تم القبول: 9 مارس 2024 / نشر على الإنترنت: 1 أبريل 2024
© المؤلف(ون) 2024

الكلمات الرئيسية: الذكاء الاصطناعي التوليدي • ChatGPT • نظرية تحديد الذات • التعلم الذاتي المنظم • التحفيز الدعم الرقمي دراسة دلفي

يمكن للذكاء الاصطناعي التوليدي (GenAI) إنشاء نصوص وصور ونماذج ثلاثية الأبعاد ورسوم متحركة أو محتوى آخر، وتصبح تقنياته أكثر قوة وفائدة وانتشارًا، حيث يتم دمجها في التطبيقات السائدة. لقد أثرت هذه التكنولوجيا الناشئة على التعليم من خلال تطوير تجارب تعلم تفاعلية، وتقديم تدريب مخصص، وحتى إنتاج موارد تعليمية مثل أوراق العمل و

مقاطع الفيديو (تشيو، 2021؛ كاسنيتشي وآخرون، 2023؛ روسبيليوزي، 2023). قد يكون لدى GenAI القدرة الكبيرة على تحويل طريقة تعلمنا والوصول إلى المعلومات من خلال التكيف مع الاحتياجات والتفضيلات الفردية، مما يجعل التعليم أكثر سهولة وجاذبية لجميع المتعلمين (تشانغ وكيدمان، 2023؛ تشيو، 2023). هناك حاجة ملحة للبحث في أكثر الطرق فعالية لاستخدام GenAI في التعليم من أجل تحسين نتائج التعلم لجميع المتعلمين (تشيو، 2023؛ كاسنيتشي وآخرون، 2023؛ روسبيليوزي، 2023). ومع ذلك، يجادل البعض بأن الاعتماد المفرط على هذه التقنيات قد يؤدي إلى تقليل التفاعل البشري، والإرشاد الفردي، ومهارات التفكير العليا، وكلها ضرورية للتعلم الفعال. قد تكون هناك أيضًا مخاوف بشأن دقة وموثوقية الموارد التعليمية التي تم إنشاؤها بواسطة الذكاء الاصطناعي (فارروخنيا وآخرون، 2023؛ روسبيليوزي، 2023). علاوة على ذلك، يُعتبر التعلم الذاتي المنظم (SRL) شرطًا أساسيًا للتعلم مدى الحياة في التعليم العالي (روث وآخرون، 2016). يمكن رؤية عمليته كنموذج دوري من ثلاث مراحل رئيسية: التفكير المسبق، الأداء، والتأمل الذاتي (زيمرمان، 2011). يرتبط SRL ارتباطًا وثيقًا بالإنجاز الأكاديمي لدى الطلاب والتعلم المتعلق بالعمل لدى البالغين (سيتزمان وإيلي، 2011). يجب أن يكون الأفراد الذين يمتلكون قدرات SRL قوية قادرين على التعلم بشكل مستقل والتعامل مع مجموعة واسعة من التحديات (بيفرلي وآخرون، 2003). نتيجة لذلك، قد يكون لدى GenAI القدرة على جذب الطلاب وإبعادهم عن SRL.

يمكن تفسير هذه المشاركة والانفصال للطلاب باستخدام مفهوم التحفيز الذي هو القوة التي تنشط الطلاب للانخراط في نشاط معين (تشيو، 2021، 2022؛ أوليفييه وآخرون، 2021). توفر نظرية تحديد الذات (SDT)، واحدة من أكثر النظريات شعبية في العلوم السلوكية الحالية، إطارًا واسعًا لفهم العناصر التي تعزز التحفيز البشري والرفاهية (رايان وديتسي، 2020). يقترح مؤسسا SDT ريتشارد م. رايان وإدوارد ل. ديتسي أن تلبية الاحتياجات الأساسية للناس من الاستقلالية والكفاءة والترابط والاستقلالية أمر حيوي للوظائف الفردية والاجتماعية. يتم تطبيق هذه النظرية على نطاق واسع في سياقات مختلفة مثل مكان العمل، وتربية الأطفال، وبيئات التعلم (مانغانيللي وآخرون، 2018؛ رايان وديتسي، 2020). تم إجراء معظم الأبحاث التعليمية السابقة المعتمدة على SDT لفهم كيف تلبي احتياجات الطلاب من قبل المعلمين والدعم الرقمي (تشير إلى رضا الاحتياجات من البيئات الرقمية) (أحمدي وآخرون، 2023؛ تشيو، 2021). لهذين النوعين من الدعم تأثيرات مختلفة على مشاركة الطلاب. تشير الدراسات التجريبية إلى أن الدعم الرقمي من الذكاء الاصطناعي مرتبط ارتباطًا وثيقًا بمشاركة الطلاب في SRL بشكل عام (تشيو وآخرون، 2023؛ وو وآخرون، 2023؛ شيا وآخرون، 2023). على سبيل المثال، اقترح وو وآخرون (2023) أنه في التعلم المدمج، حسّن ChatGPT بشكل كبير من مشاركة الطلاب السلوكية والمعرفية والعاطفية أكثر من محركات البحث؛ وكشف تشيو وآخرون (2023) أن استخدام روبوتات الدردشة الذكية قد لا يكون قادرًا على دعم الترابط لمعظم الطلاب، وتلبية كفاءة الطلاب ذوي القدرات المنخفضة. بالإضافة إلى ذلك، فإن كيفية دمج GenAI في التعليم لم يتم دراستها بشكل كافٍ، وتأثيراتها على تعلم الطلاب غير واضحة. وهذا يعني أن كيفية استخدامنا لـ GenAI تحدد ما إذا كانت التكنولوجيا تدعم الاحتياجات أو تعيقها في كل مرحلة من مراحل SRL. ChatGPT، واحدة من أكثر أدوات GenAI شهرة، هي روبوت دردشة مبني على نموذج لغوي كبير. يمكنه التواصل مع المستخدمين بطريقة تشبه الإنسان. يمكنه الرد على الأسئلة، وكتابة المقالات، وتقديم النصائح، وإنشاء الشفرات بطريقة سلسة وطبيعية. لسد هذه الفجوة البحثية، استخدمت هذه الدراسة تصميم بحث دلفي لفهم كيف يدعم ChatGPT كـ GenAI احتياجات SDT للطلاب في كل مرحلة من مراحل SRL من منظور معلمي المدارس في هونغ كونغ.

تقترح نتائج هذه الدراسة أداة تصنيف لتعزيز SRL للطلاب باستخدام ChatGPT من خلال تطبيق SDT. تساهم هذه الأداة في مجال الذكاء الاصطناعي في التعليم وأبحاث SDT من خلال مناقشة كيف يعزز ChatGPT المراحل الثلاث لـ SRL ويحقق احتياجات SDT. يمكن أن تساعد الباحثين في تكرار وتصميم وتنفيذ مشاريع أبحاث وتطوير تكنولوجيا التعليم الخاصة بهم باستخدام ChatGPT. يمكن أن
تقدم أيضًا أفكارًا للمعلمين وصانعي السياسات حول كيفية التدريس باستخدام ChatGPT ووضع سياسات للذكاء الاصطناعي في التعليم، على التوالي.

تم تنظيم بقية الورقة على النحو التالي: نبدأ بتحديد الخلفية النظرية لهذه الدراسة والأبحاث السابقة حول كيفية تعزيز ChatGPT كدعم رقمي لـ SRL وتلبية احتياجات SDT. ثم يتم وصف هدف الدراسة وتصميم البحث. بعد ذلك، نقدم نتائج التحليلات، تليها مناقشة النتائج واستنتاجاتنا.

