التعلم المخصص بالذكاء الاصطناعي 2026: كيف تكيّف الدرس مع مستوى كل طالب؟

في الفصل نفسه قد تجد طالبًا أنهى النشاط الأول خلال دقائق، وطالبًا آخر لا يزال يحاول فهم التعليمات، وطالبًا ثالثًا يفهم المفهوم لكنه يحتاج إلى مثال إضافي قبل أن يستطيع تطبيقه وحده.

المشكلة أن المعلم يعمل غالبًا مع:

• هدف تعليمي واحد.
• وقت حصة محدود.
• عدد كبير من الطلاب.
• مستويات متفاوتة.
• موارد محدودة.

وهنا يظهر أحد أكثر الوعود التي تتكرر حول الذكاء الاصطناعي في التعليم:

التعلم المخصص لكل طالب.

لكن ماذا يعني ذلك فعلًا؟

هل يعني أن ننشئ 30 درسًا مختلفًا لـ30 طالبًا؟

هل نعطي الطالب الذي يواجه صعوبة محتوى أسهل باستمرار؟

هل يقرر AI وحده ما الذي ينبغي أن يدرسه كل طالب بعد ذلك؟

أم أن هناك طريقة أكثر واقعية وتربوية؟

الاستخدام الذي نوصي به في EL AMIRI AI أبسط:

حافظ على هدف التعلم، ثم استخدم AI لتغيير مقدار الدعم، ونوع المثال، ومستوى الاستقلالية، وطريقة الممارسة حسب الحاجة.

أي:

Same Goal → Different Support

وليس:

Different Student → Lower Goal

وهذه الفكرة هي محور هذا الدليل في التعلم المخصص بالذكاء الاصطناعي

إذا أردت أولًا فهم الصورة الكاملة لكيفية دخول هذه التقنيات إلى المدارس والجامعات، فراجع دليلنا حول الذكاء الاصطناعي في التعليم.

ما هو التعلم المخصص بالذكاء الاصطناعي؟

التعلم المخصص Personalized Learning هو محاولة تكييف بعض عناصر تجربة التعلم مع احتياجات الطالب ومستواه وتقدمه.

قد يشمل ذلك:

• نوع الشرح.
• مستوى القراءة.
• كمية الدعم.
• الأمثلة.
• سرعة الانتقال.
• عدد التمارين.
• نوع Feedback.
• ترتيب المهام.
• مستوى التحدي.
• الموارد الإضافية.

وتوضح OECD أن أنظمة التعلم المخصص يمكن أن تستخدم المعلومات عن معرفة الطالب أو فجواته لتشخيص الخطوة التالية المناسبة، ثم تقديم تمارين أو تعليمات أو Feedback أو تنبيه المعلم إلى الحاجة لتدخل معين.

لكن وجود AI لا يعني أن كل قرار يجب أن يصبح آليًا.

أفضل نموذج هو:

Human + AI

حيث يساعد النظام في اكتشاف الاحتياجات واقتراح البدائل، ويظل المعلم مسؤولًا عن تفسير المعلومات واختيار التدخل المناسب.

ما الفرق بين التعلم المخصص والتعلم التكيفي والتعليم المتمايز؟

تُستخدم هذه المصطلحات أحيانًا كما لو كانت الشيء نفسه، لكنها ليست متطابقة تمامًا.

المفهوم	الفكرة الأساسية	مثال
التعلم المخصص Personalized Learning	تكييف تجربة التعلم مع احتياجات المتعلم	اختيار دعم أو مثال أو مسار يناسب الطالب
التعلم التكيفي Adaptive Learning	النظام يغير النشاط أو الصعوبة حسب أداء الطالب	إذا أخطأ الطالب عدة مرات، يقدم النظام نشاطًا تمهيديًا
التعليم المتمايز Differentiated Instruction	المعلم يغير الدعم أو المهمة لتلبية احتياجات مختلفة داخل الفصل	نفس الهدف مع ثلاث درجات من Scaffolding
Individualized Learning	تعديل بعض عناصر التعلم لكل فرد بدرجة أكبر	سرعة أو مسار منفصل لطالب محدد

في التطبيق الواقعي يمكن أن تتداخل هذه الأساليب.

لكن بالنسبة للمعلم الذي يستخدم ChatGPT أو Gemini أو Microsoft Teach، فإن Differentiation غالبًا هو المدخل الأكثر عملية:

لدي درس واحد وهدف واحد. كيف أساعد مجموعات مختلفة من الطلاب على الوصول إليه؟

الخطأ الأول: التخصيص لا يعني خفض الهدف

لنفترض أن هدف الدرس هو:

أن يستطيع الطالب حساب نسبة مئوية من كمية وتطبيقها في موقف حياتي.

لدينا ثلاثة طلاب افتراضيين:

Student A

يواجه صعوبة في تحديد خطوات الحل.

Student B

يعمل في المستوى المتوقع.

Student C

أتقن المهارة الأساسية سريعًا.

الخطأ هو إعطاء Student A هدفًا مختلفًا مثل:

يعرف معنى النسبة المئوية فقط.

بينما Student B وC يحلان مشكلات تطبيقية.

بهذه الطريقة قد نحول “التخصيص” إلى خفض دائم لتوقعات التعلم.

الأفضل:

Student A

نفس الهدف + دعم أكبر.

Student B

نفس الهدف + مستوى الدعم المعتاد.

Student C

نفس الهدف + مشكلة أكثر تعقيدًا أو استقلالية أكبر.

أي:

العنصر	Student A	Student B	Student C
هدف التعلم	ثابت	ثابت	ثابت
الدعم	مرتفع	متوسط	محدود
الأمثلة	أوضح ومجزأة	عادية	أقل مباشرة
الاستقلالية	تدريجية	عادية	مرتفعة
المهمة النهائية	نفس المهارة	نفس المهارة	تطبيق أكثر تعقيدًا

هذه نقطة أساسية.

