Method Article

منصة تعليمية شاملة تستند إلى الذكاء الاصطناعي التوليدي

DOI:

10.3791/69821

⸱

July 10th, 2026

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

باستخدام الذكاء الاصطناعي التوليدي (GAI) لدعم التدريس، تقدم المنصة تجارب تعليمية مخصصة قابلة للتكيف مع الاحتياجات المتنوعة للمستخدمين. كما أنها توفر مناهج تعليمية عملية وفيرةً لا تُثري عملية التعلم فحسب، بل تعزز أيضًا كفاءات التعلم مدى الحياة في العصر الرقمي، تتماشى مع أهداف التنمية المستدامة في تعليم الهندسة.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

شهدت الذكاء الاصطناعي التوليدي (GAI) تقدمًا كبيرًا في السنوات الأخيرة، مما يدل على إمكانيات تحولية للتعليم من خلال تمكين إنشاء محتوى ديناميكي ومسارات تعلم مخصصة. ومع ذلك، تعتمد العديد من المنصات التعليمية الحالية على محتوى ثابت ومسارات ثابتة، مما يجعلها تفتقر إلى البنية المدمجة اللازمة للاستفادة الكاملة من إمكانيات GAI في إنشاء تجارب تعلم تكيفية متماسكة. لمعالجة هذه الفجوة، تتناول هذه الدراسة تصميم وتنفيذ وتقييم تجريبي لمنصة تعليمية شاملة جديدة مبنية على GAI. تستند المنصة إلى بنية ثلاثية الطبقات تتجاوز الأطر التقليدية: طبقة تقنية أساسية تندمج فيها نماذج الذكاء الاصطناعي المعيارية (مثل Transformer، CNN-BiLSTM القائمة على الانتباه)، ومركز معالجة لتوليف البيانات في الوقت الفعلي وتحسين النموذج، وطبقة تطبيق وتفاعل تحتوي على ثمانية وحدات وظيفية أساسية، بما في ذلك التعلم الشخصي، والأسئلة والأجوبة الذكية، وتقييم الكفاءات. تسهل هذه البنية المدمجة تجربة تعلم قابلة للتخصيص ديناميكيًا تتكيف باستمرار مع احتياجات المتعلّمين الفرديين وتقدمهم. لتقييم فعالية المنصة، أجرينا تجربة عشوائية خاضعة للرقابة (RCT) شملت 50 طالبًا جامعيًا و20 معلمًا على مدار فصلين دراسيين، مقارنة النتائج مع مجموعة تحكم تستخدم الطرق التقليدية. تظهر النتائج التجريبية أن المنصة المقترحة تعمل على تحسين نتائج التعلم بشكل كبير، وزيادة مقاييس مشاركة الطلاب (مثل وقت الواجب والتفاعل مع المحتوى)، وتحقق دقة عالية في مطابقة المحتوى المخصص. تشير النتائج إلى أن هذه المنصة القائمة على GAI تشكل تقدمًا في تكنولوجيا التعليم من خلال إضفاء الطابع الشخصي على التعليم بشكل فعال ودعم التعلم التكيفي على نطاق واسع. تساهم هذه الدراسة بمخطط معماري مفصل يمكن تكراره وتوفر أدلة تجريبية تدعم القيمة العملية للأنظمة المتكاملة لـ GAI في تعزيز فعالية التعليم وتعزيز كفاءات التعلم مدى الحياة.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
```html

في ظل التسارع في الابتكار التكنولوجي، خاصة في مجال الذكاء الاصطناعي (AI)، تتزايد تطبيقات أدوات الذكاء الاصطناعي في تعليم الهندسة. في الوقت نفسه، توصل الناس إلى توافق في الآراء بأن هدف تعزيز التنمية المستدامة هو سعي عالمي. لذلك، أصبح دمج التنمية المستدامة في تعليم الهندسة - مع تحسين المستويات التقنية في الصناعة وتعزيز وعي المتعلمين بالاستدامة - محور تركيز رئيسي في إصلاح التعليم الحالي، مما يقود إلى استكشاف الابتكارات التعليمية المدعومة بالذكاء الاصطناعي. يفتح تطبيق الذكاء الاصطناعي في التعليم إمكانيات للتعلم الشخصي. على وجه التحديد، يوفر GAI إمكانات تحويلية لبيئات التدريس والتعلم. إنه يمكّن من إنشاء ديناميكي لأشكال محتوى متنوعة وتكييف موارد التعلم مع ملفات تعريف المتعلمين الفردية، مما يمكن أن يعزز المشاركة والفعالية. تُمكّن هذه التكنولوجيا من توليد أشكال محتوى متنوعة، مما يسهل إنشاء مواد تعليمية مخصصة. علاوة على ذلك، يمكنها تكييف موارد التعلم ديناميكيًا مع ملفات تعريف المتعلمين الفردية، وبالتالي تعزيز المشاركة وفعالية التعلم1. علاوة على ذلك، تم تصميم المنصة للتكيف مع تقدم المتعلم. حيث تقوم بضبط عرض المحتوى ديناميكيًا وتوصي بأنشطة تعليمية تتماشى مع الأهداف الفردية، بهدف تحسين نتائج التعلم.

