مقالة بحثية

منصة تعليمية شاملة تعتمد على الذكاء الاصطناعي التوليدي

DOI:

10.3791/69821

⸱

يوليو 10, 2026

1School of Education, City University of Macau

في هذه المقالة

ملخص

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

وباستخدام الذكاء الاصطناعي التوليدي (GAI) لدعم التدريس، تقدم المنصة تجارب تعلم مخصصة وقابلة للتكيف مع احتياجات المستخدمين المتنوعة. كما يوفر نهج التعلم العملي الواسع الذي لا يثري فقط عملية التعلم، بل يعزز أيضا كفاءات التعلم مدى الحياة في العصر الرقمي، تماشيا مع أهداف التنمية المستدامة في تعليم الهندسة.

الملخص

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

شهد الذكاء الاصطناعي التوليدي (GAI) تقدما كبيرا في السنوات الأخيرة، مما أظهر إمكانات تحويلية في التعليم من خلال تمكين إنشاء محتوى ديناميكي ومسارات تعلم مخصصة. ومع ذلك، تعتمد العديد من المنصات التعليمية القائمة على المحتوى الثابت والمسارات الثابتة، حيث تفتقر إلى البنية التحتية المتكاملة اللازمة للاستفادة الكاملة من قدرات GAI لإنشاء تجارب تعلم متماسكة وقابلة للتكيف. لسد هذه الفجوة، توضح هذه الدراسة تصميم وتنفيذ وتقييم تجريبي لمنصة تعليمية جديدة وشاملة مبنية على التحليل المعماري الشامل. تعتمد المنصة على بنية ثلاثية الطبقات تتجاوز الأطر التقليدية: طبقة تقنية أساسية تدمج نماذج الذكاء الاصطناعي المعيارية (مثل Transformer، CNN-BiLSTM المعتمد على الانتباه)، مركز معالجة لتوليف البيانات في الوقت الحقيقي وتحسين النماذج، وطبقة التطبيق والتفاعل التي تحتوي على ثمانية وحدات وظيفية أساسية، بما في ذلك التعلم الشخصي، والأسئلة والأجوبة الذكية، وتقييم الكفاءات. تسهل هذه البنية المتكاملة تجربة تعلم قابلة للتخصيص ديناميكيا تتكيف باستمرار مع احتياجات وتقدم المتعلمين الأفراد. لتقييم فعالية المنصة، أجرينا تجربة عشوائية محكمة (RCT) شملت 50 طالبا جامعيا و20 معلما على مدى فصلين دراسيين، حيث قارنا النتائج مع مجموعة ضابطة باستخدام الطرق التقليدية. تظهر النتائج التجريبية أن المنصة المقترحة تحسن بشكل كبير نتائج التعلم، وتزيد من مقاييس تفاعل الطلاب (مثل سرعة تنفيذ المهمة ومعدلات التفاعل مع المحتوى)، وتحقق دقة عالية في مطابقة المحتوى الشخصي. تشير النتائج إلى أن هذه المنصة المبنية على GAI تشكل تقدما في التكنولوجيا التعليمية من خلال تخصيص التعليم بشكل فعال ودعم التعلم التكيفي على نطاق واسع. تساهم هذه الدراسة بمخطط معماري مفصل وقابل للتكرار وتوفر أدلة تجريبية تدعم القيمة العملية لأنظمة التحليل المعماري المتكاملة في تعزيز فعالية التعليم وتعزيز كفاءات التعلم مدى الحياة.

