تصميم التعلّم

ترجمة آلية للصفحة الإنجليزية، لم يراجعها بعد متحدث أصلي.

تصميم التعلّم (المعروف أيضًا بـالتصميم التعليمي) — العملية المنهجية لخلق تجارب تعلّم فعّالة من خلال تحليل احتياجات التعلّم وتصميم المواد والأنشطة التعليمية وتطويرها وتنفيذها وتقويمها. ويحوّل الذكاء الاصطناعي تصميم التعلّم بأتمتة إنشاء المحتوى، وتمكين مسارات التعلّم التكيّفي، ودعم التكرار القائم على البيانات، وتعزيز — لا استبدال — دور مصمّم التعليم.

أسئلة للتفكير

• فكّر في مقرّر أو حصة دراسية جرّبتها أو صمّمتها. فأين انتهى «ما يُدرَّس» (المنهج) وبدأ «كيف يُدرَّس» (تصميم التعلّم) — وكيف تفاعل الاثنان؟
• افتراض شائع أن الإتقان الأفضل للذكاء الاصطناعي يُنتج تلقائيًا محتوى تعليميًا أفضل. وتُفنّد الصفحة ذلك بدليل على أن البنية التربوية الصريحة — لا الإتقان في الذكاء الاصطناعي فحسب — هي ما يحدّد فعالية التعلّم. فأين رأيت مخرَجًا باهرًا فشل في أن يُعلّم؟
• إن أمكنت لأداة ذكاء اصطناعي أن تُولّد مقرّرًا كاملًا من مطالبة، فأي قرارات بشرية تصبح أكثر أهمية لا أقل؟ وتزعم الصفحة أن الذكاء الاصطناعي يعزّز دور مصمّم التعليم لا يستبدله — فكيف سيبدو ذلك الدور المعزَّز؟
• بعض نماذج التصميم التعليمي مثل ADDIE تُستخدم كخطوات جامدة خطّية. لكن الصفحة تعاملها كاستدلالات تخطيط تكرارية مرنة. فمتى قد يُضعف اتّباع عملية بحرفيتها مفرطة التصميم الجيّد؟
• تُظهر الصفحة أن المطالبة المرتكزة تربويًا — على سبيل المثال، إطار من خمس خطوات مبني على نظرية التعلّم — حسّنت النتائج ذات الترتيب الأعلى تحسّنًا دالًّا. فلو كنت تبني مدرّسًا خصوصيًا بالذكاء الاصطناعي، فما الذي كنت ستُشفّره في طبقة تصميم صريحة لتبقى استراتيجيته التعليمية قابلة للتتبّع والتكرار؟

مقدّمة

يجسر تصميم التعلّم بين قدرات الذكاء الاصطناعي وأصول التدريس الفعّالة. فحيث يعالج تصميم المناهج ما يُدرَّس على مستوى البرنامج، يعالج تصميم التعلّم كيف يُدرَّس على مستوى المقرّر والحصة الدراسية. وتستكشف المقالات في قاعدة المعارف هذه الذكاء الاصطناعي كأداة لمصمّمي التعلّم ومبادئ تصميم التعلّم لبناء أنظمة تدريس خصوصي بالذكاء الاصطناعي فعّالة.

وما ينطوي عليه ذلك العمل التصميمي في الممارسة هو نفسه سؤال تجريبي. فقد رمّز Tang et al. (2026) 1,378 دورة حوارية بين مصمّم وروبوت محادثة من خمسة مصمّمي تعلّم مبتدئين يعملون مع روبوت محادثة مدمج في أداة تصميم، فوجد أن الحوار تكتّل حول نواتج التعلّم المقصودة والمقاربة التربوية لا حول توليد المحتوى. وعاد المصمّمون إلى النواتج مرارًا كفحص توافق بينما كانوا يحوّلون مكوّنات المنهج إلى مهامّ ملموسة، وتغيّر دور المساعد عبر المراحل، من توضيح المصطلحات إلى دعم تصميم المهمّة إلى إجراء مرور تحقّق قبل الموعد النهائي. فدعم التصميم، على هذا الدليل، أقلّ ما يكون عن إنتاج الموادّ منه عن الحفاظ على تماسك نية التصميم.

وتدعم تحليلات التعلّم والذكاء الاصطناعي التوليدي أجزاءً مختلفة من التصميم: ففي 11 مجموعة نقاش في جامعة أسترالية واحدة، ترافق خطاب التحليلات أكثر ما ترافق مع السياق وحل المشكلات على مستوى المقرّر (0.32)، بينما تمركز خطاب الذكاء الاصطناعي التوليدي على تصميم التقييم (0.26) والتصميم لتحديد الذات عند الطلاب (0.15) (Claassen et al. (2026)).