على مدى العقود الثلاثة الماضية، تطورت المفاهيم العامة للتعلم الذاتي المنظم (Roth et al., 2016). ظهر التعلم الذاتي المنظم لأول مرة في الثمانينيات وبرزت أهميته في التسعينيات. على الرغم من الكمية الهائلة من الأبحاث المنشورة حول التعلم الذاتي المنظم، لا يوجد تعريف موحد له. تركز كل نظرية/نموذج على وجهات نظر مختلفة (Pintrich, 2000). على سبيل المثال، يقترح زيمرمان (2011) أن التعلم الذاتي المنظم يتكون من أفكار ومشاعر وأفعال يتم توجيهها منهجيًا بواسطة الأهداف الشخصية. يصف زيمرمان ومويلا (2009) نموذجًا اجتماعيًا معرفيًا للتعلم الذاتي المنظم يتضمن متغيرات تحفيزية مع عمليات فوق معرفية في ثلاث مراحل متكررة: التفكير المسبق، الأداء، والتأمل الذاتي. تضمنت نظرية بينتريش (2002) للتعلم الذاتي المنظم التفكير المسبق، والمراقبة، والتحكم، والتأمل. هذه النظريات والنماذج لها تشابهات واضحة وتقترح أن التعلم الذاتي المنظم يجب أن يكون له مراحل دورية وثلاث مراحل متميزة (Bruso et al., 2020). المرحلة الأولى هي التفكير المسبق وتتكون من تحليل المهام ومعتقدات التحفيز الذاتي. يقوم المتعلمون بتحليل المهام، وتحديد أهداف التعلم، وتخطيط استراتيجيات بناءً على معرفتهم السابقة. يتأثر تحليل المهام هذا بمعتقدات التحفيز الذاتي مثل الكفاءة الذاتية والاهتمام، بالإضافة إلى وجهات نظر شخصية حول مدى إمكانية أداء المهام وقيمة التعلم. تتضمن مرحلة الأداء عمليتين: التحكم الذاتي والمراقبة الذاتية. يعزز المتعلمون تعلمهم من خلال استخدام استراتيجيات تحكم ذاتي متنوعة، مثل التعليم الذاتي، وإدارة الوقت، وتنظيم البيئة، والبحث عن المساعدة، وكلها تستند إلى الملاحظات الذاتية للمتعلمين. تتكون مرحلة التأمل الذاتي من الحكم الذاتي ورد الفعل الذاتي. يمكن أن يعزز رد الفعل الذاتي الذي يتخذه المتعلمون استجابةً لحكمهم الخاص على أدائهم ونسب الأسباب إما الرضا أو يقلل منه والدافع للتعلم. بناءً على أهدافهم المدركة، يقيم المتعلمون أدائهم. إذا لم ينجح المتعلمون في تحقيق هدفهم، تبدأ العملية الدورية من جديد من خلال تحليل استراتيجيات المهام التي كانت ناجحة والتي لم تكن ناجحة. بسبب هذه العملية التكيفية، قد يستمر المتعلمون في التحفيز للقيام بالنشاط مرة أخرى على أمل الحصول على نتيجة أفضل (Zimmerman, 2011). بشكل عام، تتطلب دورة التعلم الذاتي المنظم من المتعلمين تحديد الأهداف، وتقييم التقدم، وتعديل استراتيجيات التعلم. التعلم موجه ذاتيًا، ويتطلب الوعي الذاتي، والمراقبة الذاتية، والتحفيز الذاتي، ويمكن تعلمه من خلال التعلم الذاتي المنظم. تشير الدراسات ذات الصلة إلى أن استخدام استراتيجيات التعلم الذاتي المنظم مرتبط بمستوى التحفيز وسمات الشخصية (Bruso et al., 2020; Dörrenbächer & Perels, 2016). يمكن استخدام إشباع الاحتياجات في نظرية SDT للتحفيز للنظر في طرق تعزيز عملية التعلم الذاتي المنظم في كل مرحلة.

تشرح نظرية SDT احتياجات الإنسان، والدافع، والرفاهية في سياق اجتماعي وثقافي (Ryan & Deci, 2020). وتقترح ثلاث احتياجات فطرية: الاستقلالية، والترابط، والكفاءة. تزداد دافعية الأفراد عندما يتم دعم احتياجاتهم وإشباعها، مما ينتقل من عدم الدافع إلى الدافع الداخلي. تُطبق هذه النظرية على نطاق واسع في سياقات التعليم المختلفة، مثل التعلم وجهًا لوجه، والتعلم عبر الإنترنت، والتعلم المدمج (Chen & Jang, 2010; Chiu, 2021, 2022; Ryan & Deci, 2020). بحثت الأبحاث القائمة على SDT كيف يؤثر دعم المعلم (مثل السلوكيات) على إشباع احتياجات الطلاب في مجموعة متنوعة من بيئات التعلم، بما في ذلك الفصول الدراسية، وساحات اللعب، وكذلك التعلم عبر الإنترنت والتعلم المدمج (Ahmadi et al., 2023; Chen & Jang, 2010; Chiu, 2021, 2022; Guay, 2022; Xia et al., 2022). يشير دعم الاحتياجات الرقمية إلى تصميم بيئات التعلم الرقمية لدعم احتياجات الطلاب وفقًا لنظرية SDT (Chiu, 2021). يمكن تحقيق هذا الدعم من خلال الاستقلالية الرقمية، والتي يمكن إشباعها من خلال موارد متعددة لنفس وحدة التعلم؛ يمكن للطلاب اختيار الموارد التي يفضلونها (Chiu, 2021, 2022). يجب أن يأخذ دعم الكفاءة الرقمية في الاعتبار خبرة المتعلم، مما يضمن أن تنسيقات التعليم المختلفة تدعم مستويات مختلفة من مهارات التفكير (Luo et al., 2021). يمكن دعم الترابط الرقمي من خلال استخدام التصميم العاطفي والأدوات الرقمية المألوفة أو سهلة الاستخدام (Chiu et al., 2020; Valle et al., 2022). لم يتم دراسة الدعم الرقمي، وخاصة في الذكاء الاصطناعي، بشكل موسع في الأبحاث القائمة على SDT (Chiu, 2021; Ryan & Dec, 2020). وبناءً عليه، لا يزال غير واضح كيف يلبي ChatGPT كدعم رقمي الاحتياجات الأساسية.

تنبأت أربع دراسات حديثة بأن ChatGPT كأداة ذكاء اصطناعي لديها القدرة على تعزيز عملية التعلم الذاتي المنظم (Chiu, et al., 2023; Molenaar et al., 2023; Wu et al., 2023; Xia et al., 2023). قد تكون لدى ChatGPT كأداة ذكاء اصطناعي القدرة على تعزيز عملية التعلم الذاتي المنظم. يجب أن يظل الطلاب متحفزين طوال مرحلة التفكير المسبق، ويشاركوا بنشاط في أنشطة التعلم خلال مرحلة الأداء، ويتأملوا ويستعرضوا تجربتهم التعليمية خلال مرحلة التأمل الذاتي (Pintrich, 2000; Wu et al., 2023; Zimmerman, 2011). كما تم الإشارة إليه في القسم الأخير، قد يُعتبر ChatGPT دعمًا رقميًا لتلبية احتياجات الطلاب لمزيد من التحفيز، مما يعزز عملية التعلم الذاتي المنظم طوال مرحلة التفكير المسبق. خلال مرحلة الأداء، يمكن للطلاب استخدام ChatGPT للحصول على أفكار جديدة ورؤى لأنشطة تعلمهم حسب الحاجة (أي عندما يواجهون صعوبات في التعلم) (Baidoo-Anu & Owusu Ansah, 2023; Wu et al., 2023). لدى ChatGPT القدرة على إبقاء الطلاب مشغولين في تعلمهم. خلال مرحلة التأمل الذاتي، قد يطلب الطلاب من ChatGPT تعليقات حول ما تعلموه وكيفية تحسين تعلمهم (Kasneci et al., 2023; Wu et al., 2023). بشكل عام، قد يوفر ChatGPT تعليمًا تعليميًا فرديًا وتفاعليًا، بالإضافة إلى تفسيرات دقيقة وتعليمات خطوة بخطوة. قد يقدم للطلاب توجيهًا سريعًا ومفيدًا بينما يجيب أيضًا على استفساراتهم، وقد يتمكنون من تطوير التعلم الذاتي المنظم بنجاح (Wu et al., 2023). ومع ذلك، لم تحظ أنشطته وتأثيراته المرتبطة باهتمام كبير.

كما ناقشنا، فإن ChatGPT كـ GenAI جديد في التعليم المدرسي ولديه القدرة على تحسين وت hindering التعلم (Chiu, 2023, 2024; Kasneci et al., 2023; Rospigliosi, 2023).

نحن غير متأكدين من الأنشطة التي يمكن للمعلمين تعليمها باستخدام ChatGPT والتي يمكن للطلاب تعلمها منها. على الرغم من أن ChatGPT هو بيئة غنية بالمعلومات، حوارية، وواحد لواحد تركز على احتياجات الطلاب (Chang & Kidman, 2023)، إلا أن تأثير الأنشطة القائمة على ChatGPT على التعلم الذاتي المنظم وإشباع الاحتياجات غير واضح. بالإضافة إلى ذلك، يتطلب الدعم الرقمي (ChatGPT في هذه الدراسة) مزيدًا من الاهتمام في الأبحاث القائمة على SDT (Ryan & Deci, 2020). وبناءً عليه، هناك حاجة إلى مزيد من الدراسات لاستكشاف أنشطة التعلم باستخدام ChatGPT وتأثيراتها على إشباع الاحتياجات ومرحلة التعلم الذاتي المنظم.

