الأنماط التربوية

ترجمة آلية للصفحة الإنجليزية، لم يراجعها بعد متحدث أصلي.

الأنماط التربوية — التسلسلات المرتّبة من الأنشطة التي اختبرها البحث في قاعدة المعارف هذه، مع الانتباه إلى الموضع الذي يدخل فيه الذكاء الاصطناعي التوليدي في التسلسل، وإلى الموضع الذي يجب أن يبقى فيه الحكم البشري. فحين يصنّف أصول التدريس المقاربات (التعلّم النشط، والتعلّم القائم على المشكلات، والتعلّم التعاوني)، ويصف تصميم التعلّم كيف يُصمَّم مقرّر دراسي، تصنّف هذه الصفحة ما يفعله الطلاب والمعلّمون فعلًا، وبأي ترتيب، وما حدث عند تجربته. ويُعدّ نمط PAIRR — مسوّدة، ثم مراجعة الأقران، ثم مراجعة الذكاء الاصطناعي، ثم تفكّر، ثم تنقيح — أفضل مثال موثَّق، والنمط الكامن وراءه يتكرر عبر المجالات الدراسية: الجهد أولًا، والذكاء الاصطناعي ثانيًا، والحكم البشري عند النتائج الجوهرية.

أسئلة للتفكير

• النمط تسلسل لا أداة. خذ تكليفًا واحدًا تُدرّسه واكتب ترتيب الحركات التي يؤديها طالب. وفي أي موضع من ذلك الترتيب يساعد الذكاء الاصطناعي، وفي أي موضع يؤدي العمل الذي يفترض أن يقوم به الطالب؟
• عدة أنماط هنا تُعطي الذكاء الاصطناعي عن قصد دورًا ضعيفًا — تلميحات بدل الإجابات، وأسئلة بدل التصحيحات. فلماذا قد يُنتج مدرّس أقلّ إفادةً تعلّمًا أفضل، وماذا يعني ذلك بشأن أدوات الذكاء الاصطناعي التي تشتريها مؤسستك؟
• أفضل نمط موثَّق في هذه الصفحة (التعلّم بالتدريس لذكاء اصطناعي) يطلب من الطلاب أن يشرحوا، وهو يحسّن جودة الشرح والأسئلة لكنه لا يحسّن الاستدعاء الموضوعي. فإن تبنّيته، فماذا كنت ستغيّر في طريقة تقويمك؟
• حين كانت تغذية الذكاء الاصطناعي الراجعة أعلى جودةً من تغذية المعلّم الراجعة، لم ينقّح الطلاب أكثر. فماذا يقترح ذلك عن الفرق بين إنتاج التغذية الراجعة وحمل الطلاب على استخدامها؟
• السياقات تغيّر الجواب: فبعض الأنماط اختُبر عبر الإنترنت وبلا تزامن، وأخرى وجهاً لوجه مع مختبر. فأيٌّ منها يمكنك تشغيله في بيئتك أنت بلا أدوات جديدة، وأيها يحتاج بنية تحتية لا تملكها؟
• يكاد كل نمط هنا يُبقي إنسانًا عند نقطة الحكم — التصحيح أو التحقق أو التأويل. أهذا اختيار تصميمي، أم ضرورة مستندة إلى الأدلة، أم قيد لما اختُبر حتى الآن؟

مقدّمة

تجيب أصول التدريس على سؤال كيف ينبغي أن نُدرّس؛ وتجيب هذه الصفحة على سؤال أضيق وأكثر تشغيلية: بأي ترتيب ينبغي أن تحدث الحركات، وأين موضع الذكاء الاصطناعي في ذلك الترتيب؟ والتمييز مهم لأن الأداة نفسها تُنتج نتائج متعاكسة تبعًا لموضعها في تسلسل. فوضع مساعد من الذكاء الاصطناعي التوليدي قبل أن يحاول الطالب مسألةً يُخفض بأمان أداءه اللاحق بلا مساعدة؛ ووضعه بعد محاولة، بتلميحات بدل الإجابات، تُزيل الصنف نفسه من الأنظمة ذلك الضرر.

وكل نمط أدناه يُعرض بحالة دليلية، لأن تغطية قاعدة المعارف غير متساوية والفرق مهم لكل من يقرر ما يتبنّى:

• مُختبر — مقال واحد على الأقل يُبلّغ عن اختبار مضبوط أو مقارن.
• مختلط — مُختبر، لكن بلا مجموعة ضابطة، أو بنتائج متعارضة، أو مع تشابك المتغيّر المُختبر مع شيء آخر.
• مقترحات تصميمية — الفكرة تظهر مقترحةً أو إطارًا فحسب، بلا اختبار مُبلَّغ عنه. وهذه تُجمع في نهاية الصفحة تحت مقترحات تصميمية (لم تُختبر بعد)، وهي ليست دليلًا.

وتُجمَّع الأنماط بحسب الوظيفة التي تؤديها في الحصة الدراسية: وضع الجهد قبل المساعدة، واقتران تغذية الذكاء الاصطناعي الراجعة بالتغذية البشرية الراجعة، والتحقق من الفهم لا من المخرَج، وجعل المتعلّم معلّمًا، وبناء التعاون، ومواجهة مفهوم خاطئ محدَّد. والسياقات (عبر الإنترنت، وجهاً لوجه، ومختلطة) والمجالات الدراسية تُذكر مع كل نمط، وتُلخَّص في النهاية.

أنماط تضع الجهد قبل المساعدة

تشترك هذه الأنماط في ادعاء بنيوي: على المتعلّم أن يلتزم بمحاولة قبل أن يساهم الذكاء الاصطناعي. وهي أكثر قاعدة تصميم اتساقًا في الدعم داخل قاعدة المعارف.

الاستدعاء أو المحاولة قبل أن يجيب الذكاء الاصطناعي

الدليل: مُختبر. التسلسل هو: المحاولة من الذاكرة، ثم تلقي تعليم أو مثال، ثم التمرين في جلسات متباعدة، ثم استشارة الذكاء الاصطناعي بعد الالتزام بمحاولة فحسب، ثم تلقي تغذية راجعة مشروطة بالاستجابة تستكشف المفهوم الخاطئ، ثم التقدّم حين يُظهر الاستجابة انخراطًا كافيًا.