محاور البحث الرئيسية

إنشاء المحتوى بمساعدة الذكاء الاصطناعي هو التطبيق الأكثر تحويلًا مباشرةً. ويقدّم المنهج كشيفرة معمارية من ست مراحل تُدمج الذكاء الاصطناعي التوليدي مع LaTeX وPython لأتمتة إنشاء موادّ العلوم والتقنية والهندسة والرياضيات، مُتحقَّقًا منها في 8 وحدات و28 سياقًا مشروعيًا مع تقييمات جودة من الطلاب بين 8.5 و9.9 من 10. ويستخدم الوكلاء التعليميون إطارًا متعدد الوكلاء مبنيًا حول نموذج ADDIE، مع وكلاء بأدوار (عضو هيئة تدريس، ومصمّم تعليمي، ومنسّق مقرّر) يتعاونون لتوليد موادّ مقرّر كاملة. ويوفّر CourseBlueprint خطًّا مُهيكَلًا لتوليد فيديو تربوي تكيّفي مؤسَّس على مدونات المقرّر، مُبيِّنًا أن البنية التربوية الصريحة — لا الإتقان في الذكاء الاصطناعي فحسب — ضرورية لتوليد المحتوى التعليمي. ومنصات الذكاء الاصطناعي التوليدي تستطيع أيضًا أن تُجسّد مبادئ تصميم التعلّم في المحتوى الذي تُنتجه: فقد جمع منصة بذكاء اصطناعي لتوليد مسائل النمذجة الرياضية مبادئ تصميم راسخة مع التوليد المعزَّز بالاستدعاء، وطُوِّرت بمقاربة ADDIE لإنتاج مهامّ وتوصيات مرتكزة تربويًا تفتقر إليها مولّدات المحتوى التقليدية. لكن عائد مثل هذا المحتوى والدروس المولَّدة بمساعدة الذكاء الاصطناعي يتوسطه خبرة المعلّم ذاتها: فقد وجد Choi et al. (2026) أن المعلّمين ذوي الخبرة يُكيّفون نقديًا أفكار الدروس المولَّدة بالذكاء الاصطناعي لتلائم الطلاب والسياق (بإعادة المطالبة والتوسّع في المخرَج)، بينما يميل المبتدئون إلى قبول اقتراحات الذكاء الاصطناعي مباشرةً — ولذلك تعتمد القيمة التربوية لأدوات محتوى الذكاء الاصطناعي على خبرة المعلّم وإتقانه للذكاء الاصطناعي، لا على الأداة وحدها. ومراجعة منهجية لـالتصميم المشترك بين المعلّم والذكاء الاصطناعي لمهامّ التعلّم (Wang, Liu & Islam 2026) تؤكّد النمط على نطاق واسع في 28 دراسة (2015–2025): فالذكاء الاصطناعي التوليدي يُستخدم أساسًا لتخطيط الدروس وتوليد المطالبات والعصف الذهني الإبداعي، وأن نمط التعاون الغالب هو الذكاء الاصطناعي كمساعد/مولّد محتوى لا كمصمّم مشارك أكمل — مع تكرار الكفاءة والاستجابة والإبداع والإنصاف كمزايا متاحة. ويُحكم Talebzadeh (2026) نتيجة خبرة المعلّم لتصميم النشاط الجماعي: فالمعلّمون الخبراء، بغضّ النظر عن ألفتهم بالذكاء الاصطناعي، يُنتجون معماريات أدوار أغنى وأكثر تعاضدًا وأكثر توافقًا مع منطقة التطوّر القريبة في الأنشطة الجماعية المصمّمة بالذكاء الاصطناعي من المبتدئين، مُؤطِّرةً «ثقافة المطالبة التربوية» كالرافعة التي تحوّل مخرَج الذكاء الاصطناعي إلى تعلّم جماعي متمايز فعّال.

وأين تَقصُر الموادّ المولَّدة هو توافقها مع المنهج: فقد قوّم سبعة معلّمي رياضيات مسائل الفشل المنتج المولَّدة بالذكاء الاصطناعي قريبةً من تلك التي كتبها البشر في الجودة الكلية (M = 17.19 مقابل 17.43 من 25) لكن أدنى في التوافق مع المنهج (M = 2.57 مقابل 3.29)، فبقيت المسائل المولَّدة بحاجة إلى تحرير في الطول ومستوى القراءة والمرئيات (Rhaimi et al. (2025)).