بالإضافة إلى ذلك، تم إجراء معظم الأبحاث القائمة على SDT في الثقافة الغربية. ومع ذلك، قد تختلف وجهات نظر المعلمين الشرقيين عن تلك الخاصة بالمعلمين الغربيين. (على سبيل المثال، المجتمعات الفردية مقابل المجتمعات الجماعية) (Chiu, 2022; Iyengar & Lepper, 1999). بسبب هذه الفروق الثقافية، من المهم دراسة هذه القضية من وجهات نظر المعلمين الشرقيين. يمكن أن تضيف النتائج إلى مجال GenAI في التعليم والأبحاث القائمة على SDT (الدعم الرقمي) من خلال إضافة المزيد من وجهات النظر الشرقية.

تهدف هذه الدراسة إلى فحص كيف يلبي ChatGPT كـ GenAI احتياجات الطلاب للاستقلالية، والكفاءة، والترابط في التعلم الذاتي المنظم من منظور المعلم باستخدام نهج دلفي. هدفها هو تقديم قائمة متمايزة ومجمعة (أداة تصنيف) من أنشطة التعلم باستخدام ChatGPT التي تلبي احتياجات التعلم الذاتي المنظم. السؤالان الرئيسيان للبحث هما: من منظور معلم المدرسة،

تعاوننا مع معلمين مؤهلين في المدارس لتحديد كيفية استخدام ChatGPT لتلبية كل حاجة من احتياجات SDT للتعلم الذاتي. قمنا أولاً بتجميع قائمة بأنشطة التعلم باستخدام ChatGPT مع جميع المشاركين، ثم قمنا بإزالة بعض الأنشطة التي لم تعد ذات صلة وإضافة تلك التي كانت ذات صلة. كما قمنا بتوضيح أوصاف كل نشاط وربط كل واحد منها بحاجة من احتياجات SDT ومرحلة من مراحل SRL. يمكن للباحثين والممارسين استخدام النتائج لتحسين تكرار وتنفيذ وتوليف الأبحاث في تكنولوجيا التعليم (GenAI، AI، وChatGPT) لتعزيز دافع الطلاب ومشاركتهم في SRL.

نظرًا لأن GenAI في التعليم لا يزال في مراحله الأولى واستكشافية، قد لا تصل الأفكار حول كيفية استخدام التكنولوجيا لدعم التعلم إلى توافق بعد. تستخدم دراسة دلفي عملية تكرارية من الاستبيانات متداخلة مع تعليقات محكومة للحصول على وجهة نظر توافقية موثوقة من مجموعة من الخبراء (دالكاي وهيلمر، 1963). من الممكن الحصول على مجموعة متنوعة من الآراء لاتخاذ القرار. تتجنب العملية المجهولة النزاعات بين الخبراء وتشجع المشاركة الموضوعية. لذلك، تم استخدام تصميم دلفي للحصول على توافق للإجابة على سؤالين بحثيين.

عادةً ما تكون ثلاث جولات من دلفي كافية لإنشاء توازن حيث لا تؤثر الجولات الإضافية بشكل كبير على النتائج لمعظم الدراسات (أحمدي وآخرون، 2023؛ تيكسيرا وآخرون، 2020). أنشأ فريقنا من معلمي SDT ذوي الخبرة في تكنولوجيا التعليم قائمة أولية بأنشطة التعلم باستخدام ChatGPT، وقمنا بتنقيحها باستخدام ثلاث جولات من دلفي.

للحصول على وجهات نظر متنوعة ولكن موثوقة حول كيفية دعم المعلمين لاحتياجات الطلاب باستخدام ChatGPT في SRL، قمنا بتجميع فريق من معلمي المدارس بمختلف المواد الدراسية الرئيسية. كان لدى المعلمين (1) خبرة في تصميم وتنفيذ أنشطة التعلم باستخدام ChatGPT لمدة 5 أشهر (يعتبرون “معلمين ذوي خبرة” لأنه جديد في المدارس)، (2) لديهم خبرة تدريسية قائمة على SDT لا تقل عن 3 سنوات في المدارس، (3) تلقوا ما لا يقل عن 6 ساعات من التدريب المهني حول SDT، و(4) تلقوا ما لا يقل عن 6 ساعات من التدريب المهني حول ChatGPT. جميعهم لديهم خبرة في تصميم وتنفيذ تصميم تعليمي قائم على SDT للتعلم المدمج واستخدام ChatGPT لتصميم وتقديم أنشطة التعلم الخاصة بهم.

لا يوجد حد أدنى لحجم الفريق حيث لم يتم التوصل إلى توافق لتحديد حجم عينة دراسات دلفي (جورم، 2015). استخدمت الأبحاث السابقة حول تطوير التصنيفات 10-34 مشاركًا (أحمدي وآخرون، 2023؛ تيكسيرا وآخرون، 2020). للتحكم في الانسحاب، دعونا وشاركنا 36 مشاركًا من ثلاثة مشاريع شراكة بين الجامعات والمدارس حول الذكاء الاصطناعي والتعليم، أو SDT، لهذه الدراسة. شملت المواد الدراسية الرئيسية لديهم الإنجليزية (7)، الصينية (7)، الرياضيات (7)، العلوم (6)، العلوم الإنسانية والفنون (5)، والتكنولوجيا (4). تغطي مدارسهم مختلف المستويات الأكاديمية للطلاب في هونغ كونغ.

نظرًا للاختلافات الثقافية – التعليم الشرقي مقابل الغربي، أو الثقافات الفردية مقابل الجماعية (اينجار ولبر، 1999)، قد يكون لدى المعلمين في الشرق وجهة نظر مختلفة حول دعم احتياجات ChatGPT مقارنة بالغرب. تم إجراء معظم الدراسات القائمة على SDT في التعليم في الغرب. نتيجة لذلك، سعت إلى التحقيق في الهدف من منظور شرقي. تم تجنيد 36 معلمًا تتراوح أعمارهم بين 25 و55 عامًا من 15 مدرسة في هونغ كونغ. كانت عشرون منهن إناثًا، وستة عشر ذكورًا. جميعهم يستوفون معايير الاختيار لهذه الدراسة دلفي.

أولاً، مع المعلمين، أنشأنا القائمة الأولية بأنشطة SRL باستخدام ChatGPT. حسب علمنا، لم يتم إجراء الكثير من الأبحاث الدقيقة حول ChatGPT للتعليم المدرسي لأنه جديد في المدارس، خاصة عندما يتعلق الأمر بوجهات نظر SDT وSRL. تحدث معظم المناقشات في التعليم العالي، وخاصة في التقييم (تشيو، 2023). نتيجة لذلك، قمنا بتجميع أنشطة التعلم من (1) أوراق المجلات المتعلقة بالدعم الرقمي، (2) المناقشات والوجهات النظر عبر الإنترنت من الأكاديميين والباحثين والمعلمين، بالإضافة إلى (3) التصاميم التعليمية التي أنشأها الممارسون في ورش العمل الخاصة بنا. كما طلبنا من المشاركين اقتراح ما لا يقل عن 10 أنشطة تعلم باستخدام ChatGPT. نظرًا للازدواجية الكبيرة التي حدثت، قمنا بتجميع الأنشطة ذات الصلة وإزالة تلك التي لا يقدمها ChatGPT. ونتيجة لذلك، كانت القائمة الأولية تحتوي على 31 نشاطًا. وزعنا الاستبيان عبر الإنترنت لهذه الدراسة.

