مراجعة تقرير: A Review of Artificial Intelligence (AI) in Education from 2010 to 2020

مراجعة : د. مصطفى جودت صالح

غالبا ما يؤرخ لبحوث الذكاء الاصطناعي (AI) في التعليم بفترة ما بعد الجائحة ، أو بعد 2020 ، بينما يعد العقد السابق لهذه الفترة التمهيد والجهود البناءة للوصول للثورة التكنولوجية الخاصة بالذكاء الاصطناعي التوليدي GAI وتطبيقاته المختلفة وهي الفترة التي تتناولها الدراسة الحالية.

https://onlinelibrary.wiley.com/doi/epdf/10.1155/2021/8812542

الدراسة الحالية من نوع دراسات الدراسات أو الدراسات المبنية على الدراسات مثل دراسات تحليل المحتوى والتحليل البعدي والدراسات الببليومترية ، وقد هدفت هذه الدراسة إلى تقديم تحليل محتوى شامل للأبحاث المنشورة خلال الفترة من 2010 إلى 2020 حول استخدام الذكاء الاصطناعي (AI) في التعليم، مع استعراض كيفية تطبيقه، وتصنيف مجالاته البحثية، وإلقاء الضوء على الاتجاهات والتحديات المستقبلية.
أما فريق البحث فضمّ عدداً من الباحثين من جامعات مختلفة، منهم: Xuesong Zhai وXiaoyan Chu من جامعة Zhejiang في الصين، وChing Sing Chai وMorris Siu Yung Jong من الجامعة الصينية في هونغ كونغ، فضلاً عن باحثين آخرين مثل Andreja Istenic وMichael Spector وغيرهم.
وقد استلموا الورقة بتاريخ 27 أغسطس 2020، وقُبلت في 2 أبريل 2021، ونُشرت بتاريخ 20 أبريل 2021.

المنهجية المتبعة
اعتمد الباحثون منهج تحليل المحتوى (content analysis) لاختيار وتحليل ما مجموعه 100 ورقة بحثية من قاعدة بيانات Web of Science/ Social Sciences Citation Index (SSCI)، تنقسم إلى 63 ورقة تجريبية (تمثّل 74 دراسة) و37 ورقة تحليلية نظرية أو مراجعة.
ثم صنّفوا هذه الدراسات إلى ثلاث مستويات بحثية ( أطلق عليها البحث مسمى طبقات) :

• مستوى التطوير (development layer): تشمل الأبحاث التي تتعامل مع بناء أو تحسين نماذج الذكاء الاصطناعي مثل التصنيف (classification)، والمطابقة (matching)، والتوصية (recommendation)، والتَّعلّم العميق (deep learning).
• مستوى التطبيق (application layer): الأبحاث التي تطبق نماذج الذكاء الاصطناعي في التعليم مثل التغذية الراجعة (feedback)، والتفكير/الاستدلال (reasoning)، والتعلّم التكيّفي (adaptive learning).
• مستوى الدمج (integration layer): الأبحاث التي تدمج الذكاء الاصطناعي في بيئات تعليمية غامرة أو تفاعلية، مثل الحوسبة العاطفية (affective computing)، اللعب التمثيلي (role-playing)، التعلّم الغامر (immersive learning)، والتلعيب (gamification).
  كما استعرضوا أيضاً توزيع البحوث من حيث المستوى التعليمي، الموضوعات، المنهجيات، وأنماط النشر، لكن تركّز المقال على التصنيف البنائي والدلالي لهذه البحوث.

أهم النتائج
من بين أبرز النتائج التي توصل إليها الباحثون:

• تزايد واضح في عدد الأبحاث التي تتناول الذكاء الاصطناعي في التعليم خلال العقد المنتهي بـ2020، مع ذروة في السنوات الأخيرة.
• لقد هيمنت المنهجيات الكمية على الأبحاث التجريبية، بينما كانت المنهجيات النوعية أقل انتشاراً.
• تمّ تحديد أربعة اتجاهات بحثية واعدة لمزيد من الدراسة: إنترنت الأشياء (IoT)، الذكاء الجماعي (swarm intelligence)، التعلّم العميق (deep learning)، وعلوم الأعصاب (neuroscience) — بالإضافة إلى تقييم فعالية الذكاء الاصطناعي في التعليم.
• أما التحديات التي أبرزها الباحثون فشملت: الاستخدام غير المناسب لتقنيات الذكاء الاصطناعي، تغيّر أدوار المعلمين والطلاب، والمسائل الاجتماعية والأخلاقية المرتبطة بالتبني الواسع لـAI في التعليم.
• ومن الناحية البُنية، أظهر التقسيم الثلاثي (التطوير – التطبيق – الدمج) فهماً منظماً لمجالات البحث، مما يوفر إطاراً مفيداً للباحثين والمعلمين والمهندسين لتحديد موقعهم البحثي والتعاقد مع التحديات والفرص المستقبلية.

جوانب القوة في الدراسة

1. شمولية المراجعة وطول المدى الزمني

• تغطي الدراسة فترة عشر سنوات (2010–2020) وهي من أوسع المراجعات الزمنية في مجال الذكاء الاصطناعي في التعليم.
• شملت 100 ورقة من قواعد بيانات محكّمة (SSCI/Web of Science)، مما يمنح النتائج مصداقية واتساعًا في التمثيل.

