نهج التعلم العميق لذكاء اصطناعي واعٍ عاطفيًا لتحسين نتائج التعلم

لماذا تهم المشاعر في التعلم

أي شخص حاول الدراسة وهو متوتر أو يشعر بالملل يعرف أن المشاعر يمكن أن تصنع الفارق في التعلم. ومع ذلك لا تزال معظم البرمجيات التعليمية تعامل الطلاب كعقول مجردة، فتتكيف فقط مع الإجابات الصحيحة أو الخاطئة. تستكشف هذه الورقة نوعًا جديدًا من المدرّس الاصطناعي الواعي عاطفيًا — قادر على استشعار حالة المتعلم من وجهه وصوته وكلماته، واستخدام هذه الرؤية للحفاظ على تحفيزه ودعمه ومواكبته لمسار التعلم.

من نتائج الاختبارات إلى المشاعر الحقيقية

تركز أنظمة الذكاء الاصطناعي التعليمية التقليدية في الغالب على البيانات المعرفية: عدد الأسئلة التي يجيبها الطالب بشكل صحيح، سرعة استجابته، أو الموضوعات التي يخطئ فيها. لكن البحوث تظهر أن الفضول والإحباط والقلق والارتياح تشكل اهتمامًا وذاكرةً ومثابرة بشكل قوي. تجاهل هذه المشاعر يمكن أن يؤدي إلى أن يزيد النظام مستوى الصعوبة تمامًا عندما يكون الطالب على وشك الاستسلام، أو يقدم تشجيعًا مبالغًا فيه حين يكون المتعلم في حقيقة الأمر محتارًا. يجادل المؤلفون بأن برامج التدريس الفعالة يجب أن تقرأ وتستجيب لما يعرفه الطلاب ولما يشعرون به.

تعليم الحاسوب قراءة الوجوه والأصوات والكلمات

لبناء مدرس واعٍ عاطفيًا، جمع الباحثون بين ثلاثة مصادر للمعلومات. أولاً، استخدموا مجموعة صور كبيرة لوجوه الأشخاص معنونة بمشاعر، لتدريب نموذج بصري على رصد إشارات مثل الابتسامات والعبوس ورفع الحواجب. ثانيًا، اعتمدوا على قاعدة بيانات صوتية لمحادثات ممثّلة معنونة بمشاعر مثل الغضب والفرح وخيبة الأمل، مما أتاح لنموذج الصوت التقاط دلائل في النبرة والطبقة وسرعة الكلام. ثالثًا، درّبوا نموذجًا لغويًا على نصوص منقولَة حتى يمكنه استشعار ما إذا كانت التعليقات أو الإجابات المكتوبة تبدو واثقة أو محبطة أو محايدة. كل مكوّن من هذه المكوّنات يحوّل المشاهدات أو الأصوات أو الكلمات الخام إلى «بصمة عاطفية» مركزة.

كيف يدمج النظام الإشارات ليكوّن مزاجًا واحدًا

إدراكًا لأن قناة واحدة لا تحكي القصة كاملة، استخدم الفريق طريقة تعلم عميق قائمة على الرسوم البيانية لدمج البصمات الثلاث. ببساطة، يعامل النظام كل نمط — وجه، صوت، ونص — كعقدة متصلة في شبكة. أثناء التدريب، يتعلم الشبكة كيف ترتبط هذه الأجزاء عادة: على سبيل المثال، ما إذا كانت النبرة المتوترة تظهر غالبًا مع تعبير وجهي جاد، أو إذا كان اللغة المرحة قد تعوّض مظهرًا متعبًا. بتمرير رسائل عبر هذه الاتصالات، يصل النموذج إلى تخمين مشترك عن الحالة العاطفية للطالب، حتى عندما تكون إحدى المصادر صاخبة أو مفقودة. ثم تقود هذه التقديرات المدمجة استجابات المدرّس، مثل إبطاء الوتيرة أو تقديم تلميحات أو إضافة تشجيع.

هل يساعد الذكاء الاصطناعي الواعي عاطفيًا الطلاب فعلاً؟

قيّم الباحثون نظامهم على مجموعات بيانات عاطفية معيارية وقارنوه مع نماذج تقليدية استخدمت الصور فقط أو الصوت فقط أو طرقًا بسيطة لدمجهما. عبر مشاعر مثل السعادة والحزن والغضب والمحايد، كان الإطار الجديد أكثر دقة وأكثر توازنًا — خصوصًا للمزاجات الإيجابية والمحايدة التي لها أثر على الاستمرارية في الدراسة. في دراسات المستخدمين التي حاكت جلسات تعلم، أفاد الطلاب أن النظام الواعي عاطفيًا بدا أكثر دعمًا واستجابة. دعمت النتائج القابلة للقياس هذا القول: ظل المتعلمون منخرطين لفترة أطول، وتنظموا المشاعر السلبية بشكل أفضل، وأكملوا مهامًا أكثر مقارنة بمن استخدموا أدوات ذكاء اصطناعي تركز فقط على الجانب المعرفي.

الوعود والمخاطر وما القادم

نظرًا لأن البيانات العاطفية حساسة، يخصص المؤلفون اهتمامًا كبيرًا للأخلاقيات. يؤكدون على ضرورة الحصول على موافقة مستنيرة، وحماية صارمة للخصوصية، وإجراءات للوقاية من التحيز عبر الثقافات والفئات العمرية. يتصورون في المستقبل أنظمة صفية قادرة على استشعار مشاعر دقيقة، والعمل في الزمن الفعلي، والاندماج في أدوات مثل المدرّسين الأذكياء أو دروس الواقع الافتراضي. للمختصين غير المتخصصين، الخلاصة بسيطة: بالانتباه ليس فقط إلى الإجابات بل أيضًا إلى التعابير والنبرة والصياغة، يمكن لمدرّسي الذكاء الاصطناعي أن يتصرفوا أقل كآلات تقييم وأكثر كمعلمين بشريين مدروسين — مما يساعد الطلاب على التعلم بشكل أفضل بفهم كيف يشعرون أثناء التعلم.

الاستشهاد: Wu, X., Lee, T., Lilhore, U.K. et al. A deep learning approach to emotionally intelligent AI for improved learning outcomes. Sci Rep 16, 7431 (2026). https://doi.org/10.1038/s41598-026-37750-1

الكلمات المفتاحية: التعلّم الواعي بالعاطفة, أنظمة التدريس بالذكاء الاصطناعي, تفاعل الطلاب, التعرّف العاطفي متعدد الوسائط, تكنولوجيا التعليم