ومع ذلك، فإن دمج الذكاء الاصطناعي في المنصات التعليمية يتطلب التغلب على عقبات تقنية كبيرة. أولاً، يجب تدريب نماذج التعلم العميق على مجموعات بيانات ضخمة لضمان توليد محتوى عالي الجودة يلبي المعايير التعليمية. بالإضافة إلى ذلك، يجب ضبط خوارزميات التعلم بالتعزيز بشكل جيد - ليس فقط لتخصيص مسارات التعلم للمستخدمين الفرديين بدقة ولكن أيضًا للحفاظ على اكتمال المحتوى التعليمي. بالإضافة إلى ذلك، تعد قدرات معالجة اللغة الطبيعية ضرورية لإنشاء أنظمة توجيه تفاعلية يمكنها محاكاة الحوار البشري وتقديم تغذية راجعة في الوقت الفعلي2,3,4. في ظل هذا السياق، هناك حاجة ماسة لمنصة تعليمية شاملة تستفيد من كامل إمكانات GAI لتقديم تجارب تعلم شخصية وجذابة وقابلة للتكيف5. تمتلك هذه المنصات إمكانات كبيرة لإعادة تشكيل مشهد التعليم عبر الإنترنت من خلال جعله أكثر تكيفًا وشخصيًا، وبالتالي المواءمة مع دعم أهداف نماذج التعلم مدى الحياة المعاصرة. في هذه الحقبة الجديدة، لن تظل المحتويات التعليمية ثابتة؛ بدلاً من ذلك، ستتطور جنبًا إلى جنب مع النمو الشخصي للمتعلمين واحتياجاتهم المتغيرة باستمرار.

أظهرت الأبحاث القائمة أن التقنيات الناشئة مثل الذكاء الاصطناعي والنماذج واسعة النطاق يمكن أن تعمل بشكل فعال على تحسين جودة التدريس والتعلم في تعليم الهندسة5 وقد استكشفت العديد من الدراسات التطبيقات المحتملة لـGAI في منصات التعليم الشخصية، بهدف توفير تجارب تعلم مخصصة للطلاب6. في الوقت نفسه، أصبح التعليم من أجل التنمية المستدامة (ESD) أولوية أساسية متزايدة في تعليم الهندسة العالمي، حيث تؤكد الأبحاث الحالية باستمرار على أن محو الأمية في مجال الاستدامة والتفكير النظامي هما كفاءات أساسية لا يمكن المساومة عليها للمهندسين المعاصرين7. لمعالجة هذا الطلب التدريبي الحاسم، يقيم هيكل GAI المقترح في هذه الدراسة صلة عملية قابلة للتنفيذ بين أهداف التعلم ESD وبناء المهارات الهندسية: يدمج منصتنا وحدات تقييم تأثير الاستدامة، وتدفقات تحليل دورة الحياة (LCA)، ومطالبات التصميم المستدام القائمة على السيناريو في إطارها الأساسي، مما يمكّن المتعلمين في الهندسة من ترجمة مبادئ الاستدامة مباشرة إلى اتخاذ قرارات فنية طوال دورة تصميم الهندسة الكاملة. أحد المجالات التي تركز عليها هو استخدام GAI لأتمتة إنشاء المحتوى التعليمي. استكشف Moulaei et al.7 كيف يمكن لخوارزميات الذكاء الاصطناعي إنشاء تمارين، واختبارات، وحتى دروس كاملة بناءً على الاحتياجات المحددة وأنماط التعلم الفردية للطلاب. يوضح هذا النهج إمكانية تقليل عبء المعلمين وتقديم تجربة تعلم أكثر شخصية للطلاب، مما قدم أساسًا تقنيًا معينًا للعمل اللاحق لـZhao et al.8.

مجال آخر يحظى بالاهتمام هو استخدام GAI لأنظمة التعلم التكيفي9. تستخدم هذه الأنظمة خوارزميات الذكاء الاصطناعي لتحليل أداء تعلم الطلاب وضبط مواد التعلم في الوقت الفعلي، وبالتالي تلبية احتياجات الطلاب بشكل أكثر دقة. هذا النهج لا يعزز فقط نتائج التعلم بل يضمن أيضًا تحدي الطلاب بمستوى مناسب - ليس سهلاً للغاية لعدم وجود تحفيز وليس صعبًا للغاية بحيث لا يستطيعون مواكبة. بالإضافة إلى ذلك، تم استكشاف GAI أيضًا لإمكانيته في أتمتة عمليات العلامة والتغذية الراجعة10 وليكون بمثابة منصة دعم قرار ذكية11. يمكن استخدام خوارزميات الذكاء الاصطناعي لتقدير درجات مهام الطلاب تلقائيًا وتقديم تغذية راجعة فورية، مما يوفر الوقت للمعلمين ويساعد الطلاب على التعلم بشكل أكثر فعالية. استكشف Smith et al.12 أيضًا تطبيق أدوات GAI، مثل ChatGPT، في التعليم العالي، مع التركيز على قبول واستخدام هذه التقنيات بين الطلاب والمعلمين من أجيال مختلفة. كشفت الدراسة أن الطلاب الرقميين، بسبب غمرهم مدى الحياة في التقنيات الرقمية، يظهرون مستوى أعلى من القبول تجاه هذه التطبيقات؛ على العكس من ذلك، يميل المعلمون المهاجرون رقميًا إلى اتخاذ موقف أكثر حذرًا ومحافظة تجاه هذه التطبيقات الرقمية، ويظهرون ترددًا في تجربتها بشكل عشوائي. يمثل هذا الاختلاف بين الأجيال تحديات وفرصًا جديدة لدمج أنماط التدريس والتقنيات التعليمية. Imran et al.13 قيموا تطبيق أدوات الذكاء الاصطناعي التوليدي من الجيل التالي في التعليم، خاصة في إنشاء مواد تدريس وتقديم تغذية راجعة مخصصة.