وقد أنتجت حالة الاستدعاء المتباعد التكيّفي أعلى درجات الاختبار البعدي (M = 78.19) وتفوّقت تفوّقًا دالًّا على الدراسة بالذكاء الاصطناعي بقيادة المتعلّم (M = 67.28، d = 0.92، p = .003) لدى 89 طالبًا في مقرّر إحصاء مختلط، بينما كانت المسافة الثابتة غير قابلة للتمييز إحصائيًا عن التكيّفية (Akgun & Toker, 2026). أما حالة المقارنة فهي حاسمة: في تجربة عشوائية مضبوطة شملت 120 طالبًا، احتفظت المجموعة التي درست مع ChatGPT بلا قيود بأقل في اختبار مفاجئ بعد 45 يومًا — 57.5% إجابات صحيحة مقابل 68.5% للمتعلّمين التقليديين، t(83) = −3.19، p = .002، d = 0.68 — وكانت قد درست أيضًا أقل بنحو 45%، مع بقاء الأثر عائمًا بعد ضبط وقت الدراسة كمتغيّر مصاحب (Barcaui, 2025). ووجدت تجربة ميدانية عشوائية مُسجَّلة مسبقًا في برنامج ماجستير إدارة أعمال عبر الإنترنت أن المكاسب تتبّعت الأسابيع المكتملة لا دقائق التعرّض (+2.00 نقطة لكل أسبوع دراسي إضافي مكتمل، p = .018)، وهو ما يُقرأ كأن الممارسة المتباعدة أهم من الزمن الكلي (Yang et al., 2026).

الفشل المنتج: المحاولة قبل التعليم

الدليل: مختلط، وأرقّ مما يُعتقد. يحاول الطلاب مسألةً تستهدف مفهومًا لم يُدرَّس لهم، ويحجم المدرّس عن الحل ويستخرج محاولات متعددة، ولا تأتي المساعدة إلا عند الضرورة الصارخة، ثم يتبع ذلك التثبيت بالمقارنة والتعليم المباشر.

والدراسة الميدانية الوحيدة التي تختبر التسلسل الكامل بمدرّس موجَّه استخدمت 17 طالبًا في المدرسة الثانوية بسنغافورة: فقد حققت الحالة الموجَّهة درجة أعلى في الفشل المنتج، دالّةً في اتساق المسائل (p = .046)، وأنتج الطلاب في المتوسط 2.6 تمثيل لكل جلسة (p = .05)، لكن لم يُقَس أي ناتج تعلّم (Puech et al., 2025). وأقوى دعم غير مباشر ويأتي من تجربة عشوائية داخلية المواضيع شملت 26 طالبًا، حيث أدّت السقالة ذات الجواب الفوري أداءً أسوأ بشكل دالّ من أدوار الأقران ومساعدي المدرّب والمدرّسين في تجريد النماذج (β = −0.692، p = .015؛ β = −1.039، p < .001؛ β = −0.769، p = .005)، مع أن الطلاب فضّلوا المدرّس الموجِّه — فالميل عكس الكفاءة (Zhu et al., 2026).

تحليل الخطأ والأمثلة الخاطئة

الدليل: مختلط. يشخّص الطلاب خطأً في مُنتَج — مخططًا مولَّدًا بالذكاء الاصطناعي يخالف السلامة المرجعية، أو استعلامًا يُسقط عملية ضمّ، أو مقطع شيفرة من نموذج لغوي كبير — ويتلقّون دلائل تُلزمهم باستنتاج الإصلاح بدل أن يُسلَّم إليهم التصحيح، فيصلحونه، ويتفكّرون في أي أجزاء المخرَج كان غير موثوق.

وقد ارتفعت دراسة قبل-بعد شملت 13 طالبًا في مقرّر قواعد بيانات عبر الإنترنت من 4.25 إلى 6.83 من 7 (t(12) ≈ 5.10، p < .001، d = 1.49) باستخدام دورات نقد وتحسين أسبوعية مبنية على حالات فشل متعمَّد في الذكاء الاصطناعي، لكن غياب المجموعة الضابطة يمنع عزل المكسب عن المنهج أو المعلّم (Hosseini, 2026). وتُبلّغ مراجعة منهجية لـ72 دراسة في تعليم الحوسبة أن تحليل الخطأ كفاءة متميّزة: فأدى الطلاب أسوأ بشكل دالّ في تصحيح شيفرة مولَّدة بنماذج لغوية كبيرة منه في مهام امتحان برمجة تقليدية (Kumar et al., 2026). ولا يُبلّغ أي مقال في قاعدة المعارف عن اختبار مضبوط لتعليم المثال الخاطئ في ذاته.

الأمثلة المُنجَزة مع الشرح الذاتي

الدليل: مختلط — النصفان يتباعدان. يُعرض مثال مُنجَز مع تبريرات ناقصة يُكملها الطالب، أو مع أخطاء يجدها؛ فيُكملها أو يصلحها، ويشرح استدلاله، ثم يحاول المسألة التالية.

وقد تغلّب الإسناد التكيّفي للأمثلة الموجَّهة والأمثلة العاطلة (buggy) على الإسناد العشوائي لأنواع المسائل في دراسة صفية شملت 113 طالبًا (درجات ما بعد الاختبار M = 72.3 و72.5 مقابل 65.7 للمجموعة الضابطة، A = .58، p = .005 وp = .002)، وضيّق متغيّر تتبّع المعرفة فجوة التحصيل بنسبة 77.1% للطلاب ذوي المعرفة المسبقة المنخفضة (β = 9.4، p = .001) (Dey Tithi et al., 2026). لكن إضافة خطوة الشرح الذاتي إلى تغذية الذكاء الاصطناعي الراجعة المفصّلة خسرت في كل مقياس في تجربة مُسجَّلة مسبقًا شملت 302 مشاركًا: فقد ضاعفت زمن التغذية الراجعة (4.1 مقابل 2.1 دقيقة، p < .001)، وقلّلت المسائل المُنجزة بنسبة 40% (2.0 مقابل 3.4، p < .001)، ولم تُنتج أي مكسب لكل حلقة (OR = 1.03، p = .486)، وأخفضت التمكن في نهاية الجلسة (65% مقابل 79%، d = .41، p < .001) (Asher et al., 2025).

أنماط تقترن تغذية الذكاء الاصطناعي الراجعة بالتغذية البشرية الراجعة

أكثر نتيجة تكرّرت في قاعدة المعارف بشأن تغذية الذكاء الاصطناعي الراجعة أنها تعمل أفضل مُقترنةً بالتغذية البشرية الراجعة منفردةً — وأن جودتها ليست ما يحدد هل يستخدمها الطلاب.

PAIRR: مراجعة الأقران والذكاء الاصطناعي مع التفكّر

الدليل: مختلط (منفَّذ على نطاق واسع، غير مضبوط). يقرأ الطلاب ويتفكّرون في كيفية عمل الذكاء الاصطناعي والتغذية الراجعة، ويكتبون مسوّدة، ويقدمون مراجعة أقران ويتلقّونها، ويطالبون الذكاء الاصطناعي بتغذية راجعة مبنية على معايير بشأن المسوّدة نفسها، ويقارنون الاثنين نقديًا، ويكتبون خطة تنقيح، وينقّحون، ويتفكّرون في أي تغذية راجعة غيّرت ما.

