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

التعلّم المخصّص

تاريخ الإنشاء 2026-10-12

ترجمة آلية للصفحة الإنجليزية، لم يراجعها بعد متحدث أصلي.

التعلّم المخصّص — تكييف التجارب التعليمية على صور المتعلّمين الفردية، بما في ذلك المعرفة السابقة وسرعة التعلّم والتفضيلات والحالات الانفعالية. ويتيح الذكاء الاصطناعي التخصيص على نطاق واسع، وإن بقيت الفجوة بين تخصيص النظام والتخصيص المُدرَك من المتعلّم تحديًا قياسيًا مفتوحًا. وإلى جانب التعلّم التكيّفي والتعليم الذكي، هو أحد أعضاء جانب التطبيق في عائلة نمذجة المتعلّم والتعليم التكيّفي — مستهلكًا نماذج المتعلّمين لتكييف التعليم.

أسئلة للتفكير

  • عندما تفكر في "التعلّم المخصّص"، فهل تتخيل محتوى مكيَّفًا على سرعة متعلّم أم على أهدافه المختارة؟ تقول الصفحة إنهما مختلفان اختلافًا عميقًا (نتائج موحّدة عبر مسارات متنوعة مقابل نتائج متنوعة). فأيّهما تقدّر أكثر، ولماذا؟
  • تميّز الصفحة بين التعلّم المخصّص (الهدف) والتعلّم التكيّفي (آلية واحدة). فهل يخطر لك تخصيص لا ينطوي على تكيّف آني — وهل يبقى محتسبًا؟
  • يمكن لنظام أن يتكيّف دون أن يشعر المتعلّم بالتعرّف عليه أبدًا. فمتى اختبرت أن يُخصَّص لك دون أن تشعر بأنك معروف حقًا؟ وما الفرق؟
  • تُنبّه الصفحة إلى أن الإفراط في التخصيص قد يحبس المتعلّمين في مسارات منخفضة التوقعات. فكيف قد يخفض تكييف ذكاء اصطناعي حسن النية السقف لمتعلّم بالخطأ؟
  • يحتاج التخصيص بيانات متعلّمة مفصّلة؛ وتحتاج الخصوصية إلى تقليل البيانات. فأين ترسم الخط بين "بيانات كافية للتكيّف" و"كثير إلى حد أن المتعلّم معرَّض"؟
  • فما الذي يحتاج ذكاء اصطناعي أن يتذكره عنك عبر الجلسات ليخصّص تعلّمك حقًا — وما مخاطر تذكّره تلك الأمور؟

مقدمة

تكييف التجارب التعليمية على صور المتعلّمين الفردية، بما في ذلك المعرفة السابقة وسرعة التعلّم والتفضيلات والحالات الانفعالية. ويتيح الذكاء الاصطناعي التخصيص على نطاق واسع، وإن بقيت الفجوة بين تخصيص النظام والتخصيص المُدرَك من المتعلّم تحديًا قياسيًا مفتوحًا.

  • يميّز Mishra et al. بين شكلين من التخصيص لهما جذور تاريخية عميقة — نتائج موحّدة تُبلَغ بمسارات متنوعة (من آلات التعليم عند Skinner إلى التعليم بالإتقان على طريقة خان أكاديمي) مقابل نتائج متنوعة يختارها المتعلّم — مناظرَ توتر الحقل بين السيطرة والفاعلية.

معماريات التخصيص المدفوع بالذكاء الاصطناعي

الذاكرة الطولية (PersonaVLM ← التعليم)

طوّر Nie et al. (2026) معمارية ذاكرة طويلة المدى متعددة الأنماط (PersonaVLM) تُبقي اتساق الشخصية عبر التفاعلات. وبإسقاطها على التعليم، يتيح ذلك أنظمة تعليم تتذكّر المفاهيم الخاطئة للمتعلّم وتفسيراته المفضّلة وتاريخ تقدمه عبر الجلسات — وهو ما يعالج عجزًا حاسمًا في معلمي روبوتات المحادثة عديمي الحالة.

ركيزة التخصيص الأصلية للوكلاء (DeepTutor)

يصمّم Ma et al. (2026) كل ميزة في DeepTutor: Towards Agentic Personalized Tutoring لتتشارك ركيزة تخصيص مشتركة، بدلًا من تثبيت التخصيص على أدوات تفاعلية. وتضمن هذه المعمارية تماسكًا عابرًا للأنماط: فالصورة الواحدة للمتعلّم تقود حل المشكلات وتوليد الأسئلة والكتابة التعاونية.

