إطار عمل ديناميكي للتغذية الراجعة التصحيحية المكتوبة يدمج تقديم وكلاء الذكاء الاصطناعي لدعم المقالات المنظمة والتكرارية

ملخص

تقوم هذه الدراسة بمقارنة STEP-DWCF-R (عملية منظمة، متدرجة، مبنية على الأدلة للتغذية الراجعة الكتابية الديناميكية مع وكيل الذكاء الاصطناعي الآلي) لتحسين أداء كتابة IELTS من خلال الذكاء الاصطناعي متعدد الجولات ومراجعات مدعومة من المعلمين.

الملخص

أنظمة التغذية الراجعة الآلية للكتابة منتشرة، ومع ذلك معظمها يقدم تعليقات ثابتة ومجزأة توفر قاعدة محدودة للمراجعة. تقيم هذه الدراسة إطار عمل STEP-DWCF-R (عملية منظمة، طبقية، مدفوعة بالأدلة للتغذية الراجعة الكتابية التصحيحية الديناميكية مع وكيل الذكاء الاصطناعي الآلي)، حيث يتم تقديم التغذية الراجعة التي يولدها الذكاء الاصطناعي، التي يشرف عليها معلم، عبر وكيل ذكاء اصطناعي روبوتي عبر عدة جولات تكرارية خلال دورة مهمة مدتها أسبوع واحد. في تجربة شبه تجريبية استمرت ثمانية أسابيع، تم توزيع 32 متعلما من EFL عشوائيا إما إلى تغذية راجعة كتابية تصحيحية تقليدية (جولة واحدة لكل مهمة) أو STEP-DWCF-R. أكملت كلتا المجموعتين مقالات مهمة IELTS 2 في الأساس وما بعد الاختبار، والتي تم إخفاء هويتها، وعشوائية، وتقييمها من قبل مقيمين مستقلين (ICC = 0.86–0.93). أظهرت نماذج التأثيرات المختلطة الخطية أن مجموعة STEP-DWCF-R أظهرت مكاسب أكبر بشكل ملحوظ في الدرجة الإجمالية للنطاق (Δ = 1.03 مقابل 0.31 نطاق) وعبر جميع الأبعاد التحليلية الأربعة، مع أكبر تحسن لوحظ في التماسك والتماسك. أشارت بيانات العملية إلى أن متعلمي STEP-DWCF-R أكملوا في المتوسط 2.26 جولة مراجعة لكل مهمة، مع انخفاض خطي في عدد الأخطاء عبر الجولات. تشير هذه النتائج إلى أن إطار عمل STEP-DWCF-R المتكامل، الذي يشمل التغذية الراجعة التي تولدها الذكاء الاصطناعي، ومراقبة المعلمين، والتوصيل التكراري لوكيل الذكاء الاصطناعي الروبوتي، يرتبط بتحسن أكبر في كتابة IELTS مقارنة بالتغذية الراجعة التقليدية ذات الجولة الواحدة، مما يشير إلى تطبيقات عملية للتغذية الراجعة الديناميكية المعززة بالذكاء الاصطناعي في سياقات اللغة الإنجليزية كلغة أجنبية.

المقدمة

تظل التغذية الراجعة التحريرية التصحيحية (WCF) مركزية في بيداغوجية الكتابة للغة الثانية. تظهر الأدلة أن التنوع الشامل في الزراعة الشاملة يحسن دقة المتعلمين مع مرور الوقت، وعندما يتماشى مع الممارسة الصفية، يمكن أن يتعايش مع أساليب مركزة يمكن تطبيقها في سياقات أصيلة^1،2،3. أظهرت الدراسات الحديثة في الفصول الدراسية مكاسب مستدامة في الدقة والطلاقة من وجود WCF مستمر وشامل. تشير الأبحاث حول نطاق التغذية الراجعة إلى أن المعلمين يجب أن يستهدفوا النماذج بشكل استراتيجي بدلا من وضع علامات على كل شيء^{4، 5، 6، 7، 8، 9}. بالتوازي، نمت التقييمات الآلية للكتابة (AWE) والتغذية الراجعة التحريرية التحريرية الآلية (AWCF) بسرعة. النتائج متباينة: بعض الدراسات تظهر تحسنا في إنجاز المهام والنطاق النحوي مع برامج AWCF أو Criterion، بينما لم تجد أخرى ميزة كبيرة مقارنة بالملاحظات الموجهة فقط للمعلمين أو المراجعات المحلية السطحية إلى حد كبير. لعكس هذا التباين، نقوم عمدا بالتثليث عبر عدة دراسات AWCF بدلا من الاعتماد على مصدر واحد 10,11,12,13.