في الجولة الأولى، قدم المعلمون تعليقات نوعية على اسم كل نشاط تعليمي، ووصفه، وأسبابه. كما قاموا بتقييم مدى صلة النشاط بـ SDT وSRL. عندما يكون النشاط ذا صلة، يشيرون إلى أي احتياجات من SDT ومراحل من SRL تتأثر بشكل أساسي بالأنشطة. في نهاية الاستبيان، قدمنا للمعلمين قائمة كاملة
بأنشطة التعلم وطلبنا منهم تحديد ما إذا كانت هناك أي أنشطة تبدو مكررة. للمساعدة في تطوير قائمة أكثر شمولاً، تمت دعوة المعلمين أيضًا لاقتراح أي أنشطة أخرى يعتقدون أنها مفقودة من القائمة. بعد كل جولة من عملية دلفي، قمنا بتنقيح أنشطة التعلم استجابةً لتعليقات المعلمين. حيثما كانت توصيات العمل تتضمن تغييرات كبيرة (مثل أوصاف وظائف مختلفة تمامًا)، اعتُبر النشاط التعليمي المنقح نشاطًا جديدًا. استجابةً لتعليقات المعلمين بعد كل جولة من عملية دلفي، أجرينا تعديلات على أنشطة التعلم. اعتُبرت أنشطة التعلم المنقحة جديدة في الجولة التالية. أرسلنا للمعلمين أحدث قائمة بالأنشطة، مع معلومات حول كيفية تأثيرها على مراحل SRL واحتياجات SDT، في الجولتين 2 و3.

في الجولتين 2 و3، أرسلنا للمعلمين أحدث قائمة بالأنشطة، مع معلومات حول كيفية تأثيرها على مراحل SRL واحتياجات SDT. كان لدى المعلمين خيار استخدام أو عدم استخدام التعليقات في قرارهم المنقح. فيما يتعلق بالاسم، والوصف، والأسباب للنشاط، طُلب منهم تقديم تعليقات نوعية. ثم طلبنا منهم وصف كيف يؤثر كل نشاط على المراحل والاحتياجات. في نهاية كل جولة، طلبنا منهم أيضًا تحديد أي أنشطة مكررة وإضافة أي أنشطة كانت مفقودة. تمت إضافة نشاط إلى القائمة النهائية لأنشطة التعلم باستخدام ChatGPT عندما تم التوصل إلى توافق حول تأثيره ولم يتم اقتراح أي تعديلات.

لا توجد معايير محددة مسبقًا للوصول إلى توافق حول كل موضوع في كل دراسة دلفي (كينى وآخرون، 2006). من الأسهل الحصول على موافقة كل مشارك على عنصر واحد في استبيان من الحصول على موافقتهم على ستة عناصر، أو على خيار ثنائي، من الحصول على موافقتهم على مقاييس ليكرت الخماسية. نتيجة لذلك، فإن إنشاء معايير التوافق هو عملية ذات طابع ذاتي بطبيعتها تتطلب أخذ طبيعة الأسئلة ومقياس الإجابات في الاعتبار، بالإضافة إلى عدد المشاركين. أظهرت دراسة مراجعة منهجية بواسطة دايموند وآخرون (2014) أن حوالي نصف دراسات دلفي فقط عرفت وأبلغت عن مستوى اتفاق دقيق؛ أولئك الذين فعلوا ذلك أبلغوا عن مستويات اتفاق تتراوح من 51 إلى 95 في المئة. في هذه الدراسة، استخدمنا مستوى اتفاق 75 في المئة، متماشيًا مع دراسات دلفي السابقة المماثلة (أحمدي وآخرون، 2023؛ تيكسيرا وآخرون، 2020). بعد الانتهاء من الجولات الثلاث، قمنا بتجميع الأنشطة المثيرة للجدل التي قال بعض المعلمين إنه يجب إزالتها لأنها كانت مكررة. طلبنا من المعلمين الإشارة إلى الأنشطة التي يجب إزالتها. تمت إزالة الأنشطة التي تم الاتفاق عليها من قبل أكثر من نصف المعلمين.

تم الانتهاء من استبيان الجولة الأولى من دلفي بواسطة 36 معلمًا. تم التوصل إلى اتفاق بشأن ثلاثة من الأنشطة التعليمية الثلاثين الموجودة في القائمة الأولية. قمنا بدمج 13 نشاطًا في 6، وإزالة 1، واقترحنا 2 نشاط جديد بناءً على التعليقات النوعية. ثم أرسلنا الأنشطة التعليمية الـ 22 التي لم يتم التوصل إلى اتفاق بشأنها إلى المعلمين في الجولة التالية للحصول على مزيد من التعليقات. أكمل جميع المعلمين الاستبيان في الجولة الثانية. من بين الأنشطة الـ 22، تم التوصل إلى اتفاق بشأن 10 أنشطة. استخدمنا التعليقات النوعية لدمج سبعة أنشطة في أربعة وإزالة واحد. ثم أرسلنا الأنشطة الثمانية التي لم يتم التوصل إلى اتفاق بشأنها إلى المعلمين للحصول على مزيد من التعليقات في الجولة الثالثة.

أكمل جميع المعلمين استبيان الجولة الثالثة. من بين الأنشطة الثمانية المتبقية، توصل سبعة إلى توافق، وتم حذف واحد. يوضح الجدول 1 جميع أنشطة التعلم ووصفها؛ بينما يوضح الجدول 2 جميع أنشطة التعلم وتأثيرها على احتياجات SDT ومراحل SRL. كشفت التحليلات بعد الجولات الثلاث أن المعلمين في هونغ كونغ اقترحوا 20 نشاطًا تعليميًا باستخدام ChatGPT يمكن أن تلبي احتياجات SDT لتعزيز SRL في المدارس. يبحثون عن المعلومات، يحصلون على أمثلة، يتحققون من إجاباتهم، يولدون أسئلة مراجعة للتحقق من فهمهم، يخلقون مشاكل جديدة للتدريب، يبتكرون مشاكل تحدي، يحصلون على رؤى حول مشاكل معقدة، يسألون عن أفكار لتحسينهم، يعدون قوائم أو مخططات، يلخصون أعمالهم الخاصة، يسألون عن التعريفات، يولدون أسئلة للنقاش، يولدون أسئلة للمقالات، يحصلون على تعليقات على أعمالهم، يمارسون التعليقات من الأقران، يستعدون لمحادثات صعبة، يتصورون مشكلة، يتوقعون مخرجات ChatGPT، يقيمون مخرجات ChatGPT، ويناقشون مع ChatGPT.

بشكل عام، يمكن أن تلبي الغالبية العظمى من أنشطة التعلم (11 من أصل 20) احتياجات الطلاب الأساسية للكفاءة بشكل أفضل، تليها أنشطة التعلم التي تلبي احتياجات الطلاب للاستقلالية بشكل أفضل. أقل الأنشطة تدعم الحاجة إلى الارتباط. علاوة على ذلك، تكشف النتائج أنه في مراحل التعلم الذاتي المنظم، يتم دعم كل من الأداء والتأمل الذاتي بشكل أفضل من خلال ثماني أنشطة تستخدم ChatGPT. يتم دعم التفكير المسبق بشكل أفضل من خلال أربع أنشطة.

تشير هذه الدراسة باستخدام طريقة دلفي إلى أداة تصنيف لتعزيز التعلم الذاتي للطلاب من خلال تطبيق نظرية الدافع الذاتي من منظور المعلم. وقد حددت وصنفت 20 نشاطًا تعليميًا قائمًا على نظرية الدافع الذاتي باستخدام ChatGPT للتعلم الذاتي. كما ناقشنا في مراجعة الأدبيات، فإن ChatGPT لديه القدرة على تحفيز أو تثبيط الطلاب في التعلم الذاتي (Chiu et al., 2023; Kasneci et al., 2023; Rospigliosi, 2023). لا يزال تأثير ChatGPT على التعلم الذاتي ورضا الاحتياجات غير واضح. هناك حاجة إلى مزيد من البحث للتحقيق في كيفية تأثير الأنشطة المعتمدة على ChatGPT على رضا الاحتياجات ومرحلة التعلم الذاتي. علاوة على ذلك، هناك حاجة إلى أداة تصنيف ذات صلة لتوجيه الممارسين والباحثين لتعليم وإجراء أبحاث التدخل. يمكن أن تعزز الأداة المقترحة في هذه الدراسة مجال الذكاء الاصطناعي التوليدي في التعليم وأبحاث نظرية الدافع الذاتي.

في هذه الورقة، تحتوي النتائج على خمسة آثار نظرية وعملية رئيسية: (i) كيف يلبي ChatGPT الاحتياجات المستندة إلى نظرية الدافع الذاتي، (ii) كيف يدعم عملية التعلم الذاتي المنظم، (iii) ماذا تقترح القائمة، وكيفية استخدام قائمة أنشطة التعلم المستندة إلى ChatGPT في (iv) البحث و(v) التعليم.