وأكبر دراسة حتى اليوم في استخدام طلاب الجامعات لتغذية الذكاء الاصطناعي الراجعة تتبّعت 654 طالبًا في عشرة مقرّرات كتابة وثلاثة مقرّرات مكثّفة في الكتابة في العلوم والتقنية والهندسة والرياضيات: ففضّل 58% الجمع بين ChatGPT وتقييم الأقران، و36% تقييم الأقران وحده و6% فقط الذكاء الاصطناعي وحده؛ ووجد 75% أن الاثنين متشابهان ومتعاضدان؛ ووصف 31% تغذية الذكاء الاصطناعي الراجعة بأنها «عامّة أكثر من اللازم» بينما كانت تغذية الأقران الراجعة أكثر تحديدًا بالنسبة إلى 28%؛ وأظهر 5.3% فقط ثقة مفرطة في تغذية الذكاء الاصطناعي الراجعة (Sperber et al., 2025). ونُفّذ النموذج أيضًا في مقرّر كتابة أعمال للمستويات المتقدمة شمل 34 طالبًا، حيث عبّر نحو ربع التفكّرات المُرمَّزة عن شكّ في تغذية الذكاء الاصطناعي الراجعة أو لاحظت أخطاءً فيها (MacArthur et al., 2025). وكلتا الدراستين تُبلّغان بيانات إدراك؛ ولا توجد في أيّ منهما حالة ضابطة، ولهذا يكون النمط مختلطًا لا مُختبرًا.

اقتران تغذية الأقران الراجعة وتغذية الذكاء الاصطناعي الراجعة

الدليل: مُختبر. يأتي الدليل المقارن من خارج برنامج PAIRR. فقد وجدت شبه تجربة شملت 122 طالبًا في الإنجليزية كلغة أجنبية (EFL) بالصين أن التغذية الراجعة المتكاملة (ذكاء اصطناعي + أقران) رفعت مشاركة الطلاب السلوكية والوجدانية والمعرفية مقابل تغذية الأقران وحدها (كلّها p < .001؛ η² الجزئية = 0.28 و0.28 و0.32)، وحسّنت الكتابة في أبعاد IELTS الأربعة كلها (F(1,119) = 42.68، p < .001، η² الجزئية = 0.26)، وأكبرها في تحقيق المهمة (d = 1.41) — بلا اختبار مؤجَّل، فالثبات غير مقيس (Liu, 2026). وفي دراسة عشوائية شملت 45 معلّمًا متدرّبًا في 12 مجموعة، تغلّبت تغذية الأقران الراجعة المدعومة بالذكاء الاصطناعي التوليدي على تغذية الأقران المجرّدة في الحجاج، وأدّى متغيّر المساقَد بالسقالات أفضل أداءً في العناصر المتقدمة مثل بيانات الدحض ومعالجة الرأي المعارض (Chang et al., 2026).

نقد الذكاء الاصطناعي ثم التنقيح

الدليل: مُختبر — مع نتيجة صفرية مهمة. اكتب مسوّدة، واطلب من الذكاء الاصطناعي تغذية راجعة مبنية على سُلَّم تقدير، وقوّم تلك التغذية نقديًا مقابل السُلَّم والمصادر، واكتب خطة تنقيح، ونقّح، وتفكّر.

وقد وجدت تجربة عامليّة 2 × 2 مضبوطة شملت 122 من طلاب اللغة الإنجليزية أن مكسب جودة الكتابة كان أعلى للمجموعة المدرَّبة على التصفية والتقويم كلاهما (M = 7.92)، مقابل 6.10 و4.56 و3.10 للحالات الأخرى، مع ارتفاع التنقيح العميق من 28% إلى 48% وبقاء الأفضلية على موضوع جديد وبعد إزالة دعم الذكاء الاصطناعي (Dai, 2026). والنتيجة الصفرية هي الجزء المُعلِّم: في تجربة عشوائية بثلاث مجموعات شملت 70 طالبًا، كانت التغذية الراجعة المدفوعة بسلسلة الأفكار أعلى جودةً بشكل دالّ من تغذية الذكاء الاصطناعي بصياغة صفرية (p = .01) ومن تغذية المعلّم الراجعة (p = .008)، ومع ذلك لم يتحول هذا الأفضل في الجودة إلى مكاسب أكبر في التنقيح — إذ أنتجت تغذية المعلّم الراجعة تحسّنًا مماثلًا (Farrokhnia et al., 2026).

مراجعة إنسانية داخل الحلقة لمخرَج الذكاء الاصطناعي

الدليل: مختلط — نادرًا ما تكون خطوة المراجعة هي المتغيّر المُختبر. يولّد الذكاء الاصطناعي مخرَجًا مسوَّدةً، ويتحقق منه وكلاء تحقق آليون من واقعيته وقابلية القراءة أو الهلوسة، وتُعاد الفحوص الفاشلة إلى حلقة التحسين، ويراجع المعلّم ويحرّر ويقبل أو يرفض قبل أن يصل أي شيء إلى الطلاب.

وقد أنتجت حلقة بأربعة وكلاء مع 8 معلّمين 212 مسألة قُبلت 166 منها كما هي، وعملت فحوص الواقعية كما هو مقصود (أُشير إلى 10 مسائل واقعية، و20 تعديلاً على الكمية أو الوحدة، ولم يُعثر على أي خطأ رياضي في مسألة نهائية) — لكن ملاءمة الاهتمام كانت نقطة الضعف، إذ رفض الطلاب الموضوع في 160 من 422 استجابة (Walkington et al., 2026). وأداة تغذية راجعة بمشاركة المعلّم قوّمها 30 معلّمًا لم تنزل قطّ تحت 4.1/5 في تسعة بنود، وقلّلت الزمن الوسيط لكل تكليف من 10–30 دقيقة إلى أقل من 5، لكن المؤلفين يعترفون بغياب أي تقييم من الطلاب، فلا يُدعم أي ادعاء تعلّمي (Zhao et al., 2025). وتجربة الفريق الأحمر تجعل الخطورة ملموسة: فقد غيّر حقنان من خمسة طعونَ (prompt injections) درجةً دون أن يُكتشف، بمعدل 100% (9/9) و94% (17/18)، مما يترك المعلّم الفحص الحقيقي الوحيد على مخرَج تصحيح الذكاء الاصطناعي (Humble, 2026).

أنماط تتحقق من الفهم لا من المخرَج

لأن الذكاء الاصطناعي يستطيع أن يُنتج مُنتَجًا كفؤًا، تنقل هذه الأنماط التقييم إلى أدلّة لا يستطيع المُنتَج أن يوفّرها بنفسه.

التحقق الشفهي والمقابلة الشفهية (viva)

الدليل: مُختبر كصيغة، لكن النتائج عن الدرجات والانفعال لا عن التعلّم. يُقدَّم تكليف برمجة مع السماح بالذكاء الاصطناعي، ويتبع ذلك في خلال 48 ساعة مراجعة شفهية إلزامية للشيفرة مدّتها 15 دقيقة يشرح فيها الطالب البرنامج ويشغّل اختبارات التكامل مباشرةً، وتُصحَّح بنسبة 70% على المراجعة و30% على السُلَّم.

