DOI: https://doi.org/10.51983/ijiss-2026.16.2.24
تاريخ النشر: 2026-06-05
المؤلف: Ward Ahmed Al-Hussein وآخرون
الموضوع الرئيسي: أنظمة التعليم الذكي والتعلم التكيفي
نظرة عامة
تقدم هذه الورقة البحثية مساعد تعلم ذكي تكيفي يدمج معالجة اللغة الطبيعية (NLP)، والتسلسل التكيفي القائم على الإتقان، وتحليلات التعلم في الوقت الحقيقي لتعزيز الأداء الأكاديمي في التعليم العالي. يتضمن هيكل النظام المعماري وحدات معالجة NLP للتعرف على النوايا ورسم المفاهيم، ومحرك توليد التغذية الراجعة الديناميكي القائم على تقدير الإتقان، ولوحة تحليلات لدعم المعلمين. أظهرت دراسة شبه تجريبية شملت 120 طالبًا جامعيًا تحسينات ذات دلالة إحصائية في نتائج التعلم للمجموعة التجريبية، مع متوسط درجة اختبار بعدي قدره 81.5 مقارنة بـ 69.3 في المجموعة الضابطة (p < 0.001). زاد معدل التعلم الطبيعي من 6.9 إلى 18.4 (+166.6%)، وارتفعت معدلات الاحتفاظ من 83.5% إلى 94.1%، وانخفض الوقت المستغرق في المهمة بنسبة 14.7%، مما يشير إلى كفاءة تعلم محسنة وحجم تأثير كبير (Cohen d = 1.19). تخلص الدراسة إلى أن النظام المقترح يربط بفعالية بين بيئات التعلم الرقمية الثابتة والتدخلات التعليمية المخصصة، مما يؤدي إلى تحسينات معرفية وسلوكية. ومع ذلك، تشير القيود مثل فترة التدخل القصيرة والحقول الأكاديمية المحددة إلى الحاجة إلى مزيد من البحث. ستركز الدراسات المستقبلية على التقييمات الطولية عبر مجالات ومؤسسات متنوعة لتقييم الاحتفاظ على المدى الطويل وقابلية التعميم. ستتضمن التحسينات دمج التعلم المعزز للتخصيص الديناميكي، ودعم التفاعل متعدد الوسائط، والتعلم الفيدرالي الذي يحافظ على الخصوصية. بشكل عام، تؤسس هذه البحث إطارًا أساسيًا لأنظمة التعلم التكيفية من الجيل التالي، مما يبرز الإمكانات التحويلية للتخصيص المدعوم بـ NLP في التعليم.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على قيود منصات التعلم الافتراضية الحالية، التي تقدم في الغالب محتوى ثابتًا لا يتكيف مع الفروق اللغوية أو احتياجات التعلم التي يعبر عنها الطلاب. تؤدي هذه الافتقار إلى الاستجابة إلى تقديم تغذية راجعة موحدة تفشل في معالجة الفهم أو سوء الفهم الفردي. للتغلب على هذه التحديات، يقترح المؤلفون نموذج تعلم تكيفي يستفيد من معالجة اللغة الطبيعية (NLP) لتحديد الفجوات في الفهم المفاهيمي للطلاب وتقديم محتوى تصحيحي مخصص، مما يجعل التعليم أكثر تخصيصًا بفعالية.
يتكون الهيكل المقترح لمساعد التعلم التكيفي القائم على NLP من ثلاثة مكونات رئيسية: (1) خط معالجة NLP يقوم بمعالجة لغة الطالب، (2) محرك تكيفي يقوم بضبط التصحيح بناءً على الفهم المفاهيمي وأدلة الأداء، و(3) وحدة تحليلات لدعم المراقبة واتخاذ القرار. يسهل هذا الإطار توليد تغذية راجعة ديناميكية بناءً على بيانات سلوكية ولغوية في الوقت الحقيقي تم جمعها خلال تفاعلات الطلاب، مبتعدًا عن أنماط التعليم المبرمجة مسبقًا. توضح الورقة هيكلها، بما في ذلك مراجعة الأدبيات، وهيكل النظام، والنتائج التجريبية، واتجاهات البحث المستقبلية، مع التأكيد على دمج تقنيات NLP المتقدمة لتعزيز فعالية الأنظمة التعليمية.
الطرق
تستند المنهجية المستخدمة في هذه الدراسة إلى إطار بحث قائم على التصميم، والذي يشمل التخطيط والبناء والتقييم لمساعد تعلم ذكي تكيفي. يدمج هذا النهج تطوير النظام مع التجريب المنضبط وتحليل الأداء، كما هو موضح من قبل Doolittle et al. (2023).
تم هيكلة التصميم التجريبي لتسهيل الاختبار المنهجي لفعالية مساعد التعلم، مما يسمح بإجراء تحسينات متكررة بناءً على الأدلة التجريبية. تدعم هذه المنهجية ليس فقط إنشاء أداة تعليمية قوية ولكن أيضًا تساهم في الفهم الأوسع لتقنيات التعلم التكيفية في السياقات التعليمية.