تشير النتائج إلى أن هذه الأدوات يمكن أن تساعد المعلمين في توليد موارد تعليمية متنوعة وتقديم تغذية راجعة في الوقت الفعلي، ولكنها تشير أيضًا إلى تحديات تتعلق بالمعايير الأخلاقية والاستخدام العادل. حلل Cabrera et al.14 وعي الطلاب واستخدامهم لـGAI من خلال استطلاعات الرأي في ست جامعات في هونغ كونغ. معظم الطلاب لديهم موقف إيجابي، معترفين بفائدتها في التعلم الشخصي والتغذية الراجعة الفورية. ومع ذلك، يتم التعبير أيضًا عن المخاوف بشأن الاعتماد المفرط والانحيازات المحتملة. Mishra et al.15 يوضح تطبيق GAI، مثل ChatGPT، في تعليم المعلمين، خاصة في تخطيط المناهج الدراسية، والتفكير النقدي، والانفتاح التعليمي. يسلط الضوء على أن GAI يمكن أن توفر آليات دعم محددة وموارد تعليمية للمعلمين، ولكنه يؤكد أيضًا على الحاجة إلى تقييم دقيق لقيود GAI والانحيازات المحتملة لضمان فعاليتها كأداة تعليمية. Mishra et al.16 يعكس على التأثير التحولي لاستراتيجيات GAI على التدريس وتعليم المعلمين. يجادل المنهج بضرورة مراعاة الأخلاق والسياسات في استخدام التكنولوجيا التعليمية لضمان الاستخدام العادل والفعال لتقنيات الذكاء الاصطناعي.

تشير الجهود الأكاديمية القائمة17,<

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تم إجراء هذه الدراسة وفقاً للإرشادات الأخلاقية لجامعة التعليم في هونغ كونغ. تم الحصول على موافقة مستنيرة من جميع المشاركين قبل جمع البيانات.

1. مواصفات النظام

النظام المقيّم هو نموذج بحث مخصص، تم تنفيذه كتطبيق قائم على الويب. تم بناء بيئة البرنامج على Python 3.9 و TensorFlow 2.12. يتم استضافة نماذج الذكاء الاصطناعي الأساسية (CNN-BiLSTM، Transformer) على بطاقة رسومات NVIDIA A100 GPU (40 جيجا بايت VRAM) داخل قناة معالجة قائمة على الخادم. تتكون الهندسة المعمارية من ثلاث طبقات: أولاً، طبقة تقنية أساسية تندمج مع شبكة CNN-BiLSTM المحسنة بالانتباه، ووحدة Transformer، ومكونات تعلم التعزيز؛ ثانياً، مركز معالجة لدمج البيانات متعددة الوسائط في الوقت الحقيقي وتحسين النموذج؛ وثالثاً، طبقة تطبيق تضم ثمانية وحدات وظيفية، بما في ذلك التعلم الشخصي، ونظام الأسئلة والأجوبة، وتقييم الكفاءات، وتحليل السلوك (الشكل 1).

2. إعداد وبيانات التدريب وتنظيمها

جمع مجموعات البيانات متعددة الوسائط من مستودعات التعليم العامة (مثل نصوص الدورات الدراسية عبر الإنترنت، وسجلات تفاعل الفيديو التعليمي) والمصادر الخاصة. جمع سجلات تفاعل مجهولة الهوية من 50 طالباً جامعياً و20 معلماً خلال الاختبار التجريبي (يناير-يونيو 2024). معالجة النص مسبقاً باستخدام spaCy v3.5 (Honnibal et al.، 2020) مع الإجراءات الثابتة التالية. أولاً، تحميل النموذج الأكاديمي العام المسبق المدرب en_core_web_md. ثانياً، إجراء تقسيم إلى رموز باستخدام أداة التقسيم المحسنة أكاديميةً الافتراضية في النموذج، والتي تتعامل مع مصطلحات الهندسة التقنية والتنمية المستدامة بشكل مناسب. ثالثاً، إجراء تنظيم قواعد الكلمات باستخدام الأداة الافتراضية المستندة إلى القواعد والإحصائيات المختلطة في النموذج، دون تطبيق أي قواعد تنظيم قواعد مخصصة. تطبيع إطارات الفيديو إلى دقة 224 × 224 باستخدام الخطوات الثابتة التالية. أولاً، تغيير حجم جميع الإطارات باستخدام التدخل الثنائي، وهو الأسلوب القياسي لمعالجة إطارات الفيديو التعليمي. ثانياً، تطبيق أي تطبيع إضافي للألوان أو اقتصاص ما بعد إعادة الحجم الموحدة للحفاظ على المحتوى التعليمي الأصلي. إزالة المعلومات الشخصية القابلة للتعرف لضمان الامتثال للخصوصية باستخدام الإجراءات الثابتة التالية. أولاً، استخدام وحدة التعرف على الكيانات المسمى في spaCy v3.5 ضمن نموذج en_core_web_md لاكتشاف وحذف جميع الأسماء الشخصية وعناوين البريد الإلكتروني وأرقام الهواتف والمعرفات المؤسسية تلقائيًا. ثانياً، مراجعة يدوية لعينة عشوائية بنسبة 10 بالمئة من جميع النصوص المرسلة مسبقًا وإطارات الفيديو للتحقق من إزالة PII الكاملة، دون وجود أي تناقضات في مجموعة البيانات النهائية.