أولاً، كشفت النتائج أن المزيد من الأنشطة التعليمية المعتمدة على ChatGPT يمكن أن تلبي احتياجات الطلاب من الكفاءة بشكل كافٍ. قد تكون طبيعة هذه التكنولوجيا الناشئة هي القوة الدافعة وراء ذلك. يوفر ChatGPT للطلاب تعليقات فورية ومخصصة وهو غني بالمعلومات (Chiu، 2023، 2024؛ Javaid وآخرون، 2023). تتوفر إجابات استفسارات الطلاب ومشاكلهم في أي وقت ومن أي مكان (#3، #11، و#14). بالإضافة إلى ذلك، قد يصبح الطلاب أكثر كفاءة من خلال الممارسة وطرح المزيد من الأسئلة (مثل #5، #6، #18، و#19). قد يعتقدون أنهم يمكنهم إنهاء المهام والرد على أي استفسارات عند استخدام ChatGPT للتعلم (Gill وآخرون، 2024؛ Javaid وآخرون، 2023). علاوة على ذلك، اعتقد المعلمون أن ChatGPT قد يمنح الطلاب شعورًا بالوكالة أو الملكية على تعلمهم. يمكن للمعلمين في الفصول الدراسية التقليدية التي تركز على المعلم تقديم مشاكل أو أسئلة جديدة للفصل أو إعطاء التعليمات. في الفصول الدراسية المعززة بالتكنولوجيا غير الذكاء الاصطناعي،

يحصل الطلاب أيضًا على معلومات مشابهة عبر الإنترنت (مثل، كلمات البحث المشابهة على جوجل). لا توجد عملية استرجاع معلومات تفاعلية أو فردية في هذين النوعين من الفصول الدراسية. ChatGPT مختلف ويسمح للطلاب بالتواصل المستمر مع ChatGPT للحصول على أفكارهم وأمثلتهم وأسئلتهم الخاصة (Gill et al., 2024; Javaid et al., 2023; #2, #7, #9, #12, و #13)، مما يعزز شعورهم بالملكية. من المرجح أن يتم إنشاء بيئات تعلم رقمية مخصصة تمكّن الطلاب من التعبير عن رغباتهم والحصول على أفكارهم المفضلة (Pataranutaporn et al., 2021). بالإضافة إلى ذلك، شعر المعلمون أنه لا توجد أنشطة تعلم كافية تعتمد على ChatGPT قد تلبي احتياجات الطلاب الاجتماعية (فقط اثنتان). هذه النتيجة تتماشى مع أبحاث سابقة أخرى تشير إلى أن دعم الاحتياجات الرقمية يحظى باهتمام أقل بالترابط (Butz & Stupnisky, 2017; Chiu, 2021; Molina et al., 2022). تفسير محتمل هو أن الطلاب لا يزالون يعتبرون ChatGPT واجهة آلة على الرغم من أنه يمكنه التحدث معهم بطريقة تشبه الإنسان. وهذا يشير إلى أنه في إعدادات تعتمد على ChatGPT، قد لا يشعر الطلاب بالدفء والترابط (Chiu, 2021). تؤكد هذه النتيجة أن معظم الأبحاث المعتمدة على SDT حول التكنولوجيا التعليمية تركز على الاحتياجات المتعلقة بالكفاءة والاستقلالية (Chiu, 2021; Molina et al., 2022). وبناءً عليه، يقدم ChatGPT فوائد ويخلق فرص تعلم جديدة لتلبية احتياجات الكفاءة والاستقلالية بشكل أفضل.

ثانيًا، وفقًا للمعلمين، يمكن أن تدعم أنشطة التعلم المعتمدة على ChatGPT ثلاث مراحل من التعلم الذاتي المنظم: التفكير المسبق، الأداء، والتأمل الذاتي. خلال مرحلة التفكير المسبق، قد توفر أنشطة التعلم (#2 و #11) أوصافًا وأمثلة أكثر دقة لتوضيح المشكلة، بالإضافة إلى اقتراحات بديلة لاستراتيجيات التعلم (#1 و #9). من المرجح أن يؤدي الفهم الواضح للمشكلات إلى الحفاظ على دافع الطلاب. في مرحلة الأداء، اعتقد المعلمون أن الأنشطة المقترحة المعتمدة على ChatGPT في النتائج قد تعزز عمليات التعلم الذاتي المنظم. قد يمارس الطلاب ويكتسبون أفكارًا جديدة إضافية لحل المشكلات (#7)، بالإضافة إلى أن يصبحوا مستعدين لتطبيق ما مارسوه وتعلموه (#12، #13، #15، #16، و #20) باستخدام ChatGPT. إحدى الإجراءات المهمة في هذه المرحلة هي طلب المساعدة، وهو ما يعززه ChatGPT بشكل أكثر فعالية من المعلمين. قد يستخدم الطلاب ChatGPT لتقديم طلبات سريعة ومخصصة وغير محدودة (Gill et al., 2024; Javaid et al., 2023). في المرحلة النهائية، شعر المعلمون أن ChatGPT قد يساعد الطلاب في عملية التأمل الذاتي من خلال تقديم ملاحظات لهم (#3، #4، و #14)، مما يسمح لهم بممارسة تقنيات التأمل الذاتي (#18 و #19)، وتقديم مزيد من الاقتراحات للتحسين (#5، #6، و #8). هذه تشير إلى أن ChatGPT لديه القدرة على تقديم بيئة غنية وجذابة ومركزية للطلاب تركز على احتياجات الطلاب. هذه النتائج تتماشى مع الدراسات حول كيفية تعزيز التعلم الذاتي المنظم من خلال ChatGPT (Baidoo-Anu & Ansah, 2023; Kasneci, 2023; Wu et al., 2023). هذه البيئة، التي تشجع على التفكير “التفكير، الزوج، والمشاركة”، تعزز مهارات التعلم الذاتي المنظم للطلاب ذوي القدرات المنخفضة بينما تدفع الأطفال ذوي القدرات العالية لتحقيق إمكاناتهم الكاملة (Xia et al., 2023).

ثالثًا، من بين الاحتياجات الثلاثة المعتمدة على SDT، الوحيدة التي تلبيها أنشطة التعلم المعتمدة على ChatGPT في جميع مراحل التعلم الذاتي المنظم هي الكفاءة. لا يمكن لـ ChatGPT تلبية الاحتياجات الاجتماعية والاستقلالية بشكل كافٍ في كل مرحلة من مراحل التعلم الذاتي المنظم. وهذا يشير إلى أن ChatGPT قد لا يكون قادرًا على تلبية كل احتياجات الطالب بمفرده. لا يزال هناك حاجة لدعم احتياجات المعلمين المدروسة جيدًا لعملية التعلم الذاتي المنظم للطلاب الصغار (Baars et al., 2022). نظرًا لأن الأطفال في المدرسة لا يزالون في مرحلة التطور، يجب على المعلمين تقديم التوجيه والإرشاد لهم. للاستفادة الكاملة من إمكانات التعلم الذاتي المنظم لكل طالب، يجب أن يتعاون ChatGPT والمعلم (Chiu et al., 2023). على الرغم من أن تلبية الاحتياجات هي مفهوم تكاملي، إلا أن الاستقلالية والترابط لا يزالان أفضل تلبية من قبل ChatGPT، وفقًا لـ SDT (Ryan & Deci, 2020). قد تكون هناك حاجة إلى مزيد من الدراسات للتحقيق في كيفية دعم ChatGPT للاحتياجات المتعلقة بالاستقلالية والترابط في كل مرحلة من مراحل التعلم الذاتي المنظم.

رابعًا، توفر النتائج أداة تصنيف لمساعدة الباحثين في تكرار واستخدام ودمج مشاريع البحث والتطوير الناجحة في التكنولوجيا التعليمية (مثل، GenAI-ChatGPT، مولد النصوص والصور، ومولد الصوت والنص). لتقييم ما إذا كانت أنشطة التعلم الرقمية المحددة لها أكبر تأثير على تلبية الاحتياجات والدافع وعمليات التعلم الذاتي المنظم، يمكن للباحثين استخدام الأدوات لإجراء أبحاث تدخلية لتوفير مزيد من الأدلة حول ما إذا كان ChatGPT يمكن أن يعزز عملية التعلم الذاتي المنظم. قد يستخدم المطورون الأنشطة لتحسين تطوير ChatGPT التعليمي.

