قاعدة المعارف AIEdAIEd KB
في هذه الصفحة

هذه الصفحة مترجمة إلى العربية. أما صفحات المقالات فهي لا تزال مكتوبة بالإنجليزية. اقرأ هذه الصفحة بالإنجليزية

المفاهيم

الذكاء الاصطناعي التوليدي

تاريخ الإنشاء 2026-10-12

ترجمة آلية للصفحة الإنجليزية، لم يراجعها بعد متحدث أصلي.

الذكاء الاصطناعي التوليدي (Generative AI) — أنظمة ذكاء اصطناعي قادرة على إنتاج نصوص وأكواد وصور ومحتويات أخرى، وأبرزها النماذج اللغوية الكبيرة مثل GPT-4 وClaude. فالذكاء الاصطناعي التوليدي هو التقنية التي تدفع الموجة الحالية من بحوث الذكاء الاصطناعي في التعليم (research).

أسئلة للتأمل

  • يُنتج الذكاء الاصطناعي التوليدي محتوى طليقًا يبدو واثقًا عند الطلب. فهل الطلاقة تعني الصحة، وأين رأيتَ مخرجًا يبدو واثقًا وهو خاطئ — وما الذي جعل اكتشافه صعبًا؟
  • على عكس الأنظمة السابقة القائمة على القواعد أو الاسترجاع، تُنشئ النماذج التوليدية محتوى جديدًا بدلًا من استرجاع أجوبة مخزّنة. فكيف يُغيّر ذلك من طبيعة المخاطر — الهلوسة والاعتماد المفرط والنزاهة الأكاديمية — مقارنةً بمحرك البحث؟
  • مع أكثر من 80 مقالًا، يُعدّ الذكاء الاصطناعي التوليدي أكبر خيط في قاعدة المعارف هذه، ويمتد من التدريس والتقويم إلى توليد المحتوى والسلامة. فأي تطبيق تراه الأوعد للتعلّم، وأيها الأخطر — ولماذا؟
  • التقنية نفسها التي يمكنها توليد درس حوار سقراطي يمكنها أيضًا إنتاج «فخ الجواب الصحيح» الذي يُشجّع النسخ. فما خيارات التصميم التي قد تفصل بين ذكاء اصطناعي توليدي يبني التعلّم بسقالاته وذكاء اصطناعي توليدي يقصُر دائرة التعلّم؟

مقدمة

ما الذي يجعل الذكاء الاصطناعي التوليدي مختلفًا في التعليم

على عكس الأنظمة السابقة القائمة على القواعد أو الاسترجاع، يُنتج الذكاء الاصطناعي التوليدي محتوى طليقًا ملائمًا للسياق عند الطلب. وهذا يُنشئ فرصًا غير مسبوقة ومخاطر مبتكرة في الوقت نفسه:

  • توليد المحتوى: تستطيع النماذج اللغوية الكبيرة إنشاء مواد تعليمية وأمثلة وشروحات. ويُظهر الكتب المدرسية التركيبية والفيديوهات التكيّفية والفيديوهات التعليمية مدى توليد المحتوى التعليمي.
  • مسودات تخطيط الدروس التي تعتمد على المنصة واللغة. يُظهر تقويم خبراء لخطط دروس علوم مُولَّدة بالذكاء الاصطناعي أن جودة المحتوى ليست متجانسة ولا محايدة. فقد طلب Karaismailoglu, Surmeli and Yildirim (2026) من أحد عشر متخصصًا في تعليم العلوم تقييم ChatGPT-4 وأداة موجّهة للتعليم (Teacher's Buddy) مقابل مراحل التعلّم القائم على التصميم الهندسي للصف السادس: فقد تجاوزت المنصة الموجّهة للتعليم المنصة ذات الأغراض العامة في جميع معايير الجودة الثمانية، مع أن 7 من 11 خبيرًا قيّموا الخطط بأنها «قابلة للتطبيق بالتصحيح» فقط. وقد أنتجت المنصتان مخرجات أغنى تربويًا من مطالبات بالإنجليزية أكثر من التركية حتى عند طلب التوطين لمدينة مرسين في تركيا — وهي مشكلة إنصاف رقمي حيث تُشكّل لغة المطالبة جودة التعليم.
  • التدريس والحوار: تستخدم أنظمة التدريس بالذكاء الاصطناعي الذكاء الاصطناعي التوليدي للتعليم الحواري. ويستثمر الحوار السقراطي والتدريس التعاوني القدرات التوليدية من أجل التفاعل التربوي.
  • المرضى المُحاكون وثبات الحالة. فقد وجدت مجموعة مشروحة بخبرات متعددة تضم 4815 رسالة بين طلاب ومنصة MeduAI-SP (Yang et al., 2026) أن نحو 0.68% فقط من ردود المريض المعياري المُولَّدة بالنماذج اللغوية الكبيرة احتوت على مشكلات واضحة في أمانة تمثيل الحالة، وأن الكشف التدريجي قُيّم بأنه ملائم سريريًا في نحو 99.3% من رسائل المريض. وهذا يدعم دعوى أن المرضى المُحاكون بالذكاء الاصطناعي التوليدي يستطيعون الحفاظ على ثبات الحالة وعلى الكشف المعتمد على الاستقصاء وغير المبكر تحت برمجة YAML هيكلية (qwen-max)، مما يجعلهم بيئة مستقرة بما يكفي لبحث النتائج لا للعروض الإقناعية فقط — مع أن النظام حجب عمدًا التشخيصات ودرجات التقويم الختامي أثناء التعلّم.
  • التقويم: يعتمد تصحيح المقالات والتصحيح الآلي والتقويم البنّاء بشكل متزايد على النماذج التوليدية. وتدعم المعايير هذا التحول بالنسبة للعمل مفتوح النهاية: فقد وجد Pecuchova, Benko & Drlik (2025) أن نماذج الذكاء الاصطناعي التوليدي الحسّاسة للسياق (حيث بلغت GPTo1 اتفاقًا شبه كامل مع المصححين البشريين) تجاوزت بفارق كبير منهجيات تضمين الجُمل السابقة في تصحيح استجابات الطلاب مفتوحة النهاية، والتي اعتمدت على مطابقة مرجعية جامدة وصنّفت خطأً أجوبةً صحيحة بصياغة مختلفة. ويوسّع Olvet et al. (2026) ذلك إلى تعليم الطب قبل فترة الامتياز، حيث بلغ تصحيح GPT-4 للأسئلة مفتوحة النهاية اتفاقًا جوهريًا إلى شبه كامل بين المصححين مع أعضاء هيئة التدريس (كابا المرجّحة تصل إلى 0.94) — ولكن فقط بعد أن حسّن البشر معيار التصحيح (rubric) تكرارًا عبر ثلاث جولات وبقوا في الحلقة للتحكيم في التناقضات — بينما توقفت المسألة الأكثر تركيبًا والمبنية على معيار شامل عند مستوى متوسط (κw = 0.54). وهذا دليل على أن موثوقية التقويم التوليدي تتشكل بالهندسة البشرية للمعيار وتحليل أنماط الخطأ بقدر ما تتشكل بالنموذج الخام. ومع ذلك فإن الطلاقة نفسها لا تتعمم عبر أنواع الأسئلة: فقد وجد Falahat et al. (2026) أن ChatGPT-5 طابق أعضاء هيئة التدريس البشريين في مواد امتحانات الصيدلة الموضوعية (CCC 0.935–1.000) لكنه لم يطابقهم في المواد ذات الأجوبة القصيرة (≈0) أو المقالية (0.341–0.854)، ولم يُضق معيار تصحيح منظم الهيكلة الفجوة بشكل موثوق.
  • المخاطر: تنشأ مخاوف بشأن الهلوسة والاعتماد المفرط والتفريغ المعرفي والنزاهة الأكاديمية تحديدًا من طلاقة الذكاء الاصطناعي التوليدي وإمكانية الوصول إليه.
  • مشكلة سلامة تعلّم تتجاوز جودة المخرجات. يرى Rahimi (2026) أن الذكاء الاصطناعي التوليدي قد يرفع جودة عمل المتعلّم مع أدائه العمل المعرفي الذي يحتاج أن يؤديه هو، لذا ينبغي الحكم على السلامة على مسار التنمية البشرية — سلامة التعلّم (Learning Safety) التي تحمي الكفاءات، وسلامة النمو (Learning Soundness) التي تدعم تطورها — بدلًا من الدقة أو التحيز أو الخصوصية.
  • ادعاءات الفاعلية تقيس الأداء، لا التعلّم. إن أكبر تقدير في الميدان — وهو تحليل بعدي لـ69 دراسة يُفيد بـg = 0.7 بالنسبة لـChatGPT والأدوات المشابهة — يجمع نجاح المهمة الفوري بدلًا من الاحتفاظ المؤجل بدون مساعدة، لذا فهو ليس دليلًا على أن الذكاء الاصطناعي التوليدي يُنتج تعلّمًا (Yan et al., 2025).
  • توليد بيئات التعلّم: تُحوّل النماذج التوليدية المتخصصة الآن موجز المقرر مباشرةً إلى منتجات تعلّم جاهزة. فـCogEvol (Tu et al. 2026)، وهي عائلة نماذج مُدرَّبة على توليد الشرائح المهيكلة وصفحات HTML التفاعلية المستقلة في مرور واحد، تُكمل شريحة في وسطي 17 ثانية وصفحة تفاعلية في 59 — مُحلّةً سقالات الوكلاء المتعددة الأدوار التي تستغرق دقائق. وتُفرض الموثوقية عبر خط إنتاج يُحوّل الإخفاقات الحقيقية إلى 53687 عيّنة ضبط دقيق مُشرف عليها ومحققة، إضافةً إلى مكافأة هجينة من القواعد مع نموذج لغوي بصري (VLM) للتعلم المعزّز القائم على GRPO. وهذا يضع الذكاء الاصطناعي التوليدي كمحرك لتأليف المحتوى، له آثار على سير عمل إنتاج المدرّس والمنهج، وعلى تقويم ما إذا كانت بيئات التعلّم المُولَّدة سليمة وظيفيًا وتربويًا لا مصقولة بصريًا فقط.