Personalization ≠ Reduced Expectations

ماذا يمكن للذكاء الاصطناعي أن يخصص؟

يمكن للمعلم استخدام AI لتغيير عدة عناصر دون بناء درس جديد من الصفر.

1. مستوى القراءة

يمكن تحويل نص معقد إلى نسخة أكثر وضوحًا مع الحفاظ على:

• المفاهيم الأساسية.
• المفردات المهمة.
• المعنى.

Microsoft Teach، مثلًا، يوفر حاليًا وظيفة لتعديل مستوى القراءة مع الحفاظ على المصطلحات والمفاهيم الأساسية، إضافة إلى إمكانية إنشاء Glossary لدعم الفهم.

2. التعليمات

يمكن جعل التعليمات:

• أقصر.
• أكثر تفصيلًا.
• خطوة بخطوة.
• مدعومة بمثال.
• على شكل Checklist.

3. Scaffolding

يمكن إضافة:

• Hint.
• Starter Sentence.
• نموذج جزئي.
• خطوات.
• سؤال موجه.
• مثال محلول جزئيًا.

4. مستوى التحدي

للطالب المتقدم يمكن:

• إزالة بعض Scaffolds.
• إضافة قيود.
• استخدام مشكلة مفتوحة.
• طلب تفسير أكثر عمقًا.
• طلب أكثر من طريقة للحل.

5. نوع المثال

يمكن تقديم مفهوم واحد عبر:

• مثال رياضي.
• موقف حياتي.
• قصة.
• مخطط.
• مقارنة.
• Analogies.

6. Feedback

طالب يحتاج إلى:

أنت أخطأت.

قد يستفيد أكثر من:

الخطوة الأولى صحيحة. راجع الطريقة التي حسبت بها قيمة 20% قبل الانتقال إلى السعر النهائي.

تجربة عملية: نفس الدرس بثلاث درجات من الدعم

سنستخدم نفس المثال الذي يمكن أن يربط هذا المقال بمقالات التخطيط والتقييم داخل الـCluster.

الموضوع

النسب المئوية.

المستوى

الصف الثامن.

الهدف

بنهاية النشاط يستطيع الطالب حساب نسبة مئوية من كمية وتطبيقها على مشكلة تخفيض أسعار.

النشاط الأساسي

حذاء ثمنه 360 درهمًا، والمتجر يقدم تخفيضًا بنسبة 25%.

احسب:

1. مقدار التخفيض.
2. السعر بعد التخفيض.
3. اشرح الطريقة التي استخدمتها.

الآن نطلب من AI إنشاء ثلاث نسخ.

Student A: دعم إضافي دون تغيير الهدف

Prompt:

لديك النشاط التالي:

حذاء ثمنه 360 درهمًا ويوجد تخفيض 25%. احسب مقدار التخفيض والسعر النهائي واشرح الطريقة.

الهدف التعليمي يجب أن يبقى كما هو.

أعد تصميم النشاط لطالب يفهم مفهوم النسبة المئوية لكنه يحتاج دعمًا في تنظيم خطوات الحل.

لا تعطِه الإجابة.

أضف فقط:

• تقسيمًا للمهمة إلى خطوات.
• Hint واحدًا.
• مثالًا مختلفًا محلولًا جزئيًا.

لا تخفض مستوى الهدف النهائي.

قد تصبح المهمة:

الخطوة 1

ما القيمة التي نحتاج إلى حسابها أولًا؟

الخطوة 2

اكتب العملية التي ستستخدمها لحساب 25% من 360.

الخطوة 3

بعد معرفة مقدار التخفيض، ماذا يجب أن تفعل للوصول إلى السعر النهائي؟

Hint

تذكر:

25% = ربع الكمية.

ثم يبقى الطالب مطالبًا في النهاية بحساب النتيجة وشرح الطريقة.

Student B: النسخة الأساسية

يحصل الطالب على:

حذاء ثمنه 360 درهمًا، وعليه تخفيض بنسبة 25%.

احسب مقدار التخفيض والسعر النهائي.

اشرح الطريقة التي استخدمتها.

دون دعم إضافي.

Student C: Extension بدل مزيد من الأسئلة المتشابهة

من الأخطاء الشائعة إعطاء الطالب السريع:

حل 20 سؤالًا إضافيًا.

هذا ليس دائمًا أفضل شكل من أشكال التخصيص.

الأفضل قد يكون رفع عمق المهمة.

Prompt:

أعد تصميم النشاط لطالب أتقن حساب النسب المئوية.

لا تعطِه المزيد من الأسئلة المتكررة.

حافظ على المهارة الأساسية، لكن أضف مشكلة تتطلب المقارنة واتخاذ القرار والتبرير.

مثلًا:

متجر A يبيع الحذاء نفسه بـ360 درهمًا مع تخفيض 25%.

متجر B يبيعه بـ330 درهمًا مع تخفيض 15%.

أي العرضين أفضل؟

احسب، ثم اشرح قرارك.

الطالب لا يتدرب فقط على الحساب.

بل يستخدم المهارة لاتخاذ قرار.

المقارنة النهائية

العنصر	دعم إضافي	أساسي	Extension
الهدف	ثابت	ثابت	ثابت + تعميق
عدد الخطوات	مجزأة	طبيعية	يحددها الطالب
Hint	نعم	لا	لا
المثال	جزئي	لا	لا
الاستقلالية	أقل في البداية	متوسطة	مرتفعة
نوع التفكير	تطبيق	تطبيق	تطبيق + مقارنة
المتوقع النهائي	حل + شرح	حل + شرح	حل + قرار + تبرير

هذه هي الفكرة التي نريد أن يستطيع المعلم تكرارها مع أي درس تقريبًا.