التخصيص الاجتماعي متعدد الوكلاء (MAIC)

يخصّص Yu et al. (2024) ليس المحتوى فحسب بل السياق الاجتماعي. فالنماذج الأصلية للزملاء (مهرّج الصف، والمفكّر العميق، ومُدوِّن الملاحظات، والعقل الاستفهامي) تبتدع ديناميكيات تعلّم بين الأقران متنوعة مطابقة لاحتياجات المتعلّمين الفردية.

AutoML لصور المتعلّمين

التخصيص هدف مركزي لتحسين الجودة التعليمية، ومع ذلك فمعالجة بيانات سلوك التعلّم غير المتجانسة متعددة المصادر تبقى تحديًا. فإطار بحث معمارية معرفية عصبية مخصّصة، مدفوعًا بـتعلّم الآلة الآلي، يبني صور متعلّمين ويولّد نماذج تشخيصية لصور متعلّمين غير متجانسة، دامجًا بيانات متعددة الأنماط لتجاوز نتائج الاختبارات الثابتة.

فلا تستطيع قاعدة معرفة ثابتة التخصيص: إذ تتطور الأنطولوجيات ببطء وتعالج عدم اليقين معالجة ضعيفة، لذا تُطابق المعمارية التمثيل بنوع المعرفة — التعريفي بالأنطولوجيات، والإجرائي بالقواعد، وغير اليقيني بأنطولوجيات ضبابية أو احتمالية، والضمني بالتحليلات وتعلّم الآلة — وتُفضّل نظام أنطولوجيات مصغّرة مرصوفة على نموذج واحد ضخم (Ivanova, 2026).

العلاقة بالتعلّم التكيّفي والتعليم الذكي

يُخلط التعلّم المخصّص كثيرًا بـالتعلّم التكيّفي، لكنهما ليسا متماثلين. فـالتعلّم التكيّفي يشير إلى الآلية — نظام يعدّل المحتوى والإيقاع والصعوبة آنيًا بناءً على نموذج متعلّم. والتعلّم المخصّص هو الهدف الأوسع — تكييف تجربة التعلّم كاملة (المحتوى، والمسارات، والإيقاع، والتفضيلات، والأهداف) على فرد، يكون التكيّف الآني أحد تنفيذه. والأنظمة التكيّفية وسيلة نحو التخصيص، لكن التخصيص يتحقق أيضًا عبر صور متعلّمين ثابتة، أو مسارات قائمة على الاختيار، أو تكييف معلم بشري لا يتكيّف آنيًا.

ويضع مراجعة PRISMA 2020 لـ22 تدخّلًا في التعليم العالي دعم التعلّم المخصّص والمسارات التكيّفية بين حالات استخدام الذكاء الاصطناعي السائدة، مع أن أكثر التنفيذات حسّنت الممارسة القائمة لا غيّرتها (AlSheikh et al. (2026)).

والتعليم الذكي يجلس بينهما: فأنظمة التعليم الذكي هي المنصّات التكيّفية القانونية التي تُقدّم تعليمًا مخصّصًا عبر نمذجة طلاب مهيكلة، بينما يخصّص المعلمون القائمون على النماذج اللغوية الكبيرة محاورًا. والثلاثة جميعًا أعضاء جانب التطبيق في عائلة نمذجة المتعلّم والتعليم التكيّفي — فهي تستهلك تمثيلات المتعلّمين التي تُنتجها نمذجة الطلاب وتتبّع المعرفة والتشخيص الإدراكي لتقرر ما يُدرَّس تاليًا. والتمييز يهم في التقويم: فالدراسات التي تُسمّي نظامًا "تكيّفيًا" أو "مخصّصًا" أو "فردانيًا" بالتبادل (انظر أدناه) قد تُعتم ما إذا كانت الفائدة المُدّعاة تأتي من التكيّف الآني، أم اختيار المتعلّم، أم تكييف المحتوى.

تحديات القياس

  • تخصيص النظام مقابل المُدرَك — يمكن لنظام أن يتكيّف دون أن يشعر المتعلّم بالتعرّف عليه

  • الصلاحية الطولية — قد تضمحل فوائد التخصيص إذا صارت الصور قديمة أو مفرطة الملاءمة

  • مخاطر الإنصاف — قد يحبس الإفراط في التخصيص المتعلّمين في مسارات منخفضة التوقعات

  • مخاطر التحيز — الإشراط على سمات الطلاب يمكن أن يرمّز صورة نمطية: فمع تثبيت المقالات، صارت التغذية الراجعة للطلاب المميّزين بالعرق أو اللغة أو الإعاقة أكثر إطراءً وأقل نقدًا (Tan, Phalen & Demszky (2026)).

