Revisiting the Performance of Generative Artificial Intelligence on Introductory Object-Oriented Programming Assessments: Insights from 2026

في الفصول الدراسية حيث يتعلم الشباب لأول مرة كيفية بناء البرمجيات، وصل نوع جديد من المساعدين. هؤلاء ليسوا معلمين بشر، بل هم نماذج لغوية كبيرة: برامج حاسوبية تدربت على مكتبات ضخمة من النصوص والشيفرات البرمجية التي يمكنها قراءة سؤال وكتابة برنامج استجابةً له. لسنوات، راقب التربويون تطور هذه الأدوات، متسائلين عما إذا كان بإمكانها حقاً فهم منطق البرمجة أم أنها كانت مجرد محاكاة للأنماط. هذا السؤال مهم لأن البرمجة تُدرّس غالباً من خلال أسلوب محدد يسمى "البرمجة كائنية التوجه"، حيث تُنظم الشيفرة في وحدات مستقلة تحتوي على بيانات وتؤدي وظائف، تماماً كما أن للكائن في العالم الحقيقي خصائص وسلوكيات. وإذا تمكنت هذه الأنظمة الاصطناعية من حل نفس المشكلات التي يحلها الطلاب، فإن ذلك سيغير طريقة تعليمنا، وطريقة اختبارنا، وطريقة تفكيرنا في مستقبل تعلم البرمجة.

قرر باحثون في جامعة تارتو في إستونيا وضع خمسة من أكثر أنظمة الذكاء الاصطناعي شعبية تحت الاختبار في بيئة جامعية حقيقية. لم يطلبوا من الآلات حل ألغاز مجردة أو كتابة شيفرة في فراغ، بل أخذوا نفس اختبارات البرمجة وأسئلة الامتحان النهائي المستخدمة في مساق تمهيدي لطلاب السنة الأولى وقدموها مباشرة للآلات. كُتبت المهام باللغة الإستونية، وهي اللغة المحلية، ولم يعطِ الباحثون الأنظمة أي تعليمات خاصة أو تلميحات؛ بل طلبوا ببساطة من الآلات حل المشكلات كما يفعل الطالب، باستخدام نفس قواعد التصحيح التي يطبقها المعلمون على عمل البشر. كان الهدف هو معرفة ما إذا كانت هذه الأدوات تستطيع مواكبة الطالب المتوسط، والأهم من ذلك، معرفة المواضع التي لا تزال تتعثر فيها.

أظهرت النتائج أن أنظمة الذكاء الاصطناعي قادرة بشكل ملحوظ، وغالباً ما تتفوق على الطلاب البشر الذين تمت مقارنتها بهم. في اختبار البرمجة الأول، الذي تطلب بناء برنامج كامل بأجزاء متعددة، سجلت كل الأنظمة باستثناء نظام واحد درجات أعلى من متوسط الطالب. أحد الأنظمة، وهو أداة مدمجة في "مايكروسوفت أوفيس"، فشل في إنتاج برنامج يعمل في إحدى الحالات بسبب خطأ بسيط في الصيغة (syntax error)، لكن الأنظمة الأخرى حصلت باستمرار على درجات عالية. وفي اختبار ثانٍ، أكثر صعوبة قليلاً ويتضمن معالجة بيانات أكثر تعقيداً، هيمنت الآلات مرة أخرى، حيث حققت معظمها درجات كاملة أو قريبة من الكمال. وحتى في الامتحان النهائي، الذي غطى المساق بأكمله وتضمن أسئلة مفاهيمية دقيقة، سجلت الآلات عموماً درجات أعلى بكثير من متوسط الفصل الدراسي.

ومع ذلك، فإن الآلات ليست مثالية، وأخطاؤها تكشف عن ضحالة فهمها. فبينما استطاعت كتابة برامج طويلة ومعقدة تعمل دون توقف، إلا أنها أخطأت أحياناً في تفاصيل محددة قد يلاحظها المعلم البشري. على سبيل المثال، فشلت بعض الأنظمة في تنسيق النص بشكل صحيح أو نسيت تضمين تعليمات ضرورية لجعل الشيفرة تعمل، مما أدى إلى أخطاء أوقفت تشغيل البرنامج. كما واجهت صعوبة في بعض المفاهيم المتقدمة، مثل كيفية تواصل أجزاء البرنامج المختلفة مع بعضها البعض عبر قواعد محددة تسمى "الواجهات" (interfaces). في هذه المجالات، أنتجت الآلات أحياناً شيفرات تبدو صحيحة ولكنها لا تؤدي في الواقع ما طلبه السؤال. بالإضافة إلى ذلك، أشارت الدراسة إلى أن الأداء كان محدوداً في الأسئلة المتعلقة بالرسومات التي تتضمن تفسير الصور، مما يعكس تحدياً أوسع يواجهه الذكاء الاصطناعي في التعامل مع المعلومات غير النصية.

وجد الباحثون أن هذه الأنظمة تحسنت بشكل كبير مقارنة بالتقييمات من قبل عام واحد فقط. فبينما كانت النسخ القديمة من هذه الأدوات قد تفشل في اجتياز المساق، أصبحت النماذج الأحدث الآن تسجل باستمرار في النطاق الأعلى من أداء الطلاب. ومع ذلك، ظهر نمط واضح: تتفوق الآلات في اتباع التعليمات لبناء هياكل قياسية، لكنها قد تتعثر عندما تتطلب المهمة تفكيراً عميقاً حول كيفية ترابط الأجزاء المختلفة للنظام من الناحية المفاهيمية. غال মিলে تضيف ميزات إضافية لم تُطلب منها أو تستخدم تقنيات متقدمة لم يتعلمها الطلاب بعد، مما يشير إلى أنها تستمد معرفتها من مجموعة أوسع بكثير من منهج المساق.

في النهاية، ترسم الدراسة صورة لأداة قوية ولكنها ليست موثوقة تماماً لكل الاحتياجات التعليمية. يمكن لأنظمة الذكاء الاصطناعي توليد شيفرة برمجية تعمل وتتفوق غالباً على الطالب المتوسط، مما يثبت أنها أتقنت آليات البرمجة. لكنها لا تزال ترتكب أخطاءً محددة ومتكررة تشير إلى نقص في الفهم الحقيقي للمنطق الأساسي. بالنسبة للتربويين، يعني هذا أنه بينما يمكن استخدام هذه الأدوات لدعم التعلم، إلا أنها لا يمكن أن تحل محل الحاجة إلى الإشراف البشري أو التصميم الدقيق للتقييمات التي تختبر الفهم المفاهيمي العميق بدلاً من مجرد القدرة على إنتاج الشيفرة. الآلات تتحسن كل عام، لكن لا يزال أمامها طريق طويل قبل أن تتمكن حقاً من التفكير كمبرمج.