3. تدريب النماذج والتحقق منها

استخدم التدريب ثلاثة نماذج: أولاً، التعلم الخاضع للإشراف (محسن Adam، معدل التعلم = 1e-4، حجم الدفعة = 32) للتنبؤ بأداء الطالب من سجلات التفاعل المخصصة؛ ثانياً، التجميع غير الخاضع للإشراف K-means (k = 5) لتحديد أنماط سلوكية مختلفة؛ وثالثاً، تعلم التعزيز للتوصية بالمحتوى التكيفي، مع وظيفة مكافأة محددة كـ التفاعل × الدقة. تم ضبط المعلمات الفائقة عن طريق البحث العشوائي على 100 تجربة على مجموعة تحقق مستبعدة لضمان المتانة. تتكون بيانات الإدخال للنماذج من التدفقات متعددة الوسائط المجهولة الهوية والمعالج مسبقاً: تسلسلات النص المجزأة، إطارات الفيديو RGB 224 × 224، والبيانات الوصفية للتفاعل المنظمة (مثل الطوابع الزمنية، أنواع الإجراءات). تشمل المخرجات الرئيسية التي يولدها النظام درجات التنبؤ العددية (مثل احتمال السيطرة)، وسجلات التفاعل التفصيلية بتنسيق JSON، وتقارير تقييم الكفاءات بتنسيق PDF.

الشكل 1
الشكل 1: هيكل النظام الشامل للتعليم. يوضح هذا المخطط الهيكل الهرمي الكامل لنموذج بحث GAI التعليمي المخصص عبر الويب، بما في ذلك واجهة المستخدم وطبقة التفاعل، ومركز معالجة البيانات متعددة الوسائط، والطبقة التقنية الأساسية المدفوعة بالذكاء الاصطناعي، مع رسم خرائط واضح لتدفق البيانات بين الطبقات. الرجاء النقر هنا لعرض نسخة أكبر من هذا الشكل.

4. إجراء التقييم التجريبي

تم تجنيد 70 مشاركاً (50 طالباً جامعياً في الهندسة و20 معلماً) من جامعة التعليم في هونغ كونغ. تم تعيينهم عشوائياً إما في المجموعة التجريبية، التي استخدمت منصة GAI المبنية خصيصًا عبر الويب، أو المجموعة الضابطة، التي استخدمت نظام إدارة التعلم التقليدي (LMS). قاس التقييم أربعة نتائج رئيسية: (1) مكاسب التعلم (تم تقييمها من خلال درجات الاختبار القبلي والبعدي)، (2) التفاعل (المقيس من خلال الوقت المستغرق والتكرار)، (3) رضا المستخدم (تم تقييمه من خلال استبيان مقياس ليكرت المكون من 7 نقاط)، و (4) قابلية استخدام النظام. تم تحليل جميع البيانات التجريبية باستخدام اختبارات t المقترنة لتحديد الدلالة الإحصائية، مصحوبة بحسابات حجم التأثير لتقييم الأثر العملي.

5. الانتهاء من التنفيذ والتحقق منه

قبل الدراسة الرئيسية، قمنا بإجراء تحقق شامل للنظام. تضمن ذلك التحقق من التكامل الكامل والتشغيل المستقر لجميع الطبقات المعمارية الثلاث (التقنية الأساسية، ومركز المعالجة، وطبقة التطبيق)، والتحقق من سلامة البيانات طوال القناة، والتحقق من تقارب النموذج على مجموعة التحقق، واختبار استجابة واعتمادية واجهة المستخدم القائمة على الويب. بعد الانتهاء بنجاح من مرحلة التحقق هذه، تم اعتبار النظام جاهزًا للنشر التجريبي الرسمي والتقييم المقارن ضمن إطار التجربة العشوائية المحكومة.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

كشفت التجربة العشوائية المضبوطة عن اختلافات كبيرة بين مجموعة منصة GAI (المجموعة التجريبية) ومجموعة LMS التقليدية (مجموعة التحكم). بالنسبة لكسب التعلم، سجلت المجموعة التجريبية درجة أعلى بكثير في الاختبار اللاحق (M = 85.2، SD = 6.4) مقارنة بمجموعة التحكم (M = 76.8، SD = 7.1)؛ فرق المتوسطات = 8.4، 95٪ CI [4.5، 12.3]، t(68) = 4.32، p < 0.001، Cohen’s d = 1.02. بالنسبة للإشراك (الوقت المستغرق في المهمة)، قضت المجموعة التجريبية وقتًا أكثر (M = 42.5 دقيقة، SD = 8.2) مقارنة بمجموعة التحكم (M = 28.7 دقيقة، SD = 9.5)؛ فرق المتوسطات = 13.8 دقيقة، 95٪ CI [8.4، 19.2]، t(68) = 5.15، p < 0.001، d = 1.21. بالنسبة لرضا المستخدم، أبلغت المجموعة التجريبية عن تقييمات أعلى (M = 6.2، SD = 0.7) مقارنة بمجموعة التحكم (M = 4.8، SD = 1.1)؛ فرق المتوسطات = 1.4، 95٪ CI [0.9، 1.9]، t(68) = 5.87، p < 0.001، d = 1.38. أظهرت جميع النتائج تحسينات ذات دلالة إحصائية مع أحجام تأثير كبيرة، مما يؤكد فعالية المنصة المقترحة.

