قاعدة المعارف AIEdAIEd KB
في هذه الصفحة

هذه الصفحة مترجمة إلى العربية. أما صفحات المقالات فهي لا تزال مكتوبة بالإنجليزية. اقرأ هذه الصفحة بالإنجليزية

المفاهيم

تعلّم الآلة

تاريخ الإنشاء 2026-10-12

ترجمة آلية للصفحة الإنجليزية، لم يراجعها بعد متحدث أصلي.

تعلّم الآلة — الأساس التقني للذكاء الاصطناعي في التعليم: خوارزميات تستنبط الأنماط والتنبؤات والسياسات من البيانات التعليمية بدلاً من القواعد المكتوبة يدوياً. وهو يمتدّ من التعلّم المُوجَّه (تصنيف الطلاب المعرّضين للخطر، والتنبؤ بالدرجات)، والتعلّم غير المُوجَّه (اكتشاف تجمّعات المتعلّمين)، والتعلّم المعزّز (استحداث سياسات التدريس والسقالة)، والتعلّم العميق (النماذج العصبية للتسلسلات والمقررات والسلوك البصري). فالذكاء الاصطناعي التوليدي هو أحدث المجموعات الفرعية وأكثرها ظهوراً، لكنه يجلس فوق كومة أقدم بكثير من الآلات التنبؤية والتكيّفية.

أسئلة للنقاش

  • لقد صادفت على الأرجح أنظمة توصية أو درجات مخاطر «تعلّمت» من البيانات. فما مدى ارتياحك لنموذج يقرّر أمراً بشأنك (مثل علم خطر أو مسار موصى به) بناءً على أنماط في بيانات تاريخية فحسب؟
  • ترسم الصفحة خطاً حاداً بين التنبؤ بخطر والتدخّل فعلاً — فدرجة الخطر تُخبرك أن طالباً قد يرسب، لكنها لا تُخبرك بما ينبغي فعله بشأن ذلك. فأين رأيت تنبؤاً يُقدَّم كأنه حلٌّ بالفعل؟
  • يمكن لتعلّم الآلة أن «يخترق» مكافأته: فمدرّس ذكاء اصطناعي يُحسّن المشاركة يمكن أن يُبقي الطلاب مسرورين مع تعليمهم القليل. فإذا بدا النظام ناجحاً قياسياً لكنه ضارّ بيداغوجياً، فما المقاييس التي ينبغي أن نراقب إلى جانب الرقم الذي يُحسّنه؟
  • قد تُشفّر النماذج التنبؤية المدرَّبة على الدرجات التاريخية انحيازاً منهجياً، وترفع المراقبة الآلية مخاطر الإيجابية الكاذبة التي تُرفع علمها بخطأ على السلوك الطبيعي. فعندما تحمل البيانات انحيازات الماضي، فما مقدار الثقة التي ينبغي أن نوليها لذكاء اصطناعي يستخدمها لاتخاذ قرارات تعليمية عالية الرهان؟
  • بعض أنظمة الذكاء الاصطناعي تتفوّق على المناهج القابلة للتفسير بشرياً لكنها تظل معتمة — فترى أنها تعمل لكنك لا ترى السبب. ففي التعليم، متى تكون القابلية للتفسير «ميزة مرغوبة» ومتى تكون غير قابلة للتفاوض؟
  • يُعالج الذكاء الاصطناعي التوليدي غالباً كأنه جديد تماماً، لكن الصفحة تؤطّره كأحدث مجموعة فرعية من تعلّم الآلة. فكيف يُغيّر رؤية ChatGPT كجزء من الآلات التنبؤية والتكيّفية نفسها المخاطر والحدود التي تتوقّع أن يرثها؟

مقدمة

تعلّم الآلة هو ما يحوّل الآثار التعليمية إلى ذكاء قابل للتصرف. فهو يشغّل نماذج الطلاب الكامنة خلف الأنظمة التكيّفية، ولوحات تحليلات التعلّم التي ترفع علمها على المتعلّمين المعرّضين للخطر، والمدرّسين الأذكياء الذين يختارون المسألة أو السقالة التالية، وأنظمة المراقبة الآلية التي تراقب الامتحانات عن بعد. وبين المقالات المُركَّبة هنا، النمط ثابت: اجمع بيانات عن المتعلّمين، وتعلّم نموذجاً تنبوئياً أو قرارياً منها، وتصرّف بناءً على ذلك النموذج — سواء كان التصرّف إنذاراً مبكراً، أو توصية بمقرر، أو سقالة تكيّفية، أو رقابة على الامتحان.