التدريس الخصوصي المرتكز تربويًا بالذكاء الاصطناعي يطبّق مبادئ التصميم التعليمي على تصميم أنظمة الذكاء الاصطناعي. فقد بنى Brisson et al. مساعد معلّم من نموذج لغوي كبير مدفوعًا ديداكتيكيًا حيث تُشفَّر استراتيجية التدريس الخصوصي في طبقة خارجية صريحة — مما يجعل اختيار المحتوى والبناء الديداكتيكي قابلين للتتبّع والتكرار، وهو ما يعالج مباشرةً مخاوف التعتيم في إعادة التفكير في سقالات مدرّسي النماذج اللغوية الكبيرة. وبيّن Hou et al. أن إطار مطالبة من خمس خطوات مؤسَّسًا على نظرية التعلّم التوليدية حسّن النتائج المعرفية ذات الترتيب الأعلى تحسّنًا دالًّا، مُظهرًا أن التوجيه التعليمي — لا مجرد الوصول إلى الذكاء الاصطناعي — هو ما يحدّد فعالية التعلّم. وكلاهما يرتبط بـالسقالات وبـالتدريس الخصوصي الذكي.

الأطر والتقويم توفّر مقاربات مُهيكَلة. ويُبيّن إطار الجسر في التصميم التعليمي و**CoTAL** مبادئ تصميم بمشاركة الإنسان. ويضع الأداة الذهنية الذكاء الاصطناعي كـ«أداة ذهنية» — شريك معرفي يوسّع تفكير المتعلّم لا يستبدله — مُطبِّقًا نظرية التصميم التعليمي مباشرةً على دمج الذكاء الاصطناعي. وتطبّق LUDIA مبادئ التصميم الشامل للتعلّم لخلق شريك تفكير بالذكاء الاصطناعي متاح للمعلّمين، رابطًا التصميم التعليمي بـالتعلّم الشامل. و**AIRIS** (Activate–Inquire–Reflect) إطار بناء للمهمّة للاستخدام المعرفي المنشَّط للذكاء الاصطناعي يحدّ من إسهام الذكاء الاصطناعي حتى يبقى التنبؤ والتأويل والتقويم للمتعلّم — تكييف خاص بالذكاء الاصطناعي لدورات الاستقصاء مؤسَّسًا على التعلّم المنظَّم ذاتيًا ونظرية الحمل المعرفي والتعاون بين الإنسان والذكاء الاصطناعي. وبالتكامل مع أطر التصميم هذه، يقدّم تصنيف Dohn et al. (2026) تصنيفًا لا منهج تصميم: ست فئات (هدف التعلّم، والمحتوى، وصيغة التمثيل، والاندماج المعرفي Epistemic Engagement، والتصميم الاجتماعي، والمُنتَجات) تمكّن المصمّمين والباحثين من وصف أنشطة تعلّم الذكاء الاصطناعي التوليدي ومقارنتها وتخيّلها بإيضاح لماذا وبماذا وكيف وبماذا ومع مَن ينخرط المتعلّمون في الذكاء الاصطناعي التوليدي — مبنيًا ككائن حدودي عبر حوار ما بعد الرقمنة. وتُوسّع أطر الصفوف الذكية هذا إلى إعداد المعلّمين: يقترح Zhu, Liang, Mao, and Wang (2026) إطارًا ثلاثي الأبعاد للتعليم الذكي — فعالية التعلّم، وتقنيات المعلومات والاتصالات (ICT)، وتنظيم الصف — ويُجسّدانه في مقرّر رياضيات لماجستير التربية يُدمج التصحيح الآلي والتوصيات المخصّصة وتغذية الذكاء الاصطناعي الراجعة المتعدّدة عبر مراحل ما قبل الصف وداخله وبعده. وأظهرت شبه تجربة مكاسب دالّة في قدرة الطلاب على صياغة أهداف تعليمية دقيقة ومرتكزةً مهنيًا، مُنتجةً نموذج D-T-E القابل للنقل (Disciplinary Demand–Technological Empowerment–Evaluation Loop) — إرشادات خاصة بالمجال لـمعلّمي المعلّمين الذين ينقلون مفاهيم التعليم الذكي إلى ممارسة تصميم تعليمي عملية.

التصميم لأجل الوصول. يسأل إطار Halani ذي الروافع السبعة، بشأن كل إطار مقرّر، أي الروافع لا تزال تعمل عندما يكون الطالب وحده مع الذكاء الاصطناعي؛ فالحركات البنيوية مثل تغيير ما تُصدّقه الدرجة، أو المهامّ التي لا يمكن إنجازها بلا التفكير، تصل أبعد من إخبار الطلاب بأن العملية مهمّة (Halani, 2026).

