بقلم: نور | محررة الأبحاث والدراسات · صوت تحريري بإشراف بشري
حين تسأل معلماً جيداً عن حل مسألة رياضيات، غالباً ما يردّ بسؤال مضاد: “ما الذي تعرفه عن هذه المسألة؟” هذا ليس تهرباً، بل هو صميم التعليم الجيد. غير أن نماذج اللغة الكبيرة مدرَّبة أصلاً على أن تكون مفيدة، وهو ما يجعلها تميل إلى تقديم الإجابة مباشرةً، وهي سلوك قد يقتل ما يسمّيه علم التعلم بـ”الصراع المنتج”، أي الجهد المُتعب الذي يبني الفهم الحقيقي. هذا الاحتقاك التربوي هو ما يضعه إطار TutorMoments تحت المجهر.
أعلن معهد آلن للذكاء الاصطناعي (Ai2) اليوم عن إطلاق نسخة أولية من TutorMoments، وهو نظام تقييم مبني على جلسات تدريس حقيقية يقيس مدى قدرة أفضل نماذج اللغة الكبيرة على إدارة المعادلة الأصعب في التعليم: متى تتدخل لدعم الطالب، ومتى تتراجع وتتركه يُجهد تفكيره. (وفقاً لـ Hugging Face Blog)
يعتمد النظام على منهجية “إعادة التشغيل” (replay-based evaluation): تأخذ مجموعة بيانات TutorMoments-Preview نصوص 462 جلسة تدريس فردية حقيقية لطلاب أمريكيين من الصفوف الثاني حتى السابع، وتوقفها عند لحظة قرار بعينها، ثم تسلّم المقود لنموذج لغوي ليكمل الجلسة لخمس جولات متتالية، فيما يلعب نموذج آخر دور الطالب. أُسند توثيق هذه اللحظات إلى 27 معلماً أمريكياً من ذوي الخبرة، وعلّموا على أكثر من 1500 لحظة قرار مع آلاف التعليقات النصية الحرة.
كل لحظة تُعرَّف بمعادلة ثنائية: هل تستدعي “التسقيل” (scaffolding) أي تبسيط المسألة وجعلها أكثر قابلية للمعالجة، أم تستدعي “الدفع نحو الصرامة” (rigor) أي تشجيع الطالب على بذل جهد فكري أعمق؟ حين يختلف المعلمون الذين راجعوا لحظة واحدة، يُؤخذ رأي الأغلبية معياراً. وتقيّم خوارزمية تصنيف منفصلة أداء النموذج على ثلاثة محاور: هل دعم الطالب حين احتاج إلى دعم، وهل دفعه نحو مزيد من التفكير حين كان الطالب مستعداً لذلك، وهل أفرط في التسقيل أكثر مما تستدعيه اللحظة.
اختبر الفريق سبعة نماذج لغوية كبيرة على نسختين من التعليمات: الأولى بسيطة تطلب فقط “التدريس الجيد”، والثانية تشرح صراحةً معادلة التسقيل مقابل الصرامة. (وفقاً للتقرير التقني لـ TutorMoments) والنتائج كاشفة:
- النماذج تُفرط في المساعدة بشكل ممنهج حين لا توجّهها التعليمات: سلوك “المساعد المفيد” الافتراضي يجعلها تقفز إلى الشرح وترسم الخطوات وتقود الطالب نحو الإجابة، متجاوزةً اللحظات التي يحتاج فيها إلى المقاومة الفكرية.
- الصياغة الواعية بالتقييم ترفع الأداء عبر جميع النماذج السبعة دون استثناء، مما يؤكد أن المشكلة سلوكية لا بنيوية — لكنها تبقى غير كافية وحدها لردم الفجوة نحو تدريس متسق وملائم.
- المعلمون البشريون في نفس البيانات سجّلوا 0.458 على التسقيل الملائم، و0.182 على الصرامة الملائمة، و0.496 على تجنب الإفراط في التسقيل — وهي درجات تقع دون درجات النماذج في وضع التعليمات الواعية، وعلى مستوى درجاتها في وضع التعليمات البسيطة. لكن يجب فهم هذه المقارنة بحذر: البيانات انتُقيت خصيصاً لتمثّل لحظات التدريس غير المثالية لا أفضل ممارساته.
- الفجوة بين النماذج نفسها واسعة. حتى أفضل النماذج تحت التعليمات الواعية يحتفظ بمساحة كبيرة للتحسين، وتتباين النماذج السبعة تبايناً ملحوظاً في تفسيرها للتعليمات المُحسَّنة، مما يكشف أن الاستجابة للتوجيه ليست سلوكاً موحداً.
- النماذج أقل تنوعاً في استراتيجياتها التدريسية مقارنةً بالبشر: حتى حين تدفع نحو الصرامة، تعتمد في الغالب على طلب الطالب أن يشرح إجابته، بينما يوظّف المعلمون البشريون استراتيجيات أكثر تنوعاً وأكثر استعداداً لإتاحة الوقت الصامت للطالب كي يعمل باستقلالية.
ثمة قيود مهمة ينبّه إليها الفريق صراحةً: التقييم الآلي يقيس سلوك النموذج عند لحظة القرار لا مآلات التعلم الفعلي على طلاب حقيقيين. البيانات محدودة جغرافياً وتعليمياً — أمريكية، ومتمحورة حول الرياضيات في المرحلتين الابتدائية والإعدادية — وأُعدّت بمجموعة واحدة من المعلمين المحكّمين. كذلك يصعب رصد “الدفع نحو الصرامة” بموثوقية أعلى من التسقيل، ويعكس ذلك في الأرقام: لحظات الصرامة في البيانات تبلغ 260 لحظة مقابل 738 لحظة للتسقيل.
يُطلق المعهد المكونات الثلاثة للنظام بشكل مفتوح: مجموعة البيانات المجهولة الهوية على Hugging Face، وكود خط أنابيب إعادة التشغيل على GitHub، وإعادات تشغيل النماذج المُقيَّمة للتحقق من قابلية الاستنساخ. المشروع مدعوم جزئياً من مؤسسة Gates Foundation وLearning Commons، وتخطط الفرقة لتطوير مجموعة بيانات متعددة الوسائط وأشمل في المرحلة التالية.
ما يجعل TutorMoments ذا قيمة استثنائية ليس فقط الأرقام، بل المنهجية التي تُحوّل سؤالاً فلسفياً في التربية — متى تُساعد ومتى تتراجع — إلى معيار قابل للقياس والمقارنة. بناة تطبيقات التعليم بالذكاء الاصطناعي يحتاجون هذا النوع من المرايا الدقيقة أكثر بكثير مما يحتاجون benchmark يقيس فقط “هل أعطى النموذج الإجابة الصحيحة؟”