ويُظهر إحصاء لاستخدام المربّين للأدوات تركز الاهتمام على الإنتاج بدلًا من التعليم: فقد شكّلت أدوات الصور والصوت والفيديو والعروض التقديمية نحو نصف الأدوات الخمسين التي رشّحها 211 مربيًا عبر تسع دول، بينما شكّلت أدوات التدريس وروبوتات المحادثة أصغر مجموعة موجّهة للتعليم (Bower, Torrington & Lai (2026)).

تغطية قاعدة المعارف للذكاء الاصطناعي التوليدي

مع أكثر من 80 مقالًا، يُعدّ الذكاء الاصطناعي التوليدي أكبر خيط تقني في قاعدة المعارف. ويمتد البحث من دراسات الفاعلية (التحليلات البعدية) ومخاوف السلامة (أضرار المدرّسين الآليين، الضمانات) ومبادئ التصميم (التوجيه التعليمي).

وبالتجميع عبر 53 دراسة، تجاوز التعليم المدعوم بالذكاء الاصطناعي التوليدي المناهج غير التوليدية في التحصيل (g = 0.40)، والتفكير من الرتبة العليا (g = 0.72)، والدافع (g = 0.81)، والكتابة (g = 0.76)، مع أن الذكاء الاصطناعي التوليدي المدعوم بالألعاب لم يُضف منفعة معتبرة (g = 0.24) (Dong (2026)).