قَيد الأداة لحماية التفكير. صمّم تصميمٌ لكتابة حجاجية على تسعة أسابيع روبوتات محادثة محدَّدة بالمعلّم تطرح أسئلةً وترفض توليد نثر الطلاب، فانتقل أربعة طلاب في المدرسة الثانوية من مستهلكين سلبيين للذكاء الاصطناعي إلى مقوّمين دفعوا ضدّ المخرَجات — فالقيد الاستراتيجي، لا التوليدية غير المقيَّدة، هو ما تتبّعت معه المكاسب (Konradt, Boote & Taub (2026)).

المطالبة الموجَّهة بسُلَّم تقدير كرافعة تصميم. أظهر Yaşar et al. (2026) أن سلَّم التقدير يعمل كواجهة وسيطة بين النية التربوية البشرية والاستدلال الآلي: فمعاملة معايير التقييم كمُنتَجات تصميم قابلة للمراجعة — لا كأدوات ثابتة — وتحسينها المشترك تكرارًا مع النموذج اللغوي الكبير رفع التوافق بين النموذج اللغوي الكبير والبشر على أعمال التصميم الطلابية من 54.75% إلى 81.25%. وسلالم التقدير المُهندَسة للنماذج اللغوية الكبيرة يجب أن توازن بين الدقة والمرونة — فالغموض الزائد يدعو إلى التأويل الحرّ، والجمود الزائد يُخفيض النموذج إلى مطابقة الأنماط — والمطالبة الواعية بالدور (معلّم، أو مقيّم أقران، أو مقيّم منح) أنتجت تغذية راجعة تقييمية متميّزة. وهذا يضع هندسة سلالم التقدير كممارسة تصميم تعلّم ملموسة لتشكيل سلوك تقويم الذكاء الاصطناعي، مع بقاء الإشراف البشري داخل الحلقة ضروريًا.

وكلاء الذكاء الاصطناعي للتصميم التعليمي تُوسّع الميدان إلى الذكاء الاصطناعي الوكيلي. فـ**ISD-Agent-Bench** هو أول معيار قياس معياري ومؤسَّسًا نظريًا لتقويم وكلاء التصميم التعليمي المبنيين على النماذج اللغوية الكبيرة — وتُظهر مصفوفة سياقه البالغة 25,795 سيناريو (51 متغيّرًا سياقيًا × 33 خطوة فرعية للتصميم التعليمي من ADDIE) أن الوكلاء المؤسَّسين على أطر التصميم التعليمي الكلاسيكية (ADDIE، وDick & Carey، والنماذج الأولية السريعة للتصميم التعليمي) يتفوّقون على الوكلاء الخاليين من النظرية، مُحقِّقين تجريبيًا أن التصميم التعليمي نظام مُهيكَل لا مهمّة مطالبة عامّة. والوكلاء ليسوا بناة للتصاميم فحسب بل نقّادها أيضًا: يستخدم Wang, Mitchell & Piech (2025) وكيل ويب مستقلًّا واحدًا يتنقّل في درس إلكتروني متعدد الخطوات كطالبٍ لتقويم تصميم تعلّم قبل أن ينخرط فيه متعلّمون حقيقيون — فوصفه لتجربة الطالب يتنبأ بالمكان الذي سيتسرّب فيه المبتدئون ويُظهر تغذية راجعة تصميمية قابلة للتنفيذ، متفوّقًا على كل خط أساس وحتى على مجموعة محاكاة من الطلاب في مقرّر CS1 عالمي. وهذا يُؤطّر التقويم الوكيلي قبل الإطلاق كمكمّل منخفض الكلفة لتكرار التصميم البشري. ويستكشف الأنظمة متعددة الوكلاء لمصمّمي التعلّم و**الوكلاء التعليميون** أطرًا متعددة الوكلاء تُنسّق وكلاء بأدوار حول نماذج التصميم التعليمي، بينما يفحص AI-TPACK كيف يطبّق المعلّمون والوكلاء معًا المعرفة التقنية التربوية بالمحتوى. ويربط هذا العمل التصميم التعليمي بـمعايير القياس وتقويم تدخّلات الذكاء الاصطناعي في التعليم وبتصميم المناهج على نطاق واسع.

