المنافسة في عصر الذكاء الاصطناعي ليست في امتلاك من نموذجًا بمعاملات أكبر أو شبكة عصبية أعمق، بل في من يستطيعوظّف الذكاء الاصطناعي بشكل أسرع. نظم المعلومات وتقنية المعلومات وكليات الأعمال... ليس على كل تخصص أن يخرّج مهندسي خوارزميات، لكن طلاب كل تخصص يحتاجون إلىالقدرة على العمل بفعالية في عصر الذكاء الاصطناعي. تتيح منصة vDisk التعليمية للذكاء الاصطناعي لكل قسمدون الحاجة إلى شراء خادم GPU أو تكوين فريق خوارزميات، مع إدخال الذكاء الاصطناعي فعلياً إلى الفصل الدراسي.
عند تطوير التعليم بالذكاء الاصطناعي، كثيرًا ما تجد العديد من الجامعات نفسها في حيرة بين هذين النهجين.
شراء خوادم GPU، ونشر نموذج كبير محلّي، وتشكيل فريق لضبط الخوارزميات، وجعل جميع أعضاء هيئة التدريس والطلاب في المدرسة يفهمون أولًا الشبكات العصبية وبنية Transformer……
انطلاقًا من زاوية «إتقان استخدام أدوات الذكاء الاصطناعي»، نأتي بأفضل قدرات النماذج التجارية الكبيرة مباشرةً إلى الفصل، بحيث يشعر الطلاب منذ الحصة الأولى بالتحسّن الحقيقي الذي يحقّقه الذكاء الاصطناعي في كفاءة التعلّم والعمل.
قيادة السيارة لا تعني أن عليك تعلّم إصلاح المحرك؛ وبالمثل، فإن إتقان استخدام أدوات AI لا يعني أن على الجميع إتقان الشبكات العصبية.إدخال الذكاء الاصطناعي حقاً في التعلّم وسير العمل اليومي هو المطلب الأكثر محورية لهذا العصر تجاه التعليم العالي.ما نسعى لحله هو كيفية جعل هذا الأمر يحدث فعلاً.
عندما تدفع الجامعات نحو التدريس بالذكاء الاصطناعي، فالأمر غالباً ليس نقص الرغبة، بل التعثّر في هذه المشكلات الواقعية.
تُعدّ خوادم GPU اللازمة لاستضافة نموذج كبير ذاتيًا باهظة الثمن، كما أنّ النماذج تتطوّر بسرعة هائلة؛ فالأجهزة التي تُشترى اليوم قد تعجز عن تشغيل أحدث إصدار في العام القادم، مما يشكّل عبئًا مستمرًا من العتاد.
اتصل بالنماذج الكبيرة السحابية الرائدة عبر API، مع إجراء الاستدلال في السحابة؛ ولا يلزم داخل الحرم سوى خادم عادي واحد للوصول والتحكم،استثمار شبه معدوم في العتاد.
يتضمّن الحل المبني ذاتيًا برامج تشغيل GPU، وتنزيل أوزان النماذج، وتهيئة إطار الاستدلال، وبناء نظام الصلاحيات… وكل خطوة تستلزم تدخّل مختصّين، وغالبًا ما يستغرق المسار من بدء المشروع حتى التشغيل عدة أشهر.
بالاعتماد على سوق صور vDisk، اختر صورة مدمجة بالفعل بمكوّنات التدريس بالذكاء الاصطناعي ووزّعها دفعة واحدة على أجهزة القاعة بنقرة واحدة،من النشر إلى بدء الدروس في غضون أيام قليلة.
في غياب الضبط الكافي، قد تتسبّب واجهة AI API المسعّرة وفق الرموز (Token) في ارتفاع التكاليف بشدّة عند استخدام عدد كبير من الطلاب لها في آنٍ واحد، مما يصعّب على إدارة المدرسة اعتماد مشاريع ذات ميزانية غير محدّدة.
دعم المنصةإعدادات الحد الأقصى للـ Token لكل مستخدممع إحصاءات لكل حساب، وأسقف تكاليف مثبّتة مسبقًا، وتكاليف تشغيل شفافة تمامًا، وموافقات شراء مدعومة بسجلات واضحة.
إعادة إدخال الطلاب لكتل كبيرة من المعلومات الخلفية في كل حصة، مع سجل محادثة لا يستمر بين الحصص، يهدر Token ويخلّ بإيقاع التدريس؛ كما يصعب حفظ المحتوى المُولَّد بالذكاء الاصطناعي وإدارته بشكل موحّد.
يُركَّب قرص vDisk الشبكي كقرص افتراضي، فيُحفظ سطح المكتب والمستندات ومخرجات الذكاء الاصطناعي على الخادم في الوقت الفعلي،تابع في الحصة التالية من حيث توقفت في المرة السابقة، دون الحاجة إلى إعادة إدخال السياق.
