الخصوصية

ترجمة آلية للصفحة الإنجليزية، لم يراجعها بعد متحدث أصلي.

الخصوصية — حماية بيانات الطلاب وهويتهم واستقلالهم في بيئات التعلّم المُعزَّزة بالذكاء الاصطناعي. وتشتدّ مخاوف الخصوصية كلما جمعت أنظمة الذكاء الاصطناعي بيانات سلوكية أكثر دقةً من أجل التخصيص، والتحليلات، والتعليم التكيّفي. وهي قيد أخلاقي وتنظيمي أساسي على الذكاء الاصطناعي في التعليم: فكل أداة ذكاء اصطناعي تقريبًا تُخصّص أو تتنبأ أو تقوّم تعتمد على بيانات المتعلّم، وهو ما يجعل تقليل البيانات والموافقة والشفافية والأمان متطلباتٍ أساسيةً للتصميم لا اعتبارات ثانوية.

Questions to Consider

• أي بيانات طلابية عنك تشعر بالانزعاج لو جُمعت عنك — حتى وإن حسّنت تعلّمك؟ وأين يصبح التخصيص رقابةً؟
• كثير من الطلاب ليس لديهم «خيار ذو معنى» سوى استخدام منصة مفروضة، فتصير الموافقة صورية. هل وافقت يومًا على شيء دون أن تفهم فعلًا ما يُجمع ولماذا؟ فما الذي تتطلبه الموافقة المستنيرة فعلًا؟
• بيانات المتعلّم ذاتها التي تُشغّل التعلّم التكيّفي المُخصّص تخلق كذلك خطر سوء الاستخدام والضرر. فهل تستطيع تسمية فائدة تخصيص تكون مستعدًا للمتاجرة ببعض الخصوصية مقابلها — والخط الذي لا تتجاوزه؟
• تحذّر الصفحة من أن ضمانات الخصوصية قد «تتخلف فتتعرّض فقط لبعض المتعلّمين». فأي الطلاب قد يكون أكثر انكشافًا، وكيف تتصل الخصوصية بالإنصاف والعدالة؟
• المراقبة المستمرة بالذكاء الاصطناعي — حتى حسنة النية — تستطيع تشكيل السلوك والقلق. ومتى غيّرت مراقبتك لك أسلوب سلوكك، وماذا يوحي ذلك بشأن إحساس الذكاء الاصطناعي في الفصل؟
• وبالنسبة للأطفال، تمتد الخصوصية إلى ما وراء حماية البيانات إلى الأمان. فلماذا قد تفشل أدوات الأمان ذات الأغراض العامة في التقاط المخاطر المتصلة بالتعليم القادمة من قاصرين، ومن يجب أن يكون في الحلقة؟

Introduction

الخصوصية هي الشرط السابق لذكاء اصطناعي جدير بالثقة في التعليم. ولأن أنظمة الذكاء الاصطناعي تتحسن بالبيانات — فـالتخصيص يتطلب مِلَفّات متعلّم مفصّلة، وتحليلات التعلم تتطلب سجلات تفاعل دقيقة، ونماذج التدريس المُضبَطة بدقة تتطلب نصوصًا أصيلة بين متعلّم ومدرّس — فإن البيانات ذاتها التي تتيح تعليمًا تكيفيًا قابلًا للتوسّع تخلق كذلك خطر المراقبة وسوء الاستخدام والضرر. وتعالج قاعدة المعارف الخصوصية كغير قابلة للفصل عن الأخلاقيات (الإطار المعياري)، والتنظيم (المتطلبات القانونية)، والحوكمة (المسؤولية المؤسسية)، والإنصاف (من هو محمي ومن هو منكشف). وتتجمع مقالاتها عن الخصوصية حول أربع مشكلات متكررة: الجمع على نطاق واسع، والموافقة والشفافية، والأمان وإخفاء الهوية، والحمايات المتميزة الواجبة للأطفال.

