تقنيات استخدام الذكاء الاصطناعي في التقييم الختامي والتكويني.

تقنيات استخدام الذكاء الاصطناعي في التقييم الختامي والتكويني.

فراس الحافظ، دكتوراه في التربية.

الملخص:

يعمل الذكاء الاصطناعي (الذكاء الاصطناعي) على تحويل ممارسات التقييم التربوي بسرعة من خلال تقديم تقنيات مبتكرة لكل من التقييمات التكوينية والختامية. تستكشف هذه المقالة العديد من التقنيات القائمة على الذكاء الاصطناعي المستخدمة في سياقات التقييم التعليمي ، بما في ذلك الدرجات الآلية ، والتعليقات الشخصية ، وتصميم التقييم التكيفي ، وتحليلات التعلم ، ودعم تقييم الأقران. من خلال دمج التعلم الآلي ومعالجة اللغة الطبيعية وتحليلات البيانات ، تمكن هذه التقنيات المعلمين من توفير تجارب تقييم شخصية وفعالة وفعالة للطلاب. علاوة على ذلك ، تسهل التقييمات التي تدعم الذكاء الاصطناعي اتخاذ القرارات القائمة على البيانات ، مما يسمح للمعلمين بتحديد فجوات التعلم ، وتتبع تقدم الطلاب ، وتخصيص التعليمات وفقا للاحتياجات الفردية. ومع ذلك ، فإن اعتماد الذكاء الاصطناعي على نطاق واسع في التعليم يثير أيضا اعتبارات مهمة تتعلق بالخصوصية والأخلاق والإنصاف ، والتي يجب معالجتها بعناية. وبالتالي ، فإن التقدم المستمر لتقنيات الذكاء الاصطناعي يحمل وعدا هائلا لزيادة تعزيز ممارسات التقييم في التعليم ، مما يؤدي في النهاية إلى تعزيز نجاح الطلاب وإنجازهم في العصر الرقمي.

الكلمات المفتاحية: الذكاء الاصطناعي ، تلخيصي ، تكويني ، تقييم

مقدمة

أحدث الذكاء الاصطناعي (الذكاء الاصطناعي) ثورة في مجال التعليم من خلال تقديم تقنيات مبتكرة لكل من التقييمات التكوينية والختامية. تستفيد هذه التقنيات من خوارزميات التعلم الآلي ومعالجة اللغة الطبيعية وتحليلات البيانات لتوفير تجارب تقييم مخصصة وفعالة وموثوقة للطلاب والمعلمين على حد سواء. فيما يلي بعض التقنيات الرئيسية لاستخدام الذكاء الاصطناعي في كل من سياقات التقييم التكويني والختامي:

１.   التصنيف الآلي:

·         التقييمات الموضوعية: يمكن للخوارزميات الذكاء الاصطناعي أتمتة عملية الدرجات للتقييمات الموضوعية مثل أسئلة الاختيار من متعدد ، وبيانات الصواب / الخطأ ، وتمارين ملء الفراغ (Feng et al. ، 2009). يتم تدريب نماذج التعلم الآلي على مجموعة بيانات كبيرة من نماذج الاستجابات للتعرف على الإجابات الصحيحة ، مما يسمح بتقدير سريع ومتسق.

·         التقييمات القائمة على نموذج التقييم: يمكن للأنظمة الذكاء الاصطناعي أيضا تقييم التقييمات الذاتية بناء على نماذج محددة مسبقا (Devasahayam and Reddy، 2017). من خلال تحليل أنماط اللغة والتماسك الدلالي ، يمكن لخوارزميات معالجة اللغة الطبيعية تقييم الاستجابات المكتوبة لملاءمة المحتوى وتنظيمه وتماسكه.

２.   ردود الفعل الشخصية:

·         التغذية الراجعة الفورية: يمكن أن توفر أدوات التقييم التي تعمل بنظام الذكاء الاصطناعي ملاحظات فورية للطلاب عند إكمال مهمة التقييم (Shute and Kim ، 2014). تحلل هذه الأنظمة استجابات الطلاب في الوقت الفعلي وتقدم ملاحظات مخصصة ، بما في ذلك تفسيرات للإجابات غير الصحيحة واقتراحات للتحسين وروابط لموارد تعليمية إضافية.

