الاستخدام المسؤول للذكاء الاصطناعي والأدوات الرقمية

طريقان إلى نفس الفكرة

ماذا تحتاج قبل هذا الجزء؟

الفكرة الجوهرية: أداة تفكير، لا بديل عنه

1الشفافية

إن استخدمت أداة ذكاء اصطناعي في عمل تُقيَّم عليه، أفصح عن ذلك بوضوح حسب سياسة المؤسسة، الشفافية ليست خيارًا إضافيًا، هي جزء من النزاهة الأكاديمية.

2الفهم قبل النسخ

إذا لم تستطع شرح حل بكلماتك الخاصة، فأنت لم تتعلّمه فعليًا، حتى لو كان الحل صحيحًا 100%. الهدف من أي تمرين هو بناء فهمك، لا تسليم ملف يعمل فقط.

3التحقق دائمًا

نماذج اللغة الكبيرة قد "تختلق" معلومات تبدو واثقة تمامًا لكنها خاطئة (Hallucination)، تحقق من أي حقيقة أو كود مهم بمصدر مستقل قبل الاعتماد عليه.

4الخصوصية والبيانات

لا تُدخل بيانات حساسة (كلمات مرور، معلومات شخصية لأشخاص آخرين، كود سري) في أدوات ذكاء اصطناعي عامة لا تعرف سياسة خصوصيتها بدقة.

لماذا يحدث الاختلاق (Hallucination) تحديدًا؟ النموذج في الأساس يولّد النص الأكثر احتمالًا إحصائيًا بناءً على ما تعلّمه من التدريب، هدفه إنتاج استمرار سليم ومنطقي لغويًا للجملة، لا الرجوع لقاعدة بيانات موثّقة والتحقق من صحة كل معلومة فيها. لهذا قد تخرج إجابة خاطئة تمامًا بنفس ثقة وسلاسة إجابة صحيحة تمامًا، لأن الفرق بينهما من ناحية الأسلوب يكاد لا يُذكر، الصحة والثقة شيئان منفصلان تمامًا بالنسبة للنموذج.

والاختلاق نفسه ليس عطلًا عشوائيًا أو "خطأ برمجيًا" يمكن إصلاحه بتحديث بسيط، بحث نشرته OpenAI سنة 2025 يوضّح أن له سببين مركّبين يعملان معًا. السبب الأول يبدأ من مرحلة التدريب نفسها: النموذج يتعلّم من نصوص لا تحمل أي علامة "صحيح/خطأ" مرفقة بها، فهو يتعلّم الأسلوب والسياق اللغوي العام، لا حقيقة كل جزئية ضمنه. فإذا كانت معلومة معيّنة (مثل تاريخ ميلاد شخص غير مشهور أو رقم مرجعي دقيق) نادرة جدًا في بيانات التدريب، فلا توجد قاعدة إحصائية موثوقة يستطيع النموذج البناء عليها لإنتاج الإجابة الصحيحة، تمامًا كمحاولتك تخمين تاريخ ميلاد شخص من صورته فقط؛ قد تخمّن رقمًا معقولًا، لكن لا ضمانة أن يكون صحيحًا. والسبب الثاني أخطر لأنه يبقى حتى بعد التدريب: طرق تقييم النماذج الشائعة تمنح درجة فقط لإجابة صحيحة، ولا تمنح أي درجة لمن يقول "لا أعرف" بصدق، وهذا يدفع النموذج، عبر عملية التدريب كلها، ليفضّل التخمين الواثق على الاعتراف بعدم المعرفة، لأن التخمين قد يصيب أحيانًا ويكسب درجة، بينما الاعتراف بالجهل لا يكسب درجة أبدًا. فالاختلاق إذن نتيجة متوقّعة لمعادلة تدريب وتقييم تُحفّز الثقة الظاهرية أكثر من التحفّظ الصادق، لا غموضًا عشوائيًا في النموذج.