وقد وجدت شبه تجربة على ثلاثة فصول دراسية شملت 96 طالبًا أنّه لم يحدث أي تغيّر دالّ إحصائيًا في أداء الامتحان رغم السياسات الجديدة (تحسّن بنحو 2% في امتحان واحد)، بينما ارتفعت نسبة المحتوى الملصوق إلى مجموع الأحرف من 61.0% إلى 68.1% (p < 0.0001)؛ وقال 90% من الطلاب إن المراجعات حفّزتهم على فهم شيفرتهم أفضل، و65% إنها ساعدتهم على تجنّب الاعتماد المفرط (Fowles et al., 2026). وأنتجت الاستجابات الشفهية المسجَّلة بلا تزامن درجاتٍ أعلى بشكل دالّ من الاختيار من متعدد الحاضر وجهاً لوجه (وسيط الفترة الأولى Md = 92.5 مقابل 70، p < .001؛ ووسيط النهائي Md = 94.2 مقابل 86.4، p = .002) مع ارتباطات متوسطة فقط بين الصيغتين (τ = .44 و.25) — ويحذّر المؤلفون من أن هذه فروق درجات بين صيغتين، لا دليلًا على مكاسب تعلّمية، مع أن سلوك الغش لم يُقَس (Pentland et al., 2026). والاتجاه ليس موجبًا على نحو موحَّد: فقد كان الطلاب أهدأ في مقابلة شفهية قائمة على المحادثة (M = 6.50 مقابل 5.86، p = .028) لكنهم قوّموا المقابلة الوجهاهية أفضل بشكل دالّ لفهمهم لعملهم الخاص (p = .004) (Yusuf et al., 2026).

نقاط التفتيش المتدرّجة وأدلّة العملية

الدليل: مختلط — لا اختبار مضبوط للآلية ذاتها. يجري العمل الدراسي كوحدات متدرّجة، تنتهي كل وحدة بنقطة تفتيش تتحقق من المخرَج ومن المقاربة معًا — فالنتيجة الصحيحة المتحصّلة بالتثبيت المباشر (hardcoding) تُرفض — مع فحص قبل التقدّم يُعيد المتعلّم إلى الخطوات المتجاوَزة.

وقد سجّلت دراسة حالة لـ5 طلاب دراسات عليا في مقرّر معلوماتية كمية ذاتي الإيقاع 75 تفاعلًا وأكّدت أن نقطة التفتيش المزدوجة (مخرَج ومقاربة) عملت كما هو مقصود، بلا مجموعة ضابطة (Elhaimeur & Chrisochoides, 2026). وأبلغ تجربة تجريبية شملت 27 مشاركًا باستخدام نقاط تفتيش مانعة (stop-block) عن مكاسب دالّة في الكفاءة الذاتية في كل مجالات المهارات العشرة المقوَّمة (p < 0.001) في تصميم قبل-بعد داخلي المواضيع حيث لا يمكن عزل المكاسب عن آثار التدريب (Naboulsi, 2026). ووجدت شبه تجربة على ثلاث سنوات شملت 248 طالبًا في الهندسة الطبية الحيوية معدّلات أعلى للدرجة A بعد إضافة تعلّم قائم على المشكلات بأربع وحدات ومعالم وسلالم تقدير (66.4% مقابل 39.1%، Δ = +27.3 نقطة، p = 0.042)، وبقاءً لذلك بعد استثناء العام المتأثّر بالجائحة، لكن المقارنة تاريخية وغير عشوائية (Nnamdi et al., 2026).

أنماط تجعل المتعلّم معلّمًا

التعلّم بتدريس متعلّم ذكاء اصطناعي

الدليل: مُختبر، وهو أفضل نمط موثَّق في هذه الصفحة. يدرس الطالب المحتوى، ثم يشرحه لذكاء اصطناعي مُطالَب باتخاذ موقف المبتدئ لا يكشف أبدًا عن الشرح المستهدف؛ فيطلب الذكاء الاصطناعي شرحًا وأمثلةً واستدلال تحقّق، مرتَّبةً من المستويات الدنيا إلى العليا، ويستمر حتى يصبح الشرح مقبولًا.

وقد وجدت شبه تجربة شملت 68 معلّمًا متدرّبًا أن الشرح لمتعلّم مبتدئ من الذكاء الاصطناعي التوليدي حقّق درجاتٍ أعلى في تعريف الصف المقلوب (M = 4.18 مقابل 3.29، p < 0.001، r = 0.474) وفي أنشطته (M = 4.91 مقابل 3.06، p < 0.001، r = 0.642)، وأنتج أسئلةً أكثر وأعلى جودةً (كلاهما p < 0.001) — لكنه لم يُظهر أي فرق بين المجموعتين في الأسئلة الموضوعية (M = 23.18 مقابل 21.57، p = 0.416) (Wang et al., 2026). ووجدت تجربة مخبرية عشوائية شملت 41 طالبًا درجاتٍ أعلى في اختبار المعرفة (مُعدَّلة 11.86 مقابل 10.53، F = 35.54، η² = 0.74) وشيفرةً أوضح وأيسر قراءةً، لكن لا فرق في صحة الشيفرة (Chen et al., 2024). ووجد نشرًا على 11 أسبوعًا شمل 546 طالبًا أن كل فعل تعلّم عميق إضافي ارتبط بانخفاض 2.7% في محاولات الاختبار المتوقَّعة (IRR 0.973، p < .001)، مع تشويش المقارنة بزمن المهمة وبارتفاع التحايل في نهاية الفصل الدراسي إلى 30–35% إعادة استخدام لمحتوى خارجي (Wang et al., 2026). والشكل المتّسق: مكاسب في الشرح والعمل التوليدي، لا في الاستدعاء الموضوعي.

أنماط تبني التعاون

أدوار مكتوبة بالنص مع ذكاء اصطناعي واحد مشترك

الدليل: مُختبر، لكن في إعدادات مضبوطة أو غير مضبوطة لا في صفوف عادية. يتشارك متعلمان ذكاءً اصطناعيًا واحدًا وتُسنَد إليهما أدوار صريحة بقواعد تناوب؛ ويُهيّأ الذكاء الاصطناعي لتأدية دور عند الحاجة، ويذهب مخرَجه إلى المجموعة كاملةً. وفي متغيّر البرمجة الثنائية يُحاكي الذكاء الاصطناعي المشترك انتباه الزوج المشترك وجهده، ويتوقّع انهيارًا قبل 30 ثانية، ويرفع السقالات بطبقات من عدم فعل شيء إلى تلميح موجِّه.

