المقدمة

تُعد أطر الكفاءة أدوات لا غنى عنها للمؤسسات التي تسعى إلى مواءمة قواها العاملة مع أهدافها الاستراتيجية، وللأفراد الذين يهدفون إلى تقييم قدراتهم المهنية وتعزيزها. تعمل هذه الأطر كحلقة وصل حيوية بين المجالين الأكاديمي والمهني، مما يسهل مزامنة المناهج الجامعية مع متطلبات الصناعة المتطورة باستمرار، ويساعد الصناعات في تحسين استراتيجيات التوظيف الخاصة بهم. كما أنها تمكن الموظفين من تطوير مهاراتهم وتقدمهم الوظيفي. ومع ذلك، فإن عدم وجود إطار كفاءة عالمي أو موحد يمثل تحديًا كبيرًا. فغالبًا ما يتم تصميم كل إطار لمهن أو مجالات محددة، ويلتزم بإرشادات ومعايير متميزة، ويخضع لتحديثات مستمرة لتعكس التغييرات في ممارسات الصناعة. يمكن أن تؤدي هذه التعديلات المستمرة إلى التعبير عن الكفاءات المتكافئة بطرق متنوعة، مما يعيق قابلية التشغيل البيني ويعقد تجميع البيانات من أطر متعددة. تتناول هذه الورقة هذه المشكلة الحرجة من خلال تقديم نهج مبتكر يستفيد من نماذج اللغة الكبيرة (LLMs) لرسم خرائط أطر الكفاءة. والغرض من مراجعة الأدبيات هذه هو تلخيص وتركيب وتقييم نقدي للبحوث الحالية حول ربط أطر الكفاءة، مع التركيز بشكل خاص على الدور التحويلي لنماذج اللغة الكبيرة (LLMs) في مجال إدارة المشاريع.

خلفية عن أطر الكفاءة

أطر الكفاءة هي أنظمة منظمة تحدد المهارات الأساسية والمعرفة والسلوكيات والسمات اللازمة للأداء الفعال في أدوار محددة أو داخل منظمة ما. توفر هذه الأطر نهجًا منظمًا لتحديد وتطوير الكفاءات المطلوبة للمناصب المختلفة، وبالتالي مواءمة القدرات الفردية مع الأهداف التنظيمية. تظهر أهمية أطر الكفاءة عبر مجموعة واسعة من المجالات، بما في ذلك على سبيل المثال لا الحصر، الموارد التعليمية، والشراكات بين الجامعات والصناعة، وكفاءة طاقم الطائرة، والمهن الصيدلانية. في المجال المتخصص لإدارة المشاريع، طورت العديد من المنظمات المؤثرة مثل الرابطة الدولية لإدارة المشاريع (IPMA)، ومعهد إدارة المشاريع (PMI)، والمعهد الأسترالي لإدارة المشاريع (AIPM) أطر الكفاءة الخاصة بهم. يتبنى إطار IPMA منظورًا شاملاً يتضمن الكفاءة التقنية والذكاء السياقي والعناصر السلوكية. في المقابل، يركز إطار PMI، كما هو مفصل في هيئة المعرفة لإدارة المشاريع (PMBOK)، على إتقان مجالات المعرفة المحددة مثل النطاق والوقت وإدارة المخاطر. من ناحية أخرى، يركز إطار AIPM على معالجة الكفاءات عبر مراحل مختلفة من مهنة مدير المشروع، مما يسلط الضوء على أهمية القدرة على التكيف والتطوير المستمر. على الرغم من توافر هذه الأطر المتعددة، إلا أنها غالبًا ما تظهر كفاءات مشتركة وتداخلًا كبيرًا، لكنها مصممة بطبيعتها لتلبية المتطلبات الفريدة لمهن أو مجالات محددة. يتضخم هذا التعقيد بشكل أكبر من خلال المتطلبات المتنوعة والمتخصصة لأنواع مختلفة من المشاريع، مثل تلك الموجودة في البناء وتطوير المنتجات الصناعية وتكنولوجيا المعلومات، حيث قد يتطلب كل منها أطرًا مخصصة.

