نظريات التعلُّم

ترجمة آلية للصفحة الإنجليزية، لم يراجعها بعد متحدث أصلي.

نظريات التعلُّم — عائلة الأطر التي تفسّر كيف يحدث التعلُّم، والمفهوم المظلي لأفكار قاعدة المعارف المرتبطة بالنظرية. في الذكاء الاصطناعي في التعليم، تشكّل نظريات التعلُّم كيفية تصميم أنظمة الذكاء الاصطناعي (البيداغوجيا التي تجسّدها) وكيف يفسّر الميدان ما إذا كان الذكاء الاصطناعي "يعمل": فالأداة نفسها قد تكون سقالةً تحت افتراضات البنائية، أو محرّك تعزيز تحت السلوكية، أو خطر حمل معرفي تحت نظرية الحمل المعرفي.

أسئلة تستحق النظر

• فكّر في مدرّب ذكاء اصطناعي أو نظام تكيفي استخدمته أو رأيته. فما الافتراضات التي بناه عن كيفية تعلُّم الناس — هل كافأ الأجوبة الصحيحة (السلوكية)، أم بنى الفهم (البنائية)، أم أدار الجهد الذهني (الحمل المعرفي)؟ وهل ذكر بانيه تلك الافتراضات قط؟
• تصف الصفحة فجوة متكررة: فالخطاب يُعلن البنائية بينما تتخذ تطبيقات الذكاء الاصطناعي ميكانيكا الحفظ والتغذية الراجعة بديهيةً. فأين رأيتم أداة تدّعم التعلُّم العميق لكنها لا تفعل في الواقع سوى تعزيز الاستجابات السطحية؟
• قد تبدو أداة الذكاء الاصطناعي نفسها نجاحًا تحت نظرية واحدة وفشلًا تحت أخرى — فدرجات الواجبات المنفوخة تُقرأ تعلُّمًا تحت السلوكية لكنها فشلٌ في بناء فهم دائم تحت البنائية. فأي عدسة أنصف في الحكم على ما إذا كان الطلاب قد تعلّموا فعلًا؟
• لأن كل مدرّب ذكاء اصطناعي يجسّد نظرية سواء قال مصمّموه ذلك أم لم يقولوا، فقد يكون "هل يعمل؟" هو السؤال الخطأ. فما السؤال الأفضل الذي يُسأل عن ذكاء اصطناعي تعليمي، بالنظر إلى النظريات التي قد يجسّدها؟
• يدفع الذكاء الاصطناعي التوليدي المربّين للنظر في نظريات جديدة — كالتعلُّم بوصفه بناءً مشتركًا تكراريًا بين البشر والذكاء الاصطناعي، أو الذكاء الاصطناعي شريكًا معرفيًا على امتداد العمر. فهل يتطلب صعود الذكاء الاصطناعي نظريات تعلُّم جديدة حقًا، أم أن القائمة منها لا تزال تكفي؟
• إن قياس مكاسب التعلُّم "محمَّل بالنظرية" بذاته: فأداة قياس مبنية على نظرية واحدة قد لا تلتقط المكاسب التي تتنبأ بها أخرى. فكيف قد ينظر باحثان بالتزاماتهما النظرية المختلفة إلى البيانات ذاتها ويصلان إلى استنتاجين متضادين بشأن ما إذا كانت أداة ذكاء اصطناعي قد نجحت؟

مقدمة

هذا هو المفهوم المظلي لخيط نظريات التعلُّم في قاعدة المعارف. وتقبع نظريات التعلُّم في قلب الذكاء الاصطناعي في التعليم لأن كل مدرّب ذكاء اصطناعي ونظام تكيفي وأداة تغذية راجعة يجسّد افتراضات عن كيفية تعلُّم الناس — سواء أعلنها مصمّموه أم لم يعلنوها. وتوثّق قاعدة المعارف هذه النظريات فرادىً وتتعامل معها بوصفها العدسة المفاهيمية التي يُقيَّم عبرها تصميم الذكاء الاصطناعي وآثاره. وميدان البحث الذي يختبر تلك الأطر صفحة منفصلة: إذ تدرس علوم التعلُّم التعلُّم تجريبيًا — تجارب، وتجارب صفّية، وبحث قائم على التصميم — وتتعامل مع النظرية بوصفها شيئًا يُؤكَّد أو يُكذَّب، بينما تجمع هذه الصفحة الأطر ذاتها؛ ويُبقى التعبيران متمايزين في قاعدة المعارف هذه، حيث تسمّي "علم التعلُّم" المفرد خيط النظرية هذا.

