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

تحليل الشبكات

تاريخ الإنشاء 2026-10-12

ترجمة آلية للصفحة الإنجليزية، لم يراجعها بعد متحدث أصلي.

تحليل الشبكات — عائلة مناهج البحث التي تمثّل الكيانات (أشخاصاً أو مفاهيم أو أفعالاً أو ترميزات) بوصفها عقداً موصولة بـحواف تمثل العلاقات أو الانتقالات، ثم تحلل بنية الشبكة الناتجة وديناميتها لكشف أنماط غير مرئية لعدّ التكرارات أو المقارنات الثنائية. وفي بحوث الذكاء الاصطناعي في التعليم، يُستخدم تحليل الشبكات لرسم أنماط التفاعل بين المتعلمين وأدوات الذكاء الاصطناعي، ونمذجة كيف تتشارك عناصر المعرفة أو الخطاب في الحدوث، وتتبّع التسلسلات الزمنية للسلوك. وهو يتضمن صوراً متمايزة — تحليل الشبكات المعرفية (ENA، نمذجة تشارك الأكواد/البنى في الحدوث)، وتحليل الشبكات الاجتماعية (SNA، نمذجة العلاقات بين الناس)، وتحليل شبكات الانتقال (TNA، نمذجة التسلسلات الزمنية للحالات) — كل منها يُجرّد "التعلّم كاتصال" بطريقة مختلفة. (Tracing GenAI Literacy: Student-AI Interaction Patterns in Academic Writing) (Penny: Transition Network Analysis of Learner-Chatbot Interactions in Scaffolded EFL Writing) (Cognitive Offloading in Student–AI Collaboration: A Longitudinal Analysis of Prompting Strategies)

أسئلة للنظر فيها

  • حين تسمع "تحليل الشبكات" في التعليم، ما الصور التي تتبادر إلى ذهنك — خرائط صداقة للطلاب، أو روابط بين الأفكار، أو شيء آخر؟ وكيف تختلف تلك عن مجرد عدّ عدد مرات حدوث الأشياء؟
  • لنفترض أنك أردت معرفة ما إذا كان الطلاب ينخرطون فعلاً في تغذية أداة كتابة بالذكاء الاصطناعي الراجعة أم أنهم يحصلون على إجابات فحسب. لماذا قد يُغفل مقياس "كم مرة نقروا" الحكاية التي سيكشفها تسلسل أفعال (كحلقة مراجعة مقابل حلقة محادثة مثلاً)؟
  • تميّز الصفحة بين تحليل الشبكات المعرفي والاجتماعي وشبكات الانتقال. بلا معرفة التفاصيل، هل تستطيع تخمين أي صورة ستستخدمها لدراسة (أ) كيف يتعاون الناس، (ب) أي الأفكار تتشارك في استدلال الطالب، و(ج) كيف ينتقل المتعلمون بين الحالات عبر الزمن؟
  • يجد باحث أن المتعلمين عالي الثقافة ومنخفضيها يستخدمون أداة الذكاء الاصطناعي ذاتها لكنهم يُنتجون بنى شبكية للاستدلال مختلفةً جداً. ماذا يخبرك ذلك عن تقييم أدوات الذكاء الاصطناعي بدرجة متوسطة واحدة؟
  • مقاييس الشبكات مثل "الكثافة" و"المركزية" تصف ما إذا كان التفاعل عشوائياً أو منظماً حول مراكز. متى تكون شبكة منظّمة متمركزة حول متعلّم واحد علامةَ تعاون حسن — ومتى علامةَ مشكلة؟

مقدمة

تتشارك مناهج تحليل الشبكات فرضاً أساسياً: أن بنية الوصلات — لا حضورها أو تكرارها فحسب — تحمل معنى. فبدلاً من السؤال "كم من X حدث"، يسألون "كيف تتصل العناصر، وماذا يكشف هذا الاتصال عن المعرفة أو التعاون أو سيرورات التعلّم؟" وهذا يجعلها قيّمةً بصورة خاصة في الذكاء الاصطناعي في التعليم، حيث يريد الباحثون بشكل متزايد فهم السيرورة لتفاعل المتعلّم–الذكاء الاصطناعي (كيف يتنقل المتعلمون في التغذية الراجعة والحوار والمراجعة) لا المنتج فحسب (الدرجات النهائية، ومعدلات الخطأ).

الصور المستخدمة في مادة قاعدة المعارف

وتختلف هذه عن المخطّط المعرفي، وهو بنية بيانات لتمثيل الحقائق والاستدلال عليها (مستودع أنطولوجيا/ثلاثيات)، لا منهج تحليلي لدراسة السيرورة أو بنية العلاقة.