أخيرًا، التعلم الذاتي المنظم مع ChatGPT جديد على التعليم المدرسي (Xia et al., 2023). على الرغم من أن أداة التصنيف تقدم اقتراحات لاستخدام ChatGPT لتعزيز عملية التعلم الذاتي المنظم وتلبية احتياجات SDT، إلا أن العديد من هذه الأنشطة ليست ممارسات تعليمية نموذجية أو أقل شيوعًا. سيحتاج المعلمون إلى تعديلها لتناسب تعليمهم الخاص. كما أن الأداة تمثل نقطة انطلاق جيدة للعديد من أساليب التدريس المبتكرة. علاوة على ذلك، يمكن لصانعي السياسات استخدام هذه الأداة كإرشادات للذكاء الاصطناعي في التعليم، وإجراء تطوير مهني لدمج ChatGPT كـ GenAI في التعليم.

بشكل عام، تشير هذه الدراسة إلى أداة تصنيف لكيفية تعزيز التعلم الذاتي المنظم للطلاب باستخدام ChatGPT من خلال تطبيق SDT. نظرًا لأن ChatGPT هو الأداة الأكثر شيوعًا في GenAI في التعليم والتعلم، يمكن تطبيق الأداة على أدوات GenAI الأخرى. يمكن للباحثين والممارسين استخدام أنشطة التعلم المقترحة في أداة التصنيف هذه لدراسة تأثير أدوات GenAI الأخرى على التعلم الذاتي المنظم والرضا.

تحدد هذه الدراسة ست قيود بالإضافة إلى اتجاهات البحث المحتملة. البحث التدخلي والتجريبي: لم يتم التحقيق في آثار كل نشاط تعلم ChatGPT في هذه الدراسة. على الرغم من أن المعلمين في هذه الدراسة اعترفوا بأن الأنشطة في القائمة قد تساعد في تلبية احتياجات SDT وعملية التعلم الذاتي المنظم، إلا أن تدريس ChatGPT وتعلمه لا يزالان جديدين نسبيًا وغير مدروسين (Chiu, 2023, 2024; Rospigliosi, 2023). من غير الواضح كيف يدعم احتياجات SDT وعملية التعلم الذاتي المنظم. قد تستخدم الأبحاث المستقبلية تصميمًا تجريبيًا أو تدخليًا لفحص تأثير كل نشاط على تلبية الاحتياجات وعملية التعلم الذاتي المنظم.

أنشطة أكثر ابتكارًا: ChatGPT هو تقنية ناشئة تضيف دائمًا ميزات جديدة (Chang & Kidman, 2023; Kasneci et al., 2023). يُوصى بإجراء دراسات تصميم مشتركة أو قائمة على التصميم تلتقط وجهات نظر متنوعة من المهندسين والباحثين التعليميين والممارسين لتوليد أنشطة أكثر ابتكارًا مع ChatGPT.

المشاركون الدوليون: الغرض من هذه الدراسة هو جمع وجهات نظر الممارسين الشرقيين. لقد قدمت النتائج مساهمة كبيرة للمجتمعات البحثية والتعليمية المحلية والإقليمية. ومع ذلك، يُقترح وجود مجموعة متنوعة أكثر للمشاركين في تحقيق دلفي جديد (Ahmadi et al., 2023). على سبيل المثال، لتمثيل طيف وجهات النظر بشكل كامل، يجب أن تشمل اللجنة خبراء في SDT والتكنولوجيا التعليمية، بالإضافة إلى ممارسين من مناطق مختلفة.

تنوع التعلم: لدى ChatGPT القدرة على تضييق وتوسيع تنوع التعلم، أو الفجوة الرقمية (Chiu, 2023). لم يتم النظر في ذلك في هذه الدراسة. يجب أن تشمل الأبحاث المستقبلية الفروق الفردية، مثل الجنس والقدرة على التعلم.

التعلم المدمج: نظرت هذه الدراسة فقط في تأثير الدعم الرقمي (ChatGPT). ومع ذلك، فإن التعلم المدمج هو الممارسة الأكثر شيوعًا في المدارس عند استخدام التكنولوجيا (Chiu, 2021). يجب أن يعمل المعلمون ودعم الاحتياجات الرقمية معًا. قد لا تنطبق هذه التصنيف
ببساطة على التدريس في الفصول الدراسية لأن الأهداف والسياقات تختلف. في الدراسات المستقبلية، يجب أن تتضمن أداة تصنيف جديدة دعم احتياجات المعلم.

العلاقات في SDT وSRL: على الرغم من أن هذه الأداة التصنيفية تهدف إلى تقديم قائمة تصنيف حصرية، أي أن كل نشاط يخدم حاجة واحدة فقط في SDT أو مرحلة واحدة في SRL. ومع ذلك، فإن الحاجات الثلاث والمرحلة الثلاث مرتبطة ارتباطًا وثيقًا. فهي ليست متعارضة. يجب أن تستخدم الأبحاث المستقبلية دراسات ارتباطية للتحقيق في كيفية تأثير الأنشطة على الحاجات والمراحل.

نظرًا لأن هذا المجال من الذكاء الاصطناعي في التعليم يتطور، فإن هذه الدراسة توفر بداية استكشافية مفيدة لفهم الروابط بين GenAI وعملية SRL من خلال تطبيق SDT. حسب علمنا، أنشأنا أول أداة تصنيف من نوعها في هذه الدراسة لاستكشاف وجهات نظر المعلمين في المدارس الشرقية حول كيفية تأثير ChatGPT على SRL ورضا الحاجات. وقد حصلت على توافق من 36 معلمًا مؤهلاً باستخدام نهج دلفي ثلاثي الجولات (أحمدي وآخرون، 2023؛ دايموند وآخرون، 2014). يختلف المعلمون الشرقيون عن المعلمين الغربيين (على سبيل المثال، المجتمعات الفردية مقابل المجتمعات الجماعية) (تشيو، 2023؛ إينغار ولبر، 1999). بسبب هذا الاختلاف الثقافي، تساهم نتائج هذه الدراسة في المجال من خلال إضافة وجهة نظر المعلم الشرقي. نتوقع أن تجعل هذه الأداة من الأسهل للباحثين تحديد طرق أفضل لاستكشاف كيفية تعزيز ChatGPT لدافع الطلاب، وكذلك للممارسين لتبني تلك الأنشطة لتحسين SRL ونتائج الطلاب.

الشكر: يشكر المؤلفون المعلمين في المدارس على مشاركتهم في هذه الدراسة.
التمويل: تم تمويل هذه الدراسة من قبل منح البحث العامة (رمز المشروع: 14610522).
توفر البيانات: تتوفر مجموعات البيانات المستخدمة في الدراسة الحالية من المؤلف المراسل عند الطلب المعقول.

المصالح المتنافسة: حصلت هذه الدراسة على موافقة أخلاقية من جامعة المؤلف. لا يوجد تضارب في المصالح بين المؤلف والمشاركين.

الوصول المفتوح: هذه المقالة مرخصة بموجب رخصة المشاع الإبداعي للاستخدام والمشاركة والتكيف والتوزيع وإعادة الإنتاج في أي وسيلة أو صيغة، طالما أنك تعطي الائتمان المناسب للمؤلفين الأصليين والمصدر، وتوفر رابطًا لرخصة المشاع الإبداعي، وتوضح ما إذا كانت هناك تغييرات قد أُجريت. الصور أو المواد الأخرى من طرف ثالث في هذه المقالة مشمولة في رخصة المشاع الإبداعي للمقالة، ما لم يُشار إلى خلاف ذلك في سطر الائتمان للمادة. إذا لم تكن المادة مشمولة في رخصة المشاع الإبداعي للمقالة واستخدامك المقصود غير مسموح به بموجب اللوائح القانونية أو يتجاوز الاستخدام المسموح به، ستحتاج إلى الحصول على إذن مباشرة من صاحب حقوق الطبع والنشر. لعرض نسخة من هذه الرخصة، قم بزيارة http://creativecommons.org/licenses/by/4.0/.