بنية تحتية تعليمية متكاملة بالذكاء الاصطناعي قابلة للتطبيق فعليًا
من سوق الصور، اختر قالب صورة مثبَّتًا مسبقًا مع عميل التدريس بالذكاء الاصطناعي وبيئة التشغيل، ووزّعه بالجملة على جميع أجهزة المعمل. لا حاجة للتثبيت جهازًا تلو الآخر ولا للإعداد اليدوي؛ فالإصدارات موحّدة والبيئات متّسقة، مما يقلّص بشكل كبير دورة إطلاق بيئة التدريس بالذكاء الاصطناعي.
توفر المنصة نقطة وكيل واحدة متوافقة مع OpenAI. تكفي VS Code وCursor وإضافات البرمجة بالذكاء الاصطناعي والأنظمة التعليمية الداخلية إدخال عنوان البوابة والمفتاح للوصول إلى نماذج مثل DeepSeek وERNIE وQwen وGLM وDoubao وSpark وHunyuan وKimi دون ربط كل نموذج على حدة.
يُركَّب كقرص افتراضي (مثل D:)، حيث تُعاد توجيه أدلة مثل سطح المكتب والمستندات وAppData تلقائيًا إلى الخادم وتُحفظ في الوقت الفعلي. وتُحفظ سجلات محادثات الذكاء الاصطناعي ومسودات الكود وتقارير المختبر جميعها على القرص، بحيث تستأنف الحصة التالية من نقطة التوقف السابقة، مما يقلل بشكل كبير من إدخال Token المتكرر ويسهّل على المعلمين مراجعة عملية التعلم.
يدعم تعيين حد أقصى لاستخدام الـ Token لكل حساب، ويحصي استهلاك كل طالب في الوقت الفعلي، ويحجب النظام تلقائيًا الطلبات المتجاوزة للحصة. وتخطيط ميزانية المدرسة موثّق وواضح، دون قلق من أن يؤدي إفراط قلة من الطلاب إلى رفع التكلفة الإجمالية، وتكون تكلفة التشغيل الكلية شفافة تمامًا.
تتطور النماذج اللغوية بسرعة كبيرة. يمكن للمسؤول تبديل النموذج المتصل في أي وقت دون تغيير واجهة التدريس، فيستخدم الطلاب دائمًا نموذجًا حديثًا بدل البقاء على نموذج قديم بسبب العتاد.
بربط الرؤية بالذكاء الاصطناعي بكاميرات المراقبة الحالية، يتحقق التفتيش التلقائي للفصل والتنبيه عن الحالات الشاذة والربط بالجدول الدراسي. وخلال فترات الجدول، يتم تشغيل الطاقة والتحكم في الدخول والتكييف تلقائيًا وإيقافها بعد الحصة، دون حاجة إلى موظف مناوب، مما يحرّر مديري المعمل من العمليات المتكررة.
التدريس بالذكاء الاصطناعي ليس حكرًا على قسم الحاسوب، فلكل تخصص سيناريوهات استخدام خاصة به للذكاء الاصطناعي
بمجرد تهيئة عنوان موحد متوافق مع OpenAI في VS Code أو Cursor، يمكن للطلاب استخدام الإكمال التلقائي بمساعدة الذكاء الاصطناعي وشرح الكود وتحديد مواضع الأخطاء أثناء حصص البرمجة العملية. تُحفظ مخرجات الذكاء الاصطناعي تلقائيًا على القرص، بحيث تستأنف الحصة التالية تقدم المشروع السابق، مما يقلل من الوقت المستغرق في إعادة بناء بيئة التطوير.
بالنسبة لطلاب تخصصات مثل إدارة المعلومات وإدارة الأعمال والتسويق، فإن التركيز ليس على تدريب النماذج، بل على تعلّم كيفية الاستفادة من أدوات الذكاء الاصطناعي لإنجاز مهام سيناريوهات الأعمال بكفاءة، مثل تحليل السوق وكتابة المقترحات ومعالجة البيانات. وتتضمن المنصة واجهة محادثة مدمجة جاهزة للاستخدام فور التشغيل، مما يتيح وصولًا دون عوائق إلى أقوى نماذج اللغة الكبيرة التجارية المتوفرة اليوم.
في المواد العملية مثل الكيمياء والفيزياء والأحياء، يمكن للطلاب الاستعانة بالذكاء الاصطناعي للاطلاع السريع على مبادئ التجربة، وتوليد هيكل تقرير التجربة، والمساعدة في تحليل البيانات. وتُحفظ البيانات الناتجة أثناء التجربة وسجلات التفاعل مع الذكاء الاصطناعي بشكل متزامن على قرص الشبكة، ويمكن للمعلم تتبّع مدى اكتمال تقرير التجربة في الوقت الفعلي.