الروابط بالمفاهيم المجاورة

تصميم التعلّم هو نظام الجسر في الذكاء الاصطناعي في التعليم — فهو يربط تصميم المناهج (ما يُدرَّس) بـالسقالات (كيف تُدعم المتعلّمون)، والتطوير التربوي (كيف يُحضَّر المربّون)، والذكاء الاصطناعي التوليدي (الأدوات ذاتها). وهو مقترن اقترانًا وثيقًا بـدور المعلّم لأن أدوات الذكاء الاصطناعي تُعيد تشكيل ما يفعله مصمّمو التعلّم والمعلّمون، وبـالثقافة بالذكاء الاصطناعي لأن دمج الذكاء الاصطناعي الفعّال يقتضي أن يفهم المربّون قدرات الذكاء الاصطناعي وحدوده. والعمل التصميمي ينتهي في النهاية إلى ترتيب نشاط: فـالأنماط التربوية تُفهرس ترتيبات الحركات المُختبرة، ليتمكّن المصمّم من تحديد موضع الذكاء الاصطناعي في الدرس لا فقط ما يُدرَج فيه. وعلوم التعلّم هي ميدان البحث الكامن وراء هذه المبادئ: فحين تغطّي هذه الصفحة الممارسة المهنية لخلق تجارب التعلّم، تدرس علوم التعلّم تلك الممارسة وتصاميمها تجريبيًا وتُولّد المبادئ المعرفية والدافعية والاجتماعية التي يُشغّلها تصميم التعلّم بعد ذلك.

كيف يحدّد تصميم التعلّم مكاسب التعلّم

تصميم التعلّم هو الرافعة التي تقرّر هل يُنتج الذكاء الاصطناعي مكاسب تعلّم أم مجرد أداء متضخّم بالذكاء الاصطناعي. وأدلة قاعدة المعارف متّسقة على ذلك: الأداة نفسها من الذكاء الاصطناعي تُنتج مكاسب كبيرة أو ضررًا صافيًا تبعًا لكيفية تصميم تجربة التعلّم حولها. فقد أظهر Hou et al. أن إطار مطالبة من خمس خطوات مؤسَّسًا على نظرية التعلّم حسّن النتائج المعرفية ذات الترتيب الأعلى تحسّنًا دالًّا، بينما لم يفعل الوصول إلى الذكاء الاصطناعي وحده؛ وإطارا الأداة الذهنية وAIRIS يحفظان العمل المعرفي للمتعلّم حتى تنتج مكاسب دائمة (لا كفاءة في المهمّة). واختيارات التصميم التي تحمي مكاسب التعلّم — سقالة تقتضي محاولة من الطالب، وتقييمًا تكوينيًا بمقاييس نتائج بلا مساعدة، وبنية تربوية تُبقي المتعلّم هو الفاعل — تعكس نتيجة الميدان (انظر مكاسب التعلّم) بأن الذكاء الاصطناعي مكسب قوي عندما يُدرِّب وضرر عندما يُجيب. وعلى العكس، تقع الدروس المدمجة بالذكاء الاصطناعي سيئة التصميم فريسةً لـفجوة الأداء والتعلّم، حيث يحجب النجاح الظاهري غياب التعلّم.

إرشادات عملية للمصمّمين والمطوّرين

فبالنسبة إلى مصمّمي التعليم ومطوّري المقرّرات والمهندسين الذين يبنون تجارب تعلّم بمساعدة الذكاء الاصطناعي، تترجم نتائج قاعدة المعارف إلى ممارسة قابلة للتنفيذ. ويستحق ترسيم حدٍّ واحد قبل الممارسات ذاتها: تصميم التعلّم كما تصفه هذه الصفحة هو تصميم مقرّر لدفعة معروفة، بينما المبادئ نفسها المدموجة في منتج ستستخدمه مقرّرات عديدة — يدرّسها أشخاص لن يلقاهم المصمّم أبدًا — هي عمل مطوّري التقنيات التعليمية، حيث تحمل الإعدادات الافتراضية وقابلية التهيئة والتوثيق ثقلًا تربويًا:

أرسِ توليد الذكاء الاصطناعي في نموذج تعليمي مُهيكَل. محتوى الذكاء الاصطناعي جيد بقدر البنية التربوية الكامنة وراءه فحسب — فالبنية الصريحة، لا الإتقان في الذكاء الاصطناعي، هي التي تحدّد الجودة. صمّم حول نموذج معترف به (ADDIE، وDick & Carey، والنماذج الأولية السريعة) واشفّر القرارات التربوية صراحةً بدل الاعتماد على النموذج ليستنبطها.(CourseBlueprint: A Structured Pipeline for Adaptive Pedagogical Video Generation Grounded in Course Corpora)(ISD-Agent-Bench: A Comprehensive Benchmark for Evaluating LLM-based Instructional Design Agents)(A didactical-driven teacher assistant for a dimensional modeling course)