The core privacy challenges

• جمع البيانات على نطاق واسع. يجمع تحليلات التعلم ومنصات التعليم التقنية بيانات تدفق النقرات والكتابة والضغط على المفاتيح والتفاعل. والسؤال المركزي الذي يفحصه بحث الخصوصية هو ما إذا كان هذا الجمع متناسبًا مع الفائدة التعليمية — وبحث تحليلات التعلم الجديرة بالثقة يعامل الخصوصية وحوكمة البيانات كشرط سابق لا كإضافة: فالامتثال الأخلاقي وأمن البيانات والخوارزميات الشفافة هي ما يجعل التغيير التعليمي المستنِد إلى البيانات ذا معنى من الأصل.
• الموافقة والشفافية. نادرًا ما يفهم الطلاب والأسر ما تجمعه أداة ذكاء اصطناعي، أو كيف يُستخدم، أو أين يُخزَّن. وهذا اختلال القوة بين المؤسسات والمتعلّمين موضوع متكرر — فقد لا يكون لدى الطلاب خيار ذو معنى سوى استخدام منصة مفروضة، فتصير «الموافقة» صوريةً لا مستنيرة. وتربط قاعدة المعارف هذا بـالثقة والإفصاح: فاستخدام المتعلّمين للذكاء الاصطناعي واستخدام المؤسسات لبيانات المتعلّمين يعتمد كلاهما على الشفافية بشأن ما يُجمع ولماذا.
• التفويض كآلية خصوصية، لا كإفصاح فقط. يجادل ناما (2026) بأن الوكلاء المستقلين يرثون الصلاحيات عبر الجلسات ونادرًا ما يسحبونها، فكل تفويض معتمٍ يُعوّد المستخدمين على منح الوصول دون فحص — مما يجعل الموافقة المستنيرة بشأن متى يعمل وكيل لا شخص جزءًا من تصميم الخصوصية.
• الأمان وإخفاء الهوية ومصدر البيانات. حتى البيانات المشروعة تستطيع الإضرار إذا اخترقت أو أُسيئ التعامل معها. وتظهر تقنيات الحفاظ على الخصوصية عبر قاعدة المعارف — فيُظهر TeachLM خطًا صارمًا من الموافقة لكل جلسة، وإزالة معلومات التعريف الشخصي (PII) على خوادم داخلية، وسريةً من درجة المؤسسات لتدريب ما بعد التدريب لنماذج التدريس على بيانات أصيلة، مما يُظهر أن بيانات المتعلّمين المصدرة أخلاقيًا ممكنةٌ وشرطٌ سابق للتدريس عالي الجودة. وتحفظ بنى الذكاء الاصطناعي الموحدة وبنى الحافة البيانات محليًا، مُنقصةً الجمع المركزي. ويدفع الاستدلال المقيم في المتصفّح هذا إلى أقصاه: فعامل WebLLM يعمل موقعًا ساكنًا بأوزان مخزَّنة في IndexedDB، فلا تترك شيفرة الطالب ومطالبه ونصوصه الجهاز أبدًا، ولا حاجة إلى مفاتيح واجهات برمجية أو فواتير لكل نداء — وإن كانت كلفة الإنصاف فجوةً عتادية جديدة، إذ يعتمد التوليد السريع والسلس على معالج رسوميات جهاز عميل قادر (Suvernev et al. (2026)). وتُضيف أدوات الكشف حالةً موازية في التعامل مع البيانات: فتُنبّه باسيت وآخرون (2026) إلى أن مُنتجي المُكتشِفات يخزّنون عمل الطلاب على خوادم أطراف ثالثة، وأحيانًا في الخارج تحت معايير خصوصية أضعف، إلى جانب خطر الاختراق والاستغلال التجاري المحتمل لكتابات الطلاب.