تُطرح مقررات اختيارية في الثقافة العامة للذكاء الاصطناعي لجميع التخصصات في الجامعة؛ ولا يحتاج الطلاب إلى أي خلفية مسبقة في الذكاء الاصطناعي، إذ يمكنهم تجربة محادثة نماذج اللغة الكبيرة، ومقدمة في هندسة Prompt، والتطبيق العملي لسلسلة أدوات الذكاء الاصطناعي بمجرد تسجيل الدخول إلى سطح المكتب السحابي. ويغني نظام الحسابات الموحد عن التسجيل والشحن والتهيئة لكل شخص على حدة، مما يخفّض بشكل كبير تكلفة التنظيم التدريسي لمقررات الثقافة العامة.
هدفنا هو تشغيل قدرات التدريس بالذكاء الاصطناعي فعليًا في أقصر وقت ممكن.
تأكّد مع مستشارينا من عدد خوادم غرفة الخوادم، وعرض النطاق الترددي للشبكة، وإصدار سطح المكتب السحابي المستخدم، واحتياجات الأقسام المستهدفة، ثم نُخرج خطة اعتماد وتقديرًا للتكلفة يناسبان واقع مؤسستكم.
في سوق صور vDisk، اختر أو خصّص صورة مدمجة فيها مكوّنات التدريس بالذكاء الاصطناعي مسبقًا؛ وفي وحدة الإدارة، هيّئ بوابة متوافقة مع OpenAI، واتصل بالنموذج الكبير المستهدف، واضبط سياسات استخدام Token والصلاحيات لكل حساب.
استخدم منصة الإدارة المركزية vDisk لنشر الصور دفعةً واحدة على أجهزة القاعة، مع تطبيق سياسات تركيب القرص الشبكي وإعادة توجيه أدلة المستخدمين في الوقت نفسه، بحيث تُحفظ مخرجات الذكاء الاصطناعي وسجلات التعلّم تلقائيًا.
قدّم تدريبًا تشغيليًا موجزًا للمعلّم المسؤول عن المقرر، مع التركيز على عرض استهلاك Token وتبديل النماذج والاطلاع على بيانات الطلاب؛ ونفّذ حصة تجريبية أولى للتحقق من سلاسة سير العملية التعليمية قبل بدء المقرر رسميًا.
هذا هو السؤال الجوهري الذي تطرحه مدارس كثيرة عند اتخاذ القرار
بالنسبة للغالبية العظمى من الجامعات، فإن المنطق الأساسي لبناء نموذج كبير خاص بها لا يصمد ببساطة. المشكلة ليست في صعوبة التقنية من عدمها، بل في أنه،بناء نموذجك الخاص يعني التأخر منذ اليوم الأول.
تتطور النماذج الكبيرة التجارية على وتيرة شهرية: فالأجهزة التي تُشترى اليوم بمليونين والنموذج المنشور عليها من المرجح جدًا أن يتجاوزها إصدار أقوى من الجيل التالي خلال ستة أشهر. غير أن معدات المدارس لا تستطيع التحديث تلقائيًا مع تطور النماذج، ما يعني أن ما يستخدمه الطلاب على المدى الطويل هو مجموعة من قدرات الذكاء الاصطناعي "المجمدة" عند لحظة زمنية معينة — منفصلة عن الصناعة وعن السوق وعن الأدوات التي سيستخدمونها فعليًا بعد التخرج.
منطق منصة vDisk هو إبقاء المدارس متصلة دائمًا بأفضل النماذج الكبيرة التجارية المتاحة في القطاع حاليًا. تُبدَّل النماذج في الواجهة الخلفية دون أن تشعر الواجهة الأمامية بذلك؛ ويحدّد المعلّم نقاط المعرفة في المقرر وأهداف التكوين، لكنتبقى طبقة الأدوات متزامنة دائمًا مع الممارسات السائدة. هذا ليس تنازلًا عن القدرة التقنية، بل هو المسار الأكثر واقعية لتحقيق الأهداف التعليمية.