اعتمد إطارًا على مستوى المبادئ بالإضافة إلى نموذج تعليمي. النموذج على مستوى المقرّر يُهيكل تصميمًا واحدًا؛ والإطار المنشور يضع المعايير التي ينبغي أن تُحقّقها تصاميم عديدة. ومثال يستحق القراءة كاملةً هو التعلّم القوي بالتقنية الناشئة من Digital Promise، الذي ينظّم إرشاده تحت ثلاثة مبادئ — قائم على الأدلة، ومتمركز حول المتعلّم، وبانٍ للمهارات — كل منها موسَّع إلى ممارسات واستراتيجيات، ويربط الخصوصية وقابلية التفسير والعدالة بممارسات معيّنة كالتزامات سلامة لا إضافات اختيارية.(Powerful Learning with Emerging Technology) طابق تهيئة الذكاء الاصطناعي مع المهمّة لا مع التطوّر. يميّز Nalyvaiko (2026) أربع طبقات — المطالبة، والسياق، والمنصة (harness)، والحلقة المتحقَّقة — ويطبّق مبدأ الطبقة الكافية بأدنى حدّ: استخدم أقلّ تهيئة تعقيدًا قادرة على نتيجة قابلة للتحقق، لأن التنسيق المضافة تجلب تكاليف التنسيق والتحقق والخصوصية والفهم.

استخدم مسارات عمل متعددة الوكلاء بأدوار لإنتاج المحتوى. بدل مطالبة عامّة واحدة، انسّق وكلاء/أدوارًا متميّزة (عضو هيئة تدريس، ومصمّم تعليمي، ومنسّق مقرّر) تتعاون عبر خطّ معرَّف — وهذا يحاكي كيفية عمل فرق المقرّرات الحقيقية ويُنتج موادّ أكثر اكتمالًا من مطالبة واحدة.(Instructional Agents: Reducing Teaching Faculty Workload through Multi-Agent Instructional Design)(Enabling Multi-Agent Systems as Learning Designers: Applying Learning Sciences to AI Instructional Design)

وفّر توجيهًا تعليميًا، لا مجرد وصول إلى الذكاء الاصطناعي. سواء تفاعل المتعلّمون مع الذكاء الاصطناعي مباشرةً أو مع موادّ مولَّدة بالذكاء الاصطناعي، فإن التوجيه المبني على نظرية التعلّم (مثلًا سقالة مطالبة تدريجية مؤسَّسة على مبادئ التعلّم التوليدي) يقود إلى نتائج ذات ترتيب أعلى؛ أما الوصول وحده فلا يفعل. صمّم نشاط التعلّم حول كيفية تعلّم الذهن، وعالج الذكاء الاصطناعي كـ«أداة ذهنية» معرفية توسّع التفكير لا تستبدله.(The Role of Instructional Guidance in Generative AI-Assisted Learning: Empirical Evidence from Construction Engineering)(Generative AI (GenAI) as a mindtool that supports generative learning (GL))

نمذج النسيان، واجدول المراجعة حيث يكون التلاشي أشدّ. يُمثّل G4L تلاشي المعرفة بمنحنى نسيان إيبنجهاوس مدفوعًا بالزمن المنقضي والتكرارات، ويُقدّم الوحدات الأكثر عرضةً للتلاشي بدل إعادة تقديم ما سُجّل حديثًا.(Csépányi-Fürjes & Kovács, 2026)

يضيف Fowlin et al. (2026) حركة تشغيلية لتحديد موضع دخول الذكاء الاصطناعي: فُكّ النشاط إلى المكوّنات الأحسن إنجازها باستقلال وتلك الأحسن اقترانًا بالذكاء الاصطناعي، مع إبقاء حكم المعلّم مركزيًا في التقسيم (Fowlin et al. (2026)).

اجعل المحتوى قابلاً للتتبّع والمراجعة. دع مصمّمًا بشريًا يراجع مخرَج الذكاء الاصطناعي ويصحّحه قبل أن يصل إلى المتعلّمين، وبنِ توليد الذكاء الاصطناعي بحيث يكون الأساس التربوي (لماذا هذا المحتوى، بهذا الترتيب) قابلًا للفحص — وهو ما يعالج الجودة ومخاوف التعتيم التي تُضعف التعليم المولَّد بـالثقة.(WIP: Bridging the Gap Between Instructional Design and Pedagogical Use: A Framework for Mathematics Educators)(CoTAL: Human-in-the-Loop Prompt Engineering for Generalizable Formative Assessment Scoring and Feedback)

• راجع الوسائط المولَّدة بالذكاء الاصطناعي في مرحلة السيناريو، لا بعد التوليف. يضع PedaCo مراجعة المعلّم على السيناريو — حيث تكون الأخطاء التربوية زهيدة الإصلاح — قبل تصيير أي شيء؛ فارتفع التصديق التعليمي المُقوَّم من 3.07 إلى 3.86، بينما حسّنت طبقة ما بعد التوليف الآلية بُعدين فقط من خمسة (Kim, Baek and Kwak (2026)).