ما يفعله تعلّم الآلة في التعليم

النمذجة التنبؤية لنجاح الطالب. تُحدّد المُصنِّفات المُوجَّهة — الانحدار اللوجستي، والغابة العشوائية، وآلة المتجهات الداعمة، وأقرب الجيران إلى الحالة K — الطلاب المعرّضين للخطر قبل انسحابهم، باستخدام سجلات الأداء الأكاديمي والديموغرافيا والتسجيل. وتذهب المعماريات الأكثر تقدماً أبعد من ذلك: فمحوّل TRACE يتنبأ مشتركاً بالمقررات التي سيدرسها الطالب والدرجات التي سيحصل عليها في الفصل التالي، بما يُنمذج تزامن المقررات المدروسة معاً بدلاً من معاملة التاريخ كتسلسل مسطّح. وتجمع الهجائن المكوّنة من محسِّن وتسلسل، مثل إطار DMO-GRU في التعلّم التفاعلي عبر الإنترنت، اختيار الخصائص التلقائي وضبط المُعاملات الفائقة مع الشبكات المتكررة للوصول إلى دقة عالية وخطأ منخفض في التنبؤ بـالمشاركة والأداء. والطموح المشترك هو «التعليم الدقيق»: طبقات مخاطر متصلة وتوأمات رقمية للطلاب تتوقّع الفشل وتوائم المسارات مع النتائج، بما ينقل المؤسسات من المعالجة الانعكاسية إلى الدعم الوقائي. والنماذج ذات الصندوق الزجاجي تستطيع الصمود هنا: يُظهر Zhang, Jeffries & Koprinska (2025) أن أشجار القرار القابلة للتفسير جوهرياً — المقلَّمة إلى 3–5 عُقد ورقية فقط باختيار الخصائص — تتنبأ بتقدّم الطلاب على مستوى الوحدة في مقررات البرمجة عبر الإنترنت واسعة النطاق بدقة الغابات العشوائية وآلات المتجهات الداعمة ذات الصندوق الأسود (دقة 85–91%)، وهو دليل على أن القابلية للتفسير لا يلزم التضحية بها مقابل القدرة التنبؤية في تطبيقات الإنذار المبكر. وتُثبت النماذج الشجرية فعاليتها كذلك في تقدير صعوبة البنود: فقد أدخل Razavi and Powers (2026) خصائص معرفية ولغوية مستخرَجة بالنماذج اللغوية الكبيرة في غابات عشوائية وآلات تعزيز تدرّجي للتنبؤ بصعوبة بنود الرياضيات والقراءة للمرحلة K-5 (N = 5170)، فوصلوا إلى ارتباطات تصل إلى r = 0.87 مع RMSE/MAE أدنى من تقديرات النماذج اللغوية الكبيرة المباشرة، والمنحدرات الوهمية، وأسس TF-IDF، والنماذج المقتصرة على البيانات الوصفية. وأنتجت النماذج الشجرية أيضاً أهمية خصائص قابلة للتفسير — كانت المرحلة الدراسية وعدد الكلمات المتنبئين الأبرز — مما يُظهر كيف يمكن للخصائص البنيوية زائد المتعلّمين القابلين للتفسير أن تتفوّق على حكم شامل واحد. ويمدّ اندماج الذكاء الاصطناعي متعدد الوسائط المتعدد الأنماط هذه العدّة التنبؤية: فيندمج Bird (2026) محوّل ELECTRA المضبوط بدقة مع شبكة عصبية عميقة مُبحَث عنها فوق خصائص لغوية حاسوبية لتصنيف الأدب الإنجليزي حسب المرحلة المفتاحية في المملكة المتحدة بمقياس F1 يبلغ 0.996 — وهو أعلى بكثير من أفضل محوّل أحادي النمط (BERT، 0.75) وأفضل شبكة خصائص لغوية (0.392) — حالة ملموسة حيث يتفوّق جمع عائلات النماذج على أي مقاربة واحدة. أما Sukoon (Bashir & Afzal, 2026) فهي حالة تطبيقية مدمجة للتصنيف المُوجَّه في مجال دعم الرفاه المجاور للتعليم: غابة عشوائية (100 مقدّر) على 20 خاصية من الأبعاد النفسية والفسيولوجية والبيئية والأكاديمية والاجتماعية لاستقصاء إجهاد طلابي بـ1,100 استجابة، مدرَّبة على تقسيم طبقي 70/15/15 مع مُطبِّع مُلائم على بيانات التدريب فقط لتجنّب التسريب، ومُقارَنة بآلة متجهات داعمة على التقسيمات نفسها (دقة 89.09% مقابل 88.48%). ومن التفاصيل التي تستحق الانتباه: يُفسّر المؤلفون مصفوفة الالتباس بـاتجاه الخطأ — فخطأ النموذج الرئيسي كان تصنيف الإجهاد المنخفض كمتوسط، وهو ما يوجّه الطالب في نشر نظام العافية إلى مزيد من الدعم لا إلى أقل — ويستخدمون أهمية الخصائص الأصلية كنتيجة جوهرية (ضغط الدم 15.6%، علاقة المدرّس بالطالب 10.0%)، مع اعترافهم بأن تقسيماً طبقياً واحداً، دون فترات بالتصادف K، ومجموعة بيانات غير ممثّلية، يحدّان من ثقة تلك الأوزان.

