اتجاهات الخطاب حول الذكاء الاصطناعي وأثره في التعليم والبحث العلمي
مقدمة
منذ انتشار الذكاء الاصطناعي التوليدي على نطاقٍ واسع في أواخر عام ٢٠٢٢، مر الخطاب حول استخدامه في التعليم بثلاث مراحل متداخلة: صدمة أولى ركزت على مخاطر الغش وعدم النزاهة ومن ثم المنع، ثم نقاش حول الاستخدام المسؤول، وأخيرًا اتجاه إلى دمجه في المناهج والعمل الجامعي مع وضع ضوابط للمخاطر. وقد نبهت اليونسكو في بداية هذه الموجة إلى أن انتشار الأدوات سبق جاهزية كثير من المؤسسات التعليمية والتنظيمية[1]، بينما رصدت منظمة التعاون الاقتصادي والتنمية انتقال السياسات تدريجيًا من رد الفعل إلى بناء قواعد للاستخدام[2].
يشير الذكاء الاصطناعي التوليدي إلى الأنظمة القادرة على إنتاج نصوص، أو صور، أو أكواد جديدة اعتمادًا على بيانات متاحة. وتكمن أهمية الخطاب المحيط به في أنه لا يصف التقنية فقط، بل يُحدد ما تعده كل جهة فائدةً أو خطرًا، ومن يتحمل المسؤولية، وما السياسات التي تقترحها. فالجامعات تنتج جانبًا مهمًا من الأدلة، بينما تحول الشركات التقنية هذه المعرفة إلى خدمات ومنتجات واسعة الانتشار، وهو ما يمنح خطابها أثرًا مباشرًا في قرارات المدارس والجامعات[3].
تعتمد الدراسة على عينة محددة من الخطابات يجري تتبعها عبر مناقشة عدد من الإشكاليات (الحجج والحجج المقابلة). يمثل الخطاب الأكاديمي نموذجان متقابلان: دراسة باحثين من معهد ماساتشوستس للتكنولوجيا عن مكاسب الإنتاجية في مهام الكتابة عام ٢٠٢٣، ودراسة قادها باحثون من جامعة بنسلفانيا عن أثر الاستخدام غير المنضبط في تعلم الرياضيات ونُشرت عام ٢٠٢٥. ويمثل خطاب الشركات مساران: وثائق OpenAI التي انتقلت من إرشاد المعلمين إلى طرح خدمة جامعية، وتقارير Turnitin التي ركزت على كشف الكتابة المولدة ثم أقرت بقيود الكشف، واحتمال النتائج الإيجابية الخاطئة. وتقرأ الدراسة سياسات بريطانيا وأستراليا والاتحاد الأوروبي والصين والإمارات والسعودية ومصر بوصفها استجابات لهذه الحجج.
المحور الأول- تحولات الخطاب من المنع إلى الدمج المشروط
يكشف تتبع العينة عن ثلاثة انتقالات: من سؤال منع الأداة إلى سؤال تنظيمها، ومن قياس سرعة الإنجاز إلى قياس التعلم الذي يبقى بعد إيقافها، ومن التعامل مع الذكاء الاصطناعي كأداة فردية إلى اعتباره خدمة مؤسسية ترتبط بالعقود والبيانات والعدالة.
أولا- خطاب الكفاءة وحدود الاستدلال منه
يمثل بحث أعده باحثان بمعهد ماساتشوستس للتكنولوجيا نموذجًا لخطاب الكفاءة. فقد أظهرت تجربة على ٤٥٣ شخصًا من ذوي التعليم الجامعي أن استخدام شات جي بي تي خفض زمن مهام الكتابة بنحو ٤٠٪، ورفع جودة النتائج بنحو ١٨٪. وتستند الحجة المؤيدة إلى أن الأداة تقلل وقت المسودة الأولى وتساعد الأقل خبرة، بما قد يتيح للمعلم والباحث تخصيص وقت أكبر للتحليل والمراجعة. لكن الحجة المضادة تبدأ من حدود التجربة نفسها: فهي تقيس أداء مهمة قصيرة، ولا تثبت اكتساب معرفة مستدامة أو قدرة على العمل من دون الأداة[4].
ظهر المنطق نفسه في الخطاب الحكومي البريطاني؛ إذ سمح باستخدام الذكاء الاصطناعي في إعداد خطط الدروس والأسئلة وتبسيط المحتوى وبعض الأعمال الإدارية، مع إبقاء المسؤولية النهائية لدى المعلم والمؤسسة. وتقوم الحجة على أن المنع يُهدر فائدة ممكنة ويصعب تطبيقه، بينما ترد الحجة الحذرة بأن توفير الوقت قد يختفي إذا احتاج الناتج إلى تصحيح واسع، أو إذا خالف حقوق الملكية الفكرية أو كشف بيانات الطلاب[5].