ولماذا نُصرّ تحديدًا على "الفهم قبل النسخ" بهذا القدر من الصرامة، رغم أنه قد يبدو أبطأ؟ لأن هذا ليس حكمًا أخلاقيًا بحتًا، بل نتيجة بحثية مثبتة في علم التعلّم تُعرف باسم "أثر الاختبار" (Testing Effect) أو "التدريب على الاستذكار" (Retrieval Practice): محاولتك استرجاع أو بناء الحل من ذهنك بنفسك، حتى لو أخطأت في المحاولة الأولى، تُرسّخ المعرفة في ذاكرتك طويلة المدى بشكل أقوى بكثير من قراءة حلّ جاهز وصحيح. أبحاث كاربيكي وزملائه في هذا المجال وجدت بتكرار أن من يسترجع الإجابة بنفسه (حتى عبر محاولة كتابة إجابة قصيرة) يتذكّرها لفترة أطول ممّن قرأها مرة أخرى فقط، مع أن أداءه في لحظة المحاولة نفسها قد يبدو أضعف ظاهريًا. نسخ حل نموذج اللغة الكبير مباشرة يحرمك تمامًا من هذه اللحظة الحرجة، تحصل على الإجابة الصحيحة فورًا، لكن بدون أي جهد استرجاع فعلي يُثبّتها في ذهنك، وهذا يفسّر تحديدًا لماذا طالب نسخ حلًا "صحيحًا 100%" يفشل غالبًا في حل مشكلة مشابهة بعد أسبوعين بمفرده.

أما مسألة الخصوصية فجوهرها أبسط مما يبدو: أي نص تكتبه في أداة ذكاء اصطناعي عامة غالبًا يُرسَل لخادم خارجي بعيد عن جهازك، وقد يُسجَّل أو يُستخدم ضمن بيانات تحسين مستقبلية حسب سياسة الشركة المشغِّلة، وهي سياسة لا تعرفها بالتفصيل في أغلب الأدوات المجانية. بمجرد أن يخرج النص من جهازك، أنت لم تعد تتحكم فيه بالكامل؛ لهذا القاعدة العملية البسيطة هي: أي معلومة لا تقبل أن يراها شخص غريب تمامًا، لا تكتبها في أداة لا تعرف سياسة خصوصيتها بدقة.

كيف تستخدم الأداة بدل أن تستخدمك

لماذا يصنع هذا الفرق فرقًا جوهريًا في مهارتك، لا فقط في درجتك؟ لنأخذ مثالًا بسيطًا غير مرتبط بأي مشروع من مشاريعك الفعلية: تخيّل أنك طلبت من نموذج لغوي حلّ مشكلة صغيرة، طباعة عناصر قائمة بترتيب عكسي، فأعطاك كودًا يستخدم تقنية "التكرار الذاتي" (Recursion) لم تدرسها من قبل. إن نسخت الكود كما هو وسلّمته، فأنت تسلّم حلًا يعمل، لكن ذهنك لم يمرّ بخطوة واحدة من عملية بناء المنطق نفسها: لم تحدّد الحالة الأساسية (Base Case) التي توقف التكرار، ولم تتتبّع كيف تتراكم الاستدعاءات فوق بعضها، ولم تخطئ ثم تكتشف خطأك وتصحّحه بنفسك، وهذه الخطوات الثلاث تحديدًا هي ما يُرسّخ فهم التكرار الذاتي في ذهنك فعليًا، لا مجرد رؤية الكود النهائي. أما إن طلبت من النموذج فكرة عامة فقط ("فكّر معي: كيف يمكن حلّ هذا بدون حلقة for؟") وكتبت الكود بنفسك خطوة بخطوة، فأنت تمرّ بنفس عملية الاسترجاع الفعّال الموصوفة في الجزء الأول أعلاه، وتخرج من التمرين بفهم أعمق يدوم، حتى لو استغرقت وقتًا أطول ووقعت في أخطاء أثناء الطريق. الخطأ أثناء المحاولة ليس فشلًا؛ هو جزء من الآلية نفسها التي تبني الذاكرة طويلة المدى.

شكل 1، ماذا يحدث فعليًا في ذهنك حسب طريقة تعاملك مع إجابة النموذج: النسخ المباشر يعطيك حلًا فوريًا لكن ذاكرة ضعيفة؛ الاسترجاع الفعّال أبطأ لكنه يبني فهمًا يدوم.

