ا

الأنطولوجيا :

بنية معرفية تصف المفاهيم داخل مجال محدّد والعلاقات التي تربط بينها، بطريقة منظّمة تمكّن الحاسوب من فهم المعرفة وتبادلها. فهي تمثّل نموذجا صوريا للمفاهيم (Concepts) والعلاقات الدلالية بينها، تُستخدم في بناء الأنظمة الذكية، واسترجاع المعلومات، والترجمة الآلية، وتوحيد المعاني عبر قواعد البيانات. وغالبا ما تتكوّن من: الفئات (Classes) التي تمثّل الكيانات الأساسية ؛ والعلاقات (Relations) التي توضّح كيفية الربط بين المفاهيم ؛ والخصائص (Attributes) التي تحدد صفات كل مفهوم ؛ والأمثلة (Instances) التي تمثل الحالات الفردية لكل فئة. وعليه، فإنّ الأنطولوجيا بنية دلالية-مفاهيمية تتوسط بين اللغة البشرية والمعالجة الآلية للمعنى. وقد فضلت استعمال مصطلح الأنطولوجيا الذي شاع استعماله في الدراسات والبحوث المتخصّصة؛ وذلك بدلا من استعمال بدائل أخرى مثل "المعجم الدلالي المهيكل" مثلا. 

ب

البودكاست التفاعلي :

تدوين صوتي تفاعلي يُسجَّل ويُبث عبر الإنترنت بانتظام، بحيث يمكن للمستمع تحميل الحلقات أو الاستماع إليها عبر المنصّات الإلكترونية. ويتمثل الجانب التفاعلي في عنصر التفاعل المباشر أو الموجّه بين المرسل والمتلقي، من خلال واجهات رقمية تسمح بالرد، أو الاختيار، أو الإجابة عن أسئلة ضمن المحتوى الصوتي نفسه. يُستخدم هذا النوع من الوسائط في التعليم الإلكتروني، وتعلّم اللغات، والتدريب الذكي، نظرا لقدراته على دمج المحتوى السمعي مع التفاعل الفوري الذي يعزز الاستيعاب والمشاركة النشطة لدى المتعلم.

 

بيرت (Bidirectional Encoder Representations from Transformers) :

نموذج متقدّم في معالجة اللغة الطبيعية طوّرته Google عام 2018، يتميّز بقدرته على فهم اللغة في الاتجاهين معا، إذ يحلل الكلمة في سياقها السابق واللاحق في الوقت نفسه، خلافا للنماذج التقليدية التي تقرأ النص في اتجاه واحد فقط. ويرتكز بيرت على بنية المحوّل، ويُدرّب على مهام لغوية عامة لاكتساب تمثيلات دلالية عميقة تُستخدم لاحقا في تطبيقات متنوعة مثل تحليل النصوص والإجابة عن الأسئلة، مما جعله أحد النماذج التي أحدثت تطورا في مجال فهم اللغة آليا. 

ت

الترجمة الآلية العصبية ثنائية الاتجاه (Round-trip neural machine translation) :

تُشير إلى أسلوب في الترجمة الآلية يقوم على ترجمة النص من اللغة الأصلية إلى اللغة الهدف ثم إعادته مرة أخرى إلى اللغة الأصلية باستخدام أنظمة ترجمة عصبية. يُستخدم هذا النهج لتقييم جودة الترجمة أو لتحسين أداء النماذج، حيث يُقاس مدى احتفاظ النص المُعاد ترجمته إلى اللغة الأصلية بالمعنى الأصلي ومدى دقّة النقل الدلالي بين اللغتين.

