كان هناك فرق رئيسي واحد. نصف الطلبة أُخِذوا عشوائياً إلى تسلسل ثابت من المسائل التدريبية يتدرّج من السهل إلى الصعب. أما النصف الآخر فقد حصل على تسلسل شخصي، حيث كان المعلّم الآلي يضبط دائماً درجة صعوبة كل مسألة بناءً على أداء الطالب وتفاعله مع الشات بوت.
الفكرة مبنية على ما يسميه التربويون «منطقة التطور القريب». إذا كانت المسائل سهلة جدّاً يملّ الطالب، وإذا كانت صعبة جدّاً ييأس. الهدف هو إبقاء الطالب في نقطة توازن: متحَفّز ومُتحدّى، لكن غير مُثقل.
وجد الباحثون أن طلاب المجموعة الشخصية أدّوا أفضل في الامتحان النهائي من طلاب المجموعة ذات التسلسل الثابت. ووُصِف الفارق بأنه يعادل تحصيلاً تعليمياً إضافياً مدته من ستة إلى تسعة أشهر، وهو ادعاء لافت لبرنامجٍ عبر الإنترنت بعد الدوام استمرّ خمسة أشهر فقط. المخترِعة الأولى للمعلّم الآلي، أنجل تشونغ، طالبة دكتوراه في كلية وارتون، اعترفت أن تحويلها للوحدات الإحصائية «ليس تقديراً مثالياً». (نُشِرَت ورقة مسودة عن التجربة على الإنترنت في مارس 2026، لكنها لم تُنشر بعد في مجلة مُحكَّمة.)
مع ذلك، هذه أدلّة مبكِّرة على أن تعديلات صغيرة — هنا: معايرة صعوبة المسائل التدريبية وفق الطالب — يمكن أن تحدث فرقاً.
أوضحت تشونغ أن ردود ChatGPT قد تبدو شخصية فعلاً لأنها تستجيب مباشرة لأسئلة الطالب الفريدة. لكن هذا المستوى من التخصيص غير كافٍ. «الطلاب عادة لا يعرفون ما الذي لا يعرفونه»، قالت تشونغ. «الطالب لا يمتلك القدرة على طرح الأسئلة الصحيحة للحصول على أفضل توجيه.»
لمعالجة ذلك، جمع فريق تشونغ نموذج لغوي كبير مع خوارزمية تعلم آلي منفصلة تُحلّل كيفية تفاعل الطلاب مع منصة المقرر: كيف يجيبون على أسئلة التدريب، كم مرة يراجعون أو يحرّرون شفراتهم، وجودة محادثاتهم مع الشات بوت — وتستخدم هذه المعلومات لتقرير المسألة التالية التي سيُعرضها النظام.
كيف يتفاعل طلاب مختلفون مع المعلّم الشات بوت
بعبارة أخرى، التخصيص ليس مجرد تكييف للشرح؛ هو تكييف لمسار التعلمالمسار نفسه.
هذه الفكرة ليست جديدة.
قبل ظهور أدوات الذكاء التوليدي مثل ChatGPT، طوّر باحثو التعليم «أنظمة التدريس الذكية» التي حاولت تحقيق شيء مشابه: تقدير ما يعرفه الطالب وتقديم المسألة التالية المناسبة. لم تستطع تلك الأنظمة القديمة إجراء محادثات طبيعية، لكنها كانت تُقدّم تلميحات وتعليقات فورية. وقد أظهرت دراسات صارمة أن النسخ المصممة جيداً منها ساعدت الطلاب على التعلّم بشكل ملحوظ.
وكانت نقطتها الضعيفة هي التفاعل والالتزام: كثير من الطلاب ببساطة لم يرغبوا في استخدامها.
أدوات الذكاء الاصطناعي الحالية قد تساهم في حل هذه المشكلة. فقد يشعر الطلاب بمزيد من الاهتمام عندما يتحدّث إليهم شات بوت بأسلوب شبه بشري.
في دراسة جامعة بنسلفانيا، قضى طلاب المجموعة الشخصية وقتاً أطول في الممارسة، نحو ثلاث دقائق إضافية لكل مسألة، ما جمع نحو ساعة إضافية لكل وحدة في كورس بايثون، مقابل نصف هذا الوقت (نحو نصف ساعة أو أقل) لطلاب المجموعة المقارنة. يعتقد الباحثون أن هؤلاء الطلاب أدّوا أفضل لأنهم كانوا أكثر انخراطاً في عمليّة الممارسة.
معرفة الطلاب السابقة بالمادة أثّرت على مدى نجاح التسلسل المخصّص. الطلاب الجدد على بايثون حققوا مكاسب أكبر من أولئك الذين كان لديهم خبرة سابقة في بايثون، الذين أدّوا جيداً أيضاً مع التسلسل الثابت للمسائل. ويبدو أيضاً أن طلاب المدارس الثانوية الأقل تميّزاً استفادوا أكثر.
كيف أثّرت الخلفية الطلابية على النتائج
كان كل الطلاب يستطيعون الوصول إلى نفس المعلّم الآلي. الفرق العلاجي يقارن بين تسلسل مخصّص لصعوبة المسائل وتسلسل ثابت من السهل إلى الصعب.
كل طلاب تايوان المشاركين في هذه الدراسة تطوّعوا للالتحاق بكورس اختياري في برمجة الحاسوب يمكن أن يعزّز طلباتهم للالتحاق بالجامعة. كثير منهم كانوا دافعين بشدّة، ولهم آباء متعلّمون، والكثير منهم لديهم خبرة سابقة في الترميز.
ليس واضحاً ما إذا كان الشات بوت سيعمل بنفس الكفاءة مع طلاب أقل دافعاً ومتخلّفين دراسياً والذين هم الأكثر حاجةً إلى مساعدة إضافية.
حل محتمل: دمج القديم بالجديد.
كين كودينجر، أستاذ في جامعة كارنيغي ميلون ورائد في أنظمة التدريس الذكية، يجري تجارب على استخدام نماذج الذكاء الجديدة لتنبيه مرشدي بشرٍ عن بُعد يمكنهم تحفيز الطلاب المتعثّرين الذين يبتعدون عن المسار. «نحن نحقق نجاحاً أكبر»، قال كودينجر.
البشر لم يصبحوا قديمين بعد.
هذه القصة عن مُعلِّمين آليين نُشِرت عبر Hechinger Report، وهي منظمة إخبارية مستقلة وغير ربحية تغطي قضايا التعليم. اشترك في نشرات Proof Points وغيرها من نشرات Hechinger.