: فأداة ذكاء اصطناعي تُجيب عن المتعلّم تُبقيه في النمطين السلبي/النشط، بينما أداة تُحفّز وتتساءل ويسند قادرة على دفع المتعلّمين نحو الانخراط البنّاء والتفاعلي. وهذا يُتماشى بين ICAP والتربية البنائية وبحوث التعلّم النشط.(Multimodal Learning with Generative AI)(Systematic Review of Collaborative Learning Activities for Promoting AI Literacy)
عدسة تقويم لوكلاء الذكاء الاصطناعي
يخدم ICAP أيضًا كإطار قياس. ففي دراسة واحدة، وسّع الباحثون ICAP إلى مقياس من 7 نقاط لتوصيف الانخراط المعرفي في الحوار التعاوني، ثم قارنوا مُعلِّقين بشريين مدرَّبين بالوسم القائم على النماذج اللغوية الكبيرة (التعلّم في السياق، والمطالبة الصفرية، والوكلاء التأمليين). فتفوّق موثوقية الاتفاق البشري (كابتا = 0.906–0.998) تفوّقًا بعيدًا على تعليق النماذج اللغوية الكبيرة (كابتا = 0.541–0.609)، مما يُبرز دور ICAP — وحدوده الحالية — في قياس الانخراط الآلي لمسارات تحليلات التعلّم.(Measuring Cognitive Engagement in Collaborative Discourse with an Extended ICAP Framework: Comparing Human Annotation, In-Context Learning, and Reflective LLM Agents)
توجيه تيسير الحوار التعاوني
لأن الانخراط التفاعلي أعلى أنماط ICAP، يساعد الإطار في تحديد قيمة تيسير الذكاء الاصطناعي في المناقشة التعاونية عبر الإنترنت. ويُظهر البحث في توقيت تيسير النماذج اللغوية الكبيرة أن متى يتدخّل الذكاء الاصطناعي في نقاش هو ما يشكّل إن كان يسند الابتكار المعرفي التفاعلي المشترك أو يقاطعه — وهو تحذير مستنير بـICAP بأن وكلاء الإشراف المستقلين يحتاجون معايرة نحو ضبط النفس الشبيه بالإنساني لا نحو التيسير المفرط الحماسة.
ICAP وتصميم تحليلات التعلّم
يكمن ICAP كأساس لنقد مقاييس «الانخراط» السطحية: فالتفاعل مع لوحة معلومات بالنقر على المرشّحات نشط لا تفاعلي. وتُثير تصميمات تحليلات التعلّم الفعّالة التقييم الذاتي والحوار ثنائي الاتجاه بدل مجرد عرض البيانات — وهو استتباع مرسوم مباشرةً من إطار Chi.(Interactive learning dashboards: rethinking learning visualisations as engagement tools)
انتقال النشط←البنّاء كخطوة محورية
مع أن ICAP يصف تسلسلًا هرميًا، فإن التحوّل الأكثر أثرًا على التعلّم هو القفزة من نمط النشط إلى نمط البنّاء (Chi & Boucher, 2023). فالانخراط النشط (تطبيق المعرفة على سيناريوهات مشابهة لكن غير متطابقة) يُهيّئ المتعلّمين، لكن الانخراط البنّاء — توليد التفسيرات والملخّصات أو المنتجات الجديدة — هو الذي يُجهّزهم لابتكار معرفة جديدة. وهذه هي لبّ الموضوع في الذكاء الاصطناعي في التعليم: فأداة تُبقي المتعلّمين في النمط النشط (مثلًا، النقر عبر ممارسة تكيّفية) قد تبدو مُنتجة لكنها لا تدفعهم أبدًا إلى التوليد البنّاء الذي يُثمر فهمًا دائمًا. والتدخّلات التعاونية والمركزة على الثقافة التي تساند قفزة النشط←البنّاء بقصدٍ تميل إلى إظهار أقوى المكاسب.(Systematic Review of Collaborative Learning Activities for Promoting AI Literacy)
ICAP كإشارة سقالة تكيّفية في ITS
يمكن تفعيل أنماط ICAP كـحالات هدف يختار مدرّس تكيّفي بينها ليسند الانخراط المعرفي بناءً على نموذج طالب متطوّر. ففي نظام تدريس خصوصي ذكي منطقي، اختار Dey Tithi et al. ديناميكيًا بين نمط «موجَّه» نشط بمثال محلول ونمط «معيب» بنّاء بمثال معيب. وبمقارنة Bayesian Knowledge Tracing (BKT) مقابل Deep Reinforcement Learning (DRL) وخط أساس غير تكيّفي على 113 طالبًا، حسّنت السياستان التكيّفيتان الأداء في الاختبار اللاحق — لكن بشكل متمايز: فمنح BKT أكبر المكاسب للطلاب ذوي المعرفة المسبقة المنخفضة (بمساعدتهم على اللحاق)، بينما أنتج DRL أعلى درجات اختبار لاحق بين الطلاب ذوي المعرفة المسبقة المرتفعة. وهذا إثبات ملموس على أن تخصيص نمط ICAP لمدرّس ذكي يتوقف على نمذجة معرفة المتعلّم الحالية — وأنه لا نمط واحد ولا منهج تكيّفي واحد يلائم كل متعلّم. وهو يربط التسلسل الهرمي لـICAP بتصميم التعلّم التكيّفي وتتبّع المعرفة.
