جدول المحتويات
1. المقدمة
ChatGPT، وهو روبوت محادثة ذكي من الجيل التالي يعتمد على الذكاء الاصطناعي التوليدي، حظي بشعبية هائلة لقدرته على تحويل التعليم، لا سيما في مجال الكتابة باللغة الإنجليزية كلغة أجنبية. ومع ذلك، يتطلب التعاون الفعال مع ChatGPT من الطلاب إتقان هندسة الأوامر - وهي مهارة صياغة تعليمات دقيقة للحصول على المخرجات المرجوة. تبحث هذه الورقة في محتوى وأنماط أوامر طلاب اللغة الإنجليزية كلغة أجنبية في المرحلة الثانوية عند إكمال مهمة كتابة باستخدام ChatGPT لأول مرة. من خلال دراسة حالة لأربعة مسارات متميزة، يوضح المؤلفون عمليات التجربة والخطأ التي يمر بها الطلاب ويسلطون الضوء على الحاجة إلى تعليم صريح لهندسة الأوامر في فصول اللغة الإنجليزية كلغة أجنبية.
2. مراجعة الأدبيات
2.1 هندسة الأوامر في التعليم
هندسة الأوامر هي مهارة أساسية في محو الأمية المتعلقة بالذكاء الاصطناعي (Long & Magerko, 2020). غالبًا ما يواجه المستخدمون غير التقنيين صعوبة في صياغة أوامر فعالة، مما يؤدي إلى دورات من التجربة والخطأ. تظهر الأبحاث أن التوجيه المنظم يمكن أن يحسن جودة الأوامر وأهمية المخرجات (Zamfirescu-Pereira et al., 2023).
2.2 الكتابة باللغة الإنجليزية كلغة أجنبية باستخدام روبوتات المحادثة
يمكن لروبوتات المحادثة مثل ChatGPT دعم الكتابة باللغة الإنجليزية كلغة أجنبية من خلال توفير التغذية الراجعة في الوقت الفعلي، وتوليد الأفكار، ونمذجة الهياكل اللغوية. ومع ذلك، يجب على الطلاب تعلم تحسين الأوامر بشكل متكرر لتتوافق مع أهداف المهمة (Guo et al., 2023).
3. المنهجية
3.1 المشاركون والإعداد
كان المشاركون 20 طالبًا من طلاب المرحلة الثانوية في هونغ كونغ يدرسون اللغة الإنجليزية كلغة أجنبية، تتراوح أعمارهم بين 14 و16 عامًا، بمستوى متوسط في اللغة الإنجليزية. استخدموا ChatGPT على أجهزة iPad لأول مرة لإكمال مقال جدلي من 300 كلمة.
3.2 جمع البيانات
تم جمع البيانات عبر تسجيلات شاشة iPad، والتي التقطت جميع الأوامر وردود ChatGPT. أجرى الباحثون أيضًا مقابلات بعد المهمة لفهم منطق الطلاب.
3.3 الإطار التحليلي
استخدم التحليل منهج النظرية المجذرة لتصنيف الأوامر حسب المحتوى (مثل التعليمات، السياق، التنسيق) والكمية (عدد الأوامر لكل مهمة). ظهرت أربعة مسارات متميزة من البيانات.
4. النتائج: أربعة مسارات لهندسة الأوامر
4.1 المسار أ: التكرار البسيط
استخدم الطلاب 2-3 أوامر قصيرة (مثل "اكتب مقالًا عن التلوث"). نادرًا ما قاموا بمراجعة الأوامر بناءً على مخرجات ChatGPT، مما أدى إلى ردود عامة. يعكس هذا المسار مشاركة منخفضة في هندسة الأوامر.
4.2 المسار ب: التحسين المدعوم
بدأ الطلاب بأمر واسع، ثم أضافوا قيودًا محددة (مثل "تضمن ثلاث حجج وحجة مضادة"). استخدموا 4-6 أوامر، مما أظهر تحسنًا تدريجيًا في جودة المخرجات.
4.3 المسار ج: الاستكشاف المتباعد
جرب الطلاب أنماط أوامر مختلفة (مثل لعب الأدوار، تغييرات التنسيق). استخدموا 7-10 أوامر لكنهم افتقروا إلى استراتيجية واضحة، مما أدى إلى مخرجات غير متسقة.
