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

نمذجة المتعلّم والتعليم التكيّفي

تاريخ الإنشاء 2026-10-12

ترجمة آلية للصفحة الإنجليزية، لم يراجعها بعد متحدث أصلي.

نمذجة المتعلّم والتعليم التكيّفي — المظلة الجامعة لكيفية تمثيل الذكاء الاصطناعي للمتعلّمين (ما يعرفونه، وما يشعرون به، وما يحتاجونه) ولكيفية استخدامه تلك التمثيلات في تكييف التدريس. وتمتدّ الأسرة إلى طبقة النمذجة — نمذجة الطلاب، وتتبّع المعرفة، والتشخيص المعرفي، ومحاكاة الطلاب — وإلى الأنظمة التكيّفية التي تستهلك تلك النماذج — التدريس الخصوصي الذكي، والتعلّم التكيّفي، والتعلّم المخصّص. والسؤال المشترك: كيف يعرف النظام ما يعرفه متعلّم، وما الذي ينبغي أن يُدرّسه بعد ذلك؟

أسئلة للتفكير

  • السؤال الجامع الذي تطرحه هذه الصفحة هو: كيف يعرف النظام ما يعرفه متعلّم، وما الذي ينبغي أن يُدرّسه بعد ذلك؟ فقبل أن تواصل القراءة، كيف كنت ستبدأ أصلاً في تمثيل «ما يعرفه متعلّم» في آلة؟
  • تمتدّ نمذجة المتعلّم عبر تتبّع المعرفة (تتبّع المعرفة على مرّ الزمن)، والتشخيص المعرفي (رسم المهارات المتقنة)، ومحاكاة الطلاب (متعلمون اصطناعيون). فما الذي تظنّ أن كل مقاربة تجيده — وما الذي يُرجّح أن تُخطئ فيه كل منها؟
  • كل ذكاء اصطناعي تكيّفي يعتمد على نموذج ما عن المتعلّم. فإذا كان النموذج بقدر جودة الدليل الذي يُغذّيه، فما الدليل الذي تظنّ أن أنظمة الذكاء الاصطناعي تملكه فعلًا عن طالب، وما الأمور المهمة عنه التي تبقى غير مرئية؟
  • قد يستوعب نموذج ما يُصيبه طالب وما يُخطئ فيه لكنه لا يُدرك سببه، ولا كيف يشعر. فكيف يمكن لنموذج متعلّم أن يُضلّ نظامًا تكيّفيًا بطرائق تُضرّ بالطالب بدل أن تنفعه؟
  • لو كنت تُصمّم مدرّسًا تكيّفيًا، فما الذي أردت أن يشمله نموذجه عنك — وما الذي أردت أن يكون ممنوعًا عليه صراحةً أن يفترضه؟

مقدّمة

نمذجة المتعلّم هي التمثيل الحاسوبي للمتعلّمين؛ والتعليم التكيّفي هو ما تفعله الأنظمة بذلك التمثيل. وكل ذكاء اصطناعي تكيّفي في التعليم يعتمد على نموذج ما عن المتعلّم — حتى خفيفًا — وكل نموذج متعلّم يوجد ليُبلّغ قرارًا تعليميًا ما. وهذه الصفحة هي المظلة لذلك المسار: مناهج النمذجة، والأنظمة التي تعمل بالنماذج، وكيف تترابط.

طبقة النمذجة

تجيب هذه المفاهيم على سؤال «ماذا يعرف هذا المتعلّم، وما يشعر به، وما يحتاج؟» — أي جانب التمثيل في الأسرة.

  • نمذجة الطلاب — الممارسة الواسعة المتمثلة في تمثيل خصائص المتعلّم (المعرفة، والمهارات، والحالات الوجدانية، والانخراط، والتفضيلات) في شكل حاسوبي. وهي المصطلح الجامع داخل هذه الطبقة، شاملةً كل طرائق تمثيل متعلّم.

  • تتبّع المعرفة — الممارسة المحدّدة المتمثلة في نمذجة المعرفة المعرفية على مرّ الزمن بتتبّع الأداء في التمارين والتنبؤ بالتمكّن المستقبلي. وهي تُجرّد الديناميات الزمنية للتعلّم — أي متى تُكتسب المعرفة وتتلاشى وكيف تترابط المفاهيم.