• المراقبة وتوتر المراقبة-الخصوصية. فالمراقبة المستمرة بالذكاء الاصطناعي — حتى حسنة النية — قد تبدو توغّلية. ويربط البحث في إجهاد الذكاء الاصطناعي، والمراقبة عن بعد، والاعتماد المُفرط الخصوصية بـرفاه الطلاب: فعندما يراقب الذكاء الاصطناعي ويتتبع باستمرار، فهو يُشكّل السلوك والقلق لا تدفقات البيانات فقط. وسجّل هاريريمانا وآخرون (2026) ما تلتقطه أنظمة المراقبة فعلًا — الصور الوجهية، ووثائق الهوية، ومسح الغرف بما فيه المسح بزاوية 360 درجة، والصوت من الميكروفون، والتعرف على الوجه، وتسجيلات الشاشة، وأحداث القفل، وتتبع الضغط على المفاتيح والفأرة، مع إضافة GPS وفحوص الصور الذاتية في المراقبة عبر الهاتف المحمول — ووجدوا الخصوصية والمساءلة الخوارزمية غائبتين في معظمهما عن الدراسات الست التي استوفت معايير الإدراج، ومُزوَّدةً بدلًا من ذلك من أعمال مجاورة: فعبّر 83% من المستجيبين في مسح واحد استُشهد به عن مخاوف المراقبة، و58% عن انزعاج، و72% عن مخاوف تتعلق بخصوصية البيانات، بينما تركت عقود المورّدين عبر الحدود أدواتٍ مثل GDPR وقانون حماية المعلومات الشخصية (POPIA) في جنوب أفريقيا تقدم سيطرةً محدودة. والانكشاف القانوني التابع للاحتفاظ بتلك البيانات ومعالجتها — من هو المتحكم، وكم تبقى، ومن يجوز له الوصول إليها، وهل كانت الموافقة طوعيةً فعلًا — مرسوم في المسائل القانونية والمخاطر.
• مقايضة التخصيص-الخصوصية. يتطلب التعلم المُخصّص بيانات متعلّم مفصّلة ليعمل، مما يخلق توترًا بنيويًا مع الخصوصية. وتستكشف قاعدة المعارف مناهج توازن بين التخصيص وتقليل البيانات — بيانات تكفي للتكيّف، لا أكثر من أن ينكشف المتعلّم بالكامل. وهذه هي الشكل العملي لسؤال «كم هو متناسب؟».
• إدارة البيانات كقيمة أخلاقية أساسية. يُحدّد آغاروال وآخرون (2026)، في مراجعة منهجية لـ25 مقالًا، إدارة البيانات (تعريفات تستخدم بيانات/معلومات) كواحدة من ست قيم أخلاقية رئيسية لـالذكاء الاصطناعي في التعليم، إلى جانب عدم التمييز، والإشراف البشري، وحسن النية، والقابلية للتفسير، والملاءمة التعليمية. وتجد المراجعة أن القيم مترابطة ارتباطًا وثيقًا وتستطيع أن تتصارع — مثلًا القابلية للتفسير مقابل الدقة/الخصوصية، وعدم التمييز مقابل إدارة البيانات — مُنتجةً معضلات أخلاقية، وأنه لا أعراف بشأن إدارة البيانات تخاطب المستخدمين النهائيين مباشرةً، تاركةً المتعلّمين سلبيين في معظمهم في الأدبيات الأخلاقية.
• الخصوصية مؤجّلة لا مقرّرة. تُظهر اثنتا عشرة مقابلة مع متخصصي تقنيات التعليم وتدقيقًا لـ48 سياسة خصوصية لمنصات أن الخصوصية معترف بأهميتها ثم مؤجلة عبر دورة حياة المنتج، مع تفويض المسؤولية إلى مزودي الحوسبة السحابية ومستندات السياسة والمدارس اللاحقة — نمط يخفي ضعف تغذية الخصوصية الراجعة باستمراره، لأن الصمت يبدو دليل الأمان (نير وغرينستادت، 2026).
• قاعدة أدلة المراقبة فقيرة في الأخلاقيات. وجدت مراجعة لـ80 دراسة أن 35% منها لم تفصح عن مجموعة بياناتها، و40% قيّمت نموذجًا واحدًا، و30% لم تكن قابلة للتكرار، و25% فقط تناولت قضايا أخلاقية؛ والإيجابيات الكاذبة — تمييز السلوك الطبيعي — تبقى خطرًا أساسيًا على الموثوقية (مالهوترا وتشابرا (2026)).

Child safety and K-12 protections

تتطلب إعدادات K-12 ضمانات خصوصية أقوى لأن المتعلّمين قاصرون. وهذا يمتد بالخصوصية إلى ما وراء حماية البيانات إلى الأمان التربوي: فالأدوات التي يستخدمها الأطفال يجب أن تحمي بياناتهم فحسب بل تحميهم هم كذلك من الضرر. ويُظهر بحث أمان الأطفال أن مصنّفات الأمان ذات الأغراض العامة تفشل في الغالب في كشف استدعاءات الأطفال غير الآمنة المتصلة بالتعليم، محذّرًا من أن المدارس لا تستطيع الافتراض بأن ضمانات النماذج المعيارية تحمي المستخدمين الأصغر سنًا — فهم يحتاجون تقييمًا خاصًا بالأطفال، واختبارًا مبنيًا على الحوادث، وإشرافًا بشريًا. والتأطير يربط الخصوصية بـالإنصاف: فمن يحميه الأمان والخصوصية الافتراضيان يعكس من يُعامل نظامه أمانه واستقلاله كأمر غير قابل للتفاوض.

Privacy in practice

• تعامل مع الخصوصية كمتطلب تصميم لا كاعتبار سياسي لاحق. يُظهر مثال TeachLM أن الموافقة وإخفاء الهوية والتعامل الآمن مع البيانات يمكن بناؤها في خط البيانات نفسه — نموذجٌ لمصدر البيانات الأصيلة أخلاقيًا وهي التي تجعل مدرّسي الذكاء الاصطناعي فعّالين.
• صمّم لتقليل البيانات. فضّل المناهج التي تجمع ما يتطلبه التكيّف فقط (الذكاء الاصطناعي على الحافة/الموحّد، والمعالجة على الجهاز) بدلًا من تكديس بيانات التفاعل افتراضيًا. ويُظهر بواباتي وآخرون (2026) صيغةً موحدةً محسوسةً من ذلك لـالتشخيص المعرفي: فتتعاون واجهات برمجة تطبيقات LLM تجارية متعددة في التشخيص مع إضافة ضجيج الخصوصية التفاضلية المحلية ε إلى تنبؤ كل نموذج قبل التجميع، فلا يرى أي مزود بيانات الطلاب الخام — بنيةٌ تحافظ على الخصوصية تُبقي التدريس بالذكاء الاصطناعي عاملًا دون مركزنة مسارات المتعلّمين الحساسة. ويُتيح التعلّم الموحّد كذلك تحليلاتٍ عابرة للمؤسسات دون مشاركة البيانات: فيدرّب فيليغاس-تش وآخرون (2026) نموذجًا أكاديميًا متعدد المهام للخطر عبر المؤسسات عبر تجميع موحّد فتبقى بيانات المتعلّمين الخام محلية ولا تُشارَك إلا معاملات النموذج — بديلٌ تعاوني يحافظ على الخصوصية عن تحليلات التعلم المركزية يُبقي سيادة البيانات مع التقاط الأنماط العابرة للمؤسسات.
• أمّن موافقةً صريحة مستنيرة. حيث تموّل بيانات المتعلّمين تطوير الذكاء الاصطناعي أو تحسينه، ينبغي أن تكون المؤسسات شفافةً بشأن الجمع والتخزين والاستخدام — وأن يكون للطلاب خيارات حقيقية لا منصات مفروضة.
• دقّق في من هو محمي. لا ينبغي أن تتخلف ضمانات الخصوصية فتحمي بعض المتعلّمين فقط؛ فـالإنصاف يطلب أن تسري العناية ذاتها عبر خطوط العمر واللغة والإعاقة والحالة الاجتماعية الاقتصادية.