تحليل الشبكات في بحوث الذكاء الاصطناعي في التعليم

تُستخدم مناهج الشبكات عبر قاعدة أدلة قاعدة المعارف للإجابة عن أسئلة لا تقدر عليها المقاييس التجميعية:

  • افتح "الصندوق الأسود" لتفاعل المتعلّم–الذكاء الاصطناعي. يكشف TNA السيرورة — الحلقات السلوكية والمسارات التي يسلكها المتعلمون عند استخدام أدوات الذكاء الاصطناعي (كـ"حلقة مراجعة" مقابل "حلقة محادثة" في كتابة مُسندة بـروبوت محادثة) لا المخرج النهائي فحسب. (Penny: Transition Network Analysis of Learner-Chatbot Interactions in Scaffolded EFL Writing)

  • قارن البناء المعرفي عبر المجموعات. يُظهر ENA كيف تربط مجموعات مختلفة البنى بشكل مختلف — ككيف يتشارك ما وراء المعرفة في الحدوث مع الإسناد مقابل الاستدلال البشري في التعاون البشري–الذكاء الاصطناعي، كاشفاً أنماط تعاون مختلفة. (Unpacking Interaction Profiles and Strategies in Human-AI Collaborative Problem Solving: A Cognitive Distribution and Regulation Perspective)

  • تتبّع بصمات ثقافة الذكاء الاصطناعي والتفاعل. يُعرّف ENA على سجلات التفاعل أنماطاً متمايزة لاستخدام نماذج اللغة الكبيرة (تنقيح استراتيجي تكراري مقابل أوامر خطية)، مُميّزاً كفاءة المتعلم وتطوره. (Tracing GenAI Literacy: Student-AI Interaction Patterns in Academic Writing)

  • حلّل الخطاب والتأطير. يُطبَّق ENA على بيانات كيفية ومتعددة الوسائط (كإطارات يوتيوب لـChatGPT في التعليم) لكشف بنية الخطاب العام أو الخطاب المجالي. (How YouTube Frames ChatGPT Use in Education: An Epistemic Network Analysis with Supporting Multimodal Metadata)

  • كمّل التقارير الذاتية ومقاييس المنتج. ولأن مناهج الشبكات تستخدم بيانات سلوكية ملاحَظة، فهي تستطيع كشف التناقضات بين ما يدّعيه المتعلمون وما يفعلونه فعلاً — وهي نتيجة متكررة في أدبيات استيعاب التغذية الراجعة في قاعدة المعارف.

  • بنية الرسم البياني كميةً للتحقق لا ملخصاً وصفياً. يتتبّع Inoue وYasutake (2026) β0 — عدد المكوّنات الموصولة لرسم قرب أسبوعي فوق المتعلمين عند عتبة إقليدية ثابتة — لاختبار ما إذا كانت الفوجات التركيبية تُعيد إنتاج الفوجات الحقيقية، مفضّلينها لأنها ثابتة بالرسم البياني وحده، ولا تحتاج تحسيناً ولا بذرةً عشوائية بخلاف تعظيم المعيارية، وتبقى معرَّفةً حين يجلس سُبع إلى ثلث المتعلمين منفردين في مكوّن.