التحديات في ربط أطر الكفاءة

يكمن التحدي الرئيسي في العمل مع أطر الكفاءة المتنوعة في تحقيق قابلية التشغيل البيني من خلال الربط الفعال. اعتمدت الأساليب التقليدية لرسم خرائط أطر الكفاءة بشكل كبير على العمليات اليدوية. هذه الأساليب اليدوية ليست فقط تستغرق وقتًا طويلاً وتستهلك الكثير من الموارد، ولكنها أيضًا عرضة للخطأ البشري. علاوة على ذلك، فإن التحديثات والتعديلات المستمرة للمعايير وإصدارات الإطار تقدم طبقات إضافية من التعقيد لعملية الربط. أعاق عدم وجود حلول آلية قوية في هذا المجال بشكل كبير دمج البيانات بكفاءة من أطر متعددة، مما يؤكد الحاجة الماسة إلى أساليب أكثر تطوراً وقابلة للتطوير. الهدف هو تحديد العلاقات بين الكفاءات عبر الأطر، بما في ذلك التطابقات الدقيقة، والتكافؤ، والعلاقات الهرمية، وعلاقات الجزء بالكل.

النهج الحالية لربط أطر الكفاءة

تاريخيًا، اعتمد ربط أطر الكفاءة بشكل أساسي على الجهود اليدوية للخبراء. استخدمت العديد من الدراسات تقييمات كمية لتقييم مواءمة أطر الكفاءة، معتمدة في كثير من الأحيان على عمليات الربط اليدوية. على سبيل المثال، قامت إحدى الدراسات بتقييم كمي لمواءمة ثمانية أطر للكفاءة مع معيار دولي للتدريب على الصحة العامة، مما يسلط الضوء على التنوع المتأصل في أطر الكفاءة من خلال المقارنة اليدوية. في السنوات الأخيرة، بدأت جهود البحث في استكشاف التقنيات الآلية. تضمنت المحاولات المبكرة للتشغيل الآلي مناهج قائمة على القواعد مصممة لاستخراج الميزات بشكل منهجي من أوصاف المهارات ضمن معيار كفاءة معين، واستخدام هذه الميزات لتدريب مصنفات التعلم الآلي لربط الميزات بمعيار آخر. استخدمت طرق أخرى أدوات ربط المفاهيم لإنشاء تمثيلات مرئية للمعرفة ولقياس التشابه بين المهارات من خلال مطابقة الرسم البياني. على سبيل المثال، تم استخدام أداة C-map، وهي تقنية تمثيل مرئي، لربط المفاهيم التي تربط تجارب الذين تمت مقابلتهم بكفاءات إدارة المشاريع المطلوبة لتطوير الإطار. في حين أن هذه الأساليب قد قدمت رؤى قيمة، إلا أنها غالبًا ما تعتمد على نماذج معالجة اللغة الطبيعية التقليدية (NLP) ولا تزال تتطلب مراجعات يدوية، مما يحد من قابليتها للتوسع وكفاءتها الإجمالية. استخدمت بعض الدراسات تضمين النص وتشابه جيب التمام لربط المهارات عبر منصات التعلم الرقمي، لكنها اعتمدت على نماذج البرمجة اللغوية العصبية التقليدية، دون استكشاف إمكانات نماذج اللغة الكبيرة.

دور نماذج اللغة الكبيرة في ربط الكفاءة

تقدم هذه الورقة نهجًا جديدًا يعالج قيود الأساليب السابقة من خلال الاستفادة من نماذج اللغة الكبيرة (LLMs). تمثل هذه الدراسة أول تطبيق لنماذج اللغة الكبيرة على وجه التحديد في مجال إدارة الكفاءة، مع التركيز على ربط أطر الكفاءة المتنوعة. يوفر استخدام نماذج اللغة الكبيرة المدربة مسبقًا، مثل BERT و DistilBERT و RoBERTa و MPNet، مزايا كبيرة في التقاط الفروق الدقيقة الدلالية والمعاني السياقية. يمكن لنماذج اللغة الكبيرة هذه أن تولد تضمينات متجهية عالية الجودة تمثل بدقة غرض ومعنى أوصاف الكفاءة. باستخدام تشابه جيب التمام، يمكن قياس التشابه الدلالي بين متجهات الكفاءة، مما يسهل تحديد الكفاءات المتكافئة أو وثيقة الصلة عبر الأطر المختلفة. هذا النهج فعال بشكل خاص في الكشف تلقائيًا عن الكفاءات المتشابهة أو ذات الصلة من أطر متعددة، مما يتيح الإدارة الفعالة لأطر متعددة، بالإضافة إلى تحليل البيانات التاريخية من إصدارات مختلفة أو أطر مختلفة. يسهل النهج تحديد العلاقات بين الكفاءات عبر أطر متميزة، بما في ذلك التطابقات الدقيقة، والتكافؤ، والعلاقات الهرمية، وعلاقات الجزء بالكل.

تقييم نهج نموذج اللغة الكبيرة المقترح

تم تقييم نهج نموذج اللغة الكبيرة المقترح بدقة باستخدام ثلاثة أطر لكفاءة إدارة المشاريع تم تطويرها بواسطة شركة PMGS. استندت هذه الأطر كل منها إلى إصدارات مختلفة من معيار PMBOK (الإصدارات الخامس والسادس والسابع)، مما يسمح بإجراء تحليل شامل لفعالية النهج. تضمنت عملية الربط عدة خطوات رئيسية: أولاً، تم تحويل البيانات النصية إلى تضمينات متجهية باستخدام نماذج اللغة الكبيرة المدربة مسبقًا؛ ثم تم حساب درجات تشابه جيب التمام لترتيب الكفاءات الأكثر تشابهًا؛ أخيرًا، تم تصنيف العلاقات بين الكفاءات. استخدمت الدراسة مقاييس تقييم استرجاع المعلومات، وتحديداً الاستدعاء @k ومتوسط الترتيب التبادلي (MRR)، لتقييم دقة الربط. أظهرت النتائج التجريبية لربط الكفاءات بين الإطار 1 (بناءً على الإصدار الخامس من PMBOK) والإطار 2 (بناءً على الإصدار السادس من PMBOK) أداءً عاليًا عبر جميع نماذج اللغة الكبيرة المختبرة. وتجدر الإشارة إلى أن نموذج DistilBERT حقق أعلى درجة MRR وهي 0.97، مما يشير إلى أدائه المتفوق في استرجاع الكفاءات ذات الصلة. بالنسبة للربط بين الإطار 2 والإطار 3 (بناءً على الإصدار السابع من PMBOK)، أظهر نموذج MPNet أقوى معدلات استدعاء، بينما كان أداء النموذج القائم على BERT هو الأفضل من حيث MRR. لاحظت الدراسة أيضًا أن الربط بين الإطارين 1 و 2 كان أكثر نجاحًا من الربط بين الإطارين 2 و 3. ويعزى ذلك إلى الاختلافات الكبيرة التي تم تقديمها في الإصدار السابع من PMBOK، والتي حولت التركيز من العمليات إلى المبادئ ومجالات الأداء.

المناقشة والتركيب

الموضوع الرئيسي لهذا البحث هو استخدام نماذج اللغة الكبيرة لتحسين قابلية التشغيل البيني لأطر الكفاءة من خلال أتمتة عملية الربط. تؤكد الدراسة على قدرة نماذج اللغة الكبيرة في التقاط الفروق الدقيقة الدلالية والمعاني السياقية بدقة، وهو أمر ضروري لتحديد الكفاءات المتكافئة عبر الأطر المتباينة. يُظهر المجال إجماعًا عامًا على الحاجة إلى حلول ربط الكفاءة الآلية بسبب قيود طرق الربط اليدوية. توضح الدراسة انتقالًا واضحًا من الأساليب التقليدية القائمة على القواعد ومصنفات التعلم الآلي إلى التطبيق الأحدث والأكثر فاعلية لنماذج اللغة الكبيرة. ومع ذلك، هناك العديد من الفجوات الملحوظة في البحث الحالي. وتشمل هذه النطاق المحدود للدراسة، والتي ركزت فقط على ثلاثة أطر لإدارة المشاريع كلها تتماشى مع معيار PMBOK، مما قد يؤثر على قابلية تعميم النتائج. بالإضافة إلى ذلك، فإن عدم وجود بيانات متاحة للجمهور يحد أيضًا من التطبيق الواسع لهذه النتائج على المجالات الأخرى. النماذج المستخدمة، بما في ذلك BERT و RoBERTa و DistilBERT و MPNet، جميعها لها بنية محولة، وبالتالي تم إجراؤها باتساق عالٍ في الدراسة. يُعزى هذا الاتساق إلى آليات الانتباه التي يستخدمونها لالتقاط العلاقات السياقية في بيانات اللغة. يُظهر البحث أن DistilBERT، وهو إصدار أكثر إحكاما من BERT، هو أكثر كفاءة من حيث الموارد مع الحفاظ على أكثر من 95٪ من أداء BERT. ثبت أن MPNet يؤدي بشكل جيد في مجموعة متنوعة من مهام فهم اللغة.

رؤى نقدية وخاتمة

يُظهر هذا العمل توافقًا كبيرًا في إظهار التطبيق الناجح لنماذج اللغة الكبيرة لربط الكفاءة، خاصة في سياق إدارة المشاريع. توضح الدراسة بشكل فعال كيف يمكن لنماذج اللغة الكبيرة تحسين قابلية التشغيل البيني بين أطر الكفاءة، والتي لا تزال تشكل تحديًا حاسمًا في هذا المجال. ومع ذلك، يكمن الاختلاف الكبير في سياق الدراسة نفسها، حيث إنها تستخدم أطرًا تتعلق جميعها بمعيار PMBOK، مما قد يحد من إمكانية تعميم النتائج. يسهم هذا البحث في فهم ربط أطر الكفاءة من خلال تقديم نهج آلي قائم على نموذج اللغة الكبيرة يتفوق على الأساليب التقليدية من حيث الدقة والكفاءة. تشمل النتائج الرئيسية الأداء العالي لـ DistilBERT في ربط الأطر المماثلة، بالإضافة إلى فعالية MPNet و BERT عند ربط أطر أكثر تميزًا. يسلط هذا البحث الضوء على القيمة الكبيرة لنماذج اللغة الكبيرة في تسهيل ربط الكفاءة ويوفر مسارًا للبحث المستقبلي لاستكشاف تطبيق هذا النهج عبر مجالات أوسع باستخدام البيانات العامة. يجب أن تبحث الأبحاث الإضافية في تقنيات تحسين الفهم السياقي لنماذج اللغة الكبيرة من خلال ضبطها الدقيق لسياقات محددة. يمكن للدراسات المستقبلية أيضًا استكشاف تطبيق هذا النهج عبر مجموعة أوسع من أطر الكفاءة والاستفادة من مصادر البيانات العامة، مثل تصنيفات Lightcast و ESCO.

(Jemal et al., 2025)

للتعرف على تفاصيل برنامج الدبلومة المهنية لادارة المشاريع الاحترافية من هنا

References 

Jemal, I., Armand, N. S. W., & Chikhaoui, B. (2025). A new approach for competency frameworks mapping using large language models. Expert Systems with Applications, 263. https://doi.org/10.1016/j.eswa.2024.125648

الأسئلة الشائعة حول ربط أطر الكفاءة باستخدام نماذج اللغة الكبيرة

ما هي أطر الكفاءة وما أهميتها؟

أطر الكفاءة هي أدوات منظمة تحدد المهارات والمعرفة والسلوكيات والسمات اللازمة للأداء الفعال في أدوار محددة أو داخل منظمة ما. وهي بمثابة جسر بين الصناعة والأوساط الأكاديمية من خلال ضمان توافق المناهج التعليمية مع متطلبات الصناعة. تُعد هذه الأطر ضرورية لتحسين عمليات التوظيف، وتحديد المؤهلات الأساسية، ودعم تنمية مهارات الموظفين وتقدمهم الوظيفي. كما أنها قيّمة عبر مختلف المجالات، بما في ذلك التعليم والتعاون بين الجامعات والصناعة، والمهن المحددة مثل إدارة المشاريع.

ما هي التحديات الموجودة في استخدام ومقارنة أطر الكفاءة المختلفة؟

هناك العديد من التحديات التي تعيق الاستخدام والمقارنة الفعالة لأطر الكفاءة المختلفة. إن عدم وجود إطار عالمي يعني أن كل إطار غالبًا ما يكون مُصممًا لمهن أو مجالات محددة، حتى عندما تتشارك في كفاءات مشتركة. كما أن التحديثات والتغييرات المستمرة للمعايير تؤدي إلى إصدارات مختلفة من نفس الإطار، مما يعقد قابلية التشغيل البيني وتجميع البيانات من أطر متعددة. علاوة على ذلك، اعتمدت الأساليب السابقة لربط هذه الأطر في كثير من الأحيان على المعالجة اليدوية، وهي عملية تستغرق وقتًا طويلاً وليست قابلة للتطوير.

كيف يعالج النهج المقترح باستخدام نماذج اللغة الكبيرة (LLMs) هذه التحديات؟

يستخدم النهج المقترح نماذج اللغة الكبيرة (LLMs) لربط الكفاءات تلقائيًا عبر الأطر المختلفة. وهو يستفيد من النماذج المدربة مسبقًا مثل BERT و DistilBERT و RoBERTa و MPNet لتحويل أوصاف الكفاءة إلى تضمينات متجهية (vector embeddings). تلتقط هذه التضمينات المعنى الدلالي للنص، مما يسمح بحساب درجات التشابه باستخدام تشابه جيب التمام (cosine similarity). تُمكّن هذه الطريقة من تحديد الكفاءات المتكافئة أو وثيقة الصلة عبر الأطر المختلفة، وبالتالي تعزيز قابلية التشغيل البيني وأتمتة عملية الربط.