Prompt شامل لإنشاء ثلاث درجات من الدعم

يمكن استخدام القالب التالي:

لدي نشاط تعليمي سأقدمه لطلاب بمستويات مختلفة.

النشاط:

[الصق النشاط]

هدف التعلم:

[اكتب الهدف]

أنشئ ثلاث نسخ:

المستوى A — دعم إضافي

أضف Scaffolding وخطوات أو Hints تساعد الطالب على الوصول إلى الهدف دون إعطائه الحل.

المستوى B — الأساسي

حافظ على مستوى المهمة الأصلي.

المستوى C — Extension

لا تضف تمارين متكررة فقط. زد عمق التفكير أو الاستقلالية أو التطبيق.

قواعد مهمة:

• لا تغير هدف التعلم الأساسي.
• لا تفترض أن الطالب الذي يحتاج دعمًا أقل قدرة.
• لا تجعل الدعم يكشف الإجابة.
• لا تجعل Extension يعتمد فقط على أرقام أكبر أو نص أطول.

بعد ذلك أنشئ جدولًا يوضح:

ما الذي تغير؟

وما الذي بقي ثابتًا؟

هذا من أقوى Prompts التي يمكن للمعلم الاحتفاظ بها.

كيف تكيّف مستوى قراءة النص باستخدام AI؟

لنفترض أن لديك نصًا علميًا مناسبًا للصف لكنه صعب على مجموعة من الطلاب بسبب اللغة.

لا تطلب:

بسط النص.

هذه التعليمات قد تدفع AI إلى حذف المفاهيم المهمة.

استخدم:

أعد كتابة النص ليصبح أسهل في القراءة دون حذف المفاهيم الأساسية التالية:

[المفاهيم]

حافظ على المصطلحات:

[المصطلحات]

إذا استخدمت مصطلحًا صعبًا، أضف تعريفًا قصيرًا بين قوسين عند أول ظهور.

لا تختصر المعلومات العلمية الأساسية.

بعد إعادة الكتابة، أنشئ جدولًا يوضح:

• ما الذي تم تبسيطه لغويًا؟
• هل تم حذف أي فكرة؟
• هل تغير المعنى؟

الهدف:

Simplify Language

لا:

Simplify Learning

مثال: تبسيط اللغة دون تبسيط المفهوم

النص الأصلي:

يؤدي ارتفاع تركيز غازات الدفيئة في الغلاف الجوي إلى زيادة احتجاز الإشعاع الحراري الصادر من سطح الأرض، ما يؤثر في التوازن الإشعاعي للنظام المناخي.

نسخة أكثر دعمًا قد تصبح:

تحتفظ بعض الغازات الموجودة في الغلاف الجوي بجزء من الحرارة التي تطلقها الأرض. عندما تزداد كمية هذه الغازات، يمكن أن تبقى حرارة أكبر داخل النظام المناخي. وتسمى هذه الغازات غازات الدفيئة.

المفهوم الأساسي بقي:

• غازات الدفيئة.
• الحرارة.
• زيادة التركيز.
• تأثير ذلك في النظام المناخي.

لكن الحمل اللغوي أصبح أقل.

وهذا مختلف عن حذف الفكرة بالكامل.

كيف تستخدم AI لإضافة Scaffolding؟

Scaffolding هو دعم مؤقت يساعد الطالب على إنجاز مهمة لا يستطيع إنجازها بصورة مستقلة بعد.

يمكن أن يكون:

Prompting Questions

ما الذي تعرفه؟

ما الذي تريد إيجاده؟

Sentence Starters

أعتقد أن السبب الرئيسي هو…

الدليل الذي يدعم ذلك هو…

Worked Example

مثال قريب من المهمة.

Partial Example

جزء من الحل فقط.

Checklist

1. اقرأ السؤال.
2. حدد البيانات.
3. اختر العملية.
4. تحقق من النتيجة.

Visual Structure

جدول أو Timeline أو Concept Map.

AI يمكن أن يساعد على إنتاج هذه الصيغ بسرعة.

لكن الدعم يجب أن يكون:

مؤقتًا وقابلًا للإزالة.

إذا احتاج الطالب إلى القالب نفسه دائمًا، فقد يتحول Scaffolding إلى اعتماد.

Prompt جيد لإنشاء Scaffolding

الهدف:

[الهدف]

النشاط:

[النشاط]

الطالب يواجه صعوبة في:

[حدد الصعوبة بدل وصف الطالب بأنه ضعيف]

اقترح ثلاثة Scaffolds مختلفة.

لكل واحد:

• ماذا يفعل؟
• في أي مرحلة يستخدم؟
• كيف يمكن تقليله تدريجيًا؟

لا تعطِ الطالب الإجابة النهائية.

لاحظ أننا كتبنا:

الطالب يواجه صعوبة في تنظيم المعلومات.

وليس:

الطالب ضعيف.

هذا أكثر دقة تربويًا.

لا تجعل AI يصنف الطلاب إلى “ضعيف ومتوسط ومتفوق”

هذه التصنيفات تبدو سهلة، لكنها قد تكون مضللة.

الطالب نفسه قد يكون:

• ممتازًا في الفهم الشفهي.
• يحتاج دعمًا في القراءة.
• قويًا في الحساب.
• يواجه صعوبة في شرح التفكير.

لذلك الأفضل تخصيص المهمة بناءً على الحاجة الظاهرة.

بدل:

أنشئ نشاطًا للطلاب الضعفاء.

استخدم:

أنشئ دعمًا للطلاب الذين يستطيعون تحديد النسبة المطلوبة لكنهم يخطئون في تحويلها إلى عملية حسابية.

الفرق كبير.

الأول يصنف الشخص.

الثاني يحدد فجوة تعلم قابلة للتدخل.