كما أن معتقدات المتعلمين حول من يقدم الملاحظات مهمة أيضا: فالعمل شبه التجريبي على المصدر المدرك يشير إلى أن الأداء والثقة يمكن أن يتغيرا عندما يتم تأطير التغذية الراجعة المتطابقة ك "معلم" مقابل "مؤتمتة"، مما يبرز الحاجة إلى مراعاة تأثيرات الإدراك في تصاميم AWCF^14,15. وبتوسيع هذا الخط، تشير الدراسات الناشئة إلى أن الروبوتات التعليمية، بسبب وجودها المتجسد، يمكن أن تعمل أيضا كمقدمي تغذية راجعة، مما قد يؤثر على تفاعل المتعلمين وثقتهم بطرق مميزة¹⁶.

خط بحثي مكمل، وهو التغذية الراجعة الكتابية التصحيحية الديناميكية (DWCF)، يركز على دورات التغذية الراجعة المتكررة والقابلة للإدارة والشاملة مع الترميز والمراجعة السريعة. تشير الأدلة من عدة بيئات إلى أن DWCF يحسن الدقة بشكل موثوق (مع تأثيرات متكررة على الطلاقة)، رغم أن النتائج قد تختلف حسب أهداف المقرر وعدد المتعلمين^{17، 18، 19، 20}. أخيرا، تشير الدراسات المبكرة حول التغذية الراجعة التي بوساطة الذكاء الاصطناعي التوليدي إلى تكافؤ مع ملاحظات المعلمين حول نتائج الكتابة والفوائد المحتملة عند اقترانها بتوجيهات لغوية معدنية صريحة، مما يحفز التكامل الأقرب بين التغذية الراجعة البشرية والذكاء الاصطناعي في سياقات اللغة الثانية^21,22.

لمعالجة هذه التحديات، نقترح إطار عمل STEP-DWCF-R (عملية منظمة، طبقية، مبنية على الأدلة لتغذية راجعة تصحيحية كتابية ديناميكية مع وكيل ذكاء اصطناعي روبوتي)، وهو نظام تغذية راجعة متعدد المراحل مبتكر مصمم لتقديم دعم كتابة منظم، تكراري، وموجه نحو العمليات. يستفيد نظامنا من القوة التنبؤية والتوليدية لنماذج اللغة الكبيرة (LLMs)، من خلال تقديم النماذج التقنية من خلال واجهة وكيل الذكاء الاصطناعي الآلي ومراقبة المعلمين، لتقسيم قضايا الكتابة المعقدة إلى فئات يمكن إدارتها، وتقديم الملاحظات عبر جولات متعددة من التفاعل، وتقييم فعاليته باستخدام مقاييس قائمة على النتائج والعمليات. من خلال تحويل التغذية الراجعة إلى عملية منظمة وتفاعلية، يتقدم STEP-DWCF-R بدعم الكتابة الآلي من تصحيح الأخطاء الثابتة إلى نظام أكثر تفاعلا وتجسدا وتركيزا على التعلم.

تركز مساهماتنا على ثلاثة تقدمات متكاملة. أولا، نقترح مخطط تمثيل تغذية راجعة منظم يصنف الأخطاء (مثل القواعد النحوية، التماسك) بحيث تكون تغذية راجعة نماذج اللغة الكبيرة التي يقدمها وكلاء الذكاء الاصطناعي الروبوتية قابلة للتنفيذ وقابلة للتفسير التربويعي. ثانيا، نقدم عملية متعددة المراحل تكرارية تنظم التغذية الراجعة عبر اللغة والبنية والاستدلال عبر عدة جولات لتقليل الحمل المعرفي وتعميق التفاعل. ثالثا، نوسع التقييم إلى ما هو أبعد من الدرجات ليشمل مقاييس موجهة للعمليات مثل تقليل الأخطاء وتبني التغذية الراجعة، مما يوفر رؤية أعمق لتأثير التعلم. تمثل أطر WCF أولى المحاولات لتنظيم التغذية الراجعة الكتابية التصحيحية ضمن تكنولوجيا التعليم. نشأت هذه الأنظمة في تقييم الكتابة الآلي (AWE) وتقييم المقالات الآلي (AES)، وركزت على اكتشاف الأخطاء والكفاءة بدرجة^13,14. تكمن مساهمتهم في قابلية التوسع: فقد يتمكن آلاف المتعلمين من تلقي التغذية الراجعة دون عنق الزجاجة الناتج عن التقييم البشري. ومع ذلك، كانت هذه الأطر عادة ما تقدم تعليقات ثابتة ومجزأة، مثل فحوصات القواعد، أو الاقتراحات المعجمية، أو الدرجات العامة التي واجه المتعلمون صعوبة في تحويلها إلى مراجعات ذات معنى^{23، 24، 25، 26}.