التغذية الراجعة (Feedback / Rétroaction) :

يُشير إلى عملية تواصليّة دائرية يتمّ من خلالها نقل معلومات عن أداء نظام أو متعلّم أو متحدث إلى المصدر الأصلي لتقويم الفهم أو السلوك أو الإنتاج وتصحيحه. نشأ المفهوم في الهندسة والسيبرنطيقا للدلالة على آلية التحكم الذاتي للنظام من خلال مقارنة النتائج الفعلية بالنتائج المتوقعة، ثمّ انتقل إلى ميادين علم النفس والتربية واللسانيات ليعبّر عن ردود الفعل اللفظية أو غير اللفظية التي تساعد على تعديل الأداء وتحسين الكفاءة. في المجال التربوي، تُعدّ التغذية الراجعة عنصرا جوهريا في عملية التعلم البنائي (constructivist learning)، إذ تمكّن المتعلّم من إدراك أخطائه وتطوير أدائه في ضوء الملاحظات المقدّمة من المعلّم أو الزملاء أو الوسائط الرقمية، كما تتيح للمعلّم تكييف استراتيجياته وفق حاجات المتعلّمين. وقد تكون التغذية الراجعة إيجابية (تعزيزية ومحفّزة) أو سلبية (تصحيحية وتثبيتية)، وتُقدَّم بوسائل لفظية كالتصحيح والتشجيع، أو غير لفظية كالإيماء وتعابير الوجه. وقد استعملتُ هذا المصطلح لما يتميّز به من استقرار دلالي وانتشار واسع مقارنة ببدائل مثل "التغذية المرتدة"، و"الارجاع"، و"ردّ الفعل". وعندما يستدعي السياق ذلك، يمكن استعمال عبارات شارحة، مثل "ملاحظات تقويمية"، بدل المصطلح ذاته لمزيد من الوضوح. 

تقنيات الانحدار (Regression technics) :

أساليب تحليلية تُستخدم لدراسة العلاقة بين متغيّر تابع ومتغيّرات مستقلة، بهدف تفسير السلوك الكمي للظواهر أو التنبؤ بالقيم المستقبلية. تعتمد هذه التقنيات على بناء نموذج رياضي يوضّح كيفية تغيّر المتغير التابع استجابة لتغيّر العوامل المؤثرة فيه. وتُعد من الأدوات الأساسية في الإحصاء والتعلّم الآلي، إذ تساعد على فهم الاتجاهات العامة في البيانات واتخاذ قرارات مبنية على التقدير الكمي.

 

التعهيد الجماعي الضمني (Implicit crowd-sourcing) :

عملية تُستخلص فيها البيانات أو التقييمات من سلوك المستخدمين دون مشاركتهم الصريحة، كما في أنظمة التعلّم التي تجمع بيانات التفاعل لتطوير النماذج اللغوية أو التعليمية. ويتم استخدام هذا الذكاء الجماعي لحل المشكلات أو توليد أفكار جديدة أو المساهمة في مشروع أو مبادرة معينة. 

ح

الحجوم النحوية (N-grams) أو السلاسل/المتتاليات النحوية :

تشير إلى تسلسل من N عنصرا متتابعا (عادة كلمات أو حروف أو رموز) في نص معيّن. وتُستخدم هذه الوحدات الإحصائية لتحليل التوزيع اللغوي والتنبؤ بالكلمة التالية في النصوص. 

خ

خوارزمية تيكست رانك (TextRank) :

من خوارزميات معالجة اللغة الطبيعية غير الإشرافية. طُوّرت سنة 2004 على أساس فكرة PageRank الخاصة بترتيب صفحات الويب. وهي تعتمد على تمثيل النص في صورة شبكة تربط بين الكلمات أو الجمل وفقا لعلاقات الترابط أو التشابه، ثم تحسب درجة أهمية كل عنصر لتحديد الجمل أو المفردات الأكثر دلالة. وتُستخدم أساسا في تلخيص النصوص آليا واستخراج الكلمات المفتاحية دون الحاجة إلى بيانات تدريب، مما يجعلها من الأدوات البسيطة والفعّالة في التحليل الدلالي للنصوص. 