  • التشخيص المعرفي — تقويم دقيق لأي المهارات أو مكوّنات المعرفة المحدّدة أتقنها متعلّم، مُنتجًا ملف تمكّن يسند المعالجة الموجّهة.

  • محاكاة الطلاب — توليد متعلّمين اصطناعيين عند الطلب، بدل تمثيل متعلّم حقيقي، حتى تستطيع أصول التدريس وأنظمة الذكاء الاصطناعي أن تُختبر أو تُدرَّب دون اتصال.

  • صياغة سببية لنماذج المتعلّم. يستبدل Mangili et al. (2026) شبكات بايزية ذات بوابات مشوَّشة بنماذج سببية بنيوية مستخلصة من الخبراء، مما يجعل التلميحات متغيّرات داخلية صريحة حتى يستطيع النموذج أن يسأل عما كان الطالب سيُجيب به دون المساعدة التي استخدمها — أقل تنبؤيًا قليلًا، لكنه قادر على الوقائع المضادة التي لا تستطيع النماذج الترابطية التعبير عنها.

تُظهر دراسة Zhang, Jeffries & Koprinska (2025) أن التمثيل الأمين لا يقتضي أسرة نماذج هي الأكثر تعقيدًا: فنموذج طلابي خفيف قابل للتفسير جوهريًا قائم على شجرة القرار — مبنيّ من ميزات تفاعل المحتوى الدراسي بدل القياس عن بُعد الغني — يتنبأ بتقدّم الوحدات في مساقات البرمجة الضخمة على الإنترنت (دقة 85–91%) ويفصل ملفات انخراط الطلاب المعرّضين للخطر المنفصلين، والمنفصلين لكن الناجحين، وعاليي الأداء المنخرطين، بما يسند إنذار تحليلات التعلّم المبكر على نطاق واسع.

ويستطيع نموذج متعلّم تنبؤي أن يستند إلى بنية التسجيل بدل بيانات الأثر: فيُرمّز TRACE كل فصل دراسي كسلة غير مرتّبة من المساقات ويتنبّأ بمجموعة المساقات والدرجات معًا، خافضًا خطأ التنبؤ بالدرجات إلى 0.1339 MAE — أي 46.4% دون نموذج الدرجات وحدها — عبر 5,326 طالبًا وعشر سنوات (Savala (2026)).

ويمكن بناء نماذج الطلاب أيضًا من آثار سلوكية خالصة مع ذلك تسند التكيّف. فاستخلص An, Hammock & Goel (2025) ثلاثة ملفات انخراط — الملاحظة، والبناء، والاستكشاف — من مسارات النقر لـ315 متعلّمًا على الإنترنت يبنون 822 نموذجًا بيئيًا في VERA، دون أي بيانات ديموغرافية أو سياقية، وأظهر أن هذه الملفات تتنبأ بجودة النموذج (فالاستكشاف يُثمر أكثر النماذج تعقيدًا وتنوعًا، بينما تهيمن الملاحظة على النماذج المنسوخة لا الأصلية). وتلك التوصيفات على مستوى الانخراط هي نماذج الطلاب الخشنة التي تستطيع طبقة التعليم التكيّفي استهلاكها لتوجيه التغذية الراجعة.

ونمذجة الطلاب الوجدانية بعد إضافي: فمدرّس رياضيات استنتج الانفعال من نص حواري وتعبير وجهي وربط الحالة المجمَّعة باستراتيجيات التدريس الخصوصي، لكن الدمج متعدد الوسائط بلغ دقة 60% فقط مقابل تعليقات المشاركين الخاصة، مما يجعل قراءة الانفعال أضعف حلقة في المسار (Kar et al. (2025)).

وجد Gutterman et al. (2026) أن إشارة البداية المتأخرة المسجَّلة أثناء ممارسة الرياضيات تنبأت بنتائج الإنجليزية، مع إظهار المؤجّلين المزمنين (أكثر من 13 دقيقة) مكاسب أدنى (ELA β = -.11 SD) حتى بعد ضبط المعرفة المسبقة وزمن المهمة — فنماذج الطلاب السلوكية قادرة على الانتقال بين المواد الدراسية دون إعادة تدريب لكل مساق، وإن كانت نقاط القطع فيها بحاجة إلى استخلاص جديد.