وقد وجدت تجربة داخلية المواضيع شملت 26 زوجًا أن حالة التغذية الراجعة حققت نجاحًا أعلى في إزالة الأخطاء (t[49.96] = −13.51، p < .0001) وأنهت أسرع (t[44.70] = 4.39، p < .0001)، مع أنها تطلّبت عتاد تتبّع للعين وتقييس الحدقة مزدوجًا ولم تختبر الانتقال إلى عمل ثنائي غير مُشرَف (Golrang et al., 2026). ووجدت شبه تجربة شملت 58 طالب دراسات عليا في 16 مجموعة أن تصميم الأدوار رفع درجات محتوى الخرائط الذهنية من 3.65 إلى 4.59 على سلّم SOLO من 1–5 (z = 3.771، p < 0.001) بينما بقيت أعداد العُقد والفروع ثابتة — لكن غياب المجموعة الضابطة يمنع استبعاد آثار التدريب (Cheng et al., 2026).

المناقشة بمساعدة الذكاء الاصطناعي

الدليل: مختلط — التنفيذ المباشر الوحيد وصف لحالة. يحلّل الطلاب سيناريو ويجيبون على أسئلة موجَّهة باستقلال، ويطالبون ChatGPT بمطالبة معيارية بشأن الأسئلة نفسها، ويقوّمون استجابات الذكاء الاصطناعي في الدقة مقابل استجاباتهم، ويحسّنون جوابهم، ويختمون بمناقشة على مستوى الصف كله.

وتستثمر نشاط الاقتصاد عن قصد خطأً في الذكاء الاصطناعي — إذ يصف ChatGPT السلوك المصوَّر في الأغنية بأنه طلب «مرن تمامًا» والجواب الصحيح أنه غير مرن — محوّلةً التحقق من مخرَج الذكاء الاصطناعي إلى مادة المناقشة (Beck & Brodersen, 2025). وهي تُبلّغ انطباعات المعلّم، لا ناتجًا مقيسًا. ووجد تسلسل مناقشة تعاونية مُختبر شمل 67 طالبًا في تعليم المعلّمين أن المجموعة التجريبية تفوّقت على ضابطة المحاضرة (M = 51.45 مقابل 43.89، p = 0.001، g = 0.839) مع ارتفاع التنظيم المشترك (p = 0.043، g = 0.512) — لكن الذكاء الاصطناعي استُخدم لتصميم التقنية، لا للتوسط في المناقشة (Tutal, 2026).

أنماط تواجه مفهومًا خاطئًا محدَّدًا

الدحض والتغيّر المفاهيمي

الدليل: مُختبر — مع نتائج متعارضة مباشرةً. استخرج اعتقاد المتعلّم المحدَّد، واعرض نصًا داحضًا أو حوارًا ذكاءً اصطناعيًا مخصّصًا يواجهه، وانخرط مع الأدلة المضادة والشرح الصحيح، وأعِد صياغة المفهوم الصحيح، ثم أعِد الاختبار بعد تأجيل.

وقد وجدت تجربة مُسجَّلة مسبقًا شملت 375 بالغًا أن حوار الذكاء الاصطناعي المخصّص بالمفهوم الخاطئ أنتج تخفيضاتٍ أكبر بشكل دالّ في الاعتقاد الفوري من الدحض بأسلوب الكتاب المدرسي ومن حوار الذكاء الاصطناعي المحايد على حدٍّ سواء، وبقي ذلك قائمًا عند 10 أيام لكنه تقارب مع دحض الكتاب المدرسي بحلول شهرين (Corbett & Tangen, 2026). ووجدت شبه تجربة سليمانية بأربع مجموعات شملت 413 طالبًا في الصف العاشر العكس: فقد كانت نصوص التغيّر المفاهيمي المكتوبة بخبراء والمولَّدة بالذكاء الاصطناعي كلتاهما أكثر فعاليةً بشكل دالّ من حوار ChatGPT التفاعلي، الذي لم يُظهر أي أفضلية دالّة على الضابطة، وحُصرت المكاسب في الطلاب المتفوّقين فقط تقريبًا (Akdogan, 2025). وتُشير الورقة الثانية إلى التعارض صراحةً وتنسبه إلى تصميم المطالبة وإلى المجال. ونص الدحض في ذاته تغلّب على الضابطة في كلتيهما.

السياقات والمجالات الدراسية

يحدّد النمط ما يقتضيه السياق، وعدة أنماط اختُبرت في إطار واحد فقط:

• عبر الإنترنت وبلا تزامن. الاستدعاء والتباعد، والمتغيّرات السقراطية، والأمثلة المُنجَزة مع الشرح الذاتي، والاستخدام المُساقَد بالمطالبات، والتقييم الشفهي غير المتزامن، ونشرات التعلّم بالتدريس. والبيئات غير المتزامنة تجعل التسلسل حاملًا للثقل، لأن النظام لا يستطيع أن يرى هل حاول الطالب أولًا.
• وجهاً لوجه ومختلط. الفشل المنتج، وتحليل الخطأ، والمتغيّرات المقلوبة، ومراجعة الشيفرة الشفهية، والتعاون المكتوب بالنص، ودراسات التغيّر المفاهيمي. والزمن الصفّي يُعاد تخصيصه في الغالب لا استبداله — ففي نمط المراجعة الشفهية انتقلت المحاضرات إلى الفيديو ليتمكّن الزمن الصفّي من عقد المقابلات.
• المجالات الدراسية الممثَّلة في الأدلة المُختبرة. الكتابة وتعلّم اللغات (PAIRR، واقتران تغذية الأقران والذكاء الاصطناعي الراجعة، ونقد الذكاء الاصطناعي ثم التنقيح)، والرياضيات (الاستدعاء والتباعد، والفشل المنتج، والأمثلة المُنجَزة، وتحليل الخطأ)، وعلوم الحاسوب (المساعدون السقراطيون، وتحليل الخطأ، ومراجعة الشيفرة الشفهية، والتعلّم بالتدريس، والعمل الثنائي المكتوب بالنص)، والطب (السقالة السقراطية في المقابلات السريرية)، وإعداد المعلّمين (الحجاج المكتوب بالنص، والتعلّم بالتدريس)، والأعمال (التدريس الخصوصي في ماجستير إدارة الأعمال المقلوب)، والفيزياء والعلوم والتعليم المهني لدراسات التغيّر المفاهيمي والتقييم الشفهي.

