هندسة المطالبات

ترجمة آلية للصفحة الإنجليزية، لم يراجعها بعد متحدث أصلي.

هندسة المطالبات — ممارسة تصميم مُدخلات النماذج اللغوية الكبيرة وتحسينها لتحقيق المخرجات المرغوبة. وفي التعليم، تؤدي هندسة المطالبات دورين مزدوجين: كمهارة متعلّم (يجب على الطلاب تعلّم صياغة المطالبات بفعالية) وكرافعة تصميم نظام (يصيغ المطوّرون مطالبات تُشكّل سلوك تدريس الذكاء الاصطناعي).

أسئلة للتفكر

• كتبتَ على الأرجح مطالبة في أداة ذكاء اصطناعي مؤخرًا. والآن تأمّل هذا: فطريقة صياغتك لها ليست محايدة — فقد تكشف كيف خطّطت وفكّرت ووزّعت جهدك. فما الذي قد تقوله عاداتك في صياغة المطالبات عن منهجك في التعامل مع المشكلات؟
• وجدت دراسة أن المستخدمين الذين يصوغون طلباتهم بمهارة يحصلون على مخرجات أفضل منهجيًا ممن يعبّرون عن القصد نفسه بمهارة أقل. فإذا قبلت أن «امتياز المطالبات» حقيقي، فهل يُصحَّح الوصول المنصف إلى الذكاء الاصطناعي خيرًا بـتعليم الجميع صياغةً أفضل، أم بإعادة تصميم النظام حتى لا يطلب تلك المهارة — وما مقايضات كلٍّ منهما؟
• هل صياغة المطالبات «حيلة» تُحفظ، أم مهارة فكرية حقيقية؟ فخطٌّ من البحوث يتعامل معها كحكم مهني داخل مجال دراسي (الصحافة، والقانون، والطب)؛ وآخر يتعامل معها كجوهر الثقافة بالذكاء الاصطناعي. فأي الرؤيين يتوافق مع تجربتك عما يفصل فعلًا المطالبات الجيدة عن الرديئة؟
• يمكن للمطالبات المصمَّمة جيدًا أن تُسقِل تفكير الطلاب، بينما قد تشجّع تلك المستخدمة استخدامًا سيئًا على التفريغ المعرفي. فهل تتذكر لحظة أجابك فيها الذكاء الاصطناعي عن التفكير بدلًا منك؟ وما الذي في المطالبة — أو في قصدك — جعل ذلك يحدث، وهل كان يمكن تصميمها لتُنتج العكس؟
• صياغة المطالبات مهارة متعلّم ورافعة تصميم نظام معًا: فبعض المدرّسين يوجّهون المطالبات ويختارونها للمستخدم تلقائيًا الآن. وبينما تنتقل صياغة المطالبات من المستخدم إلى النظام، فماذا يخسر الطلاب — وماذا يكسبون؟
• ضع هدفًا صغيرًا قبل أن تقرأ: بعد التعلّم عن هندسة المطالبات، قرّر طريقةً واحدة ملموسة ستغيّر بها كيف تكتب المطالبات في عملك الخاص، وما النتيجة التي ستتحقق منها لتعرف أنها نجحت.

مقدمة

هندسة المطالبات محورية للاستخدام الفعال لـالذكاء الاصطناعي التوليدي في التعليم. وبخلاف واجهات البرمجة التقليدية، تستجيب النماذج اللغوية الكبيرة للغة الطبيعية — لكن جودة تلك الردود ودقتها وقيمتها التربوية تتوقف إلى حدّ كبير على تصميم المطالبة. وتكشف أبحاث قاعدة المعارف هذه أن صياغة المطالبات ليست فعلًا محايدًا: فهي تعكس كيف يفكّر الطلاب ويخطّطون ويوزّعون جهدهم المعرفي. ويزيد Miles وHaber-Curran وArar (2026) ما يشمله المصطلح دقةً بتمييزهم هندسة المطالبات، أي التحسين التقني للمُدخلات من أجل الأداء، عن ثقافة المطالبات، أي العمل البلاغي والأخلاقي والتأملي المتمثل في توضيح القصد وقراءة المخرَج نقدًا والتنقيح بأسباب معلَنة. ودورتهم للثقافة بالمطالبات (توضيح القصد، وصياغة المطالبة، والتفاعل مع المخرَج، وتحسين المطالبة، والتأمل) وسُلَّم تقدير نموذجي يجعلان التمييز قابلًا للتعليم، ويرون أن التعليم الذي يُحسّن المخرجات وحدها يترك الأبعاد الأخلاقية والمعرفية لاستخدام النماذج اللغوية دون مساس.