طبقة التعليم التكيّفي

تجيب هذه المفاهيم على سؤال «فما الذي ينبغي تدريسه بعد ذلك؟» — أي جانب التطبيق الذي يستهلك نماذج المتعلّمين.

  • التدريس الذكي — أنظمة تستخدم نماذج الطلاب وتقديرات التمكّن لاختيار المشكلات وتقديم إرشاد على مستوى الخطوة، وهي التطبيق الكلاسيكي لنمذجة المتعلّم.
  • التعلّم التكيفي — أنظمة تُعدّل المحتوى أو الإيقاع أو الصعوبة استجابةً لنموذج المتعلّم.
  • التعلّم المخصّص — التخصيص الأوسع للتعليم والمحتوى والمسارات لخصائص المتعلّم وتفضيلاته.

كيف ترتبط الأعضاء

تشكّل المفاهيم مسارًا لا متنافسين: فـنمذجة الطلاب هي التمثيل الجامع؛ وتتبّع المعرفة والتشخيص المعرفي هما منهجا نمذجة محدّدان يملآنها؛ والمحاكاة تُولّد متعلّمين بدل تمثيل متعلّمين حقيقيين؛ والتدريس الخصوصي الذكي والتعلّم التكيّفي والتعلّم المخصّص هي الأنظمة التي تستهلك هذه النماذج لتكييف التعليم.

نمذجة الطلاب مقابل محاكاة الطلاب هو التمييز الجوهري الذي ينبغي إبقاؤه واضحًا. فنمذجة الطلاب تتعلق بـتمثيل متعلّم حقيقي — أي بناء نموذج من بيانات طالب فعلي حتى يستطيع نظام تكيّفي العمل على ذلك الفرد. أما محاكاة الطلاب فـتُولّد متعلّمًا اصطناعيًا عند الطلب ليحلّ محلّ متعلمين حقيقيين حتى تستطيع أصول التدريس والذكاء الاصطناعي أن يُقوَّما أو يُدرَّبا دون اتصال. والاثنان مترابطان ترابطًا وثيقًا لا متكافئان: فالمتعلمون المحاكون عادةً ما يُضمّنون نموذج طلابي (حالة معرفية، أو مجموعة مفاهيم خاطئة، أو ملف انخراط) ويستمدّون من البنى نفسها التي يُجرّدها تتبّع المعرفة والتشخيص المعرفي. لكن أغراضهما تتباعد — فنمذجة الطلاب تخدم التكيّف الحيّ بإبلاغ قرارات عن شخص حقيقي، بينما تُصطنع المحاكاة متعلّمين لاختبار الأنظمة (وبشكل متزايد لتدقيق الذكاء الاصطناعي، مثل López-Pernas et al. (2026)) لا للعمل على أي فرد حقيقي.

تتبّع المعرفة مقابل نمذجة الطلاب هو الالتباس الشائع الآخر. فتتبّع المعرفة ينمذج المعرفة المعرفية على مرّ الزمن تحديدًا؛ ونمذجة الطلاب هي الممارسة الأوسع التي تغطّي كل جوانب المتعلّم (الحالة الوجدانية، والانخراط، والتفضيلات). فتتبّع المعرفة نوع من نمذجة الطلاب مركّز على البعد المعرفي الزمني. كما تُبلّغ بنى تتبّع المعرفة المتعلمين المحاكون — فالحالة المعرفية للمتعلّم المحاكى غالبًا ما تُصاغ بالديناميات نفسها من التمكّن/التلاشي التي تنمذجها مناهج التتبّع، فالمحاكاة طريقة لتوليد حالات المعرفة التي تستنتجها مناهج التتبّع عادةً من بيانات استجابة حقيقية.