مشهد نظريات التعلُّم

توثّق قاعدة المعارف عائلات عدة من نظريات التعلُّم، لكلٍّ منها مفاهيمها:

• النظريات الكلاسيكية. السلوكية (التعلُّم كتغيّر سلوكي ملاحظ عبر التعزيز والحفظ والتدريب) والبنائية (التعلُّم كبناء نشط للمعارف) هما القطبان اللذان يتكرران أكثر ما تتكرران في أبحاث الذكاء الاصطناعي. ويفرض الميدان كثيرًا فجوة "بنائية بالاسم، سلوكية في الممارسة"، حيث يُعلن الخطاب البناء بينما تتخذ تطبيقات الذكاء الاصطناعي ميكانيكا الحفظ والتغذية الراجعة بديهيةً.(Artificial intelligence in vocational education and training: A systematic review of educational purposes, theoretical conceptualizations, and empirical effectiveness) والمعرفية هي القطب الكلاسيكي الثالث — التعلُّم كتغيّر في التمثيلات الذهنية الداخلية — والنظرية الأكثر مسؤولية عن مساهمات AIED المميزة (تتبّع المعرفة، التشخيص المعرفي، نمذجة المتعلّم والتعليم التكيّفي، التدريس الذكي).
• النظريات الاجتماعية-الثقافية والنمائية. يذهب التعلُّم الاجتماعي-الثقافي إلى أن التعلُّم والتطور ينشآن عبر المشاركة الاجتماعية ويتوسطهما أدوات ثقافية وآخرون أعلم معرفةً — ممتدًا على منطقة التطور القريب، والسقالة، والتدريب المهني، ومجتمعات الممارسة، والإدراك الموزّع. وفي عصر الذكاء الاصطناعي، يُؤطَّر الذكاء الاصطناعي التوليدي تأطيرًا متزايدًا بوصفه وكيلًا وسيطًا يتوسط النشاط ويولّد مساهمات عرضية للتفاعل.(Generative AI as a Mediational Agent: Rethinking Learning in Sociocultural Theory)
• الإدراك والمعمارية المعرفية. علم النفس المعرفي / المعرفية هو المظلة لهذه العائلة: فالمعرفية / المعرفية نظرية الحمل المعرفي (كيف تشكّل حدود الذاكرة العاملة التعليم)، ونظرية العملية المزدوجة (المعالجة الحدسية السريعة مقابل التداولية البطيئة)، وما وراء المعرفة (مراقبة تنظيم تعلّم المرء ذاته وضبطه) تفسّر الآليات الداخلية* التي تُشركها أدوات الذكاء الاصطناعي أو تتجاوزها.
• الدافع والتوجيه الذاتي. نظرية تحديد الذات (الاستقلال، والكفاءة، والارتباط)، والكفاءة الذاتية (الثقة في قدرة المرء)، والتعلّم موجّه الذات (تحديد الأهداف، والمراقبة، والتعديل)، والتحفيز تفسّر لماذا ينخرط المتعلّمون مع الذكاء الاصطناعي بالطريقة التي ينخرطون بها.
• سياق التعلُّم والنشاط. التعلّم التجريبي، والتعلُّم النشط، والتعلّم القائم على المشاريع، والتعلّم التعاوني، ونقل التعلّم، والصعوبات المرغوبة، والتعلّم التجسيدي تصف أنواع النشاط والسياق التي تنتج تعلُّمًا دائمًا.