مع مرور الوقت، تطورت أبحاث WCF لتشمل المزيد من الأساليب المعتمدة على التكنولوجيا. سعت هذه الأنظمة الحديثة إلى التقاط جوانب أوسع من الكتابة من خلال الاستفادة من طرق الحوسبة^13,21. ومؤخرا، توسع النطاق أكثر مع التقنيات المجسدة، حيث بدأت الروبوتات التعليمية تعمل كمزودين للتغذية الراجعة في سياقات الكتابة أو التدريس. وجودهم الجسدي وإمكانياتهم التفاعلية يقدمون ديناميكيات جديدة من الثقة والتفاعل وتحفيز المتعلم. ومع ذلك، وعلى الرغم من هذه التطورات، ظل التوجه السائد ل WCF يركز على النتائج ^8,27: إنتاج الدرجات أو التعليقات المعزولة بطريقة لمرة واحدة. من الناحية التربوية، هذا التوجه غير متوافق مع التقييم التكويني، حيث يجب أن تدعم التغذية الراجعة المراجعة عبر المسودات وتدعم التفاعل فوق المعرفي 16,28,29,30,31. وهكذا، يكشف الحد المفاهيمي ل WCF عن فجوة دائمة: يتم تقديم التغذية الراجعة، لكنها ليست منظمة أو مرتبة لتوجيه عمليات التعلم.

استجابة لهذه القيود، بدأ الباحثون في استكشاف أساليب أكثر ديناميكية لكتابة الملاحظات. أبرزت التحقيقات المبكرة أهمية دورات التغذية الراجعة التكرارية، حيث يراجع المتعلمون عدة مرات تحت توجيه مبني^17,32. كما تم اقتراح تصنيف الأخطاء المنظمة لتحسين قابلية تفسير التغذية الراجعة ومواءمتها مع الأهداف التربوية^33,34. مفهوم إطار DWCF يعزز هذه الاتجاهات من خلال تضمين ثلاثة مبادئ تصميم: مخططات الخطأ الصريحة، التسليم المرحلي والتكراري، ومقاييس التقييم الموجهة نحو العمليات^19,35. بدلا من إغراق الطلاب بالكثير من التصحيحات دفعة واحدة، توزع DWCF الانتباه عبر طبقات الكتابة — الدقة السطحية، التماسك البنيوي، وعمق الجدل — عبر الجولات^{المتتالية 17، 33}. يمتد التقييم إلى ما هو أبعد من الدرجات النهائية ليشمل مؤشرات العمليات مثل معدلات تقليل الأخطاء، واعتماد التغذية الراجعة، وعمق المراجعة 10,19,25. على الرغم من وعده، لا تزال التطبيقات العملية ل DWCF نادرة، ومعظم الدراسات لا تتوقف عن تطبيقه في سياقات واسعة النطاق بوساطة تقنية 10,36,37. تسلط هذه الفجوة الضوء على الحاجة إلى أطر لا تفترض DWCF فحسب، بل تظهر أيضا جدواها في البيئات التعليمية الواقعية. يوضح الشكل 1 الإطار النظري الأوسع ل DWCF المقترح في الأدبيات. يقدم الشكل مبررا عاما لكيفية عمل التغذية الراجعة التصحيحية المكتوبة الديناميكية على مستويات متعددة، بما في ذلك النتائج المقاسة (مثل الدقة، التماسك) والبنى النظرية ولكن غير المقاسة في الدراسة الحالية (مثل تقليل قلق الكتابة، والطلاقة، والتعقيد). تم تضمينها من أجل التوجه النظري وليس كنموذج مباشر لهذه التجربة. العناصر المقابلة للنتائج ومقاييس العمليات المحللة هنا موضحة في الشكل؛ مسارات أخرى توضح ولم يتم تقييمها في هذه الدراسة.