2. الإطار التصنيفي الثلاثي المبتكر (التطوير – التطبيق – الدمج)

• يُعدّ هذا الإطار من الإسهامات المفاهيمية القوية للدراسة، لأنه يقدّم طريقة منظمة لتصنيف بحوث الذكاء الاصطناعي حسب طبيعتها وعمقها في البيئة التعليمية.
• هذا النموذج ساعد على فهم العلاقة بين الأبحاث التقنية البحتة (AI Models) والأبحاث التربوية التطبيقية.

3. تحليل كمي ونوعي متوازن

استخدم الباحثون تحليلًا إحصائيًا لتوزيع البحوث، إلى جانب تحليل نوعي لموضوعاتها واتجاهاتها، مما أعطى رؤية متكاملة تجمع بين الكمّ والكيف.

4. تحديد اتجاهات مستقبلية دقيقة

من أبرز إسهاماتها تحديد مجالات بحث ناشئة مثل إنترنت الأشياء، والتعلّم العميق، والذكاء الجماعي، والربط مع علوم الأعصاب، وهي مجالات فعلاً أصبحت محورًا لبحوث لاحقة بعد 2021.

5. تعدد تخصصات الفريق البحثي

ضمّ الفريق باحثين من مجالات التعليم، الحوسبة، وعلوم البيانات، ما أضفى على الدراسة طابعًا بينيًا (interdisciplinary) قويًا وعمقًا في التحليل.

6. وضوح المنهجية ومصداقية الاختيار

التوضيح المفصّل لمعايير إدراج واستبعاد الدراسات يعزز موثوقية النتائج ويقلّل من التحيّز المنهجي.

نقاط بحاجة إلى تحسين

1. الاعتماد الكبير على قاعدة بيانات واحدة (Web of Science) : : لم تشمل الدراسة مصادر أخرى مثل Scopus أو ERIC، ما قد يجعلها تفوّت بعض البحوث المهمة المنشورة في مجلات غير مدرجة ضمن SSCI.
2. غياب التحليل الإقليمي أو السياقي : لم تفرّق الدراسة بين توجهات الأبحاث في مناطق مختلفة (آسيا، أوروبا، الشرق الأوسط…)، رغم أن تطبيقات الذكاء الاصطناعي في التعليم تتأثر بالسياقات الثقافية والتكنولوجية.
3. قلة التركيز على مخرجات التعلم (learning outcomes) : ركّز التحليل على التصنيف والتقنيات أكثر من قياس تأثير الذكاء الاصطناعي على تعلم الطلاب أو تحصيلهم، وهو جانب مهم لتقييم الجدوى التربوية، وربما كان السبب أن الدراسة أعتمدت فقط تحليل المحتوى دون ربطه بنتائج التحليل البعدي للدراسات.
4. غياب معيار الجودة: عدم تحديد جودة البحوث المحللة وفقا لقياسات الجودة البحثية (research quality metrics)
5. غياب التوصيات : لم تقدم الدراسة توصيات واضحة للتربويين بناء على تحليل محتوى الدراسات ونتائجها

كلمة أخيرة
باختصار، تقدم هذه الدراسة نظرة شاملة ومرجعية إلى بحوث الذكاء الاصطناعي في التعليم خلال فترة العشر سنوات السابقة للجائحة، وتُعدّ مرجعاً قيّماً لمن يسعى لفهم كيفية توظيف AI في التعليم، وما هي المجالات الواعدة والتحديات التي ينبغي مواجهتها. ومن أبرز توصياتها أنه ينبغي تعزيز التعاون بين الباحثين في التعليم ومهندسي الذكاء الاصطناعي، وإيلاء الاعتبار الجاد للجوانب الأخلاقية والاجتماعية في تصميم وتطبيق حلول الذكاء الاصطناعي في البيئات التعليمية.

وتتميّز الدراسة الحالية بشموليتها الزمنية والمنهجية، إذ راجعت مئة ورقة علمية من قاعدة Web of Science ضمن إطار تصنيفي ثلاثي مبتكر (التطوير، التطبيق، الدمج) مكّن من فهم تطور المجال من الأبحاث التقنية إلى التطبيقات التربوية. امتازت الدراسة بتوازنها بين التحليل الكمي والنوعي، وتعدّد تخصصات فريقها البحثي، ووضوح معايير الاختيار، كما قدّمت خريطة دقيقة لاتجاهات المستقبل مثل التعلم العميق وإنترنت الأشياء والتعليم الذكي، ما جعلها مرجعًا أساسياً لتطور الذكاء الاصطناعي التربوي خلال العقد الماضي.

ومع ذلك، قد يلاحظ القارئ للعمل بعض جوانب القصور، منها الاقتصار على مصدر واحد (Web of Science) دون دمج قواعد بيانات أخرى، وغياب التحليل الإقليمي أو الثقافي لتوزيع الأبحاث، وقلة التركيز على أثر الذكاء الاصطناعي في تحسين نواتج التعلم. كما أن تناولها للجوانب الأخلاقية والاجتماعية كان سطحيًا نسبيًا، ولم تتضمن توصيات عملية مباشرة للمربين أو مصممي المناهج. ورغم هذه المحددات، تبقى الدراسة قوية في إطارها النظري ومنهجيتها التحليلية، وتشكل أساسًا متينًا لبحوث مستقبلية أكثرتخصيصا.