4.4 المسار د: التحليل الاستراتيجي
قام الطلاب بتقسيم المهمة إلى مهام فرعية (مثل "قم بإنشاء مخطط تفصيلي أولاً، ثم اكتب المقدمة"). استخدموا 8-12 أمرًا بدرجة عالية من التحديد، محققين المقالات الأكثر تماسكًا وملاءمة.
5. المناقشة
5.1 الرؤية الأساسية
تكشف الدراسة أن هندسة الأوامر لدى طلاب اللغة الإنجليزية كلغة أجنبية متغيرة بشكل كبير. يحقق التحليل الاستراتيجي (المسار د) أفضل النتائج، لكن معظم الطلاب يلجأون إلى الأساليب البسيطة أو المتباعدة. وهذا يؤكد وجود فجوة حرجة في تعليم محو الأمية المتعلقة بالذكاء الاصطناعي.
5.2 التدفق المنطقي
يظهر التقدم من المسار أ إلى د ارتباطًا واضحًا بين تعقيد الأمر وجودة المخرجات. ومع ذلك، فإن عدم وجود تعليمات صريحة يعني أن الطلاب نادرًا ما يصلون إلى المسار د دون توجيه.
5.3 نقاط القوة والضعف
نقاط القوة: توفر الدراسة بيانات نوعية غنية من بيئات الفصول الدراسية الحقيقية، مما يقدم رؤى حقيقية حول سلوك الطلاب. نقاط الضعف: حجم العينة الصغير (20 طالبًا) يحد من قابلية التعميم. كما أن الدراسة لا تتحكم في التعرض المسبق للذكاء الاصطناعي.
5.4 رؤى قابلة للتنفيذ
يجب على المعلمين دمج هندسة الأوامر في مناهج اللغة الإنجليزية كلغة أجنبية، وتعليم الطلاب كيفية تحليل المهام، واستخدام قيود محددة، وتحسين الأوامر بشكل تدريجي. يجب على المدارس توفير دعم منظم، مثل قوالب الأوامر ومراجعة الأقران للأوامر.
6. التحليل الأصلي
تقدم هذه الدراسة مساهمة في الوقت المناسب من خلال رسم خرائط تجريبية لكيفية تفاعل المستخدمين المبتدئين للغة الإنجليزية كلغة أجنبية مع ChatGPT. تعكس المسارات الأربعة نتائج أبحاث التفاعل بين الإنسان والحاسوب، حيث يقع المستخدمون غالبًا في سلوكيات "الاكتفاء" (Simon, 1956) - قبول أول مخرج مقبول بدلاً من تحسينه. يتماشى مسار التحليل الاستراتيجي مع مفهوم "الاستدلال المتسلسل" (Wei et al., 2022)، الذي يحسن الاستدلال في نماذج اللغة الكبيرة. ومع ذلك، فإن اعتماد الدراسة على مهمة كتابة واحدة وحجم عينة صغير يحد من صلاحيتها الخارجية. يجب أن تستكشف الأبحاث المستقبلية تدخلات طولية تعلم هندسة الأوامر كمهارة ما وراء معرفية. يدعو المؤلفون بحق إلى دمج محو الأمية المتعلقة بالذكاء الاصطناعي في مناهج اللغة الإنجليزية كلغة أجنبية، لكنهم لا يقدمون إطارًا تربويًا ملموسًا. سيكون النهج الأكثر قابلية للتنفيذ هو تطوير "مقياس تقييم لهندسة الأوامر" يدعم الطلاب من الاستراتيجيات الأساسية إلى المتقدمة. علاوة على ذلك، لا تتناول الدراسة المخاوف الأخلاقية، مثل الاعتماد المفرط على الذكاء الاصطناعي أو الانتحال، وهي أمور حاسمة في البيئات التعليمية. على الرغم من هذه القيود، فإن العمل هو خطوة أولى قيمة في فهم كيفية تعلم الطلاب التعاون مع الذكاء الاصطناعي التوليدي.
7. التفاصيل التقنية والصياغة الرياضية
يمكن صياغة هندسة الأوامر كمشكلة تحسين. دع $P$ يمثل مجموعة جميع الأوامر الممكنة، و $O$ يمثل المخرج من ChatGPT عند إعطاء الأمر $p \in P$. هدف الطالب هو إيجاد $p^*$ الذي يعظم جودة المخرج $Q(O)$ مع مراعاة قيود المهمة $C$:
$$p^* = \arg\max_{p \in P} Q(\text{ChatGPT}(p)) \quad \text{s.t.} \quad C(p) \leq \epsilon$$
في الممارسة العملية، يقوم الطلاب بإجراء بحث جشع، حيث يقومون بتحديث $p_{t+1} = p_t + \Delta_t$ بشكل متكرر، حيث $\Delta_t$ هو تعديل بناءً على المخرج السابق. تمثل المسارات الأربعة استراتيجيات بحث مختلفة: يستخدم المسار أ $\Delta_t$ صغيرًا، ويستخدم المسار ب $\Delta_t$ منظمًا، ويستخدم المسار ج $\Delta_t$ عشوائيًا، ويستخدم المسار د تحليلاً هرميًا.
