تقنية جديدة ترسم خريطة معرفة الطلاب اعتماداً على اختبارات قصيرة
كشفت دراسة علمية حديثة أجراها باحثون من كلية "دارتموث" الأميركية عن تطوير إطار رياضي مبتكر، يرسم "خريطة معرفية" دقيقة لمستوى فهم الطالب، اعتماداً على أدائه في اختبارات قصيرة من نوع الاختيار من متعدد.
وتشير النتائج، المنشورة في دورية Nature Communications، إلى أن هذه التقنية قد تمهد الطريق لتطوير جيل جديد من أنظمة الذكاء الاصطناعي التعليمية، القادرة على تقديم تعليم مخصص لكل طالب.
وتنطلق فكرة الدراسة من مبدأ أساسي في التعلم، وهو أن المعرفة لا تتكون بشكل منفصل، بل تتشابك في شبكة معقدة من المفاهيم المرتبطة ببعضها. وبناء على ذلك، طور الباحثون طريقة رياضية تحول نتائج الاختبارات التقليدية إلى "خريطة تضاريس معرفية"، توضح بدقة نقاط القوة لدى الطالب، وكذلك مواضع الضعف التي تحتاج إلى دعم.
ويوضح الأستاذ المشارك في علوم النفس والدماغ في كلية "دارتموث" الأميركية، جيريمي مانينج، أن التقييمات التقليدية تعاني من قصور كبير في فهم ما يعرفه الطالب فعلياً، قائلاً: "عندما يحصل الطالب على 50% في اختبار ما، فإن هذه النسبة لا تخبرنا بالكثير عن طبيعة فهمه. فقد يكون أتقن نصف المحتوى تماماً، أو فهم كل المحتوى بشكل جزئي، أو أي شيء بينهما".
ويضيف أن الإطار الجديد يعتمد على فكرة أن المعرفة تنتشر بشكل تدريجي عبر المفاهيم المرتبطة، ففهم الطالب لمفهوم معين يزيد من احتمالية فهمه لمفاهيم قريبة منه، حتى لو لم يكن ذلك بشكل كامل.
ولتحقيق ذلك، استخدم الباحثون نماذج "تمثيل النصوص"، وهي نفس الفئة من النماذج التي تعتمد عليها أنظمة الذكاء الاصطناعي الحديثة، لتحويل المفاهيم إلى نقاط داخل فضاء رياضي عالي الأبعاد.
تحليل مستوى المعرفة
وفي هذا الفضاء، يتم تمثيل كل مفهوم بإحداثيات محددة، بحيث تكون المفاهيم المتشابهة قريبة من بعضها البعض، مثل الجاذبية والمغناطيسية، بينما تكون المفاهيم غير المرتبطة، مثل علم الوراثة وتاريخ الفن، متباعدة.
ومن خلال ربط كل سؤال في الاختبار بموقعه داخل هذه الخريطة، يمكن استنتاج مستوى معرفة الطالب، ليس فقط في هذا السؤال، بل أيضاً في المفاهيم القريبة منه.
ويؤكد "مانينج" أن الهدف لم يكن فقط تحسين الاختبارات، بل اختبار فرضية علمية أعمق، وهي أن المعرفة البشرية منظمة بطريقة مشابهة لبنية هذه النماذج، وأن هذا التنظيم يؤثر في كيفية تعلمنا واكتسابنا للمعلومات.
لاختبار هذا الإطار، قام الباحثون بدراسة على 50 طالباً جامعياً من دارتموث، إذ تم تحليل مستوى معرفتهم قبل وبعد مشاهدة محاضرتين في الفيزياء.
وأظهرت النتائج أن الخرائط المعرفية التي تم إنشاؤها استطاعت تتبع تطور فهم الطلاب بدقة، كما نجحت في التنبؤ بالأسئلة التي سيتمكنون من الإجابة عليها بشكل صحيح.
كما أظهرت الخرائط ثلاثية الأبعاد أن فهم الطلاب تركز حول الموضوعات التي تناولتها المحاضرتان، مع تحسن ملحوظ في الفهم العام للفيزياء بعد المحاضرة الثانية، ما يعكس قدرة الأداة على رصد التغيرات في المعرفة بمرور الوقت.
محاكاة طريقة تفكير المعلم
من جانبه، يوضح الباحث المشارك في الدراسة، أندرو هيوسر، أن هذه التقنية تحاكي الطريقة التي يفكر بها المعلمون عند شرح المفاهيم؛ فالمعلم الجيد يعتمد على "خريطة ذهنية" لفهم الطالب، ويستخدمها لربط المعلومات الجديدة بما يعرفه الطالب بالفعل.
ويضيف: "ما نحاول فعله هو تحويل هذه العملية الذهنية المعقدة إلى نموذج رياضي يمكنه محاكاة هذا الفهم بشكل آلي".
ويرى الباحثون أن هذه التقنية قد تفتح الباب أمام تطوير أنظمة تعليمية أكثر ذكاء، خاصة في ظل التوسع الكبير في التعليم الإلكتروني والتعلم عن بعد، إذ يصعب توفير دعم فردي لكل طالب.
ويشير الباحث الرئيسي في الدراسة، باكستون فيتزباتريك، إلى أن تقديم توجيه مخصص للطلاب يتطلب تحليلاً دقيقاً لأدائهم في الأسئلة المختلفة، وهو دور كان يقتصر تقليدياً على المعلمين. لكن مع تزايد أعداد الطلاب وتنوع بيئات التعلم، لم يعد هذا النهج قابلاً للتطبيق على نطاق واسع.
ورغم الإمكانات الكبيرة لهذه التقنية، شدد الباحثون على أن أنظمة الذكاء الاصطناعي التعليمية لن تكون بديلاً عن المعلم البشري، خاصة في البيئات التعليمية الصغيرة أو جلسات التعليم الفردي، إذ يستطيع المعلم فهم طلابه بشكل أعمق.
ويرى الباحثون أن المستقبل يكمن في استخدام هذه الأدوات لدعم المعلمين وتوسيع نطاق التعليم المخصص، بحيث يمكن تقديم تجربة تعليمية أفضل لعدد أكبر من الطلاب حول العالم.
وفي ظل التحديات التي تواجه التعليم الحديث، قد تمثل هذه التقنية خطوة مهمة نحو فهم أعمق لكيفية تعلم الطلاب، وتقديم تعليم أكثر دقة ومرونة، قائم على احتياجات كل متعلم بشكل فردي.