المقدمة

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

وسط تسارع الابتكار التكنولوجي، لا سيما في الذكاء الاصطناعي (AI)، تجد أدوات مثل الذكاء الاصطناعي تطبيقات متزايدة في تعليم الهندسة. وفي الوقت نفسه، توصل الناس إلى توافق على أن هدف تعزيز التنمية المستدامة هو مسعى عالمي. لذلك، أصبح دمج التنمية المستدامة في التعليم الهندسي—مع تحسين المستويات التقنية في الصناعة وتعزيز وعي المتعلمين بالاستدامة—محورا رئيسيا لإصلاح التعليم الحالي، مما يدفع لاستكشاف الابتكارات التعليمية المدعومة بالذكاء الاصطناعي. تطبيق الذكاء الاصطناعي في التعليم يفتح آفاقا للتعلم الشخصي. على وجه التحديد، يوفر GAI إمكانات تحويلية لبيئات التعليم والتعلم. يتيح ذلك إنشاء أشكال محتوى متنوعة ديناميكية وتكييف موارد التعلم مع ملفات المتعلمين الفردية، مما يعزز التفاعل والفعالية. تمكن هذه التقنية من توليد صيغ محتوى متنوعة، مما يسهل إنشاء مواد تعليمية مخصصة. علاوة على ذلك، يمكنه تكييف موارد التعلم ديناميكيا مع ملفات المتعلم الفردية، مما يعزز التفاعل وفعالية التعلم1. علاوة على ذلك، تم تصميم المنصة للتكيف مع تقدم المتعلمين. يقوم بتعديل عرض المحتوى بشكل ديناميكي ويوصي بأنشطة تعليمية تتماشى مع الأهداف الفردية، بهدف تحسين نتائج التعلم.

ومع ذلك، يتطلب دمج الذكاء الاصطناعي في المنصات التعليمية تجاوز العقبات التقنية الكبيرة. أولا، يجب تدريب نماذج التعلم العميق على مجموعات بيانات ضخمة لضمان إنتاجها لمحتوى عالي الجودة يفي بالمعايير التعليمية. بالإضافة إلى ذلك، تحتاج خوارزميات التعلم المعزز إلى ضبط دقيق—ليس فقط لتخصيص مسارات التعلم لكل مستخدم بدقة، بل أيضا للحفاظ على اكتمال المحتوى التعليمي. بالإضافة إلى ذلك، تعد قدرات معالجة اللغة الطبيعية ضرورية لإنشاء أنظمة دروس تفاعلية يمكنها محاكاة الحوار البشري وتقديم تغذية راجعة فورية2،3،4. في ظل هذا السياق، هناك حاجة ملحة لمنصة تعليمية شاملة تستفيد من كامل إمكانات GAI لتقديم تجارب تعلم شخصية وجذابة وتكيفية5. تحمل هذه المنصات إمكانات كبيرة لإعادة تشكيل مشهد التعليم عبر الإنترنت من خلال جعله أكثر تكيفا وتخصيصا، مما يتماشى مع أهداف نماذج التعلم مدى الحياة المعاصرة وتدعم أهدافها. في هذا العصر الجديد، لن يبقى المحتوى التعليمي ثابتا؛ بل ستتطور بالتزامن مع نمو المتعلمين الشخصي واحتياجاتهم المتغيرة باستمرار.

أظهرت الأبحاث الحالية أن التقنيات الناشئة مثل الذكاء الاصطناعي والنماذج واسعة النطاق يمكن أن تحسن بفعالية جودة التدريس والتعلم في تعليم الهندسة.5، وقد استكشفت العديد من الدراسات التطبيقات المحتملة للتعليم التعليمي في منصات التعليم الشخصية، بهدف توفير تجارب تعلم مخصصة للطلاب6. وفي الوقت نفسه، أصبح التعليم من أجل التنمية المستدامة (ESD) أولوية أساسية متزايدة في التعليم الهندسي العالمي، مع الأبحاث الحالية التي تبرز باستمرار أن الثقافة في الاستدامة والتفكير المنظومي هما كفاءات أساسية لا يمكن التفاوضعليها للمهندسين المعاصرين. لتلبية هذا الطلب الحيوي على التدريب، تؤسس بنية GAI المقترحة في هذه الدراسة رابطا عمليا وقابلا للتنفيذ بين أهداف التعلم في التنمية المستدامة وبناء المهارات الهندسية: حيث تدمج منصتنا وحدات تقييم تأثير الاستدامة، وسير عمل تحليل دورة الحياة (LCA)، ومحفزات التصميم المستدام القائمة على السيناريوهات ضمن إطارها الأساسي، مما يمكن المتعلمين الهندسيين من ترجمة مبادئ الاستدامة مباشرة إلى اتخاذ قرارات تقنية طوال الإطار الكامل دورة التصميم الهندسي. أحد مجالات التركيز هو استخدام GAI لأتمتة إنشاء المحتوى التعليمي. استكشف مولاي وآخرون كيف يمكن لخوارزميات الذكاء الاصطناعي توليد تمارين واختبارات وحتى دروس كاملة بناء على الاحتياجات وأنماط التعلم الخاصة بكل طالب. يظهر هذا النهج إمكانية لتقليل عبء عمل المعلمين وتوفير تجربة تعلم أكثر تخصيصا للطلاب، مما وفر أساسا تقنيا معينا لأعمال تشاو وآخرون لاحقا.