كيف تظهر هندسة المطالبات في الأبحاث

• صياغة المطالبات كأثر معرفي: يُظهر Misiejuk et al. أن أنماط المطالبات تكشف التفريغ المعرفي — فالعمل عالي الجودة يستخدم مطالبات غنية بالسياق ومؤدَّبة وتعليمية؛ والعمل منخفض الجودة يُظهر اعتراضًا تفاعليًا دون تأسيس في المجال

• العمق يُحسّن المنتج لا التذكّر. ففي 22 طالب دراسات عليا، تنبّأت نسبةُ مطالبات طلب الشرح («لماذا/كيف/اشرح») بجودة المهمة المُقدَّرة باستقلال (β = 6.27) بما يتجاوز المعرفة الأساسية وحجم المطالبات، مع أنها أظهرت ارتباطًا معدومًا بالاستدعاء الفوري (Tsiligkiris (2026)).

• الإدراك المرتبط بالمطالبات يتتبّع المجال الدراسي لا الطالب. صنّف Chang and Li (2026) 60,087 مطالبة من 116 مقررًا فوجدا أن ملامح مستوى بلوم اختلفت بحسب المجال الدراسي — «التطبيق» شائع في العلوم والتقنية والهندسة والرياضيات (20.8%)، و«الإنشاء» شائع في العلوم الاجتماعية (33.8%) — مع تجاوز التباين على مستوى المقرر للتباين على مستوى الطالب.

• صياغة المطالبات كثقافة: يؤطّر بحثُ تتبّع ثقافة التوليد وثقافة الصياغة في ما قبل الجامعي صياغةَ المطالبات كمكوّن جوهري لـثقافة الذكاء الاصطناعي

• المبتدئون يلجأون إلى التجربة والخطأ افتراضيًا، ويُلومون النموذج. ففي ندوة لغويات نصية، حسّن عشرة مبتدئين في أدوات التوليد مطالباتهم بالتجربة والخطأ، ونادرًا ما لجأوا إلى أمثلة في السياق، وأسندوا المخرجات الرديئة في معظمها إلى النموذج اللغوي لا إلى صياغة مطالبهم هم (Brocca & Garassino (2026)).

• حين ينمذج المدرّس المطالبة، يعيد الطلاب استخدامها حرفيًا. فبين 310 مطالبة مسجَّلة من اثنتَي عشرة مجموعة STEAM في المرحلة المتوسطة، كان النسخ الحرفي لتعليمة المدرّس أكثر مواقف الطلاب تكرارًا بنسبة 47.1%، متقدّمًا على الاستقصاء العفوي بنسبة 28.7% (Zhao & Li (2026)).

• الدورة التنظيمية تتغلّب على صيغة مطالبة. ففي تجربة أولية شبه تجريبية مع 42 طالبًا جامعيًا، أنتج طلابٌ درُّسوا دورة IDEA (القصد، والتفكيك، والتعبير، والتكيّف) مطالباتٍ ومخرجاتٍ أعلى جودةً من أقرانهم درُّسوا صياغة الدور–المهمة–السياق–الصيغة في فئات المهام الخمس كلها (بمكاسب مطالبة معدَّلة من +11.77 إلى +29.19 نقطة) (Wang et al., 2026).

• صياغة المطالعات كتصميم نظام: يستخدم CoTAL هندسة مطالبات بمشاركة الإنسان في تقييم التقويم التكويني؛ وتحسّن صياغة المطالبات القائمة على المرتكز تصحيح المقالات الآلي

• صياغة المطالبات هي المهارة الدخولية لا المجال. يؤطّر Gorsky (2026) ثقافة الذكاء الاصطناعي لمحترفي البرمجيات على أنها القدرة على إدارة الوكلاء لا على صياغة مطالبات لهم، مُسميًا التأطير والتحديد وهندسة السياق والتحقق وأوركسترة تعدد الوكلاء وقابلية التدقيق المهارات التي يجب أن يُقوّمها منهاج دراسي (Gorsky (2026)).