النتائج
تظهر نتائج الدراسة فعالية مساعد التعلم التكيفي القائم على NLP في تعزيز نتائج تعلم الطلاب. كشفت التحليلات التجريبية أن الطلاب في المجموعة التجريبية أظهروا مكاسب تعلم أكبر بشكل ملحوظ مقارنة بالمجموعة الضابطة، حيث بلغ متوسط درجات الاختبار بعدي 81.5 مقابل 69.3 (p < 0.001). كان معدل التعلم الطبيعي للمجموعة التجريبية 18.4، مما يعكس تحسنًا بنسبة 166.6% مقارنة بمعدل المجموعة الضابطة البالغ 6.9. بالإضافة إلى ذلك، قضت المجموعة التجريبية وقتًا أقل في المهمة (38.2 دقيقة) بينما حققت معدلات احتفاظ أعلى (94.1%) مقارنة بالمجموعة الضابطة (44.8 دقيقة و83.5%، على التوالي). أكدت التحليلات الإحصائية هذه النتائج، مشيرة إلى وجود ارتباط إيجابي قوي بين تكرار التفاعل مع التغذية الراجعة التكيفية ومكاسب التعلم (r = 0.62). دعمت التغذية الراجعة النوعية من المعلمين والطلاب هذه النتائج، مشيرة إلى فوائد التحليلات في الوقت الحقيقي والتغذية الراجعة المخصصة في معالجة المفاهيم الخاطئة وتعزيز الدافع. أشار اختبار الإزالة إلى أن تكوين النظام الكامل (النموذج C) حقق أعلى مكسب تعلم (18.4) ورضا الطلاب (92%)، مما يبرز أهمية التغذية الراجعة المدفوعة بـ NLP والتكيف القائم على الإتقان في تحسين النتائج التعليمية. ومع ذلك، تعترف الدراسة بالقيود، بما في ذلك تركيزها على التخصصات STEM على مدى فترة قصيرة، مما يشير إلى الحاجة إلى مزيد من التحقق عبر مواضيع متنوعة وفترات تعليمية ممتدة.
المناقشة
تسلط قسم المناقشة في الورقة البحثية الضوء على قيود تطبيقات معالجة اللغة الطبيعية (NLP) الحالية في تقنيات التعليم، لا سيما في عدم قدرتها على تفسير استجابات الطلاب المفتوحة بفعالية وتقديم تغذية راجعة تعليمية مخصصة. غالبًا ما تعتمد الأنظمة التقليدية على الاستجابات المنظمة، مما يؤدي إلى تقديم نصائح عامة تفشل في معالجة احتياجات التعلم الفردية. تقدم هذه الدراسة مساعد تعلم تكيفي مدعوم بـ NLP مصمم لسد هذه الفجوة من خلال ربط المدخلات اللغوية للطلاب باستراتيجيات تعليمية قابلة للتنفيذ. أظهرت التقييمات التجريبية أن المساعد يمكن أن يعزز بشكل كبير نتائج التعلم والمشاركة والاحتفاظ مقارنة بالبيئات غير التكيفية.
تركز أهداف البحث على تطوير مساعد تعلم ذكي تكيفي يستخدم NLP لتحديد الفجوات المفاهيمية في استجابات الطلاب وضبط المحتوى التعليمي في الوقت الحقيقي. استخدمت الدراسة مقاييس تشغيلية متنوعة، بما في ذلك مكسب التعلم، ومعدل المشاركة، والاحتفاظ، لتقييم فعالية النظام. أشارت النتائج إلى تحسن كبير في الأداء الأكاديمي، مع زيادة معدل التعلم الطبيعي بنسبة 166.6% وارتفاع معدلات الاحتفاظ من 83.5% إلى 94.1%. تؤكد النتائج على إمكانية دمج NLP مع أطر التعلم التكيفية لإنشاء بيئات تعليمية أكثر استجابة، مما يمكّن المعلمين من مراقبة تقدم الطلاب والتدخل بفعالية بناءً على التحليلات في الوقت الحقيقي. بشكل عام، تساهم هذه الدراسة في تقدم أنظمة التعليم الذكية من خلال تقديم نهج شفاف وقابل للتفسير وأخلاقي للتعليم المخصص.
DOI: https://doi.org/10.51983/ijiss-2026.16.2.24
Publication Date: 2026-06-05
Author(s): Ward Ahmed Al-Hussein et al.
