التعلّم التكيفي: مستقبل التعليم الرقمي الشخصي

أ.د.

مدة القراءة : 15 دقيقة

*جميع ما ورد في هذا المقال يعبر عن رأي الكاتب، ولا يعبر بالضرورة عن رأي المركز.


Empty heading
المقدمة

في ظل التحول الرقمي الذي يشهده العالم، برزت الحاجة إلى أنظمة تعليمية أكثر مرونة وفاعلية واستجابة لاحتياجات المتعلمين المختلفة. ومع تزايد الفجوة بين الأنظمة التعليمية التقليدية وتنوع قدرات وأساليب تعلم الطلاب، أصبح من الضروري البحث عن حلول تعليمية مبتكرة تُعزز التعلّم الشخصي والتقدم الذاتي. ومن هذا المنطلق، يبرز التعلّم التكيفي (Adaptive Learning) بوصفه أحد أبرز الاتجاهات التي تعيد تشكيل المنظومة التعليمية، معتمدًا على تقنيات الذكاء الاصطناعي وتحليل البيانات وتعلم الآلة لتخصيص المحتوى التعليمي بما يتناسب مع قدرات وسلوكيات كل متعلم.
يُعد التعلم التكيفي نقلة نوعية من النموذج التعليمي الموحد إلى نموذج شخصي مرن يضع المتعلم في قلب العملية التعليمية. حيث يُتيح هذا النظام مراقبة تقدم الطالب لحظة بلحظة، وتقديم محتوى مخصص وتقييمات متدرجة وفق حاجاته الفعلية. كما يمنح المعلمين أدوات تحليل دقيقة لرصد الأداء الفردي والجماعي، مما يسهم في دعم اتخاذ قرارات تعليمية قائمة على بيانات موثوقة.
في هذه المقالة، نسلط الضوء على المفهوم المتكامل للتعلم التكيفي، ومكوناته الرئيسية، وأمثلة على تطبيقاته العالمية، إضافة إلى فوائده الشاملة، وتحدياته، وأفقه المستقبلي في ضوء التحولات الرقمية والتعليمية. 


Empty heading
مفهوم التعلّم التكيفي

التعلم التكيفي هو نظام تعليمي ديناميكي يستجيب في الوقت الفعلي لأداء المتعلم وسلوكه، ويعدل المحتوى والمسار التعليمي بما يتناسب مع احتياجاته الفردية. ويُبنى هذا النظام على جمع وتحليل بيانات المتعلم (مثل نتائج الاختبارات، وقت الإجابة، أنماط التفاعل) باستخدام خوارزميات الذكاء الاصطناعي.

                                                                                              


مكونات نظام التعلم التكيفي

يتكون نظام التعلم التكيفي من مجموعة عناصر متكاملة تعمل بانسجام لتقديم تجربة تعليمية فردية ومخصصة، وتشمل المكونات الرئيسية:

  1.  ملف تعريف المتعلم (Learner Profile): قاعدة بيانات تتضمن معلومات تفصيلية عن المتعلم مثل مستوى الأداء، أسلوب التعلم، الأهداف التعليمية، نقاط القوة والضعف. ويتواصل مع باقي أجزاء النظام لتحديد المحتوى المناسب.
  2.   محرك التكيّف (Adaptation Engine): العنصر الأساسي الذي يتخذ قرارات فورية حول تعديل المحتوى أو مسار التعلم. ويستخدم خوارزميات تعلّم الآلة والتوصية لتخصيص التجربة.
  3.   مخزن المحتوى (Content Repository): قاعدة تحتوي على وحدات تعليمية صغيرة (Micro-content) قابلة لإعادة الاستخدام. وتُصنّف وفق أهداف تعلم، ومستويات صعوبة، وأسلوب تقديم.
  4.   نظام جمع البيانات (Data Collection System): يتابع أنشطة المتعلم لحظة بلحظة مثل زمن الإجابة، عدد المحاولات، التسلسل في التنقل، التفاعل مع العناصر البصرية. ويوفر البيانات للمحرك التكيفي للتحليل.
  5.   نظام التقييم المستمر (Formative Assessment System): يُجري اختبارات قصيرة أو يقدم أسئلة مدمجة ضمن المحتوى. ويقيس تقدم المتعلم في الأهداف المحددة.
  6.   لوحة تحكم المعلم (Teacher Dashboard): تعرض بيانات تحليلية مرئية عن تقدم كل متعلم، وتقترح تدخلات تعليمية موجهة. وتساعد المعلم على اتخاذ قرارات مستنيرة.
  7.  الواجهة التفاعلية (User Interface): مصممة بطريقة تفاعلية جاذبة، وتتغير تلقائيًا بناءً على توصيات المحرك التكيفي. ويمكن أن تدعم الوسائط المتعددة مثل الصوت، الرسوم، والرسائل المخصصة.