ظهور نماذج اللغة الكبيرة والأنظمة متعددة الوسائط يوفر وسيلة قوية لتشغيل DWCF على نطاق واسع. نماذج اللغة الكبيرة، بفضل قدراتها على اللقطة الصفرية والقليلة، يمكنها توليد تغذية راجعة حساسة للسياق دون الحاجة إلى تدريب خاص بالمهمة^21,22. تشير التجارب الحديثة إلى إمكاناتها في التقسيم التوجيهي، والتحسين المسرحي، وتوليد التفسير، والتي تتماشى ارتباطا وثيقا بمبادئ DWCF 13,37,38,39. أظهرت الأبحاث التكميلية في التعاون بين الإنسان والذكاء الاصطناعي أن الحلقات التكرارية للتفاعل مع ملاحظات الذكاء الاصطناعي وتكييفها واعتمادها بشكل انتقائي يمكن أن تحسن جودة القبول والمراجعة^25,30. عندما تتجسد هذه العمليات من خلال الروبوتات، يكون للتفاعل القدرة النظرية على أن يصبح متعدد الوسائط — يجمع بين الإيماءة والصوت والحضور — مما قد يعزز إدراك المتعلم ودافعه أكثر⁴⁰.

مبنين على منطقة التطور القريب (ZPD)⁴¹، وفرضية المدخلات⁴²، ونظرية اكتساب المهارات⁴³، نضع STEP-DWCF-R كوحدة تحكم تربط دعم المتعلم، ومعالجة المدخلات، وتطوير المهارات. بشكل ملموس، تعمل التصنيفات المرتبطة بالمعايير، والقوائم المجمعة في الوقت المناسب، ودورات الذكاء الاصطناعي والبشر والروبوتات متعددة الجولات التي يراقبها المعلم في طبقة تكامل تتوسط المراجعة وتنتج نقاط النهاية القابلة للملاحظة التي تم تحليلها هنا (IELTS Overall و TR/CC/LR/GRA؛ الجولات، الاستيعاب، الأخطاء المستمرة، الوقت). تم نظرية بنى مثل تقليل قلق الكتابة لكنها لم تقاس في هذه التجربة.

البروتوكول

تمت الموافقة على هذا البروتوكول من قبل لجنة الأخلاقيات في مدرسة التعليم الابتدائي في كلية شانغراو للتعليم لمرحلة ما قبل المدرسة. كان جميع المشاركين بالغين (≥18 سنة) وقدموا موافقة مستنيرة مكتوبة قبل الدراسة.

1. تصميم الدراسة

ملاحظة: بسبب قيود الفصل الدراسي المتاح للتعليم الإنجليزي كلغة أجنبية (إجمالي التسجيل N = 32)، تم تقسيم المشاركين عشوائيا إلى مجموعتين كل منهما 16 شخصا. تم تحديد حجم العينة هذا، رغم أنه متواضع، كافيا لإجراء تحقيق تجريبي نظرا لتصميم ما قبل الموضوع وتوقعات التأثيرات الكبيرة بناء على دراسات DWCF السابقة 17,18,19,20.

1. قم بتوزيع المشاركين عشوائيا إلى مجموعتين (n = 16 لكل مجموعة) باستخدام العشوائية البسيطة. توليد تسلسل التخصيص باستخدام قائمة أرقام عشوائية مولدة بواسطة الحاسوب. إخفاء تخصيص المبلغ عن المدرب حتى يتم الانتهاء من التقييم الأساسي.
2. تأكد من أن كلا المجموعتين تدرس على يد نفس المدرس باستخدام مواد متطابقة وساعات تواصل متطابقة.
3. قدم الملاحظات إما من خلال التصحيح البشري المباشر (WCF) أو من خلال سير عمل STEP-DWCF-R، حيث يتم تقديم ملاحظات الذكاء الاصطناعي والمعلمين عبر وكيل ذكاء اصطناعي روبوتي.