تكمن الميزة التنافسية الحقيقية لتدريس AI ليس في حجم النموذج الذي تنشره، بل في ما إذا كان طلابك قد تعلّموا استخدام AI بفعالية في سيناريوهات العمل الواقعية.
| البُعد | خادم AI ذاتي الاستضافة | الوصول إلى واجهة vDisk |
|---|---|---|
| تكلفة الأجهزة الأولية | ابتداءً من 2–3 مليون يوان | قريب من الصفر |
| دورة النشر | عدة أشهر | عدة أيام |
| طريقة تحديث النماذج | إعادة شراء العتاد | التبديل بنقرة واحدة من لوحة التحكم |
| مستوى قدرات النموذج | إصدار ثابت يتخلّف تدريجياً | اتصال دائم بأحدث النماذج التجارية |
| متطلبات التشغيل والصيانة | يتطلب مهندسي AI متفرغين | تكفي صيانة غرفة الخوادم الحالية |
| إمكانية التنبؤ بالتكاليف | شراء كبير لمرة واحدة + صيانة مستمرة | الفوترة حسب Token مع حدّ أقصى قابل للتحكّم |
| تجربة استخدام الطلاب | يتطلب إعداداً ذاتياً بمعايير دخول مرتفعة | جاهز للاستخدام عند التشغيل، دون إعداد |
هذه ليست مشكلة الطلاب ولا مشكلة المعلمين — إنها فجوة نشأت بين الأدوات والعصر.
حين يستخدم الفصل VC 6.0 وVB6 بينما يرى الطلاب على هواتفهم Cursor يولّد مشروعًا كاملًا بنقرة وClaude Code يعيد هيكلة قاعدة الشيفرة بالمحادثة، فلن تُسد هذه الفجوة بـ«تحسين الموقف من التعلم». ما ينجح فعلًا هوأدخِل إلى الفصل أدوات حقيقية مستخدمة فعلاً في عام 2026، ليشعر الطلاب منذ الدرس الأول أن هذا شيء سيستخدمونه فعلًا بعد التخرج.
ولا حاجة للبدء بنظرية Transformer أو الانتشار العكسي أو دوال التفعيل؛ فذلك لطلاب الدراسات العليا ومهندسي الخوارزميات. بالنسبة لمعظم الطلاب، إتقان الاستخدام وتحقيق النتائج وبناء التغذية الراجعة الإيجابية هو نقطة البداية لكل شيء. يمكن استكشاف المبادئ الأساسية بشكل طبيعي بعد أن يُشعل الفضول.
هذه الأدوات الثلاث هي مساعدات البرمجة بالـ AI الأكثر استخدامًا بين المهندسين والطلاب في عام 2026 — انشرها في مختبر الحاسوب ليبدأ الطلاب باستخدام أدوات العالم الحقيقي منذ الحصّة الدراسية.
مبني على VS Code معدّل بعمق، مع محادثة ذكاء اصطناعي وإكمال الشيفرة وتعديل ملفات كاملة وتغييرات متعددة الملفات عبر Composer. لا يبدّل الطلاب الأدوات، بل يتحاورون مع الذكاء الاصطناعي أثناء البرمجة، بلا عناء يُذكر في التعلم.
أداة برمجة بالذكاء الاصطناعي عبر سطر الأوامر من Anthropic، يمكنها التعامل مباشرة مع أدلة المشاريع وقراءة الملفات وكتابتها وتنفيذ الأوامر وإيداع الشيفرة. وهي مثالية لطلاب علوم الحاسوب في المراحل المتقدمة لاختبار سير عمل تطوير تعاوني حقيقي مع الذكاء الاصطناعي.
يُقدَّم كإضافة لـ VS Code مع إكمال الكود المضمّن وتوليد الدوال وتحويل التعليقات إلى كود. يتمتع بتوافق عالٍ ويدعم جميع لغات البرمجة تقريبًا، مما يجعله أسلس طريقة لدخول المبتدئين إلى عالم الذكاء الاصطناعي.
في سوق الصور بوحدة إدارة vDisk، اختر صورة تعليمية مثبَّت عليها Cursor مسبقًا، أو ثبّت Cursor على صورة أساسية ثم أنشئ لقطة، ثم وزّعها دفعة واحدة على جميع أجهزة القاعة لضمان توحيد الإصدار.
افتح Cursor → Settings → Models → OpenAI API Key، أدخل المفتاح (Key) الموزّع مركزياً من المدرسة؛ في Override OpenAI Base URL أدخل عنوان بوابة vDisk المتوافقة مع OpenAI. بعدها تمر جميع طلبات Cursor للذكاء الاصطناعي عبر بوابة المدرسة إلى النموذج المتصل.
وجّه الطلاب لضبط مساحة عمل Cursor (Workspace) ضمن حرف محرك أقراص شبكة vDisk (مثل D:\projects\). قرص الشبكة vDisk هوقرص شخصي يُركّب بشكل مستقل لكل طالب بعد تسجيل الدخول، يعود محرك الأقراص D: نفسه حصريًا للطالب المسجَّل دخوله حاليًا، لذا لا حاجة لإنشاء أدلة فرعية حسب رقم الطالب للتمييز بينهم. جميع ملفات الأكواد وسجل المحادثات (.cursor الدليل) في الوقت الفعلي على الخادم، فيكفي فتحه في الحصة التالية ليستمر تقدّم الحصة السابقة وسياق المحادثة مع الذكاء الاصطناعي بالكامل.
OpenAI API Key sk-school-xxxxxxxxxxxxxxxx Override Base URL https://ai.school.edu.cn/v1 Model deepseek-chat # أو gpt-4o / qwen-max # لا يحتاج الطلاب إلى أي حساب LLM # بوابة المدرسة تتولى المصادقة والقياس # تنبيه تلقائي عند نفاد الرموز دون رسوم إضافية
# D: هو القرص الشخصي لكل طالب ويُركَّب عند تسجيل الدخول # لا حاجة لمجلدات فرعية؛ D: يخص الطالب الحالي وحده D:\projects\ # أنشئ المشروع مباشرة ضمن القرص الشخصي ├─ .cursor\ # سجل محادثات الذكاء الاصطناعي ← يُحفظ تلقائيًا │ └─ chat-history\ ├─ src\ # ملفات الكود ← تُكتب على الخادم في الوقت الفعلي └─ README.md
بعد تثبيت Node.js مسبقاً (يُوصى بإصدار LTS) في صورة القاعة، نفّذ npm install -g @anthropic-ai/claude-code. نوصي بإدراج هذه الخطوة في عملية إنشاء الصورة لتجنّب إهدار وقت الحصة في عمليات الطلاب.
بما أن بوابة vDisk توفّر بروتوكولاً متوافقاً مع OpenAI، يلزم ضبط توجيه الوكيل (البروكسي) في متغيرات بيئة النظام (أو نص تسجيل الدخول) بحيث تُمرَّر طلبات Claude Code عبر البوابة الموحّدة للمدرسة. ويمكن توزيع ذلك دفعةً واحدة عبر GPO أو نص تسجيل الدخول عند تسجيل دخول المستخدم، فيسري تلقائياً بعد تسجيل دخول الطالب دون الحاجة إلى إعداد يدوي.
إرشاد الطلاب للدخول D:\projects\my-project الدليل ثم شغّل Claude Code (claude الأمر). قرص شبكة vDisk يمنح كل طالبقرص شخصي يُحمّل بشكل مستقل بعد تسجيل الدخول، يكون القرص D: معزولًا بطبيعته وغير مرئي للآخرين، دون الحاجة إلى أدلة فرعية برقم الطالب. ويقرأ Claude Code جميع ملفات الدليل الحالي كسياق، ويُحفظ سجل المحادثة وتعديلات الملفات على القرص في الوقت الفعلي، بحيث تبقى حالة المشروع متطابقة تمامًا بعد تسجيل الدخول من جهاز آخر.
# النشر الجماعي عبر GPO أو سياسة vDisk ANTHROPIC_API_KEY = sk-school-xxxxxxxxxxxxxxxx ANTHROPIC_BASE_URL = https://ai.school.edu.cn/v1 CLAUDE_CODE_MAX_OUTPUT = 8192 # يفتح الطالب الطرفية ويشغّل: # cd D:\projects\my-project # claude # لا إعداد إضافي لبدء البرمجة بالذكاء الاصطناعي
يستطيع Claude Code قراءة دليل المشروع بأكمله مباشرة، وفهم بنية الشيفرة، ثم إجراء التعديلات بأسلوب حواري. وهو مثالي للطلاب في المراحل المتقدمة لاختبار العملية الكاملة لـ«ترك الذكاء الاصطناعي يتولى مشروعًا حقيقيًا» —— وهي حاليًا إحدى أكثر طرق تعاون مهندسي الشركات مع الذكاء الاصطناعي واقعية.
ثبّت مسبقًا VS Code وإضافة GitHub Copilot في الصورة (GitHub.copilot). لاستخدام نموذج آخر، ثبّت بديلًا لـ Copilot يدعم بروتوكول OpenAI (مثل Continue أو Codeium) ووجّهه إلى بوابة المدرسة.
بعد تثبيت إضافة Continue في VS Code، افتح ملف الإعدادات الخاص بها ~/.continue/config.json، وأدخل عنوان بوابة المدرسة و Key. ويكفي أن يفتح الطلاب VS Code للتحدّث مع AI مباشرةً في الشريط الجانبي للمحرر أو لتفعيل الإكمال التلقائي للشيفرة داخل السطر.
اضبط مجلد Workspace في VS Code مباشرةً على D:\projects\ يكفي. قرص شبكة vDisk يمنح كل طالبخاص بالفرديُركَّب القرص عند تسجيل الدخول ويُفصَل عند تسجيل الخروج؛ والقرص D: نفسه ملك للطالب الحالي فقط، فلا حاجة لإنشاء مجلدات فرعية برقم الطالب. ويُخزَّن فهرس محادثات إضافة Continue وسجلّها ضمن مجلد المشروع ويُكتب على القرص في الوقت الفعلي، فيستمر بسلاسة عبر الأجهزة وعبر الحصص.
{
"models": [
{
"title": "بوابة الذكاء الاصطناعي المدرسية",
"provider": "openai",
"model": "deepseek-chat",
"apiBase": "https://ai.school.edu.cn/v1",
"apiKey": "sk-school-xxxxxxxxxxxxxxxx"
}
],
"tabAutocompleteModel": {
"title": "الإكمال التلقائي",
"provider": "openai",
"model": "deepseek-coder",
"apiBase": "https://ai.school.edu.cn/v1",
"apiKey": "sk-school-xxxxxxxxxxxxxxxx"
}
}
من أكبر قيم أدوات البرمجة بالذكاء الاصطناعي استمرارية السياق: يتذكر الذكاء الاصطناعي ما كنت تفعله في المرة السابقة فلا تعيد الشرح. وكل ذلك يعتمد علىتُحفظ ملفات سجل المحادثة في تخزين موحّد، بدلاً من وجودها فقط في دليل مؤقت محلي.
# D: هو القرص الشخصي لكل طالب # يُركَّب عند الدخول ويُفصل عند الخروج، معزول عن الآخرين D:\ ← قرص شبكة vDisk الشخصي للطالب ├─ .cursor\ ← سجل محادثة Cursor │ ├─ chat\ │ └─ composer\ ├─ .continue\ ← سجل Continue في VS Code ├─ claude-sessions\ ← ملخص جلسة Claude Code └─ projects\ ├─ week01\ ← مشروع الأسبوع الأول من المقرر ├─ week02\ └─ final\ ← مشروع نهاية الفصل
التحول الجوهري:هدف درس البرمجة بالذكاء الاصطناعي ليس "تعليم الطلاب جميع وظائف أداة معيّنة"، بل تنمية قدرة الطلاب علىالقدرة على إنجاز مهام حقيقية بالتعاون مع الذكاء الاصطناعي— بما في ذلك كيفية وصف المشكلة، وكيفية تقييم مخرجات الذكاء الاصطناعي، وكيفية التحسين المستمر بمساعدته. وهذه بالضبط هي المهارة التي تتطلّبها كل وظيفة في عام 2026.
أداة لجانب الطالب مدمجة في مساحة التدريس vDisk — من إنجاز الواجبات إلى تسليمها، يشارك الذكاء الاصطناعي في كامل العملية وتُحفَظ البيانات على القرص في كل خطوة.
بعد أن ينجز الطلاب مرحلة من العمل في Cursor أو VS Code أو أي أداة AI، يمكنهم إكمالها مباشرة داخل مساحة التدريس دون مغادرة منطقة عملهم.تقييم لقطة الشاشةوتسليم الملفاتإجراءان: يقدّم الذكاء الاصطناعي ملاحظات فورية ويتلقى المعلم سجل التسليم في الوقت نفسه.
يلتقط الطلاب صورة لشاشة عملهم الحالية (سواء كانت كودًا أو نتائج تشغيل أو مسودات تصميم)، وتُرسَل اللقطة مع متطلبات الواجب إلى النموذج الكبير. واستنادًا إلى أبعاد التقييم المحددة مسبقًا (الصحة، ومعايير البرمجة، ووضوح المنطق، ودرجة الإنجاز، وما إلى ذلك)، يُنشئ النموذجتقييم منظَّم وملاحظات كتابية، يراه الطلاب فوراً بينما يسجّله جانب المعلم بالتزامن.
إلى جانب التقييم عبر لقطات الشاشة، يمكن للطلاب أيضًا تقديم ملفات المشروع الفعلية (الشيفرة المصدرية، مستندات التقارير، ملفات البيانات، الأرشيفات المضغوطة، وغيرها). تُختار الملفات مباشرة من دليل الواجبات على قرص الشبكة vDisk دون الحاجة إلى رفع إضافي، ويمكن على جانب المعلم الاطلاع على حالة التسليم ومحتوى ملفات كل طالب في لوحة واجبات موحدة.
تُخزَّن جميع بيانات مساحة العمل——لقطات الشاشة، ونتائج تقييم الذكاء الاصطناعي، والملفات المُقدَّمة——في أدلة موحّدة على القرص الشبكي vDisk، وتُكتب على القرص في الوقت الفعلي، بحيث يمكن للمعلمين والطلاب مراجعة السجلات التاريخية في أي وقت.
# D: هو القرص الشخصي المخصّص لكل طالب، معزول بطبيعته، دون الحاجة إلى مجلدات فرعية برقم الطالب D:\assignments\ ← أنشئ مجلد الواجبات مباشرة ضمن القرص الشخصي ├─ week03_assignment1\ │ ├─ screenshot.png ← لقطة الشاشة الأصلية │ ├─ ai_eval.json ← نتائج تقييم الذكاء الاصطناعي (منظمة) │ ├─ ai_feedback.md ← ملاحظات نصية من AI │ └─ main.py ← الكود المصدري المُقدَّم ├─ week05_assignment2\ │ ├─ screenshot.png │ ├─ ai_eval.json │ └─ project.zip ← أرشيف المشروع └─ final_project\ ├─ screenshot.png ├─ ai_eval.json ├─ report.pdf └─ src\ ← الكود المصدري الكامل للمشروع
في اللحظة التي يتم فيها التقاط لقطة شاشة أو إنشاء تقييم بالذكاء الاصطناعي أو اختيار ملف، تُكتب البيانات إلى خادم القرص الشبكي، دون الاعتماد على ذاكرة التخزين المؤقت المحلية ودون فقدانها عند إيقاف التشغيل.
تُحفظ لقطات الشاشة وسجلات التقييم لكل واجب طوال الفصل الدراسي بالكامل، ويمكن في نهاية الفصل إنشاء تقرير شامل عن مسار تعلّم الطالب بمساعدة AI كأساس للتقييم التكويني.
يستطيع كل طالب الاطلاع على دليل واجباته فقط؛ بينما يملك جانب المعلّم صلاحية القراءة فقط لأدلة جميع طلاب الصف — دون تداخل ومع أمان البيانات.
يمكن للمعلمين تصدير ملفات واجبات جميع طلاب الصف ونتائج التقييم بالذكاء الاصطناعي بنقرة واحدة، منظَّمة بتنسيق قياسي، مع دعم التصحيح الجماعي وتجميع الدرجات.
عند إسناد الواجب يحدد المعلم معايير التقييم (مثل «هل تعمل الشيفرة؟» و«هل تلبي المتطلبات؟» و«هل المنطق واضح؟») وأوزانها، فيتكوّن قالب Prompt منظم يُطبَّق تلقائيًا على كل تسليم.
في مساحة التعلم ينقر الطالب «تقييم لقطة الشاشة»، فيلتقط النظام الشاشة ويرسلها مع قالب المعلم إلى نموذج يدعم الرؤية (مثل DeepSeek-VL أو GPT-4o).
يحلّل النموذج الكبير محتوى لقطة الشاشة، ويمنحه درجات بندًا بندًا عبر الأبعاد المختلفة، ويولّد اقتراحات تحسين نصية، تُعاد بتنسيق JSON منظَّم (يشمل درجة كل بُعد، والدرجة الإجمالية، وملخص التغذية الراجعة). ويرى الطلاب على الفور نتائج التقييم المرئية على الواجهة.
تُكتب نتائج تقييم الذكاء الاصطناعي تلقائيًا في دليل الواجب المقابل على قرص الشبكة الخاص بالطالب (ai_eval.json + ai_feedback.md)، ويُخطر جانب المعلم في الوقت نفسه بأن الطالب قد أكمل التسليم. ويمكن للمعلم مراجعة درجات الذكاء الاصطناعي وتعديلها يدويًا لتكون أساسًا للدرجة النهائية.
تخصيص الحصص ومراقبة الاستخدام وجدولة النماذج ضمن نظام حسابات موحّد — لإبقاء استخدام موارد الذكاء الاصطناعي تحت السيطرة الكاملة
يستدعي الطلاب النماذج عبر بوابة المدرسة وكل طلب يستهلك رموزًا. دون ضبط يستحوذ قلة من المستخدمين الكثيفين على الموارد ويتضرر الأغلبية، ولا يرى المسؤول الاستخدام الفعلي ولا يستطيع تخطيط حصص الفصل القادم.
ليس هدف إدارة الرموز تقييد استخدام الطلاب للذكاء الاصطناعي، بل ضمانيحصل كل طالب على حصة استخدام عادلة ومستقرة للذكاء الاصطناعي، مع منح المعلمين والمسؤولين رؤية واضحة وتحكمًا في الاستهلاك الكلي.
اضبط حصة Token مستقلة لكل حساب طالب، ويمكن تحديدها حسب الحصة الدراسية أو الأسبوع أو الفصل الدراسي. وعند استنفاد الحصة تتوقف الطلبات تلقائيًا، ويتلقى الطالب تنبيهًا، ويمكن للمعلم زيادتها بنقرة واحدة؛ مما يمنع بعض المستخدمين كثيري الاستخدام من احتكار الموارد الإجمالية.
يمكن للمعلمين والمسؤولين الاطلاع، من لوحة الإدارة، على اتجاهات الاستهلاك العامة للصف، وترتيب الاستخدام لكل طالب، وخريطة حرارية لتوزيع Token لكل حصة. تُحدَّث البيانات في الوقت الفعلي، وتُوسَم حالات الاستخدام الشاذة (المرتفعة أو المنخفضة جدًا) تلقائيًا لتيسير التدخل في الوقت المناسب.