مثال تطبيقي: سيناريوهان لاستخدام نفس الأداة

تخيّل طالبًا اسمه سعد يتعلّم كتابة دوال في Python ويواجه خطأ في كود كتبه بنفسه، الدالة تُرجع None بدل القيمة المتوقّعة:

def calculate_average(numbers):
    total = 0
    for n in numbers:
        total += n
    average = total / len(numbers)
    # نسي كتابة return average

خرافة مقابل واقع

تطبيقات عملية في الواقع

تعمّق: الثقة، التحيّز، والحدود الشخصية

هذا القسم يوسّع الفكرة الأساسية: لماذا تجذبنا الأدوات الذكية إلى الثقة الزائدة، وكيف نبني عادات تحمي تعلّمنا ومسؤوليتنا. اقرأه بعد الجزء السابق وفكّر بسلوكك أنت لا بسلوك "الآخرين".

أولًا: الطلاقة ليست دليلًا على الصحة

نموذج اللغة يولّد نصًا مرتبًا ومتماسكًا لأن هذا ما تدرّب عليه: التنبؤ بالكلمة المحتملة التالية. لا توجد داخله خطوة "تحقق من الحقيقة". لذلك قد يخرج جواب خاطئ بنفس النبرة الواثقة لجواب صحيح، ولا يستطيع النموذج غالبًا أن يقول "لا أعرف" ما لم يُصمَّم أو يُطلب منه ذلك. وهناك وجه آخر للمشكلة يخصّك أنت كقارئ: الشرح المنساب يمنحك شعورًا بأنك فهمت، بينما الفهم الحقيقي يظهر فقط حين تحاول إعادة الشرح أو التطبيق بنفسك. هذا ما يسمّى وهم الكفاءة (Illusion of Competence).

ثانيًا: تحيّز الأتمتة وكيف يتسلل

تحيّز الأتمتة (Automation Bias) هو ميل الناس إلى تفضيل اقتراحات الأنظمة الآلية حتى حين تتعارض مع ما يرونه بأعينهم. يزداد هذا الميل تحت ضغط الوقت والتعب وحين تكون الأداة صحيحة غالبًا، لأن نجاحها المتكرر يخفّض يقظتك. الدواء ليس الامتناع عن الأدوات، بل عادة صغيرة: قبل قبول الجواب اسأل "ما الدليل المستقل الذي أستطيع الوصول إليه خلال دقيقتين؟".

شكل 2، حلقة الاعتماد: كل مرة تُزال فيها المحاولة مبكرًا يضعف الفهم ويزداد الاعتماد.

ثالثًا: التحيّز والحياد

النماذج تتعلم من نصوص كتبها بشر، ولذلك تحمل أنماطهم: ما يُكتب كثيرًا يبدو "طبيعيًا"، وما يُكتب قليلًا قد يُهمَّش أو يُشوَّه. لا يعني هذا أن النموذج "يتعمد" شيئًا؛ يعني أن مخرجاته ليست محايدة تلقائيًا. التطبيق العملي: حين تسأل عن أشخاص أو ثقافات أو قرارات تمسّ الناس، اطلب وجهات نظر متعددة وقارنها بمصدر موثوق. وتنص أطر الذكاء الاصطناعي المسؤول المعروفة، مثل مبادئ منظمة التعاون الاقتصادي والتنمية، على المساءلة والشفافية ومسؤولية الإنسان.

رابعًا: متى تساعد الأداة ومتى تسرق المحاولة؟

خامسًا: حدودك الشخصية والإفصاح

الحدود الشخصية قواعد قصيرة تضعها لنفسك قبل أن تتعب وتتساهل. مثال: "أحاول المسألة عشرين دقيقة قبل أي مساعدة"، "لا أنسخ ما لا أستطيع شرحه"، "لا أرسل بيانات خاصة بي أو بغيري". أما الإفصاح (Transparency) فليس عقوبة بل ثقة: حين تذكر أي أداة استخدمت ولأي غرض وماذا عدّلت بنفسك، يستطيع غيرك تقييم جهدك وفهمك بصدق.

شكل 3، شجرة قرار قبل الاستعانة بأداة ذكاء اصطناعي.

جرّب بنفسك

بطاقات مراجعة سريعة

تحقق من فهمك