صمّم من أجل إمكانية الوصول من البداية. طبّق مبادئ التصميم الشامل للتعلّم عند بناء أدوات الذكاء الاصطناعي والموادّ المولَّدة بالذكاء الاصطناعي حتى تخدم متعلّمين متنوّعين، بدل إضافة إمكانية الوصول لاحقًا.(LUDIA: A Design and Evidence Statement)

خطّط لوسيط التقديم. تصميم التعليم لـالتعليم والتعلّم عبر الإنترنت ليس ترجمةً محايدة للتصميم الحضوري — فالوسيط يغيّر ما هي السقالات والتقييم والتفاعل القابلة للتطبيق، ويضاعف الذكاء الاصطناعي الفرص (التخصّص القابل للتوسّع، والدعم الدائم) والمخاطر (النزاهة، والتفريغ المعرفي) التي يجب على المصمّمين التخطيط لها معًا. صمّم الغلاف التربوي للذكاء الاصطناعي بتعقّدٍ في البيئات الإلكترونية كما في السياقات الوجهاهية.

قوّم مقابل معيار قياس، لا مقابل الانطباعات. إن كنت تبني وكيل تصميم تعليمي، فقوّمه مقابل معيار قياس معياري ومؤسَّسًا نظريًا (مثل ISD-Agent-Bench) لتتمكّن من قياس هل يحسّن التأسيس في إطار تصميم تعليمي حقيقي المخرَج فعلًا مقابل نموذج لغوي كبير عامّ.(ISD-Agent-Bench: A Comprehensive Benchmark for Evaluating LLM-based Instructional Design Agents)

• الذكاء الاصطناعي يُعيد تشكيل ممارسة التصميم التعليمي. يراجع Kibar & Ilgaz (2026) منهجيًا 28 دراسة (2020-2025) ويجدان أن الذكاء الاصطناعي يساعد المصمّمين في توليد المحتوى والقوالب والتخصّص، وأنه يُفاهيم كزميل/متعاون/شريك لا كأداة فحسب — مع بقاء التوافق التربوي وجاهزية الممارسين تحدّيًا.

المفاهيم المتصلة

• تفسير أبحاث التعليم بالذكاء الاصطناعي وتطبيقها
• الشراكات التربوية — الشراكات التربوية
• التعلم والتعليم عبر الإنترنت — التعليم والتعلّم عبر الإنترنت
• تصميم المنهج الدراسي
• السقالة
• التطوير التربوي
• التدريس
• ثقافة الذكاء الاصطناعي
• الذكاء الاصطناعي التوليدي
• التدريس الذكي
• التعلّم المخصّص
• التعلّم التكيفي
• التقويم البنّاء
• التعليم العالي
• K-12
• الذكاء الاصطناعي الوكيلي
• التعلّم الشامل
• التصميم الشامل للتعلّم
• نظريات التعلُّم
• علوم التعلّم
• مكاسب التعلّم
• السلوكية
• مطوّرو التقنية التعليمية
• أصول التدريس واستراتيجيات التعليم — مظلة: أصول التدريس واستراتيجيات التعليم في تعليم الذكاء الاصطناعي
• أصحاب المصلحة — مظلة: الناس والجماهير في تعليم الذكاء الاصطناعي (المتعلّمون، والمعلّمون، والمصمّمون، والإداريون، وواضعو السياسات)