نظريات التعلُّم ومكاسب التعلُّم

تُقيَّم نظريات التعلُّم في نهاية المطاف بنتائجها، ومفهوم مكاسب التعلّم في قاعدة المعارف هو حيث تلتقي النظرية بالدليل. ولكل نظرية تنبؤ مختلف بشأن ما يُحسب تعلُّمًا وكيف يُقاس: فالسّلوكية تتنبأ بمكاسب أداء ملاحظة في مهام الحفظ والتغذية الراجعة؛ والبنائية تتنبأ بفهم أعمق ينتقل إلى مشكلات جديدة؛ والنظرية الاجتماعية-الثقافية تتنبأ بمكاسب في المشاركة وحل المشكلات المتوسط؛ ونظرية الحمل المعرفي تتنبأ بمكاسب فقط حين يحترم التعليم حدود الذاكرة العاملة. ولهذا فإن قياس مكاسب التعلّم محمَّل بالنظرية — فأداة مبنية على نظرية واحدة قد لا تلتقط المكاسب التي تتنبأ بها أخرى. وفي عصر الذكاء الاصطناعي، يمكن قراءة التباعد الحاد بين الأداء المعان من الذكاء الاصطناعي ومكاسب التعلُّم غير المعان (انظر Faster Completion, Less Learning: Generative AI Reduced Study Time on Math Problems and the Knowledge They Build، The Generative AI Learning Penalty: Evidence from Chinese Secondary Education) عبر هذه العدسة: فالقراءة السلوكية ترى درجات واجبات منفوخة نجاحًا، بينما ترى القراءة البنائية، المركّزة على الفهم الدائم، الدليل نفسه فشلًا في التعلُّم. وربط النظريات بـالتقييم والنتائج المقيسة هو بالتالي أساسي لتقرير أي عدسة نظرية يرضيها نظام ذكاء اصطناعي معين فعلًا.

لماذا تهمّ نظريات التعلُّم للذكاء الاصطناعي في التعليم

تهمّ نظريات التعلُّم لثلاثة أسباب:

• إنها تتنبأ بآثار الذكاء الاصطناعي. فما إذا كانت أداة ذكاء اصطناعي تحسّن التعلُّم أو تضرّه يعتمد على الآلية التي تنشّطها. فالمدرّب الذي يسلم الأجوبة يضرّ تحت عدسة بنائية (فهو يتجاوز البناء)، ويكون محايدًا تحت السلوكية (فهو يعزّز)، ويثير مخاوف الحمل المعرفي (فهو يُفرِغ الحمل بدل أن يبني). ويلتقط مفهومَا التفريغ المعرفي والاعتماد المفرط في قاعدة المعارف الجانب الخطر من ذلك.
• إنها تكشف فجوة النظرية-الممارسة. فيجد العمل التجريبي باطراد أن تطبيقات الذكاء الاصطناعي تجسّد نظريات غير التي يُعلنها الخطاب — وبالأخصّ لغة بنائية مقترنة بميكانيكا سلوكية للحفظ والتدريب.(Artificial intelligence in vocational education and training: A systematic review of educational purposes, theoretical conceptualizations, and empirical effectiveness) ولهذا يقتضي تقييم الذكاء الاصطناعي السؤال عن أي نظرية يجسّدها نظامٌ فعلًا، لا ما إذا كان "يعمل" فحسب.
• إنها تُعاد صياغتها بنشاط. فالذكاء الاصطناعي التوليدي يدفع المربّين لمراجعة ما إذا كانت النظريات الكلاسيكية تكفي. ويقترح التوليدية أن التعلُّم في عصر الذكاء الاصطناعي يحدث تزايدًا عبر بناء مشترك تكراري بين متعلّمين بشريين وأنظمة ذكاء اصطناعي، ممتدًا الكلاسيكيات الأربع (السلوكية، والمعرفية، والبنائية، والوصلية) لا محلها.(Generativism: Toward a Learning Theory for the Age of Generative Artificial Intelligence)