التخصيص يجب أن يبدأ من Evidence

لا تخصص لأنك “تعتقد” أن الطالب يحتاج إلى نسخة أسهل.

ابحث عن دليل.

قد يأتي من:

• سؤال تشخيصي.
• Quiz.
• Exit Ticket.
• ملاحظة المعلم.
• محادثة مع الطالب.
• عمل سابق.
• خطأ متكرر.

مثلًا:

إذا أجاب طالب عن 5 أسئلة:

• نجح في العمليات.
• أخطأ فقط عندما كانت المشكلة نصية.

فربما المشكلة ليست في النسبة المئوية.

قد تكون في:

فهم نص السؤال.

إعطاؤه حسابات أسهل لن يحل المشكلة الصحيحة.

هنا يلتقي التخصيص بالتقييم التكويني

التعلم المخصص الجيد يحتاج إلى حلقة:

Teach → Check → Diagnose → Adapt → Check Again

أي:

1. علّم.
2. اجمع دليلًا صغيرًا على الفهم.
3. حدد نوع الصعوبة.
4. عدل الدعم.
5. تحقق مرة أخرى.

وهذا أفضل من:

إنشاء ثلاثة مستويات في بداية الوحدة ثم إبقاء كل طالب فيها إلى النهاية.

الطلاب يتغيرون.

قد يحتاج الطالب إلى الدعم اليوم ولا يحتاجه غدًا.

Prompt لتحليل Exit Ticket دون تصنيف الطلاب

يمكن استخدام بيانات مجهولة الهوية إذا كانت سياسة المؤسسة تسمح:

هذه إجابات مجهولة الهوية على Exit Ticket.

هدف التعلم:

[الهدف]

لا تصنف الطلاب إلى قوي أو ضعيف.

صنف أنواع الأخطاء فقط.

حدد:

• من أتقن المهارة المطلوبة.
• من يظهر خطأً مفاهيميًا.
• من يظهر خطأً إجرائيًا.
• من تحتاج إجابته إلى معلومات إضافية للحكم.

ثم اقترح Intervention قصيرًا لكل نوع من الأخطاء.

لا تتخذ قرارات نهائية حول مستوى الطالب.

هذه طريقة أكثر أمانًا وفائدة.

مثال على تحليل الأخطاء

لنفترض أن الهدف هو حساب السعر بعد التخفيض.

Student A

حسب 20% بصورة صحيحة لكنه اعتبرها السعر النهائي.

المشكلة:

فهم المطلوب.

Student B

حسب 20% خطأ.

المشكلة:

الإجراء الحسابي.

Student C

حسب التخفيض والسعر النهائي وشرح الطريقة.

المشكلة:

لا توجد فجوة واضحة في هذا الهدف.

التخصيص الناتج:

النمط	التدخل
يخلط بين التخفيض والسعر النهائي	مقارنة بين المصطلحين عبر مثال
لا يحسب النسبة بصورة صحيحة	Scaffolding للعملية
أتقن الهدف	Extension يعتمد على مقارنة عروض

هذا أفضل من:

A ضعيف
B ضعيف
C متفوق

التعلم التكيفي: عندما يغير النظام الخطوة التالية تلقائيًا

هناك مستوى آخر من التخصيص يسمى Adaptive Learning.

هنا يمكن للنظام أن:

1. يقدم سؤالًا.
2. يسجل استجابة الطالب.
3. يقدر مستوى المعرفة.
4. يختار النشاط التالي.
5. يقدم Feedback.
6. يعيد التقدير.

مثلًا:

إجابة صحيحة متكررة
→ ينتقل إلى تطبيق أكثر صعوبة.

خطأ في مفهوم أساسي
→ يقدم شرحًا أو تمرينًا تمهيديًا.

خطأ واحد عارض
→ لا يعيد الوحدة كاملة.

هذا النوع من الأنظمة موجود منذ سنوات قبل موجة ChatGPT، وغالبًا يستخدم نماذج أكثر تخصصًا من مجرد Language Model عام.

لكن GenAI يجعل إنشاء محتوى متكيف ومحادثات تعليمية أكثر مرونة ممكنًا أيضًا.

ما الفرق بين ChatGPT ونظام Adaptive Learning؟

ChatGPT يمكنه:

• تغيير الشرح.
• توليد سؤال.
• تقديم Hint.
• متابعة المحادثة.
• تعديل الصعوبة.

لكن ذلك لا يجعله تلقائيًا نظام Adaptive Learning كاملًا.

النظام التكيفي الحقيقي عادة يحتاج إلى:

• نموذج لمعارف الطالب.
• بيانات أداء.
• تسلسل تعليمي.
• قواعد أو نموذج لاتخاذ الخطوة التالية.
• تتبع مستمر للتقدم.

لذلك من الأفضل ألا نستخدم المصطلحين كما لو كانا مترادفين.

كيف يستخدم المعلم ChatGPT أو Gemini بطريقة شبه تكيفية؟

يمكن إنشاء Workflow بسيط.

Prompt:

أريد تدريب طالب على:

[المهارة]

ابدأ بسؤال متوسط الصعوبة.

بعد كل إجابة:

• لا تنتقل تلقائيًا.
• حدد نوع الخطأ إن وجد.

إذا كانت الإجابة صحيحة مع تفسير جيد:

زد التعقيد قليلًا.

إذا كانت صحيحة دون تفسير:

اطلب من الطالب شرح تفكيره.

إذا كان الخطأ إجرائيًا:

أعطِ Hint واحدًا.

إذا ظهر خطأ مفاهيمي:

استخدم مثالًا أبسط ثم أعد اختبار المفهوم.

لا تعطِ الحل قبل محاولتين على الأقل.