Primary Topic: Intelligent Tutoring Systems and Adaptive Learning
Overview
This research paper presents an intelligent adaptive learning assistant that integrates Natural Language Processing (NLP), mastery-based adaptive sequencing, and real-time learning analytics to enhance academic performance in higher education. The system’s modular architecture includes an NLP processing pipeline for intent recognition and concept mapping, a dynamic feedback generation engine based on mastery estimation, and an analytics dashboard for instructor support. A quasi-experimental study involving 120 undergraduate students demonstrated statistically significant improvements in learning outcomes for the experimental group, with a mean post-test score of 81.5 compared to 69.3 in the control group (p < 0.001). The normalized learning gain increased from 6.9 to 18.4 (+166.6%), retention rates rose from 83.5% to 94.1%, and time-on-task decreased by 14.7%, indicating enhanced learning efficiency and a large effect size (Cohen d = 1.19). The study concludes that the proposed system effectively bridges static digital learning environments with personalized teaching interventions, leading to cognitive and behavioral improvements. However, limitations such as the short intervention period and specific academic fields suggest the need for further research. Future studies will focus on longitudinal assessments across diverse fields and institutions to evaluate long-term retention and generalizability. Enhancements will include the integration of reinforcement learning for dynamic personalization, multimodal interaction support, and privacy-preserving federated learning. Overall, this research establishes a foundational framework for next-generation adaptive learning systems, highlighting the transformative potential of NLP-enabled personalization in education.
Introduction
The introduction of this research paper highlights the limitations of current virtual learning platforms, which predominantly offer static content that does not adapt to the linguistic nuances or learning needs expressed by students. This lack of responsiveness results in uniform feedback that fails to address individual understanding or misunderstanding. To overcome these challenges, the authors propose an adaptive learning model that leverages natural language processing (NLP) to identify gaps in students’ conceptual understanding and deliver tailored remedial content, thereby personalizing instruction effectively.
The proposed architecture for an NLP-based adaptive learning assistant consists of three key components: (1) an NLP pipeline that processes student language, (2) an adaptive engine that adjusts remediation based on conceptual understanding and performance evidence, and (3) a monitoring and decision support analytics module. This framework facilitates dynamic feedback generation based on real-time behavioral and linguistic data collected during student interactions, moving away from pre-programmed instructional patterns. The paper outlines its structure, including a literature review, system architecture, empirical results, and future research directions, emphasizing the integration of advanced NLP techniques to enhance the effectiveness of educational systems.
Methods
The methodology employed in this study is grounded in a design-based research framework, which encompasses the planning, construction, and evaluation of an intelligent adaptive learning assistant. This approach integrates system development with controlled experimentation and performance analysis, as outlined by Doolittle et al. (2023).
The experimental design is structured to facilitate systematic testing of the learning assistant’s effectiveness, allowing for iterative refinements based on empirical evidence. This methodology not only supports the creation of a robust educational tool but also contributes to the broader understanding of adaptive learning technologies in educational contexts.
Results
The results of the study demonstrate the effectiveness of an NLP-based adaptive learning assistant in enhancing student learning outcomes. Empirical analysis revealed that students in the experimental group exhibited significantly greater learning gains compared to the control group, with post-test scores averaging 81.5 versus 69.3 (p < 0.001). The normalized learning gain for the experimental group was 18.4, reflecting a 166.6% improvement over the control group's gain of 6.9. Additionally, the experimental group spent less time on task (38.2 minutes) while achieving higher retention rates (94.1%) compared to the control group (44.8 minutes and 83.5%, respectively). Statistical analyses confirmed these findings, indicating a strong positive correlation between interaction frequency with the adaptive feedback and learning gains (r = 0.62). Qualitative feedback from instructors and students further supported these results, highlighting the benefits of real-time analytics and personalized feedback in addressing misconceptions and enhancing motivation. An ablation test indicated that the full system configuration (Model C) yielded the highest learning gain (18.4) and student satisfaction (92%), underscoring the importance of NLP-driven feedback and mastery-based adaptation in improving educational outcomes. However, the study acknowledges limitations, including its focus on STEM disciplines over a short duration, suggesting the need for further validation across diverse subjects and extended instructional periods.
Discussion
The discussion section of the research paper highlights the limitations of current Natural Language Processing (NLP) applications in educational technologies, particularly in their inability to effectively interpret open-ended student responses and provide tailored instructional feedback. Traditional systems often rely on structured responses, resulting in generic advice that fails to address individual learning needs. This study introduces an NLP-powered adaptive learning assistant designed to bridge this gap by linking student linguistic input with actionable instructional strategies. An experimental evaluation demonstrated that the assistant could significantly enhance learning outcomes, engagement, and retention compared to non-adaptive environments.
The research objectives focus on developing a smart adaptive learning assistant that utilizes NLP to identify conceptual gaps in student responses and adjust instructional content in real-time. The study employed various operational metrics, including learning gain, engagement rate, and retention, to assess the system’s effectiveness. Results indicated a substantial improvement in academic performance, with a normalized learning gain increase of 166.6% and retention rates rising from 83.5% to 94.1%. The findings underscore the potential of integrating NLP with adaptive learning frameworks to create more responsive educational environments, enabling instructors to monitor student progress and intervene effectively based on real-time analytics. Overall, this research contributes to the advancement of intelligent tutoring systems by offering a transparent, interpretable, and ethically sound approach to personalized education.