c

ba ABCDEFG 172

X¹uJ
« ‡ »«œü«Ë ÊuMH
«Ë WUI¦K
wMÞu
« fK:« U¼—bB¹ W¹dNý WOUIŁ V² WKKÝ
‫اﻟﺬﻛﺎء اﻻﺻﻄﻨﺎﻋﻲ‬

‫واﻗﻌﻪ وﻣﺴﺘﻘﺒﻠﻪ‬

‫ آﻻن ﺑﻮﻧﻴﻪ‬:‫ﺗﺄﻟﻴﻒ‬
‫ ﻋﻠﻲ ﺻﺒﺮي ﻓﺮﻏﻠﻲ‬:‫ﺗﺮﺟﻤﺔ‬

@NoorAlbersi_Library
Tele: Intellectualrevolution
 ‫اﻟﺬﻛﺎء اﻻﺻﻄﻨﺎﻋﻲ‬

secondary closed-
glaucoma angle
glaucoma
open- chronic
angled clsed
glaucoma angle
acute ciosed- glaucoma
DISEASE angle glaucoma
CLASSES
classification causal
links relations

corneal glaucomatous
edema loss of
visual
angle tield
ciosure cupping
elevated of optic
intraocular disk
PHYSIOPATHELOGICAL pressurre
STATES
associated
lin;s

gonioscopic
synechias
tonometry
loss of IOP= arcuate
pain visual acuity 45mm Hg scotomy
tesis
systems
fuzzy dilated ophthalmoscopy
vision pupil c/d 0.7
signs

OBSERVATIONS

‫ ﻷﻧﻈﻤﺔ اﳋﺒﻴﺮة ﻓﻲ اﻟﻄﺐ‬١-١٦‫ﺟﺪول‬

206
‫اﻷﻧﻈﻤﺔ اﳋﺒﻴﺮة ﻓﻲ اﻟﻄﺐ وﻋﻠﻢ اﻷﺣﻴﺎء‬

‫‪CASNET‬‬

‫)
(‬

‫‪EXPERT‬‬
‫ 
(‬ ‫)‬

‫  ‬ ‫ 
‬ ‫  ‬

‫‪EXPERT  CASNET ! 5 " 16 #$%‬‬

‫وﺑﺨﻼف ﻣﺎﻳﺴ‪ T‬ﻻ ﺗﺰداد ﻗﻮة اﻟﻌﻼﻗـﺔ ﻋـﻨـﺪﻣـﺎ ﺗـﺆدي ﻋـﺪة ﻗـﻮاﻋـﺪ إﻟـﻰ‬
‫ﻧﻔﺲ اﻟﻨﺘﻴﺠﺔ‪ ،‬ﺑﻞ ﻳﺆﺧﺬ ﻣﻌﺎﻣﻞ اﻟﻘﻴـﻤـﺔ اﻷﻛـﺒـﺮ‪ ،‬ﻓـﺈذا ﻛـﺎﻧـﺖ درﺟـﺔ اﺣـﺘـﻤـﺎل‬
‫ﻓﺮﺿﻴﺔ ﻣﺎ ﺗﻌﺎدل ‪ ٠٬٠٦‬ﺛﻢ ﺗﻜﺘﺴﺐ دﻋﻤﺎ ﻳﻌـﺎدل ‪ ٠٬٠٤‬ﺗﻈﻞ درﺟﺔ اﻻﺣﺘﻤﺎل‬
‫‪ ٠٬٠٦‬ﺑﻴﻨﻤﺎ ﻳﺨﺘﻠﻒ اﻷﻣﺮ ﻓﻲ ﻣﺎﻳﺴ‪ ،T‬ﻓﻴﺆدي ﻣﺜﻞ ﻫﺬا اﻟﻮﺿﻊ إﻟﻰ ﺗﻐﻴﺮ ﻓﻲ‬
‫درﺟﺔ اﺣﺘﻤﺎل اﻟﻔﺮﺿﻴﺔ ﻟﺘﺼﻞ إﻟﻰ ‪ .٧٦‬وﻣﻊ ذﻟﻚ ﻻ ﺗﺨﺘﻠﻒ اﻟﻨﺘﺎﺋﺞ ﻛﺜﻴﺮا ﻷن‬
‫ﻣﻌﺎﻣﻼت اﻻﺣﺘﻤﺎل ﻟﻬﺎ ﻣﻌﺎن ﻣﺨﺘﻠﻔﺔ ﻓﻲ اﻟﺒﺮﻧﺎﻣـﺠـ‪ T‬ﻛـﻤـﺎ أﻧـﻬـﺎ ﺗـﺴـﺘـﺨـﺪم‬
‫ﺑﻄﺮﻳﻘﺔ ﻣﺨﺘﻠﻔﺔ ﻓﻲ ﻛﻞ ﺑﺮﻧﺎﻣﺞ‪ :‬ﻓﺒﻴﻨﻤﺎ ﻳﺤﺴﺐ ﻣﺎﻳﺴ‪ T‬اﻟـﺰﻳـﺎدة ﻓـﻲ درﺟـﺔ‬
‫اﻻﺣﺘﻤﺎل‪ ،‬ﻳﺄﺧﺬ ‪ EXPERT‬اﻟﺜﻘﻞ اﻷﺳﺎﺳﻲ ﻟﺪرﺟﺔ اﻻﺣﺘﻤﺎل دون زﻳﺎدة وﻳﻘﻮم‬
‫ﻓﻲ اﻟﻨﻬﺎﻳﺔ ﺑﺤﺴﺎب زﻳﺎدة ﻟﻠﻔﺮﺿﻴﺔ اﻟﺘﻲ ﻳﺪﻋﻤﻬﺎ اﻟﻌﺪد اﻷﻛﺒﺮ ﻣﻦ اﻟﻘﻮاﻋـﺪ‬
‫‡ﺎ ﻳﻮﺣﻲ ﺑﺄﻧﻬﺎ أﻛﺜﺮ اﻟﻔﺮﺿﻴﺎت اﺗﺴﺎﻗﺎ‪.‬‬
‫وﺑﺮﻧﺎﻣـﺞ ‪v EXPERT‬ﻜﻦ ﻧﻘﻠﻪ ﺑﺴﻬﻮﻟﺔ ﻷﻧـﻪ ﻛـﺘـﺐ ﺑـﻠـﻐـﺔ ﻓـﻮرﺗـﺮان‪ ،‬إﻻ أن‬
‫اﻟﻌﺪد اﻟﻀﺨﻢ ﻣﻦ اﻻﺧﺘﺼﺎرات ا‪7‬ﺴﺘﺨﺪﻣﺔ ﺑﺠﻌﻞ ﻣﻦ اﻟﺼﻌﺐ ﻗﺮاءاﺗﻪ‪.‬‬
‫وﻳﻠﺨﺺ اﳉﺪول اﻟﺘﺎﻟﻲ اﻷﻧﻈﻤﺔ اﳋﺒﻴـﺮة اﻷﺳـﺎﺳـﻴـﺔ اﻟـﺘـﻲ اﺳـﺘـﺤـﺪﺛـﺖ‬
‫ﻟﻠﺘﻄﺒﻴﻘﺎت اﻟﻄﺒﻴﺔ‪.‬‬

‫‪207‬‬
 ‫اﻟﺬﻛﺎء اﻻﺻﻄﻨﺎﻋﻲ‬

‫ا‪7‬ﺆﻟﻒ‬ ‫اﺳﻢ اﻟﺒﺮﻧﺎﻣﺞ‬ ‫ا‪7‬ﻮﺿﻮع‬

‫أﻣﺮاض اﻟﺪم‬
‫‪(9)SHORTLIFFE‬‬ ‫‪MYCIN‬‬ ‫واﻟﺴﺤﺎﻳﺎ‬
‫‪(11)POPLe‬‬ ‫اﻷﻣﺮاض اﻟﺒﺎﻃﻨﻴﺔ ‪INTERNIST/CADUCEUS‬‬
‫‪(18)Shomliffe‬‬ ‫‪ONCOCIN‬‬ ‫اﻟﺴﺮﻃﺎن‬
‫‪(13)weiss‬‬ ‫‪CASNET‬‬ ‫اﳉﻠﻮﻛﻮﻣﺎ‬
‫‪(10)Pauker‬‬ ‫‪PIP‬‬ ‫اﻻﺿﻄﺮاﺑﺎت اﻟﻜﻠﻮﻳﺔ‬
‫ﻣﺘﺎﺑﻌﺔ ﻣﺮﺿﻰ اﻟﻌﻨﺎﻳﺔ ا‪7‬ﺮﻛﺰة ‪VM (12)Fagan‬‬
‫‪(15) Kunz‬‬ ‫‪PUFF‬‬ ‫اﻷﻣﺮاض اﻟﺼﺪرﻳﺔ‬
‫‪(19)Fieschi‬‬ ‫‪SPHINX‬‬ ‫آﻻم ﻣﻌﻮﻳﺔ‬
‫‪(16)Trgoboff‬‬ ‫‪Iris‬‬ ‫اﻟﺮﻣﺪ‬
‫‪(20)Gory‬‬ ‫‪DIGITALIS‬‬ ‫اﻟﻘﻠﺐ‬
‫‪(21)Patil‬‬ ‫‪ABEL‬‬ ‫‪PHCOHTROL‬‬
‫‪(22)Martin‬‬ ‫ﺗﺨﻄﻴﻂ اﻟﺘﺠﺎرب اﻟﺒﻴﻮﻟﻮﺟﻴﺔ ‪MOLGEN‬‬
‫‪(23)Engelmore‬‬ ‫‪CRYSALIS‬‬ ‫ﲢﻠﻴﻞ اﻟﺒﺮوﺗ‪T‬‬
‫‪(24)Gascuel‬‬ ‫‪SAM‬‬ ‫ﺿﻐﻂ اﻟﺪم اﻟﺸﺮﻳﺎﻧﻲ‬
‫ﺟﺪول‪ ١-١٦‬ﻷﻧﻈﻤﺔ اﳋﺒﻴﺮة ﻓﻲ اﻟﻄﺐ‬

‫اﻟﻮﺿﻊ اﻟﺮاﻫﻦ‬
‫أﻇﻬﺮت ﻫﺬه اﻷﻧﻈﻤﺔ اﳋﻄﻴﺮة ﻗﺪرة ﻋﻠﻰ اﻟﺘـﺸـﺨـﻴـﺺ ‪v‬ـﻜـﻦ أن ﺗـﻜـﻮن‬
‫ذات ﻓﺎﺋﺪة ﻓﻲ ا‪7‬ﺴﺘﺸﻔﻴﺎت وذﻟﻚ ﻋﻠﻰ اﻟﺮﻏﻢ ﻣﻦ اﻧﻌﺪام اﻟﺘﻌﻤﻖ ﻓﻲ اﻟﺮﺑﻂ‬
‫ﺑ‪ T‬اﻟﻈﻮاﻫﺮ اﻟﺘﻲ ‪v‬ﻜﻦ ﻟﻠﻨﻈـﻢ اﳋـﺒـﻴـﺮة أن ﺗـﻘـﻴـﻤـﻬـﺎ‪ ،‬ورﻏـﻢ أن ﻛـﺜـﻴـﺮا ﻣـﻦ‬
‫اﻷﻃﺒﺎء ﻻ ﻳﺮﻏﺒﻮن ﻓﻲ اﺳﺘﺨﺪام ﻣﺎ ﻳﻄﻠﻘﻮن ﻋﻠﻴﻪ »ﺗﻔﻜﻴﺮ اﻵﻟﺔ«‪ ،‬ﻓﺎﻧﻪ ‪v‬ﻜﻦ‬
‫اﻟﺘﻐﻠﺐ ﻋﻠﻰ ذﻟﻚ ﺑﺈﻳﻀﺎح ﺧﻂ اﻟﺘﻔﻜﻴﺮ اﻟﺬي ﺗﺘﺒﻌﻪ اﻵﻟﺔ وﺷﺮح اﻟﻄﺮﻳﻘﺔ اﻟﺘﻲ‬
‫ﻳﺴﺘﺨﺪﻣﻬﺎ اﻟﺒﺮﻧﺎﻣﺞ ﻓﻲ اﻟﺘﻮﺻﻞ إﻟﻰ اﻟﻨﺘﺎﺋﺞ‪.‬‬
‫وﻣﺎ ﻳﺠﺐ ﻋﻤﻠﻪ أﻻن ﺑﺴﺮﻋﺔ ﻫﻮ ﻧﻘﻞ ﻫﺬه اﻟـﻨـﻈـﻢ اﳋـﺒـﻴـﺮة إﻟـﻰ أﺟـﻬـﺰة‬
‫اﳊﺎﺳﺐ اﻟﺼﻐﻴﺮة‪ ،‬اﻟﺘﻲ ‪v‬ﻜﻦ أن ﻳﺴﺘﺨﺪﻣﻬﺎ اﻟﻄﺒﻴﺐ ﻓﻲ ﻋﻴﺎدﺗﻪ اﳋﺎﺻﺔ‪،‬‬
‫وﺑﺬﻟﻚ ﻻ ﻳﺤﺘﺎج اﻟﻄﺒﻴﺐ إﻟﻰ ﺧﻄﻮط ﺗﻠﻴﻔﻮﻧﻴﺔ ﻟﻜﻲ ﻳـﺘـﺼـﻞ ﺑـﺒـﺮﻧـﺎﻣـﺞ ﻛـﺒـﻴـﺮ‬
‫ﻳﻌﻤﻞ ﻋﻠﻰ ﺟﻬﺎز ﺑﻌﻴﺪ‪ .‬ﻛﻤﺎ ﻳﺠﺐ أﻳﻀﺎ أن ﻳﻜﻮن ‡ﻜﻨﺎ ﻟﻸﻃﺒﺎء أﻧﻔﺴﻬﻢ أن‬

‫‪208‬‬
‫اﻷﻧﻈﻤﺔ اﳋﺒﻴﺮة ﻓﻲ اﻟﻄﺐ وﻋﻠﻢ اﻷﺣﻴﺎء‬

‫ﻳﻌﺪﻟﻮا اﻟﺒﺮاﻣﺞ دون أن ﻳﻀﻄﺮوا إﻟﻰ اﺳﺘﺪﻋﺎء ﻋﺎﻟﻢ اﳊﺎﺳﺐ ﻟﻠـﻤـﺴـﺎﻋـﺪة‪،‬‬

‫وﻫﺬا ﻳﺘﻀﻤﻦ ﲢﺴﻦ ﻓﻲ اﻻﺗﺼﺎل أﻟﺒﻴﻨﻲ ﺑ‪ T‬ا‪7‬ﺴﺘﺨﺪم واﻵﻟﺔ‪.‬‬

‫‪209‬‬
 ‫اﻟﺬﻛﺎء اﻻﺻﻄﻨﺎﻋﻲ‬

References

(1) Degoulet P., Chantalou J.P., Chatelier G., Goupy S., Zwei genbaum P. (1983), Strucured and
standardarized medical records, Van Demmel, Ball and wigertz (eds.) MEDINFO-83, New York, North-
Holland, pp. 1164- 1168.
(2) Ledley R., Lusted L. (1959), Reasoning Foundations of medical diagnosis, Science, 130, pp. 9- 21.
(3) Junin C. M., Tupasa 1., Craig W.A. (1973), Use of antibiotics, a brief exposition of the problem and
some tentative solutions,Anns.Int. Medicine, 79, pp. 555- 560.
(4) Duda R.O., Hart P. E. (1973), Pattern classification and scene anal ysis, New York, Wiley.
(5) Lusted L.B. (1968), Introduction to medical decision making, Springfield, Ill., Charles C. Thomas.
(6) De Dombal FT., Gremy F. (eds.) (1976), Decision making and medical care: can information science
help?, New York, North-Holland.
(7) Fries J.F. (1972), Time-oriented patient records and a computer da tabank, J. Amer, Med. Assoc.,
222, pp. 1536- 1542.
(8) Blum R. (1982), Discovery and representation of causal re lationships from a large time-oriented
clinical database: the RX pro ject,Department of Computer Science report, STAN-CS-82900, Stan
ford University.
(9) Shortliffe E.H. (1976). Comøuter-based medical consultation: MYCIN, New York, Elsevier.
(10) Pauker S., Gorry A., Kassirer J., Schwartz W. (1976), Towards the simulation of clinical cognition
Taking a present illness by corn puter,American Journal of Medicine, June 1976, 60, pp. 98 1- 996.
(11) Pople H. (1982), Heuristic methods for imposing structure on ill-structured problems; the structuring
of medical diagnosis,in Artificial Intelligence in medicine, P. Szolovits (ed.), Boulder, Colorado, West-
view Press.
(12) Fagan L.M. (1980), VM Representing time-dependent relationsin a clinical setting Ph.D. dissertation,
Heuristic Programming project, Stanford University. (13) Weiss S., Kulikowski C., Safir A. (1978), A
model-based method for computer-aided medical decision making, Journal of Artificial In telligence,
11, pp. 145- 172.
(14) Kulikowski C., Weiss 5. (1982), Representation of expert know! edge for consultation: the CASNET
and EXPERT projects,in artificial Intelligence in medicine, P. Szolovits (ed.), Boulder, Colorado, West-
view Press.
(15) Kunz et al (1978), A physiological rule-based system for inter preting pulmonary function test
results,Heuristic programming project report, HPP-78- 19, Stanford University.
(16) Trigoboff M., Kulikowski C. (1977), IRIS, A system for the propagation of inferences in a semantic
net, IJCAI-77, pp.274- 280.

210
‫اﻷﻧﻈﻤﺔ اﳋﺒﻴﺮة ﻓﻲ اﻟﻄﺐ وﻋﻠﻢ اﻷﺣﻴﺎء‬

(17) De Dombal F.T., Leaper D.J., Staniland JR. (19720), Computer aided diagnosis of acute abdominal
pain,British Medical Journal, pp9- 13
(18) Shortliffe E.H., Scott C.A., Bishoff M.B., Van Melle W., Jacobs C.D. (1981), ONCOCIN: an
expert system for oncology protocol management,IJCAI-81, pp. 876- 881.
(19) Fiesch M. (1981), Aide a Ia decision en medicine: le systeme SPHINX. Application au diagnistic
dune douleur epigastrique.These de Doctorat en Medecine, marseille.
(20) Gorry G.A., Silverman H. Pauker S.G. (1978), Capturing clinical expertise: a computer program
that considers clinical responses to dig italis, American Journal of Medicine, pp. 452.460.
(21) Patil R., Szolovits P. Schwartz W.B. (1982), Modelling knowl edge of the patient in acid-base and
electrolyte disorders,in Artificial Intelligence in medicine, Szolovits (ed.), Boulder, Colorado, West-
view Press.
(22) Martin N., Friedland P., King J., Stefik M. (1977), Knowledge-based management for experiment
planning in moleculer genet ics,IJCAI-77, pp. 882- 887.
(23) Engelmore R., Terry A. (1979), Structure and function of the cry salis system,I JCAI-79, pp. 250-
256.
(24) Gascuel 0. (1981), Un systeme expert dans le domaine medical, these de 3e cycle, Universite Paris
VI.
(25) Fox J. Rector A. (1982), Expert systems for medical care?Automedica Vol. 4. pp. 123- 130.

211
‫اﻟﺬﻛﺎء اﻻﺻﻄﻨﺎﻋﻲ‬

‫‪212‬‬
‫اﻟﻨﻈﻢ اﳋﺒﻴﺮة ﻓﻲ اﻟﻌﻠﻮم واﻟﺼﻨﺎﻋﺔ‬

‫‪ 17‬اﻟﻨﻈﻢ اﳋﺒﻴﺮة ﻓﻲ اﻟﻌﻠﻮم‬

‫واﻟﺼﻨﺎﻋﺔ‬

‫ﻧـﺸـﻴـﺮ ﻓـﻲ ﻫـﺬا اﻟـﻔـﺼـﻞ إﻟـﻰ اﻟـﻨـﻈـﻢ اﳋـﺒـﻴــﺮة‬

‫اﻟﺮﺋﻴﺴﺔ اﻟﺘﻲ اﺳﺘﺤﺪﺛﺖ ﺣـﺘـﻰ اﻵن ﻟـﻠـﺘـﻄـﺒـﻴـﻖ ﻓـﻲ‬
‫اﻟﻌﻠﻮم واﻟﺼـﻨـﺎﻋـﺔ‪ ،‬ﻛـﻤـﺎ ﻧـﺼـﻨـﻔـﻬـﺎ وﻓـﻘـﺎ ﺠﻤﻟـﺎﻻﺗـﻬـﺎ‬
‫اﻟﺘﻄﺒﻴﻘﻴﺔ‪ ،‬وﻧﻌﻄﻲ وﺻﻔﺎ ﺗﻔﺼﻴﻠﻴﺎ ﻟﺒﻌﺾ ﻣﻨﻬﺎ‪.‬‬

‫دﻳﻨﺪرال وﻣﻴﺘﺎدﻳﻨﺪرال ‪ DENDRAL‬و ‪META-‬‬

‫‪DENDRAL‬‬
‫ﻳﻬﺪف دﻳﻨﺪرال ‪ (١)DENDRAL‬إﻟﻰ اﻟﺘﻌﺮف ﻋﻠﻰ‬
‫ﺑﻨﻴﺔ اﳉﺰيء اﻟﻌﻀﻮي‪ organic Molecule-‬ﺑﺎﺳﺘﺨﺪام‬
‫ﺑﻴﺎﻧﺎت اﻟﻜﻴﻤﻴﺎء اﻟﻄﺒﻴﻌﻴﺔ واﻟﻄﻴﻔﻴﺔ‪ ،‬وﻳﻌﻄﻲ ﺗﻔﺴﻴﺮ‬
‫ﺑﻨﻮد ﻫﺬه اﻟﺒﻴﺎﻧﺎت ﺗﺮﻛﻴﺒﺎت ﻣﺤﺘﻤـﻠـﺔ ﻟـﺒـﻌـﺾ ذرات‬
‫اﳉﺰيء اﻟﻌﻀﻮي‪ ،‬ﻛﻤﺎ أن ﲡﻤﻴﻊ ﻫﺬه اﻷﺟﺰاء ‪v‬ﻜﻨﻨﺎ‬
‫ﻣﻦ اﻟﺘﻮﺻﻞ إﻟﻰ اﻟﺘﺮﻛﻴﺐ اﻟﺘﻜﻮﻳﻨﻲ اﻟﻜﺎﻣﻞ ﻟﻠﺠﺰيء‪،‬‬
‫وﺗﺴﻴﺮ ﻫﺬه اﻟﻌﻤﻠﻴﺔ ﻓﻲ ﺛﻼث ﻣﺮاﺣﻞ‪.‬‬
‫‪ -١‬اﻟﺘﻮﻟﻴﺪ‪ :‬ﺣﺼﺮ ﺟﻤﻴﻊ اﻹﻣﻜﺎﻧﺎت ﺑﺎﺳـﺘـﺨـﺪام‬
‫ﺑﺮﻧﺎﻣﺞ ‪ (٢)Congen‬اﻟﺬي ﻳﻌﺘﻤﺪ ﻋﻠﻰ‪ ،‬وﻳﻌﺘﺒﺮ ﺗﻄﻮﻳﺮا‬
‫ﳋـﻮارزم ﺗـﻮﻓـﻴـﻘـﻲ اﺳـﺘ ـﺤــﺪﺛــﻪ ج‪ .‬ﻟ ـﻴــﺪﻳــﺮﺑ ـﻴــﺮج ‪J.‬‬
‫‪.Lederberg‬‬
‫‪ -٢‬اﻟﺘﺨﻄﻴﻂ‪ :‬ﺗﻨﻔﻴﺬ ﺑﻌﺾ اﻟﻘﻴﻮد اﻟﺘﻲ ﲢﺪ ﻣﻦ‬

‫‪213‬‬
 ‫اﻟﺬﻛﺎء اﻻﺻﻄﻨﺎﻋﻲ‬

‫ﺣﺠﻢ اﻟﺒﺤﺚ اﻟﺬي ﺗﻮﻟﺪه ا‪7‬ﺮﺣﻠﺔ اﻷوﻟﻰ واﻟﺬي ﻗﺪ ﻳﻜﻮن ﻛﺒﻴﺮا ﺟﺪا‪.‬‬
‫‪ -٣‬اﻻﺧﺘﺒﺎر واﻟﺘﺼﻨﻴﻒ‪ :‬ﺑﻨﺎء وﺗﻨﻔﻴﺬ ﻗﻴﻮد أﺧﺮى ﻟﺘﺨﻔﻴﺾ ﻋﺪد اﻻﺣﺘﻤﺎﻻت‬
‫اﻟﺘﻲ ﻳﺘﺤﺘﻢ اﻟﻨﻈﺮ ﻓﻴﻬﺎ‪ ،‬ﻣﻊ ﺗﺮﺗﻴﺐ ﻫﺬه اﻻﺣﺘﻤﺎﻻت ﺗـﺮﺗـﻴـﺒـﺎ ﺗـﻨـﺎزﻟـﻴـﺎ ﻃـﺒـﻘـﺎ‬
‫ﻟﺪرﺟﺔ ا‪7‬ﻌﻘﻮﻟﻴﺔ أو اﻻﺳﺘﺤﺴﺎن‪.‬‬
‫و‪v‬ﻜﻦ أن ﻳﺴﺘﺨﺪم ﻣﻴﺘﺎ دﻳﻨﺪرال ﻛﺒﺮﻧﺎﻣﺞ ﺗﻌﻠﻴﻤﻲ اﺳـﺘـﻘـﺮاﺋـﻲ ﻟـﺘـﻄـﻮﻳـﺮ‬
‫وﺗﻌﻤﻴﻢ اﻟﻘﻮاﻋﺪ اﻟﺘﻲ ﻳﺴﺘﺨﺪﻣﻬﺎ دﻳﻨﺪرال‪ ،‬ﻛﻤﺎ ﻳﻮﻟﺪ ﻗﻮاﻋﺪ ﺟﺪﻳﺪة‪ ،‬وﻳﺒـﻨـﻲ‬
‫ﻋﻤﻠﻪ ﻋﻠﻰ ﻣﻌﻠﻮﻣﺎت ﻃﻴﻔﻴﺔ ﺷﺎﻣﻠﺔ‪ ،‬وﻳﺘﻌﺎﻣﻞ ﻣﻊ اﻵﻟﺔ ﻛﺼﻨﺪوق ﻣﻐﻠﻖ ﻳﺤﺎول‬
‫اﻛﺘﺸﺎف اﻟﻘﻮاﻋﺪ اﻟﺘﻲ ﲢﻜﻤﻪ‪ ،‬أي اﻟـﻘـﻮاﻋـﺪ اﻟـﺘـﻲ ﲢـﻜـﻢ ﲡـﺰأ اﳉـﺰﻳـﺌـﺎت‬
‫اﻟﻌﻀﻮﻳﺔ‪ ،‬وﻫﻜﺬا ‪v‬ﻜﻦ ‪7‬ﻴﺘﺎ دﻳﻨﺪرال أن ﻳﺴﺘﻨﺘﺞ ﻗﺎﻋﺪة ﻣﻦ اﻟﻨﻮع اﻟﺘﺎﻟﻲ‪:‬‬
‫ﻗﺎﻋﺪة‪N-C-C-C----> N-C*C-C :‬‬
‫وﺗﻌﻨﻲ ﻫﺬه اﻟﻘﺎﻋﺪة أﻧـﻪ إذا ﻛـﺎن اﳉـﺰيء ﻳـﺤـﺘـﻮي ﻋـﻠـﻰ ذرة ﻧـﻴـﺘـﺮوﺟـ‪T‬‬
‫ﻣﺘﺼﻠﺔ ﺑﺴﻠﺴﻠﺔ ﻣﻦ ﺛﻼث ذرات ﻣﻦ اﻟﻜﺮﺑﻮن‪ ،‬ﻓﺈن اﻟﻔﺼﻞ ﺳﻴﻜﻮن ﺑ‪ T‬ذرﺗﻲ‬
‫اﻟﻜﺮﺑﻮن اﻟﻮﺳﻄﻴ‪.T‬‬
‫ﻣﺎﻛﺴﻴﻤﺎ ‪(٤)MACSYMA‬‬

‫وﻳﻬﺪف ﻫﺬا اﻟﺒﺮﻧﺎﻣﺞ ﻟﻠﻤﺴﺎﻋﺪة ﻓﻲ ﺣﻞ ﻣـﺴـﺎﺋـﻞ اﻟـﺘـﻔـﺎﺿـﻞ واﻟـﺘـﻜـﺎﻣـﻞ‬

‫وا‪7‬ﻌﺎدﻻت اﳉﺒﺮﻳﺔ وﺟﺒﺮ ا‪7‬ﺼﻔﻮﻓﺎت وا‪7‬ﺘـﺠـﻬـﺎت ‪vector and matrix algebra‬‬
‫و‪v‬ﺜﻞ ﻫﺬا اﻟﺒﺮﻧﺎﻣﺞ أﺣﺪ اﳉﻬﻮد اﻟﻜﺒﺮى ﻓﻲ ﺗﺎرﻳـﺦ اﻟـﺬﻛـﺎء اﻻﺻـﻄـﻨـﺎﻋـﻲ‪،‬‬
‫وﻳﺒﻠﻎ اﻟﻮﻗﺖ ا‪7‬ﺒﺬول ﻓﻴﻪ ﺣﻮاﻟﻲ ﺧﻤﺴ‪ T‬ﺳﻨﺔ‪ ،‬وﻳﺸﻤﻞ اﻟﺒﺮﻧﺎﻣﺞ‪.‬‬
‫‪ -‬ﻗﻮاﻋﺪ ﻟﺘﺒﺴﻴﻂ ا‪7‬ﻌﺎدﻻت اﻟﺮﻳﺎﺿﻴـﺔ وﲢـﺪﻳـﺪ اﻟـﺘـﻨـﺎﻇـﺮ ﺑـﻴـﻨـﻬـﺎ‪ ،‬وﻫـﺬه‬
‫اﻟﻘﻮاﻋﺪ ﺳﻬﻠﺔ اﻻﺳﺘﺨﺪام ﻛﻤﺎ ‪v‬ﻜﻦ ﻟﻠﻤﺴﺘﺨﺪم أن ﻳﻀﻴﻒ إﻟـﻴـﻬـﺎ إذا أراد‪.‬‬
‫ﻣﺜﺎل ذﻟﻚ‪:‬‬
‫)‪Sin (x + 1/2 π‬‬ ‫‪2‬‬ ‫‪2‬‬
‫‪cos X , Sin + cos x‬‬ ‫‪1‬‬
‫)‪log (ab‬‬ ‫‪loga + logb‬‬
‫‪ -‬إﺟﺮاءات ﻟﻠﺘﻌﺮف ﻋﻠﻰ اﻷﺷﻜﺎل اﳉﺒﺮﻳـﺔ‪ ،‬ﻟـﻴـﺲ ﻓـﻘـﻂ ﻋـﻠـﻰ ا‪7‬ـﺴـﺘـﻮى‬
‫اﻟﺘﺮﻛﻴﺒﻲ ﺑﻞ أﻳﻀﺎ ﻋﻠﻰ ا‪7‬ﺴﺘﻮى اﻟﺪﻻﻟﻲ‪ ،‬ﻓﻬﻲ ‪v‬ﻜﻦ أن ﺗﺪرك أن ‪3X2 + 4x-‬‬
‫‪v 1‬ﻜﻦ أن ﺗﺘﺨﺬ اﻟﺸﻜﻞ اﻟﺘﺎﻟﻲ ‪ ax2 + Bx + c‬وﻛﺬﻟﻚ )‪(x-١) (x + ١‬‬
‫‪ -‬إﺟﺮاءات اﺳﺘﻨﺘﺎﺟﻴﻪ وﲡﺮﻳﺒﻴﺔ‪ ،‬ﻓﺈذا ﺣﺪد ا‪7‬ﺴﺘﺨـﺪم‪ ،‬ﺑـﻮاﺳـﻄـﺔ اﻷﻣـﺮ‬
‫‪ Declare,‬أن ‪ N‬ﻋﺪد ﺻﺤﻴﺢ ﻳﻘﻮم ﻣﺎﻛﺴﻴﻤﺎ ﺑﺎﺳﺘﻨﺘﺎج أن ‪cos (n + 1/2) π =O‬‬
‫و‪v‬ﻜﻦ ﻟـﻠـﺨـﻮارزم اﻟـﺬي اﺳـﺘـﺤـﺪﺛـﻪ ﺟـﻴـﻨـﻴـﺴـﻴـﺮث ‪ (٥)Genesereth‬ﻣـﻦ اﻟـﻘـﻴـﺎم‬

‫‪214‬‬
‫اﻟﻨﻈﻢ اﳋﺒﻴﺮة ﻓﻲ اﻟﻌﻠﻮم واﻟﺼﻨﺎﻋﺔ‬

‫ﺑﺎﺳﺘﻨﺘﺎﺟﺎت ﺗﺼﻨـﻴـﻔـﻴـﺔ ‪ Deductions TKonoric-type‬واﻧﺘﻘﺎل اﳋﺼـﺎﺋـﺺ ﻣـﻦ‬

‫ﻛﻴﺎن ﻵﺧﺮ‪ ،‬واﻟﻨﻈﺮ ﻓﻲ ﺗﻘﺎﻃﻊ اﺠﻤﻟﻤﻮﻋﺎت‪.‬‬
‫وﻗﺪ „ ﺗﺮﻛﻴﺐ اﻟﺒﺮﻧﺎﻣﺞ ﻓـﻲ ‪ MIT‬و‪v‬ﻜﻦ ﺗﺸﻐﻴﻠﻪ ﻋﻦ ﻃﺮﻳﻖ ﺷﺒﻜـﺔ أرﺑـﺎ‬
‫‪ ARPA‬وﻗﺪ ﻛﺘﺐ ﻫﺬا اﻟﺒﺮﻧﺎﻣﺞ ﺑﻠﻐﺔ ﻟﻴﺴﺐ‪ ،‬واﺳﺘﺨﺪﻣﻪ ﻛﺜﻴﺮ ﻣﻦ اﻟﻌﺎﻣﻠ‪.T‬‬
‫وﻗﺪ ﻛﺘﺒﺖ ﺑﺮاﻣﺞ أﺧﺮى ﻟﺘﻘﻮم ﺑﻌﻤﻠﻴﺎت اﻟﺘﻜﺎﻣﻞ اﳉﺒﺮي‪ ،‬وﻟﻜﻦ ﺑﺎﺳﺘﺨﺪام‬
‫)‪(٦‬‬
‫ﻗﺎﻋﺪة ﻣﻌﺮﻓﺔ أﺻﻐﺮ‪ ،‬وﻣﻦ ﻫﺬه اﻟﺒﺮاﻣﺞ ‪ REDUCE‬اﻟﺬي اﺳﺘﺤﺪﺛﻪ ‪hearm‬‬
‫وﺑﺮﻧﺎﻣﺞ آﺧﺮ ﻟﻠﻮﻟﻴﻴﺮ ﻣﻌﺘﻤﺪا ﻋﻠﻰ ‪ (٧)SNARK‬وﺑﺮﻧﺎﻣﺞ ‪7 LEX‬ﻴﺘﺸﻴﻞ)‪ (٨‬وﻳﺘﻤﻴﺰ‬
‫اﻷﺧﻴﺮ ﺑﺎﺷﺘﻤﺎﻟﻪ إﺟﺮاءات ﻟﻠﺘﻌﻠﻢ‪.‬‬

‫ﺑﺮوﺳﺒﻴﻜﺘﻮر ‪(٩) PROSPECTOR‬‬

‫ﻳﺘﻌﻠﻖ ﻫﺬا اﻟﺒﺮﻧﺎﻣﺞ ﺑﺠﻴﻮﻟﻮﺟﻴﺎ ا‪7‬ﻌﺎدن‪ ،‬وﻫﻮ ﻳﻌﺎﻟﺞ ا‪7‬ﺸﻜﻠﺔ اﻟﺘﺎﻟـﻴـﺔ‪ :‬إذا‬
‫ﺗﻮﻓﺮ ﻟﻨﺎ وﺻﻔﺎ ﺟﻴﻮﻟﻮﺟﻴﺎ ‪7‬ﻨﻄﻘﺔ ﺣﻔﺮ‪ ،‬ﻣﺎ ﻫﻲ ا‪7‬ﻌﺎدن ا‪7‬ﺘﻮﻗﻊ اﺳﺘﺨﺮاﺟـﻬـﺎ‬
‫ﻣﻦ ﻫﺬه ا‪7‬ﻨﻄﻘﺔ? وﻳﺴﺘﺨﺪم اﻟﺒﺮﻧﺎﻣﺞ ﻋﻤﻠﻴﺎت اﺳﺘﺪﻻﻟﻴﺔ ﻣﺴﺘﻘﻠﺔ ﻏﻴﺮ ﻣﺮﺗﺒﻄﺔ‬
‫ﺑﺎ‪7‬ﻮﺿﻮع اﳋﺎص )ﻫﻨﺎ اﳉﻴﻮﻟﻮﺟﻴـﺎ( ﺑـﺎﺳـﺘـﺨـﺪام ﺷـﺒـﻜـﺎت دﻻﻟـﻴـﺔ ﻣـﻘـﺴـﻤـﺔ‬
‫وﻣﺠﻤﻌﺔ ﺑﻜﻔﺎءة‪.‬‬
‫و‪v‬ـﻜـﻦ إﻇـﻬـﺎر ﻋـﺪم اﻟـﻴـﻘـ‪ T‬ﺳـﻮاء ﻓـﻲ اﻟـﺒـﻴـﺎﻧـﺎت ا‪7‬ـﺴـﺘ ـﺨــﺪﻣــﺔ أو ﻓــﻲ‬
‫اﻻﺳﺘﻨﺘﺎﺟﺎت اﻟﺘﻲ ﻳﺘﻮﺻﻞ إﻟﻴﻬﺎ اﻟﺒﺮﻧﺎﻣﺞ‪ ،‬و‪v‬ﻜﻦ إدﺧﺎل اﻟﺒﻴﺎﻧﺎت ﻓﻲ ﺑﺪاﻳﺔ‬
‫دورة اﻟﺘﺤﺎور ﻣﻊ اﳊﺎﺳﺐ ﻓﻲ ﺷﻜﻞ ﻋﺒﺎرات ﺑﺴﻴﻄﺔ ﺑﻠﻐﺔ ﻃﺒـﻴـﻌـﻴـﺔ‪ ،‬وﲢـﻠـﻞ‬
‫ﻫﺬه اﻟﻌﺒﺎرات ﺑﻮاﺳﻄﺔ اﻟﻨﺤﻮ اﻟﺪﻻﻟﻲ اﻟـﺬي ﻳـﺴـﺘـﺨـﺪﻣـﻪ ﺑـﺮﻧـﺎﻣـﺞ اﻟـﺘـﺤـﻠـﻴـﻞ‬
‫‪) (١١)LIFER‬اﻧﻈﺮ اﻟﻔﺼﻞ اﻟﺴﺎﺑﻊ( وﻗﺪ اﺳﺘﺨﺪم ﺑﺮﻧﺎﻣﺞ اﻟﺘﺤﻠﻴﻞ ﻫﺬا ﻟﺘﻄﻮﻳﺮ‬
‫ﻋﺪة ﺑﺮاﻣﺞ ﺑﻴﻨﻴﺔ ﻟﻠﻐﺔ اﻟﻄﺒﻴﻌﻴﺔ وﻗﻮاﻋﺪ اﻟﺒﻴـﺎﻧـﺎت‪ ،‬وﻋـﺎدة ﻣـﺎ ﺗـﻜـﻮن ﺟـﻠـﺴـﺔ‬
‫اﻟﺘﺤﺎور ﻣﺘﻔﺎﻋﻠﺔ ‪ interactive‬وﻗﺪ ﻳﻄﻠﺐ اﻟﺒﺮﻧﺎﻣﺞ أﺛﻨﺎءﻫﺎ ﻣﻌﻠﻮﻣﺎت إﺿﺎﻓﻴﺔ‪،‬‬
‫وﺷﺄﻧﻪ ﺷﺄن ﺑﺮاﻣﺞ اﻟﻨﻈﻢ اﳋﺒﻴﺮة ا‪7‬ﺘﻘﺪﻣﺔ‪ ،‬ﻳﺴﺘﻄﻴﻊ ﺑﺮﻧﺎﻣﺞ ﺑﺮوﺳﺒﻜﺘﻮر أن‬
‫ﻳﺸﺮح ﻋﻤﻠﻪ ﻓﻲ أي ﻣﺮﺣﻠﺔ ﻓﻲ اﳉﻠﺴﺔ‪ ،‬ﻛﻤﺎ ‪v‬ﻜﻨﻪ ﺗﺒﺮﻳﺮ اﻟﻨﺘﺎﺋﺞ اﻟﺘﻲ ﺗﻮﺻﻞ‬
‫إﻟﻴﻬﺎ‪.‬‬
‫وﻗﺪ ﻃﻮرت ﻋﺪة أدوات ﻧﺎﻓﻌﺔ ﺟﺪا ﺣﻮل ﺑﺮوﺳﺒﻜﺘﻮر‪ ،‬ﻣﻨﻬﺎ ﺑﺮﻧﺎﻣﺞ ﻳﻘﻮم‬
‫ﺑﺘﺮﺟﻤﺔ ﻣﺰدوﺟﺔ ﺑ‪ T‬اﻟﺸﻜﻞ اﻟﺪاﺧﻠﻲ ﻟﻠﻤﻌﻠﻮﻣﺎت )اﻟﺸﺒـﻜـﺔ اﻟـﺪﻻﻟـﻴـﺔ( وﺑـ‪T‬‬
‫اﻟﺸﻜﻞ اﳋﺎرﺟﻲ اﻟﻘﺮﻳﺐ ﻣﻦ اﻟﻠﻐﺔ اﻟﻄﺒﻴﻌﻴﺔ‪ ،‬وﻳﺴﺎﻋﺪ ‪Knowledge Acquisition‬‬
‫)‪ system (KAS‬ﺑﺮﻧﺎﻣﺞ اﻛﺘﺴﺎب ا‪7‬ﻌﻠﻮﻣﺎت)‪ (١٢‬ا‪7‬ﺴﺘﺨﺪم ﻋﻠﻰ ﺧﻠﻖ ﺎذج ﺟﺪﻳﺪة‬

‫‪215‬‬
 ‫اﻟﺬﻛﺎء اﻻﺻﻄﻨﺎﻋﻲ‬

‫أو ﺗﻌﺪﻳﻞ ﺗﻠﻚ ا‪7‬ﻮﺟﻮدة ﻣﻦ ﻗﺒﻞ‪ ،‬وﻳﻘﻮم‪ KAs‬ﺑﺎﻟﺘﺄﻛﺪ ﻣﻦ أن درﺟﺔ اﻻﺳﺘﺤﺴﺎن‬

‫ا‪7‬ﻘﺪرة ﻷﺣﺪاث ﻣﻌﻴﻨﺔ ﺗﺮاﻋﻰ ﻗﻴﻮد ﻣﻌﻴﻨﺔ‪ ،‬ﻓـﺈذا ﻛـﺎﻧـﺖ درﺟـﺔ اﻻﺳـﺘـﺤـﺴـﺎن‬
‫ﳊـﺪث ﻣـﺎ ‪ A‬ﻫﻲ )‪ ،PI(A‬وﻛـﺎﻧـﺖ ‪ A‬ﻣﺠـﻤـﻮﻋـﺔ ﻓـﺮﻋـﻴـﺔ ﻣـﻦ ‪ ،B‬ﻓﺎن اﻟـﻌـﻼﻗـﺔ‬
‫)‪ PI(A)> PI (B‬ﻣﻜﻦ أن ﺗﻜﻮن ﺻﺎدﻗﺔ أﺑﺪا‪ ،‬ﻷن ‪ A‬ﻳﺠﺐ أ ن ﺗﺮاﻋﻲ ﻛﻞ اﻟﻘﻴﻮد‬
‫ﻋﻠﻰ ‪ ،B‬ﺑﻞ وﻗﻴﻮد أﻛﺜﺮ ﻣﻦ ﺗﻠﻚ ا‪7‬ﻔﺮوﺿﺔ ﻋﻠﻰ ‪ B‬ﻧﻔﺴﻬﺎ‪.‬‬
‫وﻳﺒ‪ T‬ﺷـﻜـﻞ‪ ١-١٧‬ﺟﺰءا ﻣﻦ ﺷﺒﻜﺔ اﻻﺳﺘﻨﺘﺎج ﻟـﺒـﺮوﺳـﺒـﻜـﺘـﻮر‪ ،‬و‪v‬ـﺜـﻞ أﺣـﺪ‬
‫اﻟﺮﻗﻤ‪ T‬ا‪7‬ﺮﺗﺒﻄ‪ T‬ﺑﻜﻞ ﻓﺮع درﺟﺔ اﻟﻜﻔﺎﻳﺔ )‪ Degree of Sufficiency (DS‬ﺑﻴﻨﻤﺎ‬
‫‪v‬ﺜﻞ اﻵﺧﺮ درﺟﺔ اﻟﻀـﺮورة )‪ Degree of Necessity (DN‬وﺗﻌﻨﻲ درﺟﺔ اﻟﻜﻔﺎﻳﺔ‬
‫اﻟﻌﺎﻟﻴﺔ ﳊﺪث أو ﻣﻼﺣﻈﺔ ‪ E‬أن ﻫﺬا اﳊﺪث أو ا‪7‬ﻼﺣﻈﺔ ﻛﺎف ﻟﻘﻴﺎم اﻟﻔﺮض‬
‫‪7‬ﺎ ودرﺟﺔ اﻟﻜﻔﺎﻳﺔ اﻟﻼﻣﻨﺘﻬﻴﺔ ﻣﺴﺎوﻳﺔ ﻣﻨﻄﻘﻴـﺎ ﻟـﻠـﺠـﺰم ﺑـﺄن ‪ E--->H‬واﻟﻘﻴﻤـﺔ‬
‫اﻟﺼﻐﺮى ﻟﺪرﺟﺔ اﻟﻀﺮورة ‪ DN <<1‬ﺗﻌﻨﻲ أن اﳊﺪث أو ا‪7‬ﻼﺣﻈﺔ ﻣﺢ ﺿﺮورﻳﺔ‬
‫ﻟﻘﻴﺎم اﻟﻔﺮض ‪7‬ﺎ ﻓﺈذا ﻛﺎن ‪ DN = O‬ﻳﻜﻮن ذﻟﻚ ﻣﺴﺎوﻳﺎ ﻣﻨﻄﻘﻴﺎ ﻟﻠﺠﺰم ﺑﺄن ‪H-‬‬
‫‪ -->E‬وﻫﻜﺬا ﻛﻤﺎ ‪v‬ـﻜـﻦ أن ﻧـﺮى ﻓـﻲ ﺷـﻜـﻞ ‪١ -١٧‬ﻳﻈﻬﺮ وﺟـﻮد »رﻗـﺒـﺔ ‪«neck‬‬
‫ﻛﺪﻟﻴﻞ ﻗﻮى )درﺟﺔ ﻛﻔﺎﻳﺔ ‪ (٣٠٠‬ﻟﻮﺟﻮد اﻟﺼﺨﻮر اﻟﻨﺎرﻳﺔ وﻟﻜﻦ ﻟﻴﺲ ﻋﻠﻰ اﻹﻃﻼق‬
‫ﺿﺮورﻳﺎ )درﺟﺔ اﻟﻀﺮورة =‪ ،(١‬ﺑﻴﻨﻤﺎ ﺗﻘﻞ درﺟﺔ اﻟﻜﻔﺎﻳﺔ »ﻟﻠﺮﻗﺒﺎت اﻟﺒﺮﻛﺎﻧﻴﺔ‬
‫‪ «Dikes‬أو »اﻟﺘﺪاﺧﻞ اﻟﺒﺮﻛﺎﻧﻲ« )درﺟﺔ اﻟﻜﻔﺎﻳﺔ ‪ .(٢٠٬٧٥‬وﻟﻜﻦ ﺣﻘﻴﻘﺔ أن ﻛﺘﻠﺔ‬
‫ﻣﻌﻴﻨﺔ ﺗﺘﻤﻴﺰ ﺑﻮﺟﻮد ﺻﺨﻮر ﻧﺎرﻳﺔ ﻫﻮ ﺷﺮط ﻛﺎف وﺿﺮوري ﻟﻜﻲ ‪v‬ﻜﻦ ﺗﺼﻨﻴﻔﻬﺎ‬
‫ﺑﺄﻧﻬﺎ ﺑﻴﺌﺔ ﻫﺎوﻳﺔ أو ﻣﺘﻌﻠﻘﺔ ﺑﺄﻋﻤﺎق اﶈﻴﻄﺎت‪.‬‬

‫‪216‬‬
‫اﻟﻨﻈﻢ اﳋﺒﻴﺮة ﻓﻲ اﻟﻌﻠﻮم واﻟﺼﻨﺎﻋﺔ‬

granitic favorable
intrusions regional environment
(0.5)

5700 0.0001 5 0.7

pre
intrusive
level favorable through
going faults
for erosion

800 1 200 0.0002

near
contemporaneous abyssal or
volcanic rock bathyal environment

65 0.01 300 0.0001

igneous characteristics of
rock texture igneous rock
100 10 6

20 1 1 0.0002 41

AND
OR
300 1 75 1

grain size fine texture necks dikes

١
to medium porphrytic

intrusive
volcanic voicanic
breccias plugs

. ((9)
 : 
)      
    1  17 ! 