مجال آخر يثير الاهتمام هو استخدام GAI لأنظمة التعلم التكيفي9. تستخدم هذه الأنظمة خوارزميات الذكاء الاصطناعي لتحليل أداء التعلم لدى الطلاب وتعديل مواد التعلم في الوقت الحقيقي، مما يلبي احتياجات الطلاب بدقة أكبر. هذا النهج لا يعزز فقط نتائج التعلم، بل يضمن أيضا أن الطلاب يواجهون تحديات على مستوى مناسب—ليس من السهل جدا فقدان التحفيز ولا من الصعب مواكبته. بالإضافة إلى ذلك، تم استكشاف GAI أيضا لإمكاناته في أتمتة عمليات التقييم والتغذية الراجعة10 وليكون منصة ذكية لدعم اتخاذ القرار11. يمكن استخدام خوارزميات الذكاء الاصطناعي لتصحيح واجبات الطلاب تلقائيا وتقديم الملاحظات في الوقت المناسب، مما يوفر الوقت للمعلمين ويساعد الطلاب على التعلم بشكل أكثر فعالية. كما استكشف سميث وآخرون 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 الأصليين الرقميين، بفضل انغماسهم الدائم في التقنيات الرقمية، يظهرون مستوى أعلى من القبول تجاه هذه التطبيقات؛ وعلى النقيض من ذلك، يميل المعلمون المهاجرون الرقميون إلى تبني موقف أكثر حذرا وتحفظا تجاه هذه التطبيقات الرقمية، ويظهرون ترددا في تجربتها بشكل عفوي. هذا الاختلاف بين الأجيال يطرح تحديات وفرصا جديدة لدمج أساليب التدريس والتقنيات التعليمية. قام عمران وآخرون بتقييم تطبيق أدوات الذكاء الاصطناعي التوليدي من الجيل القادم في التعليم، خاصة في إنشاء مواد تعليمية وتقديم ملاحظات شخصية.

تشير النتائج إلى أن هذه الأدوات يمكن أن تساعد المعلمين على توليد موارد تعليمية متنوعة وتقديم تغذية راجعة فورية، كما تشير أيضا إلى تحديات تتعلق بالمعايير الأخلاقية والاستخدام العادل. حلل كابريرا وآخرون وعي الطلاب واستخدامهم ل GAI من خلال استطلاعات في ست جامعات في هونغ كونغ. معظم الطلاب يتبنى موقفا إيجابيا، ويدركون فائدته في التعلم الشخصي والتغذية الراجعة الفورية. ومع ذلك، تعبر أيضا عن مخاوف بشأن الاعتماد المفرط والتحيزات المحتملة. يشرح ميشرا وآخرون تطبيق GAI، مثل ChatGPT، في تعليم المعلمين، خصوصا في تخطيط المناهج، والتفكير النقدي، والانفتاح التعليمي. يبرز أن GAI يمكن أن يوفر آليات دعم محددة وموارد تعليمية للمعلمين، لكنه يؤكد أيضا على ضرورة تقييم حدوده وتحيزاتها المحتملة لضمان فعاليته كأداة تعليمية. يعكس ميشرا وآخرون 16 التأثير التحويلي لاستراتيجيات GAI على التعليم وتعليم المعلمين. تدعو هذه الطريقة إلى مراعاة الأخلاقيات والسياسات في استخدام التكنولوجيا التعليمية لضمان استخدام عادل وفعال لتقنيات الذكاء الاصطناعي.