في المقابل، ركز خطاب النزاهة في المرحلة الأولى على اكتشاف الغش. وقدمت Turnitin تقارير الكشف بوصفها مؤشر يساعد المعلم على فحص النصوص، ثم عدلت نموذجها بعد ظهور نتائج إيجابية خاطئة، وأكدت أن النتيجة لا ينبغي أن تكون وحدها أساسًا لإجراء ضد الطالب[6]. وتنسجم هذه المراجعة مع دراسات بينت صعوبة الكشف الموثوق عن النصوص المولدة مع تطور النماذج[7]. وهنا تحولت الحجة المضادة من الدفاع عن الغش إلى نقد صلاحية الأداة كدليل، وهو ما دفع الخطاب نحو إعادة تصميم التقييم بدل الاعتماد على الكشف الآلي.
ثانيًا- انتقال الشركات والمؤسسات إلى الاستخدام المنضبط
منذ النصف الثاني من عام ٢٠٢٣، اتجه خطاب OpenAI من إثبات قدرة الأداة إلى عرض استخدامات صفية محددة، مثل إعداد الدروس، وتدريب الطالب على الشرح، وبناء مساعد لا يقدم الإجابة مباشرةً. ثم انتقل في ٢٠٢٤ إلى خطاب مؤسسي مع إطلاق ChatGPT Edu للجامعات، جامعًا بين التوسع في الاستخدام ووعود حماية البيانات والتحكم الإداري[8]. وفي الخلفية، دعت اليونسكو بإيجاز إلى ربط الاستخدام بهدف تعليمي واضح، وبعمر المتعلم، وحماية البيانات[9]. ويظهر هنا اختلاف المصلحة: الشركة المنتجة توسع مجال الاستخدام، بينما تضع المؤسسة العامة شروطًا تحد من المخاطر.
ترجمت أستراليا هذا الانتقال إلى إطارٍ وطني للمدارس يقوم على السلامة والعدالة والشفافية والمسؤولية والخصوصية والأمن[10]، بينما ركزت بريطانيا على الاستخدام تحت إشراف المعلم مع حماية بيانات الطلاب وحقوق الملكية الفكرية[11]. ولا تمثل السياستان قبولًا غير مشروط؛ فهما تتبنيان حجة الفائدة في المهام المساندة، وتقبلان في الوقت نفسه حجة الخطر عندما يتعلق الاستخدام بالتقييم أو البيانات الحساسة.
أما الاتحاد الأوروبي، فحوّل خطاب المخاطر إلى درجات قانونية. فقد صنف أنظمة قبول الطلاب أو تقييمهم أو توجيه مساراتهم ضمن الاستخدامات عالية الخطورة، وحظر الاستخدام المتعلق بالتعرف على المشاعر داخل المؤسسات التعليمية[12]. وبذلك لا يناقش الخطاب الأوروبي الذكاء الاصطناعي ككتلةٍ واحدة، بل يُميز بين أداة تساعد في تلخيص درس ونظام يؤثر في فرصة الطالب. والحجة هنا أن شدة الضابط يجب أن ترتبط بحجم الأثر، وإمكان الاعتراض على القرار.
توضح المقارنة أن الخلاف لم يعد بين السماح والمنع، بل بين ثلاثة أسئلة: هل تُضيف الأداة قيمة تعليمية قابلة للقياس؟ وهل يستطيع الإنسان فهم النتيجة ومراجعتها؟ ومن يتحمل الضرر إذا أخطأت؟ وكلما اقترب الاستخدام من القبول أو الدرجات أو التصنيف، زادت الحاجة إلى الاختبار والتوثيق وحق الاعتراض، بينما يمكن الاكتفاء بضوابط أخف في المهام المساندة منخفضة الأثر.
ثالثًا- خطاب التعلم المستدام وإعادة تصميم التقييم
يمثل بحث جامعة بنسلفانيا (المنشور في مجلة Proceedings of the National Academy of Sciences) الطرف الأكثر حذرًا في الخطاب الأكاديمي. ففي تجربة شملت نحو ألف طالب في المرحلة الثانوية، حسن جي بي تي ٤ الأداء أثناء حل مسائل الرياضيات، لكن الطلاب الذين تلقوا حلولًا مباشرة حققوا نتائج أضعف بعد سحب الأداة مقارنةً بمن لم يستخدموها. أما النسخة التي عملت كمعلم يقدم تلميحات وأسئلة فقللت هذا الأثر[13]. وتعارض هذه النتيجة الاستدلال المباشر من جودة الناتج إلى جودة التعلم، لكنها لا تدعم المنع الكامل؛ بل تدعم تصميمًا يحافظ على الجهد الذهني للطالب.