التخصيص والتقويم

التخصيص والتقويم مقرونان بإحكام في التعلّم المدفوع بالذكاء الاصطناعي. إذ يعتمد التخصيص التكيّفي على قياس تكويني مستمر لما يعرفه متعلّم (عبر تتبّع المعرفة ونمذجة الطلاب والتشخيص الإدراكي) ليقرر ما يكيَّف تاليًا — فموثوقية إشارة التقويم تقيّد جودة التخصيص مباشرةً. وبالمقابل، عندما يُخصَّص التقويم الختامي لكل متعلّم، تصبح العدالة والقابلية للمقارنة أعسر في الإثبات. ويحذّر البحث في قاعدة المعارف من الإفراط في التكيّف مع الإشارات السطحية أو المزعجة: فالأنظمة التكيّفية التي تقيس متعلّمًا قياسًا خاطئًا قد تخصّص بطرق تُنقص التعلّم لا تدعمه، والطلاب الأصليون في الذكاء الاصطناعي الذين تقييمهم الذاتي غير موثوق ("خط أساس إدراكي غائب") أعسر في النمذجة بدقة.

التخصيص في عصر الذكاء الاصطناعي

ويأتي أقوى دليل على أن هذا القلق ليس افتراضيًا من دراسة طولية من ثلاث موجات على 486 طالبًا صينيًا في مرحلة البكالوريوس (Li, Lin & Qiu, 2026)، التي وجدت أن الطلاب الذين أدركوا بيئتهم التكيّفية بالذكاء الاصطناعي على أنها أكثر تخصيصًا كان تعلّمهم الذاتي التنظيم أدنى — وهو "مفارقة التخصيص". وحملت تحولات الانفعالات الأكاديمية معظم الأثر: فمواجهة البيئة التكيّفية تنبأت بمتعة أقل وقلق وملل أكثر، وهذه التحولات الانفعالية مجتمعةً فسّرت نحو نصف الارتباط بين التخصيص والتنظيم الذاتي المنقوص. وعزلت ثقافة الذكاء الاصطناعي الضرر، مُضعفةً الارتباط الانفعالي السلبي إلى غير المعتبر إحصائيًا عند الثقافة العالية. فيبدو التخصيص إذن يشترى ملاءمة تكيّفية بكلفة على نشاط التنظيم الذاتي للمتعلّم، وتُشير الدراسة إلى التجربة الانفعالية — لا الحمل الإدراكي وحده — كقناة يُدفع عبرها ثمن تلك الكلفة.

وحيث يُتحقق من التشخيص الكامن وراء مسار، يُثمر التخصيص بخفض الحمل لا بتغطية المزيد: إذ متوسطت المعالجة بأقصر مسار 3.82 خطوة وقطعت زمن الدراسة 22.0% (57.6 مقابل 73.8 دقيقة)، مع الحمل الإدراكي حاملًا 53.7% من أثر الاختبار البعدي (Feng & Huang, 2026).

وقد يكون الدليل على الأداة سلبيًا هو نفسه على نطاق صغير: ففي تجربة كسور ابتدائية دامت خمسة أيام (n النهائي = 22)، أظهرت مجموعة الممارسة المعتادة مكاسب استيعاب أعلى بفارق معتبر من مجموعة Mathbot التكيّفية بالذكاء الاصطناعي، ويُنبّه المؤلفون إلى مُلابسات المستوى الدراسي والتخمين وكلفة الترخيص كقيود — فالتصنيف "التكيّفي" لا يحمل أثرًا (Holman (2024)).