تشير الجهود الأكاديمية الحالية 17,18,19,20,21,22 إلى أن GAI لديها القدرة على تحويل التعليم من خلال توفير تجارب تعليمية مخصصة، والتكيف مع احتياجات الطلاب في الوقت الفعلي، وأتمتة المهام التي تستغرق وقتا للوقت للمعلمين. ومع ذلك، هناك أيضا تحديات مرتبطة باستخدام الذكاء الاصطناعي في التعليم، مثل الحاجة إلى بيانات دقيقة لتدريب نماذج الذكاء الاصطناعي والتحيزات المحتملة في خوارزميات الذكاء الاصطناعي23,24. هناك حاجة إلى مزيد من البحث لمعالجة هذه التحديات وتحقيق إمكانات GAI في التعليم الفعال. أثبتت الأبحاث السابقة فعالية تقنيات الذكاء الاصطناعي 20,21,22,23,24,25 في تمكين التعلم التكيفي26,27، وتقديم تغذية راجعة مخصصة28,29، واستكشاف تطبيقات تعليمية أوسع30,31. ومع ذلك، ركزت الدراسات القائمة على منصات التعليم المدعومة ب GAI بشكل كبير على تحسين الوظائف التدريجي ودراسات حالة تطبيقات معزولة. لا تزال هناك فجوة بحثية حرجة لم تحل: تفتقر منصات التعليم الحالية لتقنيات GAI إلى بنية متكاملة موحدة وقابلة للتوسع وقوية من الناحية التعليمية، مع قيود واسعة تشمل تصميم وحدات مجزأ، وضعف التوافق بين السيناريوهات، وعدم وجود إطار مدمج لتدريب الكفاءة المنهجي (بما في ذلك الوعي بالاستدامة لمتعلمي الهندسة). لسد هذه الفجوة، تبحث هذه الدراسة في منصة تعليمية شاملة قائمة على GAI من منظور معماري أساسي، موضحة بشكل منهجي تصميمها المعياري، وإطار التشغيل البيني بين السيناريوهات، والتقييم التجريبي متعدد الأطراف المصلحة. يدفع هذا العمل المجال إلى تقدم من خلال إنشاء نموذج معماري متكامل موحد لتطبيقات GAI في تعليم الهندسة، لتعزيز النتائج التعليمية وتنمية الكفاءات الأساسية. الإسهامات الثلاثة الرئيسية لهذا العمل مدرجة كما يلي.