وضع تحليل بعدي منفصل لـ42 دراسة عن الدافع وحده الأثر المجموع عند مستوى أدنى (g = 0.764) وأفاد بفاصل تنبؤ 95% يمتد من [−0.689 إلى 2.217]، لذا فإن الميزة الدافعية ليست موجبةً بموثوقية في سياق جديد (Fang et al. (2026)).

والواجهة التوليدية (Generative UI) هي أحدث قدرة في هذا الخيط: نماذج تُخرج منتجًا تفاعليًا عاملًا — منزلقات، ومحاكيات قابلة للمعالجة — بدلًا من النثر. ويُفيد Kovshov et al. (2026)، وهو فريق في Google Research، بأن الواجهة التوليدية الجاهزة ليست دقيقةً تربويًا بالقدر الكافي بعد بالنسبة للبنيات المعقدة، لكن تفكيك هدف التعلّم إلى أهداف متدرجة المستوى ولفّ التوليد في حلقات نقد وتحسين ذاتي يُنتج منتجات تفاعلية يقيّمها المدرّسون الخبراء بأنها مقبولة. وتصميمهم تصميم تنسيقي: يُحدّد المدرّسون الأهداف ويعتمدونها ويختارون بين المحاكيات المرشّحة، لذا فإن القيد الملزم على المواد التفاعلية المخصّصة للتعلّم ينتقل من الإنتاج إلى التوصيف، وتُدمج الضمانات التربوية في خط إنتاج التوليد بدلًا أن تُترك لانتباه المدرّس بعد ذلك.

وإلى جانب هذه الخيوط الأساسية، يوسّع العمل الأخير قاعدة الأدلة عبر السياقات المؤسسية والتفاعلية والمجالية. ويُوثّق Qin (2026) كيف أرسخت جامعة لينغنان ثقافة الذكاء الاصطناعي التوليدي لجميع طلاب البكالوريوس كجزء من تحول رقمي في الفنون الحرة. ويُظهر Chang and Li (2026) أن محادثات الطالب–الذكاء الاصطناعي تُشفّر تفاعلًا معرفيًا مرتبطًا بالمجال الدراسي (engagement)، حيث تعكس نحو 62% من المطالبات طلبًا معرفيًا من الرتبة العليا. ويراجع Neto وزملاؤه (2026) مراجعةً منهجية للذكاء الاصطناعي التوليدي في تعليم الرعاية الصحية القائم على السيناريوهات، ووجدوا أن تصميم المطالبات يعمل كتوصيف تعليمي لكنه نادرًا ما يتوافق مع أطر التعليم (34.8%) أو يُبلَّغ عنه بتفصيل قابل للاستنساخ (34.8%). ويدعم الذكاء الاصطناعي التوليدي أيضًا محاكاة الأدوار للمتعلّمين من أجل تدريب المدرّسين العملي القائم على الممارسة: فبني Zhuang and Zhang (2025) نموذج Student GPT، وهو روبوت محادثة ChatGPT مخصص حاكى طالبًا في المرحلة المتوسطة يحمل مفاهيم خاطئة شائعة في الاستدلال بالنسب، مانحًا مدرّسي الرياضيات قبل الخدمة تدريبًا زهيدًا خاصًا بالمحتوى على تشخيص تفكير الطالب — دليلٌ على أن تصميم المطالبات (مطالبة مبنية على أدبيات أثارة أخطاءً مفاهيمية مستهدفة بموثوقية، 0.98 مقابل 0.40) يستطيع توجيه نموذج توليدي جاهز إلى شخصية تربوية مفيدة.