• التوجيه التكيّفي للمطالبات: يعامل التعلّم للمطالبة اختيار المطالبة كجزء من نظام التدريس نفسه — بتوجيه مطالبات واعٍ بالموضوع على 14 سمة تربوية، يختار فيه موجِّهٌ عشوائي أفضل مطالبة لكل محادثة. وهذا يحوّل صياغة المطالبات من مهارة متعلّم إلى رافعة تصميم نظام تكيّفية، فتُحسّن المشاركة والكفاءة (28.1% مقابل 19.6% في تحويل التمارين في اختبار A/B حقيقي).

• وسائط المطالبات: يفحص بحث الإدخال الصوتي مقابل النصي ما إذا كان وسيط الصياغة يؤثّر في مخرجات التعلّم

• الصياغة تتجاوز النص — الرسم العلمي. يمكن للصياغة أن تُولّد أشكالًا جزيئية وفيزيائية-كيميائية بسرعة، لكن تمثيلًا مقنعًا محليًا قد يظل خاطئًا أو يحمل تحيّزًا في التمثيل، لذا يجب على الطلاب استجوابُ التمثيلات البصرية المولَّدة بالذكاء الاصطناعي مقابل المبادئ الكيميائية لا الثقةُ بها (Li et al. (2026)).

• الصياغة المُسقَلة: يُدرّسان سقالة النماذج اللغوية الموجَّهة وسقالة الانخراط النقدي صياغةَ المطالبات المنظَّمة كتدخّل تعلّم

• صياغة المطالبات بإشراف مدرّب تلاشي دعمه: في ARPG+، شخّص مدرّبٌ في الزمن الحقيقي جودةَ المطالبات على ستة أبعاد وأخفى الدعم مع نموّ الكفاءة، فرفع جودة المطالبات النهائية إلى 7.82 مقابل 5.95 لقوالب ثابتة و4.52 بلا مساعدة (Ye et al. (2026)).

• لتفكيك المهام حدّ أمثل: فإنتاج دروس تدريب مدرّسين في ثلاثة مقاطع أنتج أعلى الدروس تقييمًا (بمتوسط 14.67) بينما سجّل المقطع الواحد الأدنى (10.67) وعادت خمسة مقاطع إلى ما دون ثلاثة — فالتفكيك المتوسط يتغلّب على الطرفين (Lin et al. (2025)).

• امتياز المطالبات والإنصاف: يُظهر Jin et al. أن خبرة الصياغة موزَّعة بصورة غير متكافئة — فالمستخدمون الذين يصوغون طلباتهم بمهارة يحصلون على مخرجات أفضل منهجيًا ممن يعبّرون عن القصد نفسه بمهارة أقل. ويحيل محوّلُهم لمنصف المطالبات تحسينَ المطالبات من المستخدم إلى نظام الذكاء الاصطناعي، ويرون أن المخرَج المنصف ينبغي أن يُهندَس في النموذج لا أن يُطلَب من المبتدئين.

• يتوقّف تحسين المطالبات عند مستوى؛ ويأخذ الضبط الدقيق من هناك. فالتصميم التكراري للمطالبات أنتج مكاسب متناقصة في جودة مفردات التقويم للاستماع باللغة الثانية، لكن الضبط الدقيق لـGPT-4.1 على المطالبة المحسَّنة — والمطالبة ثابتة — أنتج مفرداتٍ أكثر تأسيسًا في السياق وتوازنًا، فاعزَل تكيّف النموذج لا براعةَ الصياغة كرافعة تالية (Aryadoust & Wong, 2026).

• الصياغة كحكم مهني موقفي. فما بعد الثقافة وتصميم النظام، يمكن تأطير الصياغة كممارسة مجالية. فـتصنيف Dierickx et al. للصحافة يتعامل مع تعريف المهمة وصياغة المطالبات كصورة من الحكم المهني الممارَس في أعراف المجال المعرفية والأخلاقية — فترجمة العمل الصحفي إلى مهام صريحة (جمع الأخبار ← تشكيل المعنى ← التحرير ← النشر/التوزيع) تُظهر الافتراضات والأولويات والاعتبارات الأخلاقية، وتحوّل صياغة المطالبات إلى أداة تربوية للثقافة النقدية بالذكاء الاصطناعي. ومنطقها ينتقل إلى مهن أخرى كثيفة المعرفة (القانون، والطب، والسياسة العامة).