2. مهام الكتابة

1. قم بكتابة مقال أساسي لمهمة IELTS 2 في الأسبوع الأول تحت ظروف الامتحان (≥250 كلمة، 40 دقيقة).
2. قم بإجراء ست مهام كتابة أسبوعية (الأسابيع 2–7). لكل مهمة:
   1. في WCF، قدم جولة واحدة من الملاحظات البشرية حول المقال.
   2. في STEP-DWCF-R، قم بتوليد تغذية راجعة للذكاء الاصطناعي، وإدارة ذلك مع معلم بشري، وتوجيه الوكيل الآلي للذكاء الاصطناعي لعرض الملاحظات بشكل تفاعلي للمتعلم.
   3. في STEP-DWCF-R، كرر دورة تغذية راجعة STEP-DWCF-R لمدة 2–3 جولات حتى اكتمال المراجعة.
3. أدير مقال ما بعد اختبار IELTS Task 2 في الأسبوع الثامن تحت نفس ظروف الامتحان. اتبع نفس جدول الأسبوع لكل مهمة في كلا المجموعتين. قدم ملاحظات الجولة الأولى خلال 24 ساعة من تقديم المسودة في STEP-DWCF-R. مطالبة المتعلمين بمراجعة وإعادة التقديم خلال 48 ساعة. اتبع نفس الجدول للجولات التالية وأكمل جميع الدورات ضمن نافذة الأسبوع.

3. سير عمل التغذية الراجعة

1. معالجة كل مسودة متعلمة باستخدام واجهة برمجة تطبيقات GPT-5 (النموذج = "gpt-5"، درجة الحرارة = 0.7، max_output_tokens = 2048) لتوليد تغذية راجعة مفصلة عبر أربع فئات ثابتة: القواعد، المفردات، التنظيم، والتفكير. يتم توفير موجه النظام الدقيق ومخطط إخراج JSON في المستودع مفتوح المصدر (https://github.com/YifangGaoinPG/Dynamic-Writing-Correction-Feedback/blob/main/evaluate.py، الدالة build_prompt() و normalize_reasoning()).
2. الإشراف على الملاحظات التي يولدها الذكاء الاصطناعي وفقا للمعايير التالية: إزالة الإيجابيات الكاذبة أو التعليقات غير الدقيقة؛ أضف القضايا الحرجة التي فاتتها المتوافقة مع معايير IELTS؛ التأكد من أن التعليقات قابلة للتنفيذ ومشجعة؛ والحفاظ على الاتساق مع مخطط الفئات الأربع. سجل قرارات الإشراف يدويا.
3. احفظ الملاحظات المراقبة بصيغة JSON ورفعها إلى واجهة وكيل الذكاء الاصطناعي الروبوتية (تطبيق ويب خفيف الوزن Flask).
4. قدم الملاحظات عبر واجهة الويب. عرض جداول منظمة لكل فئة (ملخص، قضايا، ونصائح للمراجعة). سجل تأكيدات المتعلم وطلبات التوضيح من خلال سجلات النظام. وطلب من المتعلمين مراجعة وإعادة تقديم مسوداتهم. كرر الدورة حتى ثلاث مرات لكل مهمة.
5. التحقق وحل المشكلة.
   1. تحقق من نجاح توليد الملاحظات بالذكاء الاصطناعي من خلال التأكد من أن الناتج هو JSON صالح، ويحتوي على الفئات الأربع المطلوبة: القواعد، المفردات، التنظيم، والمنطق. تأكد من إكمال مراقبة المعلمين من خلال التأكد من إزالة الإيجابيات الكاذبة، وإضافة المشاكل المفقودة، وحفظ ملف JSON المراقب.
   2. رفع ملف JSON المراقب إلى واجهة وكيل الذكاء الاصطناعي الروبوتية المبنية على Flask عبر نقطة الرفع النهائية. تأكد من نجاح الرفع عبر رسالة تأكيد الواجهة وإدخال سجل قاعدة البيانات. تسجيل إعادة تقديم المتعلمين تلقائيا من خلال سجلات تقديم النماذج.
   3. معالجة مخرجات الذكاء الاصطناعي غير المتوافقة (مثل JSON المشوهة، الفئات المفقودة، أو التغذية الراجعة غير الدقيقة) باستخدام دالتي ensure_json() و normalize_reasoning(). أعد توليد مخرجات API مع تعديل معلمات الأوامر حسب الحاجة. صحح ملف JSON يدويا أثناء مراقبة المعلمين إذا لزم الأمر، لضمان وجود جميع الفئات الأربع قبل التحميل.
      ملاحظة: أمثلة على ملاحظات الذكاء الاصطناعي الخام، والإصدارات التي يشرف عليها المعلمون، ومخرجات الواجهة المقدمة متوفرة في المستودع (بيانات/مجلد ودفاتر ملاحظات/).