اضبط حدًّا إجماليًا لرصيد الصف؛ وعندما تنخفض الحصة المتاحة دون خط التحذير، تُرسَل الإشعارات تلقائيًا إلى المعلّم المسؤول والمسؤول الإداري. استشعر اتجاهات الموارد مسبقًا وأعد التعبئة بهدوء، حتى لا يؤثّر نفاد الحصة على استمرارية الحصة الدراسية.
يمكن لكل مقرر استخدام نموذج مختلف: نماذج خفيفة وسريعة للإكمال اليومي، ونماذج رائدة للتحليل العميق وتصميم البنية. ويُوجَّه حساب الطالب نفسه تلقائيًا حسب الحالة، موازنًا بين السرعة والكفاءة.
يدعم تصدير تفاصيل استخدام الـ Token حسب الصف والمقرر والفترة الزمنية، بصيغة متوافقة مع أدوات الجداول الشائعة. ويمكن استخدام التقارير لمراجعة الموارد في نهاية الفصل، وتخطيط الحصص للفصل التالي، وملخصات الاستخدام المقدّمة إلى قسم تقنية المعلومات في المدرسة.
يمكن للصفوف والمقررات المختلفة داخل المدرسة نفسها أن يكون لها مجمّعات Token مستقلة لا يؤثر بعضها في بعض. فإذا تجاوز الصف (أ) استهلاكه، فلن يؤثر ذلك في الاستخدام العادي للصف (ب)؛ ويمكن للمعلّمين أيضًا تخصيص حصة أكبر للمقررات الرئيسية، للتعامل بمرونة مع اختلاف كثافة التدريس.
أكبر مكسب إضافي للتعليم بالذكاء الاصطناعي هو أن كل تفاعل للطالب مع الذكاء الاصطناعي يترك بيانات تعلّم قابلة للقياس
عندما يتفاعل الطلاب مع الذكاء الاصطناعي، تعكس جودة الـPrompt مباشرةًوضوح التفكير ومدى إتقان المعرفة. الطالب الذي يقول بغموض «اكتب لي برنامجًا» وآخر يصف المتطلبات والحالات الحدية بدقة في مرحلتين مختلفتين تمامًا، والاختبارات التقليدية لا تكاد تقيس هذا الفرق.
كما أن استهلاك الـ Token هو أيضًامؤشرات بديلة لمدى التفاعل في التعلم: الطلاب المبادرون يواصلون السؤال والتعديل والتوسع، والسلبيون يكتفون بالإجابة الأولى. ويظهر السلوكان بوضوح في البيانات.
"ساعدني في كتابة الكود"
"كيف أفعل هذا؟"
"ماذا تفعل إذا حدث خطأ؟"
"تنفيذ برنامج نصي بلغة Python لقراءة ملف CSV وفرزه حسب العمود الثالث، مع معالجة القيم الفارغة"
"هل سيكون لهذا الكود مشاكل في أمان الخيوط تحت الوصول المتزامن؟"
إرسال 2-3 رسائل فقط في الحصة الواحدة
يغلق النافذة بعد محادثة واحدة
حوار متعدد الجولات مع متابعة مستمرة للتفاصيل
استكشاف السؤال نفسه مرارًا من زوايا مختلفة
«ImportError» و«undefined» و«null pointer»
«كيف أكتب هذه الصيغة؟» و«لماذا لا يعمل؟»
يبدأ كثير من الطلاب بطرح أسئلة عن تصميم البنية من تلقاء أنفسهم
توسّع ذاتي يتجاوز نطاق المقرر
يُولَّد مرة واحدة ويُسلَّم مباشرة دون أي تعديل
كل سؤال مختلف تمامًا ودون استمرارية
ملفات كود بسجلات تعديل متعددة
حسّن المشروع نفسه تدريجياً مع إضافة الميزات باستمرار
يستند تحليل أداء التعلّم إلى إحصاءات استخدام مجهّلة الهوية وتجميع الكلمات المفتاحية، ومبدؤه الأساسي هو:لدعم التدريس، لا لمراقبة الطلاب. يُنصح بشرح نطاق جمع البيانات للطلاب قبل بدء المقرر، واستخدام نتائج التحليل لتحسين التصميم التعليمي وليس كأساس مباشر لمنح الدرجات.
سواء كنت رئيس قسم أو مدرّس مقرر أو مسؤول IT في المؤسسة، تواصل معنا للحصول على خطة تنفيذ وتقدير للتكلفة مصمَّمين وفق الوضع الفعلي لمؤسستك.