اتجاهات نظرية جديدة من أعمال AIED الحديثة

توسّع الأعمال النظرية الحديثة الخيط الكلاسيكي في عدة اتجاهات، كلٌّ منها يعيد تمركز العلاقة بين الإنسان والذكاء الاصطناعي بدل معاملة الذكاء الاصطناعي أداةً محايدة:

• التنظيم المشترك بين الإنسان والذكاء الاصطناعي (Human–AI co-تنظيم الذكاء الاصطناعي في التعليم). يضع إطار نمائي الذكاء الاصطناعي لا بوصفه أداةً خارجية بل شريكًا معرفيًا ينظّم التفكير والتعلُّم والتحكم الذاتي تنظيمًا مشتركًا على امتداد العمر.(Artificial intelligence as a cognitive partner: a developmental framework for human-AI co-regulation in learning) واستنادًا إلى الوظيفة التنفيذية وما وراء المعرفة والإدراك الموزّع والتطور الاجتماعي-الثقافي، يُمثّل الذكاء الاصطناعي في أربعة أدوار — سقالة، ودعم ما وراء معرفي، ونظام ذاكرة خارجية / التفريغ المعرفي، وشريك قرار — ويكون الإطار أشدّ صلةً من منتصف الطفولة فصاعدًا.

• الإدراك الجماعي (Ensemble Cognition). يعيد إطار فلسفي تصوّر التفكير بوصفه ناشئًا من تفاعلات ديناميكية بين وكلاء بشريين ووكلاء اصطناعيين لا مقيمًا في عقول أفراد فحسب.(Towards a philosophy of ensemble cognition: Reconceptualising agency and mind in AI-mediated educational environments) وهو يتحدّى "نموذج الوعي" (افتراضات الاستقلال، والوعي، والثبات) ويُفصّل خمس سمات — الوكالية الموزّعة، والمركزية الديناميكية، والتنسيق المعرفي، والتكامل متعدد التمثيلات، والتحويل الحساس للسياق — مفرّقًا الوكالية الوظيفية للذكاء الاصطناعي من المسؤولية الأخلاقية.

• النمو الموجَّه ذاتيًا / A2PL. يدمج امتداد لـالتعلُّم الموجَّه ذاتيًا الذكاء الاصطناعي التوليدي بـتحليلات التعلُّم لتنمية النمو الموجَّه ذاتيًا، مُشغَّلًا عبر نموذج السعي إلى الإمكانات للمتعلّمين (A2PL).(Fostering Self-Directed Growth with Generative AI: Toward a New Learning Analytics Framework) وهو يعيد تشكيل تطلعات المتعلّم (إنسانية)، والتفكير المعقّد (بنائية)، والتقييم الذاتي (براغماتي) في كفاءة واحدة، موضعًا GAI سقالةً تعاونية غير إلزامية لا مزوّد محتوى.

• التعميم الخادع. يوسّع An, McLaren, and Stamper (2026) تقاليد ACT-R / المعرفة-التعلُّم-التعليم بنظرية وقت يُقنّع الفهم الشرطي غير المكتمل بالصحة المرصودة: فالمتعلّمون يُجمِّعون إنتاجًا معمّمًا يحذف قيد تطبيق ومع ذلك يؤدّي صوابًا — نمط فشل قد تفوته أنظمة التمكّن التكيفية، وحتى التعليم التقليدي، إلا إذا اختبرت متى يُحتفظ عن فعل.

• نظرية KLI القابلة للتنفيذ. يؤسّس Rachatasumrit, Koedinger & Carvalho (2025) إطار المعرفة-التعلُّم-التعليم في نموذج حاسوبي قابل للتنفيذ (إطار المتعلّم المتمرّن مع آلية ذاكرة بأسلوب ACT-R) يعيد إنتاج تفاعل تعالُق (cross-over) في بيانات بشرية: فالتدريب الخالص يعين حفظ الوقائع الحرفية (بتأخير النسيان) بينما يعين التدريب المدمج بالأمثلة استقراء المهارة المعمَّمة. ولأن KLI تربط المعرفة الثابتة (الواقعية) بعمليات الذاكرة والمعرفة المتغيرة (المهارية) بالاستقراء، فإن النتيجة تفاعل محتوى–معاملة متوقَّع لا تناقض بين توصيات الاختبار وأمثلة العمل — وينجاح النموذج فقط عند وجود آلية ذاكرة يُظهر أن التدريب والأمثلة يلعبان أدوارًا متميّزة مكمّلة.

