لماذا لا يستطيع معظم مدرّسي الذكاء الاصطناعي تعليم موظفيك فعلًا

المشكلة

تسجّل معظم الدورات عبر الإنترنت معدل إكمال يتراوح بين 15% و20%. وهذا يعني أنه من بين كل مئة موظف تُسجّلهم، لا يُكمل ثمانون منهم أو أكثر. تتبخّر ميزانية التدريب لديك بينما تبقى قوتك العاملة غير مستعدة.

كان من المفترض أن تُصلح الموجة الجديدة من «مدرّسي الذكاء الاصطناعي» هذه المشكلة. لكنها لم تُصلحها. الغالبية العظمى من هذه الأدوات هي ما يسميه المهندسون تطبيقات «غلاف». تأخذ نموذج ذكاء اصطناعي متعدد الأغراض مثل GPT-4 وتضيف إليه موجِّه نظام يقول: «تصرّف كمعلم». النتيجة تتحدث بلغة المعلم، وتستخدم عبارات مشجعة وأسئلة سقراطية. لكنها لا تفكر كمعلم.

وهنا بيت القصيد في الإخفاق: مدرّسو الذكاء الاصطناعي هؤلاء عديمو الحالة. ليس لديهم أي ذاكرة دائمة عن متعلّمك. المدرّس الحقيقي يتذكر أن الموظف واجه صعوبة في الكسور الأسبوع الماضي ويتوقع مشكلة في النسب اليوم. أما ذكاء «الغلاف» فيتعامل مع كل جلسة كمحادثة جديدة تمامًا. ولا يستطيع ربط مفهومٍ خاطئ نشأ قبل ثلاثة أشهر بإخفاقٍ اليوم، لأنه لا يملك نموذجًا منظَّمًا لمعرفة ذلك المتعلم.

تؤكد الأبحاث أن المشكلة أعمق من ذلك. عند اختبارها في التدريس الرياضي، كانت النماذج اللغوية الكبيرة تقدّم في كثير من الأحيان إجابات نهائية صحيحة عبر خطوات وسيطة غير صحيحة. كما كانت تعتبر أعمالًا صحيحة للطلاب خاطئة، فتُربك المتعلمين عمليًا. والموظف المبتدئ لا سبيل له إلى التمييز بين شرح صحيح وهلوسة واثقة. أنت تدفع ثمن أداة تُعلّم موظفيك أحيانًا الشيء الخطأ بثقة تامة.

لماذا يهم هذا عملك التجاري

بالنسبة لفريقك المالي، يُعد التدريب مركز تكلفة. المقياس المهم هو «الوقت حتى إتقان المهارة» — أي مدى سرعة تحوّل الموظف إلى عنصر منتج. دورة فيديو واحدة تناسب الجميع تُجبر الموظفين على الجلوس أمام محتوى يعرفونه أصلًا. وهذا وقت ميت على رواتبك.

الأرقام تحكي قصة صارخة:

• معدلات إكمال تبلغ 15–20% على منصات التعلم الإلكتروني القياسية تعني أن استثمارك لكل متعلم يذهب ضائعًا في معظمه.
• يمكن للتدريس التكيفي المدعوم بالذكاء الاصطناعي أن يرفع معدلات الإكمال إلى 60–80%، مضاعفًا عائدك على كل دولار تدريبي ثلاث مرات أو أربعًا.
• يمكن لأنظمة التتبع العميق للمعرفة أن تخفض إجمالي وقت التدريب بنسبة 40–50%، ليعود الموظفون إلى العمل المولِّد للإيرادات بسرعة أكبر.
• تشير الأبحاث إلى أن التدريس التكيفي المخصص يمكن أن يضاعف نتائج التعلم مرتين — وهو ما يسمى بتأثير «2 سيغما» — مقارنة بالتعليم التقليدي.

وإلى جانب وفورات التكلفة المباشرة، هناك مشكلة في الاحتفاظ بالموظفين وتفاعلهم. التسرّب من منصات التعلم عاطفي في معظمه. حين يكون المحتوى سهلًا جدًا، يشعر الموظفون بالملل. وحين يكون صعبًا جدًا، يشعرون بالإحباط ويستقيلون. وكلا الطريقين يؤدي إلى المكان نفسه: يتخلى موظفوك عن البرنامج، ولا يجني استثمارك ثمرة.

وإذا كانت مؤسستك تعمل في قطاع خاضع للتنظيم، فإن التدريب غير المكتمل يخلق تعرضًا لمخاطر الامتثال. لا يمكنك إثبات كفاءة القوى العاملة إذا لم يُكمل 80% من موظفيك الدورة. وينبغي أن يهتم مسؤولو المخاطر والمستشار العام لديك بهذا الأمر بقدر اهتمام المدير المالي به.

ما الذي يحدث فعلًا تحت الغطاء

لفهم سبب فشل مدرّسي الذكاء الاصطناعي من نوع «الغلاف»، فكّر في الفرق بين نظام تحديد المواقع GPS والخريطة الورقية.

الخريطة الورقية تعرض لك كل الطرق. إنها دقيقة لكنها ثابتة. لا تعرف أين أنت، ولا مدى سرعتك، ولا ما إذا كان منعطفك قد فاتك قبل عشر دقائق. هذا ما يفعله روبوت المحادثة الذكي القياسي في التعلم: لديه المعرفة، لكنه لا يملك أي نموذج لموقع متعلّمك أنت.

نظام تحديد المواقع، في المقابل، يتتبع موقعك في الوقت الفعلي. ويحدّث مساره حين تنعطف خطأً. ويعرف سرعتك الحالية ويعدّل أوقات الوصول ديناميكيًا. هذا ما يفعله نظام يسمى التتبع العميق للمعرفة، أو DKT، في التعليم.

يستخدم DKT نوعًا من الشبكات العصبية مزوَّدًا بذاكرة داخلية — يسمى شبكة الذاكرة طويلة-قصيرة المدى، أو LSTM — للحفاظ على نموذج يتحدّث باستمرار لمعرفة كل متعلم. وتسمّي الورقة البيضاء هذا «حالة الدماغ». إنه ليس سجلَّ درجات يوثّق الدرجات السابقة، بل نموذج تنبؤي للقدرة الحالية.

في كل مرة يجيب فيها المتعلم عن سؤال، يحدّث النظام نموذجه الداخلي. والناتج هو درجة احتمالية لكل مفهوم في المنهج. قد يتنبأ أن لموظفك فرصة 99% للإجابة الصحيحة عن سؤال جمع أساسي، لكن فرصة 35% فقط في جمع الكسور. تلك الـ35% تقول للنظام: لا تلقِ هذا المفهوم على المتعلم بعد الآن؛ بل قدّم مواد دعم أولًا.

افترضت الأنظمة الأقدم، التي تسمى التتبع البايزي للمعرفة، أن المعرفة ثنائية — إما أن تعرفها أو لا تعرفها. أما DKT فيلتقط الإتقان الجزئي، والنسيان بمرور الوقت، والصلات الخفية بين المفاهيم. وفي الاختبارات المباشرة، حقق DKT زيادة في دقة التنبؤ قدرها 25% مقارنة بالنهج الأقدم. تلك الدقة هي ما يجعل التعلم التكيفي الحقيقي ممكنًا.

ما ينجح (وما لا ينجح)

أولًا، ثلاثة أساليب تواصل الإخفاج باستمرار:

• موجِّهات «تصرّف كمعلم»: هذه التعليمات تُرشد الذكاء الاصطناعي بشأن النبرة، لا الاستراتيجية. والنتيجة شخصية داعمة دون أي فهم لما يحتاجه متعلمك فعلًا في الخطوة التالية.
• توسيع نوافذ السياق: يمكنك محاولة تغذية كل محادثة ذكاء اصطناعي بكامل تاريخ المتعلم. لكن تكلفة وزمن استجابة معالجة شهور من بيانات التفاعل من أجل كل سؤال على حدة تجعل هذا الأسلوب مستحيلًا على نطاق واسع.
• الوسم اليدوي للمهارات: كانت الأنظمة الأقدم تشترط خبراء بشريين لوسم كل سؤال برمز مهارة. وهذا عمل كثيف العمالة وكثيرًا ما يكون غامضًا، ويخلق اختناقًا لا يستطيع اللحاق بمكتبات المحتوى المتنامية.

أما ما ينجح فعلًا فهو معمارية ثلاثية الطبقات تفصل بين الكلام والتفكير:

1. المدخلات — طبقة التفاعل: يجيب متعلمك عن سؤال. يسجّل النظام رقم السؤال والإجابة والمدة التي استغرقها. وتتغذى عليها نمذجة تتبع المعرفة من هذه البيانات الأولية.
2. المعالجة — الطبقة الإدراكية: تُحدّث شبكة LSTM حالة الدماغ للمتعلم — وهي متجه عالي الأبعاد يمثل المعرفة الحالية عبر كل مفهوم. وتُخرج درجة احتمالية لكل تمرين تالٍ محتمل. يحدد النظام الأسئلة التي تتراوح فرصة نجاح المتعلم فيها بين 40% و70% تقريبًا. هذه هي «منطقة التدفق»، حيث يلتقي التحدي بالمهارة ويحدث التعلم العميق.
3. المخرجات — طبقة السياسات: يقرأ محرك قواعد حالة الدماغ ويبني تعليمات محددة لنموذج اللغة الذكي. فبدلًا من موجِّه غامض مثل «كن مدرّسًا جيدًا»، يقول شيئًا مثل: «الطالب في منطقة التدفق لمعادلات الخط المستقيم باحتمال نجاح 62%. اعرض هذه المسألة المحددة. لا تكشف الإجابة. وقدّم تلميحًا متعلقًا بالمفهوم الأساسي إذا تردد.»

تمنحك هذه المعمارية شيئًا بالغ الأهمية للامتثال والإشراف: سجل قرارات قابل للتحقق. كل سؤال يعرضه النظام يمكن تتبعه إلى درجة احتمالية محددة، وحالة دماغ محددة، وقاعدة سياسة محددة. يمكنك تدقيق سبب تعليم النظام لما علّمه. ويستطيع فريق الامتثال لديك التحقق من أن التدريب غطى المواد المطلوبة. ويمكن لقادة التعلم والتطوير لديك إثبات أن كل موظف بلغ إتقانًا مثبتًا، لا مجرد «أكمل الفيديو».

أما الموظفون الجدد الذين ليس لهم تاريخ تعلم، فيتعامل النظام مع مشكلة «البداية الباردة» عبر التعلم بالنقل. يُمهّد النظام للمتعلمين الجدد بنموذج أساسي مستمد من بيانات مجهولة الهوية لآلاف المتعلمين السابقين. وفي غضون 10–20 تفاعلًا فقط، يتقارب النظام بسرعة نحو نموذج مخصص.

ويخلق هذا النهج بأكمله أيضًا أصلًا استراتيجيًا لا يستطيع منافسوك نسخه. تطبيق «الغلاف» يمكن استنساخه في عطلة نهاية أسبوع. أما نموذج DKT المدرَّب على بيانات التعلم الخاصة بمؤسستك — والذي يلتقط كيف يتعلم موظفوك موادك فعلًا — فهو ميزة دفاعية تتعمق مع كل تفاعل.