ويجد الاستعراض المنهجي لمدرّسي اللغة (Li et al. 2026) أن المربّين يقدّرون الذكاء الاصطناعي التوليدي أكثر بالنسبة للعمل التحضيري في المحتوى — تخطيط الدروس وإنشاء المواد ودعم الكتابة — بينما يترددون في الاستخدام الصفي المباشر، مع مخاوف تتمحور حول النزاهة الأكاديمية (الانتحال وصلاحية التقويم) والإزاحة المهنية والإجهاد التكنولوجي؛ ويتشكل التبنّي بعوامل الهوية المهنية والتربوية والفنية والمؤسسية والنزاهة، وتُرسم فجوات الكفاءة على مستويات episteme وtechne وphronesis.

ويصل توليد المحتوى كذلك إلى ما هو أبعد من الرياضيات في التصميم المشترك لمصادر التعلّم مع المدرّسين — فمثلًا، سقالات المحاكاة صمّمها المدرّس والذكاء الاصطناعي مشتركًا لتعلّم STEM بطائرات الدرونز تحافظ على الصلاحية التربوية والصلة السياقية. وفي تعليم الفنون STEAM للأطفال، قاس Luo and Tahir (2025) تجريبيًا مكاسب خطط الدروس المساعدة بـChatGPT مقابل المولّدة من المدرّسين (وسيط تقييم الخبراء 20.5 مقابل 17.6، p = .002، أثر كبير) — ومع ذلك تُوثّق الدراسة نفسها أن المخرجات الطليقة تحمل أنماط فشل حقيقية بالنسبة للتوليد الصفي: خططًا مثالية أو غير عملية للتدريس اليومي، وقيدًا مُهمَلًا لسلامة الأطفال (مثل اقتراح سكاكين النقش للأطفال الصغار في الطفولة المبكرة)، وتحيزًا ثقافيًا مركزيًا غربيًا، وتوليدًا للصور/الموارد معيبًا منطقيًا أو غير ذي صلة. والمساهمة هي إطار مطالبات (Role–Instructions–End Goal إضافةً إلى معيار جودة «أربع نقاط وخط واحد») يُحوّل سؤال الموثوقية من ما إذا كان النموذج قادرًا على التوليد إلى كيف يجب أن تُقيّده المطالبات ومعايير التقويم للاستخدام التربوي. والاستخدامات الموجّهة نحو الإنصاف تبقى غير مستكشفة؛ فقد جمعت مبادرة حاضنة أعمال (makerspace) للبنات بالذكاء الاصطناعي التوليدي في أوروبا بين أداتي ذكاء اصطناعي توليدي وتربية نسوية لمعالجة صور عدم الإنصاف القائمة على النوع في المشاركة في الحوسبة، محلّلةً الصور التي أنتجتها البنات وملاحظات أصحاب المصلحة. والتطبيقات المُساعدة والشاملة خيط متنامٍ: فقد وجد Khlaif et al. (2026) — في دراسة كيفية لحالة لـ21 طالبًا جامعيًا من ذوي الإعاقات البصرية في فلسطين — أن الذكاء الاصطناعي التوليدي يُكيِّف الإيقاع والمحتوى والتقديم وفقًا لملفات تعلّم الأفراد، ويبسّط النصوص الأكاديمية المعقدة، ويحوّل المحتوى عبر الأنماط، مع نظر المتعلّمين إليه على أنه يُكمل المدرّسين بدلًا من أن يحلّ محلّهم.

  • الذكاء الاصطناعي التوليدي كـوكيل تربوي في الثقافة الإعلامية النقدية الابتدائية. يُطبّع Demir and Akar (2026) نموذج التعليم 5E بأدوات الذكاء الاصطناعي التوليدي (ChatGPT للأسئلة التأملية والأسئلة والأجوبة، وGrammarly وCanva AI لتنقيح المحتوى، وPadlet من أجل التغذية الراجعة من الأقران) مُدمجةً مرحلةً بمرحلة بدلًا من كونها إضافات معزولة، في برنامج ثقافة إعلامية نقدية مدته 18 ساعة لطلاب أتراك في الصف الرابع متوافق مع مناهج اللغة التركية والدراسات الاجتماعية. فقد أظهرت المجموعة المدعومة بالذكاء الاصطناعي مكاسب كبيرة في القراءة الإعلامية (+3.50)، والكتابة (+1.67)، ومجموع الثقافة الإعلامية (+5.17، وكلها p < .01) بأحجام أثر بين المجموعات بلغت d لـCohen = 1.12 (القراءة)، و1.18 (الكتابة)، و1.31 (مجموع الثقافة)، بينما تقدمت المجموعة الضابطة تقدمًا متواضعًا فقط. وكشف التحليل الكيفي عن ستة مجالات لنمو الثقافة الإعلامية النقدية — الحماية الرقمية للذات وخصوصية البيانات، والاستخدام الإعلامي الهادف والمسؤول، والتواصل الآمن والوعي بالحدود، التقويم النقدي والوعي بالمعلومات المغلوطة، والوعي بمخاطر الإنترنت، وأخلاقيات الإعلام/المواطنة الرقمية — موضحًا كيف يمكن تصميم الذكاء الاصطناعي التوليدي داخل منهج كونه وكيلًا تربويًا مساندًا يُنمّي التقويم النقدي بدلًا من أن يقصُر دائرة التعلّم.

الذكاء الاصطناعي التوليدي في المجالات المتخصصة: دعم عسر القراءة

يجد استعراض منهجي متعدد التخصصات لعام 2026 (Dabaghi, D'Urso & Sciarrone، موجّه بدليل PRISMA، 2018–2024، n=72) أن الذكاء الاصطناعي التوليدي غير مستثمر بالقدر الكافي في مجال دعم عسر القراءة. وتتجمّع أبحاث الذكاء الاصطناعي التوليدي (كلها من 2024) في روبوتات المحادثة الذكية، ودعم تدريب المدرّسين، ودراسات استكشافية، وتتفوق سريعًا على تعلّم الآلة الكلاسيكي (ML) كأداة مفضلة — مع أن التجريب الدقيق والتحقق الواقعي يبقيان غائبين إلى حد كبير. ويشير تحليل الاتجاهات المستقبلية في الاستعراض إلى مواد شخصية مدعومة بالذكاء الاصطناعي التوليدي وتغذية راجعة تكيّفية في الوقت الحقيقي، ونماذج تشخيصية متعددة الأنماط تُدمج تتبع العين وتخطيط أمواج الدماغ (EEG) والتحليلات السلوكية (analytics)، وأنظمة تدريس ذكية ووكلاء حواريين مدفوعة بمعالجة اللغة الطبيعية (أنظمة التدريس الذكية)، وأدوات دعم موجّهة للمربّين. وهذا يُوضح كلاً من وعد الذكاء الاصطناعي التوليدي في توليد المحتوى والدعم التفاعلي في مجال متخصص عالي الاحتياج، وخطر أن يتقدم تبنّيه على قاعدة الأدلة.

المفاهيم المرتبطة

المقالات المرتبطة

البيانات الوصفية

التقنيات والأساليبالتدريس الذكي, النماذج اللغوية الكبيرة (LLMs), هندسة المطالبات, RAG (التوليد المعزَّز بالاسترجاع)
الإنصاف والأخلاق والاستخدام المسؤولخطر الهلوسة
أساسيات الذكاء الاصطناعي في التعليمثقافة الذكاء الاصطناعي, التفريغ المعرفي
SourceHistoryEditChat

ضمّن هذه الصفحة

انسخ الشيفرة أدناه لتضمين هذه الصفحة في نظام إدارة التعلم أو أي موقع آخر. الإصدار المُضمَّن يعرض محتوى الصفحة فقط — فهو يُخفي ترويسة الموقع وقائمة التنقل وتذييله.