• التجسيد كتحدٍّ أنطولوجي لنموذج الذكاء الاصطناعي. يجادل Videla, Penny and Ross (2026) بأن انقسامًا أنطولوجيًا يفصل الإدراك المجسَّد التفعيلي عن الأسلوب التمثيلي الذي يجسّده الذكاء الاصطناعي، فينبغي إزاحة الذكاء الاصطناعي عن مركزه المعرفي بدل معاملته أداةً محايدة.

كيف تنظّم قاعدة المعارف هذا الخيط

بدل معاملة نظريات التعلُّم فلسفةً مجرّدة، تؤسّس قاعدة المعارف كلًّا منها في أبحاث الذكاء الاصطناعي في التعليم التي تستخدمه. وتوثّق صفحتَا البنائية والسلوكية كيف تجسّد تصميمات الذكاء الاصطناعي كل نظرية (أو تخونها)؛ وتربط نظرية الحمل المعرفي والتعلّم موجّه الذات وما وراء المعرفة ونقل التعلّم النظرية بآليات الذكاء الاصطناعي ونتائجه المحدّدة. وهذا يحاكي كيف تعامل قاعدة المعارف مجالات مظلية أخرى كـالتغذية الراجعة والتقويم — نظام متماسك من المفاهيم المتفاعلة لا صفحات معزولة.

نظريات التعلُّم و"التعليم عن الذكاء الاصطناعي"

تظهر نظريات التعلُّم أيضًا محتوىً في مناهج ثقافة الذكاء الاصطناعي: يدرس المتعلّمون السلوكية والمعرفية والبنائية والوصلية لفهم الافتراضات البيداغوجية التي تقف خلف الأدوات التي يستخدمونها.(Generativism: Toward a Learning Theory for the Age of Generative Artificial Intelligence) وتعليم هذا الخيط يمنح الطلاب (والمربّين) المعجم الذي ينتقدون به لماذا تُبنى أداة ذكاء اصطناعي بالطريقة التي تُبنى بها — وهل تخدم ميكانيكاها هدف التعلُّم في موضع اليد.

• الوكيل الوسيط. يجادل Warschauer, Tate, and Ritchie (2026) بأن الذكاء الاصطناعي التوليدي يكسر التمييز الاجتماعي-الثقافي بين الوسائل الوسيطة والتفاعل الاجتماعي، مقترحين الوكيل الوسيط — نظام يتوسط الفعل ويولّد مساهمات عرضية غير خاضعة للمساءلة، شاغلًا فضاءً هجينًا بين أداة وشريك اجتماعي. وهذا يُنتج خمس عادات مشاركة تضع الإنسان أولًا (أولوية الإدراك البشري، والاندماج المقصود، والوكالية الإشرافية، واليقظة المعرفية، والتنظيم الذاتي التأملي).(Generative AI as a Mediational Agent: Rethinking Learning in Sociocultural Theory)

نظريات مقترحة لعصر الذكاء الاصطناعي

إلى جانب العائلات الكلاسيكية، توثّق قاعدة المعارف نظريات كُتبت خصيصًا للتعلُّم مع أنظمة الذكاء الاصطناعي، وهذه تحمل انعكاسات التصميم التي تتركها النظريات الأقدم مفتوحة. فـ Agentivism (Yan and Gašević 2026) مثال متوسط المدى: إذ يعرّف التعلُّم نموًّا دائمًا في القدرة البشرية لا إتمامًا ناجحًا للمهمة، ويسمّي أربع آليات (الوكالية المفوَّضة، والمراقبة المعرفية والتحقق، والاستدماج البنائي، والانتقال تحت دعم منقوص)، ويقرّر ست قضايا قابلة للاختبار، منها أن دعم الذكاء الاصطناعي الذي يحفظ مسؤولية المتعلّم عن تأطير المشكلة ووضع المعايير والتبرير ينتج تعلُّمًا أقوى من الدعم الذي يسلّم الأجوبة.

