"InqEduAgent": إطار ذكي يبحث لك عن "شريك التعلم" المثالي.. إنسان أم عميل ذكاء اصطناعي؟

مشكلة صغيرة بأثر كبير في التعليم الرقمي

كشف فريق بحثي عن تفاصيل "InqEduAgent"، وهو إطار عمل (Framework) مدعوم بالنماذج اللغوية الكبيرة (LLMs) صُمم لحل مشكلة محددة لكنها متكررة في التعليم عن بُعد: كيف تجد لكل متعلم "شريك التعلم" الأنسب له، سواء كان هذا الشريك طالبًا آخر أو عميلًا ذكيًا (AI Agent)؟ نُشرت الورقة البحثية لأول مرة على منصة "أرخايف" (arXiv) في 5 أغسطس 2025، وتم قبولها لاحقًا للعرض في مؤتمر آسيا الثامن لتعلم الآلة والحوسبة 2026 (ACMLC 2026).

تقوم فلسفة "InqEduAgent" على مبدأ "التعلم القائم على الاستقصاء" (Inquiry-Based Learning)، حيث يستكشف الطلاب مسائل مفتوحة بشكل جماعي بدل السير على منهج ثابت جامد. وهذا النوع من التعلم لا ينجح إلا إذا كان التوافق بين الشريكين مدروسًا بعناية؛ فالثنائي غير المتوافق، سواء بسبب تباين المستوى المعرفي بين طالبين أو إقران طالب بمساعد ذكاء اصطناعي لا يناسب أسلوبه، غالبًا ما ينتج عنه نتائج تعليمية أضعف. هنا يأتي دور "InqEduAgent"، الذي يستخدم عملاء توليديين (Generative Agents) لمحاكاة شركاء تعلم محتملين، ثم يختار الأكثر توافقًا من بينهم مع كل متعلم على حدة.

كيف تتم عملية المطابقة؟

يرتكز النظام تقنيًا على آلية مطابقة معزّزة بعمليات غاوس (Gaussian Process-Augmented Matching)، وهي أسلوب نمذجة احتمالية (Probabilistic Modeling) يستخدمه الباحثون لتمثيل الصفات المعرفية والتقييمية لكل متعلم على حدة. وبدلًا من الاعتماد على ملفات تعريف ثابتة أو قواعد إقران مبسّطة، تتيح هذه الطريقة للنظام نمذجة درجة عدم اليقين (Uncertainty) في طريقة تفكير المتعلم وكيفية تقييمه للمعلومات، ثم يستخدم هذه النمذجة للتنبؤ بأي شريك، إنسانًا كان أو رقميًا، سيصنع أفضل تعاون ممكن.

من هنا تبرز أهمية مفهوم "العميل التوليدي". فالنظام لا يقتصر على مطابقة الطلاب الحقيقيين ببعضهم، بل يمكنه محاكاة شركاء تعلم محتملين باستخدام النماذج اللغوية الكبيرة، وإدخالهم في عملية المطابقة كما لو كانوا أشخاصًا حقيقيين. وهذا يمنح المنصات التعليمية القائمة على الويب مرونة كبيرة، خصوصًا في الحالات التي يكون فيها عدد الشركاء البشريين المتاحين عند مستوى مهارة أو مجال اهتمام معين محدودًا. فحين لا يتوفر شريك بشري مناسب، يمكن لشريك مُحاكى بالذكاء الاصطناعي، مضبوط خصيصًا على الملف المعرفي للمتعلم، أن يسد هذه الفجوة.

لماذا يهم هذا التعلم الشخصي؟

الهدف الأكبر من هذا المشروع هو ما يُعرف بـ"النمذجة التكيفية للمستخدم" (Adaptive User Modeling): بناء نظام لا يقدم محتوى ثابتًا فقط، بل يحدّث فهمه للمتعلم باستمرار، ويوصي بتفاعلات مناسبة، سواء كانت زملاء دراسة، أو مساعدين ذكيين، أو محتوى تعليمي، بناءً على هذا الملف المتطور. ويندرج هذا ضمن اتجاه أوسع يشهده قطاع التقنيات التعليمية (EdTech)، حيث تُستخدم العملاء المبنية على النماذج اللغوية الكبيرة ليس فقط كمولدات محتوى، بل كبنية تحتية كاملة للتخصيص، بمعنى أن دور العميل الذكي يتحول من الإجابة المباشرة عن الأسئلة إلى تنظيم من أو ماذا سيتفاعل معه المتعلم بعد ذلك.

قبول الورقة في مؤتمر ACMLC 2026 يشير إلى أنها تجاوزت مرحلة التحكيم الأكاديمي (Peer Review)، وهو ما يعطيها مصداقية أكبر مقارنة بالأبحاث الأولية غير المحكّمة (Preprints). مع ذلك، لم تتضمن المواد المتاحة تفاصيل حول التطبيق الفعلي للنظام، أو حجم البيانات المستخدمة، أو مقارنات مباشرة بأداء أنظمة التعلم التكيفي الأخرى الموجودة في السوق. ويبقى أداء "InqEduAgent" خارج البيئات البحثية المضبوطة سؤالًا مفتوحًا حتى الآن. أما في الوقت الراهن، فيمثل هذا الإطار نموذجًا ملموسًا على استخدام العملاء التوليديين في مهام نمذجة العلاقات داخل قطاع التعليم، بعيدًا عن الاستخدام التقليدي المرتبط بتوليد المحتوى فقط.