اعتبارات منهجية

  • الترميز هو الأساس. تعتمد كل صور الشبكات على ترميز موثوق للبيانات الخام (العبارات والأحداث والعلاقات) إلى عقد/أكواد منفصلة؛ ويُستخدم الترميز الآلي المبني على نماذج اللغة الكبيرة بشكل متزايد لكنه يتطلب تحققاً بشرياً (كـ Fleiss' κ من 0.70–0.71 في دراسات TNA مثلاً). (Penny: Transition Network Analysis of Learner-Chatbot Interactions in Scaffolded EFL Writing)
  • معاملة اتفاق المرمّزين كفحص جار لا كإحصاء لمرة واحدة. رمّز Galiç et al. (2026) 304 عبارات ملاحظة عند α لكريبندورف = .803 وراقبوا الاتفاق على مدى الدراسة، معيدين ترميز العبارات المتنازع عليها كلما انخفض κ المجمَّع دون عتبة إعادة معايرتهم .85 (في الحالتين 18 و27) ولم يحتاجوا إلى إعادة معايرة أخرى بحلول الحالات 36–51. والتسلسل هو بيت القصيد: إذ كانت الموثوقية المقيسة في النهاية وحدها ستترك نماذج الانتقال المبكرة مرتكزةً على انحراف المرمّز، بما أن أنماط الانتقال الأسبوعية تلك كانت نتيجة الدراسة.
  • مقاييس على مستوى الشبكة تلخّص البنية. تصف الكثافة والمعاملة بالمثل والمركزة وقوة الداخل/الخارج ما إذا كان التفاعل عشوائياً أو منظماً حول مراكز "جذابة"، وكم كان التبادل متبادلاً.
  • المقارنة الإحصائية لازمة لفروق المجموعات. تُستخدم اختبارات مربع كاي أو اختبار التقليب لإثبات أن فروق الشبكات الملاحَظة (بالكفاءة مثلاً) ليست وليدة الصدفة. ويُظهر Shao et al. (2026) أن العدم يجب أن يُبنى ليطابق النص. ففي مناقشة حالة مع عشرين طالب دراسات عليا من تخصصات مختلطة، ارتفعت حصة المصطلحات المشتركة ذات الحجم 3 من 5.2% إلى 8.0% بينما انخفضت رموز المحتوى إلى نحو 0.65× من مستواها بعد القراءة. وكان اختبار تقليب على الحقيبة كلها سيُسمّي هذا الارتفاع معنى؛ أما اختبار التقليب المُشترط بطول الرمز لديهما فلم يفعل (Q6 p = .62، Q7 p = .15).
  • تحقق من الأداة قبل قراءة شبكتها. بنى Alatoai وAlshahri (2026) AI-STEM-MLCS المكوّن من 45 عنصراً بمسار تطوير المقياس الكامل — نسب صلاحية المحتوى للخبراء، ثم تحليل العوامل الاستكشافي فالتأكيدي (CFI = 0.983، RMSEA = 0.019)، وω لماكدونالد من 0.888–0.905، ومراسلات الاختبار-إعادة الاختبار لأسبوعين (ICCs) من 0.751–0.900 — قبل نمذجة الأبعاد الأربعة بتحليل رسم بياني استكشافي. واستخلاص البنية من شبكة عقدها درجات مقياس غير مُتحقق منها هو ما يحرسه هذا الترتيب، ويُسمّي المؤلفان التحقق الخاص بالسعودية بوصفه الحد على نقل البنية.
  • فَسِّر بحذر. يمكن لدقة العقدة (كعقدة "محادثة" خشنة مثلاً) أن تحجب النية؛ ويحمل التصنيف الآلي بعض الغموض؛ ولا تؤسس بنية الشبكة المقطعية السببية.
  • شبكات تكشف ما يحجبه تجميع. وجد Pan et al. (2026) أن الصف المُعلِّم بـGenAI تفوّق على ضابطه وأفاد عنه، ثم قسّم الصف التجريبي بمتوسط الأداء وأظهر أن المكسب لم يُشترَك: إذ بادرت المجموعات عالية الإنجاز بـ60.7 في المئة من طلبات التغذية الراجعة عبر تعليقاتها مقابل 34.0 في المئة للمجموعات منخفضة الإنجاز، التي بقيت في حلقة ذاتية المرجع (فصل المجموعات معنوي على محور X لـENA، U = 25.00، p = 0.01). ودروس التصميم أن أثراً واحداً على مستوى المجموعة قد يلخّص بنيتي تفاعل مختلفتين — وكانت المجموعتان صفين سليمين، فالمقارنة تُعرّف النمط دون أن تنسبه سببياً.

انعكاسات على بحوث الذكاء الاصطناعي في التعليم

  1. فضّل مناهج السيرورة على مقاييس المنتج وحدها. لتقييم ما إذا كانت أدوات الذكاء الاصطناعي تدعم التعلّم، صُغ كيف ينخرط المتعلمون فعلاً (الاستيعاب والحوار والمراجعة) بمناهج التسلسل/الشبكات بدلاً من الاعتماد على الدرجات النهائية وحدها.
  2. استخدم ENA لمقارنة البناء المعرفي. حين تسأل كيف يبني متعلمون أو أنماط مختلفة (بشر مقابل ذكاء اصطناعي) استدلالهم، يوفّر ENA مقارنةً مباشرة بصريةً لشبكات التشارك في الحدوث — وهي تقنية مناسبة تماماً لـنمذجة المتعلّم لكيف يربط المتعلمون الأفكار.
  3. تحقق من الترميز الآلي. مع مجموعات السجلات الكبيرة، التصنيف المبني على نماذج اللغة الكبيرة قوي لكنه يجب أن يُفحَص مقابل الترميز البشري (بلاغ اتفاق المقيّمين) قبل تفسير بنية الشبكة.
  4. صمّم للتمايز. يكشف تحليل الشبكات غالباً أن أداة الذكاء الاصطناعي ذاتها تُنتج أنماط تفاعل مختلفة عبر تحت-مجموعات المتعلمين — مما يُفيد التصميم التكيّفي بدلاً من التقييم الأحادي المقاس.

تحقق ENA من الحوار التعاوني المحاكى

  • ENA كتحقق من الحوار المحاكى. يُطبّق Fang (2026) تحليل الشبكات المعرفية لتقييم ما إذا كانت وكلاء نماذج اللغة الكبيرة المضبوطة بدقة تُعيد إنتاج بنية حوار حل المشكلات التعاوني الحقيقي. وبمقارنة متجهات التجاور المحاكاة بالشبكة التجريبية، يُبلّغ عن مسافة ENA قدرها 0.17 — داخل عتبة المئين الخامس لتوزيع العدم، بقيمة p للتقليب 0.65 — مُظهراً قدرة ENA كفحص كمي لأمانة محاكاة الخطاب التوليدية، إلى جانب تطبيقات أخرى لـENA/SNA/TNA في بحوث التعليم.

المفاهيم المرتبطة

المقالات المرتبطة

البيانات الوصفية

التقنيات والأساليبالمخطّط المعرفي, تحليلات التعلّم
مناهج البحث والتقييمتحليل الشبكات, مناهج البحث في AIED
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.