التعلّم القائم على الاستقصاء

ترجمة آلية للصفحة الإنجليزية، لم يراجعها بعد متحدث أصلي.

التعلّم القائم على الاستقصاء (IBL) — تربية محورها المتعلّم يطور فيها الطلاب الفهم بطرح الأسئلة، والاستكشاف باستقلال، وبناء المعرفة عبر دورة من الاستقصاء والتأمل والمراجعة، مع تسقال المعلّم بدل إلقاء المحاضرة. وفي عصر الذكاء الاصطناعي، صارت بنية IBL المحرَّكة بالأسئلة والمركزة على الاستكشاف نقطة تركيز: إذ تستطيع أدوات الذكاء الاصطناعي التوليدي والنماذج اللغوية الكبيرة أن تخدم كـ «شركاء مستقصين» تفاعليين يدعمون طرح الأسئلة والاستقصاء — لكن فقط عندما تُصمم لتحفظ العمل المعرفي للاستقصاء لا لتتجاوزه.

أسئلة تستحق التأمل

يتمحور التعلّم القائم على الاستقصاء على الأسئلة التي يدفعها الطالب وعلى عملية الاستقصاء ذاتها. فكيف يختلف التعلّم الذي يحركه سؤالك الخاص عن التعلّم الذي يحركه سؤال شخص آخر؟
تسأل الصفحة ما إذا كان الذكاء الاصطناعي يخدم كـ «شريك مستقصٍ» يدعم استقصاءك أم كبديل يتجاوز العمل المعرفي. فعندما تستخدم الذكاء الاصطناعي لاستكشاف سؤال، من هو المستقصِي؟
الأدلة على الاستقصاء المدعوم بالذكاء الاصطناعي مختلطة: فقد حسّنت الأداء الإبداعي والمواقف لكنها لم تحسّن حل المشكلات النقدي في دراسة واحدة، وعمّقت الفهم التصوري دون تعزيز محو الأمية في الذكاء الاصطناعي في أخرى. فماذا يوحي ذلك عما يستطيع الذكاء الاصطناعي وحده تطويره وما لا يستطيع؟
إذا كان التعامل مع مخرَج الذكاء الاصطناعي كسلطة يُخاطر بالإفراط في الاعتماد والاستنتاجات السطحية، فكيف تُدرّس الطلاب تقييم الأجوبة المولَّدة بالذكاء الاصطناعي كجزء من دورة الاستقصاء؟
تربط الصفحة الاستقصاء بالفشل المنتج — متعلّمون يستكشفون قبل التعليم، فالكفاح ذاته يُعِدّ التعلّم. فكيف يمكن لذكاء اصطناعي يحجب الأجوبة ويستجلب محاولات متعددة أن يدعم ذلك الكفاح بدل أن يزيله؟
ما هو دور الميسّر عندما يخفض الذكاء الاصطناعي احتكاك طرح الأسئلة؟ فإذا كان الطلاب يستطيعون الحصول على الأجوبة فورًا، فما الذي يحتاج المعلّم الآن إلى تسقاله ولم يكن يحتاجه من قبل؟

مقدمة

يتمحور التعلّم القائم على الاستقصاء على الأسئلة التي يدفعها الطالب وعلى عملية الاستقصاء ذاتها، متحركًا عادةً عبر أطوار (التوجه → التصور → الاستقصاء → المناقشة → الاستنتاج). وهو العائلة الأوسع التي تُضَّن تحتها في كثير من الأحيان التعلّم القائم على حل المشكلات والتعلّم القائم على المشاريع: فـ IBL يُشدد عملية طرح الأسئلة والاكتشاف، وPBL يُشدد المشكلة سيئة البنية، والتعلّم القائم على المشاريع يُشدد المنتج الملموس.

كيف يظهر التعلّم القائم على الاستقصاء في قاعدة المعارف

الذكاء الاصطناعي كشريك مستقصٍ. وجد استعراض منهجي لـ ChatGPT للتعلّم القائم على الاستقصاء في العلوم والتقنية والرياضيات والهندسة والفنون (The AI-Powered Co-inquirer: A Systematic Review of ChatGPT for Inquiry-Based Learning in STEAM Education، 24 دراسة) أن ChatGPT استُخدم أساسًا في أطوار التصور والاستقصاء والمناقشة — كأداة تعلّم، ومعلّم، وزملاء تعلّم، وخبير مجال، ومساعد تدريس — محسّنًا الأداء والتفكير النقدي والاندماج والدافع، مع مخاطر الإفراط في الاعتماد والهلوسة والاستنتاجات السطحية عندما يُعامل المخرَج كسلطة.

طرح المشكلات كنقطة البداية. أظهرت تجربة شبه تجريبية مع 97 طالبًا في الصف الثالث (Inquiry-Based Learning in STEM Education: The Impact of Generative AI-Based Chatbots on Primary School Students' Problem Posing Ability in Science) أن روبوتات المحادثة بالذكاء الاصطناعي التوليدي تجاوزت محركات البحث تجاوزًا دالًا في طرح مشكلات العلوم، محسّنةً جودة الأسئلة ومنتجةً شبكات معرفية أكثر تكاملًا مع خفض الحمل المعرفي.