• تصميم المطالبات كمواصفة تعليمية. يجد Neto وزملاؤه (2026) في مراجعتهم المنهجية للذكاء الاصطناعي التوليدي في التعليم الصحي أن تصميم المطالبات يعمل كصورة من المواصفة التعليمية، فيُرمّز الأهداف المعرفية ومعايير الجودة الكامنة في تأليف الخبراء — لكن 34.8% فقط من الدراسات وافقت المحتوى المولَّد مع أطر تعليمية، و34.8% فقط أفادت بالصياغة بتفصيل يكفي لإعادة إنتاجها. ويُظهر Looi وLiu وSun (2026) كذلك كيف يمكن لبنية المطالبات أن تُضمّن قواعد تربوية (بوابات الصحة، وحدود مانعة الإفساد، وبوابات الوداع) لتقييد سلوك تدريس النماذج اللغوية الكبيرة (LLMs) في المجالات الإجرائية.

• الصياغة الموجَّهة بالسُلَّم والواعية بالأدوار. أظهر Yaşar et al. (2026) أن الصياغة الموجَّهة بالسُلَّم — أي معاملة السُلَّم كواجهة دلالية بين القصد التربوي البشري واستدلال الآلة — دفعت اتفاق النموذج اللغوي مع الإنسان على أعمال التصميم للطلاب من 54.75% إلى 81.25% (ألفا كرونباخ 0.393 ← 0.798). ويجب أن توازن السُلَالم المُهندَسة للنماذج اللغوية بين الدقة والمرونة: فالمبهم أكثرُ يدعو إلى التفسير الحرّ، والمتصلّب أكثرُ يختزل النموذج إلى مطابقة الأنماط. والصياغة الواعية بالأدوار — أي تقويم المصنوع نفسه تحت مطالبات المدرّس والمراجع الأقران ومراجع المنح — أنتجت تغذيةً راجعة نوعيةً متمايزة ومختلفةً معرفيًا، مما يُظهر أن تصميم المطالبات يُشكّل لا دقةَ المخرَج وحسب بل موقفَه التقويمي.

• قد تُبعد سقالة المطالبات النموذجَ أكثر عن المعلّم. فقد جعل Almousa et al. (2026) سبعة نماذج تُنتج تغذيةً راجعة على مستوى الفقرة للكتابة تحت ثلاث استراتيجيات صياغة فوجدوا أن إضافة أسماء الفئات أو الأمثلة المُنجَزة زادت تباعدَها عن توزيع المعلّم في معظمها، فحسّنت Mistral-7B وحدها (من 0.2695 إلى 0.2398). وبقي خط الأساس دون أمثلة أقربَها، فتعليمات نوع التركيز شيءٌ يُختبر لا شيءٌ يُفترض.

• الصياغة الواعية بالسياق في التقويم. تُتمت صياغةُ مطالعات واعيةٍ بالسياق لنماذج لغوية مُدرَّبة مسبقًا ترميزَ مهارات حلّ المشكلات التعاوني من بيانات العملية، فنمذج الاعتماديات بين شيفرات السلوك وتُدمج القدرات المعرفية والاجتماعية. وهذا يتيح تحليلًا منظّمًا لحل المشكلات التعاوني على نطاق واسع وفي الزمن الحقيقي، متغلّبًا على كثافة العمل في أنظمة الترميز اليدوي.

• قوالب الأدوار وسُلَالم الجودة لتخطيط المعلّم. يُطوّر Luo and Tahir (2025) تجريبيًا إطارَ مطالبات لتخطيط دروس فنون STEAM للأطفال يُقرن قالبَ الدور (R) – التعليمات (I) – الغاية النهائية (E) (مُكيّفًا من RISEN) بسُلَّم تحسين «أربع نقاط وخط واحد» — معياري، وعملي، ومُلهِم، وكامل، زائدَ بُعد توسّع. فأبقت مراجعةُ السُلَّم نقدَ المطالبات وتحسينَها الخططَ المولَّدة مقبولةً لدى معلّمي فنون ممارسين (بتقييمات متوسطة أعلى من 4/5) مع كشفها ثغرات متكررة (التخصيص، وقيود سلامة الأطفال، والتحيّز الثقافي) تركتها الصياغة أحادية المحاولة دون معالجة — مما يُظهر أن قوالب المطالبات زائد معايير التقويم الصريحة تعمل كسقالة لمراقبة الجودة في التوليد الصفي.