يرسو تثبيت التتبّع في المنهج النموذج. يُظهر Pradeesh et al. (2026) أن نموذج متعلّم يكتسب أمَانةً عندما يُربط التتبّع ببنية منهجية صريحة بدل تعلّمه من البيانات خالصًا: فـOutcome-Based Knowledge Tracing (OKT) خاصتهم يعامل مخرجات المقرر في Outcome-Based Education كمفاهيم المعرفة التي تُتتبّع، ويُقدّم علاقات المفاهيم عبر «خرائط تقارب» OBE مُتحقَّق منها من الخبراء بين مخرجات المساق ومخرجات البرنامج (بديل صريح عن الانتباه الضمني أو تمرير الرسائل البياني)، ويستخدم وحدة معزَّزة بالذاكرة لنمذجة كيف يؤثر إتقان مخرَجٍ في مخرجات أخرى. وعلى بيانات هندسية حيّة تفوّق على خطوط الأساس DKT وDKVMN وEKT وSimpleKT (89.81% AUC)، مما يُبيّن أن طبقة النمذجة قادرة على استغلال بنية المنهج ذاتها لتمثيل المتعلّمين بأمانة أكبر.

التدريس الخصوصي الذكي مقابل التعلّم التكيّفي/المخصّص يقع على جانب التطبيق: فالتدريس الخصوصي الذكي هو نظام اختيار المشكلات وإرشاد الخطوة؛ والتعلّم التكيّفي يُضبط المحتوى والإيقاع؛ والتعلّم المخصّص هو التخصيص الأوسع لتجربة التعلّم كلها. والثلاثة جميعها «مستهلكون» لطبقة النمذجة.

تحدي الصدق المشترك

عبر الأسرة كلها، تحدي الصدق المُحدِّد هو نفسه: ينبغي أن يعكس تمثيل المتعلّم حالة المتعلّم الحقيقية بأمانة بدل افتراضات النظام الافتراضية. وفي نمذجة الطلاب وتتبّع المعرفة، يعني هذا أن النموذج ينبغي أن يستوعب فعلًا ما يعرفه متعلّم (تقويم وصدق القياس). وفي المحاكاة، يعني أن المتعلّم الاصطناعي ينبغي أن يُظهر نقصًا واقعيًا لا كفاءة النموذج الكاملة ولا توافقه المتزلّف. والأنظمة التكيّفية التي تستهلك نماذج معيوبة ترث ذلك الخطأ وتُنشره.

وصلت النماذج التي تستنتج حالة المتعلّم من اللعب إلى AUCs بلغت 0.848–0.913، لكن دراستين فقط من الـ55 التي راجعتها المراجعة دقّقتاها لتحيّز ديموغرافي، ودراسة واحدة فقط فحصت النتائج التفاضلية بحسب قدرة المتعلّم (Kaşarcı and Yurt (2026)).

وقد لا تكون بعض الإشارات المقصودة قابلة للاستعادة من الحوار أصلًا: فاستعاد النموذج التجريبي لإطار Learning Context المفاهيم الخاطئة بنسبة 91.4% والقلق بنسبة 100% لكن الضمير بنسبة 68.6% فقط والكفاءة اللغوية بنسبة 60%، فينبغي لنموذج واعٍ بالسياق أن يستوعب السمات بطيئة الظهور بدل انتظار كشف الحوار لها (Liu et al. (2026)).

يكشف Lin et al. (2026) دورانًا في كيفية التحقق من هؤلاء المتعلمين الاصطناعيين: فوكلاء EduMirror خاصتهم يُديرون استبيانات قياس نفسي بعد الواقعة ويقرأون التوافق مع التمثيل القيمي الداخلي للوكيل كصدق نفسي، لكن لأن Surveyor يقيس أبعادًا مرمَّزة أصلًا في ذلك النظام القيمي يكون الفحص فحصًا للاتساق لا تحققًا مستقلًا.

الصحة ليست دائمًا إشارة أمينة. يُظهر An, McLaren, and Stamper (2026) أن نموذج متعلّم يستنتج التمكّن من الأفعال الصحيحة قادر على تحريف حالة المتعلّم الحقيقية: فالمتعلّمون الذين يُظهرون تعميمًا مخادعًا يبدون متقنين مع إغفالهم قيدًا تطبيقيًا جوهريًا، فتقدر الأنظمة التكيّفية على إيقاف الممارسة قبل أوانها. وينبغي لنماذج المتعلّم أن تُقوّم الفهم الشرطي — بما فيه ما إذا كان المتعلّم يعرف متى يمتنع عن فعل — لا صحة الفعل فحسب.