الطبقة التقنية الأساسية
توفر الطبقة التقنية الأساسية للمنصة الدعم الأساسي لتنفيذ شبكات عصبية مختلفة تستند إلى التعلم. تتضمن هذه الطبقة العديد من الوحدات العملية، مثل الأساليب الإحصائية الخطية، وشبكات CNN-BiLSTM المستندة إلى الانتباه، وبنية Transformer، وتقنيات التعلم بالتعزيز. علاوة على ذلك، تدعم هذه الوحدات التثبيت بعد النشر، مما يعزز مرونة المنصة. الشكل 2 يوضح جميع التقنيات الإحصائية الخطية المدرجة في المنصة.

النماذج الإحصائية الخطية هي فئة من النماذج الإحصائية التي يشار إليها غالبًا بالنماذج الخطية22. العديد من التقنيات المذكورة في هذا المستند، مثل الانحدار الخطي، والانحدار اللوجستي، والانحدار المتعدد، والانحدار التدريجي، هي نماذج خطية. تمكن هذه الطرق الإحصائية المثبتة من تحديد اتجاهات البيانات وعلاقات المتغيرات. يوفر هذا الأساس التحليلي دعمًا لاتخاذ قرارات أكثر استنارة وتوجيهها بالبيانات داخل تطبيقات المنصة. الأشكال 3، الأشكال 4 والأشكال 5 توضح إطار عمل طريقة التعلم بالتعزيز، CNN-BiLSTM والشبكة Transformer، على التوالي. يتم فحص هذه الأطر لتوضيح كيفية دعمها لقوة المنصة وتنوعها، وتلبية مختلف الاحتياجات الحسابية وتطبيقات التعلم.

في سياق المنصة، يعمل التعلم بالتعزيز على تحسين اتخاذ القرار للحصول على مسارات تعلم مخصصة وتوصيات محتوى من خلال تعظيم المكافآت التراكمية المشتقة من تفاعلات المستخدم (مثل إكمال المهام، وتقييمات الملاحظات) ونتائج الأداء. تنقسم مناهج الحل الأساسية إلى ثلاث فئات: البرمجة الديناميكية، وطرق مونت كارلو، وتعلم الفرق الزمني. في الآونة الأخيرة، نجح التعلم العميق بالتعزيز في تجاوز أداء البشر في العديد من المجالات الصعبة باستخدام أساليب التعلم العميق مثل الشبكات العصبية التلافيفية والشبكات العصبية المتكررة31.

كما هو موضح في الشكل 4، يستخدم النموذج المتكامل CNN-BiLSTM مزايا الشبكات العصبية التلافيفية (CNNs) وشبكات Bidirectional Long Short-Term Memory (BiLSTM). من خلال استخراج الميزات المكانية مع التقاط التبعيات الزمنية في وقت واحد، يتم تحسين هذا النموذج خصيصًا للبيانات متعددة الأبعاد. يجعل هذا النموذج اختيارًا مناسبًا لمعالجة مجموعات البيانات المعقدة ويعزز بشكل كبير قدرة المنصة على التعامل مع المهام الصعبة في مجالات مثل تحليل الوسائط المتعددة ومعالجة اللغة الطبيعية. تعالج طريقة Transformer المعروضة في الشكل 5 بيانات التسلسل باستخدام الانتباه الذاتي بالتوازي وتقلل بشكل كبير من وقت التدريب. تتعامل هذه الطريقة مع كميات هائلة من البيانات مع تحقيق دقة عالية. لذلك، يتم استخدامها في مهام ترجمة اللغة ومعالجة النص.

الشكل 2
الشكل 2: الأساليب الإحصائية الخطية في الطبقة التقنية. يوضح هذا الرسم البياني النماذج الفرعية المدرجة في وحدة الإحصاء الخطي الخاصة بالمنصة، وهي مكون أساسي من الطبقة التقنية الأساسية المستخدمة لتحليل بيانات السلوك التعليمي وتنبؤ أداء المتعلم. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

الشكل 3
الشكل 3: إطار عمل التعلم بالتعزيز في الطبقة التقنية. يظهر هذا الرسم البياني تدفق اتخاذ القرار ذي الحلقة المغلقة لمكون التعلم بالتعزيز الخاص بالمنصة، والذي يستخدم لتحسين توصيات محتوى التعلم المخصصة والاستراتيجيات التعليمية الديناميكية. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

الشكل 4
الشكل 4: إطار عمل CNN-BiLSTM في الطبقة التقنية. يعرض هذا الرسم البياني الهيكل التسلسلي لشبكة استخراج الميزات الأساسية، والتي تم تصميمها لمعالجة بيانات سلوك المتعلم متعدد الوسائط والتنبؤ بأحمال المعرفة المعرفية الحقيقية ومستويات إتقان الكفاءات. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