217
 ‫اﻟﺬﻛﺎء اﻻﺻﻄﻨﺎﻋﻲ‬

‫ﺑﺮﻧﺎﻣﺞ ﻟﻴﺜﻮ ‪LITHO‬‬

‫إن ﻣﻦ أﻫﻢ ﻣﺸﺎﻛﻞ اﻟﻜﺸﻒ ﻋﻦ اﻟﺒﺘﺮول ﺗﻔﺴﻴﺮ ا‪7‬ﻘﺎﻳﻴﺲ اﺨﻤﻟﺘﻠﻔﺔ اﻟـﺘـﻲ‬
‫ﺗﺮﺗﺒﻂ ﺑﺎﳋﻮاص اﻟﻄﺒﻴﻌﻴﺔ ﻟﺼﺨﻮر ا‪7‬ﻨﻄﻘﺔ ﻣﺜﻞ اﻟﻜﺜﺎﻓﺔ‪ ،‬اﻟﺘﻮﺻﻴﻞ اﻟﻜﻬﺮﺑﺎﺋﻲ‬
‫واﻟﻨﺸﺎط اﻹﺷﻌﺎﻋﻲ‪ ،‬و‪v‬ﻜﻦ ﺑﻬﺬه اﻟﻘﻴـﺎﺳـﺎت اﻻﺳـﺘـﺪﻻل ﻋـﻠـﻰ ﻧـﻮع ﻋـﻴـﻨـﺎت‬
‫اﻟﺼﺨﻮر ا‪7‬ﺴﺘﺨﺮﺟﺔ ﺑﻮاﺳﻄـﺔ اﻟـﺜـﺎﻗـﺐ ‪ Driller‬و‪n‬ﺜﻴﻠﻬﺎ ﺑﻮاﺳﻄﺔ ﻣﻨﺤـﻨـﻴـﺎت‬
‫ﺗﻌﺮف ﺑﺎﳋﻂ اﻟﺴﻠﻜﻲ أو اﻟﻜﺘﻞ اﻟﻜﻬﺮﺑﺎﺋﻴﺔ‪.‬‬
‫واﻟﻬﺪف ﻣﻦ ﺑﺮﻧﺎﻣﺞ ﻟﻴﺜﻮ)‪ (١٤٬١٣‬اﻟﺬي ﻃﻮر ﻓﻲ ﺷﻠﻮﻣﺒﺮﺟﺮ‪،Schlum berger-‬‬
‫ﻫﻮ ﺗﻔﺴﻴﺮ ﻫﺬه اﻟﻘﻴﺎﺳﺎت ﻛﻤﺎ ﻳﻔﻌﻞ اﻟﻌﺎﻟﻢ اﳉﻴﻮﻟﻮﺟﻲ اﻟﺒﺸﺮي ﺧﺎﺻﺔ ﻓﻲ‬
‫اﺳﺘﺨﺪام ﻣﺜﻞ ﻫﺬه ا‪7‬ﻌﻠﻮﻣﺎت ﻛﺠﻐﺮاﻓﻴﺔ ا‪7‬ﻨﻄﻘﺔ وﻧﺸﺄﺗﻬﺎ وﻃﺒﻘﺎﺗﻬﺎ اﳉﻐﺮاﻓﻴﺔ‪،‬‬
‫وﻣﻌﺎدﻧﻬﺎ وﺗﻜﻮن اﻟﺒﺘﺮول ﻓﻴﻬﺎ‪ ،‬وﻧﺤﺼﻞ ﻋﻠﻰ وﺻﻒ ﻣﻔﺼـﻞ ﻟـﻠـﻘـﺎع اﻷﺳـﻔـﻞ‬
‫ﺑﺮﺑﻂ اﻟﺸﻮاﻫﺪ اﻟﺘﻲ ﻳﺆﻛﺪﻫﺎ ﻣﺎ ﻳـﺰﻳـﺪ ﻋـﻦ ﻣـﺎﺋـﺔ ﻣـﻦ ا‪7‬ـﻌـﺎﻣـﻼت اﺨﻤﻟـﺘـﻠـﻔـﺔ‪،‬‬
‫ﻣﺴﺘﺨﺪﻣﺎ ﺛﻘﻞ اﻟﺸﻮاﻫﺪ‪ ،‬وﻫﻜﺬا ‪v‬ﻜﻦ ﺗﺼﻔﻴﺔ اﻟﻔﺮوض ﻏﻴﺮ ا‪7‬ﺆﻛﺪة ﺑﺎﻟﺘﺪرﻳﺞ‬
‫ﺣﺘﻰ ﻧﺼﻞ إﻟﻰ ﻧﺘﻴﺠﺔ ﺣﺎزﻣﺔ ﻣﻘﺒﻮﻟﺔ‪.‬‬
‫وﻳﺴﺘﺨﺪم اﻟﺒﺮﻧﺎﻣﺞ ﻛﺜﻴﺮا ﻃﺮق رﺑﻂ ﻣﻘﺎﻳﻴﺲ اﻟﺼﺪق‪ ،‬اﻟﺘـﻲ ﻳـﺒـﺪو أﻧـﻬـﺎ‬
‫ﺿﺮورﻳﺔ ﻓﻲ اﻟﺒﺤﺚ اﳉﻴﻮﻟﻮﺟﻲ ﺣﻴﺚ إن ﻛﺜﻴﺮا ﻣﻦ اﻟﻨﺘﺎﺋﺞ ﺗﻌﺘﺒﺮ ﻏﻴﺮ ﻧﻬﺎﺋﻴﺔ‪،‬‬
‫وﻳﺮﺟﻊ إﻟﻰ ﻛﺜﻴﺮ ﻣﻦ ا‪7‬ﻌﻠﻮﻣﺎت ﻣﻦ أﺟﻞ ﺗﺮﺟﻴﺢ اﻟﻔﺮوض اﻷوﻟﻴﺔ‪ ،‬وﻓﻲ ﺑﻌﺾ‬
‫اﻷﺣﻴﺎن ‪7‬ﻨﺎﻗﻀﺘﻬﺎ ﺣﺘﻰ ‪v‬ﻜﻦ اﺳﺘﺒﻌﺎدﻫﺎ وﻟﻴﺲ ﻣﻦ ﻏﻴﺮ ا‪7‬ـﺄﻟـﻮف ﻓـﻲ ﻫـﺬا‬
‫اﺠﻤﻟﺎل أن ﻧﻀﻄﺮ ‪7‬ﻌﺎﳉﺔ ﺑﻴﺎﻧﺎت ﻣﺘﻨﺎﻗﻀﺔ‪ ،‬وﺳﻨﺘﺤﺪث ﻋﻦ ذﻟﻚ ﻓـﻲ ﻓـﻘـﺮة‬
‫ﻗﺎدﻣﺔ‪.‬‬
‫(‬ ‫‪١٥‬‬ ‫)‬
‫وﻗﺪ ﻗﺎم دﻳﻔﻴـﺰ ‪† Davies‬ﺤﺎوﻟﺔ ﻟﺘﻔﺴﻴﺮ ﻛﺘـﻞ ﺧـﻂ اﻟـﺴـﻠـﻚ ‪Wireline‬‬
‫‪ logs‬ص وﻟﻜﻦ †ﺜﺎل واﺣﺪ ﻓﻘﻂ ﻟﻜﻞ ﺣﺎﻟﺔ‪ ،‬وﻳﺄﺧﺬ اﻟﺒﺮﻧﺎﻣﺞ ﻓﻲ اﻻﻋﺘﺒﺎر ﻛﻞ‬
‫ﻣﺎ ﻫﻮ ﻣﺮﺗﺒﻂ ﺑﺎﳊﺎﻟﺔ ﻣﻮﺿﻊ اﻟﺒﺤﺚ‪ ،‬ﻣﺸﻴﺮا إﻟﻰ ﺑﺚ ﻣﻮﺟﺎت اﻟﺼﻮت واﻟﻜﺜﺎﻓﺔ‬
‫وا‪7‬ﻘﺎوﻣﺔ وإﺷﻌﺎع ﺟﺎﻣﺎ‪ ..‬اﻟﺦ‪ ،‬وﻋﻨﺪﻣﺎ ﲡﻤﻊ ﻫﺬه اﻷﻧﻮاع اﺨﻤﻟﺘﻠﻔﺔ ﻣﻦ ا‪7‬ﻌﻠﻮﻣﺎت‬
‫ﻣﻌﺎ‪ ،‬ﻏﺎﻟﺒﺎ ﻣﺎ ﻳﺘﻀﺢ أن اﻟﻜﺜﻴﺮ ﻣﻨﻬﺎ ﻣﻜﺮر وأن ﺑﻬﺎ ﺗﻨﺎﻗﻀﺎت ﻛـﺜـﻴـﺮة أﻳـﻀـﺎ‪،‬‬
‫وأن ﻣﺼﺎدر اﳋﻄﺄ ﻛﺜﻴﺮة وﻣﺘﻌﺪدة‪.‬‬

‫ﻣﺮاﺣﻞ اﻻﺳﺘﺪﻻل ﻓﻲ ﺑﺮﻧﺎﻣﺞ ‪LITHO‬‬

‫‪،(١٦)EMYCIN‬‬ ‫ﻟﻘـﺪ اﺳـﺘـﺤـﺪث ‪ LITHO‬أﺳﺎﺳﺎ ﺑﺎﻻﻋـﺘـﻤـﺎد ﻋـﻠـﻰ ﺑـﺮﻧـﺎﻣـﺞ‬
‫وﻳﺴﺘﺨﺪم اﻟﻘﻮاﻋﺪ اﻹﻧﺘﺎﺟﻴﺔ )اﻧﻈﺮ اﻟﻔﺼﻞ اﻟﺜﺎﻧﻲ ﻋﺸﺮ( ﺑﻨﻔـﺲ ﻗـﻮاﻋـﺪﻫـﺎ‬

‫‪218‬‬
‫اﻟﻨﻈﻢ اﳋﺒﻴﺮة ﻓﻲ اﻟﻌﻠﻮم واﻟﺼﻨﺎﻋﺔ‬

‫اﻟﺘﺮﻛﻴﺒﻴﺔ‪ ،‬وﻳﻌﻄﻲ اﻟﺒﺮﻧﺎﻣﺞ درﺟﺔ ﺛﻘﻞ ﻟﻠﻨﺘﺎﺋﺞ اﻟﺘﻲ ﻳﺘﻮﺻـﻞ إﻟـﻴـﻬـﺎ‪ ،‬وﻫـﻮ ﻣـﺎ‬
‫ﻧﺴﻤﻴﻪ درﺟﺔ اﻟﺼﺪق‪ ،‬وﺑﺎﻹﺿﺎﻓﺔ إﻟﻰ ﺗﻠﻚ اﻟﻘﻮاﻋﺪ‪ ،‬ﻳﻌﺘﻤﺪ اﻟﺒـﺮﻧـﺎﻣـﺞ ﻋـﻠـﻰ‬
‫ﻗﺎﻋﺪة ﻣﻌـﺮﻓـﺔ ﺗـﺼـﻨـﻴـﻔـﻴـﺔ ‪ taxonomic‬ﻋﺮﻳﻀﺔ ﻟﻠﻤـﻌـﺎدن‪ ،‬واﻟـﺒـﻠـﻴـﻮﻧـﺘـﻮﻟـﻮﺟـﻲ‪،‬‬
‫واﳉﻐﺮاﻓﻴﺎ‪ ،‬واﻟﺒﻴﺘﺮوﺟﺮاﻓﻲ‪ ،‬وﻋـﻠـﻢ اﻟـﻄـﺒـﻘـﺎت واﻟـﺘـﻲ ‪n‬ـﻜـﻦ اﻟـﺒـﺮﻧـﺎﻣـﺞ ﻣـﻦ‬
‫اﺳﺘﺨﺪام ﻣﻌﻠﻮﻣﺎت أﻛﺜﺮ ﻋﻤﻮﻣﻴﺔ ﻣﻦ اﻟﺒﻴﺎﻧﺎت ا‪7‬ﺪﺧـﻠـﺔ‪ .‬ﻓـﺈذا اﻓـﺘـﺮﺿـﻨـﺎ أن‬
‫ﻫﻨﺎك ﻗﺎﻋﺪة ﺗﺒﺪأ ﺑﺎﻟﺸﻜﻞ اﻟﺘﺎﻟﻲ »إذا ﻛﺎﻧﺖ ا‪7‬ﺮﺣﻠﺔ اﳉﻴﻮﻟﻮﺟﻴﺔ ﺛﺎﻧﻮﻳﺔ‪ ،‬و‪..‬‬
‫‪ ،«.‬وأدﺧﻞ ﻣﺴﺘﺨﺪم اﻟﺒـﺮﻧـﺎﻣـﺞ »اﻟـﻔـﺘـﺮة اﳉـﻴـﻮﻟـﻮﺟـﻴـﺔ ﻫـﻲ اﻟـﻄـﺒـﺎﺷـﻴـﺮﻳـﺔ«‪،‬‬
‫ﻓﺴﺘﻨﺸﻂ اﻟﻘﺎﻋﺪة ﻷن اﻟﺒﺮﻧﺎﻣﺞ »ﻳﺪرك أن اﻟﻔﺘﺮة اﻟﻄﺒﺎﺷﻴﺮﻳﺔ ﻫﻲ ﺟﺰء ﻣﻦ‬
‫ا‪7‬ﺮﺣﻠﺔ اﻟﺜﺎﻧﻮﻳﺔ‪ ،‬وﻳﻮﺿﺢ ﺷﻜﻞ ‪ ٢ -١٧‬ﺟﺰءا ﻣﻦ ﺷﺠﺮة اﳉﻐﺮاﻓﻴﺔ اﻟﺒﺘﺮوﻟﻴﺔ‪.‬‬

‫‪rocks‬‬

‫‪classes‬‬ ‫‪detritic‬‬
‫‪evaporitic‬‬ ‫‪metamorphic‬‬

‫‪orders‬‬ ‫‪organic‬‬ ‫‪ferruginous‬‬ ‫‪sands‬‬

‫‪families‬‬ ‫‪glauconitic‬‬
‫‪sideritic‬‬
‫‪bituminous‬‬ ‫‪carbonaceous‬‬

‫‪genera‬‬
‫‪coal‬‬ ‫‪lignite‬‬ ‫‪anthracite‬‬

‫ ‪LITHO
        2  17‬‬

‫‪219‬‬
 ‫اﻟﺬﻛﺎء اﻻﺻﻄﻨﺎﻋﻲ‬

‫ﺑﻴﺎﻧﺎت ﻣﻦ ﻣﺼﺎدر ﻣﺨﺘﻠﻔﺔ‬

‫إن ا‪7‬ﻬﻤﺔ اﻟﺮﺋﻴﺴﺔ اﻟﺘﻲ ﻳﺆدﻳﻬﺎ ‪ LITHO‬ﻫﻲ ﲢﺪﻳﺪ أﻧﻮاع اﻟﺼﺨﻮر ﻣﻦ ﺑ‪T‬‬
‫اﻟﺘﺴﻌ‪ T‬ﻧﻮﻋﺎ ا‪7‬ﻮﺟﻮدة ﻓﻲ ﻗﺎﻋﺪة ا‪7‬ﻌﺮﻓﺔ‪ ،‬اﻟﺘﻲ ‪v‬ﻜﻦ أن ﻳﻘﺎل ﺑﺤﻖ إﻧﻬﺎ ﻣﻦ‬
‫ا‪7‬ﻨﻄﻘﺔ اﻟﺘﻲ ﻳﻜﻤﻦ ﻓﻴﻬﺎ اﻟﺒﺌﺮ ﻓﻌﻼ‪ ،‬وﻳﻮﺿﺢ ﺷﻜﻞ ‪ ٣ -١٧‬ﺗﺪﻓﻖ ا‪7‬ﻌﻠﻮﻣﺎت ﺑ‪T‬‬
‫اﻟﺒﻴﺎﻧﺎت ا‪7‬ﻌﻄﺎة و اﻟﻬﺪف ا‪7‬ﺼﺒﻮ إﻟﻴﻪ‪ ،‬وﻳﺴﺘﺨﺪم ﻓﻲ ﻫﺬه اﻟﻌﻤﻠﻴﺔ ﻋﺸﺮات‬
‫ﻣﻦ ﻣﻌﺎﻳﻴﺮ ﻣﺘﻮﺳﻄﺔ‪ ،‬واﻟﺮﺳﻢ اﻟﺬي ‪v‬ﺜﻞ ﻋﻤـﻠـﻴـﺔ اﻻﺳـﺘـﺪﻻل ﻟـﻴـﺲ ﻋـﻤـﻴـﻘـﺎ‬
‫ﺟﺪا‪ ،‬ﻓﻤﺴﺘﻮى ﻋﻤﻘﻪ ﻻ ﻳﺘﻌﺪى أرﺑﻌﺔ ﻣﺴﺘﻮﻳﺎت ﻓﻲ ا‪7‬ﺘﻮﺳﻂ‪.‬‬

‫‪+ & ,‬‬ ‫‪2*"  .4‬‬

‫‪-.%+  & ,‬‬

‫   ‬

‫   ‬ ‫   ‬ ‫‪ !"#‬‬

‫‪ %‬‬
‫     ‬

‫*  ‬

‫ * ‬ ‫   ‬

‫‪ /0‬‬

‫ 
‬
‫  ‬

‫)"! ‪ $% $  &' ! 3(17‬‬

‫ﲢﺪﻳﺪ اﻟﺒﻨﻴﺔ اﻟﻌﺎﻣﺔ اﻟﻠﻴﺜﻴﻮﻣﻴﺔ‬

‫‪Determination of the broad Lithological Structure‬‬
‫‡ﺎ ﻳﺠﻌﻞ اﻟﺘﺤﺪﻳﺪ ا‪7‬ﻔﺼﻞ ﻷﻧﻮاع اﻟﺼﺨﻮر أﻣﺮا ﻣﻌﻘﺪا أن أﻧﻮاﻋﺎ ﻛﺜﻴﺮة‬
‫ﻣﻦ اﻟﺼﺨﻮر ﻟﻬﺎ أﺷﻜﺎل ﻛﺘﻞ ﻣﺘﺸـﺎﺑـﻬـﺔ ﻣـﺜـﻞ ‪ Silexite charts‬و ‪ quartzite‬ﻋﻠـﻰ‬
‫ﺳﺒﻴﻞ ا‪7‬ﺜﺎل‪ ،‬ﺑﺤﻴﺚ ﻳﻌﺘﻤﺪ اﻟﺘـﻤـﻴـﻴـﺰ ﺑـ‪ T‬اﻻﺛـﻨـ‪ T‬ﻋـﻠـﻰ اﺳـﺘـﺨـﺪام اﻟـﺒـﻴـﺎﻧـﺎت‬
‫اﳉﻴﻮﻟﻮﺟﻴﺔ اﻷﺧﺮى ﻓﻘﻂ‪ ،‬إﻻ أﻧﻪ ﻣﻦ ا‪7‬ﻤﻜﻦ إﺣﺮاز ﺑﻌﺾ اﻟﺘﻘﺪم ﺑﺎﻟﺘﻌﺮف‬

‫‪220‬‬
‫اﻟﻨﻈﻢ اﳋﺒﻴﺮة ﻓﻲ اﻟﻌﻠﻮم واﻟﺼﻨﺎﻋﺔ‬

‫ﻋﻠﻰ »اﺠﻤﻟﻤﻮﻋﺎت اﻟﻌﻠـﻴـﺎ‪ Su Per-Groups-‬اﻟﺘﻲ ‪v‬ﻜﻦ اﻟﺘﻤﻴﻴﺰ ﺑﻴﻨﻬﺎ ﻓﻴﻤـﺎ ﺑـﻌـﺪ‬

‫ﻋﻠﻰ أﺳﺎس‪ ،‬اﻋﺘﺒﺎرات أﺧﺮى‪ :‬ﻓﻴﻤﻜﻦ أن ﺗﻨﻄﻮي ﻛﻞ ‪heavy, dolomitic rocks,‬‬
‫‪ Saline rocks Rocks (Phosphates, siderites, Fenginous, limestones, etc) etc‬ﲢﺖ‬
‫ﺻﻨﺪوق ﻋﺎم ﺑﺎﺳﻢ اﻟﻨﺴﻴﺠﻴﺔ ‪) Histogram‬اﻧﻈﺮ ﺷﻜﻞ ‪.(٣ -١٧‬‬
‫ﻓﻘﺎﻋﺪة رﻗﻢ ‪ ٥٤‬ﻓﻲ ﺑﺮﻧﺎﻣﺞ ‪ Litho‬ﻣﺜﻼ ﻫﻲ‪:‬‬
‫إذا ﻛﺎﻧﺖ ﻧﺴﺒﺔ »اﳉﺒﺲ« ﻓﻲ ‪ Histogram‬ﺗﺘﻌﺪى ‪.%٥‬‬
‫إذن ﺗﻜﻮن اﻟﺒﻴﺌﺔ اﻟﻘﺪ‪v‬ﺔ ‪7‬ﻨﻄﻘﺔ اﻟﺘﺮﺳـﻴـﺐ ﻫـﻲ ﺿـﺤـﻠـﺔ )‪ (٠٬٧‬وﺷﺎﻃـﺊ‬
‫)‪ ،(٠٬٣‬ﺻﺨﺮﻳﺔ )‪ ،(٠٬٢‬ﺑﺤﻴﺮة )‪ (٠٬٢‬وﺑﺤﺮ ﻣﻔﺘﻮح )‪.(-٠٬٩٥‬‬

‫اﻟﺒﻴﺎﻧﺎت اﳋﺎرﺟﻴﺔ‬
‫ﻳﺸﻴﺮ ﻫﺬا اﻟﺘﻌﺒﻴﺮ إﻟﻰ ﺟﻤﻴﻊ أﻧﻮاع ا‪7‬ﻌﻠﻮﻣﺎت ا‪7‬ﺴﺘﻤﺪة ﻣﻦ ﻣﺼﺎدر أﺧﺮى‬
‫ﻏﻴﺮ اﻟﻜﺘﻞ ‪ .Logs‬وﺑﻌﺾ ﻣﻮاد ﻣﺜﻞ ﻫﺬه ا‪7‬ﻌﻠﻮﻣﺎت ﻻ ﺗﻜﻮن داﺋﻤﺎ ﻣﺘﻮﻓﺮة ﻣﺜﻞ‬
‫وﺻﻒ ﺷﻈﺎﻳﺎ اﻟﺼﺨﻮر اﻟﺘﻲ ﻳﻌﺜﺮ ﻋﻠﻴﻬﺎ ﻓﻲ اﻟﻄ‪ T‬أﺛﻨﺎء ﻋﻤﻠﻴﺎت اﻻﺳﺘﻜﺸﺎف‬
‫أو ﻣﻮاد ﻋﻠﻢ اﻻﺣـﺎﺛـﺔ ‪ Paleontology‬ﻛﺎﻟﺘﻲ ﺗﺪل ﻋﻠﻰ وﺟﻮد ا‪7‬ﺮﺟـﺎن‪ ،‬وﻫـﻨـﺎك‬
‫أﻧﻮاع أﺧﺮى ﻣﻦ ا‪7‬ﻌﻠﻮﻣﺎت اﻟﺘﻲ ﻋﺎدة ﻣﺎ ﺗﻜﻮن ﻣﻌﺮوﻓﺔ أو ‪v‬ﻜﻦ اﺳﺘﻨﺘﺎﺟﻬﺎ‪:‬‬
‫وﻫﻜﺬا ‪v‬ﻜﻦ اﻟﺘﻮﺻﻞ إﻟﻰ ﻣﻌﻠﻮﻣﺎت ﻗﻴﻤﺔ ﻋﻦ أﻧـﻮاع اﻟـﺼـﺨـﻮر ﻓـﻲ ﻣـﻨـﻄـﻘـﺔ‬
‫اﻻﺳﺘﻜﺸﺎﻓﺎت ﻣﻦ ﺧﻼل ا‪7‬ﻌﺮﻓﺔ اﳉﻐﺮاﻓﻴﺔ ‪7‬ﻮﻗﻊ اﻟﺒﺌﺮ‪ ،‬ﻣﺜﻞ ﻣﺴﺎﻃﺐ اﻟﻜﺮﺑﻮن‬
‫ﻓﻲ اﻟﺸﺮق اﻷوﺳﻂ‪ ،‬وﻓﻲ ﻣﻌﻈﻢ اﻷﺣﻴﺎن ﻳﻜﻮن ﻟﻠﻤﻌﻠﻮﻣﺎت اﳉـﻐـﺮاﻓـﻴـﺔ دور‬
‫ﻛﺒﻴﺮ ﻓﻲ اﻟﺘﻮﺻﻞ إﻟﻰ اﺳﺘﻨﺘﺎج ﺟﺰﺋﻲ ﻟﻌـﺼـﺮ اﻟـﺘـﻜـﻮﻳـﻨـﺎت‪ ،‬وﻣـﻦ ذﻟـﻚ ‪v‬ـﻜـﻦ‬
‫اﻟﺘﻮﺻﻞ إﻟﻰ ﻧﺘﺎﺋﺞ ﻟﻬﺎ أﻫﻤﻴﺘﻬﺎ‪.‬‬
‫وﻳﺘﻤﻜﻦ ﺑﺮﻧـﺎﻣـﺞ ‪ LITHO‬ﻋﺎدة ﻣﻦ اﻟﺘﻮﺻﻞ إﻟﻰ اﻟﻌﺼﺮ اﳉﻴـﻮﻟـﻮﺟـﻲ ﻣـﻦ‬
‫ﻣﻌﻠﻮﻣﺎت اﻹﺣﺎﺛﺔ ﺣﺘﻰ ﻓﻲ ﺣﺎﻟﺔ ﻋﺪم ﻣﻌﺮﻓﺔ ﻋﺎﻟﻢ اﳉﻴﻮﻟﻮﺟﻴﺎ ﻟﺬﻟﻚ‪ ،‬ﻓﻴﻌﺮف‬
‫ﺑﺮﻧﺎﻣﺞ ‪ LITHO‬ﻣﺜﻼ »ﺷﺄﻧﻪ ﺷﺄن أي ﻋﺎﻟﻢ ﺟﻴﻮﻟﻮﺟﻲ ﺟﻴﺪ« أﻧﻪ ﻃﺒﻘﺎ ﻟﻠﻘﺎﻋﺪة‬
‫‪ ١٠١‬ﻓﺈن وﺟﻮد ﻣﺎدة ‪ graptolithis‬ﻳﺸﻴﺮ إﻟﻰ أن ا‪7‬ﺮﺣﻠﺔ ﺗﻜﻮن إﻣﺎ ‪ Silurian‬أو‪.‬‬
‫‪Ordivician‬‬
‫و‪v‬ﻜﻦ وﺿﻊ ا‪7‬ﻌﻠﻮﻣﺎت اﳋﺎرﺟﻴﺔ ﻓﻲ ﺛﻤﺎﻧﻴﺔ ﺗﺼﻨﻴﻔﺎت ﻛﻤﺎ ﻫـﻮ ﻣـﻮﺿـﺢ‬
‫أدﻧﺎه‪ ،‬وﻫﻰ ﺗﺘﻜﻮن ﻣﻦ ﻛﻞ ﻣﻦ أﺑﻨﻴﺔ ﺗﺼﻨﻴﻔﻴﺔ ﺗﺪﺧﻞ ﺑﻮاﺳﻄﺘﻬﺎ اﻟﺒﻴﺎﻧﺎت ﻓـﻲ‬
‫ﻧﻈﻢ ‪v‬ﻜﻦ أن ﺗﺴﺘﺨﺪم ﻟﻠﺘﻮﺻﻞ إﻟﻰ ﻗﻮاﻋﺪ ﻋﺎﻣﺔ ﺟﺪا‪ ،‬وﻗﻮاﻋﺪ اﺳﺘﻨﺘﺎﺟﻴﺔ‬
‫ﺗﻨﺸﻂ ﻋﻨﺪﻣﺎ ﺗﺪﺧﻞ اﻟﺒﻴﺎﻧﺎت إﻟﻰ اﻟﺒﺮﻧﺎﻣﺞ‪ .‬وﻣﺜﺎل ذﻟﻚ أﻧﻪ إذا ﻛﺎن اﻟﺘﻜﻮﻳﻦ‬

‫‪221‬‬
 ‫اﻟﺬﻛﺎء اﻻﺻﻄﻨﺎﻋﻲ‬

‫‪) cambrian‬ﻗﺪ€ ﺟﺪا ﻳﺮﺟﻊ إﻟﻰ أﻛﺜﺮ ﻣﻦ ‪ ٥٧٠‬ﻣﻠﻴﻮن ﺳﻨﺔ( ﻳﻜﻮن ﻫﻨﺎك اﺣﺘﻤﺎل‬
‫ﻗﻮي أن اﻟﺼﺨﻮر ﻋﺎﻟﻴﺔ اﻟﻀﻐﻂ‪.‬‬
‫واﻟﺘﺼﻨﻴﻔﺎت اﻟﺜﻤﺎﻧﻴﺔ ﻟﻠﻤﻌﺮﻓﺔ اﳋﺎرﺟﻴﺔ ﻫﻲ ﻛﺎﻵﺗﻲ‪:‬‬
‫ﻣﻌﺮﻓﺔ ﺟﻐﺮاﻓﻴﺔ )ﻣﻨﺎﻃﻖ ﺟﻴﻮﻟﻮﺟﻴﺔ‪ ،‬أﺣﻮاض‪ ،‬ﺣﻘﻮل‪ ،‬آﺑﺎر(‬
‫أﻧﺸﻄﺔ ﺑﻨﺎﺋﻴﺔ )ﺛﻨﺎﻳﺎ‪ ،‬ﺗﺸﻘﻘﺎت أرﺿﻴﺔ‪ ،‬أﻧﻈﻤﺔ(‬
‫ﻣﻌﻠﻮﻣﺎت ﻃﺒﻘﺎﺋﻴﺔ »ﻋﻦ ﻃﺒﻘﺎت اﻷرض«‪ .‬ﻣﺮاﺣـﻞ ﺟـﻴـﻮﻟـﻮﺟـﻴـﺔ‪ ،‬ﻋـﺼـﻮر‪،‬‬
‫ﻧﻈﺎم(‬
‫ﻣﻌﻠﻮﻣﺎت ﻋﻦ ﻧﺸﺄة اﻷرض )اﻟﺘﺤﺠﺮ(‬
‫ﻣﻌﻠﻮﻣﺎت ﻋﻦ اﻟﺘﻌﺪﻳﻦ )اﻟﺘﻜﻠﺲ‪ ،‬اﻟﻜﻮارﺗﺰ(‬
‫ﻣﻌﻠﻮﻣﺎت ﻋﻦ وﺻﻒ اﻟﺼﺨﻮر وﺗﺼﻨﻴﻔﻬﺎ )اﳊﺠﺮ اﳉﻴﺮي‪ ،‬اﻟﻄﻔﻞ‪ ،‬اﻟﺮﻣﺎل(‬
‫ﻣﻌﻠﻮﻣﺎت ﺗﺮﺳﻴﺒﻴﺔ )ﺻﺨﻮر ﻣﻨﺤﺪرة‪ ،‬ﻗﻨﻮات‪ ،‬ﺗﻌﺮج‪ ،‬ﻛﺜﺒﺎن(‬
‫ﻃﺒﻴﻌﺔ ﺑﺘﺮوﻟﻴﺔ )ا‪7‬ﺴﺎﻣﻴﺔ‪ ،‬ا‪7‬ﺘﻐﺬﻳﺔ‪ ،‬اﻟﺘﺸﺒﻊ(‬
‫وﻓﻴﻤﺎ ﻳﻠﻲ ﻣﺜﺎل ﻋﻦ ﻗﺎﻋﺪة ﺗﺮﺑﻂ ا‪7‬ﻌﻠﻮﻣﺎت اﳉﻐﺮاﻓﻴﺔ واﻟﻄﺒﻘﺎﺋﻴﺔ‪:‬‬
‫ﻗﺎﻋﺪة‪٢٩٥‬‬
‫إذا ‪ -١‬ﻛﺎﻧﺖ ا‪7‬ﺮﺣﻠﺔ اﻟﻄﺒﻘﺎﺋﻴﺔ ﻫﻲ اﻟﻌﺼﺮ اﻟﻄﺒﺎﺷﻴﺮي‬
‫و ‪ -٢‬وﻛﺎﻧﺖ ا‪7‬ﻌﻠﻮﻣﺎت اﳉﻴﻮﻟﻮﺟﻴﺔ واﺣﺪة ﻣﻦ‪:‬‬
‫ﻃﺒﻘﺔ إﻳﺮاﻧﻴﺔ أو ﺣﺰام زاﺟﺮوس ‪ zagros‬ا‪7‬ﻨﺜﻨﻲ‬
‫إذن ‪ -١‬ﻣﻦ اﶈﺘﻤﻞ أن ﺗﻜﻮن اﻟﺒﻴﺌﺔ اﻷﺻﻠﻴﺔ‪:‬‬
‫‪ fluvial‬ﺑﺤﻴﺮة )‪ (-0.6‬دﻟﺘﺎ)‪(=0.6‬‬
‫) ‪LAGoon (-0.3) Arid (-0.6) GLAClAL (0.8-‬‬
‫‪PELAgIc (0.4)....‬‬
‫‪ -٢‬اﺣﺘﻤﺎل أن ﺗﻜﻮن أﻧﻮاع اﻟﻠﻴﺜﻴﻮم اﻟﺮﺋﻴﺴﺔ ﻓﻲ ا‪7‬ﻨﻄﻘﺔ‪:‬‬
‫)‪deitric (-0.3) biological (0. 3)evaporitic (0.3‬‬
‫)‪Plutonic (0.5‬‬
‫‪ -٣‬ﻫﻨﺎك اﺣﺘﻤﺎل ﺿﺌﻴﻞ أن ا‪7‬ﻨﻄﻘﺔ ﻟﻴﺴﺖ ﻣﻀﻐﻮﻃﺔ ﻛﻠﻴﺎ )‪( -٠٬٢‬‬
‫‪ -٤‬ﻫﻨﺎك اﺣﺘﻤﺎل ﺿﺌﻴﻞ ﻟﻮﺟﻮد ﺑﺘﺮول ﺑﺎ‪7‬ﻨﻄﻘﺔ )‪(٠٬٢‬‬
‫وﺗﺮﺑﻂ اﻟﻘﺎﻋﺪة أﻋﻼه اﻟﺘﺮﺳﻴﺐ اﻷوﻟﻲ ﺑﻨﻮع اﻟﻠﻴﺜﻴﻮم اﻷﺳﺎﺳﻲ ﻟﻠﻮﺻﻮل‬
‫إﻟﻰ أﺻﺪق اﺣﺘﻤﺎﻻت وﺟﻮد ﺗﻔﺮﻋﺎت اﻟﻠﻴﺜﻴﻮم‪.‬‬
‫ﻗﺎﻋﺪة ‪٢٠١‬‬

‫‪222‬‬
‫اﻟﻨﻈﻢ اﳋﺒﻴﺮة ﻓﻲ اﻟﻌﻠﻮم واﻟﺼﻨﺎﻋﺔ‬

‫إذا ﻛﺎن ﺗﺮﺳﻴﺐ اﻟﺒﻴﺌﺔ اﻟﻄﺒﻘﺎﺋﻴﺔ ﻣﻦ ﻧﻮع ﻧﻴﺘﺮﻳﻚ‬

‫و وﻧﻮع اﻟﻠﻴﺜﻴﻮم اﻷﺳﺎﺳﻲ ﻫﻮ ﺑﻴﻮﻟﻮﺟﻲ‬
‫إذن اﺣﺘﻤﺎﻻت وﺟﻮد أﻧﻮاع اﻟﻠﻴﺜﻴﻮم اﺨﻤﻟﺘﻠﻔﺔ ﻫﻲ‪:‬‬
‫‪HALITE (0.2) DOLOMITE LIMESTONE ...‬‬

‫اﺳﺘﺨﺪام اﳋﺼﺎﺋﺺ اﻟﻌﺎﻣﺔ ﻟﻜﺘﻞ اﳋﻂ اﻟﺴﻠﻜﻲ‬

‫ﲢﺘﻮي اﻟﻜﺘﻞ ﻋﻠﻰ ﻣﻌﻠﻮﻣﺎت ﻋﺪدﻳﺔ ورﻣﺰﻳﺔ وﻋﻠﻰ ﻣـﻼﻣـﺢ ﻫـﺎﻣـﺔ ﺗـﺘـﻌـﻠـﻖ‬
‫ﺑﺸﻜﻞ ا‪7‬ﻨﺤﻨﻴﺎت وﻫﺬه ﻟﻬﺎ ﻣﻌﺎن رﻣﺰﻳﺔ ﻣﻬﻤﺔ‪.‬‬
‫وﻗﺪ اﺳﺘﺤﺪﺛﺖ ﻣﺠﻤﻮﻋﺔ ﻣﻦ ا‪7‬ﻔﺮدات ﻟﺘﺴﺎﻋﺪ ﻋﻠﻰ وﺻﻒ أﺷﻜﺎل اﻟﻜﺘﻞ‬
‫اﺨﻤﻟﺘﻠﻔﺔ ﻓﻲ ﺿﻮء أﺷـﻜـﺎل أﺳـﺎﺳـﻴـﺔ ‪ ،Normalized signatures‬وﻗﺪ „ ﲡﻤﻴـﻊ‬
‫أﺷﻜﺎل ﻄﻴﺔ ووﺿﻌﺖ ﻓﻲ ﻛﺘﻴﺐ ﺑﺤﻴﺚ ‪v‬ﻜﻦ ﻟﻠﻤﺴﺘﺨﺪم أن ﻳﺘﻌﺮف ﻋﻠﻴﻬﺎ‬
‫أﺛﻨﺎء ﺗﺸﻐﻴﻞ اﻟﺒﺮﻧﺎﻣﺞ‪ ،‬وﻳﻘـﻮم ﺑـﺮﻧـﺎﻣـﺞ ‪† LITHO‬ﻘﺎرﻧﺔ وﻣﻀﺎﻫﺎة اﻟﺒـﻴـﺎﻧـﺎت‬
‫اﻟﺮﻣﺰﻳﺔ اﻟﻬﺎﻣﺔ ﻣﻊ ﻛﺎﻓﺔ اﻟﺒﻴﺎﻧﺎت اﻷﺧﺮى‪ ،‬وﻫﺬا ﻳﺴﺎﻋﺪ ﻋﻠﻰ ﺣﻞ إﺷﻜﺎﻟـﻴـﺔ‬
‫اﻟﺘﻌﺮف‪ ،‬وﻳﻮﺿﺢ ﺷﻜﻞ ‪ ٤-١٧‬ﻣﺴﺎرﻳﻦ ﻄﻴ‪ ،T‬ﺑﻴﻨﻤﺎ ﻳﻮﺿﺢ ﺷﻜﻞ ‪ ٥-١٧‬ﻣﺴﺎر‬
‫ﺛﺎﻟﺚ وﺑﻌﺾ اﻟﺴﻤﺎت اﻟﻮﺻﻔﻴﺔ‪ ،‬واﻟﺼﻔﺎت اﻟﺮﺋﻴﺴﻴﺔ ﻫﻲ‪:‬‬
‫‪ :Plateaux‬ا‪7‬ﻨﺎﻃﻖ اﻟﺘﻲ ﺗﻈﻬﺮ اﺳﺘﺠﺎﺑﺎت واﺳﻌﺔ وﺛﺎﺑﺘﺔ ﻋﻠﻰ ﻣﺪى‪ ٢٥‬ﻣﺘﺮا‬
‫ﻋﻠﻰ اﻷﻗﻞ‪.‬‬
‫‪ :Megaramps‬ا‪7‬ﻨﺎﻃﻖ اﻟﺘﻲ ﺗﻈﻬﺮ زﻳﺎدة أو ﻧﻘـﺼـﺎن ﻋـﻠـﻰ ﻣـﺴـﺎﻓـﺔ‪ ٢٥‬ﻣﺘـﺮا‬
‫ﻋﻠﻰ اﻷﻗﻞ‪.‬‬
‫‪ :Major Beds‬اﺳﺘﺠﺎﺑﺔ ﺛﺎﺑﺘﺔ ﻋﻠﻰ ﻣﺴﺎﻓﺔ ﺗﺘﺮاوح ﺑ‪ ٢٥ ٢٬ T‬ﻣﺘﺮ‪.‬‬
‫‪ :Mesoramps‬زﻳﺎدة أو ﻧﻘﺼﺎن ﻋﻠﻰ ﻣﺴﺎﻓﺔ ﺗﺘﺮاوح ﺑ‪ ٢٥٬٥ T‬ﻣﺘﺮ‪.‬‬
‫وﻳﺘﺤﺪث اﳉﻴﻮﻟﻮﺟﻴﻮن داﺋﻤﺎ ﻋﻦ »ﻗﻤﺔ ﻃﻴﻨﻴﺔ ‪ «Clay Peak‬ﺑﺎﻟﻜﺸﻒ ﺑﻮاﺳﻄﺔ‬
‫أﺷﻌﺔ ﺟﺎﻣﺎ‪ ،‬ﻷن ﻣﻦ ﺧﺼﺎﺋﺺ اﻟﻄ‪ T‬اﻟﻨﺸﺎط اﻹﺷﻌﺎﻋﻲ اﻟﻌﺎﻟﻲ‪ ،‬وﻟﻜﻲ ﻳﺤﺼﻞ‬
‫اﻟﺒﺮﻧﺎﻣﺞ ﻋﻠﻰ ﻫﺬه ا‪7‬ﻌﻠﻮﻣﺎت ﻓﺈﻧﻪ ﻳﺴﺄل ا‪7‬ﺴﺘﺨﺪم ﻋﻦ ا‪7‬ﻨﺤـﻨـﻰ اﻟـﻄـﺒـﻴـﻌـﻲ‬
‫ا‪7‬ﺘﻮﻗﻊ‪ ،‬أي اﺧﺘﻼﻓﺎت ﻓﺮق اﳉﻬﺪ اﻟﻄﺒﻴﻌﻲ ﻣﻊ اﻟﻌﻤﻖ وﻳﻄﻠﺐ رأى ا‪7‬ﺴﺘﺨﺪم‬
‫ﺣﻮل وﺟﻮد ﺻﻔﺎت ﻣﺨﺘﻠﻔﺔ ﻓﻲ ﻣﺴﺎرات ﻣﻌﻴﻨﺔ‪.‬‬
‫ﻣﺜﻞ ﺻﻔﺎت درﺟﺔ اﻹﺷﻌﺎع و اﻟﻜﺜﺎﻓﺔ وا‪7‬ﻘﺎوﻣﺔ‪ .‬وﻣﻦ واﻗﻊ ﻫﺬه اﻟﺒﻴﺎﻧﺎت‬
‫اﻟﺘﻲ ﻳﺤﺼﻞ ﻋﻠﻴﻬﺎ اﻟﺒﺮﻧﺎﻣﺞ ﻳﻘﻮم ﺑﺤﺴﺎب درﺟﺎت اﻻﺳﺘﺤﺴﺎن ‪Plausibility‬‬
‫‪ Measures‬ﻟﻜﻞ ﺑﻴﺌﺔ ﲢﺖ اﻟﺪراﺳﺔ‪ ،‬وﺠﻤﻟﻤﻮﻋﺎت اﻟﻠﻴﺜﻴﻮم اﻟﺮﺋﻴﺴﺔ ور†ﺎ ﻟﻜﻞ‬

‫‪223‬‬
 ‫اﻟﺬﻛﺎء اﻻﺻﻄﻨﺎﻋﻲ‬

‫ﻧﻮع ﻣﻦ أﻧﻮاع اﻟﺼﺨﻮر‪ ،‬وﻻ ﻳﺤﺘﺎج أي ﺷﻚ ﻟﺪى ا‪7‬ﺴﺘﺨﺪم ﻓﻲ اﻟﺘﻌﺮف ﻋﻠﻰ‬

‫اﻟﺼﻔﺎت اﺨﻤﻟﺘﻠﻔﺔ أن ﻳﻮﻗﻒ ﻫﺬه اﻟﻌﻤﻠﻴﺔ‪ ،‬ﻷﻧﻪ ﺣﺮ ﻓﻲ وﺿﻊ رؤﻳﺘﻪ اﳋﺎﺻﺔ‬
‫ﺑﺘﺤﺪﻳﺪ درﺟﺎت اﺳﺘﺤﺴﺎن ﻳﺴﺘﺨﺪﻣﻬﺎ اﻟﺒﺮﻧﺎﻣﺞ ﻟﺘﻘﻠـﻴـﻞ ﻗـﻮة اﺳـﺘـﻨـﺘـﺎﺟـﺎﺗـﻪ‪،‬‬
‫وﻓﻴﻤﺎ ﻳﻠﻲ ﻣﺜﺎل ﻟﻠﻄﺮﻳﻘﺔ اﻟﺘﻲ ﺗﺴﺘﺨﺪم ا‪7‬ﻌﻠﻮﻣـﺎت اﻟـﻮﺻـﻔـﻴـﺔ ﻣـﻊ اﻟـﺒـﻴـﺎﻧـﺎت‬
‫اﻟﺮﻗﻤﻴﺔ‪:‬‬
‫ﻗﺎﻋﺪة ‪..٨‬‬
‫إذا ﻛﺎﻧﺖ ﻫﻨﺎك ﻫﻀﺒﺔ ﻓﻲ ﻣﻨﺤﻨﻰ أﺷﻌﺔ ﺟﺎﻣﺎ‬
‫و ﻣﺴﺘﻮى اﻟﻨﺸﺎط اﻹﺷﻌﺎﻋﻲ أدﻧﻰ ﻣﻦ ‪) ٤٠API‬اﻟﻮﺣﺪات اﻟﺪوﻟﻴﺔ ﻷﺷﻌﺔ‬
‫ﺟﺎﻣﺎ اﻟﺘﻲ اﺳﺘﺤﺪﺛﺘﻬﺎ ﻣﺆﺳﺴﺔ اﻟﺒﺘﺮول اﻷﻣﺮﻳﻜﻴﺔ(‪.‬‬
‫إذن ﻫﻨﺎك اﺣﺘﻤﺎل ﻗﻮي )‪ (٠٬٨‬إن ا‪7‬ﻨﻄﻘﺔ »ﻧﻈﻴﻔﺔ« إي ﺑﻬﺎ ﻣﺤﺘﻮى ﻃ‪T‬‬
‫ﺿﺌﻴﻞ ﺟﺪا‪.‬‬

‫ﺷﻜﻞ ‪ ٤-١٧‬ﺗﺨﻄﻴﻂ ﻣﺴﺎران ﻄﻴﺎن‬

‫‪224‬‬
‫اﻟﻨﻈﻢ اﳋﺒﻴﺮة ﻓﻲ اﻟﻌﻠﻮم واﻟﺼﻨﺎﻋﺔ‬

‫ﺷﻜﻞ ‪ ٥-١٧‬اﻟﺴﻤﺎت اﻟﻮﺻﻔﻴﺔ ﻟﻠﻤﺴﺎر اﻟﺘﺨﻄﻴﻄﻲ‬

‫‪225‬‬
 ‫اﻟﺬﻛﺎء اﻻﺻﻄﻨﺎﻋﻲ‬

‫اﶈﺼﻠﺔ اﻟﻨﻬﺎﺋﻴﺔ ﻟﻠﺒﺮﻧﺎﻣﺞ‬

‫ﻳﻘﻮم ﺑﺮﻧﺎﻣﺞ ﺣﺴﺎﺑﻲ ﺑﺈﻋﺪاد اﶈﺼﻠﺔ اﻟﻨﻬﺎﺋﻴﺔ ﻟﻠﺒﺮﻧﺎﻣﺞ أﺧﺬا ﻓﻲ اﻻﻋﺘﺒﺎر‬
‫اﻵﺗﻲ‪:‬‬
‫‪ -١‬ﻗﺎﺋﻤﺔ ﺑﺄﻧﻮاع اﻟﺼﺨﻮر اﻷﻛﺜﺮ اﺣﺘﻤﺎﻻ‪ ،‬ﻣﻊ درﺟﺎت اﻻﺳﺘﺤـﺴـﺎن ﻟـﻜـﻞ‬
‫ﻧﻮع‪.‬‬
‫‪ -٢‬اﻟﻜﺘﻞ ا‪7‬ﺴﺠﻠﺔ ﻓﻲ اﻟﺒﺌﺮ ﲢﺖ اﻟﺪراﺳﺔ‪.‬‬
‫وﺗﺸﻤﻞ اﻟﻨﺘﻴﺠﺔ اﻟﻨﻬﺎﺋﻴﺔ اﻟﺘﻲ ﻧﺤﺼﻞ ﻋﻠﻴﻬﺎ ﻣﻦ اﻟﺒﺮﻧﺎﻣﺞ وﺻﻔﺎ ﺟﻴﻮﻟﻮﺟﻴﺎ‬
‫ﻛﺎﻣﻼ ﻟﻠﺒﺌﺮ ﻋﻠـﻰ أﺑـﻌـﺎد‪ ١٥‬ﺳﻢ‪ ،‬وﻗﺪ أﺛﺒﺘﺖ اﻟﺘﺠﺎرب أن ﻫﺬه اﻟﻨﺘﺎﺋـﺞ ﻗـﺮﻳـﺒـﺔ‬
‫ﺟﺪا ﻣﻦ اﻟﻨﺘﺎﺋﺞ اﻟﺘﻲ ﻳﺘﻮﺻﻞ إﻟﻴﻬﺎ اﻟﻌﺎﻟﻢ اﳉﻴﻮﻟﻮﺟﻲ اﻟﺒﺸﺮي‪.‬‬