تتقاطع هذه الحجة مع أطر مهارات الطلاب والمعلمين التي أصدرتها اليونسكو، ويمكن تلخيصها في مطلبين: أن يفهم المستخدم حدود النظام ويُقيم مخرجاته، وأن يبقى المعلم مسؤولًا عن تحديد المهمة ومراجعة النتيجة[14]. ولا نحتاج في هذا الموضع إلى تفصيل هذه الأطر، لأن دلالتها الأساسية هنا هي انتقال الخطاب من تعلم استخدام أداة بعينها إلى بناء قدرة على الحكم على مخرجاتها.
بناءً على ذلك، لم يعد المنتج النهائي كافيًا لقياس تعلم الطالب. فالخطاب المؤيد يطالب بالشفافية في الإفصاح عن مواضع استخدام الأداة، بينما يرد الخطاب الحذر بأن الإفصاح وحده لا يثبت الفهم. ويجمع الاتجاهان على أهمية شرح خطوات العمل، وتبرير قبول اقتراحات النظام أو رفضها، والرجوع إلى المصادر الأصلية، وإنجاز بعض المهام دون مساعدة عند الحاجة[15].
ينتهي هذا الجدل إلى معيارٍ عملي: يكون الاستخدام مساعدًا عندما يوسع قدرة الطالب أو الباحث على المقارنة والتحليل مع بقاء الفهم والمسؤولية لديه، ويصبح اعتمادًا مضعفًا عندما تنتج الأداة الإجابة التي لا يستطيع المستخدم شرحها أو التحقق منها[16].
المحور الثاني- سياسات الدول بوصفها استجابات للخطاب
لا تعرض سياسات الدول مواقف متطابقة، بل تختار كل دولة المشكلة التي تضعها في مركز خطابها: بناء المهارات، أو سلامة الاستخدام، أو حماية الحقوق، أو ربط التعليم بالتنمية. ويساعد تحليل هذه الاختيارات على فهم ما تعطيه الدولة أولوية، وما تتركه للمؤسسة التعليمية أو للمعلم.
أولا- بناء المهارات في المناهج الوطنية
اختارت الصين والإمارات خطاب بناء القدرة مبكرًا. ففي الصين، يبدأ المسار بالمفاهيم الأساسية في المراحل الأولى، ثم ينتقل إلى الاستخدام والمشروعات الأكثر تقدمًا في المرحلة الثانوية[17]. وفي الإمارات، أُدرج الذكاء الاصطناعي في المدارس الحكومية من رياض الأطفال حتى الصف الثاني عشر خلال العام الدراسي ٢٠٢٥-٢٠٢٦، مع الجمع بين المفاهيم والبيانات والخوارزميات والأخلاق والتطبيق[18]. وتقوم حجة هذا المسار على أن الاستخدام أصبح واقعًا، وأن المدرسة يجب أن تمنح الطالب أدوات الفهم والنقد. أما الحجة المضادة، فتخشى تحويل المناهج إلى تدريب على أدوات سريعة التغير، ولذلك تزداد أهمية تدريس المبادئ والمهارات القابلة للنقل بدل الارتباط بمنتج تجاري واحد.
اختارت السعودية خطاب الإرشاد المشترك، فأصدرت دليلًا للطلاب والمعلمين وأولياء الأمور يشرح الفوائد والمخاطر ويؤكد دور المعلم[19]، ويعكس إشراك الأسرة إدراك أن الاستخدام يمتد خارج المدرسة. أما مصر، فقام خطابها على ربط التعليم والبحث باستراتيجية أوسع للمهارات والبنية التحتية والصناعة الوطنية[20]. وبذلك يركز الخطاب السعودي على السلوك اليومي، بينما يضع الخطاب المصري التعليم داخل مشروع للتنمية والإنتاج المحلي.
تكشف المقارنة عن مفاضلةٍ واضحة؛ إدخال الذكاء الاصطناعي في المناهج يوسع فرص التعلم المنظم، لكنه يحتاج إلى تدريب المعلمين وتحديث المحتوى وقياس النتائج. أما الأدلة الإرشادية فأسرع وأقل تكلفة، لكنها قد تبقى عامة إذا لم تتحول إلى قواعد تقييم وممارسة داخل المدرسة. كما أن ربط التعليم بالتنمية يُعطي السياسة أفقًا أوسع، لكنه يحتاج إلى مؤشرات تبين أثره الفعلي في قدرات الطلاب والباحثين.