المقالات المتصلة

• Powerful Learning with Emerging Technology — التعلّم القوي بالتقنية الناشئة
• Understanding the Role of Learning Analytics and Generative Artificial Intelligence on Decision-Making and Learning Design Practice in Higher Education — تحليلات التعلّم والذكاء الاصطناعي التوليدي في صناعة قرارات تصميم التعلّم
• Investigating the Role of Chatbots in Facilitating Learning Design — استخدام روبوت المحادثة في تصميم التعلّم: يتوقّف المصمّمون عند النواتج والتربية لا عند توليد المحتوى (Tang et al. 2026)
• Analyzing teacher-AI interaction patterns across teacher experience and AI proficiency in student-centered lesson design — أنماط تفاعل المعلّم مع الذكاء الاصطناعي في تصميم الدروس عبر الخبرة والإتقان (Choi et al. 2026)
• Artificial intelligence in higher education: a systematic review of its impact on student engagement and the mediating role of teaching methods — الذكاء الاصطناعي في التعليم العالي: المشاركة + الدور الوسيط لطرائق التدريس
• Curriculum as Code: An AI-Assisted Architecture for Instructional Design in STEM Education
• Collaborative Making of a Boundary Object for Classifying Generative AI Learning Activities — تصنيف (كائن حدودي) لتصنيف أنشطة تعلّم الذكاء الاصطناعي التوليدي
• Instructional Agents: Reducing Teaching Faculty Workload through Multi-Agent Instructional Design
• A didactical-driven teacher assistant for a dimensional modeling course
• The Role of Instructional Guidance in Generative AI-Assisted Learning: Empirical Evidence from Construction Engineering
• CourseBlueprint: A Structured Pipeline for Adaptive Pedagogical Video Generation Grounded in Course Corpora
• WIP: Bridging the Gap Between Instructional Design and Pedagogical Use: A Framework for Mathematics Educators
• CoTAL: Human-in-the-Loop Prompt Engineering for Generalizable Formative Assessment Scoring and Feedback
• Generative AI (GenAI) as a mindtool that supports generative learning (GL)
• LUDIA: A Design and Evidence Statement
• From Prompts to Verified Loops: The PCHL-HE Framework for Generative AI-Assisted Educational and Research Content Creation in Higher Education
• ISD-Agent-Bench: A Comprehensive Benchmark for Evaluating LLM-based Instructional Design Agents
• AI Web Agents Can Effectively Guide Lesson Design and Predict Student Outcomes — وكلاء الويب بالذكاء الاصطناعي: وكيل ويب مستقلّ يقوّم تصاميم الدروس ويتنبأ بتسرّب الطلاب قبل انخراطهم (Wang, Mitchell & Piech 2025)
• It's Not the Tool, It's the Task: A Framework for Cognitively Activated AI Augmentation in Physics Instruction — AIRIS: إطار لتعزيز الفيزياء بذكاء اصطناعي منشَّط معرفيًا
• Enabling Multi-Agent Systems as Learning Designers: Applying Learning Sciences to AI Instructional Design
• Modeling AI-TPACK in Practice: Insights from Teachers'' Multi-Agent Workflow Design
• Designing for Reach: Seven Levers and the Student Alone with AI — التصميم لأجل الوصول: سبع روافع والطالب وحده مع الذكاء الاصطناعي
• Empowering Educators: Operationalizing Age-Old Learning Principles Using AI
• When Saying No Makes Better Videos: Designing Dual Gatekeeping for Pedagogically Grounded AI Content Creation — حين يجعل قول «لا» فيديوهات أفضل: الحراسة المزدوجة لإنشاء محتوى ذكاء اصطناعي مرتكز تربويًا
• ProductiveMath: A Generative-AI-Powered App to Support Productive Failure Teaching — ProductiveMath: ذكاء اصطناعي لدعم تصميم مسائل الفشل المنتج
• The Intersection of Artificial Intelligence and Instructional Design Practice: A Systematic Review — الذكاء الاصطناعي وممارسة التصميم التعليمي: مراجعة منهجية (Kibar & Ilgaz 2026)
• Intelligent tutoring in dynamic domains: a graph-based system for comparative analysis of adaptive algorithms — التدريس الخصوصي الذكي المبني على الرسوم البيانية للمجالات الديناميكية (2026)
• Making AI Annoying on Purpose: When Helpful Tools Don't Always Help — جعل الذكاء الاصطناعي مزعجًا عن قصد: القيد في الكتابة المدعومة بالذكاء الاصطناعي (Konradt, Boote & Taub 2026)
• Improving Instructional Design Proficiency of Master's Students in Mathematics Education Through Intelligent Educational Technologies — نموذج الصفوف الذكية ودورة D-T-E لتحسين كفاءة تصميم التعليم في الرياضيات لطلاب ماجستير التربية (Zhu et al. 2026)
• Creating an AI-powered platform for generating modelling problems: A case study on direct variation in secondary school mathematics — منصة بذكاء اصطناعي تُولّد مسائل النمذجة الرياضية (ADDIE, RAG)
• Reimagining teacher-AI co-design in learning task design: trends and perspectives — التصميم المشترك بين المعلّم والذكاء الاصطناعي لمهامّ التعلّم: الاتجاهات والمنظورات (Wang et al. 2026)
• The Architecture of Roles in AI-Designed Group Activities: A comparative inductive analysis of novice and experienced teachers' differentiated instruction within the IAT framework — معمارية الأدوار في الأنشطة الجماعية المتمايزة المصمّمة بالذكاء الاصطناعي (Talebzadeh 2026)
• From evaluation to emulation: LLMs as agents of iterative pedagogical design — النماذج اللغوية الكبيرة كوكلاء للتصميم التربوي التكراري