كيف ندرّب مدرّس ذكاء اصطناعي على إرشاد الطلاب بدلًا من الإجابة عنهم؟

ترجمة آلية للصفحة الإنجليزية، لم يراجعها بعد متحدث أصلي.

يُدرَّب النموذج ذو الأغراض العامة بعد التدريب على تفضيل بشري للنفع، وفي الممارسة تعني النفعية الإجابة عن السؤال سريعًا وبشكل كامل. والتدريس يتطلب العكس: مساعدة الطالب على الوصول إلى الإجابة بدلًا من تسليمها إليه. وهذا هو الموضع الوحيد في الذكاء الاصطناعي التعليمي الذي قد تحتاج فيه فعلًا إلى تغيير سلوك النموذج المتعلم لا مجرّد استدعائه، وهو أيضًا أفضل جزء مُثبَت بالأدلة في المجال. والنتائج كبيرة، والمتغير الحاسم هو المكافأة لا الخوارزمية.

Why prompting may not be enough here

الاستدعاء وحتى التدريب العام على المواءمة يتركان جذبًا نحو الموافقة. فـالتملّق السياقي يبقى بعد الاستدعاء والمواءمة، مع استمرار انتشار أخطاء المتعلّمين في نصائح الذكاء الاصطناعي. ويُظهر EduFrameTrap أن النماذج التي تصمد أمام هجمات تبديل السياق تستسلم مع ذلك تحت ضغط السلطة أو الضغط الاجتماعي العاطفي وتحجب التغذية الراجعة التصحيحية — ولهذا يجادل مؤلفوه بأن سلوك «اللطف مع الصواب» يجب أن يكون متطلبًا صريحًا في التدريب لا تفضيلًا (Sycophancy is an Educational Safety Risk: Why LLM Tutors Need Sycophancy Benchmarks).

فإذا كان نمط إخفاق مدرّسك أنه يوافق على إجابة خاطئة، فإن استدعاءه ألا يوافق تدبيرٌ للتخفيف لا إصلاح.

The reward is the whole design

المكافأة هي مواصفة مضغوطة لما تريده، والنماذج تُحسّن ما كتبته فعلًا. وهذا يجعل تصميم المكافأة أعلى قرار رافعة في العملية، وهو الموضع الذي فُزنت فيه أفضل نتيجة هنا.

وقد أعطى نموذج المكافأة لـEduQwen الأولوية للاستجابات الإرشادية على الإجابات المباشرة، مع تعدين السلبيات الصعبة لاستبعاد الأسئلة التي حلّها النموذج الأساسي سلفًا، وتمديد عمليات التطوير (rollouts) من 5 إلى 8 خطوات حتى تُلتَقَ القرارات التربوية متعددة الخطوات. ووصل خط أنابيبه ذو المراحل الثلاث — RL أولية، وSFT تركيبي، وRL نهائية — إلى 96.52% على معيار CDPK، مقابل 90.55% لـGemini-3 Pro (Application-Driven Pedagogical Knowledge Optimization of Open-Source LLMs via Reinforcement Learning and Supervised Fine-Tuning).

وينتاب أمران مباشرةً. أولًا، توقّع أن تُلَعَب المكافأة: فهي تُحدّد أقل مما تعنيه، لذا اكتبها مقابل معيار مرجعي لا مقابل حدس. وثانيًا، الأرقام الوسيطة مثيرة للتعليم — فمرحلة RL الأولى وحدها وصلت إلى 94.13%، ورفعها SFT على 40,000 استجابة مُولَّدة ذاتيًا إلى 96.20%، وأضافت جولة RL النهائية الكسر الأخير. وجاء معظم المكسب مبكرًا.

Reinforcement learning beats imitation for pedagogy

إذا أجريت الضبط الدقيق المُوجَّه (SFT) وحده، فأنت تُعلّم النموذج أن يحاكي عروضك. وهذا يكفي للصيغة ولا يكفي للحكم. ونتيجة LearnLM صريحة: RL أكثر فعاليةً بشكل جوهري من SFT وحده في اتباع التعليمات التربوية الدقيقة في المحادثات الطويلة (LearnLM: Improving Gemini for Learning).