يُدلي Elsayed (2026) بـالتكافل البيداغوجي (Pedagogical Symbiosis) بزعم أنطولوجي أقوى: فالمتعلّم كيانٌ ما بعد بشري إدراكه هجين لا معان بالأدوات، منظَّم بأربعة مبادئ: إفراغ الحمل المعرفي والتعزيز، والبناء المعرفي المشترك، والتكافل ما وراء المعرفي، وتشكيل الهوية الديناميكي؛ مُشغَّلًا كسلم تقييم للمحفظة التكافلية ودور "المخرج المعرفي" للمدرّس؛ وهو غير مُختبر صراحةً.

المفاهيم المرتبطة

• السلوكية
• علم النفس المعرفي
• البنائية
• ما وراء المعرفة
• الإدراك الموزّع
• التعلّم موجّه الذات
• نظرية تحديد الذات
• الكفاءة الذاتية
• التحفيز
• التعلُّم الاجتماعي-الثقافي
• السقالة
• نقل التعلّم
• مكاسب التعلّم
• الصعوبات المرغوبة
• التعلُّم النشط
• التعلّم التجريبي
• التعلّم التعاوني
• التعلّم التجسيدي
• التفريغ المعرفي
• تصميم التعلّم
• علوم التعلّم
• فلسفة الذكاء الاصطناعي في التعليم
• الذكاء الاصطناعي في التعليم
• أصول التدريس واستراتيجيات التعليم — Umbrella: pedagogies and teaching strategies in AI education

المقالات المرتبطة

• Agentivism: a learning theory for the age of artificial intelligence — A mid-range learning theory for human-AI interaction, with four mechanisms and six testable propositions (Yan and Gašević 2026)

• Deceptive Overgeneralization: When Adaptive Learning Enables Systematic Misapplication — Deceptive overgeneralization: adaptive mastery can stop practice before learners know when to withhold an action (An, McLaren & Stamper 2026)

• AI-Augmented Inquiry and Regulation in Hybrid Systems: A Control Allocation Architecture for Preserving Epistemic Agency — AI-Augmented Inquiry and Regulation in Hybrid Systems (AIRIS)

• AI-Mediated Learning and the Restructuring of Interpretive Cognition: A Developmental-Critical Model for Social Sciences and Humanities Education

• Artificial intelligence as a cognitive partner: a developmental framework for human-AI co-regulation in learning — Positions AI as a cognitive partner in human-AI co-regulation; developmental framework across the lifespan

• Towards a philosophy of ensemble cognition: Reconceptualising agency and mind in AI-mediated educational environments — Ensemble Cognition: a philosophical framework reconceptualizing thinking as human–AI interaction

• Fostering Self-Directed Growth with Generative AI: Toward a New Learning Analytics Framework — Self-Directed Growth and the A2PL model extending self-directed learning with GenAI

• Generativism: Toward a Learning Theory for the Age of Generative Artificial Intelligence — Proposes a new learning theory for the generative AI age, revisiting the classical four

• Artificial intelligence in vocational education and training: A systematic review of educational purposes, theoretical conceptualizations, and empirical effectiveness — Documented the constructivism/behaviorism theory-practice gap in AI for VET

• Generative AI technologies and educational outcomes: a comprehensive meta-analysis comparing traditional and AI-driven approaches

• Pedagogical Symbiosis: conceptualizing the Post-Human Learner in the age of cognitive AI

• "If You Can't Dance Your Program, You Can't Write It": Challenges and Implications for AI in Education

• Generative AI as a Mediational Agent: Rethinking Learning in Sociocultural Theory — Generative AI as a Mediational Agent

• 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

• Evidence and Theory for why the Best Example-Problem Ratio To Optimize Learning Gain Depends on Knowledge Content