تأثير الذكاء الاصطناعي على تعليم اللغة اليابانية: نموذج هجين لاكتشاف سلوك الطلاب

لماذا تهم الفصول الدراسية الأذكى

في العديد من دروس اللغات، وبشكل خاص اليابانية، يجد المدرسون صعوبة في معرفة حالة كل طالب فعلاً. هل يستمعون، أم مرتبكون، أم يشعرون بالملل، أم متحمسون للمشاركة؟ في الفصول الكبيرة أو المجهزة بتقنية عالية، يكاد يكون من المستحيل على مدرس واحد متابعة كل وجه وإيماءة. تقدم هذه الدراسة نظام ذكاء اصطناعي يراقب فيديو الفصل ويعرف تلقائياً سلوكيات الطلاب الرئيسية، بهدف مساعدة المدرسين على الاستجابة بشكل أسرع وتحسين التعلم.

من منظور الكاميرا إلى دلائل التعلم

بنى الباحثون «مراقباً» آلياً يحلل الصور والفيديوهات الملتقطة بواسطة كاميرات وُضعت على جانبي الفصل. بدلاً من الاعتماد على حكم المدرس اللحظي، يمسح النظام الغرفة بشكل مستمر لالتقاط أنماط مثل الطلاب الذين يكتبون، أو يستمعون، أو يرفعون أيديهم، أو ينامون، أو يجيبون عن الأسئلة. من خلال تحويل هذه الأفعال اليومية إلى بيانات، يمكن للنظام توفير صورة موضوعية لمقدار التفاعل داخل الفصل في أي لحظة، وهو ما يكون ذا قيمة خاصة في بيئات لاسلكية أو متصلة عبر الإنترنت حيث تُدار العديد من الفصول بالتوازي وتكون قدرة الانتباه البشري محدودة.

تعليم الحاسوب كيفية قراءة حالة الفصل

لفهم مشاهد الفصل المعقدة، جمع الفريق عدة تقنيات متقدمة في الذكاء الاصطناعي. أولاً، استخدموا نموذج تعلّم عميق يُدعى AlexNet لمعالجة كل صورة. يتفوق AlexNet في التعرف على الأنماط البصرية؛ هنا يتعلّم استخراج تفاصيل مهمة من مشاهد الفصل المزدحمة وذات الدقة المنخفضة، مثل وضعية الجسد، ومكان الذراعين، واتجاه نظر الطلاب. ثم تُمرّر هذه الميزات البصرية إلى نموذج آخر يُدعى آلة التعلم المتطرف (Extreme Learning Machine)، الذي يعمل كصانع قرار سريع، ويصنّف كل لقطة لطالب ضمن واحدة من عدة فئات سلوكية. يساعد هذا التصميم في مواجهة تحديات عملية مثل ظهور الطلاب على مسافات مختلفة، أو حجبهم جزئياً من قِبل آخرين، أو اختلاف ظروف الإضاءة.

الاستفادة من حيل الأسماك الكهربائية

تكمن صعوبة رئيسية في بناء أنظمة ذكاء اصطناعي دقيقة في ضبط العديد من الإعدادات الداخلية أو المعاملات، حتى لا يتجاوز النموذج حدود التعميم عند التدريب على مجموعة بيانات صغيرة أو يفوّت دلائل دقيقة. للتعامل مع ذلك، صمّم المؤلفون طريقة تحسين جديدة مستوحاة من كيفية بحث الأسماك الكهربائية عن الطعام في مياه عكرة. في الطبيعة، تصدر هذه الأسماك إشارات كهربائية وتستشعر الصدى للتنقّل والصيد. يقلّد الخوارزم هذا السلوك بمعاملة كل مجموعة ممكنة من إعدادات المعاملات كـ «سمكة» تستكشف مشهداً من الحلول. يوازن الخوارزم بشكل تكيفي بين الضبط المحلي الدقيق والاستكشاف الواسع، ويقسّم السكان أحياناً إلى مجموعات فرعية تستكشف مناطق واعدة مختلفة. تضبط هذهْ خوارزمية تحسين الأسماك الكهربائية المتقدمة عمل المصنّف السلوكي من الداخل بشكل منهجي لإيجاد إعدادات دقيقة جداً دون الوقوع في حلول ضعيفة.

وضع النظام تحت الاختبار

قيّم الفريق إطار عملهم باستخدام مجموعة بيانات فصل حقيقي تحتوي على 282 صورة ومقطع فيديو مصدر و1,456 عينة اختبار. قارنوا نموذجهم المدمج AlexNet–Extreme Learning Machine–تحسين الأسماك الكهربائية مع شبكات عصبية أكثر تقليدية ومع طرق تحسين سابقة. في المجمل، قدم النظام الجديد أفضل أداء، محققاً دقة تقارب 96.5%، ودقة (precision) 94.8%، واستدعاء (recall) 98.2% عند تمييز سلوكيات مثل الكتابة، والاستماع، ورفع اليد، والنوم، والإجابة عن الأسئلة. أظهرت مصفوفات الالتباس التفصيلية ومنحنيات ROC أن الأخطاء كانت نادرة سواء في الأفعال ذات التفاعل العالي، مثل رفع اليد، أو حالات الانفصال عن التفاعل، مثل النوم، مما يدل على موثوقية قوية في ظروف صفية واقعية.

ما الذي قد يعنيه هذا للدروس المستقبلية

بالنسبة لغير المتخصصين، الخلاصة هي أنه أصبح من الناحية التقنية ممكناً للذكاء الاصطناعي أن «يقرأ حالة الفصل» أثناء دروس اللغة، ليس بتحليل ما يقوله الطلاب، بل بمراقبة سلوكهم بهدوء. ومع أن الدراسة الحالية تعتمد على مجموعة بيانات متوسطة الحجم وتركز حتى الآن على الصور الثابتة بدلاً من تدفقات الفيديو الكاملة، إلا أنها تُظهر أن تصميمات الذكاء الاصطناعي المدروسة جيداً يمكن أن توفر للمدرسين لوحة معلومات زمنية لمستوى التفاعل في الفصل. في المستقبل، قد تدعم مثل هذه الأنظمة تعليماً أكثر تخصيصاً: تمييز الطلاب الضائعين أو المنسحبين، وقياس تأثير أنشطة جديدة، وتحرير المدرّسين للتركيز أقل على مراقبة كل مقعد والمزيد على توجيه التعلم.

الاستشهاد: Li, Y., Zou, H., Xu, J. et al. The impact of AI on Japanese language education: a hybrid model for student behavior detection. Sci Rep 16, 11140 (2026). https://doi.org/10.1038/s41598-026-40262-7

الكلمات المفتاحية: كشف سلوكيات الفصل, تعليم اللغة اليابانية, التعلّم العميق في التعليم, تحليلات تفاعل الطلاب, أنظمة التدريس الذكية