‫ﻣﻌﺎﳉﺔ اﻟﺒﺮﻧﺎﻣﺞ ﻟﻠﺒﻴﺎﻧﺎت اﳋﺎﻃﺌﺔ‬

‫ﻻ ﺗﻜﻮن اﻟﻈﺮوف اﻟﺘﻲ ﻳﺘﻢ ﻓﻲ ﻇﻠﻬﺎ ﺗﺴﺠﻴـﻞ ا‪7‬ـﺴـﺎرات ﻇـﺮوﻓـﺎ ﻣـﺜـﺎﻟـﻴـﺔ‬
‫أﺑﺪا‪ ،‬واﻟﻨﺘﻴﺠﺔ أﻧﻪ ﻗﻠﻤﺎ ﺗﺨﻠﻮ اﻟﻨﺘﺎﺋﺞ ﻣﻦ اﻷﺧﻄﺎء‪ ،‬ﻛﻤﺎ ‪v‬ﻜﻦ أن ﺗﻨﺸﺄ اﻷﺧﻄﺎء‬
‫أﻳﻀﺎ ﻓﻲ ﻋﻤﻠﻴﺔ ﺟﻤﻊ ﺷﻈﺎﻳﺎ اﻟﺼﺨﺮ‪ ،‬إذ ‪v‬ﻜﻦ أن ﺗﻨﺤﺪر واﺣﺪة ﻣﻦ ﻣﻜﺎﻧﻬﺎ‬
‫اﻷﺻﻠﻲ وﺑﺬﻟﻚ ﺗﺴﺠﻞ ﻓﻲ ﻋﻤﻖ ﻣﻐﺎﻳﺮ ﻟﻌﻤﻘﻬﺎ اﻷﺻﻠﻲ‪ ،‬وﻳﻌﺎﻟﺞ ‪ LITHO‬ﻣﺜﻞ‬
‫ﻫﺬه ا‪7‬ﺸﺎﻛﻞ ﻋﻠﻰ اﻟﻨﺤﻮ اﻟﺘﺎﻟﻲ‪:‬‬
‫‪ -١‬ﻻ ﻳﺪﻋﻲ أﺑﺪا أن أي ﻧﺘﻴﺠﺔ ﻳﺘﻮﺻﻞ إﻟﻴﻬﺎ ﺻﺤﻴﺤـﺔ ‪ ،%١٠٠‬وﻟﺬﻟﻚ إذا‬
‫ﺛﺒﺖ ﺧﻄﺄ اﻟﺒﻴﺎﻧﺎت اﻟﺘﻲ ﺗﻌﺘﻤﺪ ﻋﻠﻴﻬـﺎ ﻧـﺘـﻴـﺠـﺔ ﻣـﺎ‪ ،‬ﻓـﺈن ﻣـﺼـﺎدر ا‪7‬ـﻌـﻠـﻮﻣـﺎت‬
‫اﻷﺧﺮى اﻟﺒﻴﺎﻧﺎت اﻟﺘﻲ ﺗﻌﺘﻤﺪ ﻋﻠﻴﻬﺎ ﻧﺘﻴﺠﺔ ﻣﺎ‪ ،‬ﻓﺈن ﻣﺼﺎدر ا‪7‬ﻌﻠﻮﻣﺎت اﻷﺧﺮى‬
‫ﺗﺴﺎﻋﺪ ﻓﻲ اﻟﺘﻮﺻﻞ أﻟﻲ ﻧﺘﺎﺋﺞ أﻗﺮب إﻟﻰ اﻟﺼﺤﺔ‪.‬‬
‫‪ -٢‬ﻳﺴﺘﺨﺪم ﻛﺜﻴﺮا ﻣﻦ أﻻ ﻃﺮادات‪ ،‬ﻓﺘﻜﻮن اﻟﻨﺘﻴﺠﺔ اﻟـﺼـﺤـﻴـﺤـﺔ ا‪7‬ـﻮﺛـﻮق‬
‫ﻣﻨﻬﺎ ﺣﺎﺻﻞ ﺟﻤﻊ ﻣﻦ ‪ ٥‬إﻟﻰ ﻋﺸﺮ ﻧﺘﺎﺋﺞ أﺿﻌﻒ‪.‬‬

‫ﻋﻼﻗﺔ ﻣﺠﺎل اﻻﺳﺘﺨﺪام ﺑﻌﻤﻠﻴﺎت اﻻﺳﺘﺪﻻل‬

‫إﻧﻬﺎ ﺣﻘﻴﻘﺔ ﻣﺪﻫﺸﺔ أن ﺻﻴﺎﻏﺔ اﻟﻘﻮاﻋﺪ اﻹﻧﺘﺎﺟﻴـﺔ ا‪7‬ـﺮﺗـﺒـﻄـﺔ ﺑـﺪرﺟـﺎت‬
‫اﻻﺳﺘﺤﺴﺎن ﻟﻬﺎ ﻧﻔﺲ اﻟﻔﺎﻋﻠﻴﺔ اﳉﻴﺪة ﻓﻲ ﻣﺠﺎﻟ‪ T‬ﻣﺨﺘﻠﻔ‪ T‬ﻣﺘﺒﺎﻋﺪﻳﻦ ﻛﺎﻟﻄﺐ‬
‫واﳉﻴﻮﻟﻮﺟﻴﺎ‪ ،‬وﻓﻲ اﳊﻘﻴﻘﺔ‪ ،‬أن اﻟﻌﻤﻠﻴﺎت اﻻﺳﺘﺪﻻﻟﻴﺔ ا‪7‬ﺴﺘﺨﺪﻣﺔ ﻓﻲ اﺠﻤﻟﺎﻟ‪T‬‬
‫ﻣﺘﺸﺎﺑﻬﺔ ‪n‬ﺎﻣﺎ †ﻌﻨﻰ أن ﻓﻲ ﻛﻼ اﳊﺎﻟﺘ‪ T‬ﺗﻜﻮن اﻟﻨﺘﺎﺋﺞ ا‪7‬ﺘﻮﺻﻞ إﻟﻴﻬـﺎ ﻓـﻲ‬
‫اﻟﻌﺎدة ﺿﻌﻴﻔﺔ وﺗﺘﻄﻠﺐ ﺗﺄﻛﻴﺪا‪ ،‬ﺑﻔﺤﻮﺻﺎت وﻋﻤﻠﻴﺎت ﻣﺨﺒﺮﻳﺔ إﺿﺎﻓﻴﺔ‪ ،‬وﻫﻨﺎك‬

‫‪226‬‬
‫اﻟﻨﻈﻢ اﳋﺒﻴﺮة ﻓﻲ اﻟﻌﻠﻮم واﻟﺼﻨﺎﻋﺔ‬

‫أﻳﻀﺎ ‪n‬ﺎﺛﻼ أﺑﻌﺪ‪ ،‬ﻓﻔﻲ ﺣﺎﻟﺔ اﻻﺳﺘـﺨـﺪام ا‪7‬ـﺸـﺘـﺮك ﻟـﻠـﻤـﻌـﻠـﻮﻣـﺎت اﻟـﺮﻣـﺰﻳـﺔ‬

‫واﻟﻌﺪدﻳﺔ ﻳﺘﺸﺎﺑﻪ رﺳﻢ اﻟﻘﻠﺐ ﻣﻊ ﻛﺘﻠﺔ اﳋﻂ اﻟـﺴـﻠـﻜـﻲ‪ ،‬ﻛـﻤـﺎ ﻳـﺘـﺸـﺎﺑـﻪ أﻳـﻀـﺎ‬
‫اﻟﺘﺎرﻳﺦ اﻟﻄﺒﻲ ﻟﻠﻤﺮﻳﺾ ﻣﻊ اﻟﺘﺎرﻳﺦ اﳉﻴﻮﻟﻮﺟﻲ ﻟﻠـﺒـﺌـﺮ‪ ،‬وﻓـﻲ ﻛـﻼ اﳊـﺎﻟـﺘـ‪T‬‬
‫ﻳﻜﻮن اﻟﻬﺪف اﻟﻨﻬﺎﺋﻲ اﻟﺘﻮﺻﻞ إﻟﻰ ﺗﺸﺨﻴﺺ‪ ،‬ﻟﻠﻤﺮﻳﺾ ﻓﻲ ﺣﺎﻟﺔ اﻟﻄﺐ وﻟﻘﺎع‬
‫اﻟﺒﺌﺮ ﻓﻲ ﺣﺎﻟﺔ اﳉﻴﻮﻟﻮﺟﻴﺎ‪.‬‬
‫وﺗﺨﺘﻠﻒ ﻫﺬه اﻟﺘﻄﺒﻴﻘﺎت اﺧﺘﻼﻓﺎ ﺻﺎرﺧﺎ ﻣﻊ ﻓﻬﻢ اﻟﺼﻮر ا‪7‬ﺮﺋﻴﺔ أو ﻟﻔﻬﻢ‬
‫اﻟﻜﻼم‪ ،‬ﻓﻬﻨﺎ ﺗـﺘـﻢ ا‪7‬ـﻌـﺎﳉـﺔ اﻟـﺮﻗـﻤـﻴـﺔ أوﻻ »اﻟـﺘـﻌـﺮف ﻋـﻠـﻰ اﻷﺷـﻜـﺎل ‪Pattern‬‬
‫‪ (recognition‬ﻣﻌﻄﻴﺎ وﺻﻔﺎ ﻏﻴﺮ دﻗﻴﻖ ﻟﻠﻈﺎﻫﺮة‪ ،‬وﻳﺘﻢ ﺑﻌﺪ ذﻟﻚ ﻣﻌﺎﳉﺔ ﻫـﺬا‬
‫اﻟﻮﺻﻒ ﺑﻄﺮق رﻣﺰﻳﺔ اﻟﺘﻲ ﺗﺴﺘﺨﺪم ﻣﺜﻼ ﻣﻌﺮﻓﺔ ﻋﺎﻣﺔ ﻷﺷﻜﺎل اﻟﺼﻮر ا‪7‬ﺮﺋﻴﺔ‬
‫وﻣﻌﺮﻓﺔ ﺗﺮﻛﻴﺒﻴﺔ أو دﻻﻟﻴﺔ ﻷﺷﻜﺎل اﻟﻜﻼم‪ ،‬وﻣﻦ ا‪7‬ﻬـﻢ ﺗـﻘـﺪﻳـﺮ أﻧـﻪ ﻓـﻲ ﺣـﺎﻟـﺔ‬
‫اﳉﻴﻮﻟﻮﺟﻴﺎ ﻣﺜﻼ ﻳﻜﻮن ﻟﻠﻤﻌﻠﻮﻣﺎت اﻟﺮﻣﺰﻳﺔ أﺳﺒﻘﻴﺔ ودور راﺋﺪ ﻓﻲ ا‪7‬ﻌـﺎﳉـﺔ‬
‫اﻟﻌﺪدﻳﺔ ﻟﻠﻜﺘﻞ ﺑﺘﺤﺪﻳﺪ أﻧﻮاع اﻟﺼﺨﻮر اﻟﻔﺮدﻳﺔ اﻟﺘﻲ ﻳﺠﺐ اﻟﻨﻈﺮ ﻓﻴﻬﺎ‪.‬‬
‫وﺗﻌﻜﺲ ﻣﻘﺎﻳﻴﺲ اﻻﺳﺘﺤﺴﺎن ﺗﻘﻮ€ اﳋﺒﺮاء ﻟﻠﺜﻘﺔ اﻟﺘﻲ ‪v‬ﻜﻦ أن ﺗﻮﺿﻊ‬
‫ﻓﻲ اﻟﻨﺘﺎﺋﺞ‪ ،‬وﻟﻴﺲ ﻟﻬﺬا أﺳﺎس ﻧﻈﺮي‪ ،‬ﻓﻘﺪ ﺗﻌﻄﻰ ﺑﻌﺾ اﻟﺪﻻﻻت اﻹﺣﺼﺎﺋﻴﺔ‪،‬‬
‫وﻟﻜﻨﻬﺎ ‪n‬ﺜﻞ ﻓﻲ أﻏﻠﺐ اﻷﺣﻴﺎن اﳋﺒﺮة ا‪7‬ﺘﺮاﻛﻤﺔ ﻟﻠﺨﺒﻴﺮ اﻟﺬي إذا ﺳﺌﻞ‪» :‬إذا‬
‫ﻃﻠﺐ ﻣﻨﻚ أن ﺗﻌﻄﻰ درﺟﺔ ﺛﻘﺔ ﻟﺒﻌﺾ اﻟﻌﺒﺎرات ﺗﺘﺮاوح ﺑ‪ ١٠-T‬و ‪ ١٠ +‬ﻓﻤﺎذا‬
‫ﺗﻘﻮل ? وﻻ ﺷﻚ أن ﻫﺬه اﻟﻔﻜﺮة ﻏﻴﺮ ﺷﻜﻠﻴﻪ‪.‬‬

‫اﻟﻨﻈﻢ اﳊﺎﻟﻴﺔ‪-‬ﺧﺎﲤﺔ‬
‫ﻟﻘﺪ ﺗﺼﺪرت اﻟﺘﻄﺒﻴـﻘـﺎت اﳉـﻴـﻮﻟـﻮﺟـﻴـﺔ ﻋـﺮﺿـﻨـﺎ ﻫـﺬا ﻟـﻠـﻨـﻈـﻢ ا‪7‬ـﻮﺟـﻬـﺔ‬
‫ﻟﻠﺼﻨﺎﻋﺔ‪‡ ،‬ﺎ ﻳﻌﻜﺲ أﻫﻤﻴﺘﻬﺎ ﻓﻲ اﳊﻴﺎة اﳊﻘﻴﻘﻴﺔ ﻷن ﻟﻬﺎ أﻫﻤﻴﺔ اﻗﺘﺼﺎدﻳﺔ‬
‫ﻋﻈﻴﻤﺔ‪ ،‬وﺣﺎﻟﻴﺎ ﻫﻨﺎك ﺗﻄﺒﻴﻘﺎت أﺧﺮى ﻓﻲ اﻷﻋﻤـﺎل اﻟـﺰراﻋـﻴـﺔ ﻟـﺘـﺸـﺨـﻴـﺺ‬
‫أﻣﺮاض اﻟﻨﺒﺎت‪ ،‬وﻓﻲ اﻟﺒﻴﻮﻟﻮﺟﻴﺎ اﳊﻴﻮﻳـﺔ‪ ،‬وﻓـﻲ اﻟـﺒـﻨـﻮك ﳊـﺴـﺎب اﺨﻤﻟـﺎﻃـﺮ‬
‫ا‪7‬ﺎﻟﻴﺔ‪ ،‬وﻓﻲ اﻟﺒﻴﻮﻟﻮﺟﻴﺎ اﳊﻴﻮﻳﺔ‪ ،‬وﻓﻲ اﻟﺒﻨﻮك ﳊﺴﺎب اﺨﻤﻟﺎﻃﺮ ا‪7‬ﺎﻟﻴﺔ‪ ،‬وﻓﻲ‬
‫اﻟﻨﻘﻞ ﻟﺼﻴﺎﻧﺔ أﺳﺎﻃﻴﻞ اﻟﻨﺎﻗﻼت‪ ..‬وﻫﻜﺬا‪ ،‬وأﻋﻈﻢ اﻟﺒﺮاﻣﺞ ﳒﺎﺣﺎ ﻣﻦ اﻟﻨﺎﺣﻴﺔ‬
‫اﻟﺘﺠﺎرﻳﺔ ﺣﺘﻰ أﻻن ﻫﻲ ﺑﻼ ﺷﻚ ﻣﺠﻤﻮﻋﺔ اﻟﺒﺮاﻣﺞ اﻟﺘﻲ اﺳﺘﺤﺪﺛﺘﻬﺎ ﺷـﺮﻛـﺔ‬
‫دﻳﺠﻴﺘﺎل ﻟﻠﺤﺎﺳﺒﺎت ﻣﺜﻞ ﺑﺮﻧﺎﻣﺞ‪ RI‬وﻣﻦ ﺑﻌﺪه ﺑﺮﻧﺎﻣﺞ ‪ xcon‬ﻟﻘﻴﺎس ﻣﻮاﺻﻔﺎت‬
‫أﺟﻬﺰة ال ‪ VAX‬وﺑﺮﻧﺎﻣﺞ ‪ XSEL‬ﻛﻤﺴﺎﻋﺪة ﻓﻲ ا‪7‬ﺒﻴﻌﺎت‪.‬‬
‫وﻗـﺪ اﺷـﺘـﺮﻛـﺖ اﻟـﺸـﺮﻛـﺔ اﻟـﻔــﺮﻧ ـﺴ ـﻴــﺔ ‪ ELF-aquitaine‬ﻣـﻊ ﺷـﺮﻛـﺔ اﻟــﺬﻛــﺎء‬

‫‪227‬‬
 ‫اﻟﺬﻛﺎء اﻻﺻﻄﻨﺎﻋﻲ‬

‫اﻻﺻـﻄـﻨـﺎﻋـﻲ اﻷﻣـﺮﻳـﻜـﻴـﺔ ‪ Teknowledge‬ﻓـﻲ إﻧـﺘـﺎج أﺣـﺪ اﻷﻧـﻈـﻤـﺔ اﳋـﺒـﻴـﺮة‬

‫ﻟﻠﻤﺴﺎﻋﺪة ﻓﻲ ﻋﻤﻠﻴﺎت ﺣﻔﺮ اﻵﺑﺎر‪ ،‬ﻛﻤﺎ ﺗﻌﻤﻞ ﺣﺎﻟﻴﺎ ﻓﻲ ﻓﺮﻧﺴﺎ ﺷﺮﻛﺔ ‪CGE‬‬
‫ﻓﻲ ﺑﻨﺎء ﺑﺮاﻣﺞ ﺗﺸﺨﻴﺺ اﻷﻋﻄﺎل ﻓﻲ اﻷﺟﻬﺰة اﻟﻜـﻬـﺮﺑـﺎﺋـﻴـﺔ‪ ،‬وﺗـﻌـﻤـﻞ أﻳـﻀـﺎ‬
‫ﺷﺮﻛﺔ ‪ CII‬ﻓﻲ ﺑﻨﺎء ﺑﺮاﻣﺞ ﻣﺸﺎﺑﻬﺔ ﻟﺒﺮاﻣﺞ ﺷﺮﻛﺔ دﻳﺠﻴﺘﺎل ﻟﻘﻴـﺎس وﺗـﺸـﻐـﻴـﻞ‬
‫اﳊﺎﺳﺒﺎت اﻵﻟﻴﺔ‪.‬‬
‫وﻳﺤﺘﻮي ﺟﺪول ‪ ١ -١٧‬اﻟﻨﻈﻢ ا‪7‬ﻮﺟﻬﺔ ﻟﻠﺼﻨﺎﻋﺔ ا‪7‬ﺴﺘﺨﺪﻣﺔ ﺣﺎﻟﻴﺎ أو ﻓﻲ‬
‫ﻃﺮﻳﻖ اﻹﻧﺸﺎء‪.‬‬

‫‪228‬‬
‫اﻟﻨﻈﻢ اﳋﺒﻴﺮة ﻓﻲ اﻟﻌﻠﻮم واﻟﺼﻨﺎﻋﺔ‬

117 <%&

     

Feigenbaum (1) DENDRAL
      

Buchanan (3) METADENDRAL ( ) 
Wipke (17) SECS   !
Gelernter (18) SYNCHEM   !
Bundy (19) MECHO   "# " 
Brown (20) SOPHIE
#$ #%& " '
Dincbas (21) PEACE
#$ #%& " '
Brown (22) EL  % 
Novac (23)  
Langley (24) BACON * + ,!
Bennett (25) SACON -.
%/
Duda (9) PROSPECTOR 6-. : 
Bonnet (13, 14) LITHO <%
Davies (15) DIPMETER ADVISOR <%
Hollander (26) DRILLING ADVISOR <%
Lenat (28) AM : > ,! 
Moses (4) MACSYMA . . "  @-
Hcses (6) REDUCE . . "  @-
Lauriere (7) SNARK/INTEGRATION " 
McDermott (29) RI, XSEL, XCON VAX Q &Z&'   !
Bennett (30) DART [ \] ^ _,
Barstow (31) PECOS `  [f " # 
Manna (32) DEDALUS `  [f
Green (33) PSI `  [f
Rich (34) PROGRAMMERS APPRENTICE `  [f
Blazer (35) SAFE `  [f
Descotte (36) GARI j q. : xf { |},~ $%&
Nii (27) HASP/SIAP }
€ '($ )*+

229
 ‫اﻟﺬﻛﺎء اﻻﺻﻄﻨﺎﻋﻲ‬

‫اﳌﺮاﺟﻊ‬

(1) Feigenbaum E., Buchanan B., Lederberg J. (1971), On gener ality and problem solving: A case
study using the DENDRAL pro gram, in machine Intelligence, Vol. 6, New York, Elsevier.
(2) Carhart R.E. (1979), CONGEN: An expert system aiding the structura chemist, in Revolution in the
micro-electronic age, Michie (ed.) Edinburgh, Edinburgh University Press.
(3) Buchanan B., Mitchell T. (1978), Model-directed learning of production rules, in Pattern-directed
inference systems, Waterman and Hayes-Roth (eds.), New York, Academic Press.
(4) (4) Moses J. (1967), A Macsyma Primer, Mathlab Memo 2, MIT Computer Science Lab.
(5) Genesereth M. (1976), DB: High-level data base system with inference, Memo 4, Macsyma Group,
MIT.
(6) Hearn A. (1969), Reduce 2 users manual, Stanford Al memo AI-90.
(7) Lauriere J. L. (1982), Utilisation et representation des con naissances, RAIRO/TSI, 1 and 2.
(8) Mitchell 1. (1983), Learning and problem solving, IJCAI-83, PP.1139- 1151.
(9) Duda R., Gasching J., Hart P. (1979), Model design in the PROSPECTOR consultanat system for
mineral exploration, in Expert systems in the micro-electronic age, D. Michie (ed.), Edinburgh, Edin
burgh University Press.
(10) Konolige K. (1979), An inference net compiler for the PROSPECTOR rule-based consultation
system, IJCAI-79
(11) Hendnch G.G. (1977), Human engineering for applied nat ural language processing, IJCAI-77,
pp. 183- 191.
(12) Reboh R. (1981), Knowledge engineering and tools in the prospector environment, Techn. Note
243, Artificial intelligence Center, SRI International, Menlo Park, California.
(13) Bonnet A., Harry J., Ganascia J.G. (1982), LITHO, un sys tem expert inferant Ia geologie du sous-
sol, RAIRO/TSI, Vol. 1 No. 5, pp. 393- 402.
(14) Bonnet A., Dahan C. (1983), Oil-well data interpretation us ing expert system and pattern recognition
technique, IJCAI-83 pp. 185- 189.
(15) Davis R., Austin H., Carlboom I. Frawley B., Pruchnik P., Sneiderman R., Gilreath J.A. (1981),
The DIPMETER ADVISOR: interpretation of geologic signals, ICJAI-81, Vancouver, pp. 846- 849.
(16) Van Melle W. (1980), A Domain-independent system that aids in constructing knowledge-based
consultation programs, Stan ford University Heuristic Programming Project memo 80-82.
(17) Wipke W.T., Braun H., Smith G., Choplin F., Sieber W. (1977), SECS-Simulation and evaluation
of chemical Synthesis: Strategy and planning, in W.T. Wipke and W.J. House (eds.), com puter Assisted
Organic Synthesis, Washington, D.C., American Chemical Society, pp. 97- 127.

230
‫اﻟﻨﻈﻢ اﳋﺒﻴﺮة ﻓﻲ اﻟﻌﻠﻮم واﻟﺼﻨﺎﻋﺔ‬

(18) Gelernter H.L., Sanders A.F., Larsen D.L., Agarwal K.K., Boivie R.H., Spritzer G.A., Searlman
J.E. (1977), Empirical Explora tion of SYNCHEM, Science 197, pp. 1041- 1049.
(19) Bundy A., Byrd L., Mellish C., Milne R., Palmer M. (1979), MECHO, a program to solve mechanics
problems, Dept. of Al. University of Edinburgh, working paper 50.
(20) Brown J.S., Burton R. (1975), Multiple representation of knowledge for tutorial reasoning, in
Bobrow & Collins (eds.), Repre sentation and understanding, New York, Academic Press, pp. 311-
350.
(21) Dincbas M. (1980), A knowledge-based expert system for automatic analysis and synthesis in
CAD, Proc. of IFIP Congress, pp. 705- 710.
(22) Brown A., Sussman G.J. (1974), Localization of failures in radio circuits, a study in causal and
teleological reasoning, MIT Ar tificial Intelligence memo 319.
(23) Novak G. (1977), Representation of knowledge in a program for solving physics problems. IJCAI-
77. MIT
(24) Lanley P. (1979), Rediscovering physics with BACON-3, IJCAI-79. Tokyo, pp. 505- 507.
(25) Bennet J.S., Engelmore R. (1979), SACON: a knowledge-based consultant for structural analysis,
IJCAI-79, pp. 47- 49.
(26) Hollander C.R. Iwasaki Y., Courteille J.M., Fabre M. (1983), Trends and Applications conference,
Washington.
(27) Nii H.P., Feigenbaum E.A., Anton J.J., Rockmore A.J. (1982), Signal to symbol transformation:
HASP/SlAP case study, the Al Magazine, 3,2, pp. 23- 55.
(28) Lenat D. (1980), On automated Scientific theory formation: a case study using the Am program, in
Davis & Lenat (eds.), knowl edge-based systems in Artificial Intelligence, New York, McGrow Hill.
(29) McDermott J. (1980), RI: an expert in the computer systems Domain, in AAAI-80, pp. 269.271.

231
 ‫اﻟﺬﻛﺎء اﻻﺻﻄﻨﺎﻋﻲ‬

‫اﻟﻘﺴﻢ اﳋﺎﻣﺲ‬
‫ﻧﻈﺮة ﻣﺴﺘﻘﺒﻠﻴﺔ‬

‫‪232‬‬
‫اﻟﺬﻛﺎء اﻻﺻﻄﻨﺎﻋﻲ واﻟﺘﺪرﻳﺲ ﺑﻮاﺳﻄﺔ اﳊﺎﺳﺐ اﻵﻟﻲ‬

‫‪ 18‬اﻟﺬﻛﺎء اﻻﺻﻄﻨﺎﻋﻲ واﻟﺘﺪرﻳﺲ‬

‫ﺑﻮاﺳﻄﺔ اﳊﺎﺳﺐ اﻵﻟﻲ‬

‫ﻣﻘﺪﻣﺔ‬
‫ﻧـﺘـﻨـﺎول ﻓـﻲ ﻫـﺬا اﻟـﻔـﺼـﻞ اﺳـﺘـﺨـﺪام اﳊـﺎﺳـﺐ‬
‫ﻛﻮﺳﻴﻠﺔ ﻣﻌﺎوﻧﺔ ﻓﻲ اﻟﺘﺪرﻳﺲ‪ .‬وﻗﺪ اﺳﺘﺤﺪﺛﺖ ﻛﺜﻴﺮ‬
‫ﻣﻦ اﻟﺒﺮاﻣﺞ واﻟﻨﻈﻢ ﺿﻤﻦ اﻷﻃﺮ اﻟـﺘـﻘـﻠـﻴـﺪﻳـﺔ ﻟـﻬـﺬه‬
‫اﻟﻐﺎﻳﺔ‪ .‬وﺗﺘﻀﻤﻦ ﻫﺬه اﻟﺒﺮاﻣﺞ إﺟﺎﺑﺎت وﺣﻠﻮل ا‪7‬ﺴﺎﺋﻞ‬
‫اﻟﺘﻲ ﺗﻄﺮﺣﻬﺎ ﻋﻠﻰ اﻟﻄﺎﻟﺐ‪ ،‬وﻟﻜﻦ ﺑـﻘـﺪرة ﻣـﺤـﺪودة‬
‫ﺟﺪا ﻋﻠﻰ اﻻﺳﺘﺪﻻل واﻟﺘﻔﻜﻴﺮ‪ ،‬وﺑﺎﻟﺘﺎﻟﻲ ﻓﻠﻴﺲ ﻣﻌﻈﻢ‬
‫ﻫﺬه اﻟﺒﺮاﻣﺞ ﻗﺪرة ذاﺗﻴﺔ ﻛﻞ ﻫﺬه ا‪7‬ﺴﺎﺋﻞ ﺑﻨﻔﺴـﻬـﺎ‪.‬‬
‫وأﻓﻀﻞ ﻫﺬه اﻟﺒﺮاﻣﺞ ﻟﻬﺎ ﺑﻌﺾ اﻟﻘﺪرة ﻋﻠﻰ ا‪7‬ﺴﺎﺋﻞ‪-‬‬
‫إذا ﻋﺮﻓﻨﺎ ﻫﺬه اﻟﻘﺪرة †ﻌﻨﺎﻫﺎ اﻟﻮاﺳﻊ ﺟﺪا‪ ،‬وﻟﻜﻨﻬﺎ‬
‫ﻻ ﺗﻔﺼﻞ ﻗﺎﻋﺪة ا‪7‬ﻌﺮﻓﺔ اﻟﺘﻲ ﺗﺴﺘﺨﺪﻣﻬﻤﺎ ﻋﻦ آﻟﻴﺔ‬
‫اﻟـﺘـﺤـﻜـﻢ‪‡ ،‬ـﺎ ﻳـﺠـﻌـﻞ ﻣـﻦ اﻟـﺼـﻌـﺐ ﺿـﻤـﻬ ـﻤــﺎ إﻟــﻰ‬
‫اﻟﺒﺮﻧﺎﻣﺞ‪ .‬وﻟﻬﺬا ﻧﻘﺘﺮح ﻓﻲ ﻫﺬا اﻓﺼﻞ ﺑﻨﺎء ﺑـﺮاﻣـﺞ‬
‫اﻟﺘﻌﻠﻢ ﻋﻠﻰ ﻏﺮار اﻷﻧﻈﻤﺔ اﳋﺒﻴﺮة‪.‬‬
‫وﺑﻌﻜﺲ اﻟﻨﻈﻢ اﻟﺘﻘﻠﻴﺪﻳﺔ‪ ،‬ﺗﺒﺪأ اﻟﺒﺮاﻣﺞ اﻟـﺬﻛـﻴـﺔ‬
‫ﻟﻠﺘﻌﻠﻴﻢ ﻣﻦ اﻟﻔـﺮﺿـﻴـﺔ اﻟـﻘـﺎﺋـﻠـﺔ إﻧـﻪ ﻻﺑـﺪ ﻟـﻠـﺒـﺮﻧـﺎﻣـﺞ‬
‫اﻟﺘﻌﻠﻴﻤﻲ ﻧﻔﺴﻪ أن ﻳﻜﻮن ﺧﺒﻴﺮا ﻓﻲ اﺠﻤﻟﺎل اﳋﺎص‬
‫ﺑﻪ‪† ،‬ﻌﻨﻰ أﻧﻪ ﻳﺠﺐ أن ﻳﻜﻮن ﻗﺎدرا ﻋﻠﻰ ﺣﻞ ا‪7‬ﺴﺎﺋﻞ‬
‫اﻟﺘﻲ ﻳﻀﻌﻬﺎ‪-‬ر†ﺎ ﺑﻌﺪة ﻃﺮق‪-‬ﻛﻤﺎ ﻳﺠﺐ أن ﻳﻜﻮن ﻗﺎدرا‬

‫‪233‬‬
 ‫اﻟﺬﻛﺎء اﻻﺻﻄﻨﺎﻋﻲ‬

‫ﻋﻠﻰ ﺗﺘﺒﻊ وﻧﻘﺪ اﳊﻠﻮل اﻟﺘﻲ ﻳﺘﻮﺻﻞ إﻟﻴﻬﺎ اﻟﻄﺎﻟﺐ‪ .‬ﻛﻤﺎ ﻳﺠﺐ أن ﻳﻜﻮن ﻟﻬﺬه‬
‫اﻟﺒﺮاﻣﺞ اﻟﺬﻛﻴﺔ أﺳﺎس ﻧﻈﺮي ﻟﻼﺳﺘﺮاﺗﻴﺠﻴﺔ اﻟﺘﻌﻠﻴﻤﻴﺔ اﻟﺘـﻲ ﺗـﺘـﺒـﻌـﻬـﺎ واﻟـﺘـﻲ‬
‫ﻳﺠﺐ أن ﺗﻜﻮن واﺿﺤﺔ وﻏﻴﺮ ﻣﺘﻀﻤﻨﺔ ﺑﺸـﻜـﻞ ﻏـﺎﻣـﺾ ﻓـﻲ ﻗـﺎﻋـﺪة ا‪7‬ـﻌـﺮﻓـﺔ‬
‫ﻟﻠﺒﺮﻧﺎﻣﺞ‪ .‬ﻛﻤﺎ ﻳﺠﺐ أﻳﻀﺎ أن ﺗﻜﻮن ﻫﺬه اﻻﺳﺘﺮاﺗﻴﺠﻴﺎت ﻗﺎﺑﻠﺔ ﻟﻠﺘﻄﺒﻴﻖ ﻓـﻲ‬
‫ﻣﺠﺎﻻت ﻣﺨﺘﻠﻒ وﻋﺪﻳﺪة‪ ،‬وﻗﺪ ﻻ ﻧﻜﻮن واﻗﻌﻴ‪ T‬إذا ﻃﻤﺤﻨﺎ إﻟﻰ اﺳﺘﺮاﺗﻴﺠﻴﺔ‬
‫واﺣﺪة ﻟﻜﻞ اﺠﻤﻟﺎﻻت‪ ،‬وﻟﻜﻨﻪ ﻳﺒﺪو ﻣﻦ ا‪7‬ﻨﻄﻖ أن ﻧﺘﻮﻗﻊ ﺑﻌﺾ ا‪7‬ﺒﺎد‪ M‬اﻟﻌﺎﻣـﺔ‬
‫اﻟﺘﻲ ‪v‬ﻜﻦ أن ﺗﻬﺘﺪي ﺑﻬﺎ ﻣﺜﻞ ﻫﺬه اﻟﺒﺮاﻣﺞ‪ .‬وﻳﺴﺘﻄﻴﻊ اﻟﺒﺮﻧﺎﻣﺞ اﻟﺬي اﺧﺘﺒﺮ‬
‫ﻗﺪرات اﻟﻄﺎﻟﺐ وﻣﻌﺮﻓﺘﻪ أن ﻳﺴﺘﺨﺪم ﻧﺘﺎﺋﺞ ﺗﻘﻮ‪v‬ﻪ ﻓﻲ وﺿﻊ ﺻﻮرة ﻟﻠﻄﺎﻟﺐ‬
‫‪ profile‬ﻟﺘﺼﺒﺢ إﺣﺪى اﻟﻘﻴﻢ ا‪7‬ﺴﺘﺨﺪﻣﺔ ﻓﻲ ﺗﻮﺟﻴﻪ ﻋﻤﻠﻴﺔ اﻟﺘﻌﻠﻴﻢ اﻟﻔﺮدﻳﺔ‪.‬‬

‫ﻧﺒﺬة ﺗﺎرﻳﺨﻴﺔ‬
‫وﺗﺘﻠﺨﺺ اﻟﻄﺮﻳﻘﺔ ا‪7‬ﻌﺘﺎدة ﻟﺒﺮاﻣﺞ اﻟﺘﻌﻠﻴﻢ ﺑﻮاﺳﻄﺔ اﳊﺎﺳﺐ ﻓﻲ اﻵﺗﻲ‪:‬‬
‫أوﻻ‪ :‬ﻳﻌﺮض ﻧﺺ اﻟﺪرس ﻋﻠﻰ ﺷﺎﺷﺔ اﳊﺎﺳﺐ‪ ،‬ﺛﻢ ﺗﻮﺿﻊ اﻷﺳﺌﻠﺔ ﻟﻠﻄﺎﻟﺐ‬
‫اﻟﺬي ﻳﺠﻴﺐ ﻋﻠﻰ اﻷﺳﺌﻠﺔ ﺑﺎﺧﺘﺼﺎر‪ ،‬وذﻟﻚ ﻟﻌﺪم ﻗﺪرة اﻟﺒﺮﻧﺎﻣﺞ ﻋﻠﻰ ﲢﻠﻴﻞ‬
‫اﻟﻠﻐﺔ اﻟﻄﺒﻴﻌﻴﺔ‪ .‬وأﺧﻴﺮا ﻳﺴﺘﻤﺮ اﻟﺒﺮﻧﺎﻣﺞ ﻓﻲ ﻋﺮض ﻣﺎدة ﺗﻌﻠﻴﻤﻴﺔ أﻛﺜﺮ ﺻﻌﻮﺑﺔ‪،‬‬
‫إذا ﻛﺎﻧﺖ إﺟﺎﺑﺔ اﻟﻄﺎﻟﺐ ﺻﺤﻴﺤﺔ‪ ،‬أو ﻳﺒ‪ T‬اﳋﻄﺄ ﻓﻲ إﺟﺎﺑﺔ اﻟﻄﺎﻟﺐ وﻳﻌﺮض‬
‫اﻹﺟﺎﺑﺔ اﻟﺼﺤﻴﺤﺔ‪.‬‬
‫وﺳﻮف ﻻ ﻧﻌﺮض ﻫﺘﺎ ﻃﺮﻳﻘﺔ ﻟﻮﺟﻮ ‪ LOGO‬ﻟﺴﻴﻤﻮر ﺑﺎﺑﻴﺮت‪seymour pa 1-‬‬
‫‪ ،(٢٬١)pert‬اﻟﺘﻲ ﺗﺘﺒﻊ ﻧﻬﺞ ﺑﻴﺎﺟﻴﺖ ‪ Piaget‬ﻟﻠﺘﻌﻠﻴﻢ اﻟﺘﻠﻘﺎﺋﻲ‪spontane ous learning-‬‬
‫ﺑﺎﻟﺘﻔﺎﻋﻞ ﻣﻊ اﻟﺒﻴﺌﺔ اﶈﻴﻄﺔ‪ ،‬وذﻟﻚ ﻷن ﻫﺬا اﻟﻨﻬﺞ ﻳﻬﺘﻢ ﺑﺘﻨﻤﻴﺔ ﻗﺪرات اﻷﻃﻔﺎل‬
‫اﻹﺑﺪاﻋﻴﺔ ﺑﺈﻋﻄﺎﺋﻬﻢ وﺳﻴﻠﺔ ﺗﺘﺠﺎوب ﻣﻊ اﻷﻓﻜﺎر اﻟﺘﻲ ﻳﻌﺒﺮون ﻋﻨﻬﺎ أﻛﺜﺮ ﻣﻦ‬
‫اﻫﺘﻤﺎﻣﻪ ﺑﺘﻌﻠﻴﻢ ﻣﺎدة ﻣﻌﻴﻨﺔ‪ .‬ﻓﻴﻤﻜﻦ ﻟﻸﻃﻔﺎل ﺑﺎﺳﺘﺨﺪام ﻃﺮﻳﻘﺔ ﻟﻮﺟﻮ رﺳـﻢ‬
‫اﻟﻠﻮﺣﺎت وﺗﺄﻟﻴﻒ ا‪7‬ﻮﺳﻴﻘﻰ ﻛﺬﻟﻚ أن ﻓﻠﺴﻔﺔ ﻫﺬا اﻟﻨﻬﺞ ﻋﻜﺲ ﺑﺮاﻣﺞ اﻟﺘﻌﻠﻴﻢ‬
‫اﻟﺘﻘﻠﻴﺪﻳﺔ اﻟﺘﻲ ﺗﺘﻤﻴﺰ ﺑﺎﻟﻮﺿﻊ اﻟﺴﻠﺒﻲ ﻟﻠﻄﺎﻟﺐ‪.‬‬
‫وﺗﻌﻮد ﺑﺪاﻳﺔ اﺳﺘﺨﺪام أﺳﺎﻟﻴﺐ اﻟﺬﻛﺎء اﻻﺻﻄﻨﺎﻋﻲ ﻓﻲ اﻟﺘﻌﻠﻴﻢ إﻟﻰ ﺑﺮﻧﺎﻣﺞ‬
‫ﺳﻜـﻮﻻر ‪ (٣)scholar‬ﻟﺘﺪرﻳﺲ ﺟﻐﺮاﻓﻴﺔ أﻣﺮﻳﻜﺎ اﳉﻨﻮﺑﻴﺔ‪ ،‬واﺳﺘـﺨـﺪام ﻗـﺎﻋـﺪة‬
‫ﻣﻌﺮﻓﺔ ﺟﻐﺮاﻓﻴﺔ اﻟﺘﻲ ﻟﻢ ﺗﻜﻦ ﻣﺠﺮد ﻧﺼﻮص ﻣﺴﺠـﻠـﺔ ﺳـﻠـﻔـﺎ‪ .‬وﻣـﻦ اﻷﻓـﻜـﺎر‬
‫اﳉﺪﻳﺪة ﻓﻲ ﻫﺬا اﻟﺒﺮﻧﺎﻣﺞ أﻧﻪ ﻣﻦ ا‪7‬ﻤﻌﻦ ﻟﻜﻞ ﻣﻦ اﻟﺒﺮﻧﺎﻣـﺞ أو اﻟـﻄـﺎﻟـﺐ أن‬
‫ﻳﺄﺧﺬ ا‪7‬ﺒﺎدرة ﻓﻲ اﳊﻮار‪ .‬وﻳﻘﻮم ﺑﺮﻧﺎﻣﺞ ﺻﻮﻓﻲ ‪ (٤)SOPHIE‬ﺑﺘﻌﻠﻴﻢ اﻟﻄﺎﻟﺐ‬

‫‪234‬‬
‫اﻟﺬﻛﺎء اﻻﺻﻄﻨﺎﻋﻲ واﻟﺘﺪرﻳﺲ ﺑﻮاﺳﻄﺔ اﳊﺎﺳﺐ اﻵﻟﻲ‬

‫ﻛﻴﻒ ﻳﺠﺪ وﻳﺼﺤﺢ اﻷﺧﻄﺎء ﻓﻲ اﻟﺪواﺋﺮ اﻹﻟﻜﺘﺮوﻧﻴﺔ‪ ،‬وﻟﻬﺬا اﻟﺒﺮﻧﺎﻣﺞ ﻣﻮاﺟﻬﺔ‬

‫ﻣﺮﻧﺔ ﺟﺪا ﺑﺎﻟﻠﻐﺔ اﻟﻄﺒﻴﻌﻴﺔ ﻣﻊ ا‪7‬ﺴﺘﺨﺪم ‡ﺎ ‪v‬ﻜﻨﻪ ﻣﻦ ﻓﻬﻢ واﻧﺘﻘﺎد اﳊﻠﻮل‬
‫ا‪7‬ﻘﺪﻣﺔ ﻟﻪ‪ .‬وﻗﺪ اﲡﻪ اﻟﺒﺤﺚ ﻓﻲ اﻟﺴﻨﻮات اﻷﺧﻴﺮة إﻟﻰ دراﺳﺔ ﲢﻠﻴﻞ أﺧﻄﺎء‬
‫اﻟﻄﻼب‪ .‬وﻗﺪ أﻇﻬﺮ اﺳﺘﺨﺪام ﺑـﺎﺟـﻲ ‪ (٥)BUGGY‬أن ﺑﻌﺾ أﺧﻄﺎء اﻟﻄـﻼب‬
‫اﳊﺴﺎﺑﻴﺔ اﻟﺘﻲ ﺑﺪت أوﻻ ﻋﺸﻮاﺋﻴﺔ ﻛﺎﻧﺖ ﻓﻲ أﻏﻠﺐ اﻷﺣﻴﺎن أﺧﻄﺎء ﻣـﻄـﺮدة‬
‫ﻧﺘﺠﺖ ﻋﻦ اﻟﻄﺮﻳﻘﺔ ا‪7‬ﺴﺘﺨﺪﻣﺔ ﻣﻦ ﻗﺒﻞ اﻟﻄﻼب‪ .‬وﻗﺪ ﻃﻮرت أﻟﻌﺎب ﺗﺮﺑﻮﻳﺔ‬
‫ﻣﺜﻞ و‪v‬ـﺒـﻮس )‪ WUMPUS (٦‬ﻟﻠﺘﻮﺻﻞ إﻟـﻰ اﻷﺳـﺒـﺎب اﻟـﺘـﻲ ﺗـﻜـﻤـﻦ وراء ﻋـﺪم‬
‫اﺳﺘﺨﺪام اﻟﻼﻋﺒ‪ T‬اﻻﺳﺘﺮاﺗﻴﺠﻴﺎت ا‪7‬ﺜﻠﻰ‪ .‬ﻛﻤﺎ أﻇﻬﺮ ﺑﺮﻧﺎﻣﺠﺎ واي ‪(٧)WHY‬‬

‫وﺟﺎﻳـﺪون ‪ (٨)GUIDON‬اﻟﻔﺮق ﺑ‪ T‬ﺗﺪرﻳﺲ ﻣﻮﺿﻮع ﺧﺎص واﻻﺳﺘﺮاﺗـﻴـﺠـﻴـﺎت‬

‫اﻟﻌﺎﻣﺔ ﻟﻠﺘﺪرﻳﺲ‪ .‬ﻓﻬﻨﺎك ﻣﺜﻼ ﻗﺎﻋﺪة ﻋﺎﻣﺔ ﺗﻘﻮل‪» :‬إذا ﻟﻢ ﻳﺴﺘـﻄـﻊ اﻟـﻄـﺎﻟـﺐ‬
‫ﻓﻬﻢ ﻗﺎﻧﻮن ﻋﺎم‪ ،‬أﻋﻄﻪ ﻣﺜﺎﻻ ﻣﺤﺪدا‪ ،‬وﻫﻲ ﺗﻨﻄﺒﻖ ﻋﻠﻰ ﺗﺪرﻳﺲ ﻛﺎﻓﺔ ا‪7‬ﻮاﺿﻴﻊ‪.‬‬
‫وﺗﻮﺿﺢ اﻟﻔﻘﺮات اﻟﺘﺎﻟﻴﺔ ﺑﻌﺾ ﻃﺮق ‪n‬ﺜﻴﻞ ا‪7‬ﻮﺿﻮﻋﺎت اﻟﺘﻲ ﺗﺪرس‪ ،‬وﺑﻌﺾ‬
‫ا‪7‬ﺒﺎد‪ M‬اﻟﺘﻌﻠﻴﻤﻴﺔ اﻟﺘﻲ اﺳﺘﺤﺪﺛﺖ‪.‬‬

‫ﻣﻜﻮﻧﺎت ﺑﺮاﻣﺞ اﻟﺘﻌﻠﻴﻢ اﻟﺬﻛﻴﺔ ﲟﻌﺎوﻧﺔ اﳊﺎﺳﺐ‬

‫ﻳﻮﺿﺢ ﺷﻜﻞ ‪ ١-١٨‬اﻟﺘﺨﻄﻴﻂ اﻟﻌـﺎم )‪ (٩‬ﻟﺒﺮاﻣﺞ اﻟﺘﻌﻠﻴﻢ †ﻌﺎوﻧﺔ اﳊﺎﺳـﺐ‬
‫ﻓﻲ إﻃﺎر اﻷﻧﻈﻤﺔ اﳋﺒﻴﺮة‪ ،‬واﻟﺬي ‪v‬ﺜﻞ ﺛﻤﺮة اﻷﺑﺤﺎث ﻓﻲ ﻫﺬا اﺠﻤﻟـﺎل ﻓـﻲ‬
‫اﻟﺴﻨﻮات اﻷﺧﻴﺮة‪.‬‬