ثانيًا- خطاب الكفاءة ومسؤولية المعلم
يقدم خطاب الكفاءة وعدًا بتقليل الأعمال الروتينية للمعلم، مثل إعداد المسودات والأسئلة والتغذية الأولية، لكن السياسة البريطانية على سبيل المثال تُبقي المعلم مسؤولًا عن الدقة والملاءمة[21]. والحجة المضادة ليست أن الأداة بلا فائدة، بل أن وقت المراجعة قد يلتهم الوقت الموفر، وأن المادة الجاهزة قد تدفع إلى توحيد التدريس أو تمرير أخطاء وتحيزات. لذلك يجب قياس الوقت الصافي وجودة الناتج وأثره في تعلم الطالب، لا عدد مرات الاستخدام.
تشير تقارير التدريب الدولية بإيجازٍ إلى أن انتشار الأدوات سبق في حالات كثيرة تأهيل المعلمين[22]. ويعني ذلك أن قرار شراء الاشتراك لا يساوي بناء قدرة مؤسسية؛ فالتدريب المطلوب يشمل اختيار المهمة المناسبة، وحماية البيانات، وفحص المصادر، ومعرفة متى يجب رفض الناتج أو إيقاف استخدام الأداة.
يُرجح هذا التحليل أن الذكاء الاصطناعي سيعيد توزيع مهام المعلم أكثر من إلغاء دوره. فقد يقل الوقت المخصص للمسودة الأولى، بينما يزيد دور المعلم في تصميم النشاط، وتشخيص فهم الطالب، ومراجعة الناتج، وتحديد ما يجب أن يُنجزه الطالب بنفسه. ومن ثم، تصبح خبرة المعلم شرطًا للاستفادة من التقنية، لا عقبة أمامها.
ثالثًا- خطاب تسريع البحث وحدود النزاهة العلمية
في البحث العلمي، يمثل خطاب التسريع حجة قوية؛ إذ يستخدم الباحثون الأدوات في الكتابة والترجمة والأكواد وفرز الدراسات. وأظهر استطلاع شمل أكثر من ١٦٠٠ باحثًا انتشار هذه الاستخدامات إلى جانب القلق من المعلومات غير الدقيقة والتحيز والاعتماد المفرط[23]. كما توضح تطبيقات اكتشاف المواد قدرة الذكاء الاصطناعي على توسيع نطاق البحث في مسائل محددة[24]، لكن تحويل السرعة إلى قيمة علمية يتوقف على إمكان إعادة إنتاج النتيجة وفحص البيانات والمنهج.
يظهر الخلاف بوضوح في سياسات التمويل والمراجعة. فقد رفضت المعاهد الوطنية للصحة الأمريكية الطلبات التي تعتمد بدرجةٍ كبيرة على محتوى مولد، معتبرةً أن ذلك قد يُضعف أصالة المقترح[25]. وحظرت مؤسسة العلوم الوطنية والمعاهد الوطنية للصحة استخدام الذكاء الاصطناعي التوليدي في مراجعة المقترحات بسبب السرية والمسؤولية[26]. هنا لا تستهدف السياسة التقنية في ذاتها، بل تحمي مرحلة يكون فيها تسرب المعلومات أو إسناد الحكم إلى أداة غير قابلة للمساءلة خطرًا مباشرًا.
تدفع الحجة المضادة إلى عدم مساواة المساعدة اللغوية بالتأليف العلمي. فالأداة قد تُحسن الصياغة أو تقترح كلمات بحث، لكنها قد تختلق مراجع أو تقدم بيانات غير دقيقة. وقد تعد الإحالات المختلقة إخلالًا بالنزاهة عندما تؤدي وظيفة الدليل داخل البحث[27]. لذلك يجب الإفصاح عن المهمة التي أدتها الأداة والتحقق من المراجع والبيانات والأكواد، مع بقاء الباحث مسؤولًا عن المنهج والنتيجة.
المحور الثالث- خطاب الشركات والسيطرة على أدوات المعرفة
لا ينفصل خطاب الشركات عن نموذج عملها. فالشركة التي تبيع مساعدًا تعليميًا تبرز التخصيص والكفاءة وسهولة الوصول، بينما تبرز شركة النزاهة مخاطر الغش والحاجة إلى الكشف. ويجب قراءة الحجج في ضوء هذه المصلحة، مع عدم اختزالها فيها؛ فقد تقدم كل جهة أدلة مهمة، لكن المؤسسة التعليمية تحتاج إلى اختبار مستقل قبل تحويل خطاب المنتج إلى سياسة.
أولا- الفجوة الرقمية وتفاوت فرص الاستفادة
يفترض توفير مساعد ذكي لكل طالب وجود اتصال مستقر بالإنترنت، وجهاز مناسب، ودعم للغة المستخدمة، إلا أن بيانات الاتحاد الدولي للاتصالات تشير إلى أن ٢٫٢ مليار شخص ظلوا خارج الإنترنت في عام ٢٠٢٥، مع استمرار الفجوة بين الدول الغنية والفقيرة، وبين المناطق الحضرية والريفية، وقد يساعد الذكاء الاصطناعي في تقليل بعض الفروق داخل المؤسسات التي تتوافر فيها الخدمة، لكنه قد يزيد الفجوة بين المؤسسات والدول التي تختلف قدرتها على الوصول إلى هذه الأدوات[28].
وحتى بين المستخدمين الذين يملكون اتصالًا بالإنترنت، لا تكون فرص الاستفادة متساوية، فهناك حسابات مجانية محدودة، واشتراكات فردية أو مؤسسية، وإمكان استخدام واجهات برمجة التطبيقات، أو تشغيل نماذج داخل المؤسسة وتطويرها، ورغم انخفاض تكلفة تشغيل نماذج قريبة في الأداء من جي بي تي ٣٫٥ بين عامي ٢٠٢٢ و٢٠٢٤، مما جعل استخدامها أكثر سهولة، فإن تطوير أحدث النماذج ما زال يتطلب موارد ضخمة تتركز لدى عدد محدود من الشركات. وبذلك يصبح الوصول إلى الاستخدام الأساسي أسهل، بينما تبقى التقنيات الأكثر تقدمًا مرتبطة بجهاتٍ تمتلك قدرات مالية وتقنية كبيرة[29].
ولا تقاس الفجوة بعدد الحسابات فقط، فقد يستخدم طالبان الأداة نفسها، لكن أحدهما يحصل على نسخة أقوى، واتصال أسرع، وتدريب وإشراف من مؤسسته، بينما يعتمد الآخر على نسخة محدودة دون دعم. وقد تساعد الأداة الطلاب الأقل خبرة في بعض المهام، لكنها قد تمنح ميزة أكبر لمن يمتلك اشتراكًا أفضل، ويعرف كيفية صياغة الطلبات، ويستطيع مراجعة النتائج عبر مصادر مستقلة. لذلك لا يكفي قياس متوسط الفائدة، بل يجب معرفة من استفاد من الأداة، وكيف توزعت هذه الفائدة.
تؤكد خبرة التكنولوجيا التعليمية أن توفير الأداة لا يضمن تحسن التعلم؛ فشروط الاستفادة تشمل الاتصال والسياسة الواضحة وتدريب المعلم[30]. ويكشف ذلك ضعف الحجة التي تقيس النجاح بعدد الحسابات أو سرعة الانتشار؛ فالقياس الأدق هو ما إذا تحسن تعلم الطالب بعد سحب الأداة، وهل توزعت الفائدة بعدالة، وهل بقيت المؤسسة قادرة على تغيير المورد.
ثانيًا- تضارب الخطاب التجاري مع مسؤولية المؤسسة
يوضح مسار OpenAI انتقال خطاب الشركة من تقديم أمثلة صفية إلى عرض خدمة جامعية واسعة النطاق، مع وعود بالخصوصية والتحكم الإداري. وترد الحجة المؤسسية بأن شراء الخدمة لا يمنح المدرسة أو الجامعة سيطرة على تحديث النموذج، أو السعر، أو الخصائص. لذلك يجب أن يشمل قرار التعاقد مكان تخزين البيانات، واستخدام المدخلات في التدريب، ومدة الاحتفاظ بها، وإمكان حذف المحتوى أو نقله، وهي عناصر تظهر أيضًا في أطر الاستخدام المدرسي[31].
أما Turnitin، فبدأت من خطاب الكشف والردع، ثم اضطرت إلى إبراز حدود المؤشر وعدم استخدامه وحده لإدانة الطالب. وتكشف هذه المراجعة أن الشركة قد تطور منتجًا لمعالجة مشكلة، ثم تعيد صياغة حجتها عندما تظهر مخاطر المنتج نفسه. وتظل المدرسة أو الجامعة مسؤولة أمام الطالب حتى عندما تكون طريقة عمل النموذج محمية بالسرية التجارية؛ لذلك تحتاج العقود إلى شروط للإخطار بالتغييرات والمراجعة وحذف البيانات وتوفير بديل عملي[32].
وفي الجامعات، أصبح الوصول إلى نماذج متقدمة جزءًا من القدرة على إجراء البحث العلمي. فالباحث الذي يمتلك اشتراكًا مؤسسيًا، وميزانية، وواجهة برمجة يستطيع تنفيذ تجارب أوسع من باحث يعتمد على حساب مجاني. ولا يقتصر هذا التفاوت على الباحثين داخل الجامعة نفسها، بل يمتد إلى الفروق بين الجامعات والدول. وبذلك، قد تتحول الفجوة الرقمية من مجرد اختلاف في الوصول إلى الإنترنت إلى اختلاف في القدرة على الوصول إلى أدوات أكثر قوة في إنتاج المعرفة ومعالجتها[33].