ذ

الذاكرة الطويلة القصيرة الأمد (LSTM) :

هو نوع من الشبكات العصبية المتكرّرة صُمّم لمعالجة البيانات المتسلسلة كاللغة والكلام. وتتميّز هذه البنية بقدرتها على الاحتفاظ بالمعلومات المهمة لفترات طويلة من خلال بوابات التحكم في الذاكرة، ما يجعلها من النماذج الأساسية في التعلّم العميق ومعالجة اللغة الطبيعية، وتُعدّ اليوم أساسا لتقنيات مثل الترجمة الآلية وأنظمة المحادثة الذكية. 

ش

الشبكة المعجمية الدلالية (Wordnet) :

بنية معجمية حاسوبية تنظّم مفردات اللغة وفق علاقات دلالية مترابطة، مثل الترادف، والتضاد، والاحتواء الدلالي. تمّ تطوير هذه البنية البيانية التي تربط بين المفاهيم لتزويد الحاسوب بتمثيل مفهومي للّغة يُمكّنه من معالجة المعنى لا الكلمات فقط، مما يجعلها أداة محورية في مجالات الترجمة الآلية، واسترجاع المعلومات، وتحليل النصوص، والتعلّم الدلالي. وبذلك تمثل الشبكة المعجمية الدلالية نموذجا وسيطا بين المعجم اللغوي التقليدي والأنطولوجيا الحاسوبية، لأنها لا تكتفي بتجميع الكلمات، بل تنظّمها في فضاء دلالي يمكن للآلة فهمه واستعماله في تطبيقات اللغة الطبيعية. 

ض

الضبط الدقيق أو التوليف الدقيق (Fine-tuning) :

عملية تطوير إضافية للنماذج اللغوية المدربة مسبقا، يُعاد فيها تدريب النموذج على بيانات متخصّصة تتعلق بمهمة أو مجال محدّد. تهدف هذه العملية إلى تكييف النموذج مع خصائص المجال الجديد دون فقدان قدراته العامة التي اكتسبها أثناء التدريب الأولي. ويُستفاد من الضبط الدقيق لتحسين دقة الأداء في مجالات معيّنة مثل الترجمة، أو تصنيف النصوص، أو تحليل البيانات التعليمية، حيث يسمح للنظام بفهم المصطلحات والسياقات الخاصة بشكل أدق. 

ع

علم بيانات التعليم (Educational data science (EDS)) :

فرع تطبيقي من علم البيانات يركّز على تحليل البيانات التعليمية، واستخدام خوارزميات التعلّم الآلي لفهم سلوك المتعلّمين، ودعم اتخاذ القرار في التعليم، وتطوير أنظمة تعليمية ذكية .

 

العناصر التعليمية الفردية (Individual Learning Items) :

هي الوحدات الأساسية الصغرى للمعرفة أو المهارة التي تُبنى عليها العملية التعليمية في أنظمة التعلّم الذكية وتعليم اللغات بمساعدة الحاسوب. وتمثّل هذه العناصر أصغر وحدة تعليمية يمكن أن يتعامل معها النظام أو المعلّم لتطوير تعلم معيّن، فهي اللبنات المكوّنة لمحتوى التعلّم، ويُقاس من خلالها تقدّم المتعلّم بشكل دقيق ومُجزّأ. 

غ

غابة القرارات العشوائية (Random forest) :

هي خوارزمية من خوارزميات تعلم الآلة، وتُستخدم في مهام التصنيف والتنبؤ. تعتمد هذه الخوارزمية على مبدأ "الذكاء الجماعي" من خلال إنشاء مجموعة من أشجار القرار (Decision Trees) ودمج نتائجها للحصول على أداء أفضل. 

م

المجموعة الضابطة (Control group) :

المجموعة الضابطة هي فئة من المشاركين في التجربة لا تتعرض للتدخل التجريبي أو للتغيير الذي يطبّق على المجموعة التجريبية، وتُستخدم للتحقق من أن النتائج ناتجة عن المتغير المدروس لا عن عوامل أخرى.