وتعلّم التعزيز آلية متميزة للتخصيص، ويرسم Riedmann, Schaper & Lugrin (2025) سجله التجريبي: فمراجعتهما PRISMA لـ89 دراسة تعلّم تعزيز في التعليم تجد تخصيص تعلّم التعزيز متمركزًا في التعليم العالي وتعليم الرياضيات، مع التكيّف منفَّذًا أساسًا كجدولة محتوى (n = 53) أو تخصيص مرتبط بالإرشاد مثل التلميحات والتغذية الراجعة (n = 36). ويُبلّغان أن سياسات تعلّم التعزيز تتغلب على خطوط الأساس غير التكيّفية أكثر ما يتكرر على التكيّف المرتبط بالإرشاد وعلى المتغيرات الانفعالية (63% من الدراسات المختبرة)، وأن مكسب التعلّم — خصوصًا مكسب التعلّم المعيَّر — كان أكثر مصادر المكافأة فعالية — إرشاد عملي لتصميم إشارات مكافأة تُخصّص نحو التعلّم الحقيقي لا الاندماج.

ويُظهر Wang et al. (2026) أن هدف المكافأة هو نفسه اختيار تخصيص: إذ قطع مدرب بتعلّم التعزيز مدرَّب على كفاءة المتعلّم المستقلة زمن اللفة 27.9% (p = 0.005) حيث لم يُنتج التلاشي القائم على القواعد تغيرًا موثوقًا، ويدّعي المؤلفون أن وكلاء البرمجة المحسّنين لأداء المهمة لا يحملون حافزًا لما يحتفظ به الإنسان.

ويشحذ Bernstein and Sibia (2026) تمييزًا بين تخصيص الاهتمام وتخصيص الخبرة: فقد أُبلغ عن تشبيهات الذكاء الاصطناعي التوليدي المطابقة للاهتمام أنها أكثر جذبًا وقابلية للتذكّر لكنها ليست أكثر ثقة بصورة موحدة، وقدّم بعض الطلاب التفسير التقني العام حتى عندما طابق التشبيه اهتمامهم المعلن، لتحقيق الاكتفاء والاكتمال (Flawed but Memorable: Student Critical Reception of Interest-Personalized GenAI Analogies in Computing Education). وتوصيتهما التصميمية هي التخصيص عبر بنية مجال المصدر وسؤال الطلاب عما يعرفونه سلفًا، لا عما يهمّهم فقط، لأن الألفة بمجال المصدر هي ما يتيح للمتعلّم فحص التشبيه — ومنح المتعلّمين سيطرة على التخصيص عبر قائمة تشبيهات، أو اشتراك اختياري، أو عرض نسختين عامة ومخصّصة معًا. ويوثّق Sidorkin (2026) اقترانًا إضافيًا على مستوى مواد المقرر بدلًا من التفسيرات الفردية: إذ كُيّفت قراءات أسبوعية مولّدة عند الطلب لمقرر قيادة تعليمية في مرحلة الدراسات العليا معًا على الاهتمام (القطاع، والدور المهني، والأمثلة المحلية) ومستوى الاستيعاب (الإيقاع، والتعريفات، والعمق)، وتشاركت السجلات الناتجة في عمود فقري مشترك (تشابه تجيبي لناقل TF-IDF من 0.50 إلى 0.61)، وهو ما يقرؤه كقالب بمفاتيح ضبط قابلة للتعديل لا إعادة كتابة كاملة لكل متعلّم. ويُظهر النص ذاته أن التكييف كان بنيويًا لكن غير متساوٍ في الشدة: إذ متوسطت علامات التكييف على مستوى الناتج 52.24 لكل 10,000 كلمة وتراوحت من 38.74 إلى 74.29 عبر السجلات، بينما أنتجت المطالبات الموجّهة للاستيعاب سقالة تعريفية أكثر بمقدار 3.4 أضعاف إلى 8.7 أضعاف من النص الشرحي الأساس.

ومحور ثالث للتخصيص هو الهدف، وهو المدخل الذي يتعامل مخططو الذكاء الاصطناعي معه أسوأ. إذ جَزّأ Liu et al. (2026) 2,000 شخصية متعلّمة اصطناعية مع رسم بياني للمتطلبات السابقة من 347 مقررًا و4,092 مفهومًا، وطلبوا من عشرة نماذج لغوية كبيرة أن تخطط خطوة بخطوة للمعرفة التي ينبغي لمتعلّم أن يدرسها ليصل إلى وحدة هدف معلنة. فقد أنتجت النماذج مناهج سليمة بنيويًا — بلغ DeepSeek-V3.1 نسبة 90.9% في صلاحية المتطلبات السابقة والهلوسة — مع إخفاقها في تكييفها على المتعلّم: إذ بلغت القدرة على التكيّف حدًا أقصى 44.7%، وكان معدل نجاح DeepSeek-V3.1 النهائي 29.5% في التعليم الأساسي و14.6% في التعليم العالي، وكلفت إزالة حقل الإتقان من الشخصية حتى 26.1 نقطة مئوية من القدرة على التكيّف مع إبقاء الصلاحية بلا تغيّر تقريبًا. ورفع توليد المسار كله في مرور واحد بدلًا من التفاعل الصلاحية بما يصل إلى 30.8 نقطة مع قطع القدرة على التكيّف بـ28.8. فادعاء "مخصّص" ادعاء بالاستجابة لحالة متعلّم، والمتغير الحالة هو الجزء الذي يستطيع هؤلاء المخططون الاستغناء عنه بأسهل سبيل — نظير حسابي للقلق القياسي أعلاه.

