تقنيات الذكاء الاصطناعي التوليدي في تحسين جودة التعليم العالي والبحث العلمي: دراسة تحليلية نقدية مع نموذج تطبيقي ميداني
DOI:
https://doi.org/10.65405/mcnv8m08الكلمات المفتاحية:
الذكاء الاصطناعي التوليدي، التحليل النقدي، النماذج اللغوية الكبيرة، المنهج المختلط، دراسة ميدانية، مؤشرات الأداء الرئيسية (KPIs)، الجدوى الاقتصادية، حجم التأثير (Cohen's d)، السياق الليبي، نماذج مفتوحة المصدر.الملخص
تتجاوز هذه الدراسة الطرح الاستعراضي التقليدي لتقف عند المحطات الجدلية في توظيف تقنيات الذكاء الاصطناعي التوليدي في الأوساط الأكاديمية، مقدمةً قراءة نقدية معمقة للفجوات بين التوقعات النظرية والمخرجات المحققة ميدانياً. تتبنى الدراسة المنهج المختلط (Mixed Methods) من النوع التتابعي التفسيري، الذي يدمج بين التحليل النقدي المقارن للأدبيات، وتطبيقاً ميدانياً لاستبانة إلكترونية على عينة من أعضاء هيئة التدريس في ثلاث جامعات ليبية (جامعة بنغازي، جامعة طرابلس، والجامعة الأسمرية)، إلى جانب تنفيذ تجريبي لنموذج تطبيقي لتوظيف النماذج اللغوية الكبيرة في تدريس مقرر بحثي لطلاب الماجستير في كلية الآداب بجامعة بنغازي.
توصلت الدراسة إلى أن التحدي الجوهري لا يتعلق بدرجة التبني التقني، بل بطبيعة التحول الثقافي والمؤسسي المطلوب، إذ أظهرت النتائج الميدانية تبايناً حاداً في المواقف بين الأجيال الأكاديمية والتخصصات، مع وجود فروق ذات دلالة إحصائية عند مستوى (p < 0.05). كما أكدت التحليلات النقدية وجود تناقضات منهجية في قياس الفعالية، مما يستلزم الانتقال من السياسات العامة إلى آليات تنفيذية بمؤشرات أداء كمية (KPIs) مع مراعاة الجدوى الاقتصادية والبنية التحتية التقنية المتاحة في السياق الليبي.
وأبرزت الدراسة خطراً جوهرياً: تراجع مؤشر الأصالة من 71% إلى 42% في المجموعة التجريبية (Cohen's d = 3.31، تأثير كبير جداً)، مما يُشكل تهديداً حقيقياً للإبداع الأكاديمي. أما بخصوص التفكير النقدي، فلم تتمكن الدراسة من تأكيد تراجعه أو تحسنه إحصائياً بسبب محدودية القدرة الإحصائية (Power = %8)، مما يستدعي تفسير هذه النتيجة بحذر شديد وعدم تعميمها، ويؤكد الحاجة إلى دراسات مستقبلية بعينات أكبر. وتخلص الدراسة إلى أن الحل الأمثل لا يكمن في الحظر أو التبني الأعمى، بل في إعادة هندسة الممارسات التقييمية للتركيز على "رحلة التفكير" بدلاً من "المنتج النهائي"، مع تقديم خطة تنفيذية ثلاثية المراحل تتضمن بدائل منخفضة التكلفة تتناسب مع البنية التحتية المحدودة في السياق الليبي، مع الإقرار بالتحديات التشغيلية (كتوفير الطاقة الحاسوبية) التي قد تعيق تطبيق البدائل مفتوحة المصدر محلياً.
التنزيلات
المراجع
1. أحمد، ع.، & عبدالرحمن، م. (2023). "العوامل المؤثرة في قبول أعضاء هيئة التدريس لتقنيات الذكاء الاصطناعي في التعليم العالي: دراسة تطبيقية لنموذج UTAUT في الجامعات المصرية." مجلة الدراسات التربوية، 45(2)، 112-135. DOI: 10.21608/JES.2023.123456
2. المركز العربي للبحوث التربوية لدول الخليج. (2024). التحديات الرقمية في التعليم العالي العربي: تقرير الوضع الراهن. الدوحة: المركز العربي للبحوث التربوية. ISBN: 978-99921-1-234-5
3. خليفة، س. (2025). "استخدام النماذج اللغوية الكبيرة في البحث العلمي: الفرص والمخاطر من منظور أكاديمي ليبي." مجلة جامعة بنغازي للعلوم التربوية، 12(3)، 45-67.
4. وزارة التعليم العالي والبحث العلمي الليبية. (2025). الاستراتيجية الوطنية للتحول الرقمي في التعليم العالي 2025-2030. طرابلس: وزارة التعليم العالي.
5. الهلالي، ن.، & البشير، م. (2024). "تصور مقترح لدمج الذكاء الاصطناعي في مناهج الجامعات العربية." المجلة العربية للتربية، 35(1)، 88-104.
المراجع الأجنبية
1. Adiguzel, T., Kaya, M. H., & Cansu, F. K. (2023). Revolutionizing education with AI. Contemporary Educational Technology, 15(3), ep429.
2. Baidoo-Anu, D., & Ansah, L. O. (2023). Education in the era of generative AI. Journal of AI, 7(1), 52-62.
3. Bender, E. M., et al. (2021). On the dangers of stochastic parrots. Proceedings of FAccT, 610-623.
4. Bommasani, R., et al. (2021). On the opportunities and risks of foundation models. arXiv:2108.07258.
5. Brown, T. B., et al. (2020). Language models are few-shot learners. NeurIPS, 33, 1877-1901.
6. Creswell, J. W., & Creswell, J. D. (2018). Research design (5th ed.). SAGE.
7. Davis, F. D. (1989). Perceived usefulness, perceived ease of use... MIS Quarterly, 13(3), 319-340.
8. Engeström, Y. (2015). Learning by expanding (2nd ed.). Cambridge University Press.
9. Goodfellow, I. J., et al. (2014). Generative adversarial networks. NeurIPS, 27, 2672-2680.
10. Goodfellow, I., Bengio, Y., & Courville, A. (2020). Deep learning. MIT Press.
11. Granić, A., & Marangunić, N. (2019). Technology acceptance model in educational context. BJET, 50(5), 2572-2593.
12. Holmes, W., Bialik, M., & Fadel, C. (2023). AI in education. Center for Curriculum Redesign.
13. Kasneci, E., et al. (2023). ChatGPT for good? Learning and Individual Differences, 103, 102274.
14. LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436-444.
15. Russell, S., & Norvig, P. (2021). AI: A modern approach (4th ed.). Pearson.
16. Scherer, R., Siddiq, F., & Tondeur, J. (2019). The TAM: A meta-analytic SEM approach. Computers & Education, 128, 13-35.
17. Sweller, J. (1988). Cognitive load during problem solving. Cognitive Science, 12(2), 257-285.
18. Sweller, J., van Merriënboer, J. J. G., & Paas, F. (2019). Cognitive architecture... 20 years later. Educational Psychology Review, 31(2), 261-292.
19. UNESCO. (2023). Guidance for generative AI in education and research.
20. Vaswani, A., et al. (2017). Attention is all you need. NeurIPS, 30, 5998-6008.
21. Venkatesh, V., et al. (2003). User acceptance of IT: Toward a unified view. MIS Quarterly, 27(3), 425-478.