·         دعم السقالات: يمكن لأنظمة التدريس الذكاء الاصطناعي تقديم دعم سقالات للطلاب بناء على أدائهم واحتياجاتهم التعليمية (VanLehn ، 2011). توفر هذه الأنظمة تلميحات ومطالبات وتفسيرات تكيفية لتوجيه الطلاب خلال المهام الصعبة ، وتعزيز بيئة تعليمية داعمة.

３.   تصميم التقييم التكيفي:

·         نظرية استجابة العنصر (IRT): تستخدم منصات الاختبار التكيفية التي تعتمد على الذكاء الاصطناعي نظرية استجابة العنصر لضبط مستوى صعوبة عناصر التقييم ديناميكيا بناء على استجابات الطلاب (Van der Linden and Glas، 2010). يتم اختيار العناصر بناء على مستوى الصعوبة المقدر وقدرتها على التمييز بين الطلاب ذوي الأداء العالي والمنخفض ، مما يؤدي إلى تقدير أكثر دقة لقدرات الطلاب.

·         التقييمات القائمة على الإتقان: يمكن للأنظمة الذكاء الاصطناعي تنفيذ نماذج التقييم القائمة على الإتقان ، حيث يتقدم الطلاب من خلال التقييمات بالسرعة التي تناسبهم ويجب أن يظهروا إتقان المهارات الأساسية قبل التقدم إلى مفاهيم أكثر تعقيدا (Corbett and Anderson ، 1995). تعمل خوارزميات التعلم التكيفي على تخصيص تسلسل ومحتوى مهام التقييم بناء على الكفاءات المثبتة للطلاب.

４.   تحليلات التعلم:

·         رؤى تعتمد على البيانات: تحلل أدوات التحليلات الذكاء الاصطناعي كميات كبيرة من بيانات الطلاب لاستخراج رؤى قابلة للتنفيذ للمعلمين (Papamitsiou and Economides ، 2014). تتضمن هذه الأفكار الاتجاهات في أداء الطلاب ومسارات التعلم ومجالات الصعوبة. يمكن للمعلمين استخدام هذه التحليلات لإبلاغ عملية صنع القرار التعليمي ، وتحديد الطلاب المعرضين للخطر ، وتخصيص التدخلات وفقا لاحتياجات التعلم الفردية.

·         التحليلات التنبؤية: تستفيد خوارزميات الذكاء الاصطناعي من بيانات التقييم التاريخية للتنبؤ بأداء الطلاب وسلوكهم في المستقبل (Baker et al. ، 2011). من خلال تحديد علامات الإنذار المبكر للتحديات الأكاديمية ، تمكن التحليلات التنبؤية المعلمين من التدخل بشكل استباقي ، وتوفير الدعم والموارد المستهدفة للطلاب المتعثرين.

５.   معالجة اللغة الطبيعية (NLP):

·         تقييم المقال: تمكن تقنيات البرمجة اللغوية العصبية أنظمة الذكاء الاصطناعي من تحليل وتقييم الاستجابات المكتوبة للطلاب في التقييمات المفتوحة ، مثل المقالات والأسئلة ذات الإجابات القصيرة (Dikli ، 2006). يمكن لهذه الأنظمة تقييم تماسك حجج الطلاب وأهميتها وعمقها ، مما يوفر رؤى قيمة حول مهارات التفكير النقدي والكتابة.

·         تقييم الكفاءة اللغوية: تستخدم أدوات تقييم اللغة التي تعمل بنظام الذكاء الاصطناعي البرمجة اللغوية العصبية لتقييم كفاءة الطلاب في اللغة المستهدفة (Chapelle and Douglas، 2006). تحلل هذه الأدوات الاستجابات المنطوقة والمكتوبة لقواعد اللغة واستخدام المفردات والنطق والطلاقة ، مما يوفر تقييمات موضوعية للمهارات اللغوية.

６.   دعم تقييم الأقران:

·         مساعدة مراجعة الأقران: يمكن للأنظمة الذكاء الاصطناعي تسهيل تقييم الأقران من خلال توفير إرشادات ونماذج ونماذج للطلاب المشاركين في أنشطة مراجعة الأقران. يمكن لهذه الأنظمة أيضا تحليل ملاحظات الأقران لتحديد الأنماط والتناقضات ، مما يوفر للطلاب رؤى إضافية حول نقاط قوتهم ومجالات التحسين (Patchan & Schunn ، 2007).