الأنماط المعرفية في IBL المدفوع بالنماذج اللغوية الكبيرة. حددت دراسة استكشافية على 117 نص مقابلة وسجل تفاعل (Luo et al.) 14 نمط تفاعل عبر المستويات المعرفية عند بلوم، مُظهرةً كيف تشكل المعرفة السابقة لدى الطلاب استخدام النموذج اللغوي الكبير وسلطة الضوء على الحاجة إلى سقالة تستهدف أطوار التفكير من الرتبة العليا وتُخفف الإفراط في الاعتماد.

أدلة النتائج مختلطة. حسّنت تجربة IBL مدعومة بالذكاء الاصطناعي في الرياضيات (Mujib et al.) الأداء الرياضي الإبداعي والمواقف لكنها لم تحسّن مهارات حل المشكلات النقدية — ما يوحي بأن IBL المدعوم بالذكاء الاصطناعي يدعم أساسًا الإبداع والتطور الوجداني. ووجدت تحليل بعدي لـ 29 تجربة (Zhao et al.) أن الذكاء الاصطناعي التوليدي له أثر إيجابي متوسط على التفكير من الرتبة العليا، أقوى ما يكون لحل المشكلات ومع تدخلات مدتها 8–16 أسبوعًا واستفادة المتعلّمين الأعلى تعلمًا ذاتي التنظيم أكثر. وفي تجربة شبه تجريبية مع 48 معلمًا للعلوم في مرحلة ما قبل الخدمة في تركيا (Aydın) باستخدام برنامج استقصاء موجَّه مدعوم بالذكاء الاصطناعي مدته 8 أسابيع (يدمج التعلّم القائم على المشكلات والتصميم)، وُجدت مكاسب دالة في المجموعة بمرور الزمن في الفهم التصوري للبناء الضوئي والتنفس الخلوي، لكن دون أثر دال على محو الأمية في الذكاء الاصطناعي أو التفكير الحاسوبي المُدرك ذاتيًا — دليل على أن IBL المدعوم بالذكاء الاصطناعي يستطيع تعميق فهم المجال بينما يتطلب تطوير كفايات الذكاء الاصطناعي/التفكير الحاسوبي تصميمًا أكثر صراحةً واستهدافًا.

عزل Gousopoulos (2026) مساهمة الذكاء الاصطناعي عن الاستقصاء ذاته في دراسة مناخية بثلاث مجموعات: فقد تفوق الاستقصاء المدعوم بالذكاء الاصطناعي على أقرانه بالاستقصاء وحده في صنع القرار (d = 0.69)، مع أكبر المكاسب في المراقبة والإدارة التكيفية (d = 1.37)، في حين تحسّن جمع البيانات الأساسي بالسواء في كل الشروط.

الإنصاف والسياق. يجمّع إطار تصوري بين التصميم المشترك للذكاء الاصطناعي التوليدي والممارسات التعليمية المفتوحة لدعم التعليم القائم على الاستقصاء في العلوم والتقنية والرياضيات والهندسة في السياقات محدودة الموارد، باستخدام محاكاة مولَّدة بالذكاء الاصطناعي وذات صلة سياقية ومتعددة اللغات.

مقارنة الأدلة المُسقالة بالذكاء الاصطناعي. يُظهر An and colleagues (2026) كيف يحول نظام استخلاص المعلومات المدفوع بالذكاء الاصطناعي مراجعة الأدبيات الجامعية من التلخيص إلى تنظيم الأدلة ومقارنتها — طلاب ينتقلون من القراءة المعزولة إلى المقارنة بين الدراسات والتبرير القائم على الأدلة دعمًا للتعلّم القائم على البحث وإنجاز الأطروحة. وهذا يُجسّد كيف يمكن لـ الذكاء الاصطناعي أن يسقال عمليات الاستقصاء في أبحاث العلوم والتقنية والرياضيات والهندسة الجامعية.

لماذا يهم التعلّم القائم على الاستقصاء لدمج الذكاء الاصطناعي

بنية IBL المحرَّكة بالأسئلة والمركزة على العملية هي الموطن الطبيعي للاستخدام المنتج للذكاء الاصطناعي: فالطلاب يتعلمون مع الذكاء الاصطناعي كشريك لا منه كبديل. وتتقارب أدلة قاعدة المعارف على توتر جوهري — فالذكاء الاصطناعي يستطيع خفض احتكاك استرجاع المعلومات وصياغة الأسئلة (مقللًا الحمل المعرفي ومُمكّنًا تأملًا أعمق)، لكنه بدون سقالة تصميمية يُخاطر بالإفراط في الاعتماد وتجاوز الإدراك من الرتبة العليا. ودور الميسر، وتصميم السقالات، والتعليم الصريح لمهارات التقييم هي الرافعات التي تحدد ما إذا كان الذكاء الاصطناعي يعمّق الاستقصاء أو يُزيحه.

