> ## Content Index > Fetch the complete content index at: https://arabroot.io/llms.txt > Use this file to discover other available public pages before exploring further. # لماذا تتمرن دون ذكاء اصطناعي؟ تمارين Kata لك ولفريقك - URL: https://arabroot.io/articles/تمارين-kata-حافظ-على-مهارتك-دون-ذكاء-اصطناعي/ - Published: 2026-10-06T13:00:00.000Z - Updated: 2026-10-09T09:44:06.000Z - Description: ما الذي تقوله الأبحاث عن تسليم التفكير للأدوات، وكيف يحفظ روتين صغير من التمارين تحلها بيدك مهارتك وحدك ومع فريقك. - Author: فريق عرب رووت - Tags: الأدلة التقنية, أساسيات الحاسب والبرمجة, أساسيات, المسار المهني, الاستضافة الذاتية أصبح أغلبنا يفتح مساعد الذكاء الاصطناعي AI Assistant قبل أن يفكر: يكتب له رسالة الخطأ كما هي، وينسخ الأمر الذي يقترحه، ويلصق الاستعلام الذي كتبه، وفي أغلب الأيام يعمل كل شيء ونكمل عملنا بسرعة. ولكن هناك يوماً سوف يأتي على كل مهندس: السيرفر متوقف والعملاء ينتظرون، والمساعد يقترح أمراً لا تعرف هل هو صحيح أم سوف يحذف شيئاً، أو يعطيك ثلاث إجابات مختلفة في ثلاث محاولات، أو لا يوجد اتصال بالإنترنت من الشبكة التي تعمل فيها أصلاً. وفي هذا اليوم لا يهم كم أمراً نسخت في السنة الماضية، وإنما يهم كم أمراً تفهمه وتستطيع أن تكتبه وتقرأ مخرجه بنفسك. وقد يتساءل البعض: هل هذا خوف مبالغ فيه من أداة مفيدة؟ والإجابة أن الأداة مفيدة فعلاً، ولكن هناك أبحاثاً جادة عن ما يحدث للمهارة عندما نسلمها لأداة، وأبحاثاً أقدم بكثير عن كيف يتعلم الإنسان ويحفظ ما تعلمه، وعندما تضعها بجانب بعضها تصل إلى نتيجة عملية بسيطة: استخدم الأداة في عملك، واحتفظ بوقت صغير ومنتظم تتمرن فيه بيدك. وهذا المقال هو بداية قسم [تمارين Kata](https://arabroot.io/start/#stage-katas) في الموقع، وهي تمارين قصيرة في سبعة مجالات تحلها دون ذكاء اصطناعي، بثلاثة مستويات، وحلولها مخفية حتى تحاول. وسوف نناقش في هذا المقال ما يلي: - ما الذي تقوله الأبحاث عن تسليم التفكير للأدوات، من «تأثير Google» إلى دراسات الذكاء الاصطناعي في 2025 و2026، وما الذي لا تقوله. - ما الذي نعرفه عن التعلم نفسه: الاسترجاع Retrieval، والصعوبات المفيدة Desirable Difficulties، والتكرار المتباعد Spacing، والتمرين المتعمد Deliberate Practice. - ما هي ال Kata، ومن أين جاءت الفكرة، وقواعد التمرين التي نستخدمها في كل المجالات. - كيف تتابع تقدمك وحدك، وكيف تنظم جلسة أسبوعية مع فريقك. - كيف تستخدم الذكاء الاصطناعي بعد أن تحل التمرين لتتعلم أكثر، وليس ليحل عنك. - خريطة المجالات السبعة وروابط تمارينها. ## الخلاصة في دقيقة واحدة - تسليم جزء من التفكير لأداة Cognitive Offloading شيء طبيعي يفعله الإنسان منذ اخترع الكتابة، والأداة الجيدة توفر وقتك فعلاً. - ولكن المهارة التي لا تستخدمها تضعف، وهذا مكتوب في أبحاث الأتمتة Automation منذ 1983، والدراسات الحديثة على الذكاء الاصطناعي تشير إلى نفس الاتجاه، مع أن أغلبها صغير أو يعتمد على ما يقوله المشاركون عن أنفسهم أو لم يمر بالتحكيم بعد. - التعلم يحتاج جهداً: أن تحاول أن تتذكر قبل أن تنظر إلى الإجابة، وأن تكرر بعد أيام وليس في نفس الجلسة، وأن تعمل على ما يصعب عليك تحديداً. - لذلك نقترح روتيناً صغيراً: تمرين أو تمرينان في الأسبوع، دون ذكاء اصطناعي، بوقت محدد، تكتب إجابتك أولاً ثم التلميح ثم الحل، وتعود إلى التمرين بعد أيام. - بعد أن تحل، استخدم الذكاء الاصطناعي لتقارن وتسأل «ما الذي فاتني؟»، وليس ليحل عنك. ## ما الذي تقوله الأبحاث عن تسليم التفكير للأدوات؟ قبل أن نقرأ الأبحاث، هناك قاعدة نلتزم بها في هذا القسم: نذكر لكل دراسة نوعها وحجمها وحدودها، لأن عناوين الأخبار عن «الذكاء الاصطناعي يدمر عقلك» تأخذ دراسة على 54 شخصاً وتجعلها حقيقة عن البشر جميعاً، وهذا ظلم للدراسة وللقارئ. والسبب الثاني أن بعض هذه الدراسات نشرت كمسودة Preprint على arXiv ولم تمر بالتحكيم Peer Review بعد، وهذا لا يعني أنها خاطئة، ولكنه يعني أن تتعامل مع نتائجها على أنها أولية. ### تسليم التفكير للأداة Cognitive Offloading شيء قديم وطبيعي عرف الباحثان Evan Risko وSam Gilbert في مراجعتهما [Cognitive Offloading](https://doi.org/10.1016/j.tics.2016.07.002?ref=arabroot.io) المنشورة في مجلة Trends in Cognitive Sciences سنة 2016 