Ahmadi, A., Noetel, M., Parker, P. D., Ryan, R., Ntoumanis, N., Reeve, J., & Lonsdale, C. (2023). A classification system for teachers’ motivational behaviours recommended in self-determination theory interventions. Journal of Education Psychology, Advance Online Publication. https://doi.org/10.1037/ edu0000783

Baars, M., Khare, S., & Ridderstap, L. (2022). Exploring students’ use of a mobile application to support their self-regulated learning processes. Frontiers in Psychology, 13, 793002. https://doi.org/10.3389/ fpsyg. 2022.793002
Baidoo-Anu, D., & Ansah, L. O. (2023). Education in the era of generative artificial intelligence (AI): Understanding the potential benefits of ChatGPT in promoting teaching and learning. Journal of AI, 7(1), 52-62.
Bruso, J., Stefaniak, J., & Bol, L. (2020). An examination of personality traits as a predictor of the use of self-regulated learning strategies and considerations for online instruction. Educational Technology Research and Development, 68, 2659-2683. https://doi.org/10.1007/s11423-020-09797-y
Butz, N. T., & Stupnisky, R. H. (2017). Improving student relatedness through an online discussion intervention: The application of self-determination theory in synchronous hybrid programs. Computers & Education, 114, 117-138. https://doi.org/10.1016/j.compedu.2017.06.006
Chang, C. H., & Kidman, G. (2023). The rise of generative artificial intelligence (AI) language modelschallenges and opportunities for geographical and environmental education. International Research in Geographical and Environmental Education, 32(2), 85-89. https://doi.org/10.1080/10382046. 2023.2194036

Chen, K. C., & Jang, S. J. (2010). Motivation in online learning: Testing a model of self-determination theory. Computers in Human Behavior, 26(4), 741-752. https://doi.org/10.1016/j.chb.2010.01.011
Chiu, T. K. F. (2021). Digital support for student engagement in blended learning based on self-determination theory. Computers in Human Behavior, 124, 106909. https://doi.org/10.1016/j.chb.2021. 106909
Chiu, T. K. F. (2022). Applying the Self-determination Theory (SDT) to explain student engagement in online learning during the COVID-19 pandemic. Journal of Research on Technology in Education, 54(sup1), 14-30. https://doi.org/10.1080/15391523.2021.1891998
Chiu, T. K. F. (2023). The impact of Generative AI (GenAI) on practices, policies and research direction in education: A case of ChatGPT and Midjourney. Interactive Learning Environments, Advanced Publication. https://doi.org/10.1080/10494820.2023.2253861
Chiu, T. K. F. (2024). Future research recommendations for transforming higher education with Generative AI. Computer & Education: Artificial Intelligence, 6, 100197. https://doi.org/10.1016/j.caeai. 2023.100197

Chiu, T. K. F., Jong, M. S. Y., & Mok, I. A. C. (2020). Does learner expertise matter when designing emotional multimedia for learners of primary school mathematics? Educational Technology Research and Development, 68, 2305-2320. https://doi.org/10.1007/s11423-020-09775-4
Chiu, T. K. F., Moorhouse, B. L., Chai, C. S., & Ismailov, M. (2023). Teacher support and student motivation to learn with artificial intelligence (AI) chatbot. Interactive Learning Environments, Advanced Online Publication. https://doi.org/10.1080/10494820.2023.2172044
Dalkey, N., & Helmer, O. (1963). An experimental application of the Delphi method to the use of experts. Management Science, 9(3), 458-467. https://doi.org/10.1287/mnsc.9.3.458
Diamond, I. R., Grant, R. C., Feldman, B. M., Pencharz, P. B., Ling, S. C., Moore, A. M., & Wales, P. W. (2014). Defining consensus: A systematic review recommends methodologic criteria for reporting of Delphi studies. Journal of Clinical Epidemiology, 67(4), 401-409. https://doi.org/10.1016/j. jclinepi.2013.12.002
Dörrenbächer, L., & Perels, F. (2016). Self-regulated learning profiles in college students: Their relationship to achievement, personality, and the effectiveness of an intervention to foster self-regulated learning. Learning and Individual Differences, 51, 229-241. https://doi.org/10.1016/j.lindif.2016. 09.015

Farrokhnia, M., Banihashem, S. K., Noroozi, O., & Wals, A. (2023). A SWOT analysis of ChatGPT: Implications for educational practice and research. Innovations in Education and Teaching International, Advanced Online Publication. https://doi.org/10.1080/14703297.2023.2195846
Gill, S. S., Xu, M., Patros, P., Wu, H., Kaur, R., Kaur, K., & Buyya, R. (2024). Transformative effects of ChatGPT on modern education: Emerging Era of AI Chatbots. Internet of Things and CyberPhysical Systems, 4, 19-23. https://doi.org/10.1016/j.iotcps.2023.06.002
Guay, F. (2022). Applying self-determination theory to education: Regulations types, psychological needs, and autonomy supporting behaviors. Canadian Journal of School Psychology, 37(1), 75-92. https://doi.org/10.1177/08295735211055355
Iyengar, S. S., & Lepper, M. R. (1999). Rethinking the value of choice: A cultural perspective on intrinsic motivation. Journal of Personality and Social Psychology, 76(3), 349-366. https://doi.org/10. 1037/0022-3514.76.3.349

Javaid, M., Haleem, A., Singh, R. P., Khan, S., & Khan, I. H. (2023). Unlocking the opportunities through ChatGPT Tool towards ameliorating the education system. BenchCouncil Transactions on Benchmarks, Standards and Evaluations, 3(2), 100115. https://doi.org/10.1016/j.tbench.2023.100115
Jorm, A. F. (2015). Using the Delphi expert consensus method in mental health research. The Australian and New Zealand Journal of Psychiatry, 49(10), 887-897. https://doi.org/10.1177/0004867415600891
Kasneci, E., Seßler, K., Küchemann, S., Bannert, M., Dementieva, D., Fischer, F., & Kasneci, G. (2023). ChatGPT for good? On opportunities and challenges of large language models for education. Learning and Individual Differences, 103, 102274. https://doi.org/10.1016/j.lindif.2023.102274
Keeney, S., Hasson, F., & McKenna, H. (2006). Consulting the oracle: Ten lessons from using the Delphi technique in nursing research. Journal of Advanced Nursing, 53(2), 205-212. https://doi.org/10. 1111/j.1365-2648.2006.03716.x
Luo, Y., Lin, J., & Yang, Y. (2021). Students’ motivation and continued intention with online self-regulated learning: A self-determination theory perspective. Zeitschrift Für Erziehungswissenschaft, 24(6), 1379-1399. https://doi.org/10.1007/s11618-021-01042-3
Manganelli, L., Thibault-Landry, A., Forest, J., & Carpentier, J. (2018). Self-determination theory can help you generate performance and well-being in the workplace: A review of the literature. Advances in Developing Human Resources, 20(2), 227-240. https://doi.org/10.1177/1523422318 757
Molenaar, I., de Mooij, S., Azevedo, R., Bannert, M., Järvelä, S., & Gašević, D. (2023). Measuring selfregulated learning and the role of AI: Five years of research using multimodal multichannel data. Computers in Human Behavior, 139, 107540. https://doi.org/10.1016/j.chb.2022.107540
Molina, F., Molina, M. D., & Molina, C. (2022). Motivating learning through digital apps: The importance of relatedness satisfaction. International Journal of Human-Computer Interaction. https:// doi.org/10.1080/10447318.2022.2097777
Olivier, E., Galand, B., Morin, A. J., & Hospel, V. (2021). Need-supportive teaching and student engagement in the classroom: Comparing the additive, synergistic, and global contributions. Learning and Instruction, 71, 101389. https://doi.org/10.1016/j.learninstruc.2020.101389
Pataranutaporn, P., Danry, V., Leong, J., Punpongsanon, P., Novy, D., Maes, P., & Sra, M. (2021). AIgenerated characters for supporting personalized learning and well-being. Nature Machine Intelligence, 3(12), 1013-1022. https://doi.org/10.1038/s42256-021-00417-9
Peverly, S. T., Brobst, K. E., Graham, M., & Shaw, R. (2003). College adults are not good at self-regulation: A study on the relationship of self-regulation, note taking, and test taking. Journal of Educational Psychology, 95(2), 335-346. https://doi.org/10.1037/0022-0663.95.2.335
Pintrich, P. R. (2000). Multiple goals, multiple pathways: The role of goal orientation in learning and achievement. Journal of Educational Psychology, 92(3), 544-555. https://doi.org/10.1037/00220663.92.3.544

Pintrich, P. R. (2002). The role of metacognitive knowledge in learning, teaching, and assessing. Theory into Practice, 41(4), 219-225. https://doi.org/10.1207/s15430421tip4104_3
Rospigliosi, P. A. (2023). Artificial intelligence in teaching and learning: What questions should we ask of ChatGPT? Interactive Learning Environments, 31(1), 1-3. https://doi.org/10.1080/10494820. 2023.2180191