التعليم التكيّفي والتدريس. يغلق تعلّم الآلة الحلقة بين النمذجة والتدريس. ففي أنظمة التدريس الذكية، اختار كلاًّ من إرشادي تتبّع المعرفة البايزي وسياسة تعلّم التعزيز التعلم المعزّز العميقة أنواع الأمثلة المُنجَزة بشكل تكيّفي لاستثارة مستويات مختلفة من المشاركة المعرفية، بما يُحسّن أداء الاختبار البعدي بشكل دال مقارنةً بمجموعة ضابطة غير تكيّفية — بينما تباعدت السياستان بحسب المعرفة السابقة للمتعلّم، بما يطرح أسئلة قابلية للتفسير. ويقوم التعلم المعزّز كذلك على أجندة الأمان البيداغوجي: فمدرّس التعلم المعزّز يُحسّن مكافأة بديلة، فيمكنه «اختراق» تلك المكافأة (بزيادة المشاركة مع تعليم القليل)، والحاجة ماسّة إلى قيود معمارية على إنفاذ المتطلبات السابقة والحد الأدنى من الطلب المعرفي لإبقائه آمناً. وتُظهر البرامج التكيّفية الأخف، مثل نظام STEM القائم على القواعد في علوم الصف السادس، أن تعلّم الآلة يمكن استخدامه بمُقتصد — للمراقبة لا للتحكم المباشر في المسار — مع دعمه مع ذلك للتعلّم العميق.

وفي جانب تتبّع المعرفة، يُظهر Pradeesh et al. (2026) أن نموذجاً متكرراً يمكن ضبطه على بنية منهاج معيّن: فنموذج OKT يعامل مخرجات مقررات التعليم القائم على النتائج كمفاهيم معرفية، ويربط خرائط ألفة OBE المُصدَّقة من الخبراء (العلاقات بين مخرجات المقرر والبرنامج) مع شبكة عصبية معزوزة الذاكرة لأثر المخرجات المتقاطع، ويزامن عمود GRU الفقري مع تعبيرات BERT المُكيّفة للمجال — فوصل إلى AUC قدره 89.81% وتفوّق على DKT، وDKVMN، وEKT، وSimpleKT على بيانات برامج هندسية حيّة.

التشخيص من الأجوبة العددية الجدولية. يُظهر Yin et al. (2026) أشجاراً معزوزة التدرّج تحلّ جانب التشخيص في التدريس في مجال دراسي ظلّ طويلاً مغلقاً أمام الذكاء الاصطناعي: فبالنسبة لأسئلة الصيغ المحسوبة في الاقتصاد الهندسي، حيث تفتقر حلول الطلاب المكتوبة بخط اليد إلى بيانات رقمية بنيوية، يدرّبون عموداً فقرياً متعدد الأوسمة من نوع XGBoost مخصصاً لكل سؤال لربط الأجوبة العددية الوسيطة والنهائية المُقدَّمة بأوسمة أخطاء مُعايير المدرّس (دقة متوسطة 0.81، استدعاء 0.79، صحة 0.65). وتحسين بيانات حجب عشوائي — بحجب خصائص المُدخل إلى «NaN» باحتمالات مختلفة — يحفظ التبعيات المنطقية للحلول الجدولية أفضل من طرق الاستكمال مثل SMOTE ويُحسّن التشخيص بشكل دال، وإدراج الأجوبة الوسيطة هو الأكثر نفعاً. وهذا دليل على أن النماذج الشجرية زائد التحسين الواعي بالبنية يمكنها تدشين التغذية الراجعة التعليمية حيث تفتقر المناهج التوليدية إلى بيانات التدريب.

