الذكاء الاصطناعي والتحليلات وفكر الأداء: إعادة تشكيل قياس التعلم
قياس التدريب التقليدي كان غالباً مهمة روتينية: جمع استبانات المستوى الأول، تقارير نسب الإكمال، والأمل في نتائج لاحقة. لكن في 2025، مع بروز الذكاء الاصطناعي وتحليلات الأداء، أصبح هذا النموذج التفاعلي غير كافٍ. وهذا يعني انه يجب إعادة التفكير في كيفية تعريفنا لمدى تأثير التعلم، وكيفية التقاطه واستخدامه. نُدخِل بذلك حقبة جديدة من القياس — حيث يلتقي كيركباتريك بفكر Six Boxes®، وتتحول التقييمات إلى حلقة تغذية راجعة أداءية مستمرة بدلاً من تشريح بعد الحدث.
لماذا يظل تأثير التعلم مهماً ولماذا عليه أن يتطور
القادة لا يستثمرون في التدريب لأنه جميل؛ إنهم يستثمرون لأنهم يتوقعون مخرجات ملموسة:
– ارتفاع درجات رضا العملاء (CSAT)
– تسريع فترة التهيئة والتأهيل
– تقليل الأخطاء أو حالات التصعيد
– تحسّن في الاحتفاظ بالموظفين أو معدلات إغلاق المبيعات
نماذجنا التقليدية — كيركباتريك، فيليبس، برينكيرهوف — ساعدتنا على ربط التدريب بالقيمة. لكنها لم تُصمَّم أصلاً للتعامل مع:
– محتوى مُدار بالذكاء الاصطناعي
– ممارسات محاكاة معزّزة
– التدريب المصغر على نطاق واسع
– تتبّع سلوكي في الوقت الحقيقي
هنا يتقاطع فكر الأداء مع الذكاء الاصطناعي.
النماذج الكلاسيكية لا تزال صالحة — مع لمسة معاصرة
مستويات كيركباتريك الأربعة (بترقية معاصرة)
المستوى 1 — رد الفعل
المستوى 2 — التعلّم
المستوى 3 — السلوك
المستوى 4 — النتائج
تطبيقات معاصرة لكل مستوى:
– ردود نصية مفتوحة: تحليل عاطفي بمعالجة اللغة الطبيعية.
– تقييمات تكيفية، درجات الثقة، أداء المحاكاة.
– إشارات سلوكية من الأنظمة (CRM، سجلات المكالمات، أدوات سير العمل).
– لوحات ديناميكية تربط التعلم بمؤشرات أداء الأعمال.
الذكاء الاصطناعي يجعل كل مستوى مستمراً، لا حدثاً منفرداً.
نموذج فيليبس لعائد الاستثمار (ROI)
إضافة فيليبس للمستوى 5 (العائد على الاستثمار) كانت تقليدياً صعبة القياس. الآن الذكاء الاصطناعي يمكّن من:
– الربط الآلي بين التدريب وتحركات مؤشرات الأداء (مثل تقليل التصعيد أو تحسين معدل الحل من الاتصال الأول).
– نمذجة عائد استثماري تنبؤية باستخدام بيانات ما قبل وبعد المجموعات.
– تصور قيمة التدريب حسب المنطقة والجمهور ونوع المحتوى.
يصبح العائد على الاستثمار مقياساً في الوقت الحقيقي بدلاً من مراجعة سنوية.
منهج برينكيرهوف لحالات النجاح (SCM)
يمكن للذكاء الاصطناعي أن:
– ينصّف ويحلل مقابلات خبراء المحتوى.
– يولّد ملخصات لحالات النجاح تلقائياً.
– يُجمّع ويصنّف الأداء العالي مقابل المنخفض لتغذية التصميم.
تصبح حالات النجاح قابلة للتوسيع بدلاً من أن تبقى قصصاً معزولة.
نموذج الستة صناديق (Six Boxes®): من التعلم إلى منظومة الأداء
بينما تقيم النماذج السابقة نتائج التدريب، يعيد نموذج كارل بايندر Six Boxes® النظر ويقول: ما الذي يُحرِّك الأداء فعلاً في العمل؟ الصناديق الستة هي:
– التوقعات والتغذية الراجعة
– الأدوات والموارد
– المهارات والمعرفة
– الدوافع
– القدرة/القدرة الاستيعابية
– النتائج والحوافز
يقع التدريب في الصندوق الثالث، لكن النتائج تعتمد على جميع الصناديق. يساعد الذكاء الاصطناعي على التشخيص والتحسين عبر كل صندوق:
– التوقعات: كشف فجوات التوافق عبر الاستطلاعات أو تحليلات المحادثة.
– الأدوات والموارد: تتبع استخدام الأدوات بعد التدريب (بيانات تتبع النقرات).
– المهارات والمعرفة: نتيجة المحاكاة، واختبارات مصغرة مدعومة بالذكاء الاصطناعي.
– الدوافع: تحليل أنماط التفاعل وإشارات التسرب.
– القدرة: تحديد حمل معرفي زائد واختناقات الموارد.
– النتائج: مراقبة الحوافز وبرورات الاعتراف عبر أنظمة الموارد البشرية.
مع الذكاء الاصطناعي وSix Boxes® تنتقل من “هل تعلموا؟” إلى “هل يستطيعون الأداء؟”
الذكاء الاصطناعي يحول بطاقات الأداء إلى إشارات فعلية
كيف يمكن لتعلم وتطوير المواهب أن يطوِّر قياس الأثر باستخدام الذكاء الاصطناعي:
1) حلقات تغذية راجعة مصغّرة
– شات بوتات مضمّنة تلتقط ردود فعل المتعلّم «في اللحظة».
– مقاييس ثقة قبل/بعد التدريب العملي.
– تنبيهات موجهة عند نقاط الاحتكاك (“إعادة زيارة هذا المقرر؟”).
2) محاكاة وتقييمات نماذج اللغة الكبيرة
– وكلاء يتعاملون مع عملاء مولَّدين بالذكاء الاصطناعي.
– تقييمات آلية للنبرة، التعاطف، الالتزام بالمعايير، والدقة.
– لوحات تقدم منحنيات تطور المهارات.
3) إشارات سلوكية بدلاً من الاستطلاعات فقط
– سجلات CRM → نسبة الوكلاء الذين يطبقون تقنيات التعامل مع الاعتراضات.
– بيانات التصعيد → اتجاه ما بعد التدريب حسب الفريق.
– بحث في قواعد المعرفة → المواضيع التي يعاني منها المتعلّمون أكثر.
4) لوحات أداء متكاملة
– سحب بيانات من نظام إدارة التعلم، ضمان الجودة، الموارد البشرية، وCRM في رؤية واحدة.
– تتبّع زمن الوصول إلى الكفاءة، الاستبقاء عند 90 يوماً، تبنّي الأدوات، فرق CSAT.
– تحليل حسب المحتوى، المجموعة، والدولة.
حالة استخدام L&D: تجميع كل الأجزاء
مثلاً برنامج تمكين المبيعات على مستوى العالم:
– تتبّع معدلات الثقة واجتياز المحاكاة (كيركباتريك مستوى 2).
– تحليل تحسّن معدل التحويل (كيركباتريك مستوى 4 + فيليبس ROI).
– مقابلة أفضل المنجزين وتلخيص ما نجح بواسطة الذكاء الاصطناعي (برينكيرهوف SCM).
– رسم الحواجز عبر الستة صناديق (مثلاً: توقعات غير واضحة، قوالب مبيعات غير مناسبة).
– استخدام الذكاء الاصطناعي لإرسال تلميحات تمكينية آنية عبر شات بوت.
هذا ليس قياساً كفكرة لاحقة؛ بل هو تصميم للتعلم كنظام تغذية راجعة.
من إنشاء المحتوى إلى منظومة الأداء
يحرك الذكاء الاصطناعي وظيفة التعلم والتطوير من إنتاج المحتوى إلى تمكين الأداء:
– يخبرنا بما ينجح الآن، لا بعد شهور.
– يربط التعلم بالمخرجات عبر الأدوار والمناطق والشخصيات.
– يمنحنا أدوات للتشخيص والتكييف والتكرار بسرعة أكبر.
وعند الاقتران بفكر الأداء، يربط التعلم بالعمل لا بالمعرفة فقط.
حواجز وضوابط للحفاظ على نزاهة التعلم
على فرق L&D أن تضع ضوابط للذكاء الاصطناعي:
– التحقق من دقة تقييمات الذكاء الاصطناعي بمراجعة خبراء المحتوى.
– فحص الانحياز في توقعات النتائج.
– حماية الخصوصية في تحليلات البيانات.
– مواءمة العبارات والتغذية الراجعة مع مبادئ التنوع والشمول وإمكانية الوصول وسياق العمل.
الفكرة الختامية: المستقبل إشارات لا استطلاعات
– كيركباتريك يريك ما حدث.
– فيليبس يقدّر ما كانت قيمته.
– برينكيرهوف يحدد ما نجح أفضل.
– Six Boxes يبيّن ما ينبغي إصلاحه بعد ذلك.
– الذكاء الاصطناعي يُظهر كل ذلك في الوقت الحقيقي.
هكذا تكتسب L&D مكانتها في غرفة القيادة؛ ليس بقياس التعلم فحسب، بل بتمكين الأداء.