8. النتائج التجريبية ووصف الرسم البياني
الشكل 1: نظرة عامة على مسارات هندسة الأوامر
رسم تخطيطي لتدفق يظهر أربعة فروع من عقدة مركزية مسماة "مهمة الكتابة". يمثل كل فرع مسارًا (أ، ب، ج، د) مع أسهم تشير إلى تكرارات الأوامر. يظهر المسار د حلقات فرعية لتوليد المخطط التفصيلي، المقدمة، الجسم، والخاتمة. يستخدم الرسم التخطيطي ترميزًا لونيًا: الأحمر للمسار أ (البسيط)، الأزرق للمسار ب (المدعوم)، الأخضر للمسار ج (المتباعد)، والذهبي للمسار د (الاستراتيجي).
الجدول 1: المقاييس الرئيسية حسب المسار
| المسار | متوسط الأوامر | جودة المخرجات (1-5) | الوقت (دقيقة) |
|---|---|---|---|
| أ | 2.5 | 2.1 | 8 |
| ب | 5.0 | 3.4 | 15 |
| ج | 8.5 | 2.8 | 22 |
| د | 10.0 | 4.2 | 28 |
يحقق المسار د أعلى جودة للمخرجات ولكنه يتطلب المزيد من الوقت والأوامر، مما يشير إلى مفاضلة بين الكفاءة والفعالية.
9. مثال على الإطار التحليلي
مثال حالة: الطالب S7 (المسار د)
الأمر 1: "قم بإنشاء مخطط تفصيلي من ثلاث نقاط لمقال جدلي حول الزي المدرسي."
الأمر 2: "اكتب فقرة مقدمة بناءً على المخطط التفصيلي. استخدم جاذبًا للانتباه وجملة أطروحة واضحة."
الأمر 3: "وسع فقرة الجسم الأولى. تضمن جملة موضوعية، دليل، وشرحًا."
الأمر 4: "أضف فقرة حجة مضادة وقم بدحضها."
الأمر 5: "اكتب خاتمة تلخص النقاط الرئيسية وتعيد صياغة الأطروحة."
تعكس استراتيجية التحليل هذه عملية الكتابة التي يتم تدريسها في فصول اللغة الإنجليزية كلغة أجنبية، مما يوضح كيف يمكن مواءمة هندسة الأوامر مع أفضل الممارسات التربوية.
10. التطبيقات والاتجاهات المستقبلية
تشير النتائج إلى عدة اتجاهات مستقبلية: (1) تطوير مناهج لمحو الأمية المتعلقة بالذكاء الاصطناعي تدرس بشكل صريح تحليل الأوامر وتحسينها التدريجي. (2) دمج هندسة الأوامر في برامج تدريب المعلمين. (3) تصميم أنظمة تعليمية تكيفية توفر تغذية راجعة في الوقت الفعلي حول جودة الأوامر. (4) دراسات طولية تتبع كيفية تطور مهارات هندسة الأوامر لدى الطلاب بمرور الوقت. (5) استكشاف أطر أخلاقية لضمان الاستخدام المسؤول للذكاء الاصطناعي في التعليم. مع انتشار الذكاء الاصطناعي التوليدي، ستكون هندسة الأوامر مهارة أساسية، مماثلة لمحو الأمية الرقمية في التسعينيات.
11. المراجع
- Guo, K., et al. (2023). Second language writing and AI chatbots. Computers & Education, 198, 104789.
- Long, D., & Magerko, B. (2020). What is AI literacy? Proceedings of the 2020 CHI Conference, 1-13.
- Simon, H. A. (1956). Rational choice and the structure of the environment. Psychological Review, 63(2), 129-138.
- Wei, J., et al. (2022). Chain-of-thought prompting elicits reasoning in large language models. NeurIPS 2022.
- Zamfirescu-Pereira, J. D., et al. (2023). Why Johnny can't prompt. Communications of the ACM, 66(8), 64-73.