الشكل 5
الشكل 5: إطار عمل Transformer في الطبقة التقنية. يوضح هذا الرسم البياني بنية الهيكل القياسي للناقل-الفكية الخاصة بوحدة Transformer الخاصة بالمنصة، والتي تدعم مهام معالجة اللغة الطبيعية الأساسية بما

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

انطلقت هذه الدراسة لاختبار الفرضية البحثية المركزية: أن منصة التعلم الشخصية الممكّنة بـ GAI يمكنها تقليل الحمل المعرفي لمتعلمي الهندسة بشكل كبير، وتحسين كفاءة التعلم، وتعزيز نتائج التعلم المتعلقة بالتعليم المستدام (ESD) وتجربة التعلم الشاملة، مقارنةً بنماذج التعليم الهندسي التقليدية غير الشخصية. توفر نتائجنا التجريبية العشوائية الكاملة الدعم الكامل لهذه الفرضية، مع ثلاثة نتائج رئيسية تتماشى مباشرة مع نتائجنا المحددة مسبقًا. أولاً، أدت التخصيص المستمر للنظام بناءً على تحليلات التعلم إلى تقليل الحمل المعرفي الزائد للمتعلمين بشكل كبير، كما يتضح من تحسين كفاءة التعلم بنسبة 45٪ (الوقت لمعرفة التخصص) في مجموعة التدخل مقارنة بمجموعة التحكم، وهي نتيجة تمتد إلى الأعمال السابقة بشأن تخفيف الحمل المعرفي المدعوم بالذكاء الاصطناعي في البيئات التعليمية. ثانيًا، مكنت بنية النظام الموحدة المكونة من ثلاث طبقات من التعليم الشخصي المتوافق مع التدريس، مما أدى إلى زيادة كبيرة في مكاسب التعلم بعد الاختبار (ص < 0.001، كوهين د = 1.02) وزيادة أكبر في مشاركة الوقت في المهمة مقارنة بأنظمة إدارة التعلم التقليدية، مما يتفق مع ويطور البحوث السابقة حول قدرات التعلم التكيفية لـ GAI. ثالثًا، أدى إطار الكفاءات ESD المضمّن في النظام ووحدات تصميم الهندسة المستدامة إلى تحسينات كبيرة في وعي المتعلمين بالاستدامة وكفاءات التفكير في الأنظمة، مما يعالج الفجوة الحرجة في منصات GAI التعليمية الموجودة، والتي أهملت إلى حد كبير دمج نتائج الاستدامة في تصميم الهندسة المعمارية التقنية.

ركزت الأبحاث القائمة حول GAI في التعليم بشكل أساسي على التحسين التدريجي للأدوات الموجودة وحالات دراسية تطبيقية معزولة، دون وجود بنية معمارية متكاملة متسقة ومرنة وقوية بيداغوجيًّا في سياقات التعليم الهندسي ESD. يتقدم عملنا عن هذه الدراسات السابقة بثلاث طرق أساسية. أولاً، نؤسس نموذجًا معماريًا موحدًا وقابل للتكرار والمكون من ثلاث طبقات يجمع بين معالجة البيانات متعددة الوسائط ونماذج الذكاء الاصطناعي متعددة النماذج والوحدات الوظيفية المتوافقة مع ESD في نظام متماسك، مما يحل المشكلات الشائعة لتصميم الوحدة المجزأة وسوء قابلية التشغيل البيني عبر السيناريوهات المحددة في المنصات السابقة. ثانيًا، نقدم أدلة تجريبية صارمة لأثر التكامل المعماري لـ GAI على نتائج التعلم المعرفية والعاطفية، مما يعالج ندرة التحقق التجريبي القوي لمنصات GAI التعليمية في التعليم الهندسي. ثالثًا، نعمل على تشغيل الارتباط بين التصميم الفني لـ GAI ونتائج التعليم المستدام، مما يوفر مخططًا عمليًا لتضمين تدريب الكفاءات ESD في البنية الأساسية لمنصات التعليم الاصطناعي، بدلاً من معالجتها كإضافة تكميلية كما في العمل السابق.

ستركز الأعمال المستقبلية على التحقق من صحة متعددة المؤسسات على نطاق واسع، ودمج الذكاء الاصطناعي متعدد الوسائط لتعلم تصميم الهندسة المستدامة الغامرة، وتقييم الأثر طويل الأمد للاحتفاظ بكفاءات ESD. سيتم إيلاء اهتمام خاص للاعتبارات الأخلاقية مثل عدالة الخوارزمية، وخصوصية البيانات، والتعاون بين الإنسان والذكاء الاصطناعي لضمان النشر المسؤول. في النهاية، تساهم هذه الأبحاث في بناء بيئات تعليم مدى الحياة أكثر فعالية ومساواة واستدامة مدعومة بالذكاء الاصطناعي التوليدي.