ويُقدّم المنظور الميداني للمجموعة الفرعية من التعلم المعزّز مراجعة Riedmann, Schaper & Lugrin (2025) المنهجية لـ89 دراسة في التعليم المعزّز: فهي تُؤكّد أن التعلم المعزّز سلالة كبرى في تعلّم الآلة لاستحداث سياسات التدريس والسقالة التكيّفية، لكنها تجد المناهج الكلاسيكية (التعلّم Q) أكثر فعالية ثباتاً من التعلم المعزّز العميق (61% مقابل 36% تفوّق دال) وتُشير إلى أن أكثر من نصف الدراسات لا تُجري أي اختبار إحصائي — وهو تحفّظ منهجي يطابق هموم التحقق أدناه.

من التنبؤ إلى الفعل والمساءلة. من القيود الدائمة الفجوة بين درجة الخطر والتدخّل الممكن. ويربط إطار SC2R نموذجاً تنبوئياً معايَراً بتوليد اللجوء ببرمجة عددية وتحقق دلالي، بما يُنتج خطط تدخّل تحترم قيود التوقيت والميزانية والإتاحة بدلاً من كونها صحيحة بالنسبة للنموذج فحسب. وهذه النقلة «ما بعد التنبؤ» نحو توصيات تحترم القيود وقابلة للتحقق آلياً هي استجابة الميدان للتهمة بأن التنبؤ بالذكاء الاصطناعي في التعليم قد يوصي بأفعال لا تستطيع المؤسسات اتخاذها أو ينبغي ألا تتخذها.

تعلّم الآلة في المراقبة

من التطبيقات المتميّزة المراقبة الآلية للامتحانات. فأنظمة التعلّم العميق — الشبكات العصبية التلافيفية والشبكات العصبية المتكررة/طويلة الذاكرة القصيرة التي تُحلّل حركات العين ووضعية الرأس وتعبيرات الوجه — تكشف الغش بثقة أكبر من المراقبة التقليدية، لكن المراجعة المنهجية التي امتدت لعقد تجد قيوداً دائمة في مجموعات البيانات، وتقييمات أحادية النموذج، وفجوات في قابلية الاستنساخ، ومخاطر إيجابية كاذبة قد ترفع علمها بخطأ على السلوك الطبيعي. وتوثّق المراجعة المصاحبة للتحايل الأكاديمي أساليب الغش التي يجب أن تُجاهد تلك الأنظمة (انتحال الهوية، واستخدام المتصفح، والنسخ واللصق) والأعباء العملية — التكلفة، والاتصالية، وقلق متخذي الاختبار — التي تحدّ من إنصافها. ومعاً تُحذّر بأن المراقبة بتعلّم الآلة يجب أن تُقرَن بتصميم يحفظ الخصوصية وواعٍ بالسياق وببدائل متاحة.

الحدود والهموم الأخلاقية

الأدبيات المُركَّبة صريحة بشأن حدود تعلّم الآلة. فالمكاسب تأتي غالباً من بيانات المعيار المرجعي (Benchmark) أو من مؤسسة واحدة وقد لا تُعمَّم دون إعادة تدريب؛ ويعترف SC2R وTRACE بذلك كليهما. وقد تُشفّر النماذج التنبؤية المدرَّبة على التصحيح التاريخي انحيازاً منهجياً، وتُثير درجات المخاطر المطبَّقة على بيانات الطلاب الحساسة هموم الخصوصية والإنصاف التي تقتضي حوكمة الذكاء الاصطناعي وإشرافاً بشرياً. والقابلية للتفسير توتر متكرّر — فسياسات التعلم المعزّز قد تتفوّق على الإرشادات القابلة للتفسير مع بقائها معتمة. واختراق المكافأة يُظهر أن نظام تعلّم آلة قد يكون ناجحاً قياسياً وضارّاً بيداغوجياً، ولهذا تهمّ قيود الأمان المعمارية وبنية التدقيق التحتية.

وممارسة التحقق مصدر آخر للثقة المفرطة. يُظهر Schuetze, Yan, and Carvalho (2025) أن نماذج تتبّع المعرفة (BKT، وBKT-مع-النسيان، وAFM) تبدو كأنها تلتقط اتجاهات التعلّم حين تُلائم بأثر رجعي على كل الجلسات المتاحة، لكنها تحت التحقق المتقاطع المعتمد على الوقت (السير إلى الأمام) — أي التدريب على الجلسات الأقدم للتنبؤ بالأحدث، بما يعكس النشر الفعلي — تُقدّر الأداء المستقبلي تقديراً زائداً، وتفوّت أثر التباعد، وتُرتّب ظروف الممارسة ترتيباً خاطئاً؛ حتى إن النماذج الخالية من النسيان طابقت تلك المعزوزة بالنسيان، مما يشير إلى أن النسيان تم امتصاصه في مُعاملات أخرى لا تعلّمه. فعند فصل توزيعي التدريب والنشر زمنياً — وهو القاعدة بالنسبة لبيانات الطلاب الطولية — لا يكون الملاءمة القوية داخل العيّنة أو الأثر الرجعي ضماناً للصلاحية التنبؤية.

الذكاء الاصطناعي التوليدي كمجموعة فرعية

الذكاء الاصطناعي التوليدي — النماذج اللغوية الكبيرة وأنظمة LLM ذات الصلة — يُفهم على أحسن وجه كمجموعة فرعية من تعلّم الآلة: الأسس العصبية والتدريبية نفسها، لكنها مطبَّقة على توليد المحتوى (الشروح، والتغذية الراجعة، والحوار) لا على التصنيف أو التنبؤ. فهو يرث هموم الصلاحية والانحياز والأمان في الميدان مع إضافة هموم جديدة مثل الهلوسة. وبالنسبة لأغراض قاعدة المعارف هذه، فإن تعلّم الآلة هو المظلة التقنية الأوسع؛ والذكاء الاصطناعي التوليدي هو فرعه المعاصر الأكثر ظهوراً.

تعليم المدرّسين وثقافة تعلّم الآلة

يظهر تعلّم الآلة في التعليم كـموضوع كذلك. ففي تدريب المدرّسين الابتدائي، حسّنت تدخلات البرمجة العملية والروبوتية باستخدام Micro:bit ومشاريج تصنيف الصور المُوجَّهة معرفة المدرّسين قبل الخدمة بالمفاهيم الحاسوبية وتعلّم الآلة التمهيدي واتجاهاتهم نحو تدريسها بشكل دال. ومع دخول ثقافة الذكاء الاصطناعي المناهج، يصبح تزويد المدرّسين بفكرة عملية عن تعلّم الآلة شرطاً مسبقاً لتدريسه للطلاب. ومسار متباين يبلغ المفاهيم نفسها دون أي برنامج: ففي التطوير المهني عبر الإنترنت لدى Sung and Gunpinar's (2026)، بنى عشرة معلمين من K-12 «مصفوفة خصائص قابلة للتفسير» بخط اليد — جدول نعم/لا لخصائص الشكل هو المُصنِّف، قابل للاختبار والمراجعة لا معتماً — مع لعبة الترتيب لدى Code.org وGoogle Slides كأداتين وحيدتين. فارتفعت كفاءتهم الذاتية في الذكاء الاصطناعي من دون المتوسط (M = 3.13) إلى فوق المتوسط (M = 3.71) وانخفضت الواصفات السلبية في مهمة اقتران الكلمات من 30% من المشاركين إلى لا شيء، رغم أن الدليل ضئيل وغير مضبوط ومُبلَّغ عنه ذاتياً بالكامل.

المفاهيم المرتبطة

المقالات المرتبطة

البيانات الوصفية

التقنيات والأساليبالتقنيات, الذكاء الاصطناعي التوليدي, تحليلات التعلّم, تعلّم الآلة, نمذجة المتعلّم والتعليم التكيّفي
SourceHistoryEditChat

ضمّن هذه الصفحة

انسخ الشيفرة أدناه لتضمين هذه الصفحة في نظام إدارة التعلم أو أي موقع آخر. الإصدار المُضمَّن يعرض محتوى الصفحة فقط — فهو يُخفي ترويسة الموقع وقائمة التنقل وتذييله.