معيار قياس جديد يكشف عيباً خفياً: النماذج اللغوية الكبيرة تتحدث كالمعلّمين لكنها تفشل في التدريس كما يفعلون

أحد عشر نموذجاً لغوياً، تتراوح أحجامها بين 4 مليارات و120 مليار معلمة (Parameters)، خضعت لاختبار لا يقيس القدرة على كتابة الكود، بل يقيس شيئاً أكثر دقة: هل يمكن لهذه النماذج أن "تُدرّس" فعلاً؟ النتيجة كانت مفاجئة، إذ فشلت حتى أضخم النماذج في المهمة الأساسية لأي معلّم علوم حاسوب جيد، وهي توجيه الطالب نحو الإجابة بدلاً من تسليمها له جاهزة.

هذه النتائج جاءت من معيار (Benchmark) جديد يحمل اسم CSTutorBench، طوّره الباحثان H. Chad Lane وBryson Kageler في ورقة بحثية نُشرت على منصة arXiv في 6 يوليو 2026، وقُدّمت في ورشة SLM4ED'26، وهي أول ورشة عمل مخصصة للنماذج اللغوية الصغيرة في التعليم (Small Language Models for Education)، أُقيمت على هامش مؤتمر AIED 2026 في سيول. يقيّم المعيار النماذج عبر 17 سؤالاً قائماً على سيناريوهات عملية داخل بيئة VEX VR، وهي بيئة روبوتية قائمة على البرمجة بالقطع (Block-based) تُستخدم لتعليم أساسيات البرمجة. كل إجابة تُقيَّم وفق معيار تربوي (Pedagogical Rubric) باستخدام منهجية تجمع بين الحكم البشري والنموذج اللغوي كقاضٍ (LLM-as-Judge) بمراقبة إنسانية مباشرة، وهي منهجية مصممة خصيصاً لرصد ليس فقط صحة الإجابة، بل قدرتها الفعلية على التعليم.

التحدث كمعلّم لا يعني التدريس كمعلّم

أظهرت النماذج المختبرة أداءً جيداً في المؤشرات السطحية للتدريس الجيد، مثل استخدام المفردات المناسبة، ونغمة الحديث الودودة، والعبارات المشجعة. لكن الخلل الحقيقي ظهر في الآليات العميقة للتعليم. فقد كشفت العديد من النماذج الإجابات مباشرة بدلاً من توجيه الطلاب لاكتشافها بأنفسهم، وعجزت أغلبها عن التفاعل بشكل حقيقي مع سجل تصحيح الأخطاء (Debugging History) الخاص بكل طالب، وتعاملت مع كل سؤال كما لو أنه ظهر بلا أي سياق سابق.

ولعل النتيجة الأكثر أهمية لأي جهة تفكر في اعتماد نموذج لغوي في التعليم هي أن الحجم الخام لم يكن العامل الحاسم في جودة التدريس. فبحسب الدراسة، كانت عائلة النموذج وطريقة ضبطه التوجيهي (Instruction-tuning) أكثر قدرة على التنبؤ بجودة الأداء من عدد المعلمات نفسه. فنموذج أصغر حجماً لكن مضبوط بعناية قد يتفوق على نموذج أكبر لكن أقل انضباطاً في المحاذاة (Alignment)، وهي نتيجة تحمل تداعيات مباشرة على المدارس وشركات التقنية التعليمية التي تُقيّم تكاليف المعالجة الحاسوبية مقابل جودة نتائج التعلّم.

وكانت هناك فائدة عملية أيضاً؛ فقد طبّق الباحثون تعديلاً موجهاً على الأوامر النصية (Prompt Revision) استند إلى أبحاث حديثة في هندسة الأوامر التعليمية (Educational Prompt Engineering)، ما رفع درجات 10 من أصل 11 نموذجاً مختبراً. وهذا يشير إلى أن بعض هذه العيوب التربوية قابلة للإصلاح عبر تحسين الأوامر النصية، دون الحاجة لإعادة تدريب النموذج من الصفر.

جزء من موجة بحثية أوسع في الذكاء الاصطناعي التعليمي

لم يظهر CSTutorBench بمفرده، بل جاء ضمن مجموعة من ورش سيول التي طرحت ورقتين بحثيتين إضافيتين تدوران حول سؤال مشترك: كيف يجب تصميم أنظمة الذكاء الاصطناعي خصيصاً لخدمة الفصول الدراسية، بدلاً من استخدامها كمساعد عام؟

الورقة الأولى، بقيادة Yukyeong Song من جامعة تينيسي في نوكسفيل، تقدّم إطار عمل يحمل اسم GAIDE، مبني على منهجيات التفكير التصميمي (Design Thinking) ومنهجية INTERACT، ويساعد معلمي المرحلتين الابتدائية والثانوية على بناء أدواتهم التعليمية الخاصة المعتمدة على الذكاء الاصطناعي عبر ما يُعرف بـ"البرمجة بالحدس" (Vibe Coding)، وهي ممارسة منتشرة حديثاً تتيح توليد كود برمجي فعّال من أوامر نصية باللغة الطبيعية دون الحاجة لمهارات برمجة تقليدية. وشملت الدراسة ورشة عمل استمرت ثمانية أسابيع بمشاركة ثلاثة معلمين وأربعة مرشدين أكاديميين، تم تحليلها باستخدام منهجية تحليل التفاعل CORDTRA، وأظهرت النتائج تحسناً ملموساً في مستوى الثقافة الرقمية للذكاء الاصطناعي (AI Literacy) لدى المعلمين بعد استخدام الإطار.

الورقة الثانية، المقبولة في ورشة العمل العاشرة لتنقيب البيانات التعليمية في تعليم علوم الحاسوب (CSEDM)، والمقدمة إلى arXiv في 9 يونيو 2026، تطرح استخدام مكوّنات معرفية قائمة على الأنماط (Pattern-based Knowledge Components) للمطابقة الآلية بين موارد تعليمية قائمة على الكود تستهدف مفاهيم برمجية متشابهة، وتم اختبار المنهجية على مجموعة مواد تمهيدية في لغة Python أعدّها خبراء متخصصون.

مجتمعة، تشير هذه الأوراق البحثية إلى أن المجال بدأ يتجاوز سؤال "هل يمكن للنماذج اللغوية الكبيرة أن تُنتج محتوى تعليمياً يبدو مقنعاً؟"، متجهاً نحو تحدٍ أعمق: قياس وهندسة قدرتها الفعلية على التدريس.