Roth, A., Ogrin, S., & Schmitz, B. (2016). Assessing self-regulated learning in higher education: A systematic literature review of self-report instruments. Educational Assessment, Evaluation and Accountability, 28, 225-250. https://doi.org/10.1007/s11092-015-9229-2
Ryan, R. M., & Deci, E. L. (2020). Intrinsic and extrinsic motivation from a self-determination theory perspective: Definitions, theory, practices, and future directions. Contemporary Educational Psychology, 61, 101860. https://doi.org/10.1016/j.cedpsych.2020.101860
Sitzmann, T., & Ely, K. (2011). A meta-analysis of self-regulated learning in work-related training and educational attainment: What we know and where we need to go. Psychological Bulletin, 137(3), 421-422. https://doi.org/10.1037/a0022777
Teixeira, P. J., Marques, M. M., Silva, M. N., Brunet, J., Duda, J., Haerens, L., La Guardia, J., Lindwall, M., Lonsdale, C., & Markland, D. (2020). A classification of motivation and behavior change techniques used in self-determination theory-based interventions in health contexts. Motivation Science, 6(4), 438-455. https://doi.org/10.1037/mot0000172
Valle, N., Brishke, J., Shenkman, E., & Ritzhaupt, A. D. (2022). Design, development and evaluation of the Citizen Science Cancer Curriculum (CSCC): A design and development case study. TechTrends, 66(4), 666-680. https://doi.org/10.1007/s11528-022-00737-6
Wu, T. T., Lee, H. Y., Li, P. H., Huang, C. N., & Huang, Y. M. (2023). Promoting self-regulation progress and knowledge construction in blended learning via ChatGPT-based learning aid. Journal
of Educational Computing Research, Advanced Online Publication. https://doi.org/10.1177/07356 331231191125
Xia, Q., Chiu, T. K. F., Chai, C. S., & Xie, K. (2023). The mediating effects of needs satisfaction on the relationships between prior knowledge and self-regulated learning through artificial intelligence chatbot. British Journal of Educational Technology, 54(4), 967-986. https://doi.org/10.1111/bjet. 13305
Xia, Q., Chiu, T. K. F., Lee, M., Temitayo, I., Dai, Y., & Chai, C. S. (2022). A self-determination theory design approach for inclusive and diverse artificial intelligence (AI) K-12 education. Computers & Education, 189, 104582. https://doi.org/10.1016/j.compedu.2022.104582
Zimmerman, B. J. (2011). Motivational sources and outcomes of self-regulated learning and performance. Handbook of self-regulation of learning and performance. Routledge.
Zimmerman, B. J., & Moylan, A. R. (2009). Self-regulation: Where metacognition and motivation intersect. In D. J. Hacker, J. Dunlosky, & A. C. Graesser (Eds.), Handbook of metacognition in education (pp. 299-315). Routledge.

Publisher’s Note Springer Nature remains neutral with regard to jurisdictional claims in published maps and institutional affiliations.

Thomas K. F. Chiu is Assistant Professor at the Department of Curriculum and Instruction, and Associate Director of the Centre for University and School Partnership and Centre for Learning Sciences and Technologies at The Chinese University of Hong Kong.

Accepted: 9 March 2024 / Published online: 1 April 2024
© The Author(s) 2024

Keywords Generative AI • ChatGPT • Self-determination theory • Self-regulated learning • Motivation Digital support Delphi study

Generative artificial intelligence (GenAI) can generate text, pictures, 3D models, animations, or other content, and its technologies are becoming more powerful, useful, and prevalent, being incorporated into mainstream applications. This emerging technology has influenced education by developing interactive learning experiences, providing tailored coaching, and even producing instructional resources such as worksheets and

videos (Chiu, 2021; Kasneci et al., 2023; Rospigliosi, 2023). GenAI may have the great potential to transform the way we learn and access information by adapting to individual needs and preferences, making education more accessible and engaging for all learners (Chang & Kidman, 2023; Chiu, 2023). There is an urgent need for research into the most effective ways to use GenAI in education in order to enhance learning outcomes for all learners (Chiu, 2023; Kasneci et al., 2023; Rospigliosi, 2023). Some argue, however, that depending too much on these technologies may result in a reduction in human interaction, individualized guidance, and higher-order thinking skills, all of which are essential for effective learning. There may also be concerns regarding the accuracy and reliability of AI-generated educational resources (Farrokhnia et al., 2023; Rospigliosi, 2023). Furthermore, self-regulated learning (SRL) is regarded as a prerequisite for life-long learning in higher education (Roth et al., 2016). Its process can be seen as a cycle model of three main phases: forethought, performance, and self-reflection (Zimmerman, 2011). SRL is closely linked to academic accomplishment in students and work-related learning in adults (Sitzmann & Ely, 2011). Individuals with strong SRL abilities must be able to learn independently and deal with a wide range of challenges (Peverly et al., 2003). As a result, GenAI may be able to both engage and disengage students in SRL.

These student engagement and disengagement can be explained using the construct of motivation that is the force that energises students to be engaged in a particular activity (Chiu, 2021, 2022; Olivier et al., 2021). Self-determination theory (SDT), one of the most popular theories in current behavioral science, provides a wide framework for understanding the elements that enhance human motivation and well-being (Ryan & Deci, 2020). SDT co-founders Richard M. Ryan and Edward L. Deci suggest that satisfying people’s basic needs for autonomy, competence, relatedness, and autonomy is vital for individual and social functioning. This theory is widely applicated in various contexts e.g., workplace, parenting, and learning environments (Manganelli et al., 2018; Ryan & Deci, 2020). Most previous SDT-based educational research was conducted to understand how teachers and digital support (refer to needs satisfaction from digital environments) satisfy student needs (Ahmadi et al., 2023; Chiu, 2021). These two types of support have various effects on student engagement. Empirical studies suggest that digital support from AI is strongly associated with student engagement in overall SRL (Chiu et al., 2023; Wu et al., 2023; Xia et al., 2023). For example, Wuet al. (2023) suggested that in blended learning, ChatGPT significantly improved student behavioural, cognitive, and emotional engagement more than search engines; Chiu et al. (2023) revealed that the use of AI chatbots may not be able to support relatedness of most students, and satisfy competence of low ability students. Besides, how to integrate GenAI in education is understudied, and its effects on student learning are unclear. These imply that how we use GenAI determines if the technology is need-supportive or need-thwarting in each phrase of SRL. ChatGPT, one of the most well-known GenAI tools, is a chatbot built on a large language model. It can communicate with users in a human-like manner. It can respond to questions, write articles, give advice, and create code in a fluent and natural way. To fill this research gap, this study used a Delphi research design to understand how ChatGPT as GenAI supports student SDT needs in each phrase of SRL from the perspective of Hong Kong school teachers.

The findings of this study propose a classification tool to foster student SRL using ChatGPT by applying SDT. This tool contributes to the field of AI in education and SDT-based research by discussing how ChatGPT fosters the three SRL phrases and satisfies SDT-based needs. It can help researchers replicate, design, and implement their educational technology research and development projects using ChatGPT. It can
also give teachers and policymakers ideas on how to teach with ChatGPT and make policies for AI in education, respectively.

The rest of the paper is organized as follows: We begin by outlining the theoretical background for this study and past research on how ChatGPT as digital support fosters SRL and satisfies SDT needs. The study’s goal and research design are then described. Following that, we present the results of the analyses, followed by a discussion of the findings and our conclusions.

Over the last three decades, general SRL conceptions have evolved (Roth et al., 2016). SRL first appeared in the 1980s and rose to prominence in the 1990s. Despite the enormous amount of SRL research published, there is no unified definition of SRL. Each theory/model focuses on different perspectives (Pintrich, 2000). For example, Zimmerman (2011) suggests SRL consists of self-generated thoughts, feelings, and acts that are methodically directed by personal goals. Zimmerman and Moylan (2009) describe a social cognitive model of SRL that incorporates motivational variables with metacognitive processes in three iterative phases: forethought, performance, and selfreflection. Pintrich’s (2002) theory of SRL included forethought, monitoring, control, and refection. These theories and models have clear similarities and suggest SRL should have cyclical and three distinct phases (Bruso et al., 2020). The first phrase is forethought and consists of task analysis and self-motivation beliefs. Learners analyze tasks, set learning goals, and plan strategies based on their prior knowledge. This task analysis is affected by self-motivation beliefs such as self-efficacy and interest, along with personal views of how well the tasks can be performed and the value of learning. The performance phase has two processes: self-control and self-observation. Learners enhance their learning by employing various self-control strategies, such as self-instruction, time management, environmental structuring, and help-seeking, all of which are based on the learners’ own self-observations. The phