OpenAI تطلق إضافات تعليمية جديدة لـ ChatGPT Work وCodex

شات جي بي تيافتح الدليلكودكسافتح الدليلأوبن إيه آيOpenAI

في 4 أغسطس 2026 أعلنت OpenAI عن إطلاق إضافات تعليمية جديدة لـ ChatGPT Work وCodex مخصّصة لمدرّسي K–12، والأساتذة الجامعيين، والطلاب، ومطوّري المحتوى التعليمي. تروّج الشركة لهذه الإضافات كأدوات تساعد على تعلم الموضوعات، إعداد الدروس، إجراء البحوث، وبناء مشاريع برمجية باستخدام قدرات ChatGPT وCodex. الأثر المحتمل يشمل رفع إنتاجية المعلمين، تبسيط التعليم البرمجي للمتعلمين، وفتح فرص تجارية لمزودي الخدمات التعليمية. مع ذلك، الإعلان لا يذكر تفاصيل عن دعم اللغة العربية أو التكييف مع مناهج إقليمية، ما يقلّل من جاهزية الاستخدام المباشر في الأسواق العربية حتى تتوفر معلومات إضافية أو شراكات محلية.

واتساب
إطلاق منتج · غلاف توضيحي للمقال

ما الذي أعلنته OpenAI؟

في 4 أغسطس 2026 أعلنت OpenAI عن مجموعة إضافات (plugins) تعليمية لمنتجيها ChatGPT Work وCodex، مصمّمة لمساعدة مَن في البيئات التعليمية — من معلمي K–12 إلى أساتذة الجامعات والطلاب والمطوّرين — على "التعلّم، التدريس، البحث، والبناء" باستخدام قدرات المحادثة وتوليد الشيفرة.

لماذا يهم هذا الإعلان؟

  • يوسّع الإعلان نظام الإضافات القابل للتكامل في ChatGPT وCodex إلى مجال التعليم، ما قد يجلب أدوات مُخصّصة لسير عمل المعلم والطالب.
  • يمكن أن يقلّل وقت إعداد الدروس، يساعد في توليد مواد تعليمية وتقييمات، ويدعم التدريب العملي على البرمجة عبر قدرات Codex.
  • يفتح فرصاً تجارية لمزودي خدمات التعليم والتدريب، خصوصاً لمن يستخدمون ChatGPT Work كبيئة مؤسسية.

ماذا يعني هذا للمعلّمين والطلاب؟

  • إمكانيات مساعدة في إنشاء خطط دراسية، توليد أمثلة ومسائل، وتلخيص مصادر بحثية.
  • أدوات مساعدة في التعليم البرمجي عبر Codex قد تُسرّع منحنى التعلم للطلاب الذين يتدرّبون على كتابة الشيفرة.
  • مستوى الفائدة سيعتمد على مدى تكامل هذه الإضافات مع المناهج، وإمكانيات التخصيص، وحماية الخصوصية وبيانات الطلبة.

ماذا يعني هذا للمطوّرين ومؤسسات EdTech؟

  • فرصة لبناء أو دمج تطبيقات تعليمية قائمة على ChatGPT وCodex، أو تقديم خدمات إعداد محتوى وتكييف منهجي.
  • خفض تكلفة إدماج قدرات الذكاء الاصطناعي في منصات التدريب والبرمجة، مع احتمال تسريع اعتماد أدوات التعلّم التفاعلي.

نقاط لازم الانتباه لها (محددات ومخاطر)

  • الإعلان لم يذكر دعم اللغة العربية أو التكييف مع مناهج دوليّة أو إقليمية؛ لذلك يحتاج المدرسون ومطوّرو المحتوى في العالم العربي إلى تقييم التوطين قبل الاعتماد.
  • لم تُفصِح النشرة عن تفاصيل تقنية وسياسات الخصوصية والحفظ أو عن متطلبات اشتراك ChatGPT Work لاستخدام هذه الإضافات؛ راجعوا سياسات OpenAI وشروط العمل المؤسسي.
  • كما هو الحال مع أدوات توليد المحتوى، هناك حاجة لآليات تحقق ومراجعة بشرية لمنع الأخطاء أو المحتوى غير المناسب.

خلاصة سريعة

OpenAI أطلقت إضافات تعليمية لـ ChatGPT Work وCodex تهدف لتسهيل التعلّم والتدريس وبناء مشاريع برمجية. الأثر المحتمل كبير لمَن يستطيع تكيف الأدوات مع مناهجه ولغات السوق المحلية، بينما يقتضي الاعتماد التام التحقّق من التوطين، الخصوصية والمطابقة المنهجية.


المصدر: إعلان OpenAI — "New ways to learn and teach with ChatGPT Work and Codex" (OpenAI News), 4 أغسطس 2026. رابط المصدر: https://openai.com/index/learn-teach-chatgpt-work-codex

انتهت القصة، لا السياق.

نحدّث تغطيتنا عندما تظهر معلومات موثوقة جديدة.

اقرأ أيضاً

قصص تكمل الصورة

كل الأخبار

إنفيديا تكشف Rubin وAlpamayo: مخطط متكامل للذكاء الاصطناعي في CES 2026

إنفيدياNVIDIA

أعلنت إنفيديا في CES 2026 عن Rubin، منصة ذكاء اصطناعي “مُرمّمة” مكونة من ست شرائح دخلت الإنتاج، وزعمت خفض تكلفة إنتاج التوكن بنحو 10x. كما طرحت مجموعة النماذج المفتوحة Alpamayo والمحاكاة AlpaSim للقيادة الذاتية، مع عرض سيارة مرسيدس‑بنز CLA مزودة بتقنية DRIVE/Alpamayo ستظهر على الطرق هذا العام (بحسب إنفيديا).

بحث جديد: هل تستعيد نماذج اللغة الكبيرة قواعد تحسين يغفِلها المجمعون؟

ورقة arXiv تُقدّم SeGaBench، معيارًا تجريبيًا يختبر قدرة نماذج اللغة الكبيرة على استعادة «الدلالات المُمكنة» التي يغفلها تمثيل البرنامج لدى المجمع، وإنتاج تحويهات مُتحقّق منها تحسّن الأداء. أقوى نموذج حقق نسبة صحّة 94.8% وسرعات محسّنة في 83.3% من الإجابات، لكن النتائج غالبًا تغلق جزءًا فقط من الفجوة المثالية.

ما قبل التهيئة بالمنطق: تهيئة نماذج اللغة على استدلالات رسمية تُسرِّع التعلم وتُسهِم في ضغط النماذج

ورقة تقترح Logic-PPT: تهيئة أولية لنماذج اللغة على بيانات استدلال رسمية. على مقياس 100B توكين، تؤدي إلى اكتساب أسرع للمهارات اللغوية (80% دقة مع تقليل ~36B توكين) وتغيّر هندسة التمثيلات داخلياً بما يُسهِم في ضغط أفضل (مطابقة النموذج الكثيف عند ≈33% تشذيب). النتائج من الورقة على arXiv.