هذا المفهوم بأنه استخدام فعل جسدي لتغيير ما تحتاجه المهمة من معالجة للمعلومات بحيث يقل الجهد الذهني، ومن أمثلتهم أن تميل رأسك لتقرأ صورة مقلوبة، أو أن تضبط تذكيراً في هاتفك. فكتابة قائمة المشتريات تسليم، والتقويم تسليم، وملف الملاحظات الذي تحفظ فيه أوامر الخادم تسليم، وكلها أشياء جيدة لأنها تترك عقلك للعمل الذي يحتاجه. وأشهر دراسة في هذا الموضوع هي دراسة Betsy Sparrow وزملائها [Google Effects on Memory](https://pubmed.ncbi.nlm.nih.gov/21764755/?ref=arabroot.io) في مجلة Science سنة 2011، وفيها أربع تجارب، ونتيجتها كما في ملخصها أن الناس عندما يتوقعون أن المعلومة سوف تكون متاحة لهم لاحقاً يتذكرونها هي نفسها بنسبة أقل، ويتذكرون بدلاً منها أين يجدونها. ولكن يجدر الإشارة هنا إلى أن مشروع إعادة التجارب الكبير الذي نشره Colin Camerer وزملاؤه سنة 2018 في [Nature Human Behaviour](https://doi.org/10.1038/s41562-018-0399-z?ref=arabroot.io) أعاد التجربة الأولى من هذه الدراسة، وهي الجزء الذي يقيس هل تفكر في الكمبيوتر بعد سؤال صعب، ولم يجد نفس النتيجة، ثم أعادها [Guido Hesselmann سنة 2020](https://pmc.ncbi.nlm.nih.gov/articles/PMC7651475/?ref=arabroot.io) بتصميم معدل ولم يجد دليلاً حاسماً أيضاً. أما تجارب الذاكرة نفسها فلم تكن ضمن هذا المشروع، لذلك الصحيح أن نقول إن فكرة «نتذكر أين المعلومة بدل المعلومة» مدعومة بتجارب 2011 ولكنها تحتاج حذراً، وليس أن نقول إن Google غير ذاكرة البشر. ### المهارة التي لا تستخدمها تضعف: درس الأتمتة من 1983 قبل الذكاء الاصطناعي بأربعين سنة كتبت المهندسة النفسية Lisanne Bainbridge ورقة قصيرة اسمها [Ironies of Automation](https://doi.org/10.1016/0005-1098%2883%2990046-8?ref=arabroot.io) في مجلة Automatica سنة 1983، عن المصانع وغرف التحكم التي تعمل آلياً ويراقبها إنسان مطلوب منه أن يتدخل عندما يحدث شيء غير طبيعي. وتقول الورقة إن المهارات الجسدية تضعف عندما لا تستخدم، وإن المشغل الخبير الذي قضى وقته يراقب نظاماً آلياً قد يصبح مشغلاً قليل الخبرة، وإن استرجاع المعرفة من الذاكرة الطويلة يعتمد على كثرة استخدامها. والمفارقة التي تختم بها أن أنجح الأنظمة الآلية، التي نادراً ما تحتاج تدخل الإنسان، هي التي قد تحتاج أكبر استثمار في تدريبه، لأنه عندما يتدخل أخيراً فسوف يتدخل في أصعب موقف وبأقل تمرين. وهذا يشبه تماماً وضع المهندس مع الذكاء الاصطناعي: المساعد يحل الحالات السهلة كل يوم، وأنت تتدخل في الحالة الصعبة التي فشل فيها، أي في الوقت الذي تحتاج فيه مهارتك أكثر من أي وقت. وقد درس Raja Parasuraman وDietrich Manzey في مراجعة منشورة سنة 2010 في مجلة [Human Factors](https://pubmed.ncbi.nlm.nih.gov/21077562/?ref=arabroot.io) ظاهرة الاطمئنان الزائد للأتمتة Automation Complacency، ويقول ملخصها إنها تحدث عندما تتنافس مهام أخرى على انتباه المشغل، وإنها تظهر عند المبتدئين والخبراء معاً ولا تختفي بالتمرين البسيط، وإن الانحياز للأتمتة Automation Bias يجعل الناس يرتكبون أخطاء عندما يكون نظام المساعدة غير دقيق، فيتركون شيئاً لم ينبههم إليه، أو يتبعون نصيحة خاطئة. ### ماذا تقول دراسات الذكاء الاصطناعي حتى الآن؟ الدراسات على الذكاء الاصطناعي التوليدي Generative AI جديدة، وأغلبها صغير، لذلك جمعناها هنا مع حدود كل واحدة، ثم في الجدول بعدها ما تقوله وما لا تقوله: - **استبيان Microsoft Research وجامعة Carnegie Mellon (CHI 2025):** سأل Hao-Ping Lee وزملاؤه في دراسة [The Impact of Generative AI on Critical Thinking](https://www.microsoft.com/en-us/research/publication/the-impact-of-generative-ai-on-critical-thinking-self-reported-reductions-in-cognitive-effort-and-confidence-effects-from-a-survey-of-knowledge-workers/?ref=arabroot.io) عدد 319 من العاملين في وظائف معرفية، وجمعوا منهم 936 مثالاً من عملهم. والنتيجة أن الثقة الأعلى في الذكاء الاصطناعي ارتبطت بتفكير نقدي Critical Thinking أقل، والثقة الأعلى في النفس ارتبطت بتفكير نقدي أكثر، وأن التفكير النقدي ينتقل من كتابة الحل إلى التحقق من إجابة الأداة ودمجها. وحدود الدراسة في عنوانها: «Self-Reported» أي أن المشاركين هم من وصفوا جهدهم، وهي ارتباط Correlation وليست سبباً ونتيجة. - **دراسة Gerlich في مجلة