4. قياس النتائج

1. حدد النتيجة الأساسية بأنها التغير في درجة التقييم الإجمالية لاختبار الآيلتس (من الأسبوع الأول إلى الأسبوع الثامن).
2. عرف النتائج الثانوية بأنها تغييرات في استجابة المهام، والتماسك والتماسك، والموارد المعجمية، والمدى والدقة النحوية.
3. عين اثنين من المقيمين المستقلين ذوي الخبرة في تقييم مهمة IELTS 2 لتقييم جميع المقالات. قم بإزالة الأسماء ومعرفات المجموعات من جميع المقالات. ترتيب المقالات عشوائيا وقم بتقييم الأعمى حسب المهمة الجماعية ونقطة الزمن. استخدم نفس طلب مهمة IELTS 2 لكل من الأساس للأسبوع الأول والأسبوع الثامن بعد الاختبار. حل نقاط الخلافات التي تزيد عن 0.5 نطاقات من خلال النقاش حتى يتم التوصل إلى توافق. تقييم موثوقية المقيمين باستخدام معامل الارتباط داخل الفئة المتوسط (ICC[2,2]).

5. قياس العمليات

1. سجل عدد جولات المراجعة لكل مهمة.
2. سجل استيعاب الملاحظات (المعتمدة، المعدلة، المرفوضة) من قبل المتعلمين.
3. تتبع الأخطاء المستمرة بين الدورات.
4. سجل وقت تغذية راجعة المعلمين، وقت تسليم الروبوت، ووقت مراجعة المتعلم.

6. تحليل البيانات

1. ملاءمة نماذج التأثيرات المختلطة الخطية مع تفاعل المجموعة، الزمن، والمجموعة × الزمن.
2. تطبيق نماذج التأثيرات المختلطة المعممة على مقاييس العمليات.
3. حجم التأثير التقريري، فترات ثقة 95٪، وقيم p المعدلة.
4. إجراء فحوصات متانة مع ANCOVA، والنماذج الخاصة بالتقييم، ونماذج SE قوية.

7. توفر الكود

جميع الكود، والمحفزات، ومخططات JSON، وملفات التنفيذ النموذجية المطلوبة لإعادة إنتاج نظام STEP-DWCF-R متاحة علنا على https://github.com/YifangGaoinPG/Dynamic-Writing-Correction-Feedback.

النتائج

التجارب والتحليل

قدم جميع المتعلمين ال32 بيانات أساسية. كانت بيانات ما بعد الاختبار متاحة ل 16 متعلما في كل مجموعة (WCF و STEP-DWCF-R؛ الشكل 2). يتم عرض الجدول الزمني للدراسة والمقاييس في الشكل 3، ويتم توضيح سير عمل التغذية الراجعة من البداية إلى النهاية في الشكل 4. تم عرض معايير إعداد التجارب والتنفيذ لنظام الذكاء الاصطناعي لدينا في الجدول 1

المناقشة

قارنت هذه الدراسة بين STEP-DWCF-R، وهو إطار تغذية راجعة تصحيحية كتابية ديناميكية متعددة المكونات مع وكيل ذكاء اصطناعي روبوتي، مع WCF في جولة واحدة خلال دورة كتابة IELTS استمرت ثمانية أسابيع. حقق STEP-DWCF-R مكاسب أكبر قبل وما بعد في النطاق الكلي وعبر TR وCC وLR وGRA. كما أكمل المتعلمون تحت STEP-DWCF-R المزيد من جولات المراجعة وأظهروا انخفاضا أسرع للأخطاء، حيث قدرت النماذج انخفاضا بحوالي 4.1 خطأ في كل جولة. أكبر تحسن كان في التماسك والتماسك (ΔΔ = 0.85)، مما يشير إلى أن التغذية الراجعة الم...

المواد

قائمة المواد المستخدمة في هذه المقالة

الاسم	الشركة	رقم فهرسي	التعليقات
Flask (Web Framework)	Pallets Projects	https://flask.palletsprojects.com	الإصدار 2.1؛ يُستخدم لواجهة الويب الخاصة بوكيل الذكاء الاصطناعي الآلي
API GPT-5	OpenAI	https://platform.openai.com	نموذج gpt-5، درجة الحرارة=0.7؛ لتوليد ملاحظات JSON منظمة
Jinja2	Pallets Projects	https://jinja.palletsprojects.com	قوالب التقديم على الخادم لواجهة الويب
Python	مؤسسة برمجيات Python	https://www.python.org	الإصدار 3.10؛ برمجة خلفية
Windows 11	Microsoft	https://www.microsoft.com/windows	نظام تشغيل لنظام تغذية الذكاء الاصطناعي