Connections

تتصل الخصوصية بـتحليلات التعلم (جامعة البيانات)، والتعلم المُخصّص (مستهلك البيانات)، وK-12 (الحمايات المشددة)، والأخلاقيات (الإطار المعياري)، والتنظيم (المتطلبات القانونية)، والحوكمة (المسؤولية المؤسسية)، والإنصاف (من هو محمي)، والأمان التربوي (حماية الطفل)، وسياسة التعليم والذكاء الاصطناعي (الاستجابات السياسية). وهي واحدة من القيود الأساسية التي يجب أن يُوفيها أي نشر مسؤول للذكاء الاصطناعي في التعليم — السبب في أن الذكاء الاصطناعي الجدير بالثقة، في تأطير قاعدة المعارف، يبدأ ببيانات جديرة بالثقة.

Connected Concepts

• المراقبة عن بعد
• تحليلات التعلّم
• التعلّم المخصّص
• K-12
• الأخلاقيات
• تنظيم الذكاء الاصطناعي في التعليم
• الإنصاف
• حوكمة الذكاء الاصطناعي
• سياسة الذكاء الاصطناعي في التعليم
• الأمان البيداغوجي
• المسائل القانونية والمخاطر
• تجربة الطالب
• دعم الطلاب ونجاحهم — student records, cross-office data sharing, and federated risk modeling

Connected Articles

• Federated and Explainable Learning Analytics for Privacy-Preserving Academic Risk Modeling Across Heterogeneous Educational Institutions — Federated and explainable learning analytics for privacy-preserving academic risk modeling (Villegas-Ch et al. 2026)
• From Learning Analytics to Educational Interventions: Enhancing Decision-Making and Learning Design — From learning analytics to educational interventions: enablers of trustworthy LA-based interventions (Svetec, Divjak & Kadoić 2026)
• Ensuring Academic Integrity through Automated Online Exam Proctoring: A Decade-Long Systematic Review
• Agentic Literacy Debt: A Structural Problem the AI Literacy Field Has Not Yet Named — Agentic literacy debt: the structural AI-literacy gap from autonomous agents (Nama 2026)
• Defining AI Fatigue in Academic Contexts: Dimensions, Indicators, and a Stage-Based Model Using Grounded Theory
• AI-Integrated Learning Management System for Middle School: A Longitudinal Study of Learning Outcomes Through High
• Child Safety in Generative AI: An Expert-Guided and Incident-Grounded Evaluation Framework
• EduZone: A Framework for Evaluating LLM Safety for K-12 Students and Teachers
• Exploring AI-Supported Disciplinary Mediation in Student Project Teams' Text-Based Communication
• TeachLM: Post-Training LLMs for Education Using Authentic Learning Data — TeachLM: anonymization and consent for authentic learning data
• Heads We Win, Tails You Lose: AI Detectors in Education — Heads we win, tails you lose: AI detectors in education (Bassett et al. 2026)
• Privacy-Preserving Heterogeneous Multi-LLM Federated Inference for Cognitive Diagnosis — Privacy-preserving federated LLM cognitive diagnosis
• Identifying the ethical values and norms for artificial intelligence in education: A systematic literature review — Ethical values and norms for AI in education
• Under surveillance: Mapping remote proctoring practices in the assessment of nursing students — a scoping review — What proctoring systems capture, and the privacy literature's absence from the evidence base
• "We'll Fix It Later": Education, AI, and the Deferral of Student Privacy in EdTech — "We'll Fix It Later": Education, AI, and the Deferral of Student Privacy in EdTech