Societies سنة 2025:** في [AI Tools in Society](https://doi.org/10.3390/soc15010006?ref=arabroot.io) استبيان على 666 مشاركاً من بريطانيا مع 50 مقابلة، ووجدت ارتباطاً سلبياً بين كثرة استخدام أدوات الذكاء الاصطناعي ودرجات التفكير النقدي، وأن تسليم التفكير للأداة يفسر جزءاً من هذا الارتباط، وأن الأصغر سناً بين 17 و25 سنة استخدموا الأدوات أكثر وحصلوا على درجات أقل. والدراسة نفسها تذكر أن حدودها هي الاعتماد على ما يقوله المشاركون عن أنفسهم واحتمال انحياز العينة، وهي دراسة في وقت واحد Cross-sectional لا تثبت السبب، ونشرت المجلة لها تصحيحاً لجدول مكرر قال فيه الكاتب إن النتائج لم تتغير. - **دراسة MIT Media Lab «Your Brain on ChatGPT» سنة 2025:** قاست Nataliya Kosmyna وزملاؤها نشاط الدماغ بجهاز EEG عند 54 مشاركاً كتبوا مقالات في ثلاث مجموعات: مع ChatGPT، ومع محرك بحث، ودون أي أداة، ووجدوا أن مجموعة «الدماغ وحده» أظهرت أقوى اتصال بين مناطق الدماغ، ومجموعة ChatGPT أضعفه، وأن مستخدمي ChatGPT شعروا بأن المقال أقل ملكية لهم وصعب عليهم أن يقتبسوا مما كتبوه قبل دقائق. وهذه [مسودة على arXiv](https://arxiv.org/abs/2506.08872?ref=arabroot.io) لم تمر بالتحكيم بعد، والجلسة الرابعة التي تبادلت فيها المجموعات حضرها 18 مشاركاً فقط، والمشاركون من منطقة واحدة، والمهمة كتابة مقال فقط. بل إن الباحثين كتبوا في [صفحة الأسئلة](https://www.brainonllm.com/faq?ref=arabroot.io) صراحة أن الدراسة لا تقول إن الذكاء الاصطناعي يجعلنا أغبياء، وطلبوا من الصحفيين ألا يستخدموا كلمات مثل «brain rot» أو «damage» لأنها غير موجودة في البحث. - **طلاب الرياضيات في PNAS سنة 2025:** في تجربة ميدانية نشرها Hamsa Bastani وزملاؤه بعنوان [Generative AI without guardrails can harm learning](https://pubmed.ncbi.nlm.nih.gov/40560616/?ref=arabroot.io) على قرابة ألف طالب في المرحلة الثانوية، رفع GPT-4 درجاتهم أثناء التمرين بنسبة 48% في النسخة العادية و127% في نسخة «المعلم» GPT Tutor التي تعطي تلميحات ولا تعطي الإجابة، ولكن عندما أخذت الأداة منهم انخفضت درجات مجموعة النسخة العادية في الاختبار بنسبة 17%، بينما خففت نسخة المعلم هذا الأثر إلى حد كبير. ويصف الباحثون ما حدث بأن الطلاب استخدموا الأداة «عكازاً» Crutch. - **دراسة Anthropic على المبرمجين سنة 2026:** في تجربة عشوائية نشرها Judy Hanwen Shen وAlex Tamkin بعنوان [How AI Impacts Skill Formation](https://arxiv.org/abs/2601.20245?ref=arabroot.io) تعلم 52 مهندساً، أغلبهم في بداية مسارهم، مكتبة Python جديدة اسمها Trio، نصفهم مع مساعد ذكاء اصطناعي ونصفهم بأيديهم. وكما في [ملخص الشركة](https://www.anthropic.com/research/AI-assistance-coding-skills?ref=arabroot.io) كان متوسط مجموعة الذكاء الاصطناعي في الاختبار بعدها 50% مقابل 67% لمن كتب بيده، ولم يكونوا أسرع بفرق له دلالة إحصائية. ووجد الباحثان ستة أنماط استخدام، ثلاثة منها حافظت على التعلم، وهي التي يسأل فيها المتعلم عن المفاهيم ويطلب الشرح ويفهم الكود بدل أن يسلم المهمة كلها. والحدود: العينة صغيرة، والاختبار كان مباشرة بعد المهمة، والدراسة مسودة لم تحكم، والباحثان يعملان في Anthropic. - **دراسة في الاتجاه الآخر (CHI 2023):** في [دراسة Majeed Kazemitabaar وزملائه](https://arxiv.org/abs/2302.07427?ref=arabroot.io) على 69 مبتدئاً بين 10 و17 سنة يتعلمون Python، رفع Codex أداءهم في كتابة الكود دون أن ينقص أداءهم في تعديل الكود بأيديهم، وفي اختبار بعد أسبوع كانت مجموعة Codex أفضل قليلاً، ولكن الفرق لم يصل إلى دلالة إحصائية. ونذكرها هنا لأن الصورة ليست في اتجاه واحد، فالطريقة التي تستخدم بها الأداة تغير النتيجة. وهناك دراسة أخيرة تهم المحترفين تحديداً: في تجربة عشوائية نشرتها مؤسسة METR في يوليو 2025 بعنوان [Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity](https://arxiv.org/abs/2507.09089?ref=arabroot.io)، عمل 16 مطوراً خبيراً على 246 مهمة في مشاريع مفتوحة المصدر يعرفونها منذ خمس سنوات في المتوسط، وتوقعوا قبل البدء أن الذكاء الاصطناعي سوف يختصر الوقت بنسبة 24%، وبعد الانتهاء قدروا أنه اختصره بنسبة 20%، بينما القياس الفعلي أن المهام التي سمح فيها بالذكاء الاصطناعي أخذت وقتاً أطول بنسبة 19%. والدرس الذي نأخذه من هذه الدراسة ليس أن الذكاء الاصطناعي يبطئك، فقد نشرت METR نفسها [تحديثاً في فبراير 2026](https://metr.org/blog/2026-02-24-uplift-update/?ref=arabroot.io) فيه أرقام تشير إلى تسريع مع أدوات أحدث، وقالت إن بيانات التجربة الجديدة إشارة غير موثوقة لأن كثيراً من المطورين رفضوا العمل دون ذكاء اصطناعي. وإنما الدرس أن شعورنا بأن الأداة جعلتنا أسرع أو أفضل قد يختلف عن القياس، وهذا بالضبط ما تكشفه التمارين بيدك: هل ما زلت تعرف، أم أنك تشعر أنك تعرف؟ ### ما الذي تثبته الأبحاث، وما الذي لا تثبته؟ | ما تقوله الأدلة بثقة معقولة | ما لا تثبته حتى الآن | | ------------------------------------------------------------------------------------------- | -------------------------------------------------------------------------------------------- | | تسليم التفكير للأداة طبيعي ومفيد، والإنسان يفعله منذ القدم | أن استخدام الذكاء الاصطناعي يسبب ضرراً دائماً في الدماغ | | المهارة التي لا تستخدمها تضعف، والتدخل وقت الأزمة يحتاج تمريناً (Bainbridge وأبحاث الأتمتة) | حجم الأثر عند المهندسين المحترفين على مدى سنوات، فلا توجد دراسة طويلة بعد | | من يسلم المهمة كلها أثناء التعلم يتعلم أقل في تجارب عشوائية (Bastani وShen وTamkin) | أن كل استخدام للأداة يضر، فالاستخدام الذي يطلب الشرح والتلميح حافظ على التعلم في نفس التجارب | | الثقة الزائدة في الأداة ترتبط بتفكير نقدي أقل في استبيانات كبيرة (Lee وGerlich) | أن الأداة هي السبب، فهذه ارتباطات من استبيانات يصف فيها الناس أنفسهم | | شعورنا بسرعتنا مع الأداة قد يختلف عن القياس (METR 2025) | أن الأداة تبطئ أو تسرع كل المطورين في كل المهام | ## ما الذي نعرفه عن التعلم نفسه؟ إذا كانت أبحاث الذكاء الاصطناعي جديدة وما زالت تتشكل، فأبحاث التعلم أقدم بكثير ونتائجها أثبت، وهي التي بنينا عليها شكل التمارين. وهذه أربع نتائج منها. ### أن تحاول أن تتذكر أفضل من أن تعيد القراءة في تجربتين نشرهما Henry Roediger وJeffrey Karpicke سنة 2006 في مجلة Psychological Science بعنوان [Test-Enhanced Learning](https://pubmed.ncbi.nlm.nih.gov/16507066/?ref=arabroot.io)، قرأ طلاب نصوصاً ثم إما أعادوا قراءتها، أو حاولوا أن يكتبوا ما يتذكرونه منها دون أن يروها. وعندما اختبروا بعد 5 دقائق كانت إعادة القراءة أفضل، ولكن عندما اختبروا بعد يومين أو بعد أسبوع كان الذين حاولوا التذكر أفضل بفرق كبير، مع أن الذين أعادوا القراءة كانوا أكثر ثقة بأنهم سوف يتذكرون. وهذا يسمى أثر الاختبار Testing Effect أو التعلم بالاسترجاع Retrieval Practice، وهو السبب في القاعدة الأولى في كل تمارين الموقع: اكتب إجابتك قبل أن تفتح الحل. وقراءة حل جاهز من الذكاء الاصطناعي تشبه إعادة القراءة: تشعرك بأنك فهمت، ولكنها لا تبقى. ### الصعوبة المفيدة Desirable Difficulties صاغ Robert Bjork مصطلح الصعوبات المفيدة Desirable Difficulties سنة 1994، وكتب مع Elizabeth Bjork في فصل [Making Things Hard on Yourself, But in a Good Way](https://bjorklab.psych.ucla.edu/wp-content/uploads/sites/13/2016/04/EBjork%5FRBjork%5F2011.pdf?ref=arabroot.io) سنة 2011 أن منها تغيير ظروف التعلم بدل تثبيتها، وخلط المواضيع Interleaving بدل جمع كل موضوع في جلسة، والتباعد بين الجلسات بدل جمعها، واستخدام الاختبار بدل العرض. وفي نفس الفصل شرط مهم: إذا لم يكن لدى المتعلم الأساس الذي يحتاجه ليتعامل مع الصعوبة، فإنها تصبح صعوبة غير مفيدة. ولهذا السبب قسمنا كل مجال إلى ثلاثة مستويات، ووضعنا تلميحاً قبل الحل، فالتمرين يجب أن يكون صعباً بالقدر الذي يجعلك تفكر، وليس بالقدر الذي يجعلك تستسلم. ### التكرار المتباعد Spacing جمعت مراجعة Nicholas Cepeda وزملائه سنة 2006 في مجلة [Psychological Bulletin](https://pubmed.ncbi.nlm.nih.gov/16719566/?ref=arabroot.io) نتائج 839 قياساً من 317 تجربة عن توزيع المذاكرة على جلسات متباعدة، ومن نتائجها أن الفاصل الأفضل بين الجلستين يكبر كلما أردت أن تتذكر لمدة أطول. والترجمة العملية أن تحل التمرين اليوم، ثم تعود إليه بعد يوم أو أيام، ثم بعد أسبوع، ثم بعد شهر، وليس أن تحله ثلاث مرات في نفس الساعة. ### التمرين المتعمد Deliberate Practice، وحدوده في بحث مشهور سنة 1993 في مجلة Psychological Review درس