  • إطار عمل لتوليد تجارب التعلم الديناميكي. يستخدم الإطار GAI لبناء بيئة تعلم تتطور بناء على تفاعلات المستخدمين وبيانات الأداء. يقوم هذا الإطار ببناء بيئة تعلم متطورة ديناميكيا عبر GAI، حيث تقوم بتعديل وتحسين الوقت الحقيقي بناء على أنماط تفاعل المستخدمين وعادات التعلم — مما يضمن بقاء المحتوى التعليمي حديثا وجذابا ومتوافقا مع احتياجات الأفراد. تقوم هذه الآلية الديناميكية بأمرين رئيسيين: أولا، تضمن بقاء المحتوى التعليمي محدثا ولا يصبح قديما، وثانيا، تجعل المحتوى أكثر جاذبية—وكل ذلك مع تلبية الاحتياجات الشخصية الفريدة لكل متعلم.
  • تصميم معماري متكامل ومتكيف. تنسق البنية ذات الطبقات الثلاث بشكل شامل المكونات التكيفية، مما يضمن بقاء أدوات التعلم فعالة طوال تقدم المستخدم. تنسق هذه البنية الثلاثية الطبقات بشكل شامل المكونات التكيفية التي تتطور مع المستخدمين، مما يضمن بقاء المحتوى والأدوات التعليمية فعالة طوال رحلة التعلم مع تقديم تجربة تعليمية متماسكة وشاملة.
  • تخصيص قائم على البيانات على نطاق واسع. تستفيد المنصة من تحليلات التعلم المستمر لتمكين التخصيص القائم على البيانات على نطاق واسع. يقوم بتخصيص محتوى التعلم والسرعة وأسلوب التدريس بشكل ديناميكي حسب تفضيلات المتعلم الفردية وقدراته الإدراكية. الأهداف الأساسية في التصميم هي تقليل الحمل المعرفي الزائد، وتحسين كفاءة التعلم، وتعزيز تجربة التعلم بشكل عام. تختبر هذه الدراسة فرضية بحثية مركزية من خلال تجربة عشوائية مضبوطة. الفرضية هي أن هذه المنصة المخصصة المدعومة بتقنية GAI يمكن أن تقلل بشكل كبير من العبء المعرفي على المتعلمين الهندسيين، وتحسن كفاءة التعلم، وتعزز نتائج التعلم وتجربة التعلم المتعلقة ب ESD مقارنة بالنماذج الهندسية التقليدية غير المخصصة.

يختبر العمل فرضية بحثية مركزية. وهي أن هذه المنصة التعليمية المخصصة المدعومة ب GAI يمكن أن تقلل بشكل كبير من العبء المعرفي على المتعلمين الهندسيين، وتحسن كفاءة التعلم، وتعزز نتائج التعلم وتجربة التعلم المرتبطة ب ESD مقارنة بالنماذج الهندسية التقليدية غير المخصصة.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

البروتوكول

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

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

1. مواصفات المنصة

النظام المقيم هو نموذج أولي بحثي مخصص، تم تنفيذه كتطبيق قائم على الويب. بيئة البرمجيات مبنية على بايثون 3.9 وتينسورفلو 2.12. نماذج الذكاء الاصطناعي الأساسية (CNN-BiLSTM، Transformer) مستضافة على وحدة معالجة رسومات NVIDIA A100 (ذاكرة VRAM بسعة 40 جيجابايت) ضمن خط معالجة قائم على الخادم. تتكون البنية من ثلاث طبقات: أولا، طبقة تقنية أساسية تدمج شبكة CNN-BiLSTM المحسنة بالانتباه، وحدة ترانسفورمر، ومكونات تعلم التعزيز؛ ثانيا، مركز معالجة لدمج البيانات متعددة الوسائط في الوقت الحقيقي وتحسين النماذج؛ وثالثا، طبقة تطبيق تضم ثمانية وحدات وظيفية، تشمل التعلم المخصص، والأسئلة والأجوبة، وتقييم الكفاءات، وتحليلات السلوك (الشكل 1).

