تجربة ستانفورد مع الذكاء الاصطناعي لدعم المعلمين: كيف تحسن إتقان الطلاب للرياضيات؟
تجربة ستانفورد مع الذكاء الاصطناعي لدعم المعلمين تقدم نموذجًا مختلفًا عن فكرة استبدال المدرس بأداة ذكية: ماذا لو استخدمنا AI لمساعدة المعلم نفسه على اتخاذ قرارات تدريس أفضل في اللحظة التي يحتاجها؟
هذا هو جوهر نظام Tutor CoPilot الذي طوره باحثون من Stanford. الأداة لا تشرح للطالب بدل المعلم المساعد، بل تقدم له اقتراحات فورية أثناء جلسة التدريس: أسئلة توجيهية، طرق لتبسيط المشكلة، واستراتيجيات تساعد الطالب على التفكير بدل إعطائه الحل مباشرة.
في النسخة النهائية من الدراسة المنشورة في نوفمبر 2025، شملت التجربة العشوائية أكثر من 700 مدرس مساعد وأكثر من 1,000 طالب من مجتمعات تعاني نقصًا في الوصول إلى الدعم التعليمي الجيد.
النتيجة الأساسية: الطلاب الذين كان مدرسوهم المساعدون يستخدمون Tutor CoPilot أصبحوا أكثر احتمالًا لإتقان موضوعات الرياضيات بمقدار 4 نقاط مئوية. ومع المدرسين الأقل تقييمًا وصلت الزيادة إلى 9 نقاط مئوية.
وده يجعل التجربة مهمة جدًا لأنها لا تسأل فقط: «هل AI يستطيع تعليم الطالب؟»، بل تسأل سؤالًا أكثر عملية: هل يستطيع الذكاء الاصطناعي رفع جودة أداء المعلم أو الـTutor أثناء التدريس؟
ولو كنت تريد الصورة الأوسع لاستخدام AI داخل العملية التعليمية، راجع دليل الذكاء الاصطناعي للمعلمين. ويمكنك أيضًا مقارنة هذه التجربة مع تجربة بيرو مع تدريب المعلمين وتجربة نيجيريا مع الطلاب تحت إشراف المعلمين.
ما هو Tutor CoPilot؟
Tutor CoPilot هو نظام Human-AI صُمم لمساعدة المدرسين المساعدين أثناء جلسات التدريس الافتراضية في الرياضيات.
الفكرة بسيطة: عندما يواجه الطالب مشكلة، يستطيع الـTutor طلب المساعدة من النظام. بدل أن يعطيه إجابة واحدة ثابتة، يقترح النظام استجابات أو استراتيجيات يمكن للمدرس أن يختار منها أو يعدلها أو يعيد توليدها.
الأداة مبنية على فكرة مهمة: الخبراء في التدريس لا يملكون فقط «الإجابة الصحيحة»، بل يملكون طرقًا أفضل للتفكير في أخطاء الطالب وكيفية توجيهه خطوة بخطوة.
بدل أن نحاول تدريب كل Tutor جديد لفترات طويلة قبل أن يبدأ، يحاول النظام نقل جزء من هذا التفكير الخبير إليه في الوقت الحقيقي.
كيف صُممت الدراسة؟
الدراسة تحمل عنوان Tutor CoPilot: A Human-AI Approach for Scaling Real-Time Expertise، ونُشرت نسختها النهائية في EdWorkingPapers التابعة لـAnnenberg Institute at Brown University في نوفمبر 2025، بمشاركة باحثين من Stanford.
كانت تجربة عشوائية مضبوطة داخل برنامج حقيقي للدروس الخصوصية الافتراضية، واستهدفت طلاب K-12 من مجتمعات أقل حظًا في الوصول إلى الدعم التعليمي.
قسم الباحثون جلسات التدريس إلى مجموعتين: مجموعة يعمل فيها الـTutor بطريقته المعتادة، ومجموعة يستطيع فيها استخدام Tutor CoPilot أثناء الجلسة.
الميزة هنا أن التجربة لم تتم في مختبر أو سيناريو افتراضي، بل داخل تفاعل تعليمي حقيقي وعلى نطاق كبير.
النتيجة الأولى: تحسن إتقان الطلاب للرياضيات
أظهرت النتائج أن الطلاب الذين كان مدرسوهم المساعدون يستخدمون Tutor CoPilot كانوا أكثر احتمالًا لإتقان موضوع الدرس بمقدار 4 نقاط مئوية مقارنة بالمجموعة الأخرى.
قد يبدو الرقم صغيرًا إذا نظرنا إليه منفردًا، لكنه مهم لأنه جاء من تدخل منخفض التكلفة يتم داخل الجلسة نفسها، بدون استبدال المدرس أو تغيير المنهج بالكامل.
الأهم أن الدراسة وجدت أن التأثير لم يكن متساويًا بين كل المدرسين.
النتيجة الثانية: المدرسون الأقل خبرة استفاد طلابهم أكثر
أكبر مكاسب ظهرت لدى الطلاب الذين كانوا يعملون مع مدرسين مساعدين أقل تقييمًا أو أقل خبرة.
في هذه المجموعة وصل التحسن في إتقان موضوعات الرياضيات إلى نحو 9 نقاط مئوية.
وده ربما يكون أهم درس في التجربة كلها.
AI لم يضف نفس القيمة لكل شخص، لكنه كان أكثر فائدة عندما كان هناك فجوة في الخبرة يمكن أن يساعد في سد جزء منها.
بمعنى آخر: قد تكون القيمة الحقيقية للذكاء الاصطناعي في التعليم ليست جعل أفضل المعلمين أفضل قليلًا، بل رفع الحد الأدنى لجودة التدريس لدى من ما زالوا في بداية خبرتهم.
ماذا تغير في طريقة التدريس؟
الباحثون لم يكتفوا بقياس النتيجة النهائية، بل حللوا أكثر من 350 ألف رسالة داخل جلسات التدريس.
وظهر نمط واضح: المدرسون الذين استخدموا Tutor CoPilot أصبحوا أكثر ميلًا لاستخدام استراتيجيات تدريس تساعد الطالب على التفكير، مثل:
- طرح أسئلة توجيهية.
- طلب تفسير طريقة التفكير.
- تقسيم المشكلة إلى خطوات.
- تشجيع الطالب على اكتشاف الخطأ بنفسه.
- تجنب إعطاء الحل أو الاستراتيجية النهائية مباشرة.
وفي المقابل، قل اعتمادهم على التشجيع العام من نوع «أحسنت» بدون قيمة تعليمية واضحة.
وده مهم لأن التحسن لم يأتِ فقط من وجود أداة AI، بل من تغير فعلي في لغة التدريس وسلوك المدرس.
فكرة Productive Struggle: لماذا لا يجب أن نعطي الإجابة بسرعة؟
Stanford تربط هذه النتائج بمفهوم Productive Struggle أو «المعاناة التعليمية المنتجة».
المقصود ليس ترك الطالب يعاني، بل إعطاؤه مساحة كافية للتفكير والمحاولة مع دعم مناسب بدل تقديم الحل فورًا.
عندما يسأل المدرس: «ما الأرقام الموجودة في المسألة؟» أو «ما الخطوة التي تعتقد أنها تأتي أولًا؟»، فهو يساعد الطالب على بناء الفهم.
أما عندما يعطيه الحل أو الاستراتيجية كاملة، فقد ينجح الطالب في السؤال الحالي بدون أن يطور مهارة حل المشكلة.
وفق تحليل Stanford، Tutor CoPilot دفع المدرسين بصورة أكبر نحو النوع الأول من التفاعل.
هل كان Tutor CoPilot يعطي الإجابة للمدرس؟
لا بالطريقة المعتادة التي نتخيلها مع ChatGPT.
الهدف لم يكن أن يكتب AI الرد النهائي نيابة عن المدرس، بل أن يقدم اقتراحات تدريسية يمكن للمدرس أن يختار أو يعدل منها.
وهذا فرق جوهري بين نوعين من استخدام AI:
- AI ينفذ المهمة بدل الإنسان.
- AI يساعد الإنسان على اتخاذ قرار أفضل أثناء تنفيذ المهمة.
تجربة Tutor CoPilot تعتمد بوضوح على النموذج الثاني.
كم كانت تكلفة الأداة؟
قدرت الدراسة تكلفة استخدام Tutor CoPilot بحوالي 20 دولارًا لكل Tutor سنويًا وفق معدلات الاستخدام أثناء التجربة.
هذا الرقم لا يعني أن تكلفة تطبيق النظام في أي دولة أو مؤسسة ستكون نفسها، لأن هناك تكاليف أخرى للبنية التحتية والتكامل والتدريب والخصوصية.
لكن المقارنة مهمة: التدريب التقليدي المستمر للمدرسين على مستوى واسع قد يكون مكلفًا، بينما أداة مساندة فورية يمكن أن تقدم جزءًا من الخبرة أثناء العمل نفسه بتكلفة تشغيلية منخفضة نسبيًا.
هل كانت الأداة دائمًا صحيحة؟
لا.
المقابلات مع المدرسين كشفت عن مشكلات أيضًا، منها أن بعض الاقتراحات لم تكن مناسبة دائمًا لمستوى الطالب أو المرحلة الدراسية.
وده يوضح أن النظام لم يكن «خبيرًا آليًا» يجب اتباعه بلا مراجعة.
المعلم ظل مسؤولًا عن اختيار الاقتراح المناسب وتعديله أو تجاهله.
وده نفس المبدأ الذي ظهر في تجربة نيجيريا: AI قد يزيد فرص الدعم، لكن وجود إنسان قادر على التقييم يظل عنصرًا أساسيًا.
ماذا يمكن أن يتعلم المعلم من تجربة ستانفورد؟
1. استخدم AI كمساعد قرار وليس كبديل
بدل أن تقول له «حل السؤال»، جرب أن تطلب: «اقترح ثلاث طرق لمساعدة الطالب على اكتشاف الخطوة التالية بدون إعطائه الحل».
2. اطلب أسئلة توجيهية
واحدة من أقوى النتائج كانت زيادة استخدام الأسئلة التي تدفع الطالب لشرح تفكيره.
3. ركز على الموقف الحقيقي
القيمة الأعلى تظهر عندما تعطي AI سياقًا: مستوى الطالب، الخطأ الذي وقع فيه، والهدف الذي تريد الوصول إليه.
4. لا تعتمد على أول اقتراح
اجعل AI يقدم عدة استراتيجيات ثم اختر الأنسب.
5. راقب هل أنت تساعد الطالب على التفكير أم تنهي المهمة عنه
السرعة ليست دائمًا مقياس النجاح في التعلم.
Prompt عملي مستوحى من Tutor CoPilot
أنا مدرس أساعد طالبًا في [المادة/الموضوع].
الطالب أخطأ بهذه الطريقة: [اكتب الخطأ].
لا تعطِ الإجابة النهائية.
اقترح 3 استراتيجيات قصيرة لمساعدته على اكتشاف الخطأ بنفسه. لكل استراتيجية اكتب:
1. سؤالًا توجيهيًا أبدأ به.
2. تلميحًا ثانيًا إذا لم يفهم.
3. علامة أعرف منها أن الطالب بدأ يفهم.
اجعل اللغة مناسبة لعمر [المرحلة الدراسية].
الفكرة هنا ليست نسخ نظام Stanford، بل تطبيق نفس المبدأ التربوي باستخدام أداة AI متاحة لديك.
ماذا يمكن أن تتعلم المدارس والمؤسسات التعليمية؟
الدراسة تشير إلى مسار مختلف عن شراء chatbot لكل طالب.
يمكن للمؤسسة التفكير في AI كطبقة دعم للمعلمين أنفسهم:
- اقتراح أسئلة في الوقت الحقيقي.
- مساعدة المعلم الجديد في التعامل مع أخطاء شائعة.
- اقتراح استراتيجيات مختلفة حسب مستوى الطالب.
- مراجعة التفاعل بعد الجلسة لأغراض التطوير المهني.
- نشر أفضل ممارسات المدرسين الأكثر خبرة على نطاق أوسع.
هذا قد يكون أكثر أمانًا في بعض السياقات من إعطاء الطالب وصولًا مستقلًا إلى أداة عامة بدون إشراف.
ما الفرق بين تجربة ستانفورد وتجربتي بيرو ونيجيريا؟
الثلاث تجارب ترسم صورة متكاملة.
بيرو: ركزت على تطوير مهارات المعلمين في استخدام AI نفسه، ووجدت تحسنًا في جودة الـPrompts وتقييم المخرجات.
نيجيريا: ركزت على استخدام AI مع الطلاب داخل جلسات منظمة تحت إشراف المعلم، ووجدت مكاسب مباشرة في التعلم.
ستانفورد Tutor CoPilot: وضع AI خلف المعلم المساعد نفسه، بحيث يدعمه أثناء التدريس، ووجد أن هذا الدعم حسن أداء الطلاب وغير طريقة التدريس.
الرسالة المشتركة بين الثلاثة: أفضل الأدلة الحالية لا تشير إلى إلغاء دور المعلم، بل إلى تصميم علاقة أفضل بين الإنسان والذكاء الاصطناعي.
حدود الدراسة
رغم قوة التصميم، لا يجب تعميم النتائج بصورة آلية على كل المدارس أو المواد.
الدراسة جرت داخل تدريس افتراضي للرياضيات، مع نظام مصمم خصيصًا لهذه البيئة، وطلاب من سياقات محددة في الولايات المتحدة.
كما أن تحسن إتقان موضوعات الجلسات لا يعني تلقائيًا وجود أثر طويل المدى على كل أشكال التحصيل الأكاديمي.
لذلك الأفضل التعامل مع الدراسة كدليل قوي على إمكانات نموذج Human-AI، وليس كإثبات أن أي CoPilot سيحقق نفس النتائج.
الخلاصة
تجربة ستانفورد مع الذكاء الاصطناعي لدعم المعلمين تقدم واحدًا من أكثر النماذج العملية إثارة للاهتمام في التعليم.
بدل أن يسأل الباحثون «هل نستطيع استبدال المدرس؟»، صمموا أداة تساعده في اللحظة التي يحتاج فيها إلى خبرة إضافية.
الطلاب تحسنوا، والمدرسون الأقل خبرة حقق طلابهم أكبر مكاسب، وطريقة التدريس نفسها أصبحت أكثر اعتمادًا على الأسئلة والتوجيه بدل إعطاء الإجابة.
ربما يكون الاستخدام الأقوى للذكاء الاصطناعي في التعليم ليس أن يتحدث مع الطالب بدل المعلم، بل أن يساعد المعلم على أن يقدم للطالب تدخلًا أفضل.
