كيف تُشكّـلُ خوارزميات الحَوسبة اللغويّة المشهد في التعليم الإلكتروني

 د. تهاني الجهني

مدة القراءة : 5 دقايق

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

Empty heading

المقدمة

في عصر الأعمال المؤتمتة الذي نعيشه، لم تعد تقنيات الذكاء الاصطناعي مجرد أدوات مساعدة أو ترفًا تعليميًا، بل أصبحت نواة أساسية في أتمتة العملية التعليمية الإلكترونية. فقد توسّع التعليم الإلكتروني بإمكانياته بشكل كبير ولم يَعُد مقتصرًا على أدوات تعليمية بسيطة كالفيديوهات المسجَّلة أو مجموعة الأنشطة المحدودة والموحدة للجميع. بل أصبح نظامًا تفاعليًا ذكيًا يُنتَج فيه المحتوى بناءاً على نمط المتعلّم وتفضيلاته، وتتطور فيه استراتيجيات التعليم والتعلُّم استنادًا إلى تحليلات دقيقة ومتزامنة مبنية على تقنيات الذكاء الاصطناعي (Research and Markets,2025). ومن بين هذه التقنيات الذكية، تبرز خوارزميات الحَوسبة اللغويّة لتلعب دورًا متسارعًا ومتزايد الأهمية في تشكيل المشهد داخل منظومة التعليم الإلكتروني. في السابق، كانت التحليلات بسيطة جداً في مجال استخدام اللغة ومعالجة الكمّ الهائل من المحتوى النصّي على المنصات الإلكترونية. لكن بفضل التقدم الكبير في خوارزميات اللغة، أصبحت التحليلات أعمق وقادرة لمعالجة تعقيدات عديدة تتعلق بالتعليم وأنماط المتعلمين، بشكل يُراعي بدرجة كبيرة الفروقات الفردية ويُسهّل التفاعل الفعّال بين المتعلمين والمحتوى. لينتج عن ذلك تعليم إلكتروني مؤتمت بكفاءة عالية يُحقق مستهدفات التعليم الناجح. وتُعدّ هذه المرحلة نقطة تحوّل تاريخية في شكل التعليم، وتفتح آفاقًا غير مسبوقة للابتكار في مجال التعليم الإلكتروني (Russell & Norvig,2020). وفي هذا السياق، تستعرض السطور القادمة أبرز الابتكارات التي قادتها خوارزميات الحوسبة اللغوية مؤخراً، والتي ساهمت بشكل كبير في تطوير ودعم وتكامل أنظمة التعليم الإلكتروني. 
والجدير بالذكر، أن التكامل بين هذه الابتكارات يُمثّل توجه محوري نحو بناء بيئات تعليمية مؤتمتة تشمل عدة ركائز في هيكلة التعليم الإلكتروني، بهدف تحسين نتائج التعلّم ودعم صناعة القرارات التعليمية من خلال تحليلات أكثر شمولية. فعلى سبيل المثال، يمكن لأنظمة التوصية والتوليد الذكية أن تُخصّص المحتوى التعليمي استنادًا إلى تحليل دقيق لتفاعلات المتعلّم، لتُقدَّم أنشطة تعليمية تُلائم نمطه التعليمي. وفي الوقت نفسه، تتيح أنظمة التصحيح اللغوي الذكي تقديم تغذية راجعة فورية تُغني المحتوى المُولَّد وتُعزّز من عملية التعلّم. ويتسع هذا التكامل من خلال دمج أنظمة تحليل المشاعر وكشف السمات الديموغرافية، التي تُسهم في تحسين دقة التوصيات وتكييف أسلوب التعليم وفقًا للحالة العاطفية والفئة الديموغرافية للمتعلّم. أما الروبوتات التعليمية، مثل المعلم الافتراضي، فتعمل كوسيط تفاعلي يدمج بين المحتوى المخصّص، والتغذية الراجعة، والتحليل العاطفي، مما يجعل التجربة أكثر إنسانية وقربًا من احتياجات المتعلّم، ويضمن بيئة تعليمية آمنة، مخصّصة، ومتجاوبة مع مختلف المتغيرات.