2. إعداد وتنسيق بيانات التدريب

جمع مجموعات بيانات متعددة الوسائط من مستودعات تعليمية عامة (مثل نصوص الدورات المفتوحة عبر الإنترنت، سجلات تفاعل الفيديو التعليمي) والمصادر الخاصة. اجمع سجلات تفاعل مجهولة الهوية من 50 طالبا جامعيا و20 معلما خلال الاختبار التجريبي (يناير–يونيو 2024). النص المسبق باستخدام spaCy v3.5 (Honnibal وآخرون، 2020) مع الإجراءات الثابتة التالية. أولا، قم بتحميل نموذج اللغة الإنجليزية الأكاديمي العام المدرب مسبقا en_core_web_md. ثانيا، تنفيذ الترميز باستخدام الترميز الأكاديمي المحسن الافتراضي للنموذج، والذي يتعامل مع مصطلحات الهندسة التقنية والتنمية المستدامة بشكل مناسب. ثالثا، إجراء الليماتيزيشن باستخدام النموذج الافتراضي القائم على القواعد والهجين الإحصائي، دون تطبيق قواعد ليماتية مخصصة. تطبيع إطارات الفيديو إلى دقة 224 × 224 باستخدام الخطوات الثابتة التالية. أولا، إعادة تكبير جميع الإطارات باستخدام الاستيفاء الثنائي الخطي، وهو الطريقة القياسية لمعالجة إطارات الفيديو التعليمية المسبقة. ثانيا، لا تطبق أي تطبيع أو قص إضافي للألوان سوى تغيير الحجم الموحد للحفاظ على المحتوى التعليمي الأصلي. إزالة المعلومات الشخصية القابلة للتعريف لضمان الامتثال للخصوصية باستخدام الإجراءات الثابتة التالية. أولا، استخدم وحدة التعرف على الكيانات المسماة spaCy v3.5 ضمن نموذج en_core_web_md لاكتشاف وتنقيب جميع الأسماء الشخصية، عناوين البريد الإلكتروني، أرقام الهواتف، والمعرفات المؤسسية تلقائيا. ثانيا، مراجعة عينة عشوائية بنسبة 10 بالمئة يدويا من جميع إطارات النصوص والفيديو المعالجة مسبقا للتحقق من إزالة PII بالكامل، دون العثور على أي تناقضات في مجموعة البيانات النهائية.

3. تدريب والتحقق من صحة النماذج

استخدم التدريب ثلاثة أساليب: أولا، التعلم المراقب (محسن آدم، معدل التعلم = 1e-4، حجم الدفعة = 32) للتنبؤ بأداء الطلاب من سجلات التفاعل المعنونة؛ ثانيا، تجميع المتوسطات K غير المراقبة (k = 5) لتحديد أنماط سلوكية مميزة؛ وثالثا، التعلم المعزز لتوصية المحتوى التكيفي، مع دالة مكافأة تعرف بالتفاعل × الدقة. تم ضبط المعلمات الفائقة عبر بحث عشوائي على أكثر من 100 تجربة على مجموعة تحقق ثابتة لضمان المتانة. تكونت بيانات الإدخال للنماذج من تدفقات متعددة الوسائط معالجة مسبقا ومجهولة الهوية: تسلسلات نصية مرمزة، 224 × 224 إطار فيديو RGB، وبيانات تفاعلية منظمة (مثل الطوابع الزمنية، أنواع الإجراءات). تشمل النتائج الأساسية التي يولدها النظام درجات التنبؤ العددية (مثل احتمال الإتقان)، وسجلات التفاعل التفصيلية بصيغة JSON، وتقارير تقييم الكفاءة بصيغة PDF.

figure-protocol-1
الشكل 1: هيكلية المنصة التعليمية الشاملة. يوضح هذا المخطط الهيكل الهرمي الكامل لنموذج البحث التعليمي المخصص المعتمد على الويب لتقنية GAI، بما في ذلك طبقة التطبيق والتفاعل الموجهة للمستخدم، ومركز معالجة البيانات متعدد الوسائط، والطبقة التقنية الأساسية المعتمدة على نماذج الذكاء الاصطناعي، مع رسم خريطة تدفق بيانات واضح بين الطبقات. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

4. إجراء التقييم التجريبي

تم تجنيد 70 مشاركا (50 طالب هندسة جامعي و20 معلما) من جامعة التربية في هونغ كونغ. تم تعيينهم عشوائيا إما إلى المجموعة التجريبية التي استخدمت منصتنا المخصصة على الويب على GAI، أو مجموعة التحكم التي استخدمت نظام إدارة التعلم التقليدي (LMS). تم قياس التقييم أربع نتائج رئيسية: (1) مكاسب التعلم (تم تقييمها عبر درجات ما قبل وبعد الاختبار)، (2) التفاعل (المقاس بوقت تنفيذ المهمة وتكرار التفاعل)، (3) رضا المستخدمين (تم تقييمه من خلال مسح مقياس ليكيرت المكون من 7 نقاط)، و(4) قابلية استخدام النظام. تم تحليل جميع البيانات التجريبية باستخدام اختبارات t مزدوجة لتحديد الدلالة الإحصائية، مصحوبة بحسابات حجم الأثر لتقييم الأثر العملي.