بعد خمسة أسئلة، أخبر الطالب:

• ما الذي يبدو أنه أتقنه؟
• ما الذي يحتاج إلى مراجعة؟

لا تصفه بأنه ذكي أو ضعيف.

هذه محاكاة بسيطة لـAdaptive Tutor.

لكن يجب أن تظل تحت إشراف مناسب، خصوصًا مع الطلاب الأصغر سنًا.

AI Tutor أم Answer Machine؟

هذه من أهم النقاط في التعلم المخصص.

إذا كان الطالب يستطيع دائمًا الكتابة:

أعطني الحل.

ويحصل عليه فورًا، فقد يصبح “المعلم الشخصي” مجرد:

Personalized Answer Machine

الأفضل أن تكون القواعد:

Attempt → Hint → Retry → Explanation → Solution

لا:

Question → Solution

نموذج Tutor Mode

تصرف كمدرس خصوصي.

هدفك أن أتعلم، لا أن أنهي الواجب بسرعة.

القواعد:

• اسألني قبل أن تشرح.
• لا تعطِ الحل الكامل في البداية.
• استخدم Hints تدريجية.
• إذا أخطأت، حاول اكتشاف سبب الخطأ.
• لا تقل إنني “ضعيف”.
• عدل الشرح حسب إجابتي.
• اطلب مني في النهاية حل مثال جديد دون مساعدة.

هذه الصيغة تربط التعلم المخصص بالمقال السابق حول التفكير النقدي:

التخصيص الجيد لا ينبغي أن يقلل مقدار التفكير المطلوب من الطالب.

كيف يمكن للذكاء الاصطناعي تغيير طريقة الشرح؟

لنفترض أن الطالب لم يفهم “التضخم”.

يمكن طلب:

شرح مباشر

اشرح التضخم لطالب عمره 15 سنة.

باستخدام مثال حياتي

اشرح التضخم من خلال مثال شراء الطعام خلال سنتين.

باستخدام مقارنة

قارن التضخم بارتفاع مستوى الماء في وعاء، ثم وضح حدود هذه المقارنة.

عن طريق الأسئلة

لا تشرح التضخم مباشرة. اطرح أسئلة تقودني إلى فهمه.

شرح مرئي

صف مخططًا بسيطًا يوضح العلاقة بين تغير الأسعار والقوة الشرائية.

هذه ليست أهدافًا تعليمية مختلفة.

إنها طرق وصول مختلفة للمفهوم نفسه.

لكن هل “أسلوب التعلم” يجب أن يحدد كل شيء؟

من المغري أن نطلب:

هذا الطالب بصري، حوّل كل شيء إلى صور.

لكن من الأفضل الحذر من التخصيص المبني على Labels ثابتة.

احتياج الطالب يعتمد أيضًا على:

• طبيعة المفهوم.
• المعرفة السابقة.
• المهارة.
• المهمة.
• الصعوبة المحددة.

قد يحتاج الطالب نفسه:

• رسمًا في الهندسة.
• نصًا في التاريخ.
• ممارسة فعلية في اللغة.
• مثالًا محلولًا في الرياضيات.

إذن:

خصص وفق المهمة والدليل، لا وفق ملصق ثابت عن شخصية المتعلم.

هل يجب تخصيص كل شيء لكل طالب؟

لا.

وهذه نقطة مهمة جدًا.

هناك قيمة تعليمية أيضًا في:

• العمل الجماعي.
• المناقشة المشتركة.
• تعلم المفهوم نفسه مع الزملاء.
• التعرض لأفكار مختلفة.
• وجود أهداف مشتركة.
• بناء مجتمع صفّي.

التخصيص لا ينبغي أن يحول الفصل إلى:

30 طالبًا يعمل كل واحد منهم في مسار خوارزمي منفصل طوال الوقت.

UNESCO حذرت من تصور ضيق للتعلم المخصص يجعل النظام يحدد للمتعلم ما يحتاجه باستمرار، بينما يصبح الطالب متلقيًا بدل أن يشارك في تشكيل مسار تعلمه.

لذلك يجب أن نسأل:

Personalized by whom?

الذكاء الاصطناعي؟

المعلم؟

الطالب؟

أم الثلاثة معًا؟

الأفضل غالبًا هو النموذج الأخير.

أعطِ الطالب Agency داخل عملية التخصيص

بدل أن يقرر AI:

أنت تحتاج إلى النسخة السهلة.

يمكن للمعلم أن يقدم خيارات.

مثلًا:

الهدف واحد للجميع.

اختر أحد أشكال الدعم:

A — Checklist للخطوات.

B — مثال محلول جزئيًا.

C — محاولة دون دعم، ويمكن طلب Hint عند الحاجة.

هذا يضيف:

Student Choice

إلى:

Teacher Judgement + AI Support

ويمنع التخصيص من أن يصبح مسارًا مفروضًا على المتعلم.

نموذج “اختر دعمك”

يمكن إنشاء بطاقة:

قبل البدء

أي دعم تحتاج؟

1 — لا أحتاج دعمًا الآن.

2 — أريد تذكيرًا بالخطوات.

3 — أريد Hint واحدًا.

4 — أريد مثالًا مشابهًا.

ثم يمكن للطالب تقليل الدعم لاحقًا.

هذه فكرة صغيرة لكنها تغير فلسفة التخصيص من:

النظام يعرفك أفضل منك.

إلى:

نتعلم معًا أي دعم يساعدك على الاستقلال.

Google وPersonalized Learning

Google for Education يقدم حاليًا Gemini for Education وGemini in Classroom كأدوات تساعد المعلمين في:

• تخطيط الدروس.
• تخصيص التعلم.
• دعم Differentiation.
• إنشاء تجارب تعلم ومواد موجهة.
• بناء أنشطة وتغذية راجعة.

كما تعرض Google Classroom أدوات AI لدعم Differentiated Instruction وTeacher-led AI experiences للطلاب.