ومحور رابع هو الجمهور المستهدف بدلًا من المتعلّم الفردي: إذ يُعيد Bespoke توليد محاضرة قائمة لجماعة مهنية مسمّاة (الرعاية الصحية، أو المالية، أو الطاقة)، وقيّم مقيّموه الخبراء النسخ المؤطّرة بالصناعة 0.32 نقطة أعلى في عمق التخصيص (3.97 مقابل 3.65) بينما تأخرت معايرة الجمهور (3.52). فالتكييف على فوج بدلًا من متعلّم شكل أرخص وأكثر قابلية للتعامل من التخصيص، لكن المقياس الذي قاسه قيس الملاءمة المحكومة لا نتائج المتعلّمين.

وقد يتجاوز التخصيص مقدّمًا بشريًا: ففي مقرر كبير عبر الإنترنت (493 مستجيبًا)، رتّب الطلاب الفيديوهات المخصّصة المولّدة بالذكاء الاصطناعي فوق المسجّلة بشريًا غير المخصّصة (متوسط رتبة 2.26 مقابل 2.69) ورتّب 88.4% بعض الفيديو المخصّص أولًا، مقابل 73.8% للمسجّل بشريًا (Tomlinson et al. (2026)).

التخصيص المجهري المشروط بالمطالبات

يُظهر Basu, Kakar & Goel (2026) أن الفجوة بين تخصيص النظام والتخصيص المُدرَك يمكن معالجتها على مستوى الاستجابة. فإطارهم لمعلم Jill Watson القائم على نموذج لغوي كبير/RAG يجمع بين التفضيلات التي يختارها المتعلّم (التجرّد، والإسهاب، والإدراك، والمعالجة، والفهم) وبين الطلب الإدراكي المستنبط من النظام (تصنيف بلوم) لإنتاج 96 صورة مجهرية مكيَّفة في كل تفاعل عبر الاشتراط المنظم للمطالبات — بلا إعادة تدريب، وبلا تأليف خاص بمجال دراسي. وهذا هجين من القابلية للتكيّف (اختيار التفضيل الموجَّه للمتعلّم) والقابلية للتكييف (التقييم الإدراكي الموجَّه للنظام)، مما يُظهر أن تخصيص كيفية تقديم المحتوى يمكن أن يكون قابلًا للتوسّع ومُدرَكًا من المتعلّمين كليهما.

الغموض المصطلحي

مشكلة متكررة أن "التعلّم المخصّص" مصطلح مظلّة واسع معرَّف تعريفًا فضفاضًا. فالمراجعات المنهجية (Khalifeh et al., 2026) تجد أن التعلّم التكيّفي والتعليم الفرداني والتعلّم المخصّص والتعلّم المخصّص تُستخدم بالتبادل، بلا تعريف مقبول عالميًا — وهو مصدر غموض مفاهيمي يُعقّد توليف البحث والممارسة المبنية على الأدلة. ويدعو الحقل بشكل متزايد إلى إطار وتعريف موحّدين بحيث يدلّ "المخصّص" على ادعاء دقيق مدعوم بأدلة لا تصنيف فضفاض (وهي نقطة يعزّزها نقد قاعدة المعارف لاستخدام البناء الضعيف).

المفاهيم المرتبطة

المقالات المرتبطة

البيانات الوصفية

المستوىHigher Ed, K 12
الجمهور المستهدفLearners
التعلم والتعليمالسقالة
التقنيات والأساليبالتعلّم التكيفي, الذكاء الاصطناعي التوليدي, التدريس الذكي, النماذج اللغوية الكبيرة (LLMs), التعلّم المخصّص
أساسيات الذكاء الاصطناعي في التعليمالذكاء الاصطناعي في التعليم
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.