ولا تقدم النماذج المستوى نفسه من الأداء في جميع اللغات؛ لأنها تعتمد على بيانات تدريب تختلف في حجمها وجودتها ومدى تمثيلها للمجتمعات المختلفة. وقد يكون أداؤها في اللغات أو البيئات المحلية أقل من أدائها في الإنجليزية أو الموضوعات الأكثر انتشارًا على الإنترنت، ويكتسب ذلك أهمية خاصة في البحث العربي؛ فالتلخيص والترجمة الآلية قد يسهلان الوصول إلى الدراسات الدولية، لكن الأمر يختلف إذا كان المحتوى المحلي محدودًا في بيانات التدريب.
وقد يظهر التحيز اللغوي في اختيار الكلمات، أو ترتيب المصادر، أو فقدان معنى قانوني أو ثقافي مهم أثناء الترجمة. ولا يعني ذلك رفض الترجمة الآلية، بل التعامل معها كمسودةٍ تحتاج إلى مراجعة، والرجوع إلى النص الأصلي عندما يكون لاختيار المصطلح أثر علمي أو قانوني. كما يتطلب تحسين أداء النماذج باللغة العربية توفير بيانات موثوقة تمثل المجتمعات العربية، إلى جانب قواعد تحمي الحقوق والخصوصية وتضمن جودة البيانات[34].
ولا يقتصر الأمر على الحفاظ على الخصوصية الثقافية، بل يتطلب أيضًا إنتاج بيانات ومناهج وأدوات تلائم الاحتياجات المحلية. فالاستراتيجية المصرية تربط الذكاء الاصطناعي بالبيانات والبنية التحتية وتنمية المهارات[35]، بينما يشجع المنهج الإماراتي الطلاب على تصميم حلول مرتبطة ببيئتهم. ومن ثم، لا يتعلق الأمر فقط بكيفية استخدام النماذج، بل بكيفية المشاركة في إنتاج المعرفة والبيانات التي تعتمد عليها هذه النماذج[36].
ثالثًا- قواعد مؤسسية تفصل الدليل عن الدعاية
توضح المقارنة بين الخطابات المختلفة وما تمثله من اتجاهات خمس نتائج: تراجع المنع الكامل، واتساع الحديث عن المهارات بدل الأداة، وانتقال التقييم من المنتج إلى مسار التفكير، وتشديد الحماية عندما تؤثر الأنظمة في الحقوق، وازدياد القلق من اعتماد المؤسسات على عدد محدود من الشركات. وتجمع هذه النتائج بين حجج المؤيدين والمعارضين بدل تبني أحد التوجهين بالكامل.
تبدأ السياسة الفعالة بتحديد المهمة قبل اختيار المنتج؛ فإعداد مسودة نشاط تعليمي يختلف عن قبول طالب أو تحديد درجته، وتحسين صياغة بحث يختلف عن إدخال مقترح سري إلى منصةٍ عامة. وكلما ارتفع أثر القرار، وجب اختبار الدقة والتحيز، وتسجيل الجهة المسؤولة، وإتاحة المراجعة والاعتراض، وهو المنطق الذي يظهر في تصنيف الاتحاد الأوروبي للاستخدامات التعليمية عالية الخطورة[37].
كما يجب فصل ثلاثة أنواع من الدليل: ادعاء الشركة عن منتجها، ونتيجة دراسة مستقلة في مهمة محددة، ونتيجة محلية داخل المؤسسة. فلا تكفي مواد التسويق لإثبات التعلم، ولا تكفي دراسة قصيرة لتعميم الأثر على كل المراحل. ويقتضي ذلك حماية بيانات الطلاب والأبحاث غير المنشورة، وتصميم تقييمات تطلب شرح الخطوات والرجوع إلى المصادر، مع حظر الأداة في مراجعة المواد السرية عندما لا تتوافر ضمانات كافية[38].
ولا يقاس النجاح بعدد المستخدمين أو رضاهم فقط. فقد أظهرت تجربة الكتابة مكاسب في الوقت والجودة، بينما أظهرت تجربة الرياضيات إمكان تحسن الأداء أثناء الاستخدام ثم تراجعه بعد سحب الأداة إذا قدمت الحل مباشرةً[39]. لذلك يجب الجمع بين مؤشرات الكفاءة ومؤشرات التعلم المستقل، ومقارنة النتائج بين المجموعات، وقياس العدالة في الوصول، ومراجعة الأثر بعد كل تحديث جوهري للمنتج.