ما هي الخطوات الرئيسية في نهج ربط الكفاءة المقترح؟

تتكون عملية الربط من ثلاث خطوات رئيسية: (1) تضمين النص: تُستخدم نماذج اللغة الكبيرة (LLMs) المدربة مسبقًا لتحويل الأوصاف النصية للكفاءات إلى تضمينات متجهية. (2) حساب التشابه: يتم استخدام تشابه جيب التمام لقياس التشابه الدلالي بين هذه التضمينات. (3) ربط الكفاءة: يتم تحديد وتصنيف العلاقات بين الكفاءات، مثل التطابقات الدقيقة والتكافؤ والعلاقات الهرمية، بناءً على درجات التشابه.

ما هي نماذج اللغة الكبيرة (LLMs) المدربة مسبقًا التي تم استخدامها، ولماذا تم اختيارها؟

استخدمت الدراسة أربعة نماذج محولات (transformer models) مدربة مسبقًا: BERT و DistilBERT و RoBERTa و MPNet. تم اختيار هذه النماذج لفعاليتها المعروفة في التقاط الفروق الدقيقة الدلالية والمعاني السياقية في اللغة. وقد تم تدريبها على مجموعات بيانات ضخمة، مما يسمح لها بالاستفادة من المعرفة المكتسبة لتضمين النص دون الحاجة إلى حسابات مكثفة الموارد. تمثل النماذج أساليب وتحسينات مختلفة داخل بنية المحول، مما يوفر تحليلاً مقارنًا لأدائها في ربط الكفاءة.

كيف يتم تقييم أداء نهج ربط الكفاءة؟

يتم تقييم أداء النهج المقترح باستخدام مقياسين من مقاييس استرجاع المعلومات: الاستدعاء @k (Recall@k) ومتوسط الترتيب التبادلي (MRR). يقيس الاستدعاء @k قدرة النموذج على استرجاع العناصر ذات الصلة ضمن أعلى k من النتائج، بينما يؤكد MRR على أهمية موقع أول عنصر ذي صلة في القائمة المسترجعة. توفر هذه المقاييس نظرة ثاقبة على كل من استرجاع التطابقات ذات الصلة ودقة ترتيب الكفاءات المتشابهة التي يحددها النموذج.

ما هي نتائج ربط الكفاءات بين الأطر القائمة على إصدارات مختلفة من دليل PMBOK؟

قامت الدراسة بربط الكفاءات عبر ثلاثة أطر تستند إلى الإصدارات الخامس والسادس والسابع من دليل هيئة المعرفة لإدارة المشاريع (PMBOK). أظهرت النتائج أن الربط بين الأطر المستندة إلى الإصدارين الخامس والسادس كان فعالًا للغاية، نظرًا للتداخل الكبير في الكفاءات وأسسها المتشابهة. ومع ذلك، كان الربط بين إطاري الإصدارين السادس والسابع أكثر صعوبة بسبب التغييرات الكبيرة في الإصدار السابع، على الرغم من أن النماذج أدت بشكل جيد إلى حد معقول، مما يسلط الضوء على فعالية النهج حتى مع الاختلافات. تفوق نموذج DistilBERT عمومًا على النماذج الأخرى في الربط بين إطاري الإصدارين الخامس والسادس، بينما كان أداء MPNet و BERT هو الأفضل في الربط بين الإصدارين السادس والسابع.

ما هي قيود الدراسة وما هو العمل المستقبلي المقترح؟

تشمل القيود الرئيسية للدراسة التركيز فقط على أطر إدارة المشاريع المتوافقة مع معيار PMBOK واستخدام بيانات غير عامة. تُقر الدراسة أيضًا بأنه على الرغم من فعاليتها، قد لا تلتقط نماذج اللغة الكبيرة (LLMs) جميع الفروق الدقيقة والعوامل السياقية. يجب أن تعالج الأبحاث المستقبلية هذه القيود من خلال تطبيق النهج على نطاق أوسع من الأطر، والاستفادة من مجموعات البيانات المتاحة للجمهور، وتعزيز الفهم السياقي لنماذج اللغة الكبيرة، واستكشاف الضبط الدقيق (fine-tuning) لمجالات محددة لتحسين دقة الربط وملاءمته.