Empty heading

التّخصيص والتّكييف:

عادةً ما يُقدَّم المحتوى التعليمي بشكل موحَّد لفئات المتعلّمين، بدلاً من تخصيصه لكل متعلّم بما يتناسب مع شخصيته أو أنماط تعلّمه. وذلك لأن تخصيص التعليم بشكل تفصيلي هو نهج قد يصعب تطبيقه بالطرق التقليدية بسبب عوامل واعتبارات عديدة. لكن بفضل التقدم التقني السريع أصبح بالإمكان تيسير هذا النهج التعليمي وكذلك تكييف المحتوى وفقًا للمستوى الذهني أو الفئة الأنثروبولوجية أو ما إلى ذلك، من خلال دراسة تصرفات وسلوكيات المتعلّمين على المنصات التعليمية ، وأكثرها تقدما دراسة الأنشطة اللغوية لما تحمله اللغة من مدلولات كثيرة عن الأنماط البشرية. ومن الأمثلة التطبيقية لهذا النهج التعليمي هي أنظمة التوصية والتوليد الآلي للمحتوى.

أنظمة التوصية والتوليد الذكية: 

تعتمد أنظمة التوصية وتوليد المحتوي إلكترونياً بشكل كبير على الخوارزميات اللغوية لتحليل كيفية تفاعل المتعلم لغوياً مع المحتوى، مثل الأسئلة التي يطرحها، ونوعية الأخطاء في إجاباته، أو مدى استيعابه.  وبذلك يتمكن النظام من تشكيل صورة دقيقة عن المتعلم ومن ثم تقديم توصية بمواد تعليمية تلائم المتعلم نفسه، مثل مقاطع فيديو مختلفة الطرق في الشرح، أو أسلوب تدريس بديل، أو تدريبات مخصصة تناسب احتياجاته (Johnson & Li,2024) . وهذا بدوره يؤدي إلى تحسين الأداء والاستيعاب بشكل أكثر كفاءة.  كما وتستطيع خوارزميات اللغة أيضا أن تولد نصوص توضيحية تفسيرية، أو ملخصات، أو أسئلة تدريبية (Chen et al., 2020). فبالتي يصبح لدينا أنظمة قادرة على توليد شروحات بسيطة للمبتدئين أو شروحات أكثر تقدماً للمتقدمين، بما يحقق التوازن في أولوية حصول المتعلم على المحتوى الذي يناسبه تماماً. كما يمكن خلق محتوى تكييفي ليتناغم ذلك مع نهج التدرج في التعليم أو التدريب. وبالفعل تم تطبيق هذا النظام في عدة منصات ومنها منصة Smart Sparrow، حيث تستخدم هذه المنصة خوارزميات اللغة التوليدية ليس فقط للتوصية بمحتوى متوفر أو متاح، بل لتوليد أسئلة وشروحات فريدة وديناميكية تتكيف مع استجابات الطالب في الوقت الفعلي. 

التقييم والتغذية الراجعة:

تُعتبر عملية تقييم وتصحيح الإجابات المقالية أو النصوص المكتوبة بالطرق اليدوية التقليدية عملية متعبة وتستهلك وقتاً طويلاً، بل قد تفتقر أحياناً إلى الحيادية خاصة عندما يتم تقييمها من وجهه نظر متحيزةً نوعاً ما نحو توجه معين. كما أن عملية استغلال التقييم لتوفير تغذية راجعة من أجل تطوير المنهج التعليمي مازالت تتحرك في إطار محدود لاستنادها على تحليلات متواضعة. وهنا تظهر أهمية الحَوسبة اللغويّة في توفير حلول ذكية، مؤتمتة، وفعالة تعمل بشكل مفصل ودقيق لإثراء نظام التعليم الالكتروني بأنظمة التصحيح الآلي الشامل.