Anders Ericsson وزملاؤه عازفي الكمان، واستخدموا مصطلح التمرين المتعمد Deliberate Practice للأنشطة المصممة لتحسين الأداء تحديداً، وليس مجرد العزف أو العمل اليومي، والفكرة أن تعمل على ما يصعب عليك مع تغذية راجعة Feedback. ولكن يجب أن نكون أمناء في حدود هذه الفكرة: وجد تحليل Brooke Macnamara وزملائها سنة 2014 في [Psychological Science](https://pubmed.ncbi.nlm.nih.gov/24986855/?ref=arabroot.io) أن التمرين المتعمد يفسر 26% من الفروق في الأداء في الألعاب، و21% في الموسيقى، و18% في الرياضة، و4% في التعليم، وأقل من 1% في المهن، وخلصوا إلى أنه مهم ولكن ليس بالقدر الذي قيل. وعندما أعادت [Macnamara وMaitra تجربة 1993 سنة 2019](https://pmc.ncbi.nlm.nih.gov/articles/PMC6731745/?ref=arabroot.io) وجدتا أثراً حقيقياً ولكنه أصغر بكثير من الأصلي. لذلك لا نقول إن التمارين سوف تجعلك خبيراً، وإنما نقول إنها تحافظ على مهارات تستخدمها وتكشف لك ما نسيته قبل أن تكتشفه في حادثة. ### النتيجة: روتين صغير ومتعمد وبهذا الشكل تصبح الحجة واضحة: الأدوات تساعد ونحن نستخدمها كل يوم في هذا الموقع، ولكن المهارة التي لا تستخدمها تضعف، والتعلم يحتاج جهداً واسترجاعاً وتكراراً متباعداً، والتجارب تقول إن من يسلم المهمة كلها أثناء التعلم يتعلم أقل، بينما من يستخدم الأداة للشرح يحافظ على تعلمه. لذلك الحل الأنسب ليس أن تترك الذكاء الاصطناعي، وإنما أن تحتفظ بوقت صغير ومنتظم تعمل فيه عقلك وحده، وهذا ما تقدمه تمارين Kata. ## ما هي ال Kata؟ الكلمة يابانية وتعني في فنون القتال تسلسلاً من الحركات يكرره المتدرب حتى يتقنه، ونقل الفكرة إلى البرمجة Dave Thomas، أحد مؤلفي كتاب The Pragmatic Programmer، في موقع [Code Kata](http://codekata.com/?ref=arabroot.io). ويقول في [مقدمته](http://codekata.com/kata/codekata-intro/?ref=arabroot.io) إن ال Kata في الكاراتيه تمرين تكرر فيه الحركة مرات كثيرة وتحسنها قليلاً في كل مرة، وإن كل Kata برمجية تمرين قصير قد يأخذ من 30 دقيقة إلى ساعة، وإن المطورين يتمرنون أثناء العمل نفسه ولذلك يخطئون أثناء العمل، فيجب أن نفصل التمرين عن المهنة. وأهم جملة عنده أن الهدف هو التمرين وليس الحل، أي أنك لا تحل ال Kata لتحصل على الإجابة، فالإجابة موجودة في الأسفل، وإنما لتمر بالتفكير الذي يوصلك إليها. والصورة التالية تبين حلقة التمرين التي نتبعها في كل تمارين الموقع: ![خمس بطاقات من اليمين إلى اليسار: 1 المحاولة Try برسم ورقة وقلم ومؤقت، اكتب إجابتك أولاً بوقت من 10 إلى 30 دقيقة مع man و--help فقط، ثم 2 التلميح Hint برسم مصباح، فقط عندما تعلق ثم تحاول من جديد مع سهم منقط يعود إلى المحاولة، ثم 3 الحل Answer بعلامة صح، قارن سطراً بسطر وشغل الحل واقرأ المخرج، ثم 4 المراجعة Reflect برسم دفتر، ما الذي فاتني ولماذا مع تسجيل الوقت والأخطاء، وفوق الخطوات الأربع شريط أحمر مكتوب فيه لا ذكاء اصطناعي ولا نسخ ولصق، ثم بطاقة خضراء للذكاء الاصطناعي بعد الحل للمقارنة والنقد وسؤال ما الذي فاتني وليس حل التمرين عني، وتحت البطاقات سهم أزرق يعود من المراجعة إلى المحاولة مكتوب عليه الخطوة 5 كرر لاحقاً بعد يوم ثم أسبوع ثم شهر، والتمرين الذي حللته بسرعة ودون تلميح ينتقل إلى فاصل أطول](https://arabroot.io/content/images/2026/10/katas-01-practice-loop.webp) الذكاء الاصطناعي يدخل بعد أن تنتهي من المحاولة والمراجعة، وليس قبلها ## قواعد التمرين هذه القواعد نفسها في كل مجالات التمارين، وكل قاعدة لها سبب من الأبحاث أعلاه: 1. **دون ذكاء اصطناعي ودون بحث عن الحل:** أغلق المساعد، وأوقف الإكمال التلقائي Autocomplete المبني على الذكاء الاصطناعي في المحرر، والمسموح هو التوثيق الرسمي على جهازك مثل `man` و`--help`، لأنه نفس ما سوف يكون عندك على سيرفر لا يتصل بالإنترنت. 2. **وقت محدد Timebox:** كل تمرين له وقت مقترح، فاضبط مؤقتاً، والسبب أن الوقت المحدد يجعلك تبدأ فوراً ولا تقضي ساعتين في تمرين واحد. وإذا انتهى الوقت فانتقل إلى التلميح. 3. **اكتب إجابتك أولاً:** في ملف أو على ورقة، كاملة، مع النتيجة التي تتوقعها، والسبب أن هذا هو الاسترجاع الذي يثبت المعلومة، وأن مقارنة إجابتك المكتوبة بالحل تكشف الفرق بدقة، أما «كنت سأكتب هذا» في رأسك فلا تكشف شيئاً. 4. **التلميح Hint قبل الحل:** افتحه فقط عندما تعلق، ثم حاول من جديد، فالتلميح يبقي الصعوبة مفيدة دون أن يعطيك الإجابة. 