• تصميم الدور والقيود كمتغيّر مستقل. يقارن Wang et al. (2026) وكيلَين مبنيَّين على النموذج والمنصة نفسها عند حرارة 0.3 لا يختلفان إلا في كيف تحدّد المطالبةُ الدورَ والمهاراتِ والقيود: وكيلُ معلّم خبير يجيب من مصدر معرفة كتاب مدرسي محدود مقابل وكيلٍ متمركز على طالب متعاطف مُبرمَج ليشخّص المفاهيم الخاطئة حول الذكاء الاصطناعي ويتحقق من الفهم. وفرقُ الدور وحده غيّر أداءَ التعلّم والحملَ المعرفي وتجربةَ الانسياب والتعاطفَ المُدرَك، مما يُظهر أن تحديد الدور قرارُ تصميم تعليمي بآثار قابلة للقياس لا زخرفةٌ أسلوبية (الوكيل البيداغوجي).

• الصياغة كتصميم تقويم. يحوّل Xiong et al. (2026) نماذج الطالب والأدلّة والمهمّة في التصميم المرتكز على الأدلّة (ECD) إلى أجزاء من مطالبة التصحيح، مستخرجين خمسة مبادئ — القصد، والتتبّع، والمساءلة، والتكرار، والإنصاف؛ وقد صحّحت مطالباتهم المبنية على ECD المقالات السردية بدقّة أعلى من خطوط الأساس ذات الصفر أمثلة والقليلة الأمثلة وسلسلة التفكير.

الروابط بمفاهيم أوسع

ترتبط هندسة المطالبات بـالسقالة — فقد تُسقِل المطالبات المصمَّمة جيدًا تفكير الطلاب بدلًا من أن تتجاوزه. وهي تتقاطع مع ما وراء المعرفة وثقافة الذكاء الاصطناعي، فالصياغة الفعالة تتطلب فهمَ قدرات الذكاء الاصطناعي وأهداف التعلّم الخاصة للمرء معًا. ويربط التفريغ المعرفي جودةَ المطالبة بما إذا كان استخدام الذكاء الاصطناعي يدعم التعلّم أو يضرّ به.