ما لا تدعمه الأدلة بعد

بصراحة، لأن هذه النتائج هي الأكثر احتمالًا أن تُهمَل بصمت:

• تغذية راجعة أفضل من الذكاء الاصطناعي لا تُنتج تنقيحًا أكثر. تغلّبت تغذية سلسلة الأفكار الأعلى جودةً على تغذية المعلّم الراجعة في الجودة ولم تُنتج أي أفضلية في التنقيح (Farrokhnia et al., 2026).
• الاستقصاء السقراطي ليس أفضل تلقائيًا. وجدت تجربة عشوائية شملت 132 طالبًا أن المساعد السقراطي بكامل السياق قُوِّم أسوأ بشكل دالّ في دعم إنجاز المهمة من كل الإعدادات الأخرى (الرتبة الوسطية 48.63، μ = 3.53، مقابل 4.27 و4.16 و4.12؛ χ²(3) = 12.14، p = .007)، مع أكثر استخدام للنماذج اللغوية الكبيرة الخارجية (23%) وأقل استجابات فهم كامل (48% مقابل 67%) (Eastwood et al., 2026) — بينما وجدت تجربة طبية عشوائية أن نظامًا متعدد الوكلاء يحتوي مدرّسًا سقراطيًا تغلّب على ضابطته في درجات الامتحان والتواصل (Yang et al., 2026).
• يفضّل الطلاب الدور الأقل فعاليةً. فُضّل التدريس الموجِّه بينما خفضت السقالة ذات الجواب الفوري تجريد النماذج (Zhu et al., 2026).
• صيغ التحقق تغيّر الدرجات دون إثبات التعلّم. رفعت الصيغ الشفهية الدرجات وقلّلت القلق بينما وجدت دراسة واحدة أن المواجهة الوجهاهية أفضل للفهم، ولم تَقِس أي دراسة الغش.
• لا يوجد اختبار مضبوط يعزل المراجعة الإنسانية لمخرَج الذكاء الاصطناعي، وآلية نقاط التفتيش لم تُختبر قطّ كمتغيّر مُعالَج.
• يستند الفشل المنتج وتحليل الخطأ إلى دراسات صغيرة غير مضبوطة (n = 17 وn = 13) تقيس أمانة الاستراتيجية أو التقرير الذاتي لا نواتج التعلّم.

مقترحات تصميمية (لم تُختبر بعد)

الأنماط أدناه مأخوذة من دليل أعضاء هيئة التدريس الذي زوّد به مشرف قاعدة المعارف (تصميم مقرّر جاهز للذكاء الاصطناعي، سبتمبر 2026). ويذكر الدليل صراحةً أن أمثلته مقترحات تصميمية لا تدخّلات مُختبرة، ولا يختبرها أي مقال في قاعدة المعارف هذه. وهي مُسجَّلة هنا كأفكار تصميمية تستحق المحاولة والتقويم، ولا يجوز قراءتها دليلًا.

• حجّة + أثر التنقيح (الإنشاء، العلوم الإنسانية). استبدل التقديم المقالي وحده بأطروحة أولية، ومقطعين مشروحين من المصادر، ومقال منقَّح، ومذكّرة قرار من 150 كلمة؛ ويُسمح بنقد الذكاء الاصطناعي بعد المسوّدة الأولى. وقوّم العلاقة بين الدعوى والدليل، واقتراحًا واحدًا مقبولًا أو مرفوضًا مُبرَّرًا مقابل المصادر.
• بيانات + دعوى مستندة إلى استدلال (العلوم، المقرّرات المخبرية). استبدل تقريرًا مخبريًا مصقولًا بملاحظاتٍ خام، ورسم بياني، ومذكّرة عدم يقين، وشرحٍ يربط النتائج بدعوى؛ ويجوز للذكاء الاصطناعي أن ينقد تأويلًا مُقدَّمًا، ويتحقق الطلاب من ذلك النقد مقابل بياناتهم.
• محاولة + تحليل خطأ (ما قبل التفاضل والتكامل والتفاضل والتكامل). استبدل الواجبات المُجابة فقط بمحاولة أولية، وتحليل حلٍّ مُنجَز معطوب، وشرحٍ مصحَّح؛ ولا تُسمح التلميحات إلا بعد المحاولة. وهذه هي الشكل التصميمي لنمط تحليل الخطأ أعلاه، وهي ترث قاعدة الأدلة الضعيفة لذلك النمط.
• موقف + تحدٍّ + إعادة نظر (علم النفس، علم الاجتماع). استبدل «انشر مرةً وأجب مرتين» بدعوى قائمة على حالة تستخدم مفهومًا من المقرّر؛ ويقدّم زميل مثالًا مضادًا ويعيد المؤلف الصياغة أو يدافع بدليل.
• مشروع + فحص مرتبط (الأعمال، المهن الصحية). اقترن توصيةً يُسمح فيها بالذكاء الاصطناعي لمنظمة خيالية أو حالة مريض بشرحٍ موجز لقرارين رئيسيين وبردٍّ على قيدٍ متغيّر؛ وانشر علاقة التصحيح بين المكوّنين.
• خطة + تجربة + تكيّف (النجاح في الكلية). استبدل تفكّرًا عامًا في إدارة الزمن بخطة دراسية لأسبوع، وسجلٍّ موجز لتجربتها، وتنقيحٍ مرتبط بما حدث؛ ويجوز للذكاء الاصطناعي أن يقترح خيارات جدولة بعد أن يحدّد الطالب القيود.

وتنطبق تحذيرات الدليل ذاتها: فالفيديو المسجَّل والتفكّرات والسجلّات قد تكون هي نفسها بمساعدة الذكاء الاصطناعي، ولهذا في المقرّرات غير المتزامنة كليًّا لا يجوز معاملة التسجيل كتحقّق من التمكن المستقل. وإطاران من أطره — التقييمان التوأمان والتقييم الشفهي غير المتزامن كرادع للغش — يبقيان إطارين في انتظار التحقق؛ ودراسات التقييم الشفهي غير المتزامن المذكورة أعلاه قاست درجات الصيغتين ولم تَقِس الغش إطلاقًا.