وتُظهر المفاهيم الخاطئة الخفية الفشل نفسه من الجانب الآخر: فوجد Imran and Bulathwela (2026) أن مصنِّفًا مُضبَّطًا بدقّة أمسك 57.4% من الأجوبة الصحيحة التي وصلت إليها باستدلال معيب، وبنسبة انتشار 1.6% حتى نموذج استدلال دقته 83.6% ترك 8 إنذارات خاطئة لكل كشف — فإشارات التمكّن القائمة على الصحة ناقصة ومكلفة الإصلاح معًا.

كيفية التحقق من نموذج هي ذاتها مسألة صدق. يُظهر Schuetze, Yan, and Carvalho (2025) أن نماذج المتعلّم الشائعة (BKT، وBKT-with-Forgetting، وAFM) تبدو أنها تستوعب التعلّم البشري فقط عندما تُلاءَم بأثر رجعي على مجموعة بيانات كاملة متعددة الجلسات؛ أما تحت التحقق المتقاطع الزمني (المتقدّم سيرًا) — أي التنبؤ بجلسة مستقبلية من جلسات سابقة، وهو كيفية نشر هذه النماذج فعلًا — فإنها تبالغ في تقدير الأداء، وتُغفل أثر التباعد، وتُخطئ في ترتيب شروط الممارسة. ولأن النماذج المعزَّزة بالنسيان وغير المعزَّزة أَدّت تقريبًا على المستوى نفسه عبر الجلسات، يستنتج المؤلفون أن النسيان كثيرًا ما يُستوعب في معاملات المتعلّم لا أنه يُُمثَّل بصدق. والدرس للأسرة أن التمثيل الأمين للمتعلّم ينبغي أن يُتحقَّق منه بالطريقة التي يُستخدم بها — وأن الخلط بين الأداء الآني والاحتفاظ طويل الأمد يُنتج نماذج تبدو دقيقة مع تحريفها للمتعلّمين.

النمذجة في عصر النماذج اللغوية الكبيرة

تستخدم التطورات الحديثة النماذج اللغوية الكبيرة لنمذجة أغنى. فإطار HiLLM-CD يُمثّل الطلاب كأشجار كفاءة؛ والمقاربات متعددة الوسائط تبني تمثيلات معرفية مُؤسَّسة على أدلة من مصادر بيانات متنوعة؛ وتحاكي النماذج اللغوية الكبيرة الآن الطلاب باستدلال. وتُمكّن النماذج اللغوية الكبيرة البناء الآلي للنماذج من نص تعليمي ومن محاكاة طلاب أعلى أمانةً، مُقلّلة الاعتماد على التعليق الخبير — مع حِدّة مخاوف الأمانة أعلاه. كما تُؤرِّض إشارات نموذج المتعلّم استدلال النماذج اللغوية الكبيرة: فوجد Reddig, Arora & MacLellan (2025) أن تغذية GPT-4 بتقدير مهارة تتبّع المعرفة البايزي للطالب إلى جانب بنية واجهة المدرّس حسّنت تشخيصه للأخطاء حِدّةً (ارتفاع تحديد الخطأ المنطقي من 40% إلى 81% في التحليل؛ نحو 87.8% إجمالًا)، بينما بقيت المشكلات متعددة الخطوات والاستجابات الحاوية أخطاءً عديدة أضعف الحالات — وهو دليل على أن ربط نموذج متعلّم رسمي بنموذج لغوي كبير يُقوّي، لكنه لا يضمن، استدلالًا سليمًا عن طالب حقيقي. ويُظهر CoLearn (He et al., 2026) كيف يبدو نسخة مستمرة من ذلك الربط: فالتمكّن والمفاهيم الخاطئة المستخرجة تُخزَّن لكل (متعلّم، مادة) بدل كونها سجلات لكل جلسة، فتتراكم الأدلة عبر الجلسات، وتُكتب الذاكرة بدالة ملاحظة مُقيَّمة بنموذج لغوي كبير مع بقائها قابلة للفحص من المتعلّم عبر أشرطة التمكّن وتسمية تُسمّي ما اختير كل سؤال مُولَّد ليستقصيه. وضوابطه تجعل خطوة الكتابة صريحة — فمع قراءة الذاكرة دون تحديثها بعد الآن، هبطت حصة البنود الموجهة إلى مهارة ضعيفة بصدق من 0.72 إلى 0.57 — وهو يُبقي تحفّظ هذه الصفحة قائمًا: فالتمكّن المخزَّن هو اعتقاد الوكيل عن المتعلّم لا قياسًا لمعرفته.