‫ ‬
‫(!'‬ ‫‬
‫
‬

‫‪&%‬‬

‫‪  ! "#$%‬‬

‫
‬

‫ 
‬ ‫ ‪     1  18‬‬

‫‪235‬‬
 ‫اﻟﺬﻛﺎء اﻻﺻﻄﻨﺎﻋﻲ‬

‫وﻻ داﻋﻲ ﻷن ﻧﺆﻛﺪ ﻫﻨﺎ ﻣﺮة أﺧﺮى أﻫﻤﻴﺔ وﺟﻮد ﻣﻮاﺟﻬﺔ ﺑﻴﻨﻴﺔ »ودﻳﺔ« ﺑ‪T‬‬
‫ا‪7‬ﺴﺘﺨﺪم واﻟﺒﺮﻧﺎﻣﺞ‪ ،‬وﻟﻜﻦ ﻋﻠﻴﻨﺎ أن ﻧﺬﻛﺮ أﻧﻪ ﻳﺠﺐ أﺧﺬ اﻟﺘﻄﻮر اﻟﺘﻘﻨﻲ ﺑﻌ‪T‬‬
‫اﻻﻋﺘﺒﺎر ﻋﻨﺪ ﺗﺰوﻳﺪ اﻟﺒﺮﻧﺎﻣﺞ ﺑﺎ‪7‬ﻮاﺟﻬﺔ اﻟﺒﻴﻨﻴﺔ‪ .‬وﻧﺸﻴﺮ ﻫﻨﺎ ﺑﻮﺟﻪ ﺧﺎص إﻟﻰ‬
‫إﻣﻜﺎﻧﻴﺔ اﺳﺘﺨﺪام اﻟﺮﺳﻮﻣﺎت و»اﻟﻔﺄرة ‪ «mouse‬ﻟﺘﺤﺮﻳﻚ ﻣﺆﺷﺮ اﻟﺸﺎﺷﺔ ‪cursor‬‬
‫ﻻﺧﺘﻴﺎر ﺑﻨﻮد ﻣﻦ اﻟﺸﺎﺷﺔ‪ ،‬وﻫﺬا أﺳﻬﻞ وأﺳﺮع ﻣﻦ اﺳﺘﺨـﺪام ﻃـﺮق ﺗـﺘـﻄـﻠـﺐ‬
‫ﲢﻠﻴﻞ اﻟﻠﻐﺔ اﻟﻄﺒﻴﻌﻴﺔ‪ .‬وﻳﺠﺐ ﻃﺒﻌﺎ أن ﻳﺴﺘﻤﺮ اﻟﺒﺤﺚ ﻓﻲ ﻓﻬﻢ اﻟﻠﻐﺎت اﻟﻄﺒﻴﻌﻴﺔ‪،‬‬
‫وﻟﻜﻦ‪-‬ﻓﻲ ﺣﺪود ﻣﻐﺮﻓﺘﺎ اﳊﺎﻟﻴﺔ‪-‬ﻻ ﻳﺒﺪو أﻧـﻪ أﻫـﻢ ﻣـﺘـﻄـﻠـﺐ ﻟـﺘـﻄـﻮﻳـﺮ ﺑـﺮاﻣـﺞ‬
‫اﻟﺘﻌﻠﻴﻢ †ﻌﺎوﻧﺔ اﳊﺎﺳﺐ‪ .‬وﻋﻠﻰ أي ﺣﺎل ﻓﺎ‪7‬ﻄﻠﻮب ﻫﻮ اﺳﺘﺨﺪام ﻃﺮق أﻛﺜﺮ‬
‫ﺗﻘﺪﻣﺎ ﻓﻲ ﻣﺠﺎل اﻟﺘﻌﻠﻴﻢ ﻟﻠﻮﺻﻮل إﻟﻰ ﻓﻬﻢ أﻋﻤﻖ‪.‬‬
‫وﻳﺮﻛﺰ ﻫﺬا اﻟﻔﺼﻞ ﻋﻠﻰ وﻇﻴﻔﺘ‪ T‬رﺋﻴﺴﻴﺘ‪ :T‬ﻫﻤﺎ اﻷﻧﻈﻤﺔ اﳋﺒﻴﺮة وﺑﺮاﻣﺞ‬
‫اﻟﺘﻌﻠﻴﻢ‪.‬‬

‫دور اﻟﻨﻈﻢ اﳋﺒﻴﺮة‬

‫ﻗﺪ ﻳﺒﺪو ذﻛﺮﻧﺎ ﻓﻲ ﻣﻘﺪﻣﺔ ﻫﺬا اﻟﻔﺼﻞ أن ﺑﺮاﻣﺞ اﻟﺘﻌﻠﻴﻢ †ﻌﺎوﻧﺔ اﳊﺎﺳﺐ‬
‫ﻳﺠﺐ أن ﺗﻜﻮن ﺧﺒﻴﺮة ﻓﻲ ﻣﺠﺎﻟﻬﺎ أﻣﺮا ﺑﺪﻳﻬـﻴـﺎ‪ ،‬إﻻ أﻧـﻪ ﻳـﺠـﺐ أﻻ ﻧـﻨـﺴـﻰ أن‬
‫اﻟﻜﺜﻴﺮ ﻣﻦ ﻫﺬه اﻟﺒﺮاﻣﺞ اﻟﺘﻘﻠﻴﺪﻳﺔ ﻻ ﺗﺴﺘﻄﻴﻊ ﺣﻞ ا‪7‬ﺴﺎﺋﻞ اﻟﺘﻲ ﺗﻀﻌﻬﺎ ﻟﻠﻄﻼب‬
‫ﺑﻨﻔﺴﻬﺎ‪ ،‬ﻓﻤﺜﻼ ﻻ ﻳﺴﺘﻄﻴﻊ ﺑﺮﻧﺎﻣﺞ ﺑﻴﺐ ‪ (١٠)Bip‬ﻟﺘﻌﻠﻴﻢ ﻟﻐﺔ ﺑﻴﺴﻴﻚ ﻟﻠﺒﺮﻣﺠـﺔ‬
‫أن ﻳﻜﺘﺐ ﺑﺮﻧﺎﻣﺠﺎ ﺑﻠﻐﺔ ﺑﻴﺴﻴﻚ ﻋﻠﻰ اﻟﺮﻏﻢ ﻣﻦ ﻗﺪرﺗﻪ ﻋﻠﻰ ﺗﺼﺤﻴﺢ أﺧـﻄـﺎء‬
‫ﻣﻌﻴﻨﺔ ﻓﻲ اﻟﺒﺮاﻣﺞ ا‪7‬ﻘﺪﻣﺔ ﻟﻪ‪ .‬ﻛﻤﺎ ﻳﺠﺐ أن ﻳﺘﻤـﻜـﻦ اﻟـﺒـﺮﻧـﺎﻣـﺞ اﳋـﺒـﻴـﺮ ﻣـﻦ‬
‫ﺗﻮﻟﻴﺪ ا‪7‬ﺴﺎﺋﻞ‪ ،‬آﺧﺬا ﻓﻲ اﻻﻋﺘﺒﺎر ﻗﺪرات اﻟﻄﺎﻟﺐ اﻟﻌﻠﻤﻴﺔ ﺑﺎﻟﺘﻔﺼﻴﻞ ﻛﻤﺴﺘﻮى‬
‫أداء اﻟﻄﺎﻟﺐ واﻟﺼﻌﻮﺑﺎت ا‪7‬ﺘﻮﻗﻌﺔ‪ ،‬وﻣﺪى اﻟﺘﺄﻛﻴﺪ ﻋﻠﻰ اﻟﻨﻘﺎط اﻟﺼﻌﺒﺔ واﻟﻬﺪف‬
‫ﻣﻦ اﻟﺘﻌﻠﻴﻢ ﻓﻲ ﺗﻠﻚ اﻟﻠﺤﻈﺔ‪ ،‬ﻛﻤﺎ ﻳﺠﺐ أن ﻳﻜﻮن ﻗﺎدرا ﻋﻠﻰ ﺗﻨﻔﻴﺬ ﺗﻌﻠﻴـﻤـﺎت‬
‫ا‪7‬ﺪرس ﻟﻮﺿﻊ ﻣﺴﺎﺋﻞ أﻛﺜﺮ ﺻﻌﻮﺑﺔ ﻣﻦ اﻟﺘﻲ ﻗﺒﻠﻬﺎ ﻋﻠﻰ أن ‪v‬ﻜﻦ ﺣﻠﻬﺎ ﺑﻨﻔﺲ‬
‫اﻟﻄﺮﻳﻘﺔ‪.‬‬
‫وﻳﺠﺐ أن ‪v‬ﻮن اﻟﺒﺮﻧﺎﻣﺞ اﳋﺒﻴﺮ ﻗﺎدرا ﻋﻠﻰ إﻋﻄﺎء إﺟـﺎﺑـﺎت ﺗـﻔـﺼـﻴـﻠـﻴـﺔ‬
‫ﻣﺮﺗﺒﺔ‪ ،‬ﻣﻮﺿﺤﺎ ﻓﻴﻬﺎ اﻟﻨﻘﺎط اﻟﺼﻌﺒﺔ‪ ،‬وﻋﺎرﺿﺎ ﳋﻄﻮات اﳊﻞ‪ ،‬وذﻟﻚ ﻟﺘﺤﻘﻴﻖ‬
‫اﻷﻫﺪاف اﻟﺘﺎﻟﻴﺔ‪.‬‬
‫‪ -‬ﻣﻘﺎرﻧﺔ ﺣﻞ اﻟﻄﺎﻟﺐ ﺑﺤﻞ اﻟﺒﺮﻧﺎﻣﺞ‪.‬‬
‫‪ -‬ﻗﻴﺎس وﺗﻘﻮ€ ﻃﺮﻳﻘﺔ ﺣﻞ اﻟﻄﺎﻟﺐ †ﻘﺎرﻧﺘﻬﺎ ﺑﻄﺮﻳﻘﺔ اﻟﺒﺮﻧﺎﻣﺞ‪.‬‬

‫‪236‬‬
‫اﻟﺬﻛﺎء اﻻﺻﻄﻨﺎﻋﻲ واﻟﺘﺪرﻳﺲ ﺑﻮاﺳﻄﺔ اﳊﺎﺳﺐ اﻵﻟﻲ‬

‫‪ -‬ﻣﺴﺎﻋﺪة اﻟﻄﺎﻟﺐ اﻟﺬي ﺑﺪأ ﻓﻲ ا‪7‬ﺴﺎر اﻟﺼﺤﻴﺢ‪ ،‬وﻟﻢ ﻳﺴﺘﻄﻊ أن ﻳﺘﻌﺪى‬

‫ﻣﺮﺣﻠﺔ ﻣﻌﻴﻨﺔ ﻓﻲ اﳊﻞ‪.‬‬
‫وﻳﺠﺐ أن ﻳﻜﻮن اﻟﺒﺮﻧـﺎﻣـﺞ ﻗـﺎدرا ﻋـﻠـﻰ اﳉـﻤـﻊ ﺑـ‪ T‬اﻟـﻄـﺮق اﳋـﻮارزﻣـﻴـﺔ‬
‫واﻟﺘﺠﺮﻳﺒﻴﺔ‪ .‬وﻳﻜﺘﺴﺐ اﻟﺒﺮﻧﺎﻣﺞ اﻟﻄﺮق اﻟﺘﺠﺮﻳﺒﻴﺔ ﻣﻦ اﳋﺒﺮاء اﻟﺒﺸﺮﻳ‪ T‬وﺗﺘﻤﻴﺰ‬
‫†ﻼءﻣﺘﻬﺎ ﻟﺸﺮح ا‪7‬ﺴﺎﺋﻞ اﻟﺼﻌﺒﺔ وﻃﺮق اﻟﺸﺮح ﻷﻧﻬـﺎ ﺗـﻮﺿـﺢ ﻛـﻴـﻔـﻴـﺔ ﻋـﻤـﻞ‬
‫اﻟﻌﻘﻞ اﻟﺒﺸﺮي ﻓﻲ ﻣﺜﻞ ﺗﻠﻚ ا‪7‬ﻮاﻗﻒ)‪ .(١١‬وﺗﺴﺘﺨﺪم اﻟﻄﺮق اﳋﻮارزﻣﻴﺔ ﻟﺴﺮﻋﺔ‬
‫اﻹﳒﺎز أو ﻟﻌﺪم إﻣﻜﺎﻧﻴﺔ ﺣﻞ ا‪7‬ﺴﺎﺋﻞ ﺑﻄﺮﻳﻘﺔ أﺧﺮى‪ .‬وﻋﻨﺪﻣﺎ ﻧﻀﻄﺮ ﻻﺳﺘﺨﺪام‬
‫اﻟﻄﺮق اﳋﻮارزﻣﻴﺔ‪ ،‬ﻓﺈﻧﻪ ﻳﺠﺐ أن ﺗﻜﻤﻞ ﺑﻄﺮق أﻛﺜﺮ ﺗﻌﻠﻴﻤﻴﺔ ﻟﻠﻄﺎﻟﺐ أو ﺗﻌﺘﺒﺮ‬
‫ﻛﺼﻨﺪوق ﻣﻐﻠﻖ‪ .‬وﻻ ﻳﻌﺘﺒﺮ ﻫﺬا ﻋﺎﺋﻘﺎ ﻟﻠﺒﺮﻧﺎﻣﺞ‪ ،‬ﻓﻬﻨﺎك ﻣﺴـﺘـﻮى ﻣـﻌـ‪ T‬ﻟـﻜـﻞ‬
‫إﻧﺴﺎن أو ﺑﺮﻧﺎﻣﺞ ﻻ ﻳﺴﺘﻄﻴﻊ أن ﻳﺘﻌﺪاه‪.‬‬
‫وﻣﻦ ا‪7‬ﺘﻄﻠﺒﺎت اﻷﺧﺮى ﻟﻬﺬه اﻟﺒﺮاﻣﺞ أن ﺗﻜﻮن ﻟﺪﻳﻬﺎ اﻟﻘﺪرة ﻋﻠﻰ اﻛﺘﺸﺎف‬
‫اﻷﺧﻄﺎء ا‪7‬ﻄﺮدة أو اﻟﺸﺎﺋﻌﺔ‪ ،‬واﻛﺘﺸﺎف أي ﺛﻐﺮات ﻓﻲ ﻓـﻬـﻢ اﻟـﻄـﺎﻟـﺐ اﻟـﻌـﺎم‬
‫اﻟﺘﻲ ﻗﺪ ﺗﻨﺸﺄ ﻋﻨﻬﺎ ﻣﺜﻞ ﻫﺬه اﻷﺧﻄﺎء‪ .‬وﻳﻔﺘﺮض ذﻟﻚ وﺟﻮد ﻮذج ﺗﻌﻠـﻴـﻠـﻲ‬
‫ﻣﺘﻘﺪم ﻳﺴﺘﻄﻴﻊ أن ﻳﺴﺘﻔﻴﺪ ﻣﻦ اﻻﻋﺘﺒﺎرات اﻟﻨﻔﺴﻴﺔ‪.‬‬
‫وأﺧﻴﺮا ﻳﺠﺐ أن ﻳﻜﻮن اﻟﺒﺮﻧﺎﻣﺞ ﻗﺎدرا ﻋﻠﻰ إﻋﻄﺎء ﺗﻔﺴﻴﺮات ﻋﻠﻰ ﻣﺴﺘﻮﻳﺎت‬
‫ﻣـﺨـﺘـﻠـﻔـﺔ‪ .‬ﻓـﺈذا اﺳـﺘـﺨـﺪم اﻟـﺒـﺮﻧـﺎﻣـﺞ ﻓـﻲ ﺣـﻞ إﺣـﺪى ا‪7‬ـﺴـﺎﺋـﻞ ﺳـﻠـﺴـﻠـﺔ ﻣـﻦ‬
‫اﻻﺳﺘﻨﺘﺎﺟﺎت ﻣﺜﻞ أ‪ <--‬ب ‪ <--‬ج‪ ،‬ﻳﻜﻮن اﳉﻮاب اﻟﻌﺎدي ﻟﺴﺆال »‪7‬ﺎذا ج ?« ﻫﻮ‬
‫ﻷن ب«‪ ،‬و»‪7‬ﺎذا ﺛﺎﻧﻴﺔ‪ ،‬ﻳﻜﻮن اﳉﻮاب ﻷن أ«‪ .‬ﺑﻴﻨﻤﺎ ﻳﻌﻨﻲ اﻟﺴﺆال اﻟﺜـﺎﻧـﻲ ﻓـﻲ‬
‫اﻷﻏﻠﺐ أن اﻟﻄﺎﻟﺐ ﻳﺮﻳﺪ أن ﻳﻌﺮف ‪7‬ﺎذا ﺗﺪل »ب« ﻋﻠـﻰ »ج« ﺑـﺪﻻ ﻣـﻦ ﺗـﺴـﻠـﻖ‬
‫ﺳﻠﻢ اﻟﻨﺘﺎﺋﺞ‪ .‬وزد ﻳﻜﻮن ﻣﻨﺎﺳﺒﺎ ﺟﺪا ﻓﻲ ﻫﺬه اﻟﻈﺮوف إﻋﻄـﺎء ﺗـﻔـﺴـﻴـﺮ ﻓـﻲ‬
‫ﺷﻜﻞ رﺳﻮﻣﺎت »ﻓ‪ «Ven diagrams T‬ﺣﻴﺚ ‪n‬ﺜﻞ اﺠﻤﻟﻤﻮﻋﺎت ﻓﻲ ﺷﻜﻞ دواﺋﺮ‪.‬‬

‫دور اﻟﺒﺮﻧﺎﻣﺞ اﻟﺘﻌﻠﻴﻤﻲ‬

‫إن ا‪7‬ﺪرس اﻟﺬي ﻳﺼﻤﻢ اﻟﺒﺮﻧﺎﻣـﺞ ﻫـﻮ اﻟـﺸـﺨـﺺ اﻟـﺬي ﻳـﺠـﺐ أن ﻳـﺘـﺨـﺬ‬
‫ﻗﺮارات ﻣﺜﻞ »ﻣﺎ ﻫﻮ اﻟﻮﻗﺖ ا‪7‬ﻨﺎﺳﺐ ﻹﻋـﻄـﺎء اﻟـﻄـﺎﻟـﺐ ﶈـﺔ ﻋـﻦ اﻹﺟـﺎﺑـﺔ?«‬
‫أو»إﻟﻰ أي ﻣﺪى ‪v‬ﻜﻦ اﻟﺴﻤﺎح ﻟﻠﻄﺎﻟﺐ ﺑﺎﻻﺳﺘﻤﺮار ﻓﻲ اﳋﻄﺄ?« وﻟﻠﻤﺴﺎﻋﺪة‬
‫ﻓﻲ ﺣﻞ ﻣﺜﻞ ﻫﺬه ا‪7‬ﺸﺎﻛﻞ‪v ،‬ﻜﻦ اﻻﺳﺘﻔﺎدة ﻣﻦ اﻟﻨﻈﺮﻳﺎت اﻟﻨﻔﺴﻴﺔ ﻛﺄس آس‬
‫ﻷﺑﺤﺎث اﺳﺘﺨﺪام اﻟﺬﻛﺎء اﻻﺻﻄﻨﺎﻋﻲ ﻓﻲ اﻟﺘﻌﻠﻴﻢ †ﻌﺎوﻧﺔ اﳊﺎﺳﺐ‪.‬‬
‫إن اﻟﻔﺮﺿﻴﺔ اﻟﺸﺎﺋﻌﺔ وا‪7‬ﻘﺒﻮﻟﺔ ﻫﻲ أﻧﻪ ﻳﻮﺟﺪ ﻓﻲ ذﻫـﻦ اﻟـﻄـﺎﻟـﺐ ـﻮذج‬

‫‪237‬‬
 ‫اﻟﺬﻛﺎء اﻻﺻﻄﻨﺎﻋﻲ‬

‫ﻟﻠﻤﻌﺮﻓﺔ وا‪7‬ﻬﺎرات اﻟﺘﻲ ﻳﺘﻮﻗﻊ أن ﻳﻜﺘﺴﺒﻬﺎ‪ ،‬وأﻧﻪ ﻳﺴﺘﺨﺪم ﻫﺬا اﻟﻨﻤﻮذج ﺑﻘﻮة‬
‫ﻓﻲ ﻣﺤﺎوﻟﺔ ﺣﻞ ا‪7‬ﺸﺎﻛﻞ اﻟﺘﻲ ﺗﻮاﺟﻬﻪ‪ .‬وﻳﻌـﻨـﻲ ﻫـﺬا ﺳـﻠـﻮك ﺣـﺘـﻤـﻲ )ﻣـﺤـﺪد‬
‫ﺳﻠﻔﺎ( ﻟﻠﻄﺎﻟﺐ‪ terministic behavior ،de-‬ﻳﺤﺪده اﻟﻨﻤﻮذج‪ ،‬وﻫﻮ ﻃﺒﻌﺎ اﻓﺘﺮاض‬
‫ﻣﺒﺴﻂ‪ .‬وﻳﺮى ا‪7‬ﺪرس ﻓﻲ اﻟﻨﻤﻮذج ﺻﻮرة ﻟﻠﻘﺪرات اﻟﺘﻲ ﻋﻠﻰ اﻟﻄﺎﻟﺐ اﻛﺘﺴﺎﺑﻬﺎ‪،‬‬
‫‡ﺎ ‪v‬ﻜﻦ أن ﻳﺴﺘﺨﺪم ﻟﺘﻮﺟﻴﻪ اﺳﺘﺮاﺗﻴﺠﻴﺔ اﻟﺘﺪرﻳﺲ‪ .‬وﻣﻦ وﺟﻬﺔ ﻧﻈﺮ ﻋﻠـﻢ‬
‫ا‪7‬ﻌﻠﻮﻣﺎت‪ ،‬ﻓﺈن اﻟﻘﻴﻢ ا‪7‬ﺮﺗﺒﻄﺔ ﺑﻘﺪرات اﻟﻄﺎﻟﺐ ﺗـﺸـﻜـﻞ اﳊـﺪود ‪Arguments‬‬
‫ﻟﻮﻇﺎﺋﻒ اﻟﺒﺮﻧﺎﻣﺞ ا‪7‬ﺘﻀﻤﻨﺔ ﻓﻲ اﻟﺒﺮﻧﺎﻣﺞ اﻟﺘﻌﻠﻴﻤﻲ‪ .‬وﻫﻜﺬا ﻳﻜﻮن ﺗﺼﻮر ا‪7‬ﺪرس‬
‫ﻟﻘﺪرات اﻟﻄﺎﻟﺐ ﻫﻮ ﺗﻘﺮﻳﺐ ﻟﻠﻨﻤﻮذج اﻟﺪاﺧـﻠـﻲ ﻓـﻲ ذﻫـﻦ اﻟـﻄـﺎﻟـﺐ واﻟـﺬي ﻻ‬
‫ﻧﺪﻋﻲ ﻣﻌﺮﻓﺘﻨﺎ اﻟﻜﺎﻣﻠﺔ ﺑﻪ‪.‬‬
‫وﺗﻄﺮح اﻟﻨﻈﺮﻳﺔ اﻟﺘﻌﻠﻴﻤﻴﺔ اﻟﺘﻲ ﺗﺘﺒﻊ اﻟﻨﻬﺞ اﻟﺴﻘﺮاﻃﻲ ﻓﻜﺮة أن ﻓﻬﻢ وﺗﻌﻠﻢ‬
‫ا‪7‬ﻔﺎﻫﻴﻢ ا‪7‬ﻌﻘﺪة ‪v‬ﻜﻦ أن ﻳﺴﻬﻞ ﺑﺪراﺳﺔ اﻷﻣﺜﻠﺔ اﳋﺎﺻﺔ ﻻﺳﺘﺨﻼص اﻟﻘﻮاﻧ‪T‬‬
‫اﻟﻌﺎﻣﺔ ﻣﻨﻬﺎ‪ .‬وﻳﻨﺎﺳﺐ اﳊﻮار اﻟﺴﻘﺮاﻃﻲ ﺑﻮﺟﻪ ﺧﺎص ا‪7‬ﻮاﺿﻴﻊ اﻟﺘﻲ ﺗﺪﺧﻞ‬
‫ﻓﻴﻬﺎ اﻟﻌﻼﻗﺎت اﻟﺴﺒﺒﻴﺔ‪ ،‬وإن ﻟﻢ ﻳﻜﻦ ﻟﻬﺎ دور ﻣﺒﺎﺷﺮ ﻓﻲ اﳊﺎل‪ .‬وﻳﻮﺿﺢ ذﻟﻚ‬
‫ﻛﻮﻟﻴﻨﺰ ‪ ،(٨)Cellins‬ﻓﻬﻮ ﻳﻌﻄﻲ ‪ ٢٤‬ﻗﺎﻋﺪة إرﺷﺎدﻳﺔ ﻳﺒﻨﻲ ﻋﻠﻴﻬﺎ اﻟﻨﻘﺎش ﻟﻠﻮﺻﻮل‬
‫ﺧﻼل ﻋﺪة ﺧﻄﻮات إﻟﻰ اﻟﻈﺮوف اﻟﺘﻲ ﺗﺴﺎﻋﺪ ﻋﻠﻰ زراﻋﺔ اﻷرز‪ .‬وﻓﻴﻤﺎ ﻳﻠﻲ‬
‫ﻣﺜﺎل ﳊﻮار اﻓﺘﺮاﺿﻲ ‪v‬ﻜﻦ إﺟﺮاؤه ﺑﺎﺳﺘـﺨـﺪام اﻟـﺒـﺮﻧـﺎﻣـﺞ ﺑـ‪ T‬ا‪7‬ـﺪرس )م(‬
‫واﻟﻄﺎﻟﺐ )ط(‪ ،‬وﻧﻀﻊ اﻟﻘﺎﻋﺪة ا‪7‬ﻨﺎﺳﺒﺔ ﺑ‪ T‬أﻗﻮاس ﺑﻌﺪ ﻛﻞ ﺳﺆال(‪.‬‬
‫م‪ :‬أﻳﻦ ﻳﻨﻤﻮ اﻷرز ﻓﻲ ﺷﻤﺎل أﻣﺮﻳﻜﺎ?‬
‫)ﻗﺎﻋﺪة‪ :١‬اﺳﺄل ﻋﻦ ﺣﺎﻟﺔ ﻣﻌﺮوﻓﺔ(‬
‫ط‪ :‬ﻓﻲ ﻟﻮﻳﺰﻳﺎﻧﺎ‬
‫م‪7 :‬ﺎذا ﻫﻨﺎك )‬
‫)ﻗﺎﻋﺪة ‪ :٢‬اﺳﺄل ﻋﻦ اﻷﺳﺒﺎب(‬
‫ط‪ :‬ﻷﻧﻪ ﺗﻮﺟﺪ ﻣﻴﺎه وﻓﻴﺮة ﻫﻨﺎك‬
‫م‪ :‬ﻫﺬا ﺻﺤﻴﺢ‪ .‬وﻟـﻜـﻦ ﻫـﻞ ﺗـﻌـﺘـﻘـﺪ أن ﻫـﻨـﺎك أرزا ﻣـﺰروﻋـﺎ ﻓـﻲ وﻻﻳـﺘـﻲ‬
‫واﺷﻨﻄﻮن وأورﻳﺠﻮن ﻣﺜﻼ?‬
‫)ﻗﺎﻋﺪة ‪ :٦‬أﻋﻂ ﻣﺜﺎﻻ ﻣﻨﺎﻗﻀﺎ ﻟﺘﻮﺿﻴﺢ اﻟﻌﻮاﻣﻞ اﻟﻀﺮورﻳﺔ اﻷﺧﺮى(‪.‬‬
‫ط‪:‬ﻻ‪,‬ﻻ أﻋﺘﻘﺪ ذﻟﻚ‬
‫م‪7 :‬ﺎذا ﻻ ﺗﻌﺘﻘﺪ ذﻟﻚ ?‬
‫)ﻗﺎﻋﺪة ‪ :٢‬اﺳﺄل ﻋﻦ اﻷﺳﺒﺎب(‬

‫‪238‬‬
‫اﻟﺬﻛﺎء اﻻﺻﻄﻨﺎﻋﻲ واﻟﺘﺪرﻳﺲ ﺑﻮاﺳﻄﺔ اﳊﺎﺳﺐ اﻵﻟﻲ‬

‫ط‪ :‬ﻫﻨﺎك ﻣﺎء وﻓـﻴـﺮ‪ ،‬وﻟـﻜـﻦ ﻳـﻮﺟـﺪ ﺳـﺒـﺒـﺎن ﻟـﻌـﺪم زراﻋـﺔ اﻷرز ﻓـﻲ ﻫـﺬه‬
‫ا‪7‬ﻨﻄﻘﺔ‪ :‬ا‪7‬ﻨﺎخ ﻟﻴﺲ ﺻﺎﳊﺎ‪ ،‬وﻻ أﻋﺘﻘﺪ أن اﻷرض ﻣﺴﻄﺤﺔ ﺑﺪرﺟﺔ ﻛﺎﻓـﻴـﺔ‪-‬‬
‫ﻳﺠﺐ أن ﺗﻜﻮن اﻷرض ﻣﺴﻄﺤﺔ ﻟﺘﺴﺘﻄﻴﻊ إﻏﺮاﻗﻬﺎ ﺑﺎ‪7‬ﺎء‪ ،‬أو ﻋﻠﻰ اﻷﻗﻞ ﻳﺠﺐ‬
‫أن ‪n‬ﻬﺪﻫﺎ‪.‬‬
‫م‪ .‬إذن‪ ،‬ﻣﺎذا ﻋﻦ اﻟﻴﺎﺑﺎن ?‬
‫)ﻗﺎﻋﺪة ‪ :٨‬اﺳﺘﺨﺪم ﻣﺜﺎﻻ ﻣﻀﺎدا ﻟﺘﺒ‪ T‬أي اﻟﻌﻮاﻣﻞ ﻏﻴﺮ ﺿﺮورﻳﺔ(‬
‫‪ !.......‬إﻟﺦ‬
‫وﻣﻦ ﻣﺒﺎد‪ M‬ﻛﻮﻟﻴﻨﺰ اﻟﺘﺠﺮﻳﺒﻴﺔ اﻵﺗﻲ‪» :‬إذا ﺷﺮح اﻟﻄﺎﻟـﺐ ﻋـﻼﻗـﺔ ﺳـﺒـﺒـﻴـﺔ‬
‫وﺿﻤﻨﻬﺎ أﺣﺪ اﻟﻌﻮاﻣﻞ ﻏﻴﺮ اﻟﻀﺮورﻳﺔ‪ ،‬ﻓﺎﺑﺤﺚ ﻋﻦ ﻣﺜﺎل ﻣﻨﺎﻗﺾ ﻳﻜﻮن ﻓﻴـﻪ‬
‫ﻟﻬﺬا اﻟﻌﺎﻣﻞ ﻗﻴﻤﺔ ﻣﻌﺎﻛﺴﺔ‪ ،‬واﺳﺄل ‪7‬ﺎذا ﻻ ﺗﻘﻮم اﻟﻌﻼﻗﺔ ﻓﻲ ﻣﺜﻞ ﻫﺬه اﳊﺎﻟﺔ«‪.‬‬
‫وﺗﺘﻜﻮن ﻗﺎﻋﺪة ا‪7‬ﻌﺮﻓﺔ ﻟﻬﺬا اﻟﺒﺮﻧﺎﻣﺞ ﻣﻦ ﻋﻼﻗﺎت ﻣﻦ ﻧﻮع »ﻳﺘﺒﺨـﺮ ا‪7‬ـﺎء ﻣـﻦ‬
‫ﺳﻄﺢ اﻟﺒﺤﺮ‪ ،‬ﺛﻢ ﻳﻨﺘﻘﻞ اﻟﻬﻮاء اﻟﺮﻃﺐ ﺑﻔﻌﻞ اﻟﺮﻳﺎح إﻟﻰ اﻟﻴﺎﺑﺴﺔ‪ ،‬ﺣﻴﺚ ﻳﺒﺮد‪،‬‬
‫وﺗﺴﻘﻂ رﻃﻮﺑﺘﻪ ﻓﻲ ﺷﻜﻞ أﻣﻄﺎر أو ﺛﻠﺞ«‪ .‬وﻣﺎ ‪v‬ﻴﺰ ﻣﺜﻞ ﻫﺬا اﻟﺒﺮﻧﺎﻣﺞ ﻋـﻦ‬
‫ﺑﺮاﻣﺞ اﻟﺘﻌﻠﻴﻢ اﻟﺘﻘﻠﻴﺪﻳﺔ أن ﻣﺜﻞ ﻫـﺬه اﻟـﻌـﺒـﺎرة ﻟـﻴـﺴـﺖ ﺟـﺰءا ﻣـﻦ ﻧـﺺ ﺳـﺒـﻖ‬
‫ﺗﺴﺠﻴﻠﻪ‪ ،‬وﻟﻜﻨﻬﺎ ﻣﺴﺘﺨﻠﺼﺔ ﻣﻦ اﻟﺘﻤﺜﻴﻞ اﻟﺪﻻﻟﻲ ا‪7‬ﻮﺟﻮد ﻓﻲ اﻟﺒﺮﻧﺎﻣﺞ‪.‬‬
‫وﻳﻌﻄﻲ اﺳﺘﺨﺪام ﺑﻴﺮﺗﻮن ‪ ،Burton‬وﺑﺮاون ‪ (١٢)Brown‬ﻟﻠﻌﺒﺔ ‪ West‬ا‪7‬ﻘﺘﺒﺴﺔ‬
‫ﻣﻦ ‪ (١٣)PLATO‬ﻣﺜﺎﻻ ﺗﻄﺒﻴﻘﻴﺎ ﻟﻨﻈﺮﻳﺔ »اﻷﺧﻄﺎء اﻟﺒﻨﺎءة«‪ .‬وﻫﺬه اﻟﻠﻌﺒﺔ ﻫـﻲ‬
‫ﻣﻦ اﻟﻠﻌﺐ اﻟﺘﻲ ﺗﺴﺘﺨﺪم رﻗﻌﺔ ﻛﺮﻗﻊ اﻟﺸﻄﺮﱋ ﺑﻬﺎ ﺛﻌﺎﺑ‪ T‬وﺳﻼﻟﻢ ﺣﻴﺚ ﻳﺠﺐ‬
‫ﲡﻨﺐ اﻟﻮﻗﻮع ﻓﻲ اﻟﻜﻤﺎﺋﻦ واﺗﺨﺎذ أﻗﺼﺮ اﻟﻄﺮق ﻟﻠﺘﻘﺪم ﺣﻮل اﻟﺪاﺋﺮة‪ ،‬وﻳﺮﻣﻲ‬
‫ﻛﻞ ﻻﻋﺐ ﺑﺎﻟﺰﻫﺮ ﺛﻼث ﻣﺮات وﻳﺠﻤﻊ اﻷرﻗﺎم ﺑﺄي ﻃﺮﻳﻘﺔ ﲢﻠﻮ ﻟﻪ ﻣﺴﺘﺨﺪﻣﺎ‬
‫اﻟﻌﻤﻠﻴﺎت اﳊﺴﺎﺑﻴﺔ اﻟﻌﺎدﻳﺔ ﻟﻴﻘﺮر ﻋﺪد اﳋﻄﻮات اﻟﺘﻲ ﺳﻴﺘﻘـﺪﻣـﻬـﺎ‪ .‬وﻟـﻴـﺲ‬
‫ﺑﺎﻟﻀﺮورة أن ﻳﻜﻮن اﻟﻌﺪد اﻷﻛﺒﺮ ﻫﻮ اﻻﺧﺘﻴﺎر اﻟﺼﺤﻴﺢ‪ ،‬وا‪7‬ﺸﻜﻠﺔ ﻫﻲ إﻳﺠﺎد‬
‫اﻟﻌﺪد اﻷﻣﺜﻞ ﻓﻲ ﻛﻞ ﻟﻌﺒﺔ‪ .‬وﺑﺎﻹﺿﺎﻓﺔ إﻟﻰ أن اﻟﺒﺮﻧﺎﻣﺞ ﺧﺒﻴﺮ ﻓﻲ ﻫﺬه اﻟﻠﻌﺒﺔ‪،‬‬
‫ﻓﻬﻮ أﻳﻀﺎ ذو اﺳﺘﺮاﺗﻴﺠﻴﺔ ﺗﻌﻠﻴﻤﻴﺔ ﻫﺎﻣﺔ‪ ،‬ﻓﻜﻠﻤﺎ اﻛﺘﺸﻒ ﺣﺮﻛﺔ ﻏﻴﺮ ﻣـﻮﻓـﻘـﺔ‬
‫ﻣﻦ اﻟﻼﻋﺐ‪ ،‬ﻓﺈﻧﻪ ﻳﻌﻄﻲ ﻋﺪة دﻻك ‪n‬ﻜـﻦ اﻟـﻼﻋـﺐ ﻣـﻦ اﻟـﺘـﻨـﺒـﻪ إﻟـﻰ ﺧـﻄـﺌـﻪ‬
‫ﺑﺎﻟﺘﺪرﻳﺞ‪ ،‬وﻟﻬﺬا ﺳﻤﻴﺖ ﺑﺎﻷﺧﻄﺎء اﻟﺒﻨﺎءة‪ .‬وﻧﻈﺮا ﻟﻜﻮﻧﻬﺎ ﻟﻌﺒﺔ ﺗﻌﻠﻴﻤﻴﺔ‪ ،‬ﻳﺘﺒﻨﻰ‬
‫ا‪7‬ﻌﻠﻢ ﻣﺒﺪأ ﻋﺪم اﻟﺘﺪﺧﻞ إﻻ ﻋﻨﺪﻣﺎ ﻳﻜﻮن ﻫﻨﺎك ﻓﺮق ﻛﺒﻴﺮ ﺑ‪ T‬ﺣﺮﻛﺔ اﻟﻼﻋﺐ‬
‫واﻟﺒﺮﻧﺎﻣﺞ‪.‬‬
‫‪(١‬‬ ‫‪٤‬‬ ‫)‬
‫وﻗﺪ اﺳﺘﺤﺪث ﻛﺎر‪ Carr‬و ‪ ، Goldstein‬ﻧﻈﺮﻳﺔ ﺗﻨﻈﺮ إﻟﻰ ﻮذج اﻟﻄﺎﻟﺐ‬

‫‪239‬‬
 ‫اﻟﺬﻛﺎء اﻻﺻﻄﻨﺎﻋﻲ‬

‫اﻟﺪاﺧﻠﻲ ﻛﺼﻮرة ﻣﺸﻮﻫﺔ ﻣﻦ ﻣﻬﺎرات وﻣﻌﺮﻓﺔ اﳋﺒﻴﺮ‪ .‬ﻓﺎﻟﺘـﺸـﻮﻳـﻪ ‪v‬ـﻜـﻦ أن‬

‫ﻳﻨﺠﻢ ﻋﻦ اﺳﺘﺨﺪام اﻟﻘﻮاﻋﺪ اﳋﺎﻃﺌﺔ‪ .‬وﻳﺠﺐ ﻋﻠﻰ اﻟﺒﺮﻧﺎﻣﺞ أن »ﻳﻌﺮف« ﻫﺬه‬
‫اﻟﻘﻮاﻋﺪ اﳋﺎﻃﺌﺔ‪ ،‬وأن ﻳﻀﻌﻬﺎ ﻣﻮﺿﻊ اﻟﺘﻄﺒﻴﻖ ﻓﻲ ا‪7‬ﺴﺎﺋﻞ اﻟﺘـﻲ ﻳـﻌـﺎﳉـﻬـﺎ‪،‬‬
‫ﺣﺘﻰ إذا أﻋﻄﺖ ﻗﺎﻋﺪة ﻣﻨﻬﻢ ﻧﻔﺲ اﻹﺟﺎﺑﺔ اﳋﺎﻃﺌﺔ اﻟﺘﻲ ﻳﻌﻄﻴﻬﺎ اﻟﻄـﺎﻟـﺐ‪،‬‬
‫ﻳﻜﻮن اﻻﺳﺘﻨﺘﺎج ا‪7‬ﻌﻘﻮل أن ﻫﺬه اﻟﻘﺎﻋﺪة اﳋﻄﺄ ﺗﺸﻜﻞ ﺟﺰءا ﻣﻦ ﻮذج ﻓﻜﺮ‬
‫اﻟﻄﺎﻟﺐ‪ ،‬وﻓﻲ ﻫﺬه اﳊﺎﻟﺔ ‪v‬ﻜﻦ ﺗﺪرﻳﺲ اﻟﺼﻴﻐﺔ اﻟﺼﺤﻴﺤﺔ ﻟﻠﻘﺎﻋﺪة‪.‬‬
‫وﻣﺎ زاﻟﺖ ﻫﺬه اﻟﻨﻈﺮﻳﺎت اﻟﺘﻌﻠﻴﻤﻴﺔ ﺑـﺴـﻴـﻄـﺔ ﺟـﺪا‪ ،‬وﻻ ﺗـﺴـﺘـﻄـﻴـﻊ ﺗـﻨـﺎول‬
‫ﺟﻤﻴﻊ ا‪7‬ﻮاﻗﻒ‪ ،‬إﻻ أﻧﻬﺎ ‪n‬ﺜﻞ ﻣﺮﺣﻠﺔ ﻣﻦ ﻣﺮاﺣﻞ ﺗﻄﻮر اﻻﺳﺘﺮاﺗﻴﺠﻴﺎت ﻏﻴـﺮ‬
‫ا‪7‬ﺒﺎﺷﺮ ﻓﻲ اﻟﺘﺪرﻳﺲ ﺑﻮاﺳـﻄـﺔ اﳊـﺎﺳـﺐ‪ .‬وﻻﺷـﻚ أن اﺳـﺘـﻐـﻼل إﻣـﻜـﺎﻧـﻴـﺎت‬
‫اﳊﺎﺳﺐ اﻟﺘﻔﺎﻋﻠﻴﺔ ﻗﺪ „ ﺑﺸﻜﻞ أﻓﻀﻞ وأﻛﺒﺮ ﻣﻦ ﺧﻼل ﻫﺬه اﻟﻨﻈﺮﻳﺎت ﻋﻦ‬
‫ﻃﺮق اﻟﺘﺪرﻳﺲ اﻟﺘﻘﻠﻴﺪﻳﺔ‪ .‬وﻳﺠﺐ ﻋﻠﻰ اﻟﺒﺎﺣﺜ‪ T‬ﻓﻲ ﻫـﺬا اﺠﻤﻟـﺎل أن ﻳـﻜـﻮﻧـﻮا‬
‫واﻋ‪ T‬ﺑﺎﺳﺘﻤﺮار ﻟﻠﺤﺎج اﻟﻮاﺿﺢ ﺑ‪ T‬اﺠﻤﻟـﺎل اﻟـﻌـﻠـﻤـﻲ ‪7‬ـﻮﺿـﻮع اﻟـﺪرس وﺑـ‪T‬‬
‫اﻻﺳﺘﺮاﺗﻴﺠﻴﺎت ﻟﻠﺘﺪرﻳﺲ‪.‬‬

‫ﻗﻴﻮد ﻋﻠﻰ ﺑﻨﺎء ﻧﻈﻢ ﺧﺒﻴﺮة ﻓﻲ اﻟﺒﺮاﻣﺞ اﻟﺘﻌﻠﻴﻤﻴﺔ‬

‫إن ا‪7‬ﺒﺪأ اﻟﺬي ﺗﺒﻨـﻰ ﻋـﻠـﻴـﻪ ﻫـﺬا اﳉـﺰء ﻫـﻮ »ﻟـﻴـﺲ ﺑـﺎﻟـﻀـﺮورة أن ﻳـﻜـﻮن‬
‫اﳋﺒﻴﺮ ا‪7‬ﻤﺘﺎز ﻣﺪرس ‡ﺘﺎز أﻳﻀﺎ«‪ .‬و‪v‬ﻜﻦ أن ﻧﻌﺒﺮ ﻋﻦ ذﻟﻚ ﺑﻄﺮﻳﻘﺔ أﺧﺮى‬
‫أﻧﻪ ﻗﺪ ‪v‬ﻜﻦ ﻟﺒﺮﻧﺎﻣﺞ ﻣﺎ أن ﻳﺸﺮح ﻛﻴﻔﻴﺔ ﺣﻞ ﻣﺴﺄﻟﺔ ﻣﻌﻴﻨﺔ‪ ،‬وﻳﻌﻄﻲ أﺳﺒﺎب‬
‫اﺧﺘﻴﺎر ﻣﺠﻤﻮﻋﺔ ﻣﻦ اﻻﻓﺘﺮاﺿﺎت ﺑﺪﻻ ﻣﻦ ﻏﻴﺮﻫﺎ‪ ،‬وﻟﻜﻦ ﻻ ﻳﻌﻨﻲ ذﻟﻚ ﺑﺎﻟﻀﺮورة‬
‫أﻧﻪ ‪v‬ﻜﻦ أن ﻳﺸﺮح ‪7‬ﺎذا ﺳﻠﻚ اﻟﻄﺮﻳﻖ اﻟﺬي ﺳﻠﻜﻪ ﻓﻲ اﳊﻞ‪ .‬ﻓﺎﻟﻘﺪرة ﻋﻠـﻰ‬
‫ﺷﺮح اﻻﺳﺘﺮاﺗﻴﺠﻴﺎت ا‪7‬ﺴﺘﺨﺪﻣﺔ ﻓﻲ اﳊﻞ ﺗﺘﻄﻠﺐ درﺟﺔ أﻛﺜﺮ ﻣﻦ اﻟﺘﻔﺼﻴﻞ‬
‫ﻓﻲ ا‪7‬ﻌﺮﻓﺔ ﻟﻴﺴﺖ ﺿﺮورﻳﺔ ﻟﻌﻤﻠﻴﺔ اﳊﻞ ذاﺗﻬﺎ )أي ‪v‬ﻜﻦ اﻟﺘﻮﺻﻞ إﻟﻰ اﳊﻞ‬
‫ﻓﻲ ﻏﻴﺎﺑﻬﺎ(‪ .‬و‪n‬ﺜﻞ ﻋﻤﻠﻴـﺔ ﺗـﺮﺟـﻤـﺔ ‪ compiling‬اﻟﺒﺮاﻣﺞ ﻣﺜﺎﻻ واﺿﺤـﺎ‪ ،‬ﻟـﻬـﺬا‬
‫ﻓﺎﻟﺒﺮﻧﺎﻣﺞ ا‪7‬ـﺘـﺮﺟـﻢ ‪ compiled program‬ﻳﻜﻮن ﻣﻦ اﻟﺼﻌﺐ ﺟـﺪا ﻗـﺮاءﺗـﻪ ﻋـﻠـﻰ‬
‫اﻟﺮﻏﻢ ﻣﻦ أﻧﻪ ﻳﻜﻮن ﻋﻠﻰ درﺟﺔ ﻋﺎﻟﻴﺔ ﺟﺪا ﻣﻦ اﻟﻜﻔﺎءة‪.‬‬
‫وﻫﻨﺎك اﺗﻔﺎق ﻋﺎم ﻋﻠﻰ أن اﻟـﺒـﻨـﺎء اﻟـﺘـﺮﻛـﻴـﺒـﻲ ‪ modular structure‬ﻟﻠﺘﻤـﺜـﻴـﻞ‬
‫ﻳﺠﻌﻞ اﻟﻌﻤﻠﻴﺎت اﻻﺳﺘﺪﻻﻟﻴﺔ ﻟﻠﺒﺮﻧﺎﻣﺞ أﻛﺜﺮ وﺿﻮﺣﺎ‪ ،‬وأﺳﻬﻞ ﺗﻔﺴﻴﺮا‪ .‬إﻻ أن‬
‫ﻛﻼﻧﻲ ‪ W. clancey,‬ﻗﺪ ﻋﻠﻖ ﻋﻠﻰ ذﻟﻚ ﻗﺎﺋﻼ إن ﻣﻌﻈﻢ اﻟﺒﺮاﻣﺞ ﺗﻐﻔﻞ اﳋﻄﻮات‬
‫اﻟﻮﺳﻄﻰ ﻓﻲ اﻟﻌﻤﻠﻴﺎت اﻻﺳﺘﺪﻻﻟﻴﺔ‪ ،‬ﺧﺎﺻﺔ ﻋﻨـﺪﻣـﺎ ﺗـﺘـﻌـﺎﻣـﻞ ﻣـﻊ اﻟـﻌـﻼﻗـﺎت‬

‫‪240‬‬
‫اﻟﺬﻛﺎء اﻻﺻﻄﻨﺎﻋﻲ واﻟﺘﺪرﻳﺲ ﺑﻮاﺳﻄﺔ اﳊﺎﺳﺐ اﻵﻟﻲ‬

‫اﻟﺴﺒﺒﻴﺔ‪ ،‬وﺑﻴﻨﻤﺎ ﻻ ﻳﻘﻠﻞ ﻫﺬا ﻣﻦ ﻛﻔﺎءة ﻋﻤﻠﻴﺔ اﻻﺳﺘﺪﻻل‪ ،‬ﺑﻞ ﻋﻠﻰ اﻟﻌﻜﺲ ﻗﺪ‬
‫ﻳﺰﻳﺪﻫﺎ‪ ،‬إﻻ أﻧﻬﺎ ﺗﺼﺒﺢ ﻋﺎﺋﻘﺎ ﻋﻨﺪﻣﺎ ﻳﻄﻠﺐ ﻣﻦ اﻟﺒﺮﻧﺎﻣـﺞ أن ﻳـﺸـﺮح ﻛـﻴـﻔـﻴـﺔ‬
‫ﺗﻮﺻﻠﻪ ﻟﻠﻨﺘﺎﺋﺞ اﻟﺘﻲ اﻧﺘﻬﻰ إﻟﻴﻬﺎ‪.‬‬

‫ﺧﺎﲤﺔ‬
‫ﺗﻔﺘﺢ ﺗﻘﻨﻴﺔ اﻟﺬﻛﺎء اﻻﺻﻄﻨﺎﻋﻲ آﻓﺎﻗﺎ ﺟﺪﻳﺪة ﻓﻲ اﻟﺒﺤﺚ ﻓﻲ ﻃﺮق اﻟﺘﻌﻠﻴﻢ‪.‬‬
‫وإذا ﻛﺎن ﻟﻨﺎ أن ﻧﻐﺘﻨﻢ ﻫﺬه اﻟﻔﺮﺻﺔ‪ ،‬ﻓﻼﺑﺪ أن ﺗﺘﻮاﻓﺮ اﻟﻨﻈﻢ اﳋﺒﻴﺮة ﻷﻏﺮاض‬
‫اﻟﺘﻌﻠﻴﻢ‪ ،‬ﻛﻤﺎ ﻻﺑﺪ وأن ﺗﺒﻨﻲ ﺑﺸﻜﻞ ﺟﻴﺪ ﺑﺤﻴﺚ ﺗﺴﺘﺨﺪم ﺑﻨﺠﺎح ﻓﻲ اﻟـﺒـﺮاﻣـﺞ‬
‫اﻟﺘﻌﻠﻴﻤﻴﺔ‪ .‬واﳊﺎﺳﺐ ﻫﻮ أداة ﺟﻴﺪة وﻗﻮﻳﺔ ﻻﺧﺘﺒﺎر ﻧﻈﺮﻳﺎت اﻟﺘﻌﻠﻴﻢ واﻟﺘﻌﻠﻢ‪،‬‬
‫وﺧﺼﻮﺻﺎ ﻻﺧﺘﺒـﺎر ﻋـﻤـﻮﻣـﻴـﺔ‪ ،‬وﺧـﺼـﻮﺻـﻴـﺔ ﻫـﺬه اﻟـﻨـﻈـﺮﻳـﺎت ﻓـﻲ اﺠﻤﻟـﺎﻻت‬
‫اﺨﻤﻟﺘﻠﻔﺔ‪ ،‬وﻛﺬﻟﻚ ﻻﺧﺘﺒﺎر ﻓﺘﺎﻟﻴﺘﻬـﻢ )‪ .(١٦‬و‪v‬ﻜﻦ ﻟﻠﺒﺮاﻣﺞ اﻟﺘﻲ ﺗﺴﺘﺨﺪم ﻫﺬه‬
‫اﻟﻄﺮق أن ﺗﻔﺴﺮ ﺧﻄﻮات ﺗﻔﻜﻴﺮﻫﺎ‪ ،‬ﺑﺪﻻ ﻣﻦ ﻣﺠﺮد ﻋﺮض اﻟﻨﺺ اﻟﺘﻌﻠـﻴـﻤـﻲ‬
‫ﻋﻠﻰ ﺷﺎﺷﺔ اﳊﺎﺳﺐ ﻣﻌﻈﻢ اﻟﻮﻗﺖ ﻛﻤﺎ ﻳﺤﺪث ﻓﻲ ﺑﺮاﻣﺞ اﻟﺘﻌﻠﻴﻢ اﻟﺘﻘﻠﻴﺪﻳﺔ‪.‬‬

‫‪241‬‬
 ‫اﻟﺬﻛﺎء اﻻﺻﻄﻨﺎﻋﻲ‬

‫اﳌﺮاﺟﻊ‬

(1) Papert S. (1970), Teaching Children Programming, IFIP Confer ence on Computer Education, New
York, North Holland.
(2) Papert 5. (1980), Mindstorms, Children, Computers and Powerful Ideas, Basic Books, New York.
(3) Carbonnel J. (1970), Al in CAl, an artificial approach to comput er-assisted instruction, IEEE
Transactions on man-machine systems, Vol. MMS-l1, December.
(4) Brown J. S., Burton R. (1975), Multiple representation of knowl edge for tutorial reasoning, in
Bobrow & Collins (eds.), Repre sentation and Understanding, New York, academic Press.
(5) Brown J. S., Burton R. (1978), Diagnostic models for procedural bugs in basic mathematical skills,
Cognitive Science 2, pp. 155- 192.
(6) Carr B., Goldstein I.(1977), Overlays, a theory of modelling for CAl, MIT Al lab memo 406.
(7) Clancey W. (1970), tutoring rules for building a case method di alogue, International Journal of
Man-Machine Studies, 11, pp. 25- 49.
(8) Collins A. (1976), Process in acquiring knowledge, in Schooling and Acquisition of Knowledge,
Anderson, Spiro, Monatgue (eds.), Hillsdale, N.J. Lawrence Erlbaum Assoc.
(9) Bonnet A., Cordier M. 0., Kayser D. (1981), An ICAI system for teaching derivatives in mathematics,
Proc. of 3rd World Conference on computer Education (WCCE), Lausanne, 27- 31 July.
(10) Barr A.. Beard M.. Atkinson R. C. (1975). A rationale and de scription of a CAl program to teach
the BASIC programming lan guage, Instructional Science, 4, pp. 1- 3 1.
(11) Polya G. (1945) How to solve it, a new aspect of mathematical method, Princeton, Princeton
University Press.
(12) Burton R., Brown J. S. (1979), An investigation of computel coaching for informal learning activities,
IJMMS 11, pp. 5- 24.
(13) Dugdale S., Kibbey D. (1977), Elementary mathematics with PLATO, Urbana, University of
Illinois.
(14) Goldstein I, Papert 5. (1977), Artificial intelligence, language and the study of knowledge, Cognitive
Science, Vol. 1, 1.
(15) Clancey W., Lestinger R. (1981), Neomycin: reconfiguring a rule-based expert system for application
to teaching, IJCAI-8 1, pp. 829- 835, Vancouver.
(16) Stevens A., Collins A., Goldin S. (1979), Misconceptions in stu dents understanding, International
Journal of Man-Machine Studies, Vol. ll,pp. 145- 156.