ICAP كنموذج للحالة المعرفية لتوليد وكلاء شبيهين بالبشر
وقد ضُمّن ICAP أبعد من اختيار أنماط المهام، في النموذج المعرفي نفسه لوكيل تعليمي توليدي. فبني CogEvolution «إدراك عمق معرفي» قائمًا على ICAP يُقابل المُدخلات بتوزيع احتمالي عبر مستويات ICAP الأربعة، مُدمجًا ذلك بتحديثات حالة مستوحاة من التطوّر واستدعاء ذاكرة من نظرية الاستجابة للمفردة لمحاكاة تطوّر الطالب المعرفي (بما فيه انتقالات كالالتباس ← البصيرة). وتُظهر الإزالات أن إزالة وحدة إدراك ICAP تُسقط قدرة الوكيل على التمييز بين التعلّم السطحي والعميق — وهو دليل على أن تصنيف ICAP قادر على العمل كمقياس دقيق داخلي للانخراط المعرفي في محاكاة الطلاب، لا كعدسة تقويم خارجية فحسب.
ICAP يُرسي تقويم التفاعل التأملي مع الذكاء الاصطناعي التوليدي
اعتُمد تأكيد ICAP على الانخراط التوليدي على مستوى العملية من أطر تقويم تُقوّم كيف يتعلّم الطلاب مع الذكاء الاصطناعي التوليدي. فيتماشى إطار DRIVE صراحةً مع بنيته الجوهرية — التفاعل التأملي العميق مع مخرَج الذكاء الاصطناعي التوليدي — مع نوع الانخراط التوليدي الذي يُحدّده ICAP كمؤدٍ إلى تعلّم أعمق، ويستخدمه للتمييز بين الاستهلاك السطحي وإعادة الصياغة الجهدية التأملية للمحتوى المولَّد بالذكاء الاصطناعي. وهذا يتموضع بـICAP كمرساة نظرية لتصميم تفاعلات تعلّم ذات معنى مع الذكاء الاصطناعي التوليدي وقياسها بدل مجرد تتبّع الاستخدام.
الآثار المترتبة على التصميم والبحث
- صمّم للأنماط العليا. ينبغي لأدوات الذكاء الاصطناعي أن تُحفّز المتعلّمين على التوليد والشرح والحوار — النشاط البنّاء والتفاعلي — بدل تقديم محتوى سلبي أو العمل كآلات أجوبة.(Multimodal Learning with Generative AI)
- أشرك المتعلّمين عبر الأنماط. يُشرك تعليم الثقافة بالذكاء الاصطناعي الفعّال المتعلّمين على مستويات ICAP متعددة — التعرّض السلبي، والتلاعب النشط، والتوليد البنّاء، والحوار التفاعلي — باختيار النمط الذي يناسب هدف التعلّم.(Systematic Review of Collaborative Learning Activities for Promoting AI Literacy)
- قِس الانخراط بأمانة. يُعطي ICAP الباحثين والمصمّمين معجمًا مشتركًا للتمييز بين الانخراط المعرفي الحقيقي ومجرد النشاط — وهو تصحيح لـمشاركة الطلاب السطحية.(Measuring Cognitive Engagement in Collaborative Discourse with an Extended ICAP Framework: Comparing Human Annotation, In-Context Learning, and Reflective LLM Agents)
- راقب فجوة التعليق بين الإنسان والنموذج اللغوي الكبير. إذا استُخدمت أنظمة آلية لترميز الانخراط، ينبغي أن يُحسَب تقصيرها المنهجي بالنسبة إلى البشر المدرَّبين.(Measuring Cognitive Engagement in Collaborative Discourse with an Extended ICAP Framework: Comparing Human Annotation, In-Context Learning, and Reflective LLM Agents)
المفاهيم المتصلة
- التعلُّم النشط
- التعلّم التعاوني
- اندماج الطلاب
- تحليلات التعلّم
- البنائية
- تصميم التعلّم
- ما وراء المعرفة
- ثقافة الذكاء الاصطناعي
- الذكاء الاصطناعي بمشاركة الإنسان
- الحدود في أبحاث التعليم بالذكاء الاصطناعي
المقالات المتصلة
- Measuring Cognitive Engagement in Collaborative Discourse with an Extended ICAP Framework: Comparing Human Annotation, In-Context Learning, and Reflective LLM Agents — Extended ICAP framework for measuring engagement with human vs. LLM annotation
- Systematic Review of Collaborative Learning Activities for Promoting AI Literacy — Collaborative AI literacy across the four ICAP modes
- Interactive learning dashboards: rethinking learning visualisations as engagement tools — ICAP as a critique of shallow learning-analytics engagement
- Multimodal Learning with Generative AI — ICAP and cognitive engagement in multimodal learning design
- To Facilitate or not to Facilitate: Human and LLM Facilitator Tendencies in Online Discussions — LLM facilitation timing in online collaborative discussions
- Adaptive Scaffolding for Cognitive Engagement in an Intelligent Tutoring System — Adaptive ICAP scaffolding in an ITS (BKT vs DRL)
- CogEvolution: A Human-like Generative Educational Agent to Simulate Student's Cognitive Evolution — ICAP cognitive-depth model in a generative student-simulation agent
- Assessing students' DRIVE: A framework to evaluate learning through interactions with generative AI — ICAP-anchored assessment of reflective GenAI interaction