الفشل المنتج والاستقصاء

الفشل المنتج (PF) هو أقرب أقارب التعلّم القائم على الاستقصاء بنيويًا: فالمتعلّمون يستكشفون المشكلات ويولّدون الحلول قبل التعليم المباشر، ثم يرسخون. ويشترك الاثنان في الفرضية القائلة إن محاولات المتعلّم المولَّدة (حتى الفاشلة منها) تُنشّط المعرفة السابقة وتُعِدّ المتعلّمين للتعلّم من التعليم. ويشحذ بحث PF في عصر الذكاء الاصطناعي كيف ينبغي للذكاء الاصطناعي أن يسقال الاستقصاء دون اختصاره: فـ Kim et al. (2026) يستنبطون مبادئ تصميم للذكاء الاصطناعي تحفظ الكفاح عبر استكشاف المشكلات وتوليد الحلول؛ ويُظهر Puech et al. (2025) أن مدرّسي النماذج اللغوية الكبيرة يمكن توجيههم ليحجبوا الأجوبة ويستجلبوا محاولات متعددة؛ ومهام clue-before-correction تُجسّد السقالة القائمة على الأدلة (مقابل المباشرة) التي تُبقي المتعلّمين يقومون بالاستدلال. وهذه تربط الاستقصاء وPF بالأمر الأوسع المتمثل في أن الذكاء الاصطناعي يجب أن لا يزيل الكفاح المنتج الذي يتشكل عبره التعلّم الدائم.

وفي الإعدادات الميدانية في الهواء الطلق يصير الأمر ذاته مكانيًا: فالذكاء الاصطناعي التوليدي يستطيع تهيئة ما يلاحظه المتعلّمون قبل أن يلاقوا الأدلة، فالتسلسل الميداني أولًا الذي يحجب التفسير المولَّد حتى تُسجَّل الملاحظات والتفسيرات الأولية يحمي الاستقصاء (Choi, 2026)).

المفاهيم المرتبطة

المقالات المرتبطة

The AI-Powered Co-inquirer: A Systematic Review of ChatGPT for Inquiry-Based Learning in STEAM Education — ChatGPT for inquiry-based learning in STEAM (systematic review)
Inquiry-Based Learning in STEM Education: The Impact of Generative AI-Based Chatbots on Primary School Students' Problem Posing Ability in Science — GenAI chatbots and problem posing in primary science
Inquiry-Based Learning Patterns in Large Language Model-Driven Learning Environments: An Exploratory Study From Bloom's Perspective — IBL patterns in LLM-driven environments (Bloom's perspective)
Evaluating the Impact of AI-Supported Inquiry-Based Learning on Students' Creative Mathematical Performance, Critical Problem-Solving Skills, and Attitudes Toward Mathematics — AI-supported IBL and creative mathematical performance
Does Generative Artificial Intelligence Improve Students' Higher-Order Thinking? A Meta-Analysis Based on 29 Experiments and Quasi-Experiments — GenAI and higher-order thinking meta-analysis
STEAM Education for AI Literacy: A Systematic Literature Review — STEAM education for AI literacy
Designing AI systems to support a productive-failure-based learning: insights from adult learners on AI applications — Designing AI Systems to Support Productive-Failure-Based Learning
Towards the Pedagogical Steering of Large Language Models for Tutoring: A Case Study with Modeling Productive Failure — Pedagogical Steering of LLMs for Productive Failure
Clue before correction: ChatGPT-enhanced strategy for promoting autonomous and reflective language learning — Clue Before Correction: ChatGPT for Autonomous Language Learning
AI-Supported Inquiry-Based Learning in Photosynthesis and Respiration: Implications for Sustainable Science Teacher Education — AI-supported guided inquiry in photosynthesis & respiration (science teacher education)
From Literature to Research-Based Learning: An AI-Powered Information Extraction System to Enhance Undergraduate Thesis Completion — AI-powered information extraction supporting undergraduate thesis and research-based learning (An et al. 2026)
Can AI-Assisted Inquiry Enhance Students' Decision-Making Skills in Socio-Scientific Issues? A Three-Group Experimental Study on Climate Change — AI-Assisted Inquiry in Socio-Scientific Issues on Climate Change
Reconceptualizing outdoor geoscience learning for the generative AI era: a human-centered instructional model — A field-first instructional model that keeps GenAI from pre-structuring what learners notice (Choi 2026)

البيانات الوصفية

التخصص	Stem Education
التعلم والتعليم	التعلُّم النشط, التعلّم القائم على الاستقصاء, ما وراء المعرفة, التعلّم القائم على المشكلات, السقالة, التعلّم موجّه الذات
التقنيات والأساليب	الذكاء الاصطناعي التوليدي
أساسيات الذكاء الاصطناعي في التعليم	التفكير النقدي

Source History Edit Chat