242
‫اﻟﺒﺮاﻣﺞ اﻟﻘﺎﺑﻠﺔ ﻟﻠﺘﻌﻠﻢ‬

‫‪ 19‬اﻟﺒﺮاﻣﺞ اﻟﻘﺎﺑﻠﺔ ﻟﻠﺘﻌﻠﻢ‬

‫ﻣﻘﺪﻣﺔ‬
‫إن اﻟـﻘـﺪرة ﻋـﻠـﻰ اﻟـﺘ ـﻌ ـﻠــﻢ ﻫــﻲ أﺣــﺪ ا‪ 7‬ـﻜــﻮﻧــﺎت‬
‫اﻷﺳﺎﺳﻴﺔ ﻟﻠﺬﻛﺎء‪ ،‬وﻧﺤﻦ ﻧـﺘـﺤـﺪث ﻫـﻨـﺎ ﻋـﻦ اﻟـﺘـﻌـﻠـﻢ‬
‫†ﻌﻨﺎه اﻟﻌﺎم أي ﺑﺄﻧﻪ ‪v‬ﺜﻞ اﻟﻄﺮﻳﻘﺔ اﻟﺘﻲ ﻳﺰﻳـﺪ ﺑـﻬـﺎ‬
‫اﻟﺒﺸﺮ واﳊـﻴـﻮاﻧـﺎت واﳊـﺎﺳـﺒـﺎت ﻣـﺨـﺰون ا‪7‬ـﻌـﺮﻓـﺔ‬
‫ﻟﺪﻳﻬﻢ‪ ،‬وﻳﻄﻮرون ﻣﻬﺎراﺗﻬﻢ وﻗﺪراﺗﻬﻢ اﻟﻔﻜﺮﻳﺔ‪.‬‬
‫وﻗﺪ اﺳﺘﻤﺮت دراﺳﺔ ﻋﻤﻠﻴﺔ اﻟﺘﻌـﻠـﻢ ﻣـﻨـﺬ اﻷﻳـﺎم‬
‫اﻷوﻟﻰ ﻟﻠﺬﻛﺎء اﻻﺻﻄﻨﺎﻋﻲ‪ .‬ﻓﻘﺪ اﺣﺘﻮى ﻣﺜﻼ ﺑﺮﻧﺎﻣﺞ‬
‫‪ (١)CHECKERS‬ﻟﺼﺎﻣﻮﻳﻞ ﺳﺠﻼت ﻟﻌﺪد ﻛـﺒـﻴـﺮ ﻣـﻦ‬
‫اﻟﻠﻌﺐ اﻟﺘﻲ ﻳﺴﺘﺨﺪﻣﻬﺎ اﻟﺒﺮﻧﺎﻣﺞ ﻟﻴﺤﺴﻦ ﻣﻦ ﻃﺮﻳﻘﺔ‬
‫ﻟﻌﺒﻪ‪ ،‬وذﻟﻚ ﻛﻤﺎ ﺗﻌﻠﻢ اﻟﺒﺮﻧﺎﻣﺞ اﻟﺬي ﻛـﺘـﺒـﻪ وﺗـﺮﻣـﺎن‬
‫‪ (٢)waterman‬ﻟﻌﺒﺔ اﻟﺒﻮﻛﺮ‪ :‬وﺗﻮﺿـﺢ ﻫـﺬه اﻷﻣـﺜـﻠـﺔ أن‬
‫ﺑﺮﻧﺎﻣﺞ اﳊﺎﺳﺐ ﻻ ﻳﺴﺘﻄﻴﻊ اﻟﺘـﻌـﻠـﻢ ﺑـﻜـﻔـﺎءة ﻣـﺎ ﻟـﻢ‬
‫ﻳﻜﻦ ﻣﺘﺎﺣﺎ ﻟﺪﻳﻪ ‪n‬ﺜﻴﻞ ﺻﺤﻴﺢ ﻟﻠﻤﻌﺮﻓﺔ أﻟﻐﻰ ﻳﻬﺪف‬
‫ﻻﻛﺘﺴﺎﺑﻬﺎ‪ .‬وﻗﺪ ﺗﻨﺎﻗﺼﺖ اﳉﻬﻮد اﻟﺒﺤﺜﻴﺔ ﻓﻲ ﻫـﺬا‬
‫اﺠﻤﻟﺎل ﺑﻌﺪ ﻓﺘﺮة‪ ،‬ر†ﺎ ﻟﺘﺤﻮل اﻻﻫﺘﻤﺎم إﻟﻰ ﻣﺠﺎﻻت‬
‫أﺧﺮى ﻣﺜﻞ ﻃﺮق ‪n‬ﺜﻴﻞ ا‪7‬ﻌﺮﻓﺔ‪ .‬وﻗﺪ ﻋﺎد اﻻﻫﺘﻤﺎم‬
‫اﻵن إﻟﻰ اﻟﺒﺤﺚ ﻓﻲ ﺟﻌﻞ اﻟﺒﺮاﻣﺞ ﻗﺎدرة ﻋﻠﻰ اﻟﺘﻌﻠﻢ‬
‫ﻷن ﺑﺮاﻣﺞ اﳊﺎﺳﺐ اﳊﺎﻟﻴﺔ ﻗﺪ ازداد ﺣﺠﻤﻬﺎ وﻛﻔﺎءة‬
‫أداﺋﻬﺎ ﻟﺪرﺟﺔ ﻳﺴﺘﺤﻴﻞ ﻣﻌﻬﺎ إدﺧﺎل اﻟﺘﺤﺴﻴﻨﺎت ﻋﻠﻴﻬﺎ‬
‫ﻳﺪوﻳﺎ‪ ،‬وأﺻﺒﺤﺖ اﻻﺳﺘﻌﺎﻧﺔ ﺑﺎﳊﺎﺳﺐ ﻟﻬﺬا اﻟﻐﺮض‬

‫‪243‬‬
 ‫اﻟﺬﻛﺎء اﻻﺻﻄﻨﺎﻋﻲ‬

‫أﻣﺮا ﺿﺮورﻳﺎ‪.‬‬
‫وﻗﺪ ﻛﺎن اﻟﺘﻌﻠﻢ ﻳﻌﺘﺒﺮ ﻓﻲ ا‪7‬ﺎﺿﻲ ﻣﺴﺎوﻳﺎ ﻟﻠﺘﺄﻗﻠﻢ‪ ،‬وﻟـﻬـﺬا ﻳـﻨـﻄـﻮي ﻋـﻠـﻰ‬
‫اﻟﺘﻘﺮﻳﺐ ا‪7‬ﺴﺘﻤﺮ ﻟﻘﻴﻢ ا‪7‬ﻌﺎﻣﻼت ‪ parameters‬ﻟﻠﻈﺎﻫﺮة أو اﻟﻔﻜﺮة ا‪7‬ﻌﻴﻨﺔ ﲢﺖ‬
‫اﻟﺪراﺳﺔ‪ .‬وﻳﻬﺪف ﻫﺬا ا‪7‬ﻨﻬﺞ إﻟﻰ ﺗﻄﻮﻳﺮ ﺑﺮﻧﺎﻣﺞ ﺗﻌﻠـﻴـﻤـﻲ ﻳـﺼـﺒـﺢ ﻣـﻊ ﻣـﺮور‬
‫اﻟﻮﻗﺖ أﻛﺜﺮ ﺛﺒﺎﺗﺎ‪ ،‬وأﻛﺜﺮ ﻛﻔﺎءة? وﻫﻮ ﻗﺮﻳﺐ ‡ﺎ ﻳﺘﺒﻊ ﻓﻲ ﻣﻀﺎﻫﺎة وﺗﺼﻨﻴـﻒ‬
‫اﻟﺘﺸـﻜـﻴـﻼت‪ .(٣)pattern clas sification and recognition -‬وﻗﺪ ﻛﺎن اﻟـﻨـﻮع اﻷول‬
‫ﻣﻦ ﺑﺮاﻣﺞ ﺗﻌﻠﻢ اﳊﺎﺳﺐ ﻋﺪدﻳﺎ ﺑﻄﺒﻴﻌﺘﻪ‪ ،‬واﻋﺘﻤﺪ داﺋﻤﺎ ﻋﻠﻰ اﺳﺘﺨﺮاج‪ ،‬ﻣﻦ‬
‫اﻷﻣﺜﻠﺔ ا‪7‬ﻌﻄﺎة‪ ،‬وﻇﻴﻔﺔ ﻣﺘﻌﺪدة اﳊﺪود ‪ .polynomial function‬وﺗﻌﺘﺒﺮ آﻟﺔ اﻟﺘﻤﻴﻴﺰ‬
‫اﻟﺼﻨـﺎﻋـﻲ ‪ perceptron‬ﻟﺮوزﻳﻨـﺒـﻼت ‪ (٤)Rosenblatt‬ﻣﺜﺎﻻ ﺟﻴﺪا ﻟـﺬﻟـﻚ‪ .‬إﻻ أﻧـﻪ‬
‫ﺳﺮﻋﺎن ﻣﺎ اﺗﻀﺢ ﻗـﺼـﻮر ﻫـﺬا اﻟـﻨـﻬـﺞ ﻛـﻤـﺎ أوﺿـﺢ ﺳـﻴـﻤـﻮن ‪ ،(٥)Simon‬وﻛﺎن‬
‫اﻟﺪرس اﻷﺳﺎﺳﻲ ا‪7‬ﺴﺘﺨﻠﺺ ﻣـﻦ ذﻟـﻚ ﻫـﻮ أن اﻟـﺒـﺮﻧـﺎﻣـﺞ اﻟـﺬي ﻳـﺒـﺪأ ﺑـﺪون‬
‫ﻣﻌﺮﻓﺔ أوﻟﻴﺔ ﻻ ‪v‬ﻜﻦ أن ﻳﺼﻞ ‪7‬ﺴﺘﻮى أداء ﺟﻴﺪ‪.‬‬
‫وﻗﺪ اﺑﺘﻌﺪ ﻣﻔﻬﻮم اﻟﺘﻌﻠﻢ ﻓﻲ اﻟﺬﻛﺎء اﻻﺻﻄﻨﺎﻋﻲ ﻋﻦ ﻫﺬا اﻻﲡﺎه اﻟﻌﺪدي‬
‫ﻓﻲ اﻟﺴﺘﻴﻨﺎت‪ ،‬واﲡﻪ اﻟﺒﺤﺚ ﻧﺤﻮ ﺑﻨﺎء ﺑﻨﻴﺔ رﻣـﺰﻳـﺔ ﻣـﻌـﺘـﻤـﺪة ﻋـﻠـﻰ ﻋـﻼﻗـﺎت‬
‫ا‪7‬ﻔﺎﻫﻴﻢ‪ ،‬وﻳﻌﺘﺒﺮ ﺑﺮﻧﺎﻣﺞ اﻳﺒﺎم ‪ (٦)EPAM‬ﻹدوارد ﻓﺎﻳﺠﻴﻨﺒﺎم ‪Edward Feigenbaum‬‬
‫اﻟﺬي اﺳﺘﺨﺪم ﺷﺒﻜـﺔ ‪n‬ـﻴـﻴـﺰ ‪ discriminating network‬ﻟﺪراﺳﺔ اﻟﻌﻼﻗـﺎت ﺑـ‪T‬‬
‫ا‪7‬ﻘﺎﻃﻊ ﻓﻲ ﲡﺎرب اﳊﻠﻢ ﺑﺎﳊﻔﻆ ﻋﻦ ﻇﻬﺮ ﻗﻠﺐ‪-‬ﻣﺜﺎﻻ ﻋﻠﻰ ذﻟﻚ وﻛﺎن ﻣﻨﻬﺞ‬
‫اﻟﺘﻘﻮ€ ا‪7‬ﺘﺘﺎﺑﻊ ﻟﻠﻤﻌﺎﻳﻴﺮ وا‪7‬ﻌﺎﻣﻼت ﻳﻌﺘﺒﺮ اﻟﻮﺳﻴﻠﺔ اﻷﺧﻴﺮة اﻟﺘﻲ ﻳﻠﺠﺄ إﻟﻴﻬﺎ‬
‫ﻟﺘﻌﻠﻢ ا‪7‬ﺴﺘﻮﻳﺎت اﻟﻌﻠﻴﺎ ﻣﻦ اﻟﺒﻨﻴﺔ اﻟﺮﻣﺰﻳﺔ‪ .‬إﻻ أﻧﻪ ﻟﻢ ﻳﺘﻮﻓﺮ ﻓﻲ ذﻟﻚ اﻟﻮﻗـﺖ‬
‫ﻓﻬﻢ ﻛﺎف ﻋﻦ ﻛﻴﻔﻴﺔ ‪n‬ﺜﻴﻞ ا‪7‬ﻌﺮﻓﺔ‪ ،‬اﻷﻣﺮ اﻟﺬي ﻳﺴﺎﻋﺪ ﺑﺮاﻣﺞ اﻟﺘﻌﻠﻢ اﳉﻴﺪة‬
‫ﻋﻠﻰ اﻟﺘﻄﻮر ﻓﻲ اﲡﺎه ﻫﺬا اﳋﻂ اﳉﺪﻳﺪ‪ .‬وﻧﺘﻴـﺠـﺔ ﻟـﻬـﺬا ﺗـﻼش اﻻﻫـﺘـﻤـﺎم‬
‫ﺑﺎ‪7‬ﻮﺿﻮع ﻓﻲ دواﺋﺮ اﻟﺬﻛﺎء اﻻﺻﻄﻨﺎﻋﻲ ﺑﻌﺪ اﶈﺎوﻻت اﻟﺘﺠﺮﻳﺒﻴﺔ اﻷوﻟﻰ‪.‬‬
‫و‪v‬ﻜﻦ ‪n‬ﻴﻴﺰ أﻧﻮاع ﻣﺨﺘﻠﻔﺔ ﻣﻦ اﻟﺘﻌﻠﻢ ﻛﻤﺎ ﻳﻠﻲ‪:‬‬

‫اﳊﻔﻆ اﻟﺼﻢ واﻟﻘﺒﻮل اﳌﺒﺎﺷﺮ ﻟﻠﻤﻌﻠﻮﻣﺎت اﳉﺪﻳﺪة‬

‫ﻻ ﻳﺘﻄﻠﺐ اﻟﺒﺮﻧﺎﻣﺞ ﻫﻨﺎ أي ﻗﺪرات اﺳﺘﻨﺘﺎﺟﻴﻪ‪ ،‬ﺑﻞ ﻳﺴﺠﻞ ﺑﺒﺴﺎﻃﺔ اﳊﻘﺎﺋﻖ‬
‫واﻷﻣﺜﻠﺔ اﳉﺪﻳﺪة دون ﲢـﻮﻳـﻞ أو ﺗـﻄـﺒـﻴـﻖ; وﻫـﺬا ﻫـﻮ اﻷﺳـﻠـﻮب ا‪7‬ـﻌـﺘـﺎد ﻓـﻲ‬
‫اﻟﺒﺮﻣﺠﺔ‪.‬‬
‫اﻟﺘﻌﻠﻢ ﺑﺘﻠﻘﻲ اﻹرﺷﺎدات‪.‬‬

‫‪244‬‬
‫اﻟﺒﺮاﻣﺞ اﻟﻘﺎﺑﻠﺔ ﻟﻠﺘﻌﻠﻢ‬

‫ﻳﺘﻠﻘﻰ اﻟﺒﺮﻧﺎﻣﺞ ﻣﻮاد ﺟﺪﻳﺪة ﻟﻠﻤﻌﺮﻓـﺔ أو إرﺷـﺎدات ﻓـﻲ ﺷـﻜـﻞ ‪v‬ـﻜـﻦ أن‬
‫ﻳﻨﺪﻣﺞ ﻓﻲ ا‪7‬ﻌﺮﻓﺔ اﺨﻤﻟﺰﻧﺔ ﻗﺒﻼ ﻓﻲ اﻟﺒﺮﻧﺎﻣﺞ ﻟﺘﺤﺴ‪ T‬اﻟﻘﺪرة اﻻﺳﺘـﺪﻻﻟـﻴـﺔ‬
‫ﻟﻠﺒﺮﻧﺎﻣﺞ‪.‬‬

‫اﻟﺘﻌﻠﻴﻢ ﺑﺎﻟﺘﻨﺎﻇﺮ‪.‬‬
‫ﻳﺘﻠﻘﻰ اﻟﺒﺮﻧﺎﻣﺞ ﺣﻘﺎﺋﻖ ﺟﺪﻳﺪة ﻣﺸﺎﺑﻬﺔ ﺑﺪرﺟﺔ ﻛﺒـﻴـﺮة ﻟـﺒـﻌـﺾ اﳊـﻘـﺎﺋـﻖ‬
‫ا‪7‬ﻮﺟﻮدة ﺑﺎﻟﺒﺮﻧﺎﻣﺞ ﻣﻦ ﻗﺒﻞ‪‡ ،‬ﺎ ﻳـﺆدى إﻟـﻰ ‪n‬ـﻜـﻦ اﻟـﺒـﺮﻧـﺎﻣـﺞ ﻣـﻦ أن ﻳـﻮﻓـﻖ‬
‫ﺳﻠﻮﻛﻪ ﻓﻲ ﻣﻮاﻗﻒ ﺟﺪﻳﺪة ﻟﻬﺎ ﺑﻌﺾ اﻟﺸﺒﻪ †ﻮاﻗﻒ ﺗﻌﺎﻣﻞ ﻣﻌﻬﺎ اﻟﺒﺮﻧﺎﻣﺞ ﻣﻦ‬
‫ﻗﺒﻞ‪.‬‬

‫اﻟﺘﻌﻠﻢ ﻣﻦ اﻷﻣﺜﻠﺔ‪.‬‬
‫ﻳﺴﺘﻨﺒﻂ اﻟﺒﺮﻧﺎﻣﺞ اﻟﻘﻮاﻋﺪ اﻟﻌﺎﻣﺔ ﻣﻦ اﻷﻣﺜﻠﺔ اﶈﺪدة ا‪7‬ﻌﻄﺎة ﻟﻪ‪ .‬ﻓﻠﻜﻲ‬
‫ﻧﻌﻠﻢ اﻟﺒﺮﻧﺎﻣﺞ ا‪7‬ﻌﻨﻰ اﻟﻌﺎم ‪7‬ﺎﻫﻴﺔ أن ﻳﻜﻮن اﻟـﺸـﻲء ﺣـﺼـﺎﻧـﺎ‪ ،‬ﻧـﻌـﻄـﻴـﻪ أﻣـﺜـﻠـﻪ‬
‫ﳊﻴﻮاﻧﺎت ﻣﻦ ﺑﻴﻨﻬﺎ ﺧﻴﻮل وأﺷﻴﺎء أﺧﺮى‪ ،‬وﻧﺬﻛﺮ ﻟﻠﺒﺮﻧﺎﻣﺞ أي ﻣﻨﻬﺎ اﳋﻴﻮل‪،‬‬
‫وﻋﻠﻰ اﻟﺒﺮﻧﺎﻣﺞ أن ﻳﺠﺪ اﻟﻘﻮاﻋﺪ اﻟﺘﻲ ‪n‬ﻜﻨﻪ ﻣﻦ ‪n‬ﻴﻴﺰ اﳋﻴﻮل ﻣﻦ ﻏﻴﺮﻫـﺎ‪.‬‬
‫وﻟﻴﺲ ﻣﻦ اﻟﻀﺮوري إﻋﻄﺎؤه أﻣﺜﻠﺔ ﺳـﻠـﺒـﻴـﺔ‪ ،‬إﻻ أن ذﻟـﻚ ﻳـﺴـﺮع ﻣـﻦ ﻋـﻤـﻠـﻴـﺔ‬
‫اﻟﺘﻌﻠﻢ‪.‬‬

‫اﻟﺘﻌﻠﻢ ﺑﺎﳌﻼﺣﻈﺔ واﻻﻛﺘﺸﺎف‪.‬‬

‫اﻟﺘﻌﻠﻢ ﺑﻬﺬه اﻟﻄﺮﻳﻘﺔ ﺗﻌﻠﻢ ذاﺗﻲ‪ ،‬ﻏﻴﺮ ﺧﺎﺿﻊ ﻟﻺﺷﺮاف واﻟﺘﻮﺟﻴﻪ‪ ،‬وﻳﺘﻄﻠﺐ‬
‫ﻗﺪرة ﻋﺎﻟﻴﺔ ﻋﻠﻰ اﻻﺳﺘﻨﺘﺎج‪ ،‬ﻓﻴﻘﻮم اﻟﺒﺮﻧﺎﻣﺞ ﺑﺘﺪﻗﻴﻖ ا‪7‬ﻌﺮﻓﺔ اﳋﺎﺻـﺔ ﻟـﺪﻳـﻪ‬
‫ﻓﻲ ﻣﺤﺎوﻟﺔ ﻻﻛﺘﺸﺎف اﻷ ﺎط ﻟﻴﺴﺘﺨﻠﺺ ﻣﻨﻬﺎ ﻗﻮاﻧ‪ T‬وﺣﻘﺎﺋﻖ ﺟﺪﻳﺪة‪.‬‬
‫وﺳﻮف ﻧﻌﺮض ﻟﻠﻄﺮﻳﻘﺘ‪ T‬اﻷﺧﻴﺮﺗ‪ T‬ﻓﻘﻂ ﻓﻲ ﻫﺬا اﻟﻔﺼﻞ‪ ،‬و‪v‬ﻜﻦ ﻟﻠﻘﺎر‪M‬‬
‫اﻟﺮﺟﻮع إﻟـﻰ ﻣـﻴـﺨـﺎﻟـﻴـﺴـﻜـﻲ وﻛـﺎرﺑـﻮﻧـﻴـﻞ وﻣـﻴـﺘـﺸـﻴـﻞ ‪Michalski, Cubonell and‬‬
‫‪ (٧)Mitchell‬ﻟﻠﺤﺼﻮل ﻋﻠﻰ ﻣﻌﻠﻮﻣﺎت ﻋﻦ ﻛﺎﻓﺔ ﻃﺮق اﻟﺘﻌﻠﻢ ا‪7‬ﺬﻛﻮرة أﻋﻼه‪.‬‬

‫ﳕﺎذج ﻋﺎﻣﺔ ﻟﺒﺮاﻣﺞ اﻟﺘﻌﻠﻢ‬

‫ﺳﻨﻌﺮض‪-‬ﻣﻦ ﺑ‪ T‬ﺎذج اﻟﺘﻌﻠﻢ‪-‬اﻟﻌﺎﻣﺔ‪-‬ﻧﻌﺮرﻳﺨﺢ اﻟﺴﺎﺣﺘ‪two-space mod-T‬‬
‫اﺻﺢ اﻟﺬي وﺿﻌﻪ ﺳﺎ‪v‬ﻮن وﻟﻲ ‪ .(٨)Simon and Lea‬وﻛﻤﺎ ﻳﺘﻀﺢ ﻣﻦ ﺷﻜﻞ ‪-١٩‬‬

‫‪245‬‬
 ‫اﻟﺬﻛﺎء اﻻﺻﻄﻨﺎﻋﻲ‬

‫‪ ١‬ﻳﺘﻜﻮن ﻫﺬا اﻟﻨﻤﻮذج ﻣﻦ ﺳﺎﺣﺔ ﻟﻸﻣﺜﻠﺔ وأﺧﺮى ﻟﻠﻘﻮاﻋﺪ‪ ،‬وﻣﻦ ا‪7‬ﻼﺋﻢ اﺳﺘﺨﺪام‬
‫اﻟﺘﻌﺒﻴﺮ »ﻗﻮاﻋﺪ« ﻫﻨﺎ رﻏﻢ أﻧﻪ ﻗﺪ ﺗﺘﺨﺬ اﻷﻓﻜﺎر اﻟﺘﻲ ‪v‬ﻜﻦ اﺳﺘﻨـﺘـﺎﺟـﻬـﺎ ﻣـﻦ‬
‫اﻷﻣﺜﻠﺔ ﺷﻜﻼ ﻳﺨﺘﻠﻒ ﻋﻦ اﻟﻘﻮاﻋﺪ ا‪7‬ﺄﻟﻮﻓﺔ‪ ،‬ﻓـﻘـﺪ ‪n‬ـﺜـﻞ ﻣـﻔـﻬـﻮﻣـﺎ ﻣـﻌـﻴـﻨـﺎ أو‬
‫ﺧﻮاص ‪n‬ﻴﺰ ﻛﻴﺎن ﻣﺎ‪.‬‬
‫  
‬

‫‬ ‫‬
‫ ‪!"#‬‬ ‫‬

‫‬

‫ ‪      119‬‬

‫وﻣﻦ اﻷﻣﺜﻠﺔ آﻟﺘﻲ ﺳﻨﺴﺘﺨﺪﻣﻬﺎ ﻛﺜﻴﺮ»ﻓﻴﻤﺎ ﻳﻠﻲ ذﻟﻚ اﳋﺎص ﺑﺘﻌﻠﻢ ﻣﻔﻬﻮم‬
‫»اﻟﻔـﻠـﻮش« ‪ flush‬ﻓﻲ ﻟﻌﺒﺔ اﻟﺒﻮﻛﺮ‪ ،‬واﻟـﺬي ﻳـﻌـﻨـﻲ أي ﺧـﻤـﺲ أوراق ﻣـﻦ ﻧـﻘـﺶ‬
‫واﺣﺪ ﻓﻲ ﻳﺪ اﻟﻼﻋﺐ‪.‬‬
‫ﻓﻤﻦ ﺧﻼل ﻋﺪة أﻣﺜﻠﺔ ﻳﺘﻌ‪ T‬ﻋﻠﻰ اﻟﺒﺮﻧﺎﻣﺞ أن ﻳﻜﺘﺸﻒ أن رﺗﺐ اﻷوراق ﻻ‬
‫ﺗﻬﻢ‪ ،‬ﻛﻤﺎ أن اﻟﻨﻘﺸﺔ ﻧﻔﺴﻬﺎ ﻻ ﺗﺪﺧﻞ ﻓﻲ اﻻﻋﺘﺒﺎر‪ ،‬ﻓﺴﻮاء ﻛﺎﻧﺖ اﻷوراق ﻣﻦ‬
‫ﻧﻘﺸﺔ اﻟﺒﺴﺘﻮﻧﻲ ‪ spades‬أو اﻟﻘﻠﻮب ‪ hearts‬ﻻ ﻳﻬﻢ‪ ،‬وﻟﻜﻦ اﻟﺼﻔﺔ اﻟﻀﺮورﻳﺔ ﻫﻲ‬
‫أن ﺗﻜﻮن اﻷوراق اﳋﻤﺴﺔ ﻣﻦ ﻧﻘﺸﺔ واﺣﺪة‪.‬‬

‫ﺳﺎﺣﺔ اﻷﻣﺜﻠﺔ ‪.The example space‬‬

‫إن ﻣﻦ أﻫﻢ أﺳﺲ اﻟﺘﻌﻠﻢ اﻟﻨﺎﺟﺢ اﺳﺘﺨﺪام اﻷﻣﺜﻠﺔ اﳉﻴـﺪة اﳋـﺎﻟـﻴـﺔ ﻣـﻦ‬
‫اﻷﺧﻄﺎء‪ .‬وﻳﺠﺐ اﺧﺘﻴﺎر ﻫﺬه اﻷﻣﺜﻠﺔ ﺑﺤﻴﺚ ‪n‬ﻜﻦ اﻟﺒﺮﻧﺎﻣﺞ ﻣﻦ اﻟﺘﻤﻴﻴﺰ ﺑـ‪T‬‬
‫اﻟﻘﻤﺢ واﻟﺘ®‪ ،‬أي أن ﻳﺴﺘﻄﻴﻊ اﻟﺒﺮﻧﺎﻣﺞ أن ﻳﺠﺪ اﻟﻌﻮاﻣﻞ ا‪7‬ﻤﻴﺰة ﻟﻠـﻤـﻔـﺎﻫـﻴـﻢ‬
‫اﻟﺘﻲ ﻋﻠﻴﻪ أن ﻳﺘﻌﻠﻤﻬﺎ‪ .‬ورﻏﻢ أن ﺑﺮﻧﺎﻣﺞ اﻟﺘﻌﻠﻢ اﳉﻴﺪ ﻳـﺠـﺐ أن ﻳـﻨـﺠـﺢ رﻏـﻢ‬
‫وﺟﻮد ﺑﻌﺾ اﻷﺧﻄﺎء ﻓﻲ اﻷﻣﺜﻠﺔ ا‪7‬ﻌﻄﺎة‪ ،‬إﻻ أن اﻟﺘﻘﻨﻴﺔ ا‪7‬ﺘﺎﺣﺔ أﻻن ﻟﻴﺴـﺖ‬
‫ﻋﻠﻰ درﺟﺔ ﻣﻦ اﻟﺮﻗﻲ ﺑﺤﻴﺚ ﺗﺴﻤﺢ ﺑﺎﻟﺘﻮﺻﻞ إﻟﻰ ﻫﺬا ا‪7‬ﺴﺘـﻮى‪ .‬وﺑـﺎﻟـﻨـﺴـﺒـﺔ‬
‫‪7‬ﻌﻴﺎر اﻟﺘﻤﻴﻴﺰ‪ ،‬ﻓﺈﻧﻪ ﻟﻴﺲ ﻣﻦ اﳊﻜﻤﺔ اﺳﺘـﺨـﺪام ورﻗـﺔ آس ‪ ace‬ﻣﺜﻼ ﻓﻲ ﻛﻞ‬

‫‪246‬‬
‫اﻟﺒﺮاﻣﺞ اﻟﻘﺎﺑﻠﺔ ﻟﻠﺘﻌﻠﻢ‬

‫ﻣﺜﺎل ﻟﻠﻔﻠﻮش ‪ flush‬ﻟﺒﺮﻧﺎﻣﺞ ﻣﻬﻤﺘﻪ أن ﻳﺴﺘﻨﺘﺞ ﻣﻔﻬﻮم اﻟﻔﻠﻮس ﻓﺈﻧﻪ ﻗﺪ ﻳﻠﺤﻆ‬

‫ﻫﺬا اﻻﻃﺮاد وﻳﺘﻮﺻﻞ‪-‬ﻟﻮ ﻛﺎن ﻣﺎﻫﺮا‪-‬إﻟﻰ اﻻﺳﺘﻨﺘﺎج اﳋﺎﻃﺊ ﺑﺄن وﺟﻮد ورﻗﺔ‬
‫اﻵس ﺿﺮوري ﻟﻠﻔﻠﻮش‪.‬‬
‫وﻫﻨﺎك ﻣﺘﻄﻠﺐ آﺧﺮ وﻫﻮ أن اﻷﻣﺜﻠﺔ ﻳﺠﺐ أن ﺗﻮﺿـﺢ ﺑـﺘـﺮﺗـﻴـﺐ ﺻـﺤـﻴـﺢ‪،‬‬
‫ﻓﺎ‪7‬ﺪرس اﳉﻴﺪ ﻳﻌﻄﻲ أﻣﺜﻠﺘﻪ ﺑﺘﺮﺗﻴﺐ ﻳﺘﺪرج ﻣﻦ اﻟﺴﻬﻮﻟﺔ إﻟﻰ اﻟﺼﻌﻮﺑﺔ‪.‬‬

‫ﺳﺎﺣﺔ اﻟﻘﻮاﻋﺪ ‪.The rule space‬‬

‫وﻳﻌﺘﺒﺮ اﺳﺘﺨﻼص ا‪7‬ﺒﺎد‪ M‬واﻟﻘﻮاﻧ‪ T‬اﻟﻌﺎﻣﺔ ﻋﻤﻠﻴﻪ ﺟﻮﻫﺮﻳﺔ ﻓـﻲ اﻟـﺘـﻌـﻠـﻢ‬
‫ﻣﻦ اﻷﻣﺜﻠﺔ‪ .‬وﻳﻜﻮن وﺻﻒ )أ( أﻛﺜﺮ ﻋﻤﻮﻣﻴﺔ ﻣﻦ وﺻـﻒ آﺧـﺮ )ب( ﻣـﺜـﻼ‪ ،‬إذا‬
‫ﻛﺎن )أ( ﺳﺎرﻳﺎ ﻓﻲ ﺟﻤﻴﻊ ا‪7‬ﻮاﻗﻒ اﻟﺘﻲ ﻳﻜﻮن ﻓﻴﻬﺎ )ب( ﺳﺎرﻳﺎ‪ ،‬ﺑﺎﻹﺿﺎﻓﺔ إﻟﻰ‬
‫ﻣﻮاﻗﻒ أﺧﺮى‪ .‬ﻓﺎﻟﺘﻌﻤﻴﻢ اﻟﺘﺎﻟﻲ ﻣﺜﻼ‪:‬‬
‫‪ -١‬ﺟﻤﻴﻊ ﻃﻠﺒﺔ ﻗﺴﻢ اﻟﻜﻴﻤﻴﺎء ﻟﺪﻳﻬﻢ دراﺟﺎت‪.‬‬
‫ﻳﺘﻀﻤﻦ ﻓﻲ‬
‫‪ -٢‬ﺟﻤﻴﻊ ﻃﻠﺒﺔ ﻛﻠﻴﺔ اﻟﻌﻠﻮم ﻟﺪﻳﻬﻢ دراﺟﺎت‪.‬‬
‫أو ﻓﻲ‬
‫)‪ (،٢‬ﺟﻤﻊ اﻟﻄﻠﺒﺔ ﻟﺪﻳﻬﻢ دراﺟﺎت‪.‬‬
‫ﻗﺎﻋﺪة )‪v (،٢‬ﻜﻦ اﺳﺘﻨﺘﺎﺟﻬﺎ ﺑﻌﺪ إﻋﻄﺎء أﻣﺜﻠﺔ أﺧﺮى‪ ،‬ﻣﺜﻼ‬
‫)‪ (،١‬ﺟﻤﻴﻊ ﻃﻠﺒﺔ ﻗﺴﻢ اﻟﻔﻴﺰﻳﺎء ﻟﺪﻳﻬﻢ دراﺟﺎت‪.‬‬
‫)‪ (، ،١‬ﺟﻤﻴﻊ ﻃﻠﺒﺔ اﳉﺎﻣﻌﺔ ﻟﺪﻳﻬﻢ دراﺟﺎت‪.‬‬
‫وﻫﻨﺎ ﻳﺘﻀﺢ أﻧﻪ ﻟﻢ ﻳﻌﺪ ﻫﻨﺎك ﺣﺎﺟﺔ ﻟﻠﺠﺰء اﻟﻮﺻﻔﻲ اﻟﺬي ﻳﺤﺪد اﳉﻤﺎﻋﺔ‬
‫اﳉﺰﺋﻴﺔ ﻣﻦ ﻃﻼب اﳉﺎﻣﻌﺔ )ﻃﻼب اﻟﻜﻴﻤﻴﺎء‪ ،‬ﻃﻼب اﻟﻌـﻠـﻮم‪ ..‬اﻟـﺦ( وﻟـﻬـﺬا‬
‫‪v‬ﻜﻦ ﲡﺎﻫﻠﻪ‪.‬‬
‫و‪v‬ﻜﻦ ﻃﺒﻌﺎ أن ﻳﻜﻮن اﻟﺘﻌﻤﻴﻢ ﺧﻄﺄ‪ ،‬وﺑﺎﻹﺿﺎﻓﺔ إﻟﻰ ذﻟﻚ ﻓﺈن ﻫﺬه ﺻﻮرة‬
‫ﻣﺒﺴﻄﺔ ﺟﺪا ﻟﻠﺘﻌﻠﻢ‪ ،‬ﻓﻨﺤﻦ ﻗﺎدرون ﻋﻠﻰ ‡ﺎرﺳﺔ ﺻﻮر أﻛﺜﺮ ﺗﻌﻘﻴﺪا ﻣﻦ ذﻟﻚ‬
‫ﺑﻜﺜﻴﺮ‪ ،‬ﻷﻧﻬﺎ ﻻ ﺗﺴﺎﻋﺪﻧﺎ ﻓﻲ اﺳﺘﻨﺒﺎط اﻟﻘﻮاﻋﺪ واﻟﻘﻮاﻧ‪ T‬اﳉﺪﻳﺪة ﻓﺤﺴﺐ‪،‬‬
‫ﺑﻞ ﺗﻐﻴﺮ ﻣﻦ اﻟﺒﻨﻴﺔ اﻟﺘﻲ ‪n‬ﺜﻞ ﺑﻬﺎ ﻣﻌﺮﻓﺘﻨﺎ‪.‬‬
‫)‪(٩‬‬
‫وﻫﻨﺎك ﻣﺨﻄﻂ آﺧﺮ ﻟﻠﺘﻌﻠﻢ ﻗﺪﻣﻪ ﺳﻤﻴﺚ ‪ Smith‬وﻫﻮ ﻳﻌﺒﺮ ﻋﻦ اﻟﻨﺎﺣﻴﺔ‬
‫اﻟﻮﻇﻴﻔﻴﺔ‪ ،‬وﻣﻮﺿﺢ ﺑـﺸـﻜـﻞ ‪ ،٢-١٩‬وﻗﺪ اﺳﺘﺨﺪﻣﻪ ﺑﺮﻧـﺎﻣـﺞ ‪7 LEX‬ﻴﺘﺸﻴـﻞ)‪،(١٠‬‬
‫وﻳﺘﺄﻟﻒ ﻫﺬا اﻟﺒﺮﻧﺎﻣﺞ ﻣﻦ أرﺑﻌﺔ ﻣﻜﻮﻧﺎت‪ :‬اﻻﻧﺘﻘﺎء )ﻟﻠﻤﺴﺎﺋﻞ واﻷﻣﺜﻠﺔ(‪ ،‬اﻷداء‪،‬‬

‫‪247‬‬
 ‫اﻟﺬﻛﺎء اﻻﺻﻄﻨﺎﻋﻲ‬

‫
‬

‫ ‬ ‫
‬

‫ ‬

‫ ‪(10) LEX
  2 19‬‬

‫اﻟﺘﻘﻮ€‪ ،‬واﻟﺘﻌﻠﻢ‪.‬‬
‫اﻷداء ﻫﻮ اﻟﺒﺮﻧﺎﻣﺞ اﻟﺬي ﻧﻬﺪف ﻟﺘﺤﺴ‪ T‬أداﺋﻪ‪ ،‬و‪v‬ﻜﻦ أن ﻳﻜﻮن ﺑﺮﻧﺎﻣﺠﺎ‬
‫ﻟﻠﻌﺐ إﺣﺪى اﻟﻠﻌﺐ‪ ،‬أو ﻟﺘﺸﺨﻴﺺ ﻣﻮﻗﻒ ﻣﺎ‪ ،‬أو ﻟﻮﺿﻊ ﺧﻄﻂ ﻋﻤﻞ ‪7‬ﻬﻤﺔ ﻣﺎ‬
‫ذات ﻫﺪف ﻣﺤﺪد‪ .‬واﻻﻓـﺘـﺮاض اﻷوﻟـﻲ أن أداءه ﻟـﻴـﺲ ﺟـﻴـﺪا‪ ،‬وﻳـﺤـﺘـﺎج إﻟـﻰ‬
‫ﲢﺴ‪ .T‬اﻟﺘﻘﻮ€ ﻫﻮ ا‪7‬ﻜﻮن اﻟﺬي ﻳﻘﺎرن اﻷداء اﻟﻔﻌﻠﻲ †ﺴﺘﻮى اﻷداء ا‪7‬ﺘﻮﻗﻊ‪،‬‬
‫وﺗﻌﺘﻤﺪ ﻧﻮﻋﻴﺔ اﻟﺘﻌﻠﻢ ﻃـﺒـﻌـﺎ ﻋـﻠـﻰ دﻗـﺔ ﻫـﺬه ا‪7‬ـﻘـﺎرﻧـﺔ‪ ،‬وﻋـﻠـﻰ ﻣـﺎ إذا ﻛـﺎن „‬
‫ﲢﺪﻳﺪ اﻷداء ا‪7‬ﺘﻮﻗﻊ ﺑﺪﻗﺔ ووﺿﻮح‪ .‬وﻳﻌﺘﻤﺪ اﻟﺘﻘﻮ€ ﻓﻲ ﺑﺮﻧﺎﻣﺞ ﻟﻠﺘﺸﺨﻴﺺ‬
‫اﻟﻄﺒﻲ ‪7‬ﺮض ﻣﺎ ﻣﺜﻼ ﻋﻠﻰ ﻣﻼﺣﻈﺎت ﻋﻦ ﻓﻌﺎﻟﻴﺔ اﻟﻌﻼج وﺗﻘﺪم اﳊﺎﻟﺔ ا‪7‬ﺮﺿﻴﺔ‬
‫ﳊﺎﻻت ﻋﺪﻳﺪة ﻣﻦ ا‪7‬ﺮﺿﻰ اﻟﺬﻳﻦ ﻗﺪ ﻋﻮﳉﻮا ﻣﻦ ﻫﺬا ا‪7‬ﺮض‪.‬‬
‫اﻟﺘﻌﻠﻢ ﻫﻮ ا‪7‬ﻜﻮن اﻟﺬي ﻳﺴﺘﺨﺪم ﻧﺘﺎﺋﺞ ا‪7‬ﻘﺎرﻧﺔ اﻟﺘﻲ ﻗﺎم ﺑﻬﺎ ﻣﻜﻮن اﻟﺘﻘﻮ€‬
‫ﻟﺘﺤﺪﻳﺪ أي ﻣﻜﻮﻧﺎت اﻷداء ﻣﺴﺌﻮﻟﺔ ﻋﻦ اﻟﻨﺘﺎﺋﺞ ﻏﻴﺮ ا‪7‬ﺮﺿﻴﺔ‪ ،‬وﻟﺬﻟﻚ ﲢﺘﺎج‬
‫إﻟﻰ ﺗﻐﻴﻴﺮ‪ ،‬و‪v‬ﻜﻦ أن ﺗﻜﻮن ﻫﺬه ﻣﻦ ﻗﺎﻋﺪة ا‪7‬ﻌﺮﻓﺔ أو ﻣﻦ ﻣﺠﻤـﻮﻋـﺔ آﻟـﻴـﺎت‬
‫اﻻﺳﺘﺪﻻل ا‪7‬ﻨﻄﻘﻲ‪ .‬وﻣﻦ اﻟﻄﺒﻴﻌﻲ أن ﻳﻨﺘﺞ ﻋﻦ ﲢﺴ‪ T‬اﻷداء ﻓﻲ ﺟﺰ ﻣﺎ ﻣﻦ‬
‫اﻟﺒﺮﻧﺎﻣﺞ أﺛﺮ ﻓﻲ ﺗﺪﻫﻮر أداء ﺟﺰء آﺧﺮ‪ ،‬وﻟﻬﺬا ﻳﺘﻌ‪7 T‬ﻜﻮن اﻟﺘﻌﻠﻢ اﳉﻴﺪ أن‬
‫ﻳﺴﺘﻌﺮض ﻓﻲ ﻓﺘﺮات ﻣﺨﺘﻠﻔﺔ اﻟﺘﻌﺪﻳﻼت اﻟﺘﻲ أدﺧﻠﻬﺎ ﻟﻴﺘﺄﻛﺪ أن اﻷداء اﻟﻌﺎم‬
‫ﻟﻠﺒﺮﻧﺎﻣﺞ ﻛﻜﻞ ﻳﺘﺠﻪ إﻟﻰ اﻷﻓﻀﻞ‪.‬‬
‫اﻻﻧﺘﻘﺎء ﻋﺎدة ﻣﺎ ﻳﺘﻢ ﺧﺎرج اﻟﺒﺮﻧﺎﻣﺞ‪ ،‬ﻓﺎﺧﺘﻴﺎر اﻷﻣﺜﻠﺔ ﻳﺘﻢ ﻳﺪوﻳﺎ ﺛﻢ ﺗﺪﺧﻞ‬
‫إﻟﻰ اﻟﺒﺮﻧﺎﻣﺞ ﺑﺘﺮﺗﻴﺐ ﻣﻌ‪ T‬ﻟﺘﺤﻘﻴﻖ اﻟﻨﺘﺎﺋﺞ ا‪7‬ﺜﻠﻰ ﻟﻠﺘﻌﻠﻢ‪ ،‬وﻟﻜﻦ ‪v‬ﻜﻦ ﺗﺼﻮر‬

‫‪248‬‬
‫اﻟﺒﺮاﻣﺞ اﻟﻘﺎﺑﻠﺔ ﻟﻠﺘﻌﻠﻢ‬

‫ﺻﻴﻐﺔ ﺗﺴﻤﺢ ﻟﻠﺒﺮﻧﺎﻣﺞ ﻧﻔﺴﻪ أن ﻳﻘﺮر اﻟﺘـﺮﺗـﻴـﺐ اﻟـﺬي ﺗـﻌـﺮض ﻓـﻴـﻪ اﻷﻣـﺜـﻠـﺔ‬
‫ﻟﺘﺤﻘﻴﻖ اﻷداء ا‪7‬ﻨﺸﻮد‪ .‬وﺳﻨﺘﻨﺎول اﻵن ﻗﻮاﻋﺪ اﻟﺘﻌﻤﻴﻢ اﻟﺸﺎﺋﻌﺔ اﻻﺳﺘﺨﺪام‪.‬‬