• مهارة الكتابة تُحرّك الصياغة، وكلتاهما تتنبّأ بنجاح الترميز الحدسي. ففي دراسة CHI 2026 مُسجَّلة مسبقًا (N=100)، وجد Thorgeirsson وWeidmann وSu أن كفاءة التواصل الكتابي تنبّأت بأداء الترميز الحدسي الموجَّه نحو واجهة المستخدم الرسومية (r = .29)، مع توسُّط جودة المطالبات المُقدَّرة بشريًا للصلة — دليلُ عملية استجابة على أن النثر الواضح المنظَّم يترجم إلى مطالبات برمجة بلغة طبيعية أفضل. وكانت مهارة الكتابة وتحصيل علوم الحاسوب متنبّئَين مستقلَّين، وحمل تحصيل علوم الحاسوب (r = .39) قرابةَ ضعف التباين الفريد، لذا فتحسين الصياغة وحده من غير المرجّح أن يعوّض بالكامل عن أساسيات البرمجة في التطوير الأصلي للنماذج اللغوية.
• استراتيجية الصياغة تتنبّأ بالأداء. وجدت دراسةٌ تجريبية على 128 طالبًا هندسيًا أن كفاءةَ استعلام الذكاء الاصطناعي (مطالبات واضحة منظَّمة جيدًا) وحل المشكلات (الدمج الاستراتيجي لمخرَج الذكاء الاصطناعي في الاستدلال) كانا أقوى متنبّئَي النجاح الأكاديمي — حتى بعد ضبط المعدل التراكمي — مما يُظهر أن الصياغة مهارةٌ قابلة للتعليم تُشكّل مدى فاعلية تعلّم الطلاب بالذكاء الاصطناعي.
• أسلوب الصياغة، لا جودتها وحدها، يتابع المخرجات. ربطت سماتٌ مستخرجةٌ من 1,540 جلسة تدريس خصوصي الاستجوابَ المفاهيمي بأداء الامتحان بينما ارتبطت سلوكياتُ تفويض المهام ارتباطًا سلبيًا — لكن السمات نفسها أخفقت في التكرار في الفصل التالي، فهي أنماط سلوكية لا مهارات ثابتة (McNichols وDu وLan (2026)).
• تصنيف قابل للاستخدام، وأي فئات المطالبات تُثمر فعلًا. يُترجم Jacobsen et al. (2026) الاستراتيجيات التقنية إلى نموذج 3K (Kontext, Kernauftrag, Klarheit — السياق، والمهمة الجوهرية، والوضوح): إحدى عشرة فئة موجَّهة نحو الممارسة، لكل منها سُلَّم جيد/متوسط/غير مثالي، ولكل منها اختبارٌ كتنويعة تجريبية على تغذية راجعة مولَّدة لأهداف تعلّم معلّمين ما قبل الخدمة. وكان المصطلح التقني الخاص بالمجال هو الفئة الحاسمة — فاستبدال مصطلحات المادة بترجمة حرفية من لغة الحياة اليومية قلّل جودة التغذية الراجعة قلًّا دالًّا إحصائيًا عبر ثلاثة نماذج (β = −0.412) — بينما لم يُنتج إضافةُ أمثلة ملموسة وإزالةُ تعليمة سلسلة الاستدلال فرقًا دالًّا إحصائيًا عن خط الأساس في الدراسة الأولى؛ لكن الأمثلة ساعدت بعد أن أُعيد التحليل بأفضل تراكيب النموذج والمطالبة أداءً (β = 0.52). وفسّرت جودة المطالبة واختيار النموذج مجتمعَين 42.8% من تباين جودة التغذية الراجعة المُقدَّرة، وهو حجّة الورقة في أن هندسة المطالبات كفاءةٌ قابلة للقياس والتعليم لا تفضيلٌ أسلوبي — وأن فئاتها غير قابلة للتبادل في حجم الأثر.

المفاهيم المتصلة

• الأنماط التربوية — طبقة السقالة داخل تسلسلات الاستخدام المنظَّم
• الترميز الحدسي
• الضوابط
• السقالة
• ثقافة الذكاء الاصطناعي
• الذكاء الاصطناعي الوكيلي
• ما وراء المعرفة
• تصميم المنهج الدراسي
• التفريغ المعرفي
• الكتابة
• K-12
• الذكاء الاصطناعي التوليدي
• تصميم التعلّم
• تعليم الحاسوب
• التعليم العالي
• التقنيات — محور جامع: تقنيات وتقنيّات الذكاء الاصطناعي (نماذج، وتدريب نماذج لغوية، وروبوتات، وتوليد معزَّز بالاستدعاء، ووكيل)

المقالات المتصلة

• Comparing teacher-centered and student-centered agents based on prompt engineering: Effects on learning performance, cognitive load, flow experience, and empathy perception in physics learning — مطالبات دور الوكيل وقيوده كمتغيّر تصميم في تعلّم الفيزياء (Wang et al. 2026)

• How to Train Your Dragon: Evaluating Prompting and Fine-Tuning for GPT-Based Item Generation in L2 Listening Assessment — صياغة المطالبات مقابل الضبط الدقيق في توليد مفردات استماع باللغة الثانية لـGPT (Aryadoust & Wong 2026)

• What Students Ask Matters: LLM Interaction Depth, Task Quality, and Immediate Recall in Higher Education — ما يسأله الطلاب يهمّ: عمق تفاعل النموذج اللغوي، وجودة المهمة، والاستدعاء الفوري (Tsiligkiris 2026)

• ARPG+: a simulation-based study of real-time coaching for educational LLM prompting — ARPG+: تدريب في الزمن الحقيقي لصياغة مطالبات نماذج لغوية تعليمية

• A Taxonomy of LLM-Supported Tasks for Critical AI Literacy in Journalism — تصنيف مهام قائم على النماذج اللغوية للثقافة النقدية بالذكاء الاصطناعي في الصحافة