مميزات التعلم التكيفي
يوفر نظام التعلم التكيفي العديد من الفوائد التربوية والتقنية والإدارية وعلى مستوى السياسات التعليمية.                                                                           
  • الفوائد التربوية 

1.    التعلم حسب الوتيرة الفردية: يتيح للطالب المضي قدمًا أو التراجع بحسب قدرته دون الإحساس بالفشل أو الملل.
2.    تقليل فجوات التعلم: من خلال استهداف المهارات التي لم يتم إتقانها بدقة.
3.    تحقيق التميز الأكاديمي: عبر تقديم دعم فردي لذوي التحصيل العالي والمتعثرين على حد سواء.
4.    التشخيص الفوري والتدخل المبكر: يمنح المعلم نظرة دقيقة لأداء كل طالب دون انتظار نهاية الفصل.

  • الفوائد التقنية والإدارية

1.    تحسين كفاءة إدارة الفصل الدراسي: من خلال تقليل الوقت المستغرق في التدريس التلقيني وتعزيز التوجيه الفردي.
2.    إدارة موارد التعلم بذكاء: حيث يتم اقتراح المحتوى المناسب بناءً على الطلب والأداء.
3.    تحليلات غنية للبيانات: تسمح بتتبع الأداء بدقة عبر الوقت، وبناء تقارير ذات مغزى لفرق التقييم وصنّاع القرار.
4.    مرونة التكامل: يمكن دمجه مع أنظمة إدارة التعلم مثل Moodle أو Blackboard والمنصات الوطنية مثل "مدرستي".

  •  فوائد على مستوى السياسات التعليمية 

1.    صناعة القرار المبني على البيانات: تمكّن الجهات التعليمية من تحليل اتجاهات الأداء على مستوى المناطق أو المدارس.
2.    التخطيط لبرامج دعم موجهة: بناءً على بيانات حقيقية عن نقاط الضعف المنتشرة.
3.    دعم الرؤية الوطنية في التحول الرقمي: كما هو الحال في رؤية السعودية 2030 التي تشجع على استخدام التقنيات الذكية في التعليم.
4.    التشريعات وسياسات حماية البيانات: تطوير أطر تشريعية وطنية تربط التقنية بالقيم الأخلاقية والعدالة التعليمية وتنظم حماية خصوصية بيانات المتعلمين.

أمثلة على تطبيقات عالمية 

Empty heading

البلد

اسم التطبيق

نبذة عن التطبيق

أستراليا

Smart Sparrow

منصة تقدم تجارب تعليمية تفاعلية قابلة للتخصيص في التعليم الجامعي والعلوم الطبية.

الولايات المتحدة

DreamBox Learning

تستخدم تعلم الآلة لتكييف دروس الرياضيات لطلبة المرحلة الابتدائية والمتوسطة. وتعليم القراءة للمرحلة الابتدائية حتى المرحلة الثانوية

الولايات المتحدة

Knewton Alta

منصة تكييفيه للتعليم العالي توفر مسارات تعلم مرنة ومتجاوبة مع أداء الطلبة. وتركز على مجالات العلوم والتكنولوجيا والهندسة والرياضيات

الصين

Squirrel AI

تعتمد على تحليل دقيق لأداء الطلاب لتحديد نقاط القوة والضعف، وتوفير مسارات تعليمية مخصصة. تُستخدم تقنياتها في آلاف المدارس والمراكز التعليمية في الصين

الدنمارك

Area9 Lyceum

توفر المنصة محتوى تعليمي يتكيف مع احتياجات المتعلم، مع التركيز على تحسين الأداء وتوفير تجربة تعليمية مخصصة وتُستخدم في التعليم المهني والأكاديمي.


مستقبل التعلّم التكيفي

يتّجه التعلّم التكيفي بخطى متسارعة نحو التكامل العميق مع تقنيات ناشئة تُعيد صياغة بيئة التعلم الرقمي بالكامل. ويُتوقع أن يشهد هذا المجال تطورًا نوعيًا في السنوات القادمة، مدفوعًا بتقدم الذكاء الاصطناعي التوليدي، والواقع الممتد، وتحوّل السياسات التعليمية نحو التعلّم القائم على البيانات.




التحديات
رغم ما يحمله التعلم التكيفي من وعود، إلا أن هنالك عدة تحديات يجب أن تأخذ بعين الاعتبار منها:
  •  الخصوصية وحماية البيانات: جمع بيانات المتعلمين يثير مخاوف تتعلق بالخصوصية.
  •  التحيز الخوارزمي: قد تؤدي النماذج غير المدربة جيدًا إلى توصيات غير منصفة.
  •  البنية التحتية التقنية: تحتاج المؤسسات التعليمية إلى موارد تقنية متقدمة.
  •  التكلفة: قد تكون الأنظمة التكيفية مكلفة في التصميم والتطبيق والصيانة.


