ChatGPT وGemini في تدريب مختبري البرمجيات: تجربة مؤلف دورات على Stepik للمبتدئين

روى أرتيم روسوف، مؤلف دورات اختبار البرمجيات على Stepik وUdemy، كيف يدمج الذكاء الاصطناعي في تدريب المبتدئين. ووفق تجربته، لا تلغي النماذج الدورة الكلاسيكية، بل توسّعها: فهي تساعد على بناء بيئات تعليمية خاصة، وتوليد المهام، وإتاحة ممارسة أكثر حيوية للطلاب.

بيئة تعليمية تجريبية خاصة

كان عام 2023 نقطة التحول بالنسبة إلى المؤلف. ففي ذلك العام بنى، بمساعدة ChatGPT ودون خلفية عميقة في البرمجة، بيئة تجريبية (sandbox) متكاملة لدورته الرئيسية. ولا يتعلق الأمر بمجموعة من البيانات الوهمية (mocks)، بل بنظام يضم واجهة أمامية وخلفية ووثائق وتصاميم وقاعدة بيانات. وبالنسبة إلى مدرّس يعمل في الاختبار اليدوي، لم يكن هذا مجرد عرض لافت لإمكانات الذكاء الاصطناعي، بل وسيلة للحصول على بيئة تتطابق تمامًا مع منطق الدورة ولا تعتمد على قيود يفرضها الآخرون.

وسرعان ما ظهرت لهذا النهج مزايا عملية. فبوسع المدرّس أن يزرع الأخطاء المطلوبة بنفسه، وأن يصلح المشكلات المكتشفة بسرعة، وأن يبني سيناريوهات تختبر المهارة فعلًا، لا القدرة على اجتياز أداة تدريب بعينها. ووفق روسوف، يعمل الطالب في هذه الحالة داخل نظام يشبه المنتج الحقيقي، لا داخل غلاف تعليمي معقَّم. وثمة مكسب إضافي لمؤلف الدورة نفسه، هو نمو خبرته الذاتية: فحين تبني خدمة تعليمية بنفسك، تبدأ بفهم الشيفرة والبنية التحتية وعمليات التسليم فهمًا أفضل بكثير.

توليد المهام وRAG

المرحلة التالية هي نقل الذكاء الاصطناعي من مرحلة إعداد الدورة إلى تجربة المستخدم مباشرة. ويعمل روسوف حاليًا على نسخة جديدة من أدوات التدريب في Gemini، يستطيع فيها الطالب توليد أي عدد يشاء من المهام الجديدة في الواجهة نفسها وبالقالب نفسه. ولم يعد هذا تجربة فردية معزولة: فلكي يعمل كل شيء مع عدد كبير من الطلبات، لا بد من التفكير في مفاتيح API والمنصات السحابية وثبات النظام تحت الحمل.

• بيئة تجريبية خاصة وفق منهج الدورة
• أدوات تدريب في المتصفح على المتطلبات وSQL وDevTools واكتشاف الأخطاء
• مهام يقيّمها LLM مع تغذية راجعة آلية
• بحث RAG في قاعدة معرفة موثَّقة بدلًا من التوليد العشوائي
• توليد الرسوم التوضيحية والإطار القصصي للدورة

وبالتوازي، يتعلم المؤلف تقنية RAG كي لا يبحث الطالب عن الإجابات في مخرجات النموذج الحرة، بل في قاعدة معرفة منتقاة مسبقًا. وبالمنطق نفسه ظهرت في الدورات مهام يقيّم فيها الذكاء الاصطناعي الإجابة المفصّلة، ويمنحها درجة، ويقدّم تعليقًا عليها. وتُدمج هذه الأداة، التي طوّرها مع زميل له، في المنصة التعليمية عبر لوحة الإدارة وiframe. لكن روسوف يحدد حدود هذا النهج منذ البداية.

«في التعليم من المهم ألا نُلحق الضرر».

التلعيب دون ثقة عمياء

ثمة اتجاه آخر هو التغليف البصري والقصصي للدورة. يكتب المؤلف إنه حوّل تميمته القديمة، الخرشوف، إلى شخصية اسمها آرتي، تجوب الحضارات القديمة وتختبر واجهات API. ولهذا الإطار يبني بيئات تجريبية منفصلة وصورًا مولَّدة عبر Nana Banana. والفكرة ليست الزخرفة لذاتها، بل أن تُحفظ الدورة بسهولة أكبر وتبدو منتجًا متكاملًا لا مجموعة دروس واختبارات متفرقة.

ومع ذلك لا يضع روسوف الذكاء الاصطناعي في مواجهة الصيغ التعليمية التقليدية. فالاختبارات المعتادة ومهام المطابقة وإعادة ترتيب التسلسل الزمني وملء الفراغات لا تختفي، أما جميع النصوص التي ينتجها النموذج فيراجعها بنفسه ويصحّحها ويتحقق من وقائعها يدويًا. وأطروحته الرئيسية بسيطة: لا يجوز توليد «ذكاء اصطناعي رديء» (AI slop) بكميات ضخمة، لأن المؤلف مسؤول عن كل جزء من الدورة. فالذكاء الاصطناعي في هذه المعادلة ليس بديلًا عن المنهجية، بل أداة لا تعمل إلا ضمن أطر واضحة ورقابة تحريرية.

ماذا يعني ذلك

تُظهر حالة روسوف أن الذكاء الاصطناعي في التعليم الإلكتروني بدأ يحقق فائدة لا على مستوى الشعارات، بل في عناصر محددة من المنتج: من البيئات التجريبية والتحقق من الإجابات إلى أدوات التدريب المخصصة والطبقة البصرية. لكن المكسب لا يظهر إلا حيث يحتفظ مؤلف الدورة بمسؤوليته عن المحتوى والجودة والمنطق التعليمي، ولا يلقي بكل شيء على عاتق التوليد.