5. **الحل Answer ثم التشغيل:** افتح الحل وقارنه سطراً بسطر، ثم شغل الأوامر في المختبر واقرأ المخرج، فكل الحلول في الموقع مجربة ومخرجها حقيقي، وإذا اختلف مخرجك فاسأل نفسك لماذا. 6. **كرر لاحقاً:** عد إلى التمرين بعد يوم أو أيام، ثم بعد أسبوع، ثم بعد شهر، وحله من الصفر دون أن تنظر إلى ملفك القديم. وقد يتساءل البعض: لماذا لا أقرأ الحل مباشرة وأوفر الوقت؟ والإجابة أن قراءة الحل تشعرك بالفهم أكثر مما تعطيك من فهم، كما رأينا في تجربة Roediger وKarpicke، والتمرين الذي تقرأ حله مباشرة لا يختلف عن مقال عادي. ## كيف تتابع تقدمك وحدك؟ في نهاية كل مقال تمارين جدول متابعة تنسخه إلى ملف عندك، وفيه لكل تمرين: التاريخ، والوقت الذي أخذه، وهل احتجت التلميح، وموعد المراجعة القادمة. والطريقة البسيطة لتحديد موعد المراجعة كما يلي: - إذا احتجت الحل نفسه، أو أخطأت في الإجابة: أعد التمرين غداً أو بعد يومين. - إذا احتجت التلميح فقط، أو تجاوزت الوقت المقترح: أعده بعد أسبوع. - إذا حللته دون تلميح وفي الوقت: أعده بعد شهر، وإذا تكرر ذلك فانقله من قائمتك. والهدف ليس أن تحل كل التمارين، وإنما أن تبني عادة ثابتة، فتمرينان في الأسبوع لمدة سنة أفضل بكثير من عشرين تمريناً في عطلة نهاية أسبوع واحدة ثم لا شيء، والسبب هو التكرار المتباعد نفسه. ولاحظ أيضاً أي المجالات يتكرر فيها احتياجك للتلميح، فهي أفضل مكان تبدأ منه قراءة المقالات المرتبطة. ## جلسة أسبوعية مع فريقك الفكرة ليست جديدة: يعرف موقع [Coding Dojo](https://codingdojo.org/practices/WhatIsCodingDojo/?ref=arabroot.io) الدوجو Dojo بأنه لقاء يجتمع فيه مبرمجون ليعملوا على مسألة برمجية ويتمرنوا تمريناً متعمداً، في جو تعاوني وليس تنافسياً، مفتوح لكل المستويات وآمن لتجربة الأفكار. وقد بدأ [Coding Dojo في باريس](https://codingdojo.org/dojo/ParisDojo/?ref=arabroot.io) في ديسمبر 2004، وقدمه Laurent Bossavit وEmmanuel Gaillot في [مؤتمر XP 2005](https://doi.org/10.1007/11499053%5F54?ref=arabroot.io). ومن أشكال الجلسة المعروفة شكلان نستخدمهما: - **ال Kata المحضرة Prepared Kata:** شخص يحل التمرين أمام الفريق من البداية ويشرح لماذا اختار كل خطوة، كما في [صفحة Prepared Kata](https://codingdojo.org/practices/PreparedKata/?ref=arabroot.io). - **الراندوري Randori:** شخصان على جهاز واحد، واحد يكتب والآخر يساعده، ويتبادل الفريق الأدوار كل 5 أو 7 دقائق كما في [صفحة Randori Kata](https://codingdojo.org/practices/RandoriKata/?ref=arabroot.io)، وهو قريب من البرمجة الجماعية Mob Programming التي يصفها [موقعها](https://mobprogramming.org/?ref=arabroot.io) بأن يعمل الفريق كله على نفس الشيء في نفس الوقت ونفس المكان وعلى نفس الجهاز. وهذا شكل مقترح لجلسة أسبوعية مدتها ساعة، اختر فيها تمريناً واحداً من المستوى المناسب لأقل الفريق خبرة: 1. **5 دقائق:** يقرأ أحدكم التمرين بصوت عال، وتتفقون على ما هو مطلوب بالضبط، ولا يفتح أحد التلميح. 2. **15 دقيقة:** كل شخص يكتب إجابته وحده على ورقة أو في ملف، دون ذكاء اصطناعي ودون أن ينظر إلى إجابة زميله. 3. **20 دقيقة:** راندوري على شاشة واحدة، يبدأ أقل الفريق خبرة بالكتابة، ويتبادل الجميع الأدوار كل 5 دقائق، ويتكلم الكاتب بصوت عال عن ما يفعله ولماذا. 4. **10 دقائق:** تفتحون الحل وتقارنونه بما كتبه كل شخص، وتشغلونه في المختبر. 5. **10 دقائق:** كل شخص يقول شيئاً واحداً تعلمه، وتختارون تمرين الأسبوع القادم. وهناك قاعدتان تجعلان الجلسة تنجح: لا يوجد تقييم ولا ترتيب للأفراد، فالجلسة للتمرين وليست اختباراً للأداء، والسبب أن الخوف من الخطأ أمام المدير يجعل الناس يصمتون فلا يتعلمون. والقاعدة الثانية أن الخبير في الفريق يكتب آخراً وليس أولاً، لأنه إذا كتب أولاً فسوف ينقل الآخرون ما كتبه. ## كيف تستخدم الذكاء الاصطناعي بعد أن تحل؟ الذكاء الاصطناعي في هذه التمارين ليس ممنوعاً، وإنما له مكان واحد: بعد أن تكتب إجابتك وتقارنها بالحل. وقد رأينا في تجربة Shen وTamkin أن من استخدم الأداة ليسأل عن المفاهيم ويفهم الكود حافظ على تعلمه، وفي تجربة Bastani أن الأداة التي تعطي تلميحاً بدل الإجابة خففت أثرها السلبي. لذلك استخدمها بهذه الطريقة: - الصق إجابتك أنت واطلب نقدها: «هذه إجابتي عن هذا السؤال، ما الحالات التي تفشل فيها؟» - اسأل عن البديل: «هل هناك طريقة أخرى لحل هذا، وما الفرق بينهما في الأداء والوضوح؟» - اطلب سؤالاً جديداً لا حلاً: «أعطني تمريناً مشابهاً أصعب قليلاً دون أن تعطيني الحل.» - اسأل عن السبب في الحل: «لماذا يعمل الخيار X هنا؟ وماذا يحدث إذا حذفته؟» ثم تحقق من الإجابة بنفسك في المختبر أو في التوثيق الرسمي، لأن الأداة قد تخطئ بثقة. ولا تقم بلصق التمرين في المساعد قبل أن تحاول، والسبب أنك عندها تتمرن على القراءة وليس على التفكير، وتخرج من التمرين بنفس الشعور الذي وصفته دراسة Roediger وKarpicke: ثقة أكبر وتذكر أقل. ## خريطة المجالات السبعة التمارين مقسمة على سبعة مجالات تغطي ما يحتاجه المطور ومدير السيرفرات في عمله اليومي، وفي كل مجال من 15 إلى 20 تمريناً بنفس المستويات الثلاثة، والصورة التالية تبين هذه الخريطة: ![جدول مرسوم: في اليمين سبعة مجالات بأيقونات، وهي Linux للملفات والصلاحيات والعمليات والسجلات، والشبكات Networking للشبكات الفرعية وDNS وHTTP والاتصال، وSQL وقواعد البيانات للاستعلامات والربط والفهارس وEXPLAIN، والبرمجة Programming لهياكل البيانات والتعقيد والأخطاء، والأمن Security لاكتشاف الثغرة وقراءة السجل المريب، وDevOps لملفات Dockerfile وCI وNginx وGit، وتشخيص الأعطال Troubleshooting لحوادث من أعراض حقيقية، وفي كل صف ثلاث خانات: مبتدئ Beginner بالأخضر من 5 إلى 10 دقائق لأمر واحد أو فكرة واحدة، ومتوسط Intermediate بالأصفر من 15 إلى 20 دقيقة لجمع أداتين أو ثلاث، ومتقدم Advanced بالأحمر من 20 إلى 40 دقيقة لسيناريو حقيقي تبحث فيه عن السبب، وسهم يشير إلى أن التمرين يصبح أصعب وأطول وأقرب إلى حادثة حقيقية](https://arabroot.io/content/images/2026/10/katas-02-domains-levels.webp) نفس المستويات في كل المجال، فابدأ في كل مجال من المستوى الأول وإذا لم تعرف من أين تبدأ، فابدأ بمجال Linux ثم الشبكات، لأن كل المجالات الأخرى تفترض أنك تتحرك في الطرفية وتفهم كيف يصل الطلب، ثم اختر المجال الأقرب إلى عملك اليومي، واترك تشخيص الأعطال للنهاية لأنه يجمع كل ما قبله. ### الأساس: Linux والشبكات سطر الأوامر والملفات والصلاحيات والعمليات والسجلات، ثم الشبكات الفرعية وDNS وHTTP وتشخيص الاتصال: [![](https://arabroot.io/content/images/2026/10/katas-linux-cover-cover.webp)دليلتمارين Kata في Linux بثلاثة مستويات مع الحلولتمارين في سطر أوامر Linux تحلها بيدك دون ذكاء اصطناعي، من قراءة الصلاحيات إلى القرص الذي يمتلئ بسبب ملف محذوف.](https://arabroot.io/articles/%D8%AA%D9%85%D8%A7%D8%B1%D9%8A%D9%86-kata-%D9%81%D9%8A-linux/)[![](https://arabroot.io/content/images/2026/10/katas-network-cover-cover.webp)دليلتمارين Kata في الشبكات بثلاثة مستويات مع الحلولتمارين في الشبكات تحلها بيدك دون ذكاء اصطناعي، من حساب الشبكة الفرعية إلى الفرق بين 502 و504، وكل حل مجرب في مختبر Docker.](https://arabroot.io/articles/%D8%AA%D9%85%D8%A7%D8%B1%D9%8A%D9%86-kata-%D9%81%D9%8A-%D8%A7%D9%84%D8%B4%D8%A8%D9%83%D8%A7%D8%AA/) ### الكود والبيانات استعلامات SQL والربط والفهارس وقراءة EXPLAIN، ثم هياكل البيانات والتعقيد واكتشاف الخطأ في الكود: [![](https://arabroot.io/content/images/2026/10/katas-sql-cover-cover.webp)دليلتمارين Kata في SQL بثلاثة مستويات مع الحلولتمارين SQL تحلها بيدك دون ذكاء اصطناعي على متجر من مئتي ألف طلب، من فخاخ LEFT JOIN إلى اختيار الفهرس المناسب.](https://arabroot.io/articles/%D8%AA%D9%85%D8%A7%D8%B1%D9%8A%D9%86-kata-%D9%81%D9%8A-sql-%D9%88%D9%82%D9%88%D8%A7%D8%B9%D8%AF-%D8%A7%D9%84%D8%A8%D9%8A%D8%A7%D9%86%D8%A7%D8%AA/)[![](https://arabroot.io/content/images/2026/10/katas-programming-cover-cover.webp)دليلتمارين Kata في البرمجة بثلاثة مستويات مع الحلولتمارين برمجة تحلها بيدك دون ذكاء اصطناعي، من FizzBuzz إلى النصوص العربية وحالة السباق، ولكل تمرين حل مجرب في لغتين.](https://arabroot.io/articles/%D8%AA%D9%85%D8%A7%D8%B1%D9%8A%D9%86-kata-%D9%81%D9%8A-%D8%A7%D9%84%D8%A8%D8%B1%D9%85%D8%AC%D8%A9-%D9%88%D8%A7%D9%84%D8%AE%D9%88%D8%A7%D8%B1%D8%B2%D9%85%D9%8A%D8%A7%D8%AA/) ### الأمن والتشغيل والحوادث اكتشاف الثغرة وقراءة السجل المريب، ثم Dockerfile وCI