‫اﻟﻘﻮاﻋﺪ اﻟﻌﺎﻣﺔ ﻟﻼﺳﺘﻘﺮاء‬

‫ﺳﻨﺴﺘﺨـﺪم »&« ﻟﻠﺘﻌﺒﻴﺮ ﻋﻦ اﻟﻌﻼﻗﺔ ا‪7‬ﻨﻄﻘﻴﺔ ﻟﻠـﻮﺻـﻞ ‪ conjunction‬و »‪:‬‬
‫>>‪ :‬ﻟﻌﻼﻗﺔ اﻟﺘﻀﻤ‪ T‬ﻟﻠﺪﻻﻟﺔ ﻋﻠﻰ اﻟﻌﻼﻗﺔ ﺑ‪ T‬وﺻﻒ ا‪7‬ﻔﻬﻮم واﺳﻤﻪ‪ ،‬وﺑﺬﻟﻚ‬
‫أ‪ :> :‬ب ﺗﻌﻨﻲ أم ب ﻫﻮ اﺳﻢ ا‪7‬ﻔﻬﻮم اﻟﺬي ﺗﺼﻔﻪ أ‪.‬‬
‫اﺳﺘﺒﺪال اﻟﺜﻮاﺑﺖ ﺑﺎ‪7‬ﺘﻐﻴﺮ‪ .‬ﺗﻮﺿﺢ اﻟﻘﺎﻋﺪة اﻷوﻟﻰ ﲢﻘﻴﻖ ﻫﺪف ﺗﻌـﺮﻳـﻒ‬
‫ﻣﻔﻬﻮم اﻟﻔﻠﻮش ﻓﻲ ﻟﻌﺒـﺔ اﻟـﺒـﻮﻛـﺮ‪ .‬إذا اﻋـﺘـﺒـﺮﻧـﺎ و‪ -١‬و‪ ٥‬ﺗﺮﻣﺰ ﳋـﻤـﺲ أوراق‪،‬‬
‫وﻋﺮﻓﻨﺎ اﻟﻨﻘﺸﺔ واﻟﺮﺗﺒﺔ ﻛﻤﺤﻤﻮﻟ‪ T‬ﻓﻲ اﻟﺼﻴﺎﻏﺔ اﻟﺘﺎﻟﻴﺔ‪:‬‬
‫ﻧﻘﺸـﺔ )و ‪ ،i‬ب( ﺗﻌﻨﻲ أن اﻟـﻮرﻗـﺔ و‪i‬ﻫﻲ ﺑﺴﺘﻮﻧﻲ )ﻧﻔﺲ اﻟﺸﻲء ﺑـﺎﻟـﻨـﺴـﺒـﺔ‬
‫ﻟﻠﻘﻠﻮب ‪ Hearts‬وا‪7‬ﺎﺳﺔ ‪ Diamond‬واﻻﺳﺒﺎﺗﻲ ‪.(Clubs‬‬
‫رﺗﺒﻪ )و ‪ (٥ ،i‬ﺗﻌﻨﻲ أن اﻟﻮرﻗﺔ و ‪i‬ﻫﻲ ﺧﻤﺴﺔ( وﻛﺬﻟﻚ )‪ ١٠ -٢‬وﻟﺪ‪ ،‬ﺷﺎﻳﺐ‪،‬‬
‫ﺑﻨﺖ‪ ،‬آس(‪.‬‬
‫وﺑﺈﻋﻄﺎء ا‪7‬ﺜﺎﻟ‪ T‬اﻵﺗﻴ‪:T‬‬
‫ﻣﺜﺎل ‪ :١‬ﻧﻘﺸﺔ)وا‪،‬ب(& ﻧﻘﺸﺔ)و ‪،٢‬ب(& ﻧﻘﺸﺔ)و ‪،٣‬ب(& ﻧﻘﺸﺔ )و ‪،٤‬ب(&‬
‫ﻧﻘﺸﺔ)و‪،٥‬ب(‬
‫‪ < ::‬ﻓﻠﻮش )و‪ ٬١‬و‪ ٬٢‬و‪ ٬٣‬و‪ ٬٤‬و‪(٥‬‬
‫ﻣﺜﺎل ‪ :٢‬ﻧﻘﺸﺔ )و ‪ ،١‬س(& ﻧﻘﺸﺔ )و ‪ ،٢‬س( & ﻧﻘﺸﺔ )و ‪ ،٣‬س( & ﻧﻘﺸﺔ‬
‫)و ‪،٤‬س(& ﻧﻘﺸﺔ)و‪ ،٥‬س(‬
‫‪ < ::‬ﻓﻠﻮش )و‪٬١‬و ‪ ٣ ٬٢‬و ‪ ٤‬و ‪(٥‬‬
‫‪v‬ﻜﻦ ﻟﻠﺒﺮﻧﺎﻣﺞ أن ﻳﺴﺘﻨﺘﺞ اﻟﻘﺎﻋﺪة اﻟﺘﺎﻟﻴﺔ‪:‬‬
‫ﻗﺎﻋﺪة ‪ :١‬ﻧﻘﺸﺔ)و ‪ &(x ،١‬ﻧﻘﺸﺔ)و ‪ &(x ،٢‬ﻧﻘﺸﺔ)و ‪ (x ،٣‬ﻧﻘﺸﺔ )و ‪&(x،٤‬‬
‫ﻧﻘﺸﺔ)و‪(x ،٥‬‬
‫‪ < ::‬ﻓﻠﻮش )و‪ ٬١‬و‪ ٬٢‬و‪ ٬٣‬و ‪ ٬٤‬و‪(٥‬‬
‫ﺑﺎﺳﺘﺒﺪال اﻟﺜﻮاﺑﺖ ب وس ﺑﺎ‪7‬ﺘﻐﻴﺮ ‪.x‬‬

‫اﻟﺘﻐﺎﺿﻲ ﻋﻦ اﻟﺸﺮوط‪.‬‬
‫ﻣﻦ اﻟﻄﺮق اﻷﺧﺮى ﻟﻼﺳﺘﻘﺮاء اﻟﺘﻐﺎﺿﻲ ﻋﻦ أﺣﺪ اﻟﺸﺮوط ا‪7‬ﺘﻀﻤﻨﺔ ﻓﻲ‬

‫‪249‬‬
 ‫اﻟﺬﻛﺎء اﻻﺻﻄﻨﺎﻋﻲ‬

‫اﻟﻘﺎﻋﺪة; وﺑﺬﻟﻚ ﺗﺼﺒﺢ اﻟﻘﺎﻋﺪة اﳉﺪﻳﺪة أﻛﺜﺮ ﻋﻤﻮﻣﻴﺔ ﻣﻦ اﻟﻘﺎﻋﺪة اﻷﺻﻠﻴﺔ‬

‫ﻻﺗﺴﺎع ﻣﺠﺎل ﺗﻄﺒﻴﻘﻬﺎ‪ .‬و‪v‬ﻜﻦ اﺗﺒﺎع ﻫﺬه اﻻﺳﺘﺮاﺗﻴﺠـﻴـﺔ ﻓـﻲ ا‪7‬ـﺜـﺎل اﻟـﺘـﺎﻟـﻲ‬
‫ﺑﺘﺠﺎﻫﻞ ﻛﻞ اﻟﺸﺮوط اﳋﺎﺻﺔ ﺑﺮﺗﺐ أوراق اﻟﻠﻌﺐ‪ .‬وﺑﺎﺳﺘﺨﺪام ﻗﺎﻋﺪة اﺳﺘﺒﺪال‬
‫اﻟﺜﻮاﺑﺖ ﺑﺎ‪7‬ﺘﻐﻴﺮ أﻳﻀﺎ ‪v‬ﻜﻦ أن ﻧﺤﺼﻞ ﻋﻠﻰ اﻵﺗﻲ‪:‬‬
‫ﻣﺜﺎل‪ :٣-‬ﻧﻘﺸﺔ )وأ وأو ب( & رﺗﺒﺔ )وا‪&(٢ ،‬‬
‫ﻧﻘﺸﺔ)و ‪،٢‬ب(& رﺗﺒﺔ)و ‪&(٥٬٢‬‬
‫ﻧﻘﺸﺔ)و ‪،٣‬ب(& رﺗﺒﺔ)و ‪&(٧٬٣‬‬
‫ﻧﻘﺸﺔ)و ‪،٤‬ب(& رﺗﺒﺔ)و ‪& (٨٬٤‬‬
‫ﻧﻘﺸﺔ )و‪ ،٥‬ب( & رﺗﺒﺔ )وه أه ﺷﺎﻳﺐ(‬
‫‪ < ::‬ﻓﻠﻮش )و‪ ٬١‬و‪ ٬٢‬و‪ ٬٣‬و‪ ٬٤‬و‪(٥‬‬
‫واﻟﺘﻲ ‪v‬ﻜﻦ أن ﺗﻌﻤﻢ ﻟﻘﺎﻋﺪة‪ ١-‬أﻳﻀﺎ‪.‬‬
‫اﻟﺘﻌﻤﻴﻢ ﻋﻦ ﻃﺮﻳﻖ اﻟﻔﺼﻞ ‪.disjunction‬‬
‫واﻟﻄﺮﻳﻘﺔ اﻟﺜﺎﻟﺜﺔ ﻫﻲ إﺿﺎﻓﺔ اﺧﺘﻴﺎرات إﻟﻰ اﻟﻘﺎﻋﺪة ﺑﺎﺳﺘﺨﺪام أداة اﻟﻔﺼﻞ‬
‫ا‪7‬ﻨﻄﻘﻴﺔ »أو« آو واﻟﺘﻲ ﻣﺜﻞ اﻟﻄﺮﻳﻘﺔ اﻟﺴﺎﺑﻘﺔ ﲡﻌﻞ اﻟﻘﺎﻋﺪة أﻛﺜﺮ ﻋﻤﻮﻣﻴﺔ‪.‬‬
‫اﻓﺮض أﻧﻨﺎ ﻧﺮﻳﺪ ﺗﻌﻠﻴـﻢ ﻓـﻜـﺮة ‪ HONOR‬ﻓﻲ ﻟﻌﺒﺔ اﻟﺒﺮﻳﺪج‪ ،‬ﻓﺒﺈﻋﻄﺎء اﻷﻣـﺜـﻠـﺔ‬
‫اﻟﺘﺎﻟﻴﺔ‪:‬‬
‫ﻣﺜﺎل‪ :٤-‬رﺗﺒﺔ )‪(x) HONOR < : :(١٠ ،x‬‬
‫ﻣﺜﺎل‪ :٥-‬رﺗﺒﺔ )‪ ،x‬وﻟﺪ(‪(x) HONOR < : :‬‬
‫ﻣﺜﺎل‪ :٦-‬رﺗﺒﺔ)‪ ،x‬ﺑﻦ(‪(X) HONOR < : :‬‬
‫ﻣﺜﺎل‪ :٧-‬رﺗﺒﺔ )‪ ،x‬ﺷﺎﻳﺐ(‪(x) HONOR < : :‬‬
‫ﻣﺜﺎل‪ :٨-‬رﺗﺒﺔ )‪ ،x‬آس( ‪(x) HONOR‬‬
‫ﻳﻌﻄﻲ اﻟﺘﻌﻤﻴﻢ ﺑﺎﺳﺘﺨﺪام اﻟﻔﺼﻞ ا‪7‬ﻨﻄﻘﻲ اﻟﻘﺎﻋﺪة اﻟﺘﺎﻟﻴﺔ‪:‬‬
‫ﻗﺎﻋـﺪة ‪ .٢‬رﺗﺒـﺔ )‪ (١٠ ،x‬أو رﺗﺒـﺔ )‪ ،x‬وﻟﺪ( أو رﺗـﺒـﺔ )‪ ،x‬ﺑﻨﺖ( أو رﺗـﺒـﺔ )‪،x‬‬
‫ﺷﺎﻳﺐ( أو رﺗﺒﺔ )‪،x‬آس(‪.‬‬
‫)‪(x) (HONOR‬‬
‫وﻫﺬا اﻟﺘﻌﻤﻴﻢ ﻓﻲ اﻟﻮاﻗﻊ أﻗﻞ ﻣﺠﺎزﻓﺔ ﻣﻦ اﻟﺘﻌﻤﻴﻤﺎت اﻟﺴﺎﺑﻘﺔ‪.‬‬

‫اﻟﺘﻌﻤﻴﻢ اﻟﻜﻤﻲ‪:‬‬
‫ﻟﻨﻔﺘﺮض أن ﻟﺪﻳﻨﺎ ﻓﺮدﻳﻦ ﻣﻦ ﻣﺠﻤﻮﻋﺔ أﻓﺮاد ﻧﻘﻮم ﺑـﺪراﺳـﺘـﻬـﺎ‪ ،‬ووﺟـﺪﻧـﺎ‬

‫‪250‬‬
‫اﻟﺒﺮاﻣﺞ اﻟﻘﺎﺑﻠﺔ ﻟﻠﺘﻌﻠﻢ‬

‫أﻧﻬﻤﺎ ﻳﺸﺘﺮﻛﺎن ﺑﺨﺎﺻﻴﺔ ﻣﺎ ﺑﺪرﺟﺎت ﻣﺘﻔﺎوﺗﺔ ﻧﺮﻣـﺰ ﻟـﻬـﻤـﺎ ب أ‪ ،‬ب‪ ،‬ﻓـﻴـﻜـﻮن‬

‫اﻓﺘﺮاض وﺟﻮد ﻫﺬه اﳋﺎﺻﻴﺔ ﻓﻲ ﺟﻤﻴﻊ أﻓﺮاد اﺠﻤﻟﻤﻮﻋـﺔ ﺑـﺪرﺟـﺎت ﺗـﺘـﺮاوح‬
‫ﺑ‪ T‬أ و ب ﺗﻌﻤﻴﻢ ﻣﻨﻄﻘﻲ‪ .‬وﻣﻦ اﻟﻮاﺿﺢ أن اﺣﺘﻤﺎل اﳋـﻄـﺄ ﻳـﺘـﻀـﺎءل ﻛـﻠـﻤـﺎ‬
‫زادت اﻷﻣﺜﻠﺔ‪.‬‬

‫اﻟﺘﻌﻤﻴﻢ ﺑﺘﺘﺒﻊ ﻣﺴﺎر اﻟﺸﺠﺮة‪.‬‬

‫ﲢﺪد اﻟﺸﺠﺮة ﻓﻲ ‪ ٣-١٩‬ﻫﻴﺌﺔ اﻷﺷﻜﺎل ا‪7‬ﺴﻄﺤﺔ‪ ،‬ﻓﺈذا أﻋﻄﻴﻨﺎ ا‪7‬ﻌﻠﻮﻣﺎت‬
‫اﻟﺘﺎﻟﻴﺔ‪:‬‬
‫ﺷﻜﻞ )‪ ،x‬ﻣﺴﺘﻄﻴﻞ(‪ < : :‬أزرق )‪(x‬‬
‫ﺷﻜﻞ )‪ ،x‬ﻣﺜﻠﺚ(‪ < : :‬أزرق )‪(x‬‬
‫ﻓﺒﺘﺘﺒﻊ ﻣﺴﺎرات اﻟﺸﺠﺮة ﻧﺘﻮﺻﻞ إﻟﻰ اﻟﺘﻌﻤﻴﻢ اﻟﺘﺎﻟﻲ‪:‬‬
‫ﺷﻜﻞ )‪ ،x‬ﻣﻀﻠﻊ(‪ < : :‬أزرق )‪(x‬‬
‫†ﻌﻨﻰ أﻧﻪ إذا ﻋﺮﻓﻨﺎ أن ﺟﻤﻴﻊ أﻓﺮاد ﻣﺠﻤﻮﻋﺔ ‪ x‬اﻟﺬﻳﻦ ﻋﻠﻰ ﺷﻜﻞ ﻣﺜﻠﺚ‬
‫أو ﻣﺴﺘﻄﻴﻞ ذوو ﻟﻮن أزرق‪ .‬ﻓﺈﻧﻨﺎ ﻧﺴﺘﻨﺘﺞ أن ﻛﻞ اﻷﺷﻜﺎل ا‪7‬ﻀﻠﻌﺔ ﻣﻦ ﻣﺠﻤﻮﻋﺔ‬
‫‪ x‬ذوو ﻟﻮن أزرق‪.‬‬
‫ 
‬

‫‬ ‫ ‬

‫  ‬ ‫‬ ‫‬ ‫ ‬

‫ﺑﺮﻧﺎﻣﺞ وﻳﻨﺴﺘﻮن ‪Winston program‬‬

‫ﻣﻦ أﻣﺜﻠﺔ ﺑﺮاﻣـﺞ اﻟـﺘـﻌـﻠـﻢ ا‪7‬ـﻌـﺮوﻓـﺔ ذﻟـﻚ اﻟـﺒـﺮﻧـﺎﻣـﺞ اﻟـﺬي ﻛـﺘـﺒـﻪ ﺑـﺎﺗـﺮﻳـﻚ‬
‫وﻳﻨﺴﺘﻮن)‪ (١١‬ﺑﻌﻬﺪ ﻣﺎﺳﻮﺗﺸﻮﺳﺘﺲ ﻟﻠﺘﻘﻨﻴﺔ ﺣﻴﺚ ﻳﻘﻮم اﻟﺒﺮﻧﺎﻣﺞ ﺑﺘﻌﻠﻴﻢ ﻣﻔﻬﻮم‬
‫اﻟﻘﻨﻄﺮة وﻳﻮﺿـﺢ ﺷـﻜـﻞ ‪ ٤-١٩‬ﻛﻴﻒ ‪v‬ﻜﻦ أن ﺗﻘﻮد اﻷﻣﺜﻠﺔ ا‪7‬ـﺘـﺪرﺟـﺔ ﺑـﻌـﻨـﺎﻳـﺔ‬
‫ﻋﻤﻠﻴﺔ اﻟﺘﻌﻠﻢ‪ .‬ﻓﺘﻌﻄﻰ اﻟﺼﻮرة اﻷوﻟﻰ ا‪7‬ﺜﺎل اﻟﺼﺤﻴﺢ ﻟﻠﻤﻔﻬﻮم ا‪7‬ﺮاد ﺗﻌﻠﻤـﻪ‪،‬‬
‫ﺑﻴﻨﻤﺎ ﺗﻌﻄﻰ اﻟﺼﻮرة اﻟﺜﺎﻧﻴﺔ ﻣﺜﺎﻻ ﻟﻠﺨﻄﺄ اﻟﻘﺮﻳﺐ ‪ ،near miss‬ﻫﻲ ﻓﻜﺮة ﻫﺎﻣﺔ‬
‫ﻟﻮﻳﻨﺴﺘﻮن ﻟﺘﺒ‪ T‬ﺧﻄﺄ ﻓﻲ ﺷﺮط واﺣﺪ ﻓﻘﻂ ﻣﻦ اﻟﺸﺮوط اﻷﺳﺎﺳﻴﺔ ﻟﻠﻤﻔﻬﻮم‪،‬‬

‫‪251‬‬
 ‫اﻟﺬﻛﺎء اﻻﺻﻄﻨﺎﻋﻲ‬

‫وﻓﻲ ﻫﺬا ا‪7‬ﺜﺎل ﻫﻮ ﺷﺮط أﻧﻪ ﻳﺠﺐ أن ﺗﻜﻮن ﻫﻨﺎك ﻛﺘﻠﺔ أﻓﻘﻴﺔ ﺗﺮﺗـﻜـﺰ ﻋـﻠـﻰ‬
‫اﻟﻜﺘﻠﺘ‪ T‬اﻟﺮأﺳﻴﺘ‪ ،T‬واﳋﻄﺄ اﻟﻘﺮﻳﺐ ﻓﻲ اﻟﺼﻮرة اﻟـﺜـﺎﻟـﺜـﺔ ﻫـﻮ أن اﻟـﻜـﺘـﻠـﺘـ‪T‬‬
‫اﻟﺮأﺳﻴﺘ‪ T‬ﻗﺪ ﻻﻣﺲ ﻛﻞ ﻣﻨـﻬـﻤـﺎ اﻵﺧـﺮ‪ ،‬وأﺧـﻴـﺮا ﺗـﺒـ‪ T‬اﻟـﺼـﻮرة اﻟـﺮاﺑـﻌـﺔ أن‬
‫ا‪7‬ﻜﻮن اﻷﻓﻘﻲ ﻻ ﻳﺘﺤﺘﻢ أن ﻳﻜﻮن ﻣﺴﺘﻄـﻴـﻼ‪ ،‬ﺑـﻞ ‪v‬ـﻜـﻦ أن ﻳـﻜـﻮن ﻓـﻲ ﺷـﻜـﻞ‬
‫ﻣﻨﺸﻮر‪ .‬وﻳﻌﺮف اﻟﺒﺮﻧﺎﻣﺞ ﻛﻴﻒ ﻳﻨﻘﺢ ﻣﻔﻬﻮﻣﻪ اﻷوﻟﻰ ‪7‬ﺎ ﻳﺠﺐ أن ﺗﻜﻮن ﻋﻠﻴﻪ‬
‫اﻟﻘﻨﻄﺮة وذﻟﻚ ﺑﺎﻻﺳﺘﺒﻌﺎد اﻟﺘﺪرﻳﺠﻲ ﻟﻠﻤﻼﻣﺢ ﻏﻴﺮ اﻷﺳﺎﺳﻴﺔ ﻓﻲ اﻟﺘﻌﺮﻳﻒ‪.‬‬

‫ﻗﻨﻄﺮة‬

‫ﺧﻄﺄ ﺑﺴﻴﻂ‬

‫ﺧﻄﺄ ﺑﺴﻴﻂ‬

‫ﻗﻨﻄﺮة‬

‫ﺷﻜﻞ ‪ ٤-١٩‬ﺗﻌﻠﻢ ﻣﻔﻬﻮم »اﻟﻘﻨﻄﺮة«‪.‬‬

‫ﺗﻌﻠﻢ اﻟﺘﺮاﻛﻴﺐ اﺠﻤﻟﺮدة ‪Learning abstract structures‬‬

‫ﻳﻬﺪف ﺑﺮﻧﺎﻣﺞ دﻳﺘﺮﻳﺶ وﻣﻴـﻜـﺎﻟـﻴـﺴـﻜـﻲ ‪ Dietrich and MichalsKi‬ا‪7‬ﻌـﺮوف‬
‫ﺑﺎﺳﻢ ‪ (١٢)INDUCE‬ﻟﻮﺻﻒ ا‪7‬ﻮاﻗﻒ وا‪7‬ﻔﺎﻫﻴﻢ اﻟﺘﻲ ﺗﺘﻤﻴﺰ ﺑﺄن ﻟﻬﺎ ﺑﻨﻴﺔ داﺧﻠﻴﺔ‪.‬‬
‫ﻓﻔﻲ ﺑﻌﺾ اﻷﺷﻜﺎل ﺗﺪﺧﻞ ا‪7‬ﻜﻮﻧﺎت اﺨﻤﻟﺘﻠﻔﺔ ﻓﻲ ﻋﻼﻓﺎت ﻓﻴﻤﺎ ﺑﻴﻨﻬﺎ ‪v‬ﻜـﻦ‬
‫أن ﺗﻮﺻﻒ ﺑﻜﻠﻤﺘﻲ أﻋﻠﻰ أو أﺳﻔﻞ‪ ،‬وﻋﻠﻰ اﻟﺒﺮﻧﺎﻣﺞ أن ﻳﺠﺪ أﻛﺜـﺮ اﻷوﺻـﺎف‬
‫ﲢﺪﻳﺪا واﻟﺘﻲ ‪v‬ﻜﻦ أن ﺗﺼﻠﺢ ﻛﺘﻌﻤﻴﻢ ﻟﻸﻣﺜﺎل اﻟﺘﺎﻟﻴﺔ‪:‬‬

‫‪252‬‬
‫اﻟﺒﺮاﻣﺞ اﻟﻘﺎﺑﻠﺔ ﻟﻠﺘﻌﻠﻢ‬

‫ﻣﺜﺎل‪ O :١-‬ﻛﺒﻴﺮ)‪ &(u‬داﺋﺮي )‪(u‬‬

‫‪E‬‬
‫& ﻛﺒﻴﺮ)‪ &(v‬داﺋﺮي)‪(v‬‬ ‫‪O‬‬
‫& أﻋﻠﻰ )‪(v ،u‬‬
‫ﻣﺜﺎل‪ :(y, x, w) O :٢-‬ﺻﻐﻴﺮ )‪ & (w‬داﺋﺮي )‪(w‬‬
‫‪E‬‬
‫& ﻛﺒﻴﺮ )‪ & (x‬ﻣﺮﺑﻊ )‪(x‬‬
‫& ﻛﺒﻴﺮ)‪ &(y‬ﻣﺮﺑﻊ )‪(y‬‬
‫& أﻋﻠﻰ )‪ & (x, w‬أﻋﻠﻰ )‪(y ،x‬‬
‫اﻟﺮﻣﺰ ﻣﻌﻨﺎه »ﻳﻮﺟﺪ«‪.‬‬
‫‪E‬‬
‫وﻳﻮﻟﺪ اﻟﺒﺮﻧﺎﻣﺞ اﻟﺘﺮاﻛﻴﺐ اﻟﺘﺎﻟﻴﺔ‪:‬‬
‫ﻣﺜﺎل‪ :(v ،u) :١،-‬أﻋﻠﻰ )‪(v ،u‬‬
‫‪E‬‬
‫ﻛﻤﺜﺎل‪ .(y ،x ،w) :٢،‬أﻋﻠﻰ )‪ & (v ،u‬أﻋﻠﻰ )‪(y،x‬‬
‫‪E‬‬
‫وﻣﻨﻪ ﻧﺴﺘﻨﺘﺞ اﻟـﺸـﺮط اﻟـﺘـﺎﻟـﻲ ﺷـﺮط ت أﻋـﻠـﻰ )‪ ،(v ،u‬اﻟﺬي ‪v‬ﺜـﻞ أﻛـﺜـﺮ‬
‫اﻟﺘﻌﻤﻴﻤﺎت ﲢﺪﻳﺪا ﺑﻴﻨﻤﺎ ﻻ ﻳﺘﻨﺎﻗﺾ ﻣﻊ اﻷﻣﺜﻠﺔ ا‪7‬ﻌﻄﺎة‪.‬‬
‫و‪v‬ﻜﻦ أن ﻳﻜﻮن اﻟﺘﻤﺜﻴﻞ ﺑﻮاﺳﻄﺔ ﻣﺘﺠﻪ ﺗﺮﻛﻴﺒﻲ ‪ > syntactic vector:‬ﺣﺠﻢ‬
‫)‪ ،(u‬ﺷﻜﻞ )‪،(u‬ﺣﺠﻢ )‪،(v‬ﺷﻜﻞ )‪<(v‬‬
‫واﻟﺘﻲ ‪v‬ﻜﻦ ﻓﻲ ﺿﻮﺋﻬﺎ إﻋﺎدة ﻛﺘﺎﺑﺔ اﻷﻣﺜﻠﺔ أﻋﻼه ﺑﺎﻟﺸﻜﻞ اﻟﺘﺎﻟﻲ‪:‬‬
‫ﻣﺜﺎل‪) :١ ،-‬ﻛﺒﻴﺮ‪ ،‬داﺋﺮي‪ ،‬ﻛﺒﻴﺮ‪ ،‬داﺋﺮي(‬
‫ﻣﺜﺎل‪) :٢ ،،-‬ﺻﻐﻴﺮ‪ ،‬داﺋﺮي‪ ،‬ﻛﺒﻴﺮ‪ ،‬ﻣﺮﺑﻊ(‬
‫ﻣﺜﺎل‪) :٢ ,,,-‬ﻛﺒﻴﺮ‪ ،‬ﻣﺮﺑﻊ‪ ،‬ﻛﺒﻴﺮ‪ ،‬ﻣﺮﺑﻊ(‬
‫و†ﻘﺎرﻧﺔ ﻣﺜﺎل‪ ١ ، ،-‬وﻣﺜﺎل‪† ٢ ، ،‬ﺜﺎﻟﻲ‪ ١ ، ،‬و‪ ،٢ ,,,‬ﻳﺠﺪ اﻟﺒﺮﻧﺎﻣﺞ اﺨﻤﻟﺼﺺ‬
‫ﻹﻳﺠﺎد اﻟﺘﻌﻤﻴﻢ اﻷدﻧﻰ اﻟﻮﺻﻒ اﻟﺘﺎﻟﻲ‪:‬‬
‫)×‪ ،‬داﺋﺮي‪ ،‬ﻛﺒﻴﺮ‪ (×،‬و )ﻛﺒﻴﺮ‪ ،× ،‬ﻛﺒﻴﺮ‪(× ،‬‬
‫ﺣﻴﺚ »×« ﺗﻌﻨﻲ أن اﻟﺼﻔﺔ ا‪7‬ﻘﺎﺑﻠﺔ ﻟﻬﺎ ﻏﻴﺮ ﻣﻬﻤﺔ‪.‬‬
‫وﺑﺎﺳﺘﺨﺪام اﻟﻌﻼﻗﺔ اﻟﺒﻨﻴﻮﻳﺔ ﳒﺪ ﻣﺎ ﻳﻠﻲ‪:‬‬
‫ﺷﺮط‪ :(v ،u) :١-‬أﻋﻠﻰ )‪ & (v ،u‬داﺋﺮى )‪ & (u‬ﻛﺒﻴﺮ )‪(v‬‬
‫‪E‬‬
‫ﺷﺮط‪ :(v ،u) :٢-‬أﻋﻠﻰ )‪ & (v ،u‬ﻛﺒﻴﺮ )‪ & (u‬ﻛﺒﻴﺮ )‪(v‬‬
‫‪E‬‬
‫وﻳﻌﻨﻲ ﻫﺬا ﺑﻜﻠﻤﺎت أﺧﺮى‪ :‬ﻳﻮﺟﺪ ﺷﻲء ﻣﺎ ﻛﺒﻴﺮ أﻋﻠﻰ ﺷﻲء ﻣﺎ ﻛﺒﻴﺮ آﺧﺮ‬
‫وﻳﻮﺟﺪ ﺷﻲء داﺋﺮي أﻋﻠﻰ ﺷﻲء ﻛﺒﻴﺮ‪ .‬و‪v‬ﻜﻦ أن ﻳـﻌـﻄـﻲ ﻫـﺬا إﺟـﺎﺑـﺔ ﺟـﻴـﺪة‬
‫ﻟﺴﺆال وﺿﻊ ﻛﺎﺧﺘﺒﺎر ﻟﻠﻤﻼﺣﻈﺔ‪.‬‬

‫‪253‬‬
 ‫اﻟﺬﻛﺎء اﻻﺻﻄﻨﺎﻋﻲ‬

‫وﻫﻨﺎك أﻋﻤﺎل أﺧﺮى ﻣﺸﺎﺑﻬﺔ ﻗﺎم ﺑﻮﺻﻔﻬﺎ ﻛﻮدراﺗﻮف ‪.(١٣)kodratoff‬‬

‫ﺑﺮﻧﺎﻣﺞ ‪AQ 11‬‬

‫ﻧﺼﻒ ﻓﻲ ﻫﺬا اﳉﺰء ﻣﻨﻬﺠﺎ ﺑﺪﻳﻼ ﻟﻠﻄﺮق اﻟﺘﻘﻠﻴﺪﻳﺔ ﻟـﺘـﻜـﻮﻳـﻦ اﻟـﻘـﻮاﻋـﺪ‬
‫اﻹﻧﺘﺎﺟﻴﺔ ﺑﺈﺟﺮاء ﺣﻮار ﻣﻊ اﳋﺒﻴﺮ اﻟﺒﺸﺮي ا‪7‬ـﺘـﺨـﺼـﺺ ﻓـﻲ اﺠﻤﻟـﺎل‪ .‬ﻓـﻌـﻠـﻰ‬
‫اﻟﺮﻏﻢ ﻣﻦ اﺗﺨﺎذ اﳋﺒﻴﺮ اﻟﺒﺸﺮي ﻗﺮارات ﺻﺤﻴﺤﺔ ﻓﻲ ﻣﻌﻈﻢ اﳊﺎﻻت‪ ،‬إﻻ‬
‫أﻧﻪ ﻋﺎدة ﻣﺎ ﻳﺠﺪ ﺻﻌﻮﺑﺔ ﻓﻲ ﺷﺮح اﻟﻜﻴـﻔـﻴـﺔ اﻟـﺘـﻲ ﺗـﻮﺻـﻞ ﺑـﻬـﺎ ﻻﺗـﺨـﺎذ ﻫـﺬه‬
‫اﻟﻘﺮارات‪ ،‬وﻛﺜﻴﺮا ﻣﺎ ﻳﻨﺴﻰ ذﻛﺮ ﻣﻌﺎﻳﻴﺮ ﻣﻌﻴﻨﺔ )اﻟﺘﻲ أﺧﺬﻫﺎ ﻓﻲ اﻻﻋﺘﺒﺎر دون‬
‫أن ﻳﻌﻲ(‪ ،‬ﻛﻤﺎ أﻧﻪ ﻻ ﻳﻌﻄﻲ ﺗﻘﻮ‪v‬ﺎ دﻗﻴﻘﺎ ‪7‬ﺪى ﻗﻮة اﻟﻨﺘﺎﺋﺞ اﻟﺘﻲ ﺗﻮﺻﻞ إﻟﻴﻬﺎ‪.‬‬
‫وﻳﺘﻤﺜﻞ ا‪7‬ﻨﻬﺞ اﳉﺪﻳﺪ اﻟﺬي ﻧﻄﺮﺣﻪ ﻫﻨﺎ ﻓﻲ وﺿﻊ ا‪7‬ﻌﻠﻮﻣﺎت ا‪7‬ﺘـﻀـﻤـﻨـﺔ‬
‫ﻓﻲ اﻷﻣﺜﻠﺔ ا‪7‬ﻌﺮوﻓﺔ ﻓﻲ ﺷﻜﻞ ‪v‬ﻜﻦ ﺑﺮاﻣﺞ اﻟﺘﻌﻠﻢ ﻣﻦ اﺳﺘﺨﺪاﻣﻬﺎ‪ .‬وأﺑـﺴـﻂ‬
‫ﻃﺮﻳﻘﺔ ﻟﺘﺤﻘﻴﻖ ذﻟﻚ ﻫﻲ ﺻﻴﺎﻏﺔ اﻷﻣﺜﻠﺔ ﺑﻨﻔﺲ اﻟﺼﻮرة اﻟﺘﺮﻛﻴﺒﻴﺔ ﻟﻠـﻘـﻮاﻋـﺪ‬
‫اﻟﺘﻲ ﺳﻮف ﺗﻜﺘﺸﻒ‪.‬‬
‫وﻗﺪ اﺳﺘﺤﺪث ﺑﺮﻧﺎﻣـﺞ ‪ AQ11‬ﺑﻮاﺳﻄﺔ رﻳﺰارد ﻣﻴﻜﺎﻟﻴﺴـﻜـﻰ‪RysZard Mi-‬‬
‫‪ (١٤)chalski‬ﺑﺠﺎﻣﻌﺔ اﻟﻴﻨﻮي‪ ،‬وﻗﺪ اﺳﺘﺨﺪم ﻟﺘﻄﻮﻳﺮ ﻗﻮاﻋﺪ ﺗﺸﺨﻴﺺ اﻷﻣﺮاض‬
‫اﻟﺘﻲ ﺗﺼﻴﺐ ﻧـﺒـﺎت اﻟـﺼـﻮﻳـﺎ)‪ .(١٥‬وﲢﺘﻮي اﻷﻣﺜﻠﺔ ا‪7‬ﻌـﺮوﻓـﺔ ﻋـﻠـﻰ وﺻـﻒ ‪٦٣٠‬‬
‫ﻣﺮﺿﺎ ﻣﻦ أﻣﺮاض اﻟﻨﺒﺎﺗﺎت‪ ،‬ﻳﻌﺒﺮ ﻋﻨﻬﺎ ﻛﻤﺠﻤﻮﻋﺎت زوﺟﻴﺔ ﻣﻦ ا‪7‬ﻌﺎﻳـﻴـﺮ ﻟـﻢ‬
‫اﻟﻘﻴـﻢ‪ puameter value pairs/‬واﻟﺘﺸﺨﻴﺺ ا‪7‬ﻌﺮوف‪ ،‬وﻳﺒﻠﻎ ﻋﺪد اﻟﺸﺨـﺼـﻴـﺎت‬
‫اﶈﺘﻤﻠﺔ ﺧﻤﺴﺔ ﻋﺸﺮ وﻫﻨﺎك ‪ ٣٥‬ﻣﻦ ا‪7‬ﻌﺎﻳﻴﺮ اﻟﺘﻲ ‪v‬ﻜﻦ ﻟﻜﻞ ﻣﻨﻬﺎ أن ﻳﺘﺨﺬ‬
‫ﻗﻴﻤﺔ ﺗﺘﺮاوح ﺑ‪ ٧٬٢ T‬وﻛﺎن ﻋﺪد اﻷﻋﺮاض ا‪7‬ﻤﻜﻨﺔ ﺣﻮاﻟﻲ ﻋﺸﺮة)‪.(١٥‬‬
‫وﻫﺬا ﻫﻮ ﻣﺜﺎل ﻟﻘﺎﻋﺪة أﻋﻄﺎﻫﺎ اﳋﺒﻴﺮ اﻟﺒﺸﺮي‪:‬‬
‫إذا ﻛﺎﻧﺖ أوراق اﻟﻨﺒﺎت ﻋﺎدﻳﺔ & واﻟﺴﺎق ﻏﻴﺮ ﻋﺎدﻳﺔ‬
‫& وﻋﻨﻖ اﻟﻨﺒﺎت ﺑﻪ آﻓﺔ‬
‫& واﻟﺴﺎق ﺑﻬﺎ آﻓﺔ‪ ،‬وﻟﻮﻧﻬﺎ ﺑﻨﻲ‬
‫إذن ﻳﻜﻮن ﺟﺬر اﻟﻨﺒﺎت ﻗﺪ ﺗﻌﻔﻦ ﻹﺻﺎﺑﺘﻪ ﺑﻔﻄﺮ اﻷروﻣﺔ وﲢﻮل ﺧﻮارزﻣﻴﺔ‬
‫اﻟﺒﺮﻧﺎﻣﺞ ﻣﺸﻜﻠﺔ اﻛﺘﺸﺎف اﻟﻘﻮاﻋﺪ اﻟﺘﻲ ‪n‬ﻴﺰ اﳊﺎﻻت إﻟﻰ ﻣﺴﺄﻟﺔ ﺗﻌﻠﻢ ﺳﻠﺴﻠﺔ‬
‫ﻣﻦ ا‪7‬ﻔﺎﻫﻴﻢ‪ .‬وﻫﻲ ﻓﻲ أول اﻷﻣﺮ ﺗﻨﻈﺮ ﻓﻲ ﺟﻤﻴﻊ اﻷﻣﺜﻠﺔ ا‪7‬ﺆﻳﺪة ﻟﺘﺸﺨﻴﺺ‬
‫ﻣﻌ‪ ،T‬ﺛﻢ ﺗﻀﻊ وﺻﻔﺎ ﻋﺎﻣﺎ ﺑﺪرﺟﺔ ﻛﺎﻓﻴﺔ ﺑﺤﻴﺚ ﻳﺘﻔﻖ ﻣﻊ ﺟﻤﻴﻊ اﻷﻣﺜﻠﺔ دون‬
‫اﺳﺘﺜﻨﺎء‪ .‬وﺗﻘﻮم ﺑﻌﺪ ذﻟﻚ ﺑﺘﺤﺪﻳﺪ ﻫﺬا اﻟﻮﺻﻒ ﺣﺘﻰ ﻳﺴﺘﺒﻌﺪ ﺟﻤﻴﻊ اﻷﻣﺜﻠـﺔ‬

‫‪254‬‬
‫اﻟﺒﺮاﻣﺞ اﻟﻘﺎﺑﻠﺔ ﻟﻠﺘﻌﻠﻢ‬

‫ا‪7‬ﻌﺎﻛﺴﺔ )أي ﺟﻤﻴﻊ اﻷﻣﺜﻠﺔ ا‪7‬ﺆﻳﺪة ﻟﻠﺘﺸﺨﻴﺼﺎت اﻷﺧﺮى(‪ ،‬وﻫﻜﺬا ﺗﻜﺮر اﻟﻌﻤﻠﻴﺔ‬
‫ﻟﻜﻞ ﺗﺸﺨﻴﺺ‪ .‬وﻳﺨﺘﺎر اﻟﺒﺮﻧﺎﻣﺞ اﻷﻣﺜﻠﺔ اﻟﺘﻲ ﺗﺨﺘﻠﻒ ﻓﻴﻤﺎ ﺑﻴﻨﻬﺎ ﻛﺜﻴﺮا داﺧﻞ‬
‫إﻃﺎر اﻟﻌﻴﻨﺔ‪ ،‬ﻷﻧﻬﺎ أﻛﺜﺮﻫﺎ أﻫﻤﻴﺔ‪ .‬وﻗﺪ اﺧﺘﺎر اﻟﺒﺮﻧﺎﻣﺞ ﻓﻲ ﺣﺎﻟﺘﻨﺎ ﻫﺬه ﻋﻴﻨﺔ‬
‫ﺗـﻀـﻢ ‪ ٢٩٠‬ﻧﺒﺎت ﻟﻌﻤﻠﻴـﺔ اﻟـﺘـﻌـﻠـﻢ‪ ،‬ﺗـﺎرﻛـﺎ ﺑـﺎﻗـﻲ اﻟـﻨـﺒـﺎﺗـﺎت وﻳـﺒـﻠـﻎ ﻋـﺪدﻫـﺎ ‪٣٤٠‬‬
‫ﻻﺳﺘﺨﺪاﻣﻬﻢ ﻓﻲ اﺧﺘﺒﺎر ﺻﺤﺔ اﻟﻘﻮاﻋﺪ ا‪7‬ﺴﺘﻤﺪة ﻣﻦ اﻟﻌﻴﻨﺔ )‪ ٢٩٥‬ﻧﺒﺎت(‪.‬‬
‫وﺗﺆدي ﻋﻤﻠﻴﺔ اﻟﺘﻌﻠﻢ ﻫﺬه إﻟﻰ ﺑﻨﺎء ﺑﺮﻧﺎﻣﺞ ﺧﺒﻴﺮ; ﻓﻠﻨﺴﻤﻴﻪ ‪ ،PL‬وﻟﻨﺴﻤﻲ‬
‫اﻟﺒﺮﻧﺎﻣﺞ ا‪7‬ﻤﺎﺛﻞ اﻟﺬي ﻳﺘﺒﻊ اﻟﻄﺮﻳﻘﺔ اﻟﺘﻘﻠﻴﺪﻳﺔ ﻓﻲ اﳊﻮار ﻣﻊ اﳋﺒﻴﺮ اﻟﺒﺸﺮي‬
‫‪ .PD‬وﻓﻲ ﺣﺎﻟﺔ ﺑﺮﻧـﺎﻣـﺞ ‪ AQll‬اﻗﺘﺮح اﳋﺒﻴﺮ اﻟﺒﺸﺮي ﺑﻌـﺾ اﻷوﺻـﺎف اﻟـﺘـﻲ‬
‫ﺗﻄﻠﺒﺖ ﺗﻔﺎﺻﻴﻞ أﻛﺜﺮ ﻣﻦ ﺗﻠﻚ اﻟﺘﻲ ﺗﻄﻠﺒﺘﻬﺎ ﺻﻴﻐﺔ ‪ ،AQ11‬ﻣﺜﻞ ﺑﻌﺾ اﻟﻘﻮاﻋﺪ‬
‫اﻟﺘﻲ ﺗﻠﻌﺐ ﻓﻴﻬﺎ ﺑﻌﺾ اﻟﺼﻔﺎت دورا أﺳﺎﺳﻴﺎ‪ ،‬ﺑﻴﻨﻤﺎ ﺗﺴﺘﺨﺪم ﺻﻔﺎت أﺧﺮى‬
‫ﺠﻤﻟﺮد اﻟﺘﺄﻛﻴﺪ‪ .‬ورﻏﻢ ﻫﺬه ا‪7‬ﺮوﻧﺔ اﻟﻜﺒﻴﺮة‪ ،‬ﻓﻘـﺪ وﺟـﺪ أن ‪ PD‬أﻗﻞ ﻛﻔﺎءة ﻣﻦ‬
‫‪ ،PL‬ﻓﻘﺪ ﻛﺎن ﻳﻌﻄﻲ ‪ PL‬اﻟﺘﺸﺨﻴﺺ اﻟﺼﺤﻴﺢ ﻓﻲ ‪ %٩٧٬٦‬ﻣﻦ ﺣﺎﻻت اﻻﺧﺘﺒﺎر‬
‫ﻣﻘﺎﺑﻞ ‪ % ٧١٬٨‬ﻟﺒﺮﻧﺎﻣﺞ ‪ .PD‬وﻋﻼوة ﻋﻠﻰ ذﻟﻚ أﻋﻄﻰ ‪ %١٠٠ PL‬ﻣﻦ اﳊﺎﻻت‬
‫اﻟﺘﻲ ﻗﺪم ﻓﻴﻬﺎ ﻗﺎﺋﻤﺔ ﻗﺼﻴﺮة ﻣﻦ اﻟﺘﺸﺨﻴﺼﺎت اﶈﺘﻤﻠﺔ واﻟﺘﻲ ﻛﺎن ﻣﻦ ﺑﻴﻨﻬﺎ‬
‫اﻟﺘﺸﺨﻴﺺ اﻟﺼﺤـﻴـﺢ ﻣـﻘـﺎﺑـﻞ ‪ % ٩٦٬٩‬ﻟﺒﺮﻧـﺎﻣـﺞ ‪ ،PD‬ﻓﻲ اﻟﻮﻗﺖ اﻟـﺬي ﻛـﺎﻧـﺖ‬
‫ﻗﺎﺋﻤﺔ ‪PL‬أﻗﺼﺮ‪ ،‬وﺑﺎﻟﺘﺎﻟﻲ ‪v‬ﻜﻦ اﺳﺘﺨﺪاﻣﻪ ﻷن ﻧﺴﺒﺔ اﳋﻄﺄ ﻓﻴﻬﺎ أﻗﻞ‪.‬‬
‫وﻟﻴﺲ ﻟﻨﺎ اﳊﻖ ﻓﻲ اﻋﺘﺒﺎر ﻧﺘﺎﺋﺞ ﻫﺬه اﻟﺘﺠﺮﺑﺔ ﻛﺒﺮﻫﺎن ﻋﻠﻰ أن اﻷﻧﻈﻤﺔ‬
‫اﳋﺒﻴﺮة اﻟﺘﻲ ﺗﺒﻨﻲ ﺑﻄﺮﻳﻘﺔ اﻟﺘﻌﻠﻢ ﻫﺬه ﺗﺘﻔﻮق ﺑﺎﻧﺘﻈﺎم ﻋﻠﻰ ﺗﻠﻚ اﻟﺘـﻲ ﺗـﺒـﻨـﻰ‬
‫ﺑﺈﺟﺮاء اﳊﻮار ﻣﻊ اﳋﺒﻴﺮ اﻟﺒﺸﺮي‪ .‬ﻓﻘﺪ ﻛﺎن ﻫـﻨـﺎك ﺗـﻄـﺎﺑـﻖ ﻓـﻲ اﻟـﺒـﺮﻧـﺎﻣـﺞ‬
‫اﻟﺬي ﻧﺎﻗﺸﻨﺎه ﺑ‪ T‬اﻷﻋﺮاض واﻟﺘﺸﺨﻴﺺ‪ .‬وﺳﺘﻌﻤﻞ ﺑﺮاﻣﺞ اﻟﺘﻌﻠﻢ ﺑﻜﻔﺎءة أﻗﻞ‬
‫ﻓﻲ اﻷﺣﻴﺎن اﻟﺘﻲ ﺗﺘﻄﻠﺐ اﺳﺘﺨﺪام ﻧﺘﺎﺋﺞ وﺳﻴﻄﺔ ‪ intermediate conclusions‬أو‬
‫اﻻﺳﺘﺮاﺗﻴﺠﻴﺎت اﻟﺘﻲ ﺗﻌﺘﻤﺪ ﻋﻠﻰ اﻟﻨﺘﺎﺋﺞ‪ .‬ﻛﻤﺎ أن اﻟﺼﻮر اﻟﺘﺮﻛﻴﺒﻴﺔ اﻟﺘﻲ ﻳﻮﻟﺪﻫﺎ‬
‫اﻟﺒﺮﻧﺎﻣﺞ ﻣﺤﺪودة اﺠﻤﻟﺎل‪ ،‬ﺑﻴﻨﻤـﺎ ﻳـﺴـﺘـﺨـﺪم اﳋـﺒـﻴـﺮ اﻟـﺒـﺸـﺮي ﺻـﻮرا أﺧـﺮى‬
‫ﻟﻼﺳﺘﺪﻻل ﺑﺎﻹﺿﺎﻓﺔ إﻟﻰ اﻟﻘﻮاﻋﺪ اﻹﻧﺘﺎﺟﻴﺔ‪ ،‬ﺑﻞ ﻳﺴﺘﺨﺪم ﻋﺪة أﺷـﻜـﺎل ﻓـﻲ‬
‫اﺳﺘﺨﺪاﻣﻪ ﻟﻠﻘﻮاﻋﺪ اﻹﻧﺘﺎﺟﻴﺔ? ﺑﻌﻀﻬﺎ ﻳﺆدي إﻟﻰ اﻟﺘﺸـﺨـﻴـﺼـﺎت اﶈـﺘـﻤـﻠـﺔ‪،‬‬
‫وﺑﻌﻀﻬﺎ ﻳﺴﺎﻋﺪ ﻓﻲ اﻟﺘﺄﻛﺪ ﻣﻦ اﻟﺘﺸﺨﻴﺺ اﻟﺼﺤﻴﺢ‪ .‬وﻣﻦ اﻟﺼﻌﺐ ﲢـﻘـﻴـﻖ‬
‫ﻫﺬا اﻟﺘﻤﻴﻴﺰ ﺑﻮاﺳﻄﺔ ﺑﺮﻧﺎﻣﺞ اﻟﺘﻌﻠﻢ‪.‬‬
‫وﻗﺪ ﺣﻤﻠﺖ ﺑﻌﺾ اﻟﻘﻮاﻋﺪ اﻟﺘﻲ ﻳﻮﻟﺪﻫﺎ‪ PL‬ﺑﺼﻮر ﻣﻨﻄﻘﻴﺔ أﻛﺜﺮ ﻣﻦ اﻟﻼزم‪،‬‬
‫و‪v‬ﻜﻦ ﺗﺒﺴﻴﻄﻬﺎ‪ ،‬إﻻ إذ اﻟﺒﺮﻧﺎﻣﺞ ﻟﻴﺲ ﻟﺪﻳﻪ ا‪7‬ﻌﺮﻓﺔ اﻟﺒﺪﻳﻬﻴﺔ اﻟﺘﻲ ‪n‬ﻜﻨﻪ ﻣﻦ‬