نظام التصحيح اللغوي الذكي:  

من خلال تدريب الأنظمة اللغوية على بيانات وأمثلة عديدة تعرض فيها سيناريوهات متعددة من الإجابات الخاصة بالمتعلمين، تتمكن أنظمة التصحيح الآلي من القدرة على تصحيح وتقييم الاجابات الكتابية، وتقدير دقة المفاهيم، وسلامة اللغة، وكذلك مدى منطقية الأفكار المطروحة وذلك يعود لقوة الخوارزميات اللغوية الكبيرة والضخمة التي ظهرت مؤخراً Chen et al., 2020)). ولا تقتصر عملية التقييم على مجرد تحديد ما إذا كانت الإجابة صحيحة أم خاطئة، بل توفر معلومات ونتائج كتغذية راجعة حول النقاط التي يمكن تحسينها لدى المتعلم وتسليط الضوء على الأخطاء السياقية والنحوية والإملائية مثل اقتراح أفكار لتطوير بناء الجمل، أو اختيار الكلمات الموائمة للسياق، وكذلك تعزيز تدفق الأفكار في الكتابة (Wang,2024). مثل هذه الأنظمة تسهم في مساعدة المتعلمين على تحسين مهاراتهم الكتابية بشكل توجيهي مستمر. بالإضافة إلى تقليل التكاليف المادية والزمنية في عمليات التقييم. وبالفعل بدأت تٌدمج هذه الأنظمة في كثير من المنصات المعروفة مثل نظام Gradescope byTurnitin والذي يٌستعان به في كثير من المؤسسات الجامعية لتقييم الإجابات النصية للطلاب بشكل آلي في الواجبات والاختبارات، سواءً في المواد التربوية أو حتى الأسئلة المقالية في العلوم والرياضيات. ومن ثم تقديم تغذية راجعة نوعية حول الإجابات تتعدى الأخطاء السطحية لتشمل المحتوى، والمنطق، والبنية، وغيرها، خصوصًا في النصوص المكتوبة باللغة الإنجليزية.

الروبوتات التعليمية:

يطول الحديث عن دور الروبوتات ومهامها المتعددة، والتي باتت ترسم ملامح مستقبل مشرق في العديد من المجالات، ومن أبرزها المجال التعليمي. ومن بين هذه الروبوتات، ظهرت روبوتات الدردشة التي شهدت تطورًا لافتًا في فترة وجيزة، ولم يعد دورها ضيقاً في حدود تقديم إجابات للأسئلة الشائعة فقط. بل أصبحت تحاكي وتنافس محركات البحث الشهيرة في تقديم المعلومات للمستخدمين. وقد أثار هذا التطور اهتمام الباحثين حول كيفية تسخير هذه التقنيات في التعليم الإلكتروني، واستثمار قدراتها التي تفوقت في بعض المهام على القدرات البشرية. ونتيجة لهذا الحراك التقني، ظهرت روبوتات تدعم التعليم افتراضياً وتفاعلياً بشكل كامل. ولعل من أبرز أنواع الروبوتات التعليمية المتخصصة تلك التي تقوم بدور المعلم بشكل مؤتمت كليًا.

روبوت المعلم الافتراضي: 

يمكن لهذا النوع من الروبوتات التعليمية المدعومة بخوارزميات اللغة أن تفهم الأسئلة المعقدة للمتعلمين، وتقدم إجابات دقيقة ومفصلة بإستخدام قواعد معرفية واسعة، تّم التدريب عليها مسبقاً. فهي قادرة على تفسير المفاهيم الصعبة، وتوجيهه المتعلمين نحو المصادر التعليمية الموثوقة، بالإضافة إلى دورها في تحفيز المتعلمين. حيث أن دور روبوت المعلم الافتراضي تعدى مرحلة الإجابة بحد ذاتها بل أصبح قادر على التحاور مع الطالب وسؤاله وتحدي منطقه، لتشجيعه على التفكير النقدي محاكياً دور المعلم البشري، بل يتميز عنه بكونه مُعلم متوفر في أي وقت. علاوة على ذلك هو قدرة روبوت المعلم الافتراضي التحدث بعدة لغات مما يوفر بيئة عالية المستوى لممارسة اللغة وتحسين مهارات التحدث لدى المتعلمين بدون خوف أو حرج من الأخطاء، مع تقديم اقتراحات فورية. مما يجعل روبوت المعلم الافتراضي نظام تعليم شامل تُعزز فيه العملية التعليمة بشكل يشمل أيضاً المتعلمين ذوي الخلفيات الثقافية واللغوية المختلفة 

تحليل المشاعر وكشف السمات الديموغرافية:

معرفة الحالة النفسية أو هوية المتعلم يلعب دوراً محورياً في تقديم محتوى يساعد على تقدمه المعرفي ونجاحه التعليمي. فبالاعتماد على تفاعل المتعلمين الكتابي في أنشطة النقاشات في المنصات الإلكترونية، وبفضل خوارزميات الحَوسبة اللغويّة أيضاً، أصبح بالإمكان الاستفادة من هذه النقاشات من أجل توفير رؤى هامة وداعمة لصانعي القرار في فهم الحالة النفسية للمتعلمين أو حتى كشف هوية المتعلمين بما يضمن تعليم إلكتروني أكثر موثوقية وتخصصية بشكل غير مسبوق.

أنظمة تحليل المشاعر والسلوك:

يمكن للخوارزميات اللغوية تحديد مؤشرات نفسية لدى المتعلمين مثل الإحباط أو الارتباك، أو حتى حالات شعورهم بالملل، من خلال تحليل المفردات والعبارات المستخدمة على عدة مستويات: تبدأ بمعالجة النص، ثم تَبني معجم للمشاعر، وبعد ذلك تصنفها إلى درجات مثل مشاعر إيجابية، أو سلبية، أو محايدة وما إلى ذلك. Vistorte et al., 2024)). هذا يساهم في تحسين خدمات المنصات التعليمية الإلكترونية على عدة مستويات وزوايا مختلفة.  فمثلاً ظهرت تطبيقات لكشف حالات التدخّل المبكّر والتي تساعد في تنبيه المُعلمين من أجل التدخل بشكل عاجل لتقديم الدعم اللازم للمتعلم عند ظهور علامات سلبية مرتبطة بأدائه السلوكي مما يسمح بمعالجة الوضع في وقت مناسب وبالتالي تحسين الأداء التعليمي (Alrajhi et al., 2022). واحدة من أهم المنصات في هذا المجال هي منصة SEAtS والتي تعمل مع عدة جامعات عالمية بهدف الكشف المبكر عن الطلاب المعرضين للخطر عبر مؤشرات مثل التأخر المتكرر، أو تدهور جودة الكتابة، أو ارتفاع نسب الاقتباس، وغيرها، مما يفعّل تدخلات فورية من المرشدين الأكاديميين. رغم أن نظام SEAtS يقوم بتحليل المحتوى الكتابي كما هو الوضع في منصة Gradescope ، إلا أنه يقوم بتوظيف المحتوى الكتابي وغير الكتابي بطريقة مختلفة، تُستخدم كمؤشرات ضمن نماذج التنبؤ بالتفاعل والمخاطر. لكنه بالمقابل يتكامل مع نظام Gradescope من خلال تتبع تسليم الواجبات وتقييم الأداء في المقالات. وهذا تطبيق عملي على كيفية تكامل أنظمة الحوسبة اللغوية وتطبيقها في البيئات التعليمية.

أنظمة الكشف عن السمات الديموغرافية:

تُعدّ مسألة التحقق من هوية المتعلم وسماته الديموغرافية من أبرز التحديات التي تواجه المنصات التعليمية الرقمية. إذ يُهمِلُ كثيرٌ من المستخدمين مشاركة بياناتهم الشخصية مثل العمر، والجنس، والمستوى التعليمي، والمجال المهني، وذلك لعدة أسباب منها أسباب ثقافية. بل أن بعض المعلومات مثل العِرق أو الديانة لا يتم الإفصاح عنها، لأسباب تتعلق بسياسات حماية البيانات وخصوصية المستخدم. ورغم ذلك، تُعدّ هذه البيانات ذات أهمية بالغة في أنظمة التعليم الإلكتروني لتحسين قدرتها على التخصيص والاستجابة لاحتياجات المتعلمين وعمليات التطوير بشكل عام. فعلى سبيل المثال، تعتبر عملية تخصيص المحتوي التعليمي بناء على الخلفية الدينية محور جدلي وحساس في كثير من الأنظمة التعليمية. واليوم، أصبح بالإمكان بناء أنظمة تتحقق من السمات الديموغرافية باستغلال الإمكانيات التقنية. هذه الأنظمة معقدة البناء نوعاً ما بسبب تداخلها مع عدة علوم أخرى كالأمن الجنائي الرقمي، وعلم النفس السلوكي وغيرها. وتزداد التحديات تعقيدًا من الناحية التقنية بسبب الحجم الكبير والتنوع الهائل في بيانات التفاعل التي يُنتجها المتعلمون على المنصات، لتشمل النصوص والمشاركة السلوكية والتي تتطلب معالجة متقدمة عبر معادلات رياضية وتحليلات لغوية عميقة لفهم أنماط التفاعل والسلوك Aljohani et al.,2022)). وعلى الرغم من هذه التحديات، هذه الأنظمة تضمن عدم الوصول المباشر إلى البيانات الديموغرافية الصريحة، وإنما تعتمد على مؤشرات بديلة تحترم أنظمة وتشريعات حماية البيانات والأخلاقيات، وبما يحقق النزاهة ويُسهم في عمليات التطوير والتحسين في المنصات التعليمية بالتوازي. ولعل من أهم البيئات التي تستدعي تطبيق هذا النوع من الأنظمة هي منصات التعليم المفتوح مثل منصتي edX وCoursera. حيث تتجلى أهمية تطبيقها في المنصات التي تمنح وثائق معتمدة أو درجات أكاديمية، لتُساهم بشكل فعّال في الكشف عن حالات الغش، لا سيما في سياق الاختبارات الرقمية التي تُفضي إلى شهادات أو معادلات أكاديمية.

خاتمة وتوصيات:

 يعتبر علم الحَوسبة اللغويّة اليوم عامل جوهري في تشكيل مستقبل التعليم الإلكتروني. فالتعليم أصبحَ تجربة مشتركة بين المتعلم والتقنية، يتعلم كل منهما من الآخر تحت مظلة المنصات التعليمية الإلكترونية. ولكن تعزيز هذا التطور بربط الفلسفة التقنية مع الفلسفة التعليمية، أصبح من أهم عناصر تشكيل هذا المستقبل المأمول. فالبيانات اللغوية ليست مجرد أحرف على الشاشة، بل هي مُدخلات إلى عالم المعرفة والفهم العميق عبر بوابات مستقبلية في المجال. وإنها تفتح فرصاً لتجارب تعليمية أكثر تخصيصاً وفعالية وتفاعلية. ولكن، لنتمكن من استغلال إمكاناتها بشكل مثالي، يتحتم علينا أن نأخذ في الاعتبار بعض النقاط الهامة:

•  تدريب المعلمين وتأهيلهم: فمن المهم أن يتلقى المعلمون تدريباً دورياً لفهم تقنيات الحَوسبة اللغويّة وكيفية الاستفادة منها لتخفيف الأعباء، وكذلك كيفية استغلال الأدوات المعتمدة عليها بشكل فعّال لدعم التعليم. هذا سيمكنهم من الانتقال من كونهم ناقلين للمعلومات إلى دورهم كداعمين ومستعدين للحقبة التقنية الجديدة في التعلم الإلكتروني.
•  تطوير نماذج تعزيز اللغات والثقافات: هناك مساحة للتطوير وتعزيز نماذج الحَوسبة اللغويّة التي تعني باللغات الأقل شيوعًا واللهجات المحلية. هذا يساعد في تحقيق العدالة، والتأكيد من أن الجميع يمكنهم الوصول إلى التعليم الجيد وبلغة تواصل مفهومة لديهم، مهما كانت خلفياتهم اللغوية. بالإضافة إلى تقليل التحيّز اللغوي الناتج عن نماذج مدربة على لغة أو ثقافة معينة دون غيرها.
•  التعاون بين خبراء الحَوسبة اللغويّة والشركات التقنية: بإعتبار التكاليف المالية المرتفعة لتطوير هذه الخوارزميات في التعليم، لابد من تعزيز التعاون بين علماء الحوسبة اللغوية والشركات التي تعمل في مجال تطوير الخدمات التعليمية تقنياً، من أجل نقل الأبحاث النظرية إلى تطبيقات عملية ملموسة وتؤثر بشكل فعّال في تلبية احتياجات المتعلمين وتواكب التطور الحاصل في مجال التعليم الإلكتروني.
  
  

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