السؤالملخص الردود (N=70)
المهام 1. هل النظام سهل وسلاسة في الاستخدام، وهل واجهت أي مشاكل؟المتوسط = 4.2 / 5؛ 83٪ أبلغوا عن "لا توجد مشاكل رئيسية"
المهام 2. هل تعتقد أن النظام يقدم وظائف أكثر شمولية من المنصات الأخرى؟76٪ وافقوا على أنه أكثر شمولاً من البدائل
المهام 3. ما مدى رضاك العام عن التغذية الراجعة التي يولدها الذكاء الاصطناعي؟المتوسط = 4.0 / 5؛ 71٪ قيموا 4 أو أكثر
المهام 4. يرجى تقييم تكرار استخدام كل من الوحدات الوظيفية الثمانية. (8 مقاييس من 7 نقاط)استخدم الوحدة 3 (الأسئلة والأجوبة) أكثر (متوسط 5.1/7)؛ الوحدة 7 أقل (2.3/7)
المهام 5. هل ترغب في المشاركة في اختبار امتدادات النظام المستقبلية أو تقديم تغذية راجعة أكثر تفصيلاً؟89٪ أعربوا عن الاهتمام
المهام 6. هل استخدام النظام مفيد ويعزز تعلمك؟المتوسط = 4.4 / 5؛ 87٪ وافقوا
المهام 7. هل ترغب في استخدام النظام للتعلم بشكل مستمر في المستقبل؟81٪ قالوا "نعم"

الجدول 1. محتويات 10 مهام في تطبيق النظام

يتم دعم النتائج الكمية بشكل قوي من خلال تغذية المستخدمين النوعية (الجدول 1). تكشف تحليلات استجابات الاستبيان عن رضا المستخدمين العالي عن قابلية استخدام النظام ووظائفه (المهام 1 و 2)، مما يتفق مع هدف تصميم النظام المتمثل في تحديد الأولوية للتفاعل الموجه نحو المستخدم - خاصةً الواجهة البديهية والتغطية الوظيفية الشاملة التي تقلل من الحواجز أمام التبني. قيم المشاركون بشكل خاص التغذية الراجعة التي يولدها الذكاء الاصطناعي والمسارات التعليمية الشخصية، حيث أفاد معظمهم بأن النظام كان مفيدًا وعزز تعلمهم (المهام 3 و 6). هذه الاستقبال الإيجابي بالغ الأهمية، حيث أن قبول المستخدمين هو عامل أساسي في الاعتماد الناجح للتكنولوجيات التعليمية الجديدة، مما يتفق مع نتائج Smith et al.12 وCabrera et al.14 حول الدوافع الرئيسية لتبني أدوات GAI في التعليم العالي. وتجدر الإشارة إلى أن نسبة عالية من المستخدمين أعربت عن الرغبة في الاستمرار في استخدام النظام (المهام 7)، مما يشير إلى إدراكهم بأنه أداة تعلم مستدامة على المدى الطويل. هذا التقارب بين التجربة الذاتية الإيجابية ومعايير الأداء الموضوعية (تقليل الحمل المعرفي، وتحسين الكفاءة، ومكاسب الكفاءات ESD) يعزز الصلاحية الداخلية والخارجية لأهداف تصميم النظام ونتائج البحث الأساسية.

القيود والنهج المنهجية البديلة
يجب الاعتراف بالقيود العديدة لهذه الدراسة. اقتصرت مجموعة المشاركين على 50 طالبًا و 20 مدرسًا من مؤسسة واحدة، مما قد يؤثر على تعميم النتائج على مجموعات أكبر وأكثر تنوعًا - وهي قيد شائع في تقييمات النظام الأولية23. كانت مدة الدراسة، رغم أنها كافية للتبني الأولي، غير كافية لتقييم الأثر التعليمي طويل الأمد أو الاحتفاظ بالمهارات. علاوة على ذلك، اعتمد التقييم بشكل أساسي على المقاييس الكمية للنظام والاستبيانات الذاتية؛ قد تقدم أساليب نوعية أعمق، مثل دراسات الحالة الطولية أو البحث القائم على التصميم الذي يتضمن التصميم المشترك التكراري مع المعلمين28,29 ، رؤى أكثر

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

النزاعات المالية أو المصالح غير المالية: لا يملك المؤلفون أي مصالح مالية أو مصالح غير مالية ذات صلة للكشف عنها.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
A100 GPU (40 GB VRAM)NVIDIA Corporation900-4H100-0000-000يستخدم لاستضافة نماذج الذكاء الاصطناعي الأساسية داخل قناة المعالجة المستندة إلى الخادم.
en_core_web_md (نموذج spaCy)Explosion AIhttps://spacy.io/models/en#en_core_web_mdنموذج أكاديمي عام إنجليزي مسبق التدريب يستخدم للتقسيم إلى قطع وتخفيض الكلمات. الإصدار: v3.5.
PythonPython Software Foundationhttps://www.python.org/لغة برمجة لبيئة البرمجيات. الإصدار: 3.9.
مجموعة بيانات SlimPajamaCerebras Systems Inc.https://www.cerebras.net/blog/cerebras-releases-slimpajama-a-cleaned-version-of-redpajama/مجموعة بيانات مفتوحة المصدر كبيرة ومسبقة التدريب مشتقة من RedPajama.
spaCyExplosion AIhttps://spacy.io/مكتبة معالجة اللغة الطبيعية لمعالجة النصوص. الإصدار: 3.5.
TensorFlowGoogle LLChttps://www.tensorflow.org/إطار عمل التعلم الآلي مفتوح المصدر. الإصدار: 2.12.

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Wach, K., et al. The dark side of generative artificial intelligence: a critical analysis of controversies and risks of ChatGPT. Entrepreneurial Business and Economics Review. 11 (2), 7-30 (2023).
  2. Feuerriegel, S., Hartmann, J., Janiesch, C., Zschech, P., Bichler, M. Generative AI. Business & Information Systems Engineering. 66 (1), 111-126 (2024).
  3. Noy, S., Zhang, W. Experimental evidence on the productivity effects of generative artificial intelligence. Science. , (2023).
  4. Baidoo-Anu, D., Ansah, L. O. Education in the era of generative artificial intelligence (AI): understanding the potential benefits of ChatGPT in promoting teaching and learning. Journal of AI. 7 (1), 52-62 (2023).
  5. Holechek, S., Sreenivas, V. Generative AI in undergraduate academia: enhancing learning experiences and navigating ethical terrains. Journal of Biological Chemistry. 300 (3), 105921(2024).
  6. Sayyadi, M., Collina, L., Provitera, M. J. How to develop an artificial intelligence strategy. Industrial and Systems Engineering At Work. 55 (7), 38-41 (2023).
  7. Moulaei, K., Yadegari, A., Baharestani, M., Farzanbakhsh, S., Sabet, B., et al. Generative artificial intelligence in healthcare: a scoping review on benefits, challenges and applications. International Journal of Medical Informatics. , (2024).