المفاهيم المتصلة

• أصول التدريس واستراتيجيات التعليم — المظلة الجامعة لمقاربات التدريس التي تشغّل هذه الصفحة في تسلسلات
• تصميم التعلّم — حيث تُختار الأنماط وتُرتَّب وتُدمج في مقرّر
• السقالة — مبدأ الدعم والتلاشي الذي يحكم موضع مساعدة الذكاء الاصطناعي
• التغذية الراجعة — النظام الذي تُجسّده أنماط التغذية الراجعة في هذه الصفحة
• التقويم البنّاء — الغرض التقييمي الذي تخدمه معظم هذه الأنماط
• التقويم بالأقران — النصف البشري من نمطي PAIRR والتغذية الراجعة المدمجة
• جودة تغذية الذكاء الاصطناعي الراجعة — لماذا لا تحدّد جودة التغذية الراجعة وحدها التنقيح
• الحكم التقييمي — التقويم الذي يجب أن يمارسه الطلاب على مخرَج الذكاء الاصطناعي
• ثقافة التغذية الراجعة — القدرة التي تبنيها خطوات التقويم النقدي
• الذكاء الاصطناعي بمشاركة الإنسان — بنية الإشراف في أنماط المراجعة
• التقييم الشفهي — الصيغة الكامنة وراء أنماط التحقق
• التقويم الموجّه للعملية — المنطق الكامن وراء نقاط التفتيش المتدرّجة
• الفشل المنتج — المفهوم الكامن وراء المحاولة قبل التعليم
• الاسترجاع والتباعد والتداخل — قاعدة الأدلة لأنماط الاستدعاء المتباعد
• الصعوبات المرغوبة — لماذا تتفوّق التسلسلات المجهدة على السلسة
• المفاهيم الخاطئة حول الذكاء الاصطناعي — ما تستهدفه أنماط التغيّر المفاهيمي
• النص الداحض — الشكل النصي لمواجهة المفهوم الخاطئ
• التعلّم بالتعليم — أصول التدريس الكامنة وراء نمط متعلّم الذكاء الاصطناعي
• الطريقة السقراطية — نمط الاستقصاء وأدلته المتعارضة
• التعلّم التعاوني — السياق لعمل الذكاء الاصطناعي المشترك المكتوب بالنص
• التفريغ المعرفي — الخطر الذي صُمّم كل نمط جهد-أولًا لتجنّبه
• ما وراء المعرفة — ما يُقصد بخطوات التفكّر في هذه التسلسلات أن تُشعّره
• هندسة المطالبات — طبقة السقالة في أنماط الاستخدام المُهيكَل
• نقل التعلّم — الناتج الذي تُحاكم عليه معظم الأنماط في النهاية
• صدق التقييم — السبب في اقتراح أدلّة العملية أصلًا
• النزاهة الأكاديمية — الدافع وراء التحقق الشفهي والتحقق من العملية
• ثقافة الذكاء الاصطناعي — القدرة التي تُنَمَّى بنقد مخرَج الذكاء الاصطناعي
• التعلم والتعليم عبر الإنترنت — السياق الذي يجعل التسلسل حاملًا للثقل
• التعليم العالي — المستوى الذي وُلِّد فيه معظم هذه الأدلة
• K-12 — مستوى دراسات الفشل المنتج والتغيّر المفاهيمي والتقييم الشفهي