لكن هذه الوظائف ينبغي التعامل معها كوسائل لتنفيذ القرار التربوي، لا كبديل عن تشخيص المعلم للسياق.

Microsoft Teach والتمايز

يوفر Microsoft Teach وظائف مخصصة لتعديل المحتوى، منها:

• Differentiate Instructions.
• Modify Reading Level.
• تعديل مستوى الصعوبة.
• إضافة أمثلة وScaffolds.
• التوافق مع المعايير.

وهذا مثال جيد على انتقال AI من:

كتابة درس.

إلى:

إعادة تشكيل المادة نفسها حسب احتياج المتعلم.

لكن المبدأ يبقى:

Generate → Review → Use

وليس:

Generate → Automatically Assign

ما الأداة الأفضل للتعلم المخصص؟

هذا المقال لا يقارن الأدوات، لأن ذلك سيعيدنا إلى Search Intent الخاص بقسم أدوات الذكاء الاصطناعي.

يمكن استخدام:

• ChatGPT.
• Gemini.
• Microsoft Teach.
• أنظمة Adaptive Learning متخصصة.
• أدوات LMS.
• منصات Practice.

كل واحدة منها تقدم مستوى مختلفًا من التخصيص.

إذا كان هدفك هو اختيار الأداة نفسها، فالأفضل الرجوع إلى دليل EL AMIRI AI حول أفضل أدوات الذكاء الاصطناعي للمعلمين.

أما هنا فالسؤال هو:

ماذا نفعل بالأداة بعد اختيارها؟

كيف نستخدم AI مع طالب يحتاج دعمًا دون خلق اعتماد؟

هذه إحدى أهم المشكلات.

إذا تلقى الطالب كل مرة:

• خطوات.
• أمثلة.
• Hints.
• إجابات جزئية.

فلن نعرف هل تعلم المهارة أم تعلم استخدام الدعم.

لذلك يجب أن يكون هناك:

Scaffold Fading

أي إزالة الدعم تدريجيًا.

مثلًا:

المحاولة الأولى

خطوات + Hint.

الثانية

خطوات فقط.

الثالثة

Checklist قصيرة.

الرابعة

دون دعم.

ثم:

مثال Transfer جديد.

إذا نجح الطالب فقط عندما يرى المثال نفسه، فقد لا يكون التعلم قد انتقل بعد.

Prompt لإزالة الدعم تدريجيًا

أنشئ سلسلة من أربع مهام حول المهارة نفسها.

المهمة 1:

دعم مرتفع.

المهمة 2:

دعم متوسط.

المهمة 3:

Hint واحد فقط.

المهمة 4:

دون دعم.

حافظ على نفس الهدف التعليمي.

لا تجعل الصعوبة تتغير بصورة كبيرة بين المهام.

الهدف هو اختبار انتقال الطالب تدريجيًا إلى الاستقلال.

هذا أفضل من إنشاء عشر نسخ “سهلة”.

الطالب المتقدم لا يحتاج دائمًا إلى محتوى جديد

التخصيص للطالب الذي أتقن الهدف يمكن أن يكون:

Depth

اشرح لماذا.

Complexity

تعامل مع أكثر من متغير.

Transfer

استخدم المهارة في سياق جديد.

Comparison

قارن استراتيجيتين.

Creation

أنشئ مشكلة.

Evaluation

حلل حلًا واقترح تحسينه.

مثال:

بدل:

احسب 15% من 200.

ثم:

احسب 15% من 400.

ثم:

احسب 15% من 800.

يمكن إعطاء:

صمم عرض تخفيض يبدو جذابًا للعميل لكنه يحقق للمتجر السعر النهائي نفسه تقريبًا، واشرح حسابك.

هنا نزيد العمق، لا عدد العمليات فقط.

التخصيص والطلاب ذوو الاحتياجات المتنوعة

يمكن للذكاء الاصطناعي أيضًا دعم Accessibility.

مثل:

• إعادة صياغة تعليمات طويلة.
• إنشاء Glossary.
• تحويل المعلومات إلى بنية أوضح.
• إنشاء محتوى متعدد الوسائط.
• دعم الإدخال الصوتي.
• تقديم تفسير إضافي.
• مساعدة الطالب في تنظيم المهمة.

Google for Education يعرض حاليًا عدة استخدامات لـGemini ضمن دعم المتعلمين المتنوعين، بما في ذلك تعديل المواد، واستخدام الإدخال الصوتي، وإنشاء صيغ متعددة للمحتوى.

لكن من المهم ألا نفترض:

وجود إعاقة أو حاجة معينة → AI هو الحل.

قد تكون هناك:

• أدوات Assistive Technology أكثر تخصصًا.
• خطة دعم رسمية.
• توصيات متخصصين.
• ترتيبات مؤسسية.

AI يمكن أن يكون جزءًا من الدعم، لا بديلًا عن المنظومة المحيطة بالطالب.

الخصوصية في التعلم المخصص

هناك مفارقة مهمة:

كلما أردنا Personalization أعمق، أصبحنا نميل إلى جمع بيانات أكثر عن الطالب.

مثل:

• الدرجات.
• الأخطاء.
• سرعة الإنجاز.
• الاهتمامات.
• المحادثات.
• أنماط السلوك.

لكن:

More Data ≠ Automatically Better Education

قبل إدخال البيانات، اسأل:

• هل نحتاجها؟
• هل يسمح باستخدامها؟
• أين تخزن؟
• من يصل إليها؟
• هل يمكن استخدام بيانات أقل؟
• هل يمكن إخفاء الهوية؟

وهنا يرتبط المقال مباشرةً بموضوع أخلاقيات الذكاء الاصطناعي في التعليم.

التخصيص لا ينبغي أن يأتي على حساب الخصوصية.

خطر آخر: AI قد يثبت الطالب داخل مسار منخفض

تخيل نظامًا يرى أن طالبًا أخطأ عدة مرات.

فيقرر باستمرار:

أعطه محتوى أسهل.

ثم:

محتوى أسهل مرة أخرى.

ومرة أخرى.

مع الوقت قد يحصل الطالب على فرص أقل للوصول إلى المحتوى الأكثر تحديًا.

هذه إحدى المشكلات المحتملة إذا تحول التخصيص إلى Algorithmic Tracking.

لهذا يجب أن تكون هناك دائمًا:

• فرص لإعادة التقييم.
• مهام مشتركة.
• تحديات جديدة.
• مراجعة المعلم.
• إمكانية انتقال الطالب.
• عدم بناء أحكام ثابتة من أخطاء مؤقتة.

قاعدة: خصص الدعم، ولا تثبت الهوية

لا تقل:

هذا الطالب مستوى 1.

قل:

في هذه المهارة، تشير الأدلة الحالية إلى أنه يحتاج Scaffolding إضافيًا.

الفرق ليس لغويًا فقط.

الأولى تجعل المستوى هوية.

الثانية تجعله حالة تعلم قابلة للتغيير.

Personalization يجب أن يكون Dynamic

أفضل نموذج:

Evidence → Support → New Evidence → Adjust

وليس:

Test → Label → Permanent Track

الطالب قد يتقدم بسرعة.

وقد يظهر أن التشخيص الأول كان خاطئًا.

لذلك التخصيص الحقيقي يجب أن يتغير مع التعلم.

Workflow عملي للمعلم

يمكن تلخيص العملية في ثماني خطوات:

1. حدد الهدف المشترك

ما الذي يجب أن يتعلمه الجميع؟

2. اجمع Evidence صغيرًا

سؤال، Exit Ticket أو ملاحظة.

3. حدد نوع الحاجة

لا تستخدم Label عامًا.

4. اختر العنصر الذي ستعدله

• Support?
• Reading level?
• Example?
• Pace?
• Feedback?

5. استخدم AI لإنشاء البدائل

لكن بقيود واضحة.

6. راجع البدائل

هل ما زالت تقيس الهدف نفسه؟

7. نفذ الدعم

دون تحويله إلى مسار دائم.

8. أعد التحقق

هل أصبح الطالب أكثر استقلالًا؟

هذا هو التعلم المخصص كعملية.

Prompt شامل للتعلم المخصص

أنت مساعد في تصميم تعليم متمايز.

هدف التعلم:

[الهدف]

النشاط الأصلي:

[النشاط]

دليل الأداء الذي أملكه:

[نتائج أو ملاحظات مجهولة الهوية عند الحاجة]

المهمة:

حدد أولًا ما إذا كان هناك دليل كافٍ لتعديل النشاط.

إذا كان نعم، حدد نوع الحاجة دون وضع Label على الطالب.

ثم اقترح:

1. تعديلًا في Scaffolding.
2. تعديلًا في طريقة الشرح أو المثال.
3. Extension للطالب الذي أتقن الهدف.

قواعد:

• حافظ على الهدف الأساسي.
• لا تخفض التوقعات تلقائيًا.
• لا تعطِ الإجابة.
• لا تستنتج شخصية الطالب أو قدرته.
• اجعل الدعم قابلًا للإزالة تدريجيًا.

في النهاية أنشئ جدولًا:

الهدف | ما بقي ثابتًا | ما تغير | لماذا تغير | متى نزيل الدعم؟

هذا الـPrompt يجمع معظم مبادئ المقال في Workflow واحد.

Checklist لمراجعة التخصيص الذي أنشأه AI

قبل إعطاء النسخ للطلاب، اسأل:

الهدف

• هل بقي هدف التعلم نفسه؟

المحتوى

• هل جميع النسخ دقيقة؟

الصعوبة

• هل خفضنا اللغة أم خفضنا التفكير دون قصد؟

الدعم

• هل يساعد دون إعطاء الحل؟

Extension

• هل يضيف عمقًا أم مجرد عمل إضافي؟

العدالة

• هل بني التخصيص على Evidence؟

Agency

• هل يستطيع الطالب طلب أو رفض بعض الدعم؟

المرونة

• هل يمكن للطالب الانتقال بين المستويات؟

الاستقلال

• هل توجد خطة لإزالة Scaffolding؟

الخصوصية

• هل استخدمنا أقل قدر ضروري من البيانات؟

إذا فشل التصميم في عدة أسئلة، نعيد بناءه قبل الاستخدام.

خمسة أخطاء شائعة في التعلم المخصص بالذكاء الاصطناعي

1. إنشاء ثلاثة مستويات ثابتة: ضعيف، متوسط، متفوق

المشكلة: تصنيف عام للشخص.

الأفضل: تحديد فجوة تعلم معينة.

2. تبسيط المحتوى حتى يختفي الهدف

المشكلة: الطالب يحصل على مهمة مختلفة فعليًا.

الأفضل: خفف اللغة أو زد Scaffolding مع الحفاظ على الهدف.

3. إعطاء الطالب المتقدم مزيدًا من نفس العمل

المشكلة: Quantity بدل Depth.

الأفضل: Transfer أو Comparison أو Creation.

4. إبقاء الدعم دائمًا

المشكلة: اعتماد.

الأفضل: Scaffold Fading.

5. السماح لـAI بتحديد المسار وحده

المشكلة: قد يسيء تفسير البيانات أو يضيق فرص الطالب.

الأفضل: AI يقترح، المعلم والطالب يشاركان في القرار.

ماذا تقول الأدلة عن AI والتعلم المخصص؟

تنظر OECD منذ سنوات إلى أنظمة Adaptive Learning وIntelligent Tutoring Systems باعتبارها أحد الاستخدامات الواعدة للذكاء الاصطناعي في التعليم، لأنها تستطيع تشخيص فجوات المعرفة وتقديم Feedback أو مهام أكثر ملاءمة.