وNginx وGit، ثم سيناريوهات حوادث كاملة تحقق فيها من العرض إلى السبب: [![](https://arabroot.io/content/images/2026/10/katas-security-cover-cover.webp)دليلتمارين Kata في الأمن بثلاثة مستويات مع الحلولتمارين أمن دفاعية تحلها بيدك دون ذكاء اصطناعي، تجد فيها الثغرة في كود صغير وتصلحها وتعرف الأداة التي كانت ستكتشفها.](https://arabroot.io/articles/%D8%AA%D9%85%D8%A7%D8%B1%D9%8A%D9%86-kata-%D9%81%D9%8A-%D8%A7%D9%84%D8%A7%D9%85%D9%86/)[![](https://arabroot.io/content/images/2026/10/katas-devops-cover-cover.webp)دليلتمارين Kata في DevOps بثلاثة مستويات مع الحلولتمارين DevOps تحلها بيدك دون ذكاء اصطناعي، من Dockerfile البطيء إلى التراجع عن نشر فاشل، وكل حل مجرب في Docker.](https://arabroot.io/articles/%D8%AA%D9%85%D8%A7%D8%B1%D9%8A%D9%86-kata-%D9%81%D9%8A-devops/)[![](https://arabroot.io/content/images/2026/10/katas-troubleshooting-cover-cover.webp)دليلتمارين Kata في تشخيص الأعطال بثلاثة مستويات مع الحلولحوادث صنعناها في المختبر بأعراض حقيقية، تقرر فيها ما تفحصه أولاً ولماذا، ثم تقارن مسارك بمسار التحقيق الكامل.](https://arabroot.io/articles/%D8%AA%D9%85%D8%A7%D8%B1%D9%8A%D9%86-kata-%D9%81%D9%8A-%D8%AA%D8%B4%D8%AE%D9%8A%D8%B5-%D8%A7%D9%84%D8%A7%D8%B9%D8%B7%D8%A7%D9%84/) ## الخلاصة وصلنا لنهاية المقال، وأهم ما فيه: - تسليم التفكير للأدوات طبيعي ومفيد، ولكن المهارة التي لا تستخدمها تضعف، وأنت تحتاجها أكثر في اليوم الذي تفشل فيه الأداة، وهذا درس الأتمتة منذ 1983. - دراسات الذكاء الاصطناعي حتى الآن تشير إلى أن من يسلم المهمة كلها أثناء التعلم يتعلم أقل، وأن الثقة الزائدة في الأداة ترتبط بتفكير نقدي أقل، ولكن أغلبها صغير أو استبيانات أو مسودات لم تحكم، فلا تأخذ منها أكثر مما تقول. - أبحاث التعلم أثبت: حاول أن تتذكر قبل أن تقرأ، واجعل التمرين صعباً بقدر مفيد، وكرر بفواصل تكبر، واعمل على ما يصعب عليك. - القواعد: دون ذكاء اصطناعي، ووقت محدد، واكتب إجابتك أولاً، ثم التلميح، ثم الحل والتشغيل، ثم المراجعة بعد أيام، وسجل كل ذلك في جدول المتابعة. - مع الفريق: جلسة أسبوعية بلا تقييم، يكتب فيها الجميع وحدهم أولاً ثم راندوري على شاشة واحدة. - والذكاء الاصطناعي بعد الحل للمقارنة والنقد وطلب تمرين جديد، وليس لحل التمرين عنك. وإذا أردت أن تفهم الأداة نفسها التي نتحدث عنها، فهذه مقالات الموقع عن الذكاء الاصطناعي: [![](https://arabroot.io/content/images/2026/10/ai-terms-cover-cover.webp)دليلمصطلحات الذكاء الاصطناعي ونماذج اللغة للمبتدئينشرح قصير مع مثال لكل مصطلح ستسمعه في نقاشات الذكاء الاصطناعي ونماذج اللغة، حتى تفهم ما يعرضه عليك أي فريق أو مزود.](https://arabroot.io/articles/%D9%85%D8%B5%D8%B7%D9%84%D8%AD%D8%A7%D8%AA-%D8%A7%D9%84%D8%B0%D9%83%D8%A7%D8%A1-%D8%A7%D9%84%D8%A7%D8%B5%D8%B7%D9%86%D8%A7%D8%B9%D9%8A-%D9%88%D9%86%D9%85%D8%A7%D8%B0%D8%AC-%D8%A7%D9%84%D9%84%D8%BA%D8%A9-%D9%84%D9%84%D9%85%D8%A8%D8%AA%D8%AF%D8%A6%D9%8A%D9%86/)[![](https://arabroot.io/content/images/2026/10/how-llms-work-cover-cover.webp)دليلكيف تعمل نماذج اللغة الكبيرة LLM من الداخل؟كيف يحول النموذج سؤالك إلى أرقام ويختار الكلمة التالية حتى تكتمل الإجابة، ولماذا يخطئ بنفس الثقة.](https://arabroot.io/articles/%D9%83%D9%8A%D9%81-%D8%AA%D8%B9%D9%85%D9%84-%D9%86%D9%85%D8%A7%D8%B0%D8%AC-%D8%A7%D9%84%D9%84%D8%BA%D8%A9-%D8%A7%D9%84%D9%83%D8%A8%D9%8A%D8%B1%D8%A9-llm-%D8%AE%D8%B7%D9%88%D8%A9-%D8%A8%D8%AE%D8%B7%D9%88%D8%A9/) ## سجل التحديثات - أكتوبر 2026: كتابة المقال، ومراجعة كل دراسة من صفحتها الأصلية أو ملخصها المنشور: Risko وGilbert 2016، وSparrow وزملاؤها 2011 مع إعادة Camerer وزملائه 2018 وHesselmann 2020، وBainbridge 1983، وParasuraman وManzey 2010، وLee وزملاؤه CHI 2025، وGerlich 2025 مع تصحيحها، وKosmyna وزملاؤها 2025 (مسودة arXiv)، وBastani وزملاؤه PNAS 2025، وShen وTamkin 2026 (مسودة arXiv)، وKazemitabaar وزملاؤه CHI 2023، وMETR 2025 مع تحديث فبراير 2026، وRoediger وKarpicke 2006، وBjork وBjork 2011، وCepeda وزملاؤه 2006، وEricsson وزملاؤه 1993 مع Macnamara وزملائها 2014 وMacnamara وMaitra 2019.