 

المشتتات (distractors) :

هي إجابات خاطئة تُدرج في أسئلة الاختيار من متعدّد إلى جانب الإجابة الصحيحة، وتهدف إلى قياس دقّة الفهم والتمييز لدى المتعلّم. تُصمَّم لتبدو مقنعة لكنها غير صحيحة، ويُعتمد على جودتها لتحديد فعالية السؤال ودقّته التقييميّة.

 

المهارات الإنتاجية والاستقبالية (productive and receptive skills) :

تشير إلى نوعين متكاملين من الكفاءات التواصلية التي يعتمد عليها المتعلّم لاكتساب اللغة واستعمالها بفاعلية، وتُسمّى "استقبالية" لأنّ المتعلّم فيها يتلقّى اللغة ويفكّ رموزها ويفهم معانيها دون إنتاجها مباشرة. وهي تشمل الاستماع والقراءة .أما المهارات الإنتاجية فتُسمّى "إنتاجية" لأنّ المتعلّم فيها ينتج اللغة بشكل شفاهي أو كتابي، انطلاقًا من المعرفة اللغوية والمعجمية المكتسبة. وتشمل التحدث والكتابة. وتُعدّ هذه المهارات الأربع (الاستماع، القراءة، التحدث، الكتابة) ركائز الكفاءة التواصلية في تعليم اللغات، حيث تتكامل فيما بينها: فالمهارات الاستقبالية تُغذّي المهارات الإنتاجية، بينما تسهم هذه الأخيرة في ترسيخ الفهم وبناء الكفاءة التواصلية الشاملة. وفي أنظمة التدريس الذكية (ITS) الخاصة بتعليم اللغات، يُصمَّم المحتوى بحيث يوازن بين المهارتين، وغالبا ما تُستخدم التغذية الراجعة لمتابعة تطور المتعلّم في كلا الجانبين.

 

ميدان تنقيب البيانات التعليمية (educational data mining) :

يشير هذا الميدان إلى فرع علميّ منبثق عن تنقيب البيانات يُعنى بتطبيق التقنيات الإحصائية والذكاء الاصطناعي على البيانات الناتجة عن البيئات التعليمية الرقمية. ويهدف هذا المجال إلى اكتشاف الأنماط والعلاقات الضمنية في سلوك المتعلّمين وتفاعلاتهم مع الأنظمة التعليمية، من أجل فهم عملية التعلّم وتحسينها. وتُستخدم فيه خوارزميات التعلّم الآلي وتحليل الشبكات العصبية ونمذجة المتعلّم لاستخراج معلومات دقيقة حول الأداء، والدافعية، واستراتيجيات التعلم، مما يساعد على تصميم تعليم مكيّف يلبّي احتياجات كل متعلّم. وبذلك يُعدّ تنقيب البيانات التعليمية أداة أساسية في تطوير أنظمة التعليم الذكية وتحسين اتخاذ القرار التربوي بالاستناد إلى البيانات بدلا من الحدس أو الخبرة وحدهما.

 

منطقة النمو التقاربي (Zone of Proximal Development - ZPD) :

ويصطلح عليها أيضا بـ : "منطقة النمو القريب" أو "المنطقة القريبة من النمو"، مبدأ من ركائز نظرية فيغوتسكي (Vygotsky)، ويمكن تعريفه على أنّه الحيّز الديناميكي بين المستوى الفعلي لقدرات المتعلّم، أي ما يمكنه إنجازه بصورة مستقلّة، والمستوى الذي يمكن أن يبلغه بمساعدة شخص آخر أكثر خبرة أو معرفة، مثل المعلّم أو الرفيق المتقدّم. وتمثّل هذه المنطقة المجال الأمثل للتعلّم، إذ إنّها تتيح انتقال المتعلّم من الاعتماد على التوجيه الخارجي إلى الاستقلال المعرفي، عبر التفاعل الاجتماعي والوساطة اللغوية.

مستويات الكفاءة (Proficiency Levels) :

يشير هذا المصطلح إلى مدى إتقان المتعلّم للّغة المستهدفة من حيث الفهم والإنتاج في كلٍّ من المجالات الشفاهية والكتابية، ويُعتمد عليه لتقويم الأداء وتصنيف المتعلّمين في برامج تعليم اللغات وضمن أنظمة التدريس الذكية على السواء. وفي هذه الأنظمة، تُستخلص مؤشرات الكفاءة من التحليل المستمر لبيانات المتعلّم، ويشمل ذلك أداءه في الأنشطة، وزمن استجابته، ونسبة الخطأ، وأنماط التفاعل، مما يتيح للنظام تحديد مستوى الإتقان بدقّة وتكييف المسار التعليمي تبعا له. ويُعدّ مفهوم مستويات الكفاءة اللغوية من الركائز الأساسية في بناء أنظمة التقويم الذاتي الذكية، إذ يُوظَّف لتخطيط المحتوى، وضبط درجة صعوبته، وتوليد أنشطة موجهة وتغذية راجعة مكيّفة مع قدرات المتعلّم. 

ن

النماذج اللغوية الضخمة (Large Language Models) :

هي أنظمة ذكاء اصطناعي تعتمد على تحليل كميات كبيرة من النصوص لتعلّم أنماط اللغة واستعمالاتها. تُستخدم لفهم المعنى وتوليد الكلام بطريقة تشبه اللغة البشرية، وتدخل في تطبيقات متعددة مثل المحادثة، والترجمة، والتعليم الذكي.

 

نصوص أصيلة (Authentic texts) أو حقيقية :

أي النصوص المأخوذة من الواقع الاستعمالي للغة. وهي النصوص التي تُنتج في سياقات تواصليّة واقعية لأغراض غير تعليمية، ثم تُستخدم في تدريس اللغة لتزويد المتعلّمين بعينات من الاستعمال الطبيعي للّغة، مما يتيح تطوير الكفاءة التداولية والاستيعاب الثقافي.

 

نموذج ديريشلي الكامن (Latent Dirichlet Allocation - LDA) :

نموذج إحصائي احتمالي يُستخدم لتحليل النصوص واكتشاف الموضوعات الكامنة داخل مجموعات كبيرة من الوثائق. يعتمد على فكرة أن كل وثيقة تتكوّن من مزيج من الموضوعات، وكل موضوع يتكوّن من مجموعة من الكلمات ذات احتمال مرتفع للظهور معا. 

و

الوضع الصفري (Zero-shot) و الوضع بتدريب محدود (Few-shot) :

يشير مصطلح الوضعية الصفرية (Zero-Shot Setting) في مجال تعلّم الآلة إلى الحالة التي يُطلَب فيها من الأنموذج تنفيذ مهمة لم يسبق أن رأى لها أي أمثلة مبرمجة أو مبيّنة أثناء التدريب. أما في وضعية التعلّم بتدريب محدود، فهو يشير إلى وضع نمط من التعلم الآلي تُختبر فيه النماذج على مهام جديدة اعتمادا على عدد محدود جدا من الأمثلة المقدَّمة أثناء التدريب. يهدف هذا الإعداد إلى تقييم قدرة النموذج على تعميم معرفته السابقة وتكييفها بسرعة مع مهام لم يسبق له التدرّب عليها بعمق. ويُعدّ هذا الوضع مرحلة وسطى بين التعلّم الصفري الذي يتمّ دون أمثلة، والتعلّم الكامل الذي يعتمد على كميات كبيرة من البيانات، ويُستخدم على نطاق واسع في النماذج اللغوية الضخمة وأنظمة التعليم الذكية لتخصيص المحتوى وتحسين الأداء بسرعة.

 

الوكيل الحواري الذكي أو ما يعرف بروبوت الدردشة (chatbot) :

برنامج حاسوبي تفاعلي صُمّم لمحاكاة محادثة محدودة النطاق مع المستخدمين، عادة عبر النص أو الصوت، ويستخدم غالبا في مجالات خدمة العملاء، أو التعليم، أو الترفيه. وقد آثرت استعمال مصطلح "الوكيل الحواري الذكي" أو "روبوت المحادثة" بدلا من "روبوت الدردشة".