خاتمة
يكشف ما سبق أن الخلاف لم يعد بين التفاؤل والخوف في صورتهما العامة. فالخطاب الأكاديمي المؤيد قدم دليلًا على مكاسب الإنتاجية، ورد الخطاب الحذر بأن جودة الناتج لا تثبت التعلم. وروجت OpenAI للدمج التعليمي والمؤسسي، بينما ركزت Turnitin على الكشف قبل أن تعترف بحدوده. أما سياسات الدول، فاختارت درجات مختلفة من بناء المهارات والإرشاد وتنظيم المخاطر[40].
تتمثل النتيجة الأهم في أن الحجج لا تلغي بعضها؛ فالسرعة فائدة قابلة للقياس، لكنها قد تخفي اعتمادًا يضعف المهارة. والكشف قد يساعد في فتح حوار، لكنه لا يصلح وحده دليلًا للعقوبة. والتوسع المؤسسي قد يحسن الوصول، لكنه يزيد أثر قرارات الشركات في البيانات وتكلفة الخدمة. وتزداد هذه المفاضلات حدة مع تفاوت البنية الرقمية، وتمركز تطوير النماذج المتقدمة لدى عدد محدود من الجهات[41].
وبناءً على ذلك، يتمثل المسار الأكثر اتزانًا في استخدام الذكاء الاصطناعي حيث يُضيف قيمة واضحة، مع حماية الجهد الذهني للطالب واستقلال الباحث، واختبار ادعاءات الشركات بأدلة مستقلة ومحلية، وربط شدة الضابط بحجم أثر القرار. وبهذا يصبح معيار النجاح هو تعلم يمكن إثباته، وبحث يمكن التحقق منه، ومؤسسة تحتفظ بالقدرة على المساءلة وتغيير المورد، لا مجرد زيادة الاستخدام.
[1] Fengchun Miao and Wayne Holmes, Guidance for Generative AI in Education and Research, UNESCO, 7 September 2023, accessed: 28 August 2026, https://sl1nk.com/gqyp5to
[2] OECD, OECD Digital Education Outlook 2023: Towards an Effective Digital Education Ecosystem, (Paris: OECD Publishing, 2023), p. 264.
[3] Stanford Institute for Human-Centered AI, AI Index Report 2026, Stanford University, 2026, accessed: 28 August 2026, https://sl1nk.com/4mgjgyx
[4] Shakked Noy and Whitney Zhang, Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence, Science, Vol. 381, No. 6654, (2023), pp. 187-192.
[5] Department for Education, Generative Artificial Intelligence (AI) in Education, GOV.UK, 29 March 2023, updated 12 August 2025, accessed: 28 August 2026, https://sl1nk.com/0jognwu
[6] Turnitin, AI Writing Detection Model: Release Notes 2023-2026, accessed: 18 September 2026, https://sl1nk.com/q16i66b
[7] Vinu Sankar Sadasivan, Aounon Kumar, Sriram Balasubramanian, Wenxiao Wang, and Soheil Feizi, Can AI-Generated Text be Reliably Detected?, preprint, arXiv, 17 March 2023, https://doi.org/10.48550/arXiv.2303.11156
[8] OpenAI, Teaching with AI, 31 August 2023, https://openai.com/index/teaching-with-ai/
[9] Fengchun Miao and Wayne Holmes, Guidance for Generative AI.
[10] Australian Government Department of Education, Australian Framework for Generative Artificial Intelligence (AI) in Schools, The Australian Government Department of Education, 17 November 2023, updated 17 June 2025, accessed: 28 August 2026, https://www.education.gov.au/schooling/resources/australian-framework-generative-artificial-intelligence-ai-schools
[11] Department for Education, Generative Artificial Intelligence (AI).
[12] European Commission, AI Act, Shaping Europe’s Digital Future, updated 3 August 2026, accessed: 28 August 2026, https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai
[13] Hamsa Bastani et al., Generative AI without Guardrails Can Harm Learning: Evidence from High School Mathematics, Proceedings of the National Academy of Sciences, Vol. 122, No. 26, (2025), Article e2422633122, https://doi.org/10.1073/pnas.2422633122
[14] Fengchun Miao, Kelly Shiohira, and Natalie Lao, AI Competency Framework for Students, UNESCO, 8 August 2024, accessed: 28 August 2026, https://sl1nk.com/58fzryn; Fengchun Miao and Mutlu Cukurova, AI Competency Framework for Teachers, UNESCO, 8 August 2024, accessed: 28 August 2026, https://l1nq.com/4vq9jw2
[15] Fengchun Miao and Wayne Holmes, Guidance for Generative AI.