كما تشير مراجعات OECD إلى وجود نتائج إيجابية في بعض السياقات التعليمية، مع اختلاف الأثر حسب النظام والمادة وطريقة التطبيق.

لكن الرسالة الأحدث في 2026 أكثر توازنًا:

يمكن للذكاء الاصطناعي أن يساعد على تقديم تعلم شخصي عالي الجودة على نطاق واسع، لكن ذلك يحتاج إلى السلامة والثقة والمساءلة وإلى تعزيز دور المعلم بدل استبداله.

وهذا هو المبدأ الأكثر أهمية.

التكنولوجيا لا تجعل التخصيص جيدًا تلقائيًا.

التصميم التربوي هو الذي يفعل ذلك.

هل التعلم المخصص أفضل دائمًا؟

لا.

هناك أشياء ينبغي أن تظل مشتركة.

مثل:

• نقاش صفّي.
• مشروع جماعي.
• تجربة مشتركة.
• هدف أساسي.
• ثقافة تعلم.
• Standards.
• فرص التعاون.

كما أن الإفراط في التخصيص قد يقلل تعرض الطالب:

• لأفكار مختلفة.
• لزملاء بمقاربات مختلفة.
• لتحديات لم يخترها بنفسه.

لذلك يمكن أن يكون النموذج الأفضل:

Shared Core + Personalized Support

أي:

جزء مشترك للجميع.

ثم دعم أو Extension حسب الحاجة.

نموذج حصة: Shared Core + Personalized Support

أول 10 دقائق

شرح أو نشاط مشترك.

5 دقائق

Check for Understanding.

15 دقيقة

دعم متمايز:

• Group A: Scaffold.
• Group B: Core Task.
• Group C: Extension.

10 دقائق

مناقشة مشتركة.

5 دقائق

Exit Ticket موحد.

بهذا نحصل على:

Community + Personalization

بدل الاختيار بينهما.

هل يمكن للطالب استخدام AI لتخصيص تعلمه بنفسه؟

نعم، وهذه من الاستخدامات القوية.

يمكن للطالب أن يقول:

أتعلم موضوع [X].

اختبرني بخمسة أسئلة أولًا.

لا تشرح شيئًا قبل معرفة ما أعرفه.

بعد الاختبار:

حدد مفهومين فقط أحتاج إلى مراجعة.

اشرح الأول بطريقة مختصرة.

ثم أعطني سؤالًا.

إذا نجحت، انتقل إلى تطبيق أصعب.

إذا أخطأت، أعطني Hint.

في النهاية اختبرني في مثال جديد دون مساعدة.

هذا أفضل من:

اشرح لي الفصل كله.

لأنه يبدأ من Diagnosis.

للطلاب: كيف تطلب شرحًا يناسبك؟

بدل:

لم أفهم، اشرح بطريقة أسهل.

حاول تحديد المشكلة:

أفهم معنى المصطلح لكن لا أفهم العلاقة بين X وY.

أو:

أفهم المثال، لكن لا أعرف كيف أبدأ عندما يتغير شكل السؤال.

أو:

اللغة هي المشكلة. احتفظ بالمفاهيم العلمية نفسها لكن اشرح بجمل أقصر.

كلما كان التشخيص أدق، كان التخصيص أفضل.

هل AI يعرف المستوى الحقيقي للطالب؟

ليس بالكامل.

المحادثة تعطي AI إشارات فقط.

وقد يسيء تفسير:

• إجابة عشوائية.
• خطأ إملائي.
• عدم فهم السؤال.
• تعب الطالب.
• محدودية اللغة.

لذلك لا ينبغي أن نستنتج من تفاعل واحد:

هذا هو مستوى الطالب الحقيقي.

استخدم عدة أنواع من Evidence.

وخصوصًا في القرارات المهمة، يحتاج الأمر إلى حكم المعلم.

الأسئلة الشائعة حول التعلم المخصص بالذكاء الاصطناعي

الخلاصة : التعلم المخصص بالذكاء الاصطناعي

الوعد الحقيقي لـالتعلم المخصص بالذكاء الاصطناعي ليس أن يحصل كل طالب على منهج مختلف بالكامل.

بل أن يصبح لدى المعلم والطالب قدرة أكبر على الإجابة عن ثلاثة أسئلة:

ماذا يعرف الطالب الآن؟

أين توجد الفجوة؟

ما أقل دعم مناسب يساعده على اتخاذ الخطوة التالية؟

يمكن للذكاء الاصطناعي أن يساعد في:

• تعديل مستوى القراءة.
• إنشاء Scaffolding.
• تقديم Hints.
• تغيير الأمثلة.
• إنشاء Extension.
• تحليل أنماط الأخطاء.
• تعديل Feedback.
• بناء ممارسة أكثر تكيفًا.

لكن يجب ألا نسمح له بأن يحول التخصيص إلى:

طالب أخطأ → محتوى أسهل دائمًا.

أو:

خوارزمية قررت → الطالب يتبع المسار.

الطريقة التي نوصي بها في EL AMIRI AI هي:

Common Goal → Evidence → Diagnose Need → Adapt Support → Student Practice → Reassess → Fade Support

أي:

حدد الهدف المشترك.

اجمع دليلًا على التعلم.

شخّص الحاجة المحددة.

عدل الدعم.

دع الطالب يعمل.

أعد التحقق.

ثم قلل الدعم تدريجيًا.

وهكذا يصبح الذكاء الاصطناعي أداة تساعد المعلم على الوصول إلى الطالب في المكان الذي يوجد فيه الآن، دون أن تقرر مسبقًا إلى أي مكان يستطيع الوصول.