ويستطيع اللغة أن تحلّ محلّ تمثيلات المعرف كتمثيل: فـPLCD يبني مخطّطات مفاهيم مشتقة من نماذج لغوية كبيرة ورسوم عمليات تمارين كمعارف سابقة، واصلًا دقة 83.51% على XES3G5M، بأكبر المكاسب في البداية الباردة — 4.60 نقطة ACC فوق KCD للمفاهيم الجديدة و4.00 للتمارين الجديدة — حيث لا تملك النماذج القائمة على المعرف تاريخًا (Liu et al. (2026)).

وتنفصل جودة المحاكي إلى محورين: فمسار «تجمع ثم تخصّص» يُدرّب أنماطًا سلوكية مشتركة قبل مواءم لكل طالب بلغ أمانة سلوكية 0.51 واستجابة للإرشاد 0.91 في الشطرنج، مقابل 0.23 و0.72 لخط أساس تمثيل أدوار متقدّم، مما يُظهر أن المحاكي ينبغي أن يُطابق طالبًا وأن يكون قابلًا للتوجيه معًا (Yang et al. (2026)).

وقد تكون درجات المخاطرة دقيقة لكن غير مسنودة: فوصل Gheisari and Salarian (2026) إلى دقة 99% في التنبؤ بالانسحاب من سجلات التسجيل والأداء، لكن على 1,027 سجلًا مُنظَّفًا لمؤسسة واحدة دون تحقق خارجي، ودون تدخّل مُختبر، مع تسمية تدقيق الإنصاف عملًا مستقبليًا — فالدرجة تسند الفرز لا حكمًا عن طالب.

ونموذج متعلّم يتنبأ بالمخاطرة وحدها لا يكفي لدعم القرار: فربط نموذج مُعايَر للمخاطرة بلجوء بالبرمجة الصحيحة على أفعال متقطّعة — مُتحقَّق منه مقابل قيود التوقيت والميزانية وعدم القابلية للتغيير والتوفر — أنتج خطط تدخّل مدمجة حيث قبل التحسين وحده خططًا غير قابلة للتنفيذ (Le, Abel & Laforge (2026)).

ويمكن أيضًا تقطير مُقدِّر صندوق أسود في نموذج صغير يُفسّر نفسه: فمسار من مرحلتين يحوّل مُقدِّرًا مُلاءَمًا وتفسيره اللاحق إلى «مُرابِط» ذي 2 مليار معامل يُعيد تقديرًا إلى جانب سرد، مُدقَّقًا في الأمانة لا في الطلاقة (Distilling Black-Box Machine Learning into a Small, Self-Explaining Language Model for Learning Analytics).

الروابط بمفاهيم أخرى

تُغذّي نمذجة المتعلّم والتعليم التكيّفي تحليلات التعلّم (لوحات المعلومات والتدخّلات)، والتقييم التكويني (التقويم المدفوع بالتحليلات)، والتغذية الراجعة (ما يقوله النظام للمتعلّم). وهي تتصل بـالذكاء الاصطناعي في التعليم كخيط جوهري في الذكاء الاصطناعي لأجل التعليم.

المفاهيم المتصلة

المقالات المتصلة

الأسئلة الشائعة المرتبطة

البيانات الوصفية

التقنيات والأساليبالتعلّم التكيفي, التشخيص المعرفي, التدريس الذكي, تتبّع المعرفة, تحليلات التعلّم, النماذج اللغوية الكبيرة (LLMs), التعلّم المخصّص, محاكاة الطلاب, نمذجة المتعلّم والتعليم التكيّفي
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.