[16] National Academies of Sciences, Engineering, and Medicine, Artificial Intelligence and the Future of Teaching and Learning: Insights and Recommendations, (Washington, DC: National Academies Press, 2024), https://www.ed.gov/sites/ed/files/documents/ai-report/ai-report.pdf
[17] Ministry of Education of the People’s Republic of China, MOE Issues Guidance on How to Teach AI in Primary and Middle Schools, 3 December 2024, accessed: 28 August 2026, http://en.moe.gov.cn/news/press_releases/202412/t20241210_1166454.html
[18] وزارة التربية والتعليم، الإطار الوطني لمنهج الذكاء الاصطناعي في دولة الإمارات العربية المتحدة من رياض الأطفال حتى الصف الثاني عشر، تاريخ الاطلاع: ٢٨ أغسطس ٢٠٢٦، https://moe.gov.ae/ar/about-us/Projects-and-Initiatives/Pages/ai-literacy-curriculum-framework.aspx
[19] وزارة التعليم السعودية، وزارة التعليم تصدر دليلًا إرشاديًا لاستخدام الذكاء الاصطناعي التوليدي في التعليم العام بالمملكة، ٢٤ يناير ٢٠٢٥، تاريخ الاطلاع: ٢٨ أغسطس ٢٠٢٦، https://www.moe.gov.sa/ar/mediacenter/MOEnews/Pages/news1_24012025.aspx
[20] وزارة الاتصالات وتكنولوجيا المعلومات – مصر، المجلس الوطني للذكاء الاصطناعي، الاستراتيجية الوطنية للذكاء الاصطناعي ٢٠٢٥-٢٠٣٠، (الإصدار الثاني، ٢٠٢٥)، ص ٢٤، https://sl1nk.com/wvoimqa
[21] Department for Education, Generative Artificial Intelligence (AI).
[22] Fengchun Miao and Mutlu Cukurova, AI Competency Framework.
[23] Richard Van Noorden and Jeffrey M. Perkel, AI and Science: What 1,600 Researchers Think, Nature, Vol. 621, (27 September 2023), pp. 672-675, https://doi.org/10.1038/d41586-023-02980-0
[24] Amil Merchant et al., Scaling Deep Learning for Materials Discovery, Nature, Vol. 624, (December 2023), pp. 80-85, https://doi.org/10.1038/s41586-023-06735-9
[25] National Institutes of Health, Supporting Fairness and Originality in NIH Research Applications, Notice NOT-OD-25-132, 17 July 2025, accessed: 28 August 2026, https://sl1nk.com/wvoimqa
[26] See:
– U.S. National Science Foundation, Notice to Research Community: Use of Generative Artificial Intelligence Technology in the NSF Merit Review Process, accessed: 28 August 2026, https://www.nsf.gov/policies/ai/merit-review
– National Institutes of Health, The Use of Generative Artificial Intelligence Technologies Is Prohibited for the NIH Peer Review Process, Notice NOT-OD-23-149, 23 June 2023, accessed: 28 August 2026, https://grants.nih.gov/grants/guide/notice-files/NOT-OD-23-149.html
[27] David B. Resnik and Mohammad Hosseini, Hallucinated Citations Produced by Generative Artificial Intelligence May Constitute Research Misconduct When Citations Function as Data in Scholarly Papers, Accountability in Research, Vol. 33, No. 7, (2026), Article 2645390, https://doi.org/10.1080/08989621.2026.2645390
[28] International Telecommunication Union, Measuring Digital Development: Facts and Figures 2025, ITU, 2025, accessed: 28 August 2026, https://www.itu.int/itu-d/reports/statistics/facts-figures-2025/
[29] Stanford Institute for Human-Centered AI, AI Index Report 2025, Stanford University, 2025, accessed: 28 August 2026, https://hai.stanford.edu/ai-index/2025-ai-index-report
[30] UNESCO, Global Education Monitoring Report 2023: Technology in Education: A Tool on Whose Terms?, (Paris: UNESCO, 2023), https://doi.org/10.54676/UZQV8501
[31] Australian Government Department of Education, Australian Framework.
[32] Fengchun Miao and Wayne Holmes, Guidance for Generative AI.
[33] Stanford Institute for Human-Centered AI, AI Index Report 2025.
[34] Fengchun Miao, Kelly Shiohira, and Natalie Lao, AI Competency Framework.
[35] وزارة الاتصالات وتكنولوجيا المعلومات – مصر، المجلس الوطني للذكاء الاصطناعي، الاستراتيجية الوطنية للذكاء الاصطناعي.
[36] وزارة التربية والتعليم، الإطار الوطني لمنهج الذكاء الاصطناعي في دولة الإمارات.
[37] European Commission, AI Act.
[38] National Institutes of Health, The Use of Generative Artificial Intelligence Technologies Is Prohibited for the NIH Peer Review Process.
[39] Hamsa Bastani et al., Generative AI without Guardrails.
[40] Fengchun Miao and Wayne Holmes, Guidance for Generative AI.
[41] Stanford Institute for Human-Centered AI, AI Index Report 2026; International Telecommunication Union, Measuring Digital Development.