·         ضمان الجودة: يمكن للخوارزميات الذكاء الاصطناعي تقييم جودة وموثوقية التقييمات التي ينشئها الأقران من خلال مقارنتها بتقييمات الخبراء. من خلال تحديد القيم المتطرفة والتناقضات ، تضمن أنظمة الذكاء الاصطناعي اتساق وعدالة عمليات تقييم الأقران (Cho and MacArthur ، 2010).

７.   المراقبة والتدخل في الوقت الحقيقي:

·         تتبع النشاط: تراقب منصات التقييم التي تدعم الذكاء الاصطناعي تفاعلات الطلاب مع مهام التقييم في الوقت الفعلي ، وتلتقط البيانات حول الوقت المستغرق ومستويات المشاركة وأنماط التفاعل. يمكن للمعلمين استخدام هذه المعلومات لتحديد الطلاب الذين قد يحتاجون إلى دعم أو تدخل إضافي ، والتدخل على الفور لمعالجة صعوبات التعلم (Baker et al. ، 2010).

·         التنبيهات الذكية: يمكن للأنظمة الذكاء الاصطناعي إنشاء تنبيهات وإشعارات بناء على معايير محددة مسبقا ، مثل عدم النشاط لفترات طويلة أو الأخطاء المتكررة أو الانحرافات عن مسارات التعلم المتوقعة. تحث هذه التنبيهات الذكية المعلمين على التدخل بشكل استباقي ، وتقديم الدعم والتوجيه في الوقت المناسب للطلاب حسب الحاجة (Baker et al. ، 2019).

تمكن هذه التقنيات المعلمين من إنشاء تجارب تقييم أكثر تخصيصا وكفاءة وفعالية للطلاب ، مما يعزز في النهاية نجاح الطلاب وإنجازهم في العصر الرقمي.

الخلاصة:

في الختام ، يمثل دمج تقنيات الذكاء الاصطناعي في كل من التقييمات التكوينية والختامية تقدما تحويليا في ممارسات التقييم التربوي. تسخر هذه التقنيات قوة التعلم الآلي ومعالجة اللغة الطبيعية وتحليلات البيانات وخوارزميات التعلم التكيفي لتوفير تجارب تقييم شخصية وفعالة وفعالة للطلاب والمعلمين. من خلال أتمتة الدرجات، وتقديم ملاحظات مخصصة، وتكييف تصميم التقييم، وتحليل تحليلات التعلم، ودعم تقييم الأقران، تقدم التقنيات القائمة على الذكاء الاصطناعي العديد من الفوائد، بما في ذلك تحسين كفاءة التقييمات وإنصافها وموثوقيتها.

علاوة على ذلك ، تسهل التقييمات التي تدعم الذكاء الاصطناعي اتخاذ القرارات القائمة على البيانات ، مما يسمح للمعلمين بتحديد فجوات التعلم ، وتتبع تقدم الطلاب ، وتخصيص التعليمات وفقا للاحتياجات الفردية. من خلال المراقبة والتدخل في الوقت الفعلي ، تمكن أنظمة الذكاء الاصطناعي المعلمين من تقديم الدعم والتوجيه في الوقت المناسب للطلاب ، مما يعزز بيئة تعليمية داعمة تفضي إلى النجاح الأكاديمي.

ومع ذلك ، فإن الاعتماد الواسع النطاق لتقنيات الذكاء الاصطناعي في التعليم يثير أيضا اعتبارات مهمة تتعلق بالخصوصية والأخلاق والإنصاف. يجب على اختصاصيي التوعية وصانعي السياسات معالجة هذه التحديات بشكل مدروس، وضمان أن التقييمات التي تقودها الذكاء الاصطناعي تدعم مبادئ العدالة والشفافية والشمولية.

وللمضي قدما، فإن التقدم المستمر لتقنيات الذكاء الاصطناعي يحمل وعدا هائلا لزيادة تعزيز ممارسات التقييم في التعليم. من خلال تبني الابتكار والتعاون والاستخدام الأخلاقي الذكاء الاصطناعي ، يمكن للمعلمين الاستفادة من هذه التقنيات القوية لتعزيز تعلم الطلاب ومشاركتهم وإنجازهم في العصر الرقمي. وبينما نتنقل في المشهد المتطور للتقييم التربوي، من الضروري تسخير إمكانات الذكاء الاصطناعي بطرق تمكن المعلمين، وتدعم المتعلمين، وتعزز أهداف التعليم للجميع.