‫‪255‬‬
 ‫اﻟﺬﻛﺎء اﻻﺻﻄﻨﺎﻋﻲ‬

‫ﺗﺒﺴﻴﻄﻬﺎ‪ .‬وﻣﻊ ﻫﺬا‪ ،‬ﻓﺈن اﻹﳒﺎز ﻣﺪﻫـﺶ‪ ،‬و‪v‬ـﻜـﻦ اﺳـﺘـﺨـﺪام اﻟـﺘـﻘـﻨـﻴـﺔ ﻓـﻲ‬
‫ﻣﺠﺎﻻت أﺧﺮى ﻣﺸﺎﺑﻬﺔ‪ .‬وﻗﺪ اﺳﺘﺤﺴﻦ اﳋﺒﺮاء ﻣﻌﻈـﻢ ﻗـﻮاﻋـﺪ اﻟـﺒـﺮﻧـﺎﻣـﺞ‪.‬‬
‫وﺑﺸﻜﻞ ﻋﺎم ﻳﺒﺪو أﻧﻪ ﻳﺠﺐ اﻟﻨﻈﺮ إﻟﻰ ﻃﺮق اﻟﺘﻌﻠﻢ ﻛﺄداة ﺗﻌﺎون اﳋﺒـﻴـﺮ ﻓـﻲ‬
‫وﺿﻊ ﻗﻮاﻋﺪه‪ ،‬وﻛﻄﺮﻳﻘﺔ ﺟﺪﻳﺪة ﻟﻠﺘﻌﺎون ﺑ‪ T‬ﻋﺎﻟﻢ ا‪7‬ﻌﻠﻮﻣﺎت واﳋﺒﻴﺮ اﻟﺒﺸﺮي‬
‫ﻓﻲ اﺠﻤﻟﺎل‪.‬‬

‫ﺑﺮﻧﺎﻣﺞ ‪AM‬‬
‫‪ (١٦)Douglas Lenat‬ﺑﺠﺎﻣﻌﺔ ﺳﺘﺎﻧﻔﻮرد‪،‬‬ ‫ﻛﺘﺐ ﻫﺬا اﻟﺒﺮﻧﺎﻣﺞ دوﺟﻼس ﻟﻴﻨﺎت‬
‫وﻫﻮ ﻮذج ﻣﺪﻫﺶ ﻟﺒﺮﻧﺎﻣﺞ ﻗﺎدر ﻋﻠﻰ ﺗﻮﻟﻴﺪ ا‪7‬ﻔـﺎﻫـﻴـﻢ ﺑـﺎﺳـﺘـﺨـﺪام اﳊـﺠـﺔ‬
‫ا‪7‬ﻌﺮﻓﻴﺔ ا‪7‬ﻤﺎﺛﻠﺔ ﻟﺘﻠﻚ ا‪7‬ﺴﺘﺨﺪﻣﺔ ﻓﻲ ﺑـﺮاﻣـﺞ اﻟـﺘـﻌـﻠـﻢ‪ .‬وﻟـﻴـﺲ ‪ AM‬ﺑﺮﻧﺎﻣـﺠـﺎ‬
‫ﻟﻠﺘﻌﻠﻢ ﺑﺎ‪7‬ﻌﻨﻰ اﻟﺴﺎﺑﻖ ﺗﻌﺮﻳﻔﻪ ﻷﻧﻪ ﻻ ﻳﺴﺘﺨـﺪم ا‪7‬ـﻌـﺮﻓـﺔ اﳉـﺪﻳـﺪة ﻟـﺘـﺤـﺴـ‪T‬‬
‫أداﺋﻪ‪ ،‬وﻟﻜﻨﻪ ﻳﻌﺪل أﻧﺸﻄﺘﻪ ﻓﻲ ﺿﻮء اﻛﺘﺸﺎﻓﺎﺗﻪ‪ .‬وﻗﺪ أﺿﻔـﻨـﺎه ﻫـﻨـﺎ ﻟـﺘـﻮاﻓـﺮ‬
‫ﺟﻤﻴﻊ إﻣﻜﺎﻧﺎت ﺑﺮاﻣﺞ اﻟﺘﻌﻠﻢ ﻓﻴﻪ‪.‬‬
‫وﻳﺒـﺪأ ﺑـﺮﻧـﺎﻣـﺞ ‪ AM‬ﺑﻘﺎﻋـﺪة ﻣـﻌـﺮﻓـﺔ ﺗـﺘـﻀـﻤـﻦ ‪ ١١٥‬ﻣﻦ ﻣﻔـﺎﻫـﻴـﻢ ﻧـﻈـﺮﻳـﺔ‬
‫اﺠﻤﻟﻤﻮﻋﺎت ﻓﻲ ﺷﻜﻞ ﻛﻴﺎﻧﺎت ﻫﻴﻜﻠﻴﺔ ‪) stmctured objects‬اﻧﻈﺮ اﻟﻔﺼﻞ اﻟﺜﺎﻟﺚ‬
‫ﻋﺸﺮ(‪ ،‬ﺑﺎﻹﺿﺎﻓﺔ إﻟﻰ ﻋﺪد ﻣﻦ اﳊﺠﺞ ا‪7‬ﻌﺮﻓﻴﺔ ﻓﻲ ﺷﻜﻞ ﻗﻮاﻋﺪ إﻧـﺘـﺎﺟـﻴـﺔ‪،‬‬
‫واﻟﺘﻲ ﺑﺘﻄﺒﻴﻘﻬﺎ ﻋﻠﻰ اﻟﻜﻴﺎﻧﺎت اﻷوﻟﻴﺔ ‪v‬ﻜﻦ أن ﺗﻮﻟﺪ أﺧﺮى ﺟﺪﻳﺪة‪.‬‬

‫اﻟﻜﻴﺎﻧﺎت ﻓﻲ ‪AM‬‬
‫ﻳﺘﻤﻴﺰ ﻛﻞ ﻛﻴﺎن †ﺠﻤﻮﻋﺔ ﻗﻴﺎﺳﻴﺔ ‪ standud‬ﻣﻦ اﳋﺼﺎﺋﺺ ? وﻫﻲ اﻟﺘﻌﺮﻳﻒ‪،‬‬
‫اﻷﻣﺜﻠﺔ واﻷﻣﺜﻠﺔ ا‪7‬ﻌﺎﻛﺴﺔ‪ ،‬اﻟﻌﻤﻮﻣﻴﺎت‪ ،‬واﳋﺼﻮﺻﻴﺎت‪ .‬وﻫﻨﺎك أﻳﻀﺎ ﻗﻴﻤﺔ‪،‬‬
‫وﻫﻲ رﻗﻢ ﻳﺮﻣﺰ ﻟﺪرﺟﺔ اﻷﻫﻤﻴﺔ ﻟﻠﻤﻔﻬﻮم‪.‬‬
‫اﻧﻈﺮ ا‪7‬ﺜﺎل اﻟﺘﺎﻟﻲ ﻟﻜﻴﺎن »اﻷﻋﺪاد اﻷوﻟﻴﺔ ‪prime numbers>:‬‬
‫اﻻﺳﻢ‪ :‬اﻷﻋﺪاد اﻷوﻟﻴﺔ‬
‫اﻟﺘﻌﺮﻳﻒ‪:‬‬
‫اﻷﺻﻞ‪ :‬ﻋﺪد ﻣﻦ اﻟﻘﻮاﺳﻢ ‪2=(x) divisors‬‬
‫ﺣﺴﺎب اﶈﻤﻮل‪ :‬اوﻟﻲ )‪ ١ = y < = (x ١ y) (y ) = (x‬أو ‪y = x‬‬
‫‪A‬‬
‫أﻣﺜﻠﺔ‪٢٣٬١٣٬١١٬٧٬٥٬٣٬٢ :‬‬
‫اﻟﻌﻤﻮﻣﻴﺎت‪ :‬أﻋﺪاد ﺻﺤﻴﺤﺔ‬

‫‪256‬‬
‫اﻟﺒﺮاﻣﺞ اﻟﻘﺎﺑﻠﺔ ﻟﻠﺘﻌﻠﻢ‬

‫أﻋﺪاد ﺻﺤﻴﺤﺔ ﻟﻬﺎ رﻗﻢ زوﺟﻲ ﻣﻦ اﻟﻘﻮاﺳﻢ‬

‫اﳋﺼﻮﺻﻴﺎت‪ :‬أﻋﺪاد ﺻﺤﻴﺤﺔ زوﺟﻴﺔ‬
‫أﻋﺪاد ﺻﺤﻴﺤﺔ ﻓﺮدﻳﺔ‬
‫أزواج ﻣﻦ اﻷﻋﺪاد اﻟﺼﺤﻴﺤﺔ‬
‫اﻟﻘﻴﻤﺔ‪) ٨٠٠ :‬اﻧﻈﺮ ﺣﻢ ‪ ٢‬أدﻧﺎه(‬
‫وﻳﺴﺘﺨﺪم ﺑﺮﻧـﺎﻣـﺞ ‪AM‬اﻷرﺑﻊ ﻗﻮاﻋﺪ ﻣﻦ اﳊﺠﺞ ا‪7‬ﻌﺮﻓﻴﺔ )ﺣﻢ( اﻟـﺘـﺎﻟـﻴـﺔ‬
‫ﻛﺜﻴﺮا‪ ،‬وﻫﻲ ﺗﺴﺎﻋﺪﻧﺎ ﻋﻠﻰ أن ﻧﺮى ﺑﺎﻟﻀﺒﻂ ﻛﻴﻒ ﻳﺴـﻴـﺮ اﻟـﺒـﺮﻧـﺎﻣـﺞ ﻹﻳـﺠـﺎد‬
‫ﻣﻔﺎﻫﻴﻢ ﺟﺪﻳﺪة‪.‬‬
‫ﺣﻢ‪ :١-‬إذا ﻛﺎﻧﺖ اﳋﺼﻮﺻﻴﺎت ‪7‬ﻔﻬﻮم )م( ﻣﺎ ﻗﺪ „ ﺗﻮﻟﻴﺪﻫﺎ‪ ،‬وإذا ﻛﺎﻧﺖ‬
‫ا‪7‬ﻬﻤﺔ اﳊﺎﻟﻴﺔ ﻫﻲ إﻳﺠﺎد أﻣﺜﻠﺔ ﻟﻜﻞ ﻣﻦ ﻫﺬه اﳋﺼﻮﺻﻴﺎت‪.‬‬
‫إذن ﻗﺪ ﺗﻜﻮن اﻷﻣﺜﻠﺔ ا‪7‬ﻌﺮوﻓﺔ ﻟﻠﻤﻔﻬﻮم )م( ﻫﻲ أﻳﻀﺎ أﻣﺜﻠﺔ ﻟﺒﻌﺾ ا‪7‬ﻔﺎﻫﻴﻢ‬
‫اﳋﺼﻮﺻﻴﺔ اﳉﺪﻳﺪة‪.‬‬
‫ﺣﻢ‪ :٢-‬إذا وﺟﺪ أن ﺟﻤﻊ اﻷﻣﺜﻠﺔ ﻟﻠﻤﻔﻬﻮم )م( ﻫﻲ أﻣﺜﻠﺔ ‪7‬ﻔﻬﻮم آﺧﺮ )م ‪،(١‬‬
‫وإذا ﻟﻢ ﻳﻜﻦ ﻣﻌﺮوﻓﺎ ﺑﻌﺪ أن )م( ﻫﻮ ﺗﺨﺼﺺ )م ‪.(١‬‬
‫إذن اﻓﺘﺮض أن )م( ﻫﻮ ﺗﺨﺼﺺ ل )م أ(‪ ،‬وﻗﻢ ﺑﺰﻳﺎدة ﻗﻴﻤﺔ ا‪7‬ﻔﻬﻮﻣ‪.T‬‬
‫ﺣﻢ‪ .٣-‬إذا اﻧﻀﻮت ﺟﻤﻴﻊ اﻷﻣﺜﻠﺔ ‪7‬ﻔﻬﻮم ﻣﺎ ﻓـﻲ ﻣـﺠـﺎل وﻇـﻴـﻔـﺔ ‪function‬‬
‫ﻧﺎدرة اﻻﺳﺘﺨﺪام‪.‬‬
‫إذن اﺣﺴﺐ ﺻﻮرة ﻫﺬه اﻟﻌﻨﺎﺻﺮ ﲢﺖ ﻫﺬه اﻟﻮﻇﻴﻔﺔ وادرس اﺠﻤﻟﻤـﻮﻋـﺔ‬
‫اﻟﻨﺎﲡﺔ ﻛﻤﻔﻬﻮم ﻣﺴﺘﻘﻞ‪.‬‬
‫ﺣﻢ‪ :٤-‬إذا وﺟﺪ أن ‪7‬ﻔﻬﻮم ﻣﺎ أﻣﺜﻠﺔ ﻗﻠﻴﻠﺔ ﺟﺪا‪.‬‬
‫إذن ﺣﺎول أن ﲡﺪ اﻟﺴﺒﺐ‪ ،‬واﻋﺘﺒﺮ أن ا‪7‬ﻔﻬﻮم ﻗﻠﻴﻞ اﻷﻫﻤﻴﺔ‪.‬‬
‫وإذا ﻗﻤﻨﺎ ﺑﺘﻄﺒﻴﻖ اﳊﺠﺔ ا‪7‬ﻌﺮﻓﻴﺔ ﺣـﻢ‪ ١-‬ﻋﻠﻰ اﻷرﻗﺎم ﻣﻦ‪ ١٠٠٠ -١‬وﻋﻠﻰ‬
‫ﻣﻔﻬﻮم ﻋﺪد اﻟﻘﻮاﺳﻢ اﶈﺪد‪ ،‬ﺗﻜﻮن اﻟﻨﺘﻴﺠﺔ ﻛﻤﺎ ﻳﻠﻲ‪:‬‬
‫ﻗﺎﺳﻢ ﺻﻔﺮ = أﻋﺪاد ﺑﺼﻔﺮ ﻣﻦ اﻟﻘﻮاﺳﻢ‪ :‬ﻻ أﺣﺪ‬
‫ﻗﺎﺳﻢ ‪ -١‬أﻋﺪاد ﺑﻘﺎﺳﻢ واﺣﺪ‪١ :‬‬
‫ﻗﺎﺳﻢ ‪ =٢‬أﻋﺪاد ﺑﻌﺪد ‪ ٢‬ﻣﻦ اﻟﻘﻮاﺳﻢ ‪.. .. ..،١٣٬١١٬٧٬٥٬٣٬٢‬‬
‫ﻗﺎﺳﻢ ‪ = ٣‬أﻋﺪاد ﻟﻬﺎ ‪ ٣‬ﻗﻮاﺳﻢ‪.. .. ،١٦٩٬١٢١٬٤٩،٬٢٥،٬٩٬٤ :‬‬
‫وﻃﺒﻘﺎ ﳊﻢ ‪ ٤‬ﻓﺈن اﺠﻤﻟﻤﻮﻋﺎت اﻟﺼﻐﻴﺮة ﺟﺪا ﻟﻴﺲ ﻟﻬﺎ أﻫﻤﻴﺔ‪ ،‬وﻋﻠﻰ ﻫﺬا‬
‫ﻗﺎﺳﻢ ﺻﻔﺮ وﻗﺎﺳـﻢ ‪v ١‬ﻜﻦ أن ﻳﺴﺘﺒﻌﺪا‪ .‬وﻻ ﺗﻨﻄﺒﻖ أي ﺣﻢ ﻋﻠﻰ ﻗـﺎﺳـﻢ ‪،٢‬‬

‫‪257‬‬
 ‫اﻟﺬﻛﺎء اﻻﺻﻄﻨﺎﻋﻲ‬

‫وﻟﻜﻦ ﻗﺎﺳﻢ ‪ ٣‬ﻟﻬﺎ ﺟﺬور ﺗﺎﻣﺔ‪ ،‬وﺣﻢ ‪ ٣‬ﺗﻮﻣﻲ ﺑﺎﻟﻨﻈﺮ ﻓﻲ ﺟﺬورﻫﻢ اﻟﺘﺮﺑﻴﻌﻴﺔ‪،‬‬
‫واﻟﺘﻲ ﻫﻲ ﻣﺠﻤﻮﻋﺔ ﻗﺎﺳﻢ ‪ :٢‬اﻷﻋﺪاد اﻷوﻟﻴﺔ‪ .‬وﻃﺒﻘﺎ ﳊﻢ ‪ ٢‬ﻳﺠﺐ زﻳﺎدة ﻗﻴﻤﺔ‬
‫ﻛﻞ ﻣﻨﻬﻤﺎ‪.‬‬
‫وﻫﻜﺬا ﻳﻮﻟﺪ ‪ AM‬ﻣﻔﺎﻫﻴﻢ ﺟﺪﻳﺪة ﺑﺘﻄﺒﻴﻖ اﳊﺠﺞ ا‪7‬ﻌﺮﻓﻴﺔ ﻋﻠﻰ ا‪7‬ﻔﺎﻫﻴﻢ‬
‫ا‪7‬ﻮﺟﻮدة‪ ،‬وﻟﻜﻨﻪ ﻻ ﻳﺴﺘﻄﻴﻊ ﺑﺎﻟﻄﺒﻊ أن ﻳﺨﻠﻖ ﺣﺠﺠﺎ ﻣﻌﺮﻓﻴﺔ ﺟﺪﻳـﺪة‪ ،‬اﻷﻣـﺮ‬
‫اﻟﺬي ﻳﻌﺘﺒﺮ ﻧﻘﺼﺎ ﺧﻄﻴﺮا ﻣﻦ وﺟﻬﺔ ﻧﻈﺮ ﺑﺮاﻣﺞ اﻟﺘﻌﻠﻢ‪.‬‬
‫ﻓﺎﻟﺘﻌﻠﻴﻢ ﻳﺘﻄﻠﺐ ﻣﺴﺘﻮى أﻋﻠﻰ ﻣﻦ ا‪7‬ﺴﺘﻮى اﻹﺟﺮاﺋﻲ‪ ،‬وﺗـﺘـﻄـﻠـﺐ اﻟـﻘـﺪرة‬
‫ﻋـﻠـﻰ اﻛـﺘـﺸـﺎف اﳊـﺠـﺞ ا‪7‬ـﻌـﺮﻓـﻴـﺔ اﳉـﺪﻳـﺪة وﺟـﻮد »ﻣـﻴـﺘـﺎ ﺣـﺠـﺞ ﻣـﻌـﺮﻓـﻴــﺔ«‬
‫‪ metaheuristics‬اﻟﺘﻲ ﺑﺪورﻫﺎ ﺗﺘﻄﻠﺐ »ﻣﻴﺘﺎ ﻣﻴﺘﺎ ﺣﺠﺞ ﻣﻌﺮﻓﻴﺔ«‪ ..‬وﻫﻜﺬا‪.‬‬

‫ﺑﺮﻧﺎﻣﺞ ‪BACON -٣‬‬

‫ﻳﻬﺪف ﺑﺮﻧﺎﻣـﺞ ‪ BACON -٣‬إﻟﻰ )إﻋﺎدة( اﻛﺘﺸﺎف اﻟﻘﻮاﻧ‪ T‬اﻷﻣﺒﻴﺮﻳـﻘـﻴـﺔ‪،‬‬
‫وﻋﻠﻰ اﻷﺧﺺ ﻗﻮاﻧ‪ T‬اﻟﻄﺒﻴﻌﺔ ﻣﺜﻞ ﻗﻮاﻧ‪ T‬اﻟﻐﺎز اﻟﺘﺎم ‪ ،perfect gas laws‬ﻗﺎﻧﻮن‬
‫ﻛﻮﻟﻮﻣﺐ ‪ coulomb‘s law‬ص وﻗﺎﻧﻮن أوم ‪ Ohm‘ s law,‬وﻗﺎﻧﻮن ﺟﺎﻟﻴﻠﻴﻮ‪ ،‬ﺑﺎﺳﺘﺨﺪام‬
‫اﳊﺠﺞ ا‪7‬ﻌﺮﻓﻴﺔ ﻻﻛﺘﺸﺎف اﻷﻧﺴﺎق واﻻﻧﺘﻈﺎم ﻓﻲ اﻟﺒﻴﺎﻧﺎت ا‪7‬ﻌﻄﺎة ﻟﻪ‪ ،‬وﻋﻠﻰ‬
‫ﺿﻮء ذﻟﻚ ﻳﻜﻮن اﻻﻓﺘﺮاﺿﺎت اﻟﺘﻲ ﻳﺴﻌﻰ ﻻﺧﺘﺒﺎر ﺻﺤﺘﻬﺎ ﺑﻌﺪ ذﻟﻚ‪.‬‬
‫وﻣﻦ اﳊﺠﺞ ا‪7‬ﻌﺮﻓﻴﺔ ا‪7‬ﻔﻴﺪة ﻓﻲ اﻛﺘﺸﺎف اﻟﻌﻼﻗﺎت ﺑ‪ T‬ﻣﺘﻐﻴﺮﻳﻦ ﻋﺪدﻳﻦ‬
‫اﻟﺘﺎﻟﻲ‪:‬‬
‫إذا ازدادت ﻗﻴﻤﺔ ﻣﺘﻐﻴﺮ ﻣﺎ م‪ ١-‬ﻛﻠﻤﺎ ازدادت ﻗﻴﻤﺔ ﻣﺘﻐﻴﺮ آﺧﺮ م‪.٢-‬‬
‫إذن اﻓﺘﺮض ﻋﻼﻗﺔ اﻃﺮادﻳﺔ ﻣﺘﺰاﻳﺪة ﺑ‪ T‬م‪ ١-‬وم‪ ٢-‬ﺣﺴﺐ درﺟﺔ ا‪7‬ﻴﻞ‪.‬‬
‫وﺑﺈﻋﻄﺎء اﻟﺒﺮﻧﺎﻣﺞ اﻟﺒﻴﺎﻧﺎت ﻓﻲ ﺟـﺪول ‪ ،٥ -١٩‬ﻳﻜﺘﺸﻒ اﻟﺒﺮﻧﺎﻣﺞ ﻗﺎﻧـﻮن‬
‫اﻟﻐﺎز ‪PV=nRT‬‬
‫ﻳﺘﻮﺻﻞ اﻟﺒﺮﻧﺎﻣﺞ إﻟﻰ ذﻟﻚ ﻋﻠﻰ ﻣـﺮاﺣـﻞ‪ .‬أوﻻ ﻳـﻜـﺘـﺸـﻒ أن ‪) p‬اﻟﻀﻐـﻂ(‬
‫ﻳﺰداد ﻛﻠﻤﺎ ازداد ‪) V‬اﳊﺠﻢ( ‡ﺎ ﻳﺠﻌﻠﻪ ﻳﻨﻈﺮ ﻓﻲ ﺣﺎﺻﻞ ﺿﺮب اﻟﻀﻐﻂ ﻓﻲ‬
‫اﳊﺠﻢ ‪ ; PV‬إﻻ أﻧﻪ ﻳﺠﺪ أن ﻫﺬا ﻟﻴﺲ ﺛﺎﺑﺘﺎ‪ .‬وﻟﻜﻨﻪ ﻳﺤﺘﻔﻆ ﺑﻨﻔـﺲ اﻟـﻘـﻴـﻤـﺔ‬
‫ﻋﻨﺪﻣﺎ ﺗﺒـﻘـﻲ ‪) T‬درﺟﺔ اﳊﺮارة( ﺛﺎﺑﺘﺔ‪ .‬وﺣـﻴـﺚ أﻧـﻪ وﺟـﺪ أن ‪ PV‬ﺗﺰداد ﻛﻠﻤـﺎ‬
‫ازدادت اﳊﺮارة‪ ،‬ﻳﻨﻈﺮ اﻟﺒﺮﻧﺎﻣﺞ ﻓﻲ اﺣﺘﻤﺎل ‪ ،PV/T‬واﻟﺘﻲ ﺗﻈﻬﺮ ﻗﻴﻤﺘﻬﺎ ﻓﻲ‬
‫ﺟﺪول ‪ .٦-١٩‬وا‪7‬ﻼﺣﻈﺔ اﻟﺜﺎﻧﻴﺔ ﻫﻲ أن ﻫﺬه اﻟﻜﻤﻴﺔ اﻷﺧﻴﺮة ﺗﺘﺰاﻳﺪ ﻣﻊ أﻋﺪاد‬
‫ﺟﺰﻳﺌﺎت ‪ ،moles‘n‬اﻟﻐﺎز‪‡ ،‬ﺎ ﻳﺪﻋﻮ ﻟﻠﻨﻈﺮ ﻓﻲ ﺣﺎﺻﻞ ﻗﺴﻤﺔ ﺟﺪﻳﺪة ‪،PV/nT‬‬

‫‪258‬‬
‫اﻟﺒﺮاﻣﺞ اﻟﻘﺎﺑﻠﺔ ﻟﻠﺘﻌﻠﻢ‬

‫وﻳﺘﻀﺢ أﻧﻬﺎ ﻛﻤﺎ ﻫﻮ واﺿـﺢ ﻣـﻦ ﺟـﺪول ‪ ٧ -١٩‬ﺛﺎﺑﺘﺔ‪ .‬وأﺛﻨﺎء ﻋﻤﻞ اﻟـﺒـﺮﻧـﺎﻣـﺞ‬
‫ﻳﻘﻮم ﺑﺎﻟﻨﻈﺮ ﻓﻲ اﺣﺘﻤﺎﻻت أﺧﺮى إﻻ أﻧﻪ ﻳﺠﺪ أﻧﻬﺎ ﻻ ﺗﺆدي إﻟﻰ ﻧﺘﺎﺋﺞ ﻫﺎﻣﺔ‪.‬‬
‫‪Moles‬‬ ‫‪Temperature‬‬ ‫‪Pressure‬‬ ‫‪Volume‬‬ ‫‪PV‬‬
‫‪1‬‬ ‫‪300‬‬ ‫‪300 000‬‬ ‫‪0.008 320 0‬‬ ‫‪2 496.0‬‬
‫‪1‬‬ ‫‪300‬‬ ‫‪400 000‬‬ ‫‪0.006 240 0‬‬ ‫‪2 496.0‬‬
‫‪1‬‬ ‫‪300‬‬ ‫‪500 000‬‬ ‫‪0.004 992 0‬‬ ‫‪2 496.0‬‬
‫‪1‬‬ ‫‪310‬‬ ‫‪300 000‬‬ ‫‪0.008 597 3‬‬ ‫‪2 579.2‬‬
‫‪1‬‬ ‫‪310‬‬ ‫‪400 000‬‬ ‫‪0.006 448 0‬‬ ‫‪2 579.2‬‬
‫‪1‬‬ ‫‪310‬‬ ‫‪500 000‬‬ ‫‪0.005 158 4‬‬ ‫‪2 579.2‬‬
‫‪1‬‬ ‫‪320‬‬ ‫‪300 000‬‬ ‫‪0.008 874 7‬‬ ‫‪2 662.4‬‬
‫‪1‬‬ ‫‪320‬‬ ‫‪400 000‬‬ ‫‪0.006 656 0‬‬ ‫‪2 662.4‬‬
‫‪1‬‬ ‫‪320‬‬ ‫‪500 000‬‬ ‫‪0.005 324 8‬‬ ‫‪2 662.4‬‬

‫‪*  +,- :
'; <, 519 !"#‬‬

‫‪Moles‬‬ ‫‪Temperature‬‬ ‫‪PV‬‬ ‫‪PV/T‬‬

‫‪1‬‬ ‫‪300‬‬ ‫‪2.496 0‬‬ ‫‪8.32‬‬
‫‪1‬‬ ‫‪310‬‬ ‫‪2 579.2‬‬ ‫‪8.32‬‬
‫‪1‬‬ ‫‪320‬‬ ‫‪2 662.4‬‬ ‫‪8.32‬‬
‫‪2‬‬ ‫‪300‬‬ ‫‪4 992.0‬‬ ‫‪16.64‬‬
‫‪2‬‬ ‫‪310‬‬ ‫‪5 158.4‬‬ ‫‪16.64‬‬
‫‪2‬‬ ‫‪320‬‬ ‫‪5 324.8‬‬ ‫‪16.64‬‬
‫‪3‬‬ ‫‪300‬‬ ‫‪7 488.0‬‬ ‫‪24.96‬‬
‫‪3‬‬ ‫‪310‬‬ ‫‪7 737.6‬‬ ‫‪24.96‬‬
‫‪3‬‬ ‫‪320‬‬ ‫‪7 987.2‬‬ ‫‪24.96‬‬

‫  

‬ ‫‪PV/T    519 !"# 
$% &' 619 !"#‬‬

‫‪Moles‬‬ ‫‪PV/T‬‬ ‫‪PV/NT‬‬

‫‪1‬‬ ‫‪8.32‬‬ ‫‪8.32‬‬
‫‪2‬‬ ‫‪16.64‬‬ ‫‪8.32‬‬
‫‪3‬‬ ‫‪24.96‬‬ ‫‪8.32‬‬

‫‪PV/NT    619 !"# 
$% &' 719 !"#‬‬

‫  

‬ ‫) ‪(  moles  N‬‬

‫اﳋﺎﲤﺔ‬
‫ﻣﺎزاﻟﺖ ﻃﺮق اﻟﺘﻌﻠﻢ ا‪7‬ﺴﺘﺨﺪﻣﺔ ﺣﺘﻰ اﻵن ﻣﺘـﺨـﺼـﺼـﺔ ﺟـﺪا‪ ،‬ﻷﻧـﻬـﺎ إﻣـﺎ‬

‫‪259‬‬
 ‫اﻟﺬﻛﺎء اﻻﺻﻄﻨﺎﻋﻲ‬

‫ﻣﻘﺼﻮرة ﻋﻠﻰ ﻣﺠﺎﻻت ﺿﻴﻘﺔ‪ ،‬أو ﻷﻧﻬﺎ ﺗﻌﺘﻤﺪ ﻋﻠﻰ ﺑﻨﻴـﺔ ﻣـﻌـﺮﻓـﻴـﺔ ﻣـﺤـﺪودة‬
‫ﺑﺄ ﺎط ﺗﺮﻛﻴﺒﻴﺔ ﺟﺎﻣﺪة; ﺑﻴﻨﻤﺎ ﻓﻲ ا‪7‬ﻘﺎﺑﻞ ﺗـﺨـﺘـﻠـﻒ ﻃـﺮق وأﺳـﺎﻟـﻴـﺐ اﻟـﺘـﻌـﻠـﻢ‬
‫اﻹﻧﺴﺎﻧﻴﺔ ﺑﺎﺧﺘﻼف ا‪7‬ﻮﺿﻮع‪ ،‬و‪v‬ﻜﻦ أن ﺗﻌﻤﻞ ﻓﻲ ﻣﻴﺎدﻳﻦ ﻣـﺨـﺘـﻠـﻔـﺔ ‪n‬ـﺎﻣـﺎ‪.‬‬
‫وﻗﻠﻴﻞ ﺟﺪا ﻣﻦ اﻟﺒﺮاﻣﺞ ا‪7‬ﻮﺟﻮدة ﻟﻬﺎ ﻗﺪرات ﺗﻌﻠﻴﻤـﻴـﺔ ﺣـﻘـﻴـﻘـﻴـﺔ‪ ،‬ﻓـﻼ ﺗـﺰداد‬
‫ا‪7‬ﻌﺮﻓﺔ اﺨﻤﻟﺰﻧﺔ ﺑﻬﺎ إﻻ ﺑﻌﺪ اﻟﺘﺪﺧﻞ اﻟﺒﺸﺮي أﺛﺮ ﺗﻘﻮ€ أداﺋﻬﺎ‪ .‬وﺳﻴﺼﺒﺢ ذﻟﻚ‬
‫أﻛﺜﺮ ﺻﻌﻮﺑﺔ ﻓﻲ ا‪7‬ﺴﺘﻘﺒﻞ‪ ،‬ﻋﻨﺪ ﺗﻄﻮﻳﺮ ﺑﺮاﻣﺞ ﺑﻬﺎ ﻣﻼﻳ‪ T‬ﻋﺪﻳﺪة ﻣﻦ اﻟﻘﻮاﻋﺪ‪.‬‬
‫إن ﺑﺮاﻣﺞ اﻟﺘﻌﻠﻢ أﻣﺎﻣﻬﺎ ﻓﻲ اﻟﻮاﻗﻊ ﻣﺴﺘﻘﺒﻞ ﻋﻈﻴﻢ‪.‬‬

‫‪260‬‬
‫اﻟﺒﺮاﻣﺞ اﻟﻘﺎﺑﻠﺔ ﻟﻠﺘﻌﻠﻢ‬

‫اﳌﺮاﺟﻊ‬

(1) Samuel A. U. (1963), Some studies in machine learning using the game of checkers,in Computers
and thought, Feigenbaum and Feld man (eds.), New York, McGrow-Hill, pp. 7 1- 105.
(2) Waterman D. A. (1970), Generalization learning techniques for au tomating the learning of
heuristics,Journal of Artificial Intelligence l,pp. 121- 170.
(3) Selfridge 0. G., Neisser U. (1963), Pattern recognition by ma chine,in Computers and thought,
Feigenbaum and Feldman (eds.), New York, McGrow-Hill, pp. 237- 256.
(4) Rosenblatt, F. (1958), The perceptron: a theory of statistical sep arability in cognitive
systemsTechnical Report VG-l l96- G-2, Cornell aeronautical lab.
(5) Simon H. (1983), Why should machines learn,in Machine learn ing, an artificial intelligence approach,
Michalski, Carbonell (eds.), Palo Alto, California, Tioga Publishing Company.
(6) Feigenbaum E.A. (1963), The simulation of verbal learning be haviour,in Computers and thought,
Feigenbaum and Feldman (eds.), New York, McGrow-Hill,x pp. 228- 284.
(7) Michalski R. S., Carbonell J. G., Mitchell T. M. (1983) eds., Ma chine learning, an artificial
intelligence approach, Palo Alto, Cal ifornia, Tioga Publishing Company.
(8) Smith H.A., Lea G. (1974), Problem solving and rule induction: a unified view, in L. Gregg (ed.),
Knowledge and acquisition, Hillsdale, N.J. Lawrence Erlbaum.
(9) Simon R.G., Mitchell T. M., Chestek R. A., Buchanan B. G. (1977), A model for learning systems
Stanford Heuristic Pro gramming Project Memo HPP-77- 14.
(10) Mitchell T.M. (1983), Learning and problem solving IJCAI-1983, pp. 1139_ 1151.
(11) Winston P. H. (1975), Learning structural descriptions from ex amples, in The psychology of
computer vision, P. Winston (ed. 0), New York, McGrow-Hill.
(12) Dietrich T. G., Michalski R.S. (1981), Inductive learning of struc tural descriptions: Evaluation
criteria and comparative review of se lected methods,Artificial intelligence 16, pp. 257- 294.
(13) Kodratoff Y., Sallantin J. (1983) eds., Outils pour lappreissage, Publication du GR 22, Journees
dOrsay, January 1983).
(14) Michalski R.S., and Larson J.B. (1978) Selection of most repre sentative training examples and
incremental generation of VU hu potheses: The underlying methodology and the description of pro
grams ESEL and AQ1I, Rep. No. 867, Computer Science Department, University of Illinois, Urbana.
(15) Michalski R. S., and Chilauski R. L. Learning by being told and learning from examples: An
experimental comparison of the two methods of knowledge acquisition in the context of developing an
ex pert system for soybean disease diagnostic,International Journal of Policy Analysis and Information
System 4, pp. 125- 161.

261
 ‫اﻟﺬﻛﺎء اﻻﺻﻄﻨﺎﻋﻲ‬

(16) Lenat D. B. (1977), The ubiquity of discovery,Artificial In telligence, Vol. 9, 3.

(17) Langley P. (1981), Data-driven discovery of physical laws, Cognitive Science 5, pp. 31- 54.

262
‫اﻟﻮﻋﺪ واﻷداء‬

‫‪ 20‬اﻟﻮﻋﺪ واﻷداء‬

‫ﻧﻬﺪف ﻓﻲ ﻫﺬا اﻟﻔﺼﻞ اﻷﺧﻴﺮ إﻟﻰ إﻋﻄﺎء ﻓﻜﺮة‬

‫ﻋﻤﺎ ‪v‬ﻜـﻦ ﺗـﻮﻗـﻌـﻪ ﻣـﻦ ﺗـﻄـﺒـﻴـﻘـﺎت ﻧـﺎﺟـﺤـﺔ ﻟـﻠـﺬﻛـﺎء‬
‫اﻻﺻﻄﻨﺎﻋﻲ ﻓﻲ ا‪7‬ﺴﺘﻘﺒﻞ اﻟﻘﺮﻳﺐ‪ ،‬وﻋﻦ ا‪7‬ﻮﺿﻮﻋﺎت‬
‫اﻟﺘﻲ ﻣﻦ اﶈﺘﻤﻞ أن ﺗﻈﻞ ﻟـﺴـﻨـﻮات ﻋـﺪﻳـﺪة ﻗـﺎدﻣـﺔ‬
‫ﻣﺠﺎﻻ ﻟﻠﺒﺤﺚ‪ .‬وﻗﺪ أﻇﻬﺮت ﻣﺤﺎوﻻت اﻟﺘﻨﺒﺆ ا‪7‬ﻤﺎﺛﻠﺔ‬
‫ﻓﻲ ﻣﻌﻈﻢ ا‪7‬ﻴﺎدﻳﻦ إﻟﻰ أﺧﻄﺎء ﻓﺎدﺣﺔ ﻓﻲ ﺗﻘﺪﻳﺮ ﻣﺎ‬
‫‪v‬ـﻜـﻦ ﺗـﻮﻗـﻌـﻪ ﻋـﻠـﻰ ا‪7‬ـﺪى اﻟ ـﻘ ـﺼ ـﻴــﺮ‪ ،‬وﻻ ﺷــﻚ أن‬
‫ﻣﺤﺎوﻟﺘﻨﺎ ﻫﻨﺎ ﻋﺮﺿﺔ ﻟﻨﻔﺲ اﳋﻄﺄ‪ ،‬إﻻ أن اﻟﻨﺘـﺎﺋـﺞ‬
‫ﺗﺸﻴﺮ إﻟﻰ اﺗﻔﺎق ﺗﻘﺪﻳﺮاﺗﻨﺎ ﺑﺸﻜﻞ ﻋﺎم ﻣﻊ اﻟﺘﻘﺪﻳﺮات‬
‫اﻷﺧﻴﺮ ﻟﻠﺒﺎﺣﺜ‪ T‬اﻷﻣﺮﻳﻜﻴ‪ (١)T‬واﻷوروﺑﻴ‪ (٣٬٢)T‬ﻓﻲ‬
‫اﺳﺘﺠﺎﺑﺘﻬﻢ ﻟﻺﻋﻼن ﻋﻦ ا‪7‬ﺸﺮوع اﻟﻴﺎﺑﺎﻧﻲ ﳊﺎﺳﺒﺎت‬
‫اﳉﻴﻞ اﳋﺎﻣﺲ‪ .‬وﻗﺪ ﺗﺄﻛﺪت ﺗﻘﺪﻳﺮاﺗﻨﺎ ﺑﺎﻟﻨﺴﺒﺔ إﻟﻰ‬
‫ﻣﻮﺿﻮﻋ‪ T‬وﺿﻊ ﻋﻠﻴﻬﻤﺎ اﻟﺘﺮﻛﻴﺰ اﻟﺮﺋﻴﺴﻲ ﻓﻲ ﻫﺬا‬
‫اﻟﻜﺘﺎب وﻫﻤﺎ ﻣﻌﺎﳉـﺔ اﻟـﻠـﻐـﺎت اﻟـﻄـﺒـﻴـﻌـﻴـﺔ واﻟـﻨـﻈـﻢ‬
‫اﳋﺒﻴﺮة‪ .‬وﻗﺪ اﺻﻄﺪﻣﺖ ﻣـﺤـﺎوﻟـﺔ ﺟـﻌـﻞ اﳊـﺎﺳـﺐ‬
‫ﻳﻔﻬﻢ ﻓﻬﻤﺎ ﺗﺎﻣﺎ ﻧﺼﻮﺻﺎ ﻏﻴﺮ ﻣﺤﺪودة ﻣﻦ اﻟـﻠـﻐـﺎت‬
‫اﻟﻄﺒﻴﻌﻴﺔ ﺑﻌﻘﺒﺎت ﻋﻨﻴـﺪة ﻓـﻲ ﻇـﻞ اﳊـﺎﻟـﺔ اﻟـﺮاﻫـﻨـﺔ‬
‫ﻟﻠﺘﻘﻨﻴﺔ ﻓﻲ ﻫﺬا اﺠﻤﻟﺎل‪ .‬وﻳﻀﻄﺮ ﻣـﺼـﻤـﻤـﻮ ﺑـﺮاﻣـﺞ‬
‫ﻣﻌﺎﳉﺔ اﻟـﻠـﻐـﺎت اﻟـﻄـﺒـﻴـﻌـﻴـﺔ اﻟـﻴـﻮم إﻟـﻰ أن ﻳـﻘـﻴـﻤـﻮا‬
‫ﺑﺮاﻣﺠﻬﻢ ﻋﻠﻰ اﻓﺘﺮاﺿﺎت ﻣﺒﺴﻄـﺔ وذﻟـﻚ ﻷن ﻫـﺬه‬
‫اﻟﺒﺮاﻣﺞ ﻻ ﺗﺘﺼﻞ ﺑﺎﻟﻌﺎﻟﻢ اﳊﻘﻴﻘﻲ اﳋﺎرﺟﻲ‪ .،‬ﻓﻬﻲ‬

‫‪263‬‬
 ‫اﻟﺬﻛﺎء اﻻﻗﺘﺼﺎدي‬

‫ﻻ ﺗﺴﺘﻄﻴﻊ أن ﺗﺮى ا‪7‬ﺘﻜﻠﻢ أو أن ﺗﻌﺮف ﻣﺎ ﻳﻜﻔﻲ ﻋﻦ اﻟﺒﻴﺌﺔ اﻟﻄﺒﻴﻌﻴﺔ ﺑﺤﻴﺚ‬

‫‪n‬ﻴﺰ ﺑ‪ T‬اﻷﺻﻮات اﻟﻠﻐﻮﻳﺔ واﻟﻀﻮﺿﺎء اﻟﺘﻲ ﻗﺪ ﺗﺼﺎﺣﺒﻬﺎ‪ .‬وﺗﺸﻤﻞ ﻣﺜﻞ ﻫﺬه‬
‫اﻻﻓﺘﺮاﺿﺎت أن اﻟﻜﻼم اﻟﺬي ﻳﺤﻠﻠﻪ اﻟﺒﺮﻧﺎﻣﺞ ﻣﻜﻮن ﻣﻦ ﻛﻠﻤﺎت ﻣﻨﻔﺼﻠﺔ )أي‬
‫أن ا‪7‬ﺘﻜﻠﻢ ﻳﺘﻮﻗﻒ ﺑﻌﺪ ﻛﻞ ﻛﻠﻤﺔ ﻗـﺒـﻞ أن ﻳـﻘـﻮل اﻟـﻜـﻠـﻤـﺔ اﻟـﺘـﺎﻟـﻴـﺔ(‪ ،‬وأن ﺗـﻜـﻮن‬
‫اﻟﺘﺮاﻛﻴﺐ وا‪7‬ﻔﺮدات ﻣﺤﺪودة‪ ،‬وﻳﻜﻮن ﻋﺪد ا‪7‬ﺘﻜﻠﻤ‪ T‬ﻣﺤﺪودا ﻟﻠﻐﺎﻳـﺔ‪ ،‬وﻋـﺎدة‬
‫ﻣﺎ ﻳﻜﻮن ﺷﺨﺼﺎ واﺣﺪا‪.‬‬
‫وﺗﻘﺘﺼﺮ اﻟﺒﺮاﻣﺞ اﻟﺘﺠﺎرﻳﺔ اﳊﺎﻟﻴﺔ ﻋﻠﻰ ﻣﺘﺤﺪث واﺣﺪ وﻣﺌﺎت ﻗﻠﻴﻠﺔ ﻣﻦ‬
‫اﻟﻜﻠﻤﺎت‪ ،‬اﻟﺘﻲ ﻳﺠﺐ إن ﺗﺼﺎﺣﺒﻬﺎ وﻗﻔﺔ ﻗﺼﻴﺮة ﺑﻌﺪ ﻛﻞ واﺣﺪة‪ ،‬وﻫﻨﺎك أﻳﻀﺎ‬
‫ﺑﺮاﻣﺞ ﻟﻠﺘﺤﻜﻢ ﻓﻲ اﻹﻧﺴﺎن اﻵﻟﻲ ﻋﻦ ﻃﺮﻳﻖ ﺗﻮﺟﻴﻪ اﻷواﻣﺮ ا‪7‬ﻨﻄﻮﻗﺔ إﻟﻴﻪ‪ .‬أﻣﺎ‬
‫اﻟﺒﺮاﻣﺞ ا‪7‬ﺘﻘﺪﻣﺔ ﻣﺜﻞ ﺑﺮﻧﺎﻣﺞ ﺷﺮﻛﺔ اﻵي ب م واﻟـﺬي ﻳـﺴـﺘـﻄـﻴـﻊ ﻓـﻬـﻢ ﻋـﺪة‬
‫آﻻف ﻣﻦ اﻟﻜﻠﻤﺎت‪ ،‬ﻻ ﺗﺴﺘﻄﻴﻊ اﻟﻌﻤﻞ ﻓﻲ ا‪7‬ﻮاﻗﻒ اﻟﻌﻤﻠﻴﺔ ﻷﻧﻬﺎ ﺑﻄﻴﺌﺔ ﺟﺪا‪،‬‬
‫ﻓﻬﻲ ﺗﻌﺘﻤﺪ ﻋﻠﻰ ﺣﺴﺎب اﺣﺘﻤﺎﻻت ﺗﺘﺎﺑﻊ ﻛﻠﻤﺎت ﻣﻌﻴﻨـﺔ ﺑـﻌـﺪ أﺧـﺮى ﻣـﻌـﻴـﻨـﺔ‪،‬‬
‫وﻫﺬه ﻃﺮﻳﻘﺔ ﻻ ﻳﺴﺘﺨﺪﻣﻬﺎ اﻟﺴﺎﻣﻊ اﻟﺒﺸﺮي‪.‬‬
‫ﻟﺬﻟﻚ ﻳﺒﻘﻰ ﻓﻬﻢ اﻟﻜﻼم ﺧﺎرج ﻧﻄﺎق ﻣـﺤـﺪود ﺟـﺪا ﻫـﺪﻓـﺎ ﺑـﻌـﻴـﺪا اﻷﻣـﺪ‪.‬‬
‫وﺳﻴﻌﺘﻤﺪ اﻟﺘﻘﺪم ﻓﻴﻪ ﻋﻠﻰ ﻧﺘﺎﺋﺞ أﺑﺤﺎث ﻓﻬﻢ اﻟﻠﻐﺔ ا‪7‬ﻜﺘﻮﺑﺔ )أي اﻟـﻠـﻐـﺔ اﻟـﺘـﻲ‬
‫أدﺧﻠﺖ إﻟﻰ اﳊﺎﺳﺐ ﻋﻦ ﻃﺮﻳﻖ ﻟﻮﺣﺔ ا‪7‬ﻔﺎﺗﻴﺢ(‪ ،‬واﻟﺘﻲ ﻗﻄﻌﺖ ﺷﻮﻃﺎ ﻛﺒـﻴـﺮا‬
‫ﻷﻧﻬﺎ ﻟﻢ ﺗﻌﺎن‪ ،‬ﻛﻤﺎ ﻳﺤﺪث ﻓﻲ ﺣﺎﻟﺔ اﻟﻜﻼم‪ ،‬ﻣـﻦ ﻓـﻘـﺪان ا‪7‬ـﻌـﻠـﻮﻣـﺎت ﻧـﺘـﻴـﺠـﺔ‬
‫ﻟﻠﺘﻔﺴﻴﺮ ﻏﻴﺮ اﻟﻜﺎﻣﻞ ﻟﻠﺮﺳﺎﻟﺔ اﻟﻠﻐﻮﻳﺔ‪ .‬وﻳﺴﺘﺤﻴﻞ ﻋﺎدة اﺳﺘﺮﺟﺎع ا‪7‬ﻌـﻠـﻮﻣـﺎت‬
‫اﻟﺘﻲ ﻓﻘﺪت ﺑﻬﺬه اﻟﻄﺮﻳﻘﺔ‪ ،‬ﺣﺘﻰ †ﺴﺎﻋﺪة ا‪7‬ﻌﺮﻓﺔ ﻋﻠﻰ ا‪7‬ﺴﺘﻮى اﻟﺪﻻﻟﻲ أو‬
‫ا‪7‬ﻘﺎﻣـﻲ ‪ .pragmatic‬وﺳﻴﻌﺘﻤﺪ اﻟﺘﻘﺪم ﻋﻠﻰ ا‪7‬ـﺪى اﻟـﻘـﺼـﻴـﺮ ﻓـﻲ ﻫـﺬا اﺠﻤﻟـﺎل‬
‫ﻋﻠﻰ اﺳﺘﺨﺪام رﻗﺎﻗﺎت ‪ Chips‬ﻣﺘﺨﺼﺼﺔ ﻟﻠﻘﻴﺎم †ﻬﺎم ﺧﺎﺻﺔ‪ ،‬وﺑﻬﺎ ‪v‬ﻜﻦ أن‬
‫ﻳﺴﺘﻤﺮ اﻟﺘﺤﻠﻴﻞ ﻋﻠﻰ ﻣﺴﺘﻮﻳﺎت ﻣﺨﺘﻠﻔﺔ ﺑﺸﻜﻞ ﻣﺘﻮاز ﻓﻲ آن واﺣـﺪ‪ ،‬ﻣـﺘـﻨـﺎوﻻ‬
‫ﻣﺜﻼ اﺧﺘﻴﺎر اﻟﻜﻠﻤﺎت واﻟﺘﺮﻛﻴﺐ وأوﺟﻪ ا‪7‬ﻌﺎﻧﻲ وا‪7‬ﻘﺎم‪ ،‬وﻳﺴﺎﻫﻢ ﻛﻞ ﻣﻨﻬﺎ ﻓﻲ‬
‫ﺑﺮﻧﺎﻣﺞ ﳊﻞ أي ﺗﻀﺎرب ﻓﻴﻤﺎ ﺑﻴﻨﻬﺎ وﻟﻠﺘﻮﺻﻞ إﻟﻰ اﻟﺘﻔﺴﻴﺮ اﻷﻛﺜﺮ اﺣﺘﻤﺎﻻ‪.‬‬
‫وﺳﻴﻐﻤﺮ اﻷﺳﻮاق ﻓﻲ اﻟﺴﻨﻮات اﻟﻘـﻠـﻴـﻠـﺔ اﻟـﻘـﺎدﻣـﺔ اﻟـﻌـﺪﻳـﺪ ﻣـﻦ اﻟـﺒـﺮاﻣـﺞ‬
‫ﻻﺳﺘﺨﺮاج ا‪7‬ﻌﻠﻮﻣﺎت ﻣﻦ ﻗﻮاﻋﺪ اﻟﺒﻴﺎﻧﺎت ﺑﺎﻟﺮد ﻋﻠﻰ اﺳﺘﻔـﺴـﺎرات ﺑـﺎﻟـﻠـﻐـﺎت‬
‫اﻟﻄﺒﻴﻌﻴﺔ‪ ،‬وﺳﻴﺴﺘﻤﺮ اﻟﺒﺤﺚ ﺑﻬﺪف ﺑﻨﺎء ﺑﺮاﻣﺞ أﻛﺜﺮ ذﻛـﺎء وأﻛـﺜـﺮ ﻛـﻔـﺎءة ﻓـﻲ‬
‫اﻟﺘﻌﺎون ﻣﻊ ا‪7‬ﺴﺘﺨﺪم‪ ،‬آﺧﺬة ﻓﻲ اﻻﻋﺘﺒﺎر اﻟﻘﻮاﻋﺪ اﻟﻌـﺎﻣـﺔ ﻟـﻠـﺤـﻮار‪ ،‬ودواﻓـﻊ‬
‫وﻃﺒﻴﻌﺔ ا‪7‬ﺴﺘﺨﺪم‪ .‬وﺑﻬﺬا ﺗﺴﺘﻄﻴﻊ اﻵﻟﺔ أن ﺗﻨﻮع ﻃﺒـﻴـﻌـﺔ إﺟـﺎﺑـﺘـﻬـﺎ وﻓـﻘـﺎ ‪7‬ـﺎ‬