5. الانتهاء من التنفيذ والتحقق منه

قبل الدراسة الرئيسية، أجرينا تحققا شاملا للنظام. شمل ذلك التحقق من التكامل الكامل والتشغيل المستقر لجميع الطبقات المعمارية الثلاث (التقنية الأساسية، مركز المعالجة، وطبقة التطبيق)، وتأكيد سلامة البيانات في جميع أنحاء خط الأنابيب، وضمان تقارب النموذج على مجموعة التحقق، واختبار استجابة وموثوقية واجهة المستخدم المعتمدة على الويب. عند إتمام هذه المرحلة بنجاح، اعتبر المنصة جاهزة للنشر التجريبي الرسمي والتقييم المقارن ضمن إطار التجارب العشوائية المحكمة.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

النتائج

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

كشفت التجربة العشوائية المحكمة عن فروق ذات دلالة إحصائية بين مجموعة منصة GAI (تجريبية) ومجموعة LMS التقليدية (ضابطة). بالنسبة لكسب التعلم، حصلت المجموعة التجريبية على درجات أعلى بشكل ملحوظ في ما بعد الاختبار (M = 85.2، SD = 6.4) مقارنة بمجموعة التحكم (M = 76.8، SD = 7.1)؛ الفرق المتوسط = 8.4، فاصل الثقة 95٪ [4.5، 12.3]، t(68) = 4.32، < 0.001، د. كوهين = 1.02. بالنسبة للمشاركة (وقت المهمة المحددة)، قضت المجموعة التجريبية وقتا أطول (M = 42.5 دقيقة، SD = 8.2) مقارنة بمجموعة التحكم (M = 28.7...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المناقشة

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

تهدف هذه الدراسة إلى اختبار الفرضية البحثية المركزية: أن منصة التعلم المخصصة المدعومة ب GAI يمكن أن تقلل بشكل كبير من العبء المعرفي للمتعلمين الهندسيين، وتحسن كفاءة التعلم، وتعزز نتائج التعلم المرتبطة ب ESD وتجربة التعلم بشكل عام، مقارنة بالنماذج الهندسية التقليدية غير المخصصة. توفر نتائج التجارب العشوائية العشوائية لدينا دعما تجريبيا كاملا لهذه الفرضية، مع وجود ثلاث نتائج رئيسية متوافقة مباشرة مع نتائجنا المحددة مسبقا. أولا، أدى التخصيص القائم على تحليلات التعلم المستمر للمنصة إلى تقليل...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

الإفصاحات

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

تضارب المصالح: لا يملك المؤلفون مصالح مالية أو غير مالية ذات صلة للإفصاح عنها.

المواد

قائمة المواد المستخدمة في هذه المقالة
الاسمالشركةرقم فهرسيالتعليقات
A100 GPU (40 GB VRAM)NVIDIA Corporation900-4H100-0000-000يُستخدم لاستضافة نماذج الذكاء الاصطناعي الأساسية داخل خط معالجة الخوادم.
en_core_web_md (نموذج spaCy)Explosion AIhttps://spacy.io/models/en#en_core_web_mdنموذج أكاديمي إنجليزي عام مُدرّب مسبقًا يُستخدم لتقسيم الكلمات وتحويلها إلى صورها الصرفية. 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 كبيرة مفتوحة المصدر مُشتقة من RedPajama.
spaCyExplosion AIhttps://spacy.io/مكتبة لمعالجة اللغة الطبيعية لتجهيز النصوص. الإصدار: 3.5.
TensorFlowGoogle LLChttps://www.tensorflow.org/إطار عمل تعليم الآلة مفتوح المصدر. الإصدار: 2.12.

المراجع

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

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

إعادة الطباعة والأذونات

طلب إذن لإعادة استخدام النص أو الأشكال في مقالة JoVE هذه

طلب إذن

الوسوم

233 233 JoVE

مقالات ذات صلة