المراجع:

Feng, M., Heffernan, N. T., & Koedinger, K. R. (2009). Addressing the assessment challenge in an intelligent tutoring system that tutors as it assesses. User Modeling and User-Adapted Interaction, 19(3), 243-266.

Devasahayam, S., & Reddy, M. (2017). Automated Essay Scoring: A Review of Systems and Applications. Computational Intelligence and Neuroscience, 2017, 1-9.

Shute, V. J., & Kim, Y. J. (2014). Formative and stealth assessment. In J. M. Spector, M. D. Merrill, J. Elen, & M. J. Bishop (Eds.), Handbook of Research on Educational Communications and Technology (pp. 311-321). Springer.

VanLehn, K. (2011). The relative effectiveness of human tutoring, intelligent tutoring systems, and other tutoring systems. Educational Psychologist, 46(4), 197-221.

Baker, R. S., D'Mello, S. K., Rodrigo, M. M., & Graesser, A. C. (2011). Better to be frustrated than bored: The incidence, persistence, and impact of learners' cognitive–affective states during interactions with three different computer-based learning environments. International Journal of Human-Computer Studies, 69(1-2), 1-20.

Papamitsiou, Z., & Economides, A. A. (2014). Learning analytics and educational data mining: towards communication and collaboration. In 4th International Conference on Learning Analytics and Knowledge (LAK '14) (pp. 252-256). ACM.

Baker, R. S., Corbett, A. T., & Koedinger, K. R. (2010). Detecting student misuse of intelligent tutoring systems. In International Conference on Artificial Intelligence in Education (pp. 531-538). Springer, Berlin, Heidelberg.

Baker, R. S., Corbett, A. T., & Koedinger, K. R. (2011). Detecting emotional and cognitive student states in intelligent tutoring systems. In Workshop Proceedings of the 15th International Conference on Artificial Intelligence in Education (pp. 47-56).

Bishop, C. M. (2019). Pattern Recognition and Machine Learning. Springer.

Williamson, B. (2019). Governing by numbers: Data infrastructures and the politics of identity. Information, Communication & Society, 22(7), 907-925.

Kobayashi, T., Kawase, R., & Hayashi, Y. (2013). Automatic scoring system for Japanese text based on syntax analysis. In International Conference on Intelligent Tutoring Systems (pp. 255-257). Springer, Berlin, Heidelberg.

Siemens, G., Gasevic, D., & Dawson, S. (2015). Preparing for the digital university: A review of the history and current state of distance, blended, and online learning. Athabasca University Press.

Means, B., Bakia, M., & Murphy, R. (2013). Learning online: What research tells us about whether, when and how. Routledge.

Blikstein, P., & Wilensky, U. (2014). An atom is known by the company it keeps: A constructionist learning environment for materials science using agent-based modeling. International Journal of Computer-Supported Collaborative Learning, 9(2), 131-162.

D'Mello, S. K., & Graesser, A. C. (2012). Dynamics of affective states during complex learning. Learning and Instruction, 22(2), 145-157.

VanLehn, K., Lynch, C., Schulze, K., Shapiro, J. A., Shelby, R., Taylor, L., ... & Treacy, D. (2005). The Andes physics tutoring system: Lessons learned. International Journal of Artificial Intelligence in Education, 15(3), 147-204.

Pellegrino, J. W., Chudowsky, N., & Glaser, R. (Eds.). (2001). Knowing what students know: The science and design of educational assessment. National Academies Press.

Cho, K. K., & MacArthur, C. D. (2010). Assessment of the validity of peer and self-assessment processes. In Handbook of Research on Educational Communications and Technology (pp. 1065-1075). Springer.

Chapelle, C. A., & Douglas, D. (2006). Assessing Language Through Computer Technology. Cambridge University Press.

Patchan, M. M., & Schunn, C. D. (2007). Exploring peer review as a strategy for increasing the depth of students' cognitive processing of scientific claims. Journal of the Learning Sciences, 16(3), 401-440.