الخاتمة

أثبت التعلّم التكيفي أنه ليس مجرد توجه عابر أو صيحة رقمية، بل يمثل تحولًا جوهريًا في فلسفة التعليم المعاصر، حيث يضع المتعلم في مركز التجربة ويمنحه الأدوات اللازمة للنمو الذاتي والمعرفي. إن قدرته على التخصيص والاستجابة الفورية لاحتياجات الطلاب، إلى جانب دعمه لصناع القرار والمعلمين ببيانات دقيقة، يجعله خيارًا استراتيجيًا لا غنى عنه في البيئات التعليمية الحديثة.
ومع تطور تقنيات الذكاء الاصطناعي وتحليلات البيانات والواقع المعزز، سيتسع نطاق التعلّم التكيفي ليشمل شرائح أوسع من المتعلمين، بمن فيهم ذوي الإعاقات والمتعلمين في البيئات الفقيرة رقمياً. إلا أن نجاح هذا التحول يتطلب بيئة تشريعية، وبنية تحتية رقمية متطورة، وثقافة تعليمية مرنة تتقبل التجديد.
إن الاستثمار في التعلّم التكيفي هو استثمار في جودة التعليم، وعدالته، ومستقبله. ومن هنا، فإن دمجه في سياسات التعليم الوطنية، وتبني ممارسات تربوية قائمة على البيانات، يمثلان خطوة استراتيجية نحو بناء نظام تعليمي أكثر إنصافًا وابتكارًا واستدامة.


Empty heading

*للخبراء والمختصين، في حال كان لديكم الرغبة بالمشاركة في كتابة مقال حول موضوعات تتعلق بالتعليم والتدريب الإلكتروني، يرجى التواصل معنا على البريد الإلكتروني: care@nelc.gov.sa



Li, H., Xu, T., Zhang, C., Chen, E., Liang, J., Fan, X., Li, H., Tang, J., & Wen, Q. (2024). Bringing generative AI to adaptive learning in education. arXiv.
Krüger, J. M. (2025). Adaptive learning and instruction with augmented reality: A scoping review. In Immersive Learning Research Network Conference 2024 (pp. 156–166).
Kabudi, T., Pappas, I., & Olsen, D. H. (2021). AI-enabled adaptive learning systems: A systematic mapping of the literature. Computers and Education: Artificial Intelligence, 2, 100017.
Er-Rafyg, A., Zankadi, H., & Idrissi, A. (2024). AI in adaptive learning: Challenges and opportunities. In Modern Artificial Intelligence and Data Science 2024 (pp. 329–342).
Zheng, H., Luo, X., Wei, P., Song, X., Li, D., & Jiang, J. (2023). Adaptive policy learning for offline-to-online reinforcement learning. Proceedings of the AAAI Conference on Artificial Intelligence, 37(9), 11372–11380.
Baker, R. S. J. d., & Inventado, P. S. (2014). Educational Data Mining and Learning Analytics. In J. Larusson & B. White (Eds.), Learning Analytics: From Research to Practice (pp. 61–75). Springer.
Conati, C., & Kardan, S. (2013). Student modeling: Supporting personalized instruction, from problem-solving to exploratory open-ended activities. AI Magazine, 34(3), 13–26.
DreamBox Learning. (2021). How Adaptive Learning Works. Retrieved from: https://www.dreambox.com/adaptive-learning
Knewton. (2020). Knewton Alta Overview. Retrieved from: https://www.knewton.com/
Smart sparrow. Smart Sparrow. (2025). Retrieved from: https://www.smartsparrow.com/
Squirrel AI. (2025). Squirrel AI Overview. Retrieved from: https://squirrelai.com/
Area9 Lyceum. (2025). Personalized adaptive learning in four dimensions. Retrieved from: https://area9lyceum.com/
Pane, J. F., Steiner, E. D., Baird, M. D., & Hamilton, L. S. (2017). Informing Progress: Insights on Personalized Learning Implementation and Effects. RAND Corporation.
Woolf, B. P. (2010). Building Intelligent Interactive Tutors: Student-Centered Strategies for Revolutionizing E-Learning. Morgan Kaufmann.
Brusilovsky, P., & Millán, E. (2007). User Models for Adaptive Hypermedia and Adaptive Educational Systems. In P. Brusilovsky, A. Kobsa, & W. Nejdl (Eds.), The Adaptive Web (pp. 3–53). Springer.
Pane, J. F., Steiner, E. D., Baird, M. D., & Hamilton, L. S. (2017). Informing Progress: Insights on Personalized Learning Implementation and Effects. RAND Corporation.