المقالات المتصلة

• Peer and AI Review + Reflection (PAIRR): A Human-Centered Approach to Formative Assessment — مراجعة الأقران والذكاء الاصطناعي مع التفكّر (PAIRR): التسلسل الرئيسي، N = 654 (Sperber et al. 2025)
• GIFT-AI: Teaching the Game and Leveling the Field: Peer and AI Review + Reflection in a Business Writing Course — PAIRR مطبَّقًا في مقرّر كتابة أعمال (MacArthur et al. 2025)
• AI-peer integrated feedback in second language writing classes: exploring students' engagement and writing performance — التغذية الراجعة المتكاملة (ذكاء اصطناعي + أقران) رفعت المشاركة وأبعاد IELTS الأربعة كلها (Liu 2026)
• Leveraging generative AI to facilitate peer feedback in collaborative argumentation learning — تغذية الأقران الراجعة بالذكاء الاصطناعي التوليدي المُساقَدة بالمطالبات في الحجاج التعاوني (Chang et al. 2026)
• Dai (2026) — تدريب الطلاب على تصفية تغذية الذكاء الاصطناعي الراجعة وتقويمها: حالتا FRAC وAPCA
• Generative AI offers more, but students revise less: comparing the effects of teacher and AI feedback on student essay revisions — تغذية راجعة أعلى جودةً من الذكاء الاصطناعي لم تُنتج مكاسب تنقيح أكبر (Farrokhnia et al. 2026)
• Guardrails or Roadblocks? Effects of Pedagogical Style and Context Awareness in AI Teaching Assistants for Programming — السقراطي مع السياق الكامل قُوِّم أسوأ من كل إعداد مساعد آخر (Eastwood et al. 2026)
• Evaluating Scaffolding-Oriented Multi-Agent Large Language Model System for Clinical Interview Training — سقالة سقراطية مُشغَّلة بالحاجة في تدريب المقابلة السريرية، N = 100 (Yang et al. 2026)
• Analyzing Undergraduate Problem-Solving in Physics Through Interaction With an AI Chatbot — روبوت محادثة سقراطي في الميكانيكا التمهيدية: ارتفاع تحديد الأسئلة من 10–15% إلى 100% (Hashmi et al. 2025)
• The Effects of Agent Type and Feedback Style on Self-Directed Learning: A Mixed-Methods Study — تغذية راجعة لوكيل سقراطي مقابل موجِّه، مع ترتيب غير مُوازَن (Han et al. 2026)
• Do Gains from Generative AI-Enabled Adaptive Pretesting Persist? Evidence from a Retention Study — الاستدعاء المتباعد التكيّفي تغلّب على الدراسة بالذكاء الاصطناعي بقيادة المتعلّم (Akgun & Toker 2026)
• ChatGPT as a cognitive crutch: Evidence from a randomized controlled trial on knowledge retention — ChatGPT بلا قيود خلال الدراسة أخفض الاحتفاظ بعد 45 يومًا (Barcaui 2025)
• When AI Tutors Speak: Evidence from a Randomized Field Experiment — مكاسب التدريس الخصوصي المُهيكَل تتبّعت الأسابيع المكتملة لا الدقائق (Yang et al. 2026)
• Evidence and Theory for why the Best Example-Problem Ratio To Optimize Learning Gain Depends on Knowledge Content — الأمثلة مقابل الممارسة تتقاطع تبعًا لنوع المعرفة (Rachatasumrit et al. 2025)
• Adaptive Scaffolding for Cognitive Engagement in an Intelligent Tutoring System — أمثلة موجَّهة وعاطلة تكيّفية في مدرّس منطقي ذكي (Dey Tithi et al. 2026)
• Benefit or Bottleneck? Assessing the Impact of Structured Reflection on Learning from AI-Driven Explanatory Feedback — إضافة الشرح الذاتي إلى تغذية الذكاء الاصطناعي الراجعة خسرت في كل مقياس (Asher et al. 2025)
• Generative AI without guardrails can harm learning: Evidence from high school mathematics — التدريس الخصوصي المحمي أزال ضرر الامتحان الذي سبّبه GPT بلا ضوابط، نحو 1,000 طالب (Bastani et al. 2025)
• Beyond Access: Guided LLM Scaffolding for Independent Learning in Undergraduate Statistics — استخدام النماذج اللغوية الكبيرة الموجَّه مقابل غير المقيَّد في الإحصاء (Amanlou et al. 2026)
• Preferred Scaffolding Does Not Lead to Better Learning Performance: Empirical Evidence from AI-Supported Mathematical Modelling — السقالة ذات الجواب الفوري خفضت تجريد النماذج مع أنها كانت مفضَّلة (Zhu et al., 2026)
• Towards the Pedagogical Steering of Large Language Models for Tutoring: A Case Study with Modeling Productive Failure — توجيه مدرّس نموذج لغوي كبير لحجب الحلول لأجل الفشل المنتج (Puech et al. 2025)
• The Pedagogy of AI Mistakes: Fostering Higher-Order Thinking — دورات نقد وتحسين أسبوعية مبنية على حالات فشل متعمَّد في الذكاء الاصطناعي (Hosseini 2026)
• Generative AI in computing education: A systematic review and a framework for responsible integration — تحليل الخطأ ككفاءة متميّزة، عبر 72 دراسة في تعليم الحوسبة (Kumar et al., 2026)
• Clue before correction: ChatGPT-enhanced strategy for promoting autonomous and reflective language learning — دلائل موجَّهة بدل التصحيح المباشر للخطأ في تنقيح اللغة الثانية (Lukešová & Jennings 2026)
• The Contribution of Generative Artificial Intelligence as a Novice Learner to Students in the Learning by Teaching Model — الشرح لمتعلّم مبتدئ من الذكاء الاصطناعي، N = 68 (Wang et al., 2026)
• Learning-by-Teaching with ChatGPT: The Effect of a Teachable ChatGPT Agent on Programming Education — اختبار عشوائي لتعليم وكيل ChatGPT البرمجة (Chen et al., 2024)
• Turning 500+ Students into Teachers: A Semester-Long Study of an AI Teachable Agent in an Undergraduate Algorithms Course — التعلّم بالتدريس منشورًا على 546 طالبًا على مدى 11 أسبوعًا (Wang et al., 2026)
• Learning by Teaching: Engaging Students as Instructors of Large Language Models in Computer Science Education — طلاب يصمّمون أسئلةً لا يستطيع نموذج لغوي كبير الإجابة عنها (Yang et al. 2025)
• Combating Harms of Generative AI in CS1 with Code Review Interviews and a Flipped Classroom — مقابلات مراجعة شفهية إلزامية للشيفرة كاستجابة للذكاء الاصطناعي التوليدي في CS1 (Fowles et al. 2026)
• Asynchronous Oral Assessments: Enhancing Integrity, Engagement, and Communication in the AI Era — التقييم الشفهي المسجَّل بلا تزامن مقابل الاختيار من متعدد الحاضر وجهاً لوجه (Pentland et al. 2026)
• Exploring student anxiety and experience in performance-based assessments using AIvaluate: an LLM-augmented emotionally — المقابلة الشفهية القائمة على المحادثة قلّلت القلق بينما قُوِّمت الوجهاهية أفضل للفهم (Yusuf et al. 2026)
• Designing AI-Supported Oral Assessment in TVET — الذكاء الاصطناعي يُظهر أدلّة السلَّم لحكم المعلّم في الورش المهنية (Adams 2026)
• From Prototype to Classroom: An Intelligent Tutoring System for Quantum Education — نقاط تفتيش للمخرَج والمقاربة في مقرّر دراسات عليا ذاتي الإيقاع (Elhaimeur & Chrisochoides 2026)
• Agentic Education with AI Coding Assistants — نقاط تفتيش مانعة وفحص قبل التقدّم، N = 27 (Naboulsi 2026)
• Advancing Problem-Based Learning in Biomedical Engineering in the Era of Generative AI — تعلّم قائم على المشكلات بأربع وحدات ومعالم وسلالم تقدير (Nnamdi et al. 2026)
• Mathematics Teachers’ Interactions with a Multi-Agent System for Personalized Problem Generation — حلقة مراجعة بأربعة وكلاء مع معلّمين، وأين فشلت ملاءمة الاهتمام (Walkington et al. 2026)
• LearnLens: LLM-Enabled Personalised, Curriculum-Grounded Feedback with Educators in the Loop — تغذية راجعة بمشاركة المعلّم مع درجات تحقق (Zhao et al. 2025)
• Ethical implications of prompt injection in AI-mediated grading: An adversarial red-team evaluation — طعون غيّرت الدرجات دون أن تُكتشف، تاركةً المعلّم الفحص الوحيد (Humble 2026)
• ProPACT: A Proactive AI-Driven Adaptive Collaborative Tutor for Pair Programming — ذكاء اصطناعي مشترك يتوقّع انهيار التعاون في البرمجة الثنائية (Golrang et al. 2026)
• Enhancing Human-Generative Artificial Intelligence Online Collaboration Outcomes: The Pivotal Function of Symbiotic Role Design — أدوار متعلّم وذكاء اصطناعي مكتوبة بالنص في بناء المعرفة الجماعي (Cheng et al. 2026)
• ParaTutor: Coordinating Parent-Child Math Tutoring through Role-Separated LLM Scaffolding — دعم بالذكاء الاصطناعي بأدوار منفصلة في التدريس الخصوصي بين الأب والأم والطفل (Luo et al. 2026)
• AI tutors vs. tenacious myths: Evidence from personalised dialogue interventions in education — حوار الذكاء الاصطناعي المخصّص تغلّب على دحض الكتاب المدرسي فورًا، وتقارب بحلول شهرين (Corbett & Tangen 2026)
• Comparing the effectiveness of expert-written text, AI-generated text, and interactive AI dialogues on students' — نصوص التغيّر المفاهيمي تغلّبت على حوار الذكاء الاصطناعي التفاعلي، النتيجة العكسية (Akdogan 2025)
• AI-Supported Inquiry-Based Learning in Photosynthesis and Respiration: Implications for Sustainable Science Teacher Education — الاستقصاء الموجَّه المدعوم بالذكاء الاصطناعي والفهم المفاهيمي (Aydin 2026)
• From Traditional Classroom to AI-Enhanced Flipped Classroom: A Three-Year Pedagogical Evolution for International Students in Pharmacology — مقارنة على ثلاث دفعات بين التقليدي والمقلوب والمقلوب المعزَّز بالذكاء الاصطناعي (Liu et al. 2026)
• Integrating Flipped Learning and Generative AI for Practice-Based Design Education: Evidence from a Knit Yarn Design Course — مقرّر استوديو مقلوب بسقالات مطالعة موجَّهة بالمعامل (Qu et al. 2026)
• The Impact of Generative Artificial Intelligence on Learning Outcomes in Higher Education: A Meta-Analysis — نموذج التدريس عدّل النتائج: المقلوب g = 1.96 مقابل التقليدي g = 0.46 (Jing et al. 2026)
• Student Adoption of an AI Tutor for Statistical Programming: A Longitudinal Study — الاستخدام الأسبوعي للمدرّس الخصوصي في الواجبات تنبأ بدرجات مهام الانتقال في مقرّر مقلوب (Préau et al. 2026)
• Fostering Generative AI Literacy in Economics: A Hands-on Approach — مناقشة نقد للذكاء الاصطناعي من خمس خطوات مبنية على خطأ في الذكاء الاصطناعي (Beck & Brodersen 2025)
• Artificial intelligence assisted design of a novel cooperative learning technique for higher education — تسلسل تعلّم تعاوني مُختبر بأدوار مُسنَدة وجولة معرض (Tutal 2026)
• Developing an AI-Assisted Seminar-Based Learning Platform With Embedded Librarian Support: Enhancing Information Literacy of Engineering Research Teams — وحدة ندوة ومناقشة أقران مع نظام توصية استدعاء بالذكاء الاصطناعي (Huang 2026)