‫‪264‬‬
‫اﻟﻮﻋﺪ واﻷداء‬

‫ﺗﻌﺮﻓﻪ ﻋﻦ ا‪7‬ﺴﺘﺨﺪم‪ .‬واﻷﻛﺜﺮ ﻣـﻦ ﻫـﺬا‪ ،‬ﻟـﻦ ﺗـﻘـﺘـﺼـﺮ اﻵﻟـﺔ ﻋـﻠـﻰ اﺳـﺘـﺨـﺮاج‬
‫ا‪7‬ﻌﻠﻮﻣﺎت ﻣﻦ ﻗﺎﻋﺪة ا‪7‬ﻌﺮﻓﺔ اﺨﻤﻟﺰﻧﺔ ﺑﻬﺎ ﺣﻮل ﻣﻮﺿﻮع اﻻﺳﺘﻔﺴﺎر‪ ،‬ﺑﻞ ﺳﻴﻜﻮن‬
‫ﻟﻬﺎ »اﳊﺼﺎﻓﺔ واﻟﺒﺪﻳﻬﺔ« ﻟﺘﺴﺎﻋﺪﻫﺎ ﻋﻠﻰ اﻟﺘﻔﻜﻴﺮ اﻟﻌﺎم ﺟﻴﺪا‪ ،‬وﺑﺬﻟﻚ ﺗﺒﺪي‬
‫ﺳﻠﻮﻛﺎ أﻛﺜﺮ ذﻛﺎء‪ ،‬وﻟﻜﻦ ﺳﻴﻜﻮن ذﻟﻚ ﻋﻠﻰ ا‪7‬ﺪى اﻟﺒﻌﻴﺪ ﺟﺪا‪.‬‬
‫وﻣﺎزال ﻓﻬﻢ وﺗﻮﻟﻴﺪ اﻟﻮﺛﺎﺋﻖ ﻓﻲ ﻣﺮاﺣﻠﻪ اﻷوﻟﻰ‪ ،‬وﻳﺘﻄﻠﺐ ‪n‬ﺤﻴﺺ وﻓﺤﺺ‬
‫اﻟﻮﺛﺎﺋﻖ‪ ،‬ﺑﻄﺒﻴﻌﺘﻪ‪ ،‬ﻋﺪدا ﻏﻴﺮ ﻣـﺤـﺪود ﻣـﻦ ا‪7‬ـﻔـﺮدات‪ ،‬وﻻ ﺗـﺴـﺘـﻄـﻴـﻊ اﻟـﻄـﺮق‬
‫اﳊﺎﻟﻴﺔ أن ﺗﻔﻌﻞ أﻛﺜﺮ ﻣﻦ اﻟﺘﻌﺮف ﻋﻠﻰ اﻟﻜﻠﻤﺎت ا‪7‬ﻔﺘﺎﺣﻴﺔ ‪ .key words‬وﻳﺠﺐ‬
‫أن ﺗﺘﻤﻜﻦ اﻵﻟﺔ‪-‬ﻣﻊ إﺣﺮاز اﻟﺘﻘﺪم ﻓﻲ ا‪7‬ﺴﺘﻘﺒﻞ ﻓﻲ ﻓﻬﻢ اﻟﻠﻐﺎت اﻟﻄﺒﻴﻌﻴﺔ‪-‬ﻣﻦ‬
‫إﺣﺮاز ﻣﺎ ﻳﻮد ا‪7‬ﺴﺘﺨﺪم ﻣﻌﺮﻓﺘﻪ ﺑﺎﻟﻀﺒﻂ‪ ،‬وأن ﲡﺪ ا‪7‬ﺮاﺟﻊ ا‪7‬ﻨﺎﺳﺒـﺔ‪ ،‬ﺑـﺪﻻ‬
‫ﻣﻦ إﻋﻄﺎﺋﻪ ﻗﺎﺋﻤﺔ ﻃﻮﻳﻠﺔ ﻣﻦ اﻻﺣﺘﻤﺎﻻت واﻟﺘﻲ ﻋﻠﻴﻪ أن ﻳﻨﻈﺮ ﻓﻴﻬﺎ وﻳﺨﺘـﺎر‬
‫ﻣﺎ ﻳﻨﺎﺳﺒﻪ‪ .‬وﻣﻦ اﶈﺘـﻤـﻞ أن ﻳـﺼـﺒـﺢ اﻹﻧـﺘـﺎج اﻵﻟـﻲ أو ﺷـﺒـﻪ اﻵﻟـﻲ ﻟـﻠـﻮﺛـﺎﺋـﻖ‬
‫ا‪7‬ﺘﺨﺼﺼﺔ ﺟﺪا ﻣﺜﻞ ﻛﺘﻴﺒﺎت ‪ manuals‬اﻹﺻﻼح واﻟﺼﻴﺎﻧﺔ ‡ﻜﻨﺎ ﻓﻲ اﻟﺴﻨﻮات‬
‫اﳋﻤﺲ اﻟﻘﺎدﻣﺔ‪.‬‬
‫ﻟﻘﺪ أﺛﺒﺘﺖ اﻟﻨﻈﻢ اﳋﺒﻴﺮة ﺑﺎﻟﻔﻌﻞ ﳒﺎﺣﻬﺎ‪ ،‬ﻋﻠﻰ ﻛﻞ ﻣﻦ ا‪7‬ﺴﺘﻮى اﻟﺘﻘﻨـﻲ‬
‫وﻛﻮﻋﺎء ﻟﻠﻤﻌﺮﻓﺔ‪ .‬وﺳﻨﺤﻞ ﻓﻲ ا‪7‬ﺴﺘﻘﺒﻞ ﻣﺤﻞ ﻛﺜﻴﺮ ﻣـﻦ اﻟـﺒـﺮاﻣـﺞ اﻹﺟـﺮاﺋـﻴـﺔ‬
‫اﻟﺘﻘﻠﻴﺪﻳﺔ اﻟﺘﻲ أﺻﺒﺤﺖ ﻣﻦ اﻟﻀﺨﺎﻣﺔ ﺑﺤﻴﺚ ﻳﺴﺘﺤﻴﻞ ﲡﺪﻳﺪﻫﺎ أو ﺗﻄﻮﻳﺮﻫﺎ‪.‬‬
‫وﻣﻦ اﶈﺘﻤﻞ ﺑﻨﺎء ﻛﺜﻴﺮ ﻣﻦ اﻟﻨﻈﻢ اﻟﺼﻐﻴﺮة اﻟﺘﻲ ﲢﺘﻮي ﻋﻠﻰ ﺑﻀﻊ ﻣﺌﺎت ﻣﻦ‬
‫اﻟﻘﻮاﻋﺪ ﻟﻠﻤﺴﺎﻋﺪة ﻓﻲ ﺑﻌﺾ ا‪7‬ﺴﺎﺋﻞ ا‪7‬ﺘﺨﺼﺼﺔ ﺟﺪا واﻟﺘﻲ ﻳﻮﺟﺪ ﻟﻬﺎ ﺧﺒﺮاء‬
‫ﺑﺸﺮﻳﻮن إﻻ أﻧﻬﻢ ﻏﻴﺮ ﻣﺘﺎﺣ‪ T‬ﺑﺴﻬﻮﻟﺔ‪ .‬وﻓـﻲ ﺑـﻌـﺾ اﻷﺣـﻴـﺎن ﺗـﻜـﻮن اﳋـﺒـﺮة‬
‫اﳊﻴﻮﻳﺔ ﻟﺒﻌﺾ اﻟﺸﺮﻛﺎت وا‪7‬ﺆﺳﺴﺎت ﻗﺎﺻﺮة ﻋﻠﻰ ﺣﻔﻨﺔ ﺻﻐﻴﺮة ﻣﻦ اﳋﺒﺮاء‬
‫اﻟﺒﺸﺮﻳ‪ ،T‬وﻳﺴﺒﺐ وﻓﺎة أو رﺣﻴﻞ أﺣﺪﻫﻢ ﻋﻦ ا‪7‬ﺆﺳﺴﺔ ﺧﺴﺎرة ﻓﺎدﺣﺔ‪ ،‬وﻫﻨﺎ‬
‫ﻳﻜﻮن ﻣﻦ اﻷﻫﻤﻴﺔ ﻋﻠﻰ ا‪7‬ﺴﺘﻮى اﻻﻗﺘﺼﺎدي واﻟﻌﻠﻤﻲ ﺣﻔﻆ ﻣﺜﻞ ﻫﺬه اﳋﺒﺮة‬
‫ﻓﻲ ﺷﻜﻞ ﺑﺮاﻣﺞ ﻣﺘﺎﺣﺔ ﺑﺴﻬﻮﻟﺔ وﻋﻠﻰ ﻧﻄﺎق واﺳـﻊ‪ .‬وﺑـﺎﻹﺿـﺎﻓـﺔ إﻟـﻰ ﻛـﻮﻧـﻬـﺎ‬
‫ﺗﺸﻜﻞ درع اﻷﻣﺎن ﻟﻠﻤﺆﺳﺴﺔ‪ ،‬ﻓﺈﻧﻪ ‪v‬ﻜﻦ داﺋﻤﺎ ﺗﻄـﻮﻳـﺮﻫـﺎ وﲡـﺪﻳـﺪﻫـﺎ ﻛـﻠـﻤـﺎ‬
‫اﺳﺘﺠﺪ ﺟﺪﻳﺪ وﺗﻮاﻓﺮت ﻣﻌﻠﻮﻣﺎت ﺟﺪﻳﺪة ﻓﻲ ﻣﺠﺎﻟﻬﺎ‪ .‬و‪v‬ﻜﻦ ﺗﻮﻗﻊ ﺗﻘﺪم ﻓﻲ‬
‫ا‪7‬ﻴﺎدﻳﻦ اﻟﺘﺎﻟﻴﺔ‪ :‬اﻟﺒﻨﻮك ﻟﺘﻘﺪﻳﺮ اﺨﻤﻟﺎﻃﺮة وﻣﺴـﺎﺋـﻞ اﻹﻓـﻼس‪ ،‬اﻻﺳـﺘـﺸـﺎرات‬
‫اﻻﺳﺘﺜﻤﺎرﻳﺔ‪ ،‬اﻟﺘﺄﻣ‪ T‬ﻟﺘﻘﺪ€ ﻣﺠﻤﻮﻋﺔ اﳋﺒـﺮات اﻟـﻼزﻣـﺔ ﻟـﺘـﻘـﺪﻳـﺮ أﻗـﺴـﺎط‬
‫اﻟﺘﺄﻣ‪ ،T‬ا‪7‬ﺴﺎﺋﻞ اﻹدارﻳﺔ واﻟﻘﺎﻧﻮﻧﻴﺔ‪ ،‬ﻟﺘﻘﺪ€ ا‪7‬ﺸﻮرة واﻟﻌـﻮن ﻓـﻲ أﻣـﻮر ﺑـﻴـﻊ‬
‫اﻟﻌﻘﺎرات وا‪7‬ﻴﺮاث‪ .‬وﺳﻴﺨﺘﻠﻒ ﻣﺴﺘﻮى اﳋﺒﺮة ﺑﺎﺧﺘﻼف ا‪7‬ﺴﺘﺨﺪﻣ‪ T‬ﻓـﻘـﺪ‬

‫‪265‬‬
 ‫اﻟﺬﻛﺎء اﻻﻗﺘﺼﺎدي‬

‫ﻳﻜﻮﻧﻮا ﻣﻦ اﶈﺘﺮﻓ‪ T‬اﻟﺬﻳﻦ ﻳﻔﻬﻤﻮن ا‪7‬ﺼﻄﻠﺤـﺎت اﻟـﻔـﻨـﻴـﺔ أو ﻣـﻦ اﳉـﻤـﻬـﻮر‬

‫اﻟﻌﺎم اﻟﺬﻳﻦ ﻳﺴﺘﺨﺪﻣﻮن ﺑﺒﺴﺎﻃﺔ ﺣﺎﺳﺒﺎﺗﻬﻢ اﻟﺸﺨﺼﻴـﺔ ﻣـﻦ ﻣـﻨـﺎزﻟـﻬـﻢ‪ .‬ﻛـﻤـﺎ‬
‫ﺳﻴﻜﻮن ﻫﻨﺎك ﺑﺮاﻣﺞ ﻟﻠﻤﺴﺎﻋﺪة ﻓﻲ ﺣﺎﻟﺔ اﻟﻜﻮارث اﻟﻄﺒﻴﻌﻴﺔ ﻛﺎﻟﻔﻴـﻀـﺎﻧـﺎت‪،‬‬
‫وﻫﺒﻮط اﻷرض‪ ،‬وﺛﻮرات اﻟﺒﺮاﻛ‪ ،T‬واﻟﺰﻻزل واﳊﺮاﺋﻖ‪ . ..‬ﺣﻴﺚ ‪v‬ﻜﻦ ﻟﻠﻨﻈﻢ‬
‫اﳋﺒﻴﺮة اﻟﺘﺤﻜﻢ ﻓﻲ ا‪7‬ﻮﻗﻒ وإﺑﺪاء اﻟﻨﺼﻴﺤﺔ ﺑﺎﻟﺘﻌﺎون ﻓﻴﻤﺎ ﺑﻴـﻨـﻬـﻢ واﻟـﻌـﻤـﻞ‬
‫ﺑﺸﻜﻞ ﻣﺘﻮاﺻﻞ دون ﻛﻠﻞ ﻟﺘﻨﻈﻴﻢ إﺟﺮاءات اﻹﻧﻘﺎذ‪.‬‬
‫وﺳﻴﺴﺘﻤﺮ اﻟﺒﺤﺚ ﺑﻬﺪف ﺑﻨﺎء ﺑﺮاﻣﺞ ﲢﺘﻮي ﻋـﻠـﻰ ﻋـﺸـﺮات اﻷﻟـﻮف ﻣـﻦ‬
‫اﻟﻘﻮاﻋﺪ‪ .‬وﺳﻴﺘﻄﻠﺐ ذﻟﻚ ﺗﻄﻮﻳﺮ أﺳﺎﻟﻴﺐ ﺑﻨﺎء ﺟﺪﻳـﺪة ‪ architecture,‬وﺧﺎﺻﺔ‬
‫ا‪7‬ﻌﺎﳉﺔ ا‪7‬ﺘﻮازﻳﺔ ﺣﻴﺚ ﺗﺼﺒﺢ ﺿﺮورﻳﺔ ﺳﻮاء ﺑﺎﻟﻨـﺴـﺒـﺔ ﻟـﻠـﻌـﺘـﺎد ‪ hardware‬أو‬
‫اﻟﺒﺮاﻣﺞ ‪ .software‬وﺳﻴﻜﻮن ﻟﻬﺬه اﻟﺒﺮاﻣﺞ ﻣﺴﺘﻮﻳﺎت ﻋﺪﻳﺪة ﻣﻦ ا‪7‬ﻌﺮﻓﺔ‪ ،‬ﺣﻴﺚ‬
‫‪v‬ﻜﻦ ﻟﻠﻤﺴﺘﻮﻳﺎت اﻟﻌﻠﻴﺎ أن ﺗﺴﺘﺨﺪم ا‪7‬ﺴﺘﻮﻳﺎت اﻟﺪﻧﻴﺎ ﺑﺬﻛﺎء‪ ،‬ﻓﺈذا ﺳﺌﻞ ﺑﺮﻧﺎﻣﺞ‬
‫ﻋﻦ رﻗﻢ ﺗﻠﻴﻔﻮن ﻟﺸﺨﺺ ﻣﺎ ﻣﺘﻮﻓﻰ‪ .‬ﻓﺈﻧﻪ ﻟﻴﺲ ﻣﻦ اﻟﻀﺮوري أن ﻳﺒﺤﺚ ﻓـﻲ‬
‫ﻗﺎﻋﺪة اﻟﺒﻴﺎﻧﺎت ﻟﺪﻳﻪ ‪7‬ﻌﺮﻓﺔ ﻣﺎ إذا ﻛﺎن ﻟﺪﻳﻪ اﻟﺮﻗﻢ‪.‬‬
‫وﺳﺘﺮﺗﺒﻂ ﻧﻈﻢ ﺧﺒﻴﺮة ﻣﺨﺘﻠﻔﺔ ﺗﺘﻌﻠﻖ ﺑﻨﻔﺲ ا‪7‬ﻮﺿﻮع ﺑﺸﺒﻜﺔ اﺗﺼﺎل واﺳﻌﺔ‬
‫ﺑﺤﻴﺚ ﺗﺴﻤﺢ ﻷي ﻣﻨﻬﺎ ﺑﺘﺤﻮﻳﻞ اﻻﺳﺘﻔﺴﺎر ا‪7‬ﻮﺟﻪ إﻟﻴـﻬـﺎ إﻟـﻰ إﺣـﺪى اﻟـﻨـﻈـﻢ‬
‫اﻷﺧﺮى إذا اﻋﺘﺒﺮت اﻟﺜﺎﻧﻲ أﻗﺪر ﻋﻠﻰ اﻹﺟﺎﺑـﺔ ﻋـﻠـﻰ ﻫـﺬا اﻟـﺴـﺆال ﺑـﺎﻟـﺬات‪،‬‬
‫وﻳﻜﻮن اﻷﺛﺮ ﻫﻜﺬا ﻓﻲ اﻻﺳﺘﻔﺴﺎرات اﻟﻄﺒﻴﺔ ﻣﺜﻼ‪ ،‬وﺑﺎﻟﻨﺴﺒﺔ ﻟﻠﺰراﻋﺔ ‪v‬ﻜـﻦ‬
‫ﺑﻨﺎء ﺑﺮاﻣﺞ ﻣﺘﺨﺼﺼﺔ ﻋﻠﻰ أﺳﺎس إﻗﻠﻴﻤﻲ‪.‬‬
‫وﺳﺘﺠﻌﻞ اﻟﻨﻈﻢ اﳋﺒﻴﺮة ﻧﻘﻞ ا‪7‬ﻌﺮﻓﺔ ﺑ‪ T‬ا‪7‬ﻴﺎدﻳﻦ اﺨﻤﻟﺘﻠﻔﺔ أﻛﺜﺮ ﺳﻬﻮﻟﺔ‪،‬‬
‫ﻛﻤﺎ ﺗﺴﻬﻞ ﻋﻤﻠﻴﺔ اﻟﺘﺤﻘﻖ ﻣﻦ ﻣﻮاد ا‪7‬ﻌﺮﻓﺔ وﻃﺮق اﻻﺳﺘﺪﻻل اﻟﺘﻲ ﻳﺴﺘﺨﺪﻣﻮﻧﻬﺎ‪،‬‬
‫ﻛﻤﺎ ﺗﺴﺘﺨﺪم ﻛﺄﺳﺎس ﻟﻠﻨﻘﺎش ﺑ‪ T‬اﳋﺒﺮاء ﻣﻦ ﻧﻔﺲ اﺠﻤﻟﺎل أو ﻣﻦ ﻣﺠﺎﻻت‬
‫ﻣﺨﺘﻠﻔﺔ اﻟﺬﻳﻦ ﻗﺪ ﻻ ﻳﺘﺒﻌﻮن ﻧﻔﺲ اﻟﻄﺮق ﻓﻲ ﺣﻞ ا‪7‬ﺴﺎﺋﻞ‪ .‬وﺗﺴـﺘـﻄـﻴـﻊ ﻫـﺬه‬
‫اﻟﻨﻈﻢ ﺗﻮﺿﻴﺢ ﺧﻄﻮات ﺣﻞ ا‪7‬ﺴﺎﺋﻞ ﻟﻠﻄﺎﻟﺐ ﺑﺪﻻ ﻣـﻦ ﻣـﺠـﺮد ﻋـﺮض اﻟـﻨـﺺ‬
‫ﻋﻠﻰ اﻟﺸﺎﺷﺔ ﻛﻤﺎ ﻫﻮ ﻣﺘﺒﻊ ﻓﻲ ﺑﺮاﻣﺞ اﻟﺘﻌﻠﻢ †ﺴـﺎﻋـﺪة اﳊـﺎﺳـﺐ اﳊـﺎﻟـﻴـﺔ‪.‬‬
‫وﻓﻲ اﳊﻘﻴﻘﺔ إذا ﻟﻢ ﻧﺴﺘﺨﺪم إﻣﻜﺎﻧﺎت اﳊﺎﺳﺐ ﻓﻲ اﻻﺳﺘﺪﻻل واﻟﺘـﻔـﺎﻋـﻞ‪،‬‬
‫ﻓﺈﻧﻪ ﻗﺪ ﻳﻜﻮن ﻣﻦ اﻷﻓﻀﻞ ﻟﻨﺎ اﺳﺘﺨﺪام وﺳﻴﻠﺔ اﻟﺘﻌﻠﻢ اﻟﺘﻘﻠﻴﺪﻳﺔ وﻫﻲ اﻟﻜﺘﺎب‪.‬‬
‫وﻣﺎ ﺗﺰال اﻟﻄﺮق ا‪7‬ﺴﺘﺨﺪﻣﺔ اﻟﻴﻮم ﻟﺘﻤﺜﻴﻞ ا‪7‬ﻌﺮﻓﺔ ﻣـﻘـﺼـﻮرة ﻋـﻠـﻰ أﻧـﻮاع‬
‫ﻣﻌﻴﻨﺔ ﻣﻦ ا‪7‬ﻬﺎم‪ ،‬وأﻛﺜﺮ ﻣﺎ ﻓﻬﻤﻨﺎ ﻣﻦ ا‪7‬ﺸﺎﻛﻞ ﻫﻲ ﺗﻠﻚ ا‪7‬ﺘﻌﻠﻘﺔ ﺑﺎﻟﺘﺸﺨـﻴـﺺ‬
‫اﻟﻄﺒﻲ‪ ،‬وﺗﻨﻄﻮي ﻋﺎدة ﻋﻠﻰ إﻳﺠﺎد اﻓﺘﺮاض )اﻟﺬي ﻳﺴﻤﻲ ﺗﺸﺨﻴﺺ( ﺑـﺤـﻴـﺚ‬

‫‪266‬‬
‫اﻟﻮﻋﺪ واﻷداء‬

‫ﻳﻔﺴﺮ ﺑﻄﺮﻳﻘﺔ ﻣﻨﺘﻈﻤﺔ وﺛﺎﺑﺘﺔ ﻣﺠﻤﻮﻋﺔ ﻣﻦ اﻟﺒﻴﺎﻧﺎت‪ .‬وﻻزال أﻣـﺎﻣـﻨـﺎ ﺷـﻮط‬

‫ﻃﻮﻳﻞ ﻗﺒﻞ اﻟﺘﻮﺻﻞ ﳊﻠﻮل ﻣﺮﺿﻴﺔ ‪7‬ﺴﺎﺋﻞ اﻟﺘﻜﻬﻨﺎت ‪ prognosis‬أو ﺑﻨﺎء ﻛﻴﺎﻧﺎت‬
‫ﻫﻴﻜﻠﻴﺔ ﻣﻌﻘﺪة‪ ،‬ﺧﺎﺻﺔ ﻋﻨﺪﻣﺎ ﻻ ‪v‬ﻜﻦ اﻟﺘﻌﺒﻴﺮ ﻋﻦ ا‪7‬ﻌﺎﻳﻴﺮ ا‪7‬ﻤﻴﺰة ﺑﺎﻷﺳﻠﻮب‬
‫اﻟﺘﻘﻨﻲ ﻣﺜﻞ ا‪7‬ﻌﺎﻳﻴﺮ اﳉﻤﺎﻟﻴﺔ أو اﻟﻔﻨﻴﺔ‪ ،‬وﻓﻲ ﺑﻌﺾ ا‪7‬ﺴﺎﺋﻞ ﺗﻌﻄﻰ أﻧﻮاع ﻣﻦ‬
‫ا‪7‬ﻌﻠﻮﻣﺎت ﻛﺎ‪7‬ﺘﻌﻠﻘﺔ ﺑﺎﻟﺰﻣﻦ وا‪7‬ﻜﺎن ﺑﻄﺮﻳﻘﺔ ﻋﺸﻮاﺋﻴﺔ وﻻ ‪v‬ﻜﻦ اﻟﺘﻌﻤﻴﻢ ﺑـﻬـﺎ‬
‫ﺑﺴﻬﻮﻟﺔ‪ .‬وﻳﺠﺐ أن ﺜﻞ ا‪7‬ﻌﺮﻓﺔ ا‪7‬ﻜﺎﻧﻴﺔ ﻓﻲ اﻵﻟﺔ‪-‬ﻓﻲ ﺣﺪود إﻣﻜﺎﻧﺎﺗﻨﺎ اﳊﺎﻟﻴﺔ‪-‬‬
‫ﺑﺼﻮرة واﺿﺤﺔ ﺗﻌﻮض اﻵﻟﺔ ﻋﻦ إدراﻛﻨﺎ اﻟﻔـﻴـﺰﻳـﻘـﻲ ﺑـﺎ‪7‬ـﻜـﺎن‪ .‬وﻻ ﻧـﺘـﻮﻗـﻊ أن‬
‫ﻧﺘﻤﻜﻦ ﻓﻲ اﻟﺴﻨﻮات اﳋﻤﺲ اﻟﻘﺎدﻣﺔ ﻣﻦ رﺑﻂ إدراﻛـﻨـﺎ اﻟـﺴـﻤـﻌـﻲ أو ا‪7‬ـﺮﺋـﻲ‬
‫ﺑﺎﻟﻨﻈﻢ اﳋﺒﻴﺮة ﻋﻠﻰ ﻣﺴﺘﻮى ﻋﺎل‪.‬‬
‫وﺳﻴﺴﺘﻤﺮ اﻟﺒﺎﺣﺜﻮن ﻓﻲ ﺗﻄﻮﻳﺮ أدوات ﺑﻨﺎء اﻟﻨﻈﻢ اﳋـﺒـﻴـﺮة وﺳـﺘـﺴـﺎﻋـﺪ‬
‫ﻫﺬه ﻓﻲ ﻣﻌﺎﳉﺔ أﻧﻮاع ﺟﺪﻳﺪة ﻣـﻦ ا‪7‬ـﺴـﺎﺋـﻞ‪ ،‬وﻋـﻠـﻰ اﻻﺳـﺘـﻔـﺎدة ﻣـﻦ ﻣـﻌـﺮﻓـﺔ‬
‫وﻣﻌﻠﻮﻣﺎت ﻓﻲ ﻣﺠﺎﻻت ﻋﺪﻳﺪة ﻋﻠﻰ أن ﺗﻜﻮن ا‪7‬ﻌﺮﻓﺔ ﻓﻲ ﻛﻞ ﻣﻴﺪان ﻣﺼﺎﻏﺔ‬
‫ﺑﺘﺮﻛﻴﺐ ‪‡ syntax‬ﺎﺛﻞ‪ ،‬وأن ﺗﻜﻮن أﻫﺪاف ا‪7‬ﻌﺮﻓﺔ واﺣﺪة‪.‬‬
‫وﺗﺆدي اﻟﻌﻼﻗﺔ اﻟﺮﻣﺰﻳﺔ ﻣﻊ أﺑﺤﺎث ﻓﻬﻢ اﻟﻠﻐﺎت اﻟﻄﺒﻴﻌﻴﺔ إﻟﻰ ﻧﻈﻢ ﺳﻬﻠﺔ‬
‫اﻻﺳﺘﻌﻤﺎل وﻣﺘﺎﺣﺔ ﻟﻐﻴﺮ ﻋﻠﻤﺎء ا‪7‬ﻌﻠﻮﻣﺎت‪ ،‬وﺳﺘﺴﺘﺤﺪث ﺑﺮاﻣﺞ ﻣﺘـﺨـﺼـﺼـﺔ‬
‫ﻟﻠﻘﻴﺎم ﺑﺎ‪7‬ﻬﻤﺔ ا‪7‬ﺘﺨﺼﺼﺔ وﻫﻲ اﺳﺘﺨﻼص ا‪7‬ﻌﺮﻓﺔ اﻷﺳﺎﺳﻴﺔ‪-‬ﻣﻦ ﺑ‪ T‬ا‪7‬ﻮاد‬
‫اﶈﻴﻄﺔ‪-‬وﻳﺴﺘﺨﺪم ﻫﺬه اﻟﺒﺮاﻣﺞ ﻋﺎﻟﻢ ا‪7‬ﻌﺮﻓﺔ ﻟﺘﺴﻬﻴﻞ ﻣﻬﻤﺘﻪ ‪7‬ﺴﺎﻋﺪة اﳋﺒﻴﺮ‬
‫اﻟﺒﺸﺮي ﻓﻲ اﺳﺘﺨﺮاج ﻛﺎﻣﻞ ﻣﻌﺮﻓﺘﻪ وﺧﺒﺮﺗﻪ وأن ﻳﺒﻴﻨﻬﺎ ﺑﺎﻟﺼﻮرة اﻟﺘﻲ ‪n‬ﻜﻦ‬
‫آﻟﻴﺎت اﻻﺳﺘﺪﻻل ﻣﻦ اﻻﺳﺘﻔﺎدة ﻣﻨﻬﺎ‪.‬‬
‫وﻳﺴﺘﻤﺮ ﻋﻠﻤﺎء ا‪7‬ﻌﻠﻮﻣﺎت اﻟﻴﻮم ﻓﻲ ﺗﻄﻮﻳﺮ ﻗﻮاﻋﺪ ا‪7‬ﻌﺮﻓﺔ ﻓﻲ ﺑﺮاﻣﺠـﻬـﻢ‬
‫ﺑﺎﻟﻴﺪ ﻟﻌﺪم وﺟﻮد ﻃﺮﻳﻘﺔ أﻓﻀﻞ‪ ،‬وﻳﺴﻤﺢ ﺑﺬﻟﻚ ﺻﻐﺮ ﺣﺠﻢ اﻟﺒﺮاﻣﺞ اﳊﺎﻟﻴﺔ‪،‬‬
‫وﻟﻜﻦ ﻣﺎذا ﺳﻴﺤﺪث ﻋﻨﺪﻣﺎ ﻳﺼﻞ ﺣﺠﻢ اﻟﻘﻮاﻋﺪ ﻓﻲ ﺑﺮاﻣﺠﻬﻢ إﻟﻰ أﻛﺜﺮ ﻣـﻦ‬
‫ﻣﻠﻴﻮن ﻗﺎﻋﺪة وﻣﻔﻬﻮم? ﻋﻠﻰ اﻟﺒﺮاﻣﺞ اﻟﺘﻲ ﻋﻠﻰ ﻫﺬه اﻟﺪرﺟﺔ ﻣﻦ اﻟﻀﺨﺎﻣﺔ أن‬
‫ﺗﺘﻌﻠﻢ ﻣﻦ اﳋﺒﺮة‪ ،‬وأن ﺗﻄﻮر ﻧﻔﺴﻬﺎ ﺑﺎﺳﺘﺨﺪام ﻗﻮاﻋﺪ ﺑﺴﻴﻄﺔ ﻳﻀﻴﻔﻬﺎ اﳋﺒﻴﺮ‬
‫اﻹﻧﺴﺎﻧﻲ ﻟﺘﻘﻮ€ أداﺋﻬﺎ‪ .‬ﻓﻬﻲ أوﻻ ﺳﺘﺼﺒﺢ ﻗﺎدرة ﻋﻠﻰ ﲢﺴ‪ T‬ﻗﻮاﻋﺪ ﻣﻌﺮﻓﺘﻬﺎ‪،‬‬
‫ﺛﻢ ﺗﻄﻮر ﺑﻌﺪ ذﻟﻚ آﻟﻴﺎت اﺳﺘﺨﺪام ﻫﺬه اﻟﻘﻮاﻋﺪ أي اﺳﺘﺮاﺗﻴﺠﻴﺎﺗﻬﺎ اﻟﻌﻠﻴﺎ‪.‬‬
‫وﺳﻴﻔﻘﺪ اﻟﻨﻘﺪ اﻟﺸﺎﺋﻊ اﻟﻘﺎﺋﻞ ﺑﺄن اﳊﺎﺳﺒﺎت ﻻ ﺗﺴﺘﻄﻴﻊ أن ﺗﻔﻌﻞ إﻻ ﻣﺎ‬
‫ﻳﺄﻣﺮﻫﺎ ﺑﻪ اﻹﻧﺴﺎن ﻣﺸﺮوﻋﻴﺘﻪ أﻛﺜﺮ ﻓﺄﻛﺜﺮ‪.‬‬

‫‪267‬‬
 ‫اﻟﺬﻛﺎء اﻻﻗﺘﺼﺎدي‬

‫اﳌﺮاﺟﻊ‬

(1) Feigenbaum, E.A., A., McCorduck, P. (1983). The Fifth Genera tion, Reading, Mass. addison-
Wesley (London, Pan Books 1984).
(2) Project ESPRIT (1983), Report of the EEC, Brussels.
(3) English, M. (1983). The European IT-Industry, Report of the EEC, Brussels.

268
 ‫‪Noor.k.k-1994‬‬

‫ا'ﺘﺮﺟﻢ ﻓﻲ ﺳﻄﻮر‪:‬‬
‫د‪ .‬ﻋﻠﻲ ﺻﺒﺮي ﻓﺮﻏﻠﻲ‬
‫× وﻟﺪ ﻓﻲ اﻹﺳﻜﻨﺪرﻳﺔ ﺑﺠﻤﻬﻮرﻳﺔ ﻣﺼﺮ اﻟﻌﺮﺑﻴﺔ ﻋﺎم ‪.١٩٣٨‬‬
‫× ﺣﺼﻞ ﻋﻠﻰ دﻛﺘﻮراه اﻟﻔﻠﺴﻔﺔ ﻓﻲ ﻋﻠﻢ اﻟﻠﻐﺔ ﻣﻦ ﺟﺎﻣﻌﺔ ﺗﻜﺴﺎس ﺑﺄوﺳ§‬
‫ﺑﺎﻟﻮﻻﻳﺎت ا‪7‬ﺘﺤﺪة ﻋﺎم ‪.١٩٨١‬‬
‫× ﻋﻤﻞ ﻓﻲ ﺟﺎﻣﻌﺔ اﻹﺳﻜﻨﺪرﻳﺔ ﻣﻦ ‪ ١٩٨١‬ﺣﺘﻰ ‪.١٩٨٣‬‬
‫× ﻋﻤﻞ ﻓﻲ ﻣﺆﺳﺴﺔ أوﻣﻨﻴﺘﺮاﻧﺲ ﻟﻠﺘﺮﺟﻤﺔ اﻵﻟﻴﺔ ﺑﻜﺎﻟﻴﻔﻮرﻧﻴـﺎ ﺑـﺎﻟـﻮﻻﻳـﺎت‬
‫ا‪7‬ﺘﺤﺪة اﻷﻣﺮﻳﻜﻴﺔ ﻣﻦ‪ ١٩٨٣‬ﺣﺘﻰ ﻧﻬﺎﻳﺔ ‪.١٩٨٤‬‬
‫× ﺷﻐﻞ ﻣﻨﺼﺐ ﻣﺪﻳﺮ ﻣﺴﺎﻋﺪ ﻟﻠﺸﺌﻮن اﻷﻛﺎد‪v‬ﻴﺔ †ﺮﻛﺰ اﻟﻠﻐﺎت ﺑﺠﺎﻣﻌﺔ‬
‫اﻟﻜﻮﻳﺖ ﺛﻢ ﻋﻤﻞ ﻣﺪرﺳﺎ ﻟﻌﻠﻢ اﻟﻠﻐﺔ ﺑﻘﺴـﻢ اﻟـﻠـﻐـﺔ اﻹﳒـﻠـﻴـﺰﻳـﺔ ﺑـﻜـﻠـﻴـﺔ اﻵداب‬
‫ﺑﺠﺎﻣﻌﺔ اﻟﻜﻮﻳﺖ ﺣﺘﻰ ﻋﺎم ‪.١٩٨٩‬‬
‫× ﻳﺸﻐﻞ ﻣﻨﺬ ﺳﺒﺘﻤﺒـﺮ ‪ ١٩٨٩‬وﻇﻴﻔﺔ أﺳﺘﺎذ ﻣﺸﺎرك ﻟﻌﻠﻢ اﻟﻠﻐﺔ ﺑﺎﳉـﺎﻣـﻌـﺔ‬
‫اﻷﻣﺮﻳﻜﻴﺔ ﺑﺎﻟﻘﺎﻫﺮة‪.‬‬
‫× ﻟ ــﻪ أﺑـ ـﺤـ ــﺎث ﻋـ ــﺪﻳـ ــﺪة‬
‫ﻣﻨﺸﻮرة ﺑﺎﻟﻠﻐﺘ‪ T‬اﻹﳒـﻠـﻴـﺰﻳـﺔ‬
‫واﻟ ـ ـﻌـ ــﺮﺑ ـ ـﻴـ ــﺔ ﻓـ ــﻲ اﻟـ ــﺬﻛ ـ ــﺎء‬
‫اﻻﺻﻄﻨﺎﻋﻲ‪ ،‬اﻟﺘﺮﺟﻤﺔ اﻵﻟﻴﺔ‬
‫اﻟﻜﺘﺎب‬ ‫وﺗﺪرﻳﺲ اﻟﻠـﻐـﺎت ﺑـﺎﺳـﺘـﺨـﺪام‬
‫اﻟﻘﺎدم‬ ‫اﳊﺎﺳﻮب‪.‬‬

‫اﳌﻌﺘﻘﺪات اﻟﺪﻳﻨﻴﺔ‬
‫ﺑﲔ ﺷﻌﻮب اﻟﻌﺎﻟﻢ‬
‫أﺷﺮف ﻋﻠﻰ اﻟﺘﺤﺮﻳﺮ‪ :‬ﺟﻮﻓﺮي ﺑﺎرﻧﺪر‬
‫ﺗﺮﺟﻤﺔ‪ :‬أ‪ .‬د‪/‬إﻣﺎم ﻋﺒﺪ اﻟﻔﺘﺎح إﻣﺎم‬
‫ﻣﺮاﺟﻌﺔ‪ :‬أ‪ .‬د‪/‬ﻋﺒﺪ اﻟﻐﻔﺎر ﻣﻜﺎوي‬

‫‪269‬‬
‫‪https://t.me/NoorAlbersi_Library‬‬
 ‫‪de‬‬
‫ﻳﻘﺪم ﻫﺬا اﻟﻜﺘﺎب ﻟﻠﻘﺎر‪ M‬اﻟﻌﺮﺑﻲ ﻋﻠﻢ اﻟﺬﻛﺎء اﻻﺻـﻄـﻨـﺎﻋـﻲ‪ ،‬وﻫـﻮ‬
‫ﻋﻠﻢ ﺣﺪﻳﺚ اﻛﺘﺴﺐ أﻫﻤﻴﺔ ﺑﺎﻟﻐﺔ ﻓﻲ اﻟﺴﻨﻮات اﻷﺧﻴﺮة ﻟﺘﻄﺒﻴﻘﺎﺗﻪ اﻟﻌﺪﻳﺪة‬
‫ﻓﻲ ﻣﺠﺎﻻت ﺣﻴﻮﻳﺔ ﻛﺎﻟﺪﻓﺎع واﻻﺳﺘﺨﺒﺎرات واﳊﺎﺳﻮب واﻟﺘﺮﺟﻤﺔ اﻵﻟﻴﺔ‬
‫وﻏﻴﺮﻫﺎ‪ .‬وﻳﺘﻤﻴﺰ ﻋﻠﻢ اﻟﺬﻛﺎء اﻻﺻﻄﻨﺎﻋﻲ ﺑﺄﻧﻪ ﻋﻠـﻢ ﺗـﻌـﺪدي‪ ،‬ﻳـﺸـﺎرك‬
‫ﻓﻴﻪ ﻋﻠﻤﺎء اﳊﺎﺳﺐ اﻵﻟﻲ واﻟﺮﻳـﺎﺿـﻴـﺎت وﻋـﻠـﻢ اﻟـﻨـﻔـﺲ وﻋـﺎﻟـﻢ اﻟـﻠـﻐـﺔ‬
‫واﻟﻔﻠﺴﻔﺔ‪ .‬وﻳﻌﻄﻲ ﻫﺬا اﻟﻜﺘﺎب ﻓﻜﺮة ﻋﻠﻤﻴﺔ دﻗﻴﻘﺔ ﻋﻦ ﺗﻘﻨﻴـﺔ اﻟـﺬﻛـﺎء‬
‫اﻻﺻﻄﻨﺎﻋﻲ وإﻣﻜﺎﻧﺎﺗﻪ وإﺷﻜﺎﻻﺗﻪ‪ ،‬وﻫﻮ ﻳﻨﻬﺞ ﻧﻬﺠﺎ ﻋﻠﻤﻴﺎ ﻣﻮﺿـﻮﻋـﻴـﺎ‬
‫ﺑﻌﻴﺪا ﻋﻦ ا‪7‬ﺒﺎﻟﻐﺎت واﻻﻧﺒﻬﺎر‪ .‬وﻫﻮ أول ﻛﺘﺎب ﻋﻦ ﻫﺬا اﻟﻌﻠﻢ ﻓﻲ ا‪7‬ﻜﺘﺒﺔ‬
‫اﻟﻌﺮﺑﻴﺔ‪ .‬وﻳﺮﻛﺰ اﻟﻜﺘﺎب ﻋﻠﻰ ﻋﺪة ﻣـﺤـﺎور رﺋـﻴـﺴـﺔ ﻣـﻦ ﻣـﺤـﺎور اﻟـﺬﻛـﺎء‬
‫اﻻﺻﻄﻨﺎﻋﻲ وﻫﻲ ﻣﻌﺎﳉﺔ اﻟﻠﻐﺎت اﻟﻄﺒﻴﻌﻴﺔ‪ ،‬واﻟﻨﻈﻢ اﳋﺒﻴﺮة و‪n‬ﺜﻴـﻞ‬
‫ا‪7‬ﻌﺮﻓﺔ ﻛﻤﺎ ﻳﻔﺮد ﻓﺼﻼ ﻛﺎﻣﻼ ﻋﻦ اﺳﺘﺨﺪام ﺗﻘﻨﻴﺔ اﻟﺬﻛﺎء اﻻﺻﻄﻨﺎﻋﻲ‬
‫ﻓﻲ اﻟﺒﺮاﻣﺞ اﻟﺘﻌﻠﻴﻤﻴﺔ اﻟﺘﻲ ﻳﺴﺘﺨﺪﻣﻬﺎ اﳊﺎﺳﺐ اﻵﻟﻲ‪ .‬وﺗـﻌـﺘـﺒـﺮ ﻫـﺬه‬
‫اﶈﺎور ﻣﻦ أﻫﻢ ﺟﻮاﻧﺐ اﻟﺒﺤﺚ ﻓﻲ اﻟﺬﻛﺎء اﻻﺻﻄﻨﺎﻋﻲ إﻻ أﻧﻪ ﻳﺠـﺐ‬
‫اﻹﺷﺎرة إﻟﻰ أن ﻫﻨﺎك ﻣﺤﺎور أﺧﺮى ﻟﻢ ﻳﺘﻨﺎوﻟﻬﺎ اﻟﻜـﺘـﺎب ﻣـﺜـﻞ ﲢـﻠـﻴـﻞ‬
‫وﺗﺨﻠﻴﻖ اﻟﻜﻼم وﲢﻠﻴﻞ اﻷﺷﻜﺎل ا‪7‬ﺮﺋﻴﺔ وﻏﻴﺮﻫﺎ‪ ،‬إﻻ أن اﻟﻜﺘﺎب ﻳﻐﻄﻲ‬
‫اﳉﻮاﻧﺐ اﻷﺳﺎﺳﻴﺔ ﻟﻬﺬا اﻟﻌﻠﻢ اﳉﺪﻳﺪ وﻳﺘﻤﻴﺰ ﺑﺎﻟﻌﺮض اﻟﻌﻠﻤﻲ اﻟﺴﻠﻴﻢ‪،‬‬
‫ورﻏﻢ ﺗﻮﺟﻬﻪ ﻟﻠﻘﺎر‪ M‬اﻟﻌﺎدي إﻻ أﻧﻪ ﻻ ﻳﻠﺠﺄ ﻟﻠﺘﺒﺴﻴﻂ اﺨﻤﻟﻞ‪ ،‬وﻧﺄﻣﻞ أن‬
‫ﻳﻜﻮن ﻫﺬا اﻟﻜﺘﺎب ﺑﺎﻛﻮرة أﻋﻤﺎل ﻋﺪﻳﺪة ﺑﺎﻟﻠﻐﺔ اﻟﻌـﺮﺑـﻴـﺔ ﻓـﻲ ﻣـﺠـﺎﻻت‬
‫اﻟﺒﺤﺚ اﻟﻬﺎﻣﺔ ﻟﻠﺬﻛﺎء اﻻﺻﻄﻨﺎﻋﻲ‪.‬‬