• Same Question, Different Answer? Measuring and Mitigating Prompt Privilege for Equitable AI Access — امتياز المطالبات: قياس فوارق إمكانية الوصول في الوصول إلى النماذج اللغوية الكبيرة وتخفيفها

• Principal Trait Analysis: Towards Deriving 'Skills' in Human-AI Collaboration — تحليل السمات الرئيسية: سمات مدفوعة بالبيانات للتعاون بين الإنسان والذكاء الاصطناعي

• LLMs in text linguistics teaching: An exploratory study with genAI novices in higher education — النماذج اللغوية الكبيرة في تعليم اللغويات النصية

• The IDEA Framework for Metacognitively Regulated GenAI Use in Higher Education: Development and Exploratory Pilot Evidence — إطار IDEA للاستخدام المُنظَّم معرفيًا للذكاء الاصطناعي التوليدي

• Automatic Large Language Models Creation of Interactive Learning Lessons — توليد دروس تدريب مدرّسين تفاعلية بنماذج لغوية (Lin et al. 2025)

• Learning to Use AI for Learning: Teaching Responsible Use of AI Chatbot to K-12 Students Through an AI Literacy Module

• ASE-26: A Curriculum for Agentic Software Engineering as a Discipline

• Anchor Is the Key: Toward Accessible Automated Essay Scoring with Large Language Models Through Prompting

• Beyond Access: Guided LLM Scaffolding for Independent Learning in Undergraduate Statistics

• Learning to Prompt: Improving Student Engagement with Adaptive LLM-based High-School Tutoring

• Cognitive Offloading in Student–AI Collaboration: A Longitudinal Analysis of Prompting Strategies

• Tracing GenAI Literacy: Student-AI Interaction Patterns in Academic Writing

• Translating UNESCO Artificial Intelligence Guidelines to Chemical Education and Its Intersection with Sustainable Development Goals — إرشادات اليونسكو للذكاء الاصطناعي مُترجَمة إلى التعليم الكيميائي؛ الانحراف المعرفي

• An Empirical Study of ChatGPT Use in Engineering Education: Prompting and Performance — سلوكيات الصياغة تتنبّأ بأداء طلاب الهندسة

• Chat as Learning: Student-AI Conversations as Discipline-Associated Cognitive Engagement Patterns — الانخراط المعرفي بمستوى بلوم المرتبط بالمجال في محادثات الطالب مع الذكاء الاصطناعي (Chang & Li 2026)

• From evaluation to emulation: LLMs as agents of iterative pedagogical design — النماذج اللغوية الكبيرة كوكلاء للتصميم التربوي التكراري

• ChatGPT-Assisted Lesson Planning for Children's STEAM Arts Education: An Experimental Study on Benefits, Challenges, Methods, and a Prompt Framework

• Prompts to Practice: A Pedagogical Framework for Human-Centered AI Engagement — هندسة المطالبات مقابل ثقافة المطالبات: إطار تفاعل متمركز على الإنسان من خمس مراحل مع دورة ثقافة مطالبات من خمس خطوات (Miles وHaber-Curran وArar 2026)

• AI Literacy of Teachers: Prompt Engineering and Model Selection as Predictors of AI-Feedback Quality — هندسة المطالبات واختيار النموذج كمتنبّئَين بجودة التغذية الراجعة للذكاء الاصطناعي (Jacobsen et al. 2026)

• Evaluating Feedback Focus and Pedagogical Adaptivity in LLM-Generated Feedback on Student Writing — تقويم تركيز التغذية الراجعة والقابلية التكيّفية التربوية في التغذية الراجعة المولَّدة بنماذج لغوية على كتابة الطلاب

• Exploring Middle School Students' Interactions and Perceptions of Using Generative AI in STEAM Learning Environments — نسخت مجموعات STEAM في المرحلة المتوسطة تعليمة المدرّس حرفيًا في 47.1% من المطالبات

• Using Evidence-Centered Design to Guide Prompt Engineering in Measurement: An Illustration with Automated Essay Scoring — استخدام التصميم المرتكز على الأدلّة لتوجيه هندسة المطالبات في القياس: مثال على التصحيح الآلي للمقالات