  8. Zhao, H., Yilahun, H., Hamdulla, A. Pipeline chain-of-thought: a prompt method for large language model relation extraction. International Conference on Asian Language Processing (IALP), , (2023).
  9. Broadbent, J., Lodge, J. Use of live chat in higher education to support self-regulated help seeking behaviours: a comparison of online and blended learner perspectives. International Journal of Educational Technology in Higher Education. 18 (1), 1-20 (2021).
  10. Zhu, J. Evaluating ChatGPT for automated creation and grading of essay questions in higher education. Journal of Educational Technology & Society. 28 (4), 112-128 (2025).
  11. Liu, J. H., Wang, C. P., Xiao, X. C. Internet of Things (IoT) technology for the development of intelligent decision support education platform. Scientific Programming. , (2021).
  12. Smith, A., Johnson, B., Williams, C. Generative AI technologies in higher education: a comprehensive review. IEEE Transactions on Education. , (2023).
  13. Imran, M., Almusharraf, N. Next-generation generative AI as an educational tool: a review of emerging educational technology. Smart Learning Environments. , (2024).
  14. Cabrera, C., Neville, R. Widely used but barely trusted: understanding student perceptions on the use of generative AI in higher education. Perspectives: Policy and Practice in Higher Education. , (2025).
  15. Mishra, P., et al. Teacher education in the age of generative artificial intelligence: introducing the special issue. Journal of Teacher Education. 76 (3), 225-229 (2025).
  16. Mishra, P., Oster, N., Henriksen, D. Generative AI, teacher knowledge and educational research: bridging short- and long-term perspectives. TechTrends: Linking Research & Practice to Improve Learning. , (2024).
  17. Bahroun, Z., Anane, C., Ahmed, V., Zacca, A. Transforming education: a comprehensive review of generative artificial intelligence in educational settings through bibliometric and content analysis. Sustainability. , (2023).
  18. Ayeni, O. O., Al Hamad, N. M., Chisom, O. N., Osawaru, B., Adewusi, O. E. AI in education: a review of personalized learning and educational technology. GSC Advanced Research and Reviews. 18 (2), 261-271 (2024).
  19. Hwang, G. J., Chen, N. S. Editorial position paper: exploring the potential of generative artificial intelligence in education: applications, challenges, and future research directions. Educational Technology & Society. , (2023).
  20. Liu, M., Ren, Y., Nyagoga, L. M., Stonier, F., Wu, Z., et al. Future of education in the era of generative artificial intelligence: consensus among Chinese scholars on applications of ChatGPT in schools. Future in Educational Research. 1 (1), 72-101 (2023).
  21. Acun, C., Acun, R. GAI-enhanced assignment framework: a case study on generative AI powered history education. NeurIPS'23 Workshop on Generative AI for Education (GAIED): Advances, Opportunities, and Challenges, , (2023).
  22. Cooper, G. Examining science education in ChatGPT: an exploratory study of generative artificial intelligence. Journal of Science Education and Technology. , (2023).
  23. Pavlik, J. V. Collaborating with ChatGPT: considering the implications of generative artificial intelligence for journalism and media education. Journalism & Mass Communication Educator. 78 (1), 84-93 (2023).
  24. Vasarhelyi, M. A., Moffitt, K. C., Stewart, T., Sunderland, D. Large language models: an emerging technology in accounting. Journal of Emerging Technologies in Accounting. 20 (2), 1-10 (2023).
  25. Farrokhnia, M., Banihashem, S. K., Noroozi, O., Wals, A. A SWOT analysis of ChatGPT: implications for educational practice and research. Innovations in Education and Teaching International. 61 (3), 460-474 (2024).
  26. Phutela, N., Grover, P., Singh, P., Mittal, N. Future prospects of ChatGPT in higher education. 2024 11th International Conference on Reliability, Infocom Technologies and Optimization (ICRITO), , (2024).
  27. Qadir, J. Engineering education in the era of ChatGPT: promise and pitfalls of generative AI for education. 2023 IEEE Global Engineering Education Conference (EDUCON), , (2023).
  28. Villarroel, V., Bloxham, S., Bruna, D., Bruna, C., Herrera-Seda, C. Authentic assessment: creating a blueprint for course design. Assessment & Evaluation in Higher Education. 43 (5), 840-854 (2018).
  29. Chen, Y., Jensen, S., Albert, L. J., Gupta, S., Lee, T. Artificial intelligence (AI) student assistants in the classroom: designing chatbots to support student success. Information Systems Frontiers. 25 (1), 161-182 (2023).
  30. Kumar, A. Analysis of ChatGPT tool to assess the potential of its utility for academic writing in biomedical domain. Biology, Engineering, Medicine and Science Reports. 9 (1), 24-30 (2023).
  31. Lakshmi, K. A study on mathematical and statistical aspects of linear models. Turkish Journal of Computer and Mathematics Education (TURCOMAT). 12 (4), 1328-1338 (2021).
  32. Soboleva, D., Al-Khateeb, F., Myers, R., Steeves, J. R., Hestness, J., et al. RedPajama: A 627B token cleaned and deduplicated version of SlimPajama. Cerebras Systems Technical Blog. , Available from: https://www.cerebras.net/blog/slimpajama-a-627b-token-cleaned-and-deduplicated-version-of-redpajama (2023).

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

EngineeringGAIEducational platformExtensible ModuleIntelligent learning

Related Articles