ثورة الذكاء الاصطناعي: كيف يمكن للأدوات الذكية تحويل مهام الرياضيات ذات الطلب المنخفض؟

جاءت دراسات جديدة لتفتح آفاقًا واعدة حول قدرة أدوات الذكاء الاصطناعي (AI) في تحسين مهام الرياضيات ذات الطلب المنخفض. في السابق، ركزت الأبحاث على تصنيف جودة المهام الرياضية، لكن السؤال الذي كان يطرح نفسه هو: هل يمكن لهذه الأدوات أيضًا تعزيز جودة المهام الموجودة؟

أجريت دراسة حديثة لتقييم إمكانية أدوات الذكاء الاصطناعي في ترقية مهام الرياضيات ذات الطلب المنخفض. تم اختبار 11 أداة، بما في ذلك ست أدوات شاملة ومتاحة للجميع مثل ChatGPT وClaude، وخمس أدوات مخصصة لمعلمي الرياضيات مثل Khanmigo وcoteach.ai.

استخدمت الدراسة إطار عمل تحليل المهام من تأليف Stein وSmith في عام 1998، حيث تم دفع الأدوات الذكية لتغيير نوعين مختلفين من المهام الرياضية ذات الطلب المنخفض. كانت استراتيجية التوجيه تهدف إلى تمثيل الأساليب المحتملة التي يستخدمها المعلمون المعرفون، بدلاً من إجراء تحسينات شاملة للعثور على توجيه أكثر فاعلية.

النتائج جاءت متوسطة، حيث نجحت الأدوات في تنفيذ التعديلات بدقة 64% في المتوسط. تباين أداء الأدوات بشكل ملحوظ، حيث تراوحت نسبة النجاح من 33% إلى 88%. كما أظهرت الأدوات المتخصصة أداءً متقدماً بشكل طفيف مقارنة بالأدوات العامة.

أحد الجوانب المثيرة للاهتمام في الدراسة هو العلاقة السلبية الضعيفة بين قدرة الأداة على تصنيف مستوى الطلب المعرفي للمهام وقدرتها على ترقيتها، مما يشير إلى أن هذه القدرات تمثل قدرات مختلفة.

تشير هذه النتائج إلى أهمية فهم دور الذكاء الاصطناعي في تعديل المناهج الدراسية وتبرز الحاجة إلى مناهج متخصصة لدعم المعلمين في تعديل المواد التعليمية.