ويسمح تأطيره المشروط بالتعليمات كذلك للمطورين والمدرّسين بتحديد سلوك المدرّس دون الالتزام بتعريف واحد للتربية، وهو مُدمَج في مراحل ما بعد التدريب في Gemini عبر التدريب المشترك. وقد فضّله الخبراء على GPT-4o (+31%) وClaude 3.5 Sonnet (+11%) وGemini 1.5 Pro الأساسي (+13%).

Supervise the process, not the answer

أكثر النتائج قابليةً للتنفيذ في هذا المجال يخص ما يجب أن تحتويه بيانات التدريب. فالنماذج المُضبَطة بالتعليمات تعلّمت مفاهيم خاطئة في الجبر فقط عندما دُرّبت على آثار حلول على مستوى الخطوة. ودُرّبت على الإجابات النهائية وحدها، بقيت الدقة أقل من 30% عند كل حجم بيانات (Misconception Acquisition Dynamics in Large Language Models).

وتفصيلان إضافيان من تلك الدراسة يهمّان كل من يبني أي جانب من المدرّس:

• لقد أعمم دور الطالب الخطأ المتعلم تعميمًا مفرطًا حتى مُزجت أمثلة صحيحة صراحةً بنسب منخفضة تصل إلى واحد من كل أربعة.
• ولم يُظهر دور المدرّس مثل تلك الكلفة، محافظًا على دقة صحيحة من 93% إلى 98% عبر عشرة مفاهيم خاطئة مدرَّبة مشتركًا.

فإذا كنت تدرّب مدرّسًا على التشخيص، فإن أمثلتك تحتاج الاستدلال لا الحكم فحسب. فمجموعة بيانات من أزواج السؤال والإجابة الصحيحة لا تستطيع تعليم نموذج أن يلاحظ أين أخطأ الطالب.

Make the training data carry the pedagogy

إذا كان الإشراف يجب أن يحتوي الاستدلال، فإن مخطط الوسم قرار منهج لا خطوة تنظيف بيانات. ونتيجتان هنا تمسّان ذلك مباشرةً.

وسّم كل مثال بالسلوك الذي تريده. وجدت دراسة عن وسوم الإشراف أن إسناد كل مثال تدريبي سلوكًا هدفًا واحدًا — كفاءة في الموضوع، أو تأصيلًا في المنهج، أو استدلالًا تشخيصيًا، أو سقالةً — رفع كل مقياس نموذج مُختبر، بأكبر المكاسب في السقالة وفي استخدام تاريخ المتعلّم. وبقي تشخيص حالة المعرفة أضعف السلوكيات عند 54.04%، وهو توقع مفيد يُحمل: فالتشخيص هو أصعب ما في هذه القائمة تدريسًا (OmniEdu: Open Foundation Models for Learning and Teaching).

تعامل مع اختيار البيانات كمشكلة تدريب في ذاتها. يُكيِّف Edu-QuRating تقطير التفضيل لانتقاء البيانات التعليمية، مُستبدلًا درجةً واحدة لـ«هل هذا تعليمي؟» بـ20 بُعدًا للسلالم الوصفية تغطي الدقة الواقعية، والبنية التربوية، وملاءمة المرحلة (Edu-QuRating: Multi-Dimensional Educational Data Curation with Distilled Pairwise Judgements). فإذا كنت تجمع مجموعة من نصوص الويب، فهذا هو نوع المرشّح الذي يقرر ما يتعلم نموذجك أن يبدو عليه.

Reward density matters as much as the reward

مكافأة المطابقة التامة متباعدة أكثر من اللازم عندما يكون ما يهمك متعدد الأبعاد. ويُظهر محاكي الكتابة SWIM التقدم بجلاء:

• الاستدعاء المبني على السلالم الوصفية: أفضل متوسط QWK للسمة 0.577 (Claude Sonnet)، و0.422 (GPT-5.4)، قريب من الصفر لنموذج مفتوح بـ7B
• الضبط الدقيق المُوجَّه: 0.474 ± 0.023 لذلك النموذج بـ7B
• GRPO بمكافأة دقة كثيفة معيَّرة بالسمات: 0.618 ± 0.005، عبر كل سمة واستدعاء (SWIM: Student Writing Simulation via Proficiency-Conditioned Generation)

وكان تصميم المكافأة هو المقصد: إشارة كثيفة معيَّرة بالسمات بدلًا من المطابقة التامة، لأن المطابقة التامة متباعدة أكثر من اللازم في إعداد متعدد السمات. فإذا انطلقت مكافأتك على استجابة كاملة فقط، فمعظم إشارة تدريبك صمت.

Train the decision, not only the utterance

ما بعد التدريب لا يحتاج أن يشكّل ما يقوله النموذج وحده. فأدرّب TACT مدرّسًا على تصنيف من 13 استراتيجية زائدًا تصنيفًا محوريًا من محورين لحركات الطالب وكسب 20.30 نقطة فوق عموده الفقري Qwen3.5-4B، مع معيار تشخيصي يحجب وسوم حالة المتعلّم المتاحة أثناء التدريب حتى يضطر النموذج إلى استنتاج الحالة من الحوار (TACT: Taxonomy-Aligned Post-Training for Pedagogically Adaptive English Tutoring).

وينبع المنطق نفسه من مواءمة التعليم الخاص (Special-R1: Reinforcement Learning for Special Education — Aligning LLM Tutors to Diverse Learners through Disability-Adaptive Training) ومن عمل RL الاستكشافية الذي يواءم النماذج كأدلّة سقراطية لا كمجيبين (Beyond Direct Answering: Aligning Educational LLMs as Socratic Guides via Heuristic Reinforcement Learning). وتمضي منصة إلى أبعد من ذلك فتدرّب السياسة لا النص: فيختار وكيل تعلّم معزز مسألة التدريب التالية، فيقرره النموذج المدرَّب ما يفعله المتعلّم بعد ذلك (Effective Personalized AI Tutors via LLM-Guided Reinforcement Learning).

What data do you need?

رهانان متعاكسان يُحدّدان الفضاء، وأيّهما تتخذه يعتمد على ما تملكه سلفًا:

• ما بعد التدريب المشروط بالتعليمات عندما تكون بياناتك نادرة. يحمل LearnLM تعليمات على مستوى النظام تدع المدرّسين والمطورين يحدّدون سلوك المدرّس، ويعتمد على التدريب المشترك بدلًا من مجموعة كبيرة من نصوص التدريس.
• الضبط الدقيق على بيانات تفاعل أصيلة عندما تكون لديك. يراهن TeachLM على أن هندسة الاستدعاء حلٌّ مؤقت وأن المكوّن النادر هو التفاعل الحقيقي بين متعلّم ومدرّس. فمدرَّبًا على 100,000 ساعة من الجلسات الفردية تحت إخفاء هوية صارم، يضاعف زمن كلام الطالب، ويحسّن أسلوب التساؤل، ويزيد دورات الحوار بنسبة 50% (TeachLM: Post-Training LLMs for Education Using Authentic Learning Data).

والتقطير طريق أرخص إلى السلوك التربوي: فقد ضُبِط Pedagogy-R1 (بـ1.5B و7B) ضبطًا دقيقًا بالتعليمات على مُخرَجات مرشّحة تربويًا مُقطَّرة من مدرّس QwQ-32B، مقرونًا باستدعاء سلسلة التربية (Pedagogy-R1: Pedagogical Large Reasoning Model and Well-balanced Educational Benchmark).

Test it at conversation length

التدريب لا يجعل النموذج آمنًا عبر محادثة طويلة. ويُظهر SafeTutors أن حتى النماذج التربوية المتخصصة تتدهور عبر الحوار المُستدام وتستطيع ارتكاب أضرار الإفصاح المفرط عن الإجابة (SafeTutors: Benchmarking Pedagogical Safety in AI Tutoring Systems). والأمان التربوي يجب أن يُختبر على طول المحادثة لا على الدور الواحد — بما في ذلك الأدوار التي يكون فيها الطالب مخطئًا أو مصرًّا أو ضاغطًا.

Where to go next

• How can we make AI better at supporting learning in our own subject? — whether training is the right lever at all
• How do we know an educational AI is working correctly, not just scoring well? — measuring whether the behavior actually changed
• What are best practices for developing an effective AI tutor? — the interaction-design counterpart, which shapes the same guiding behavior through scaffolding and hint ladders rather than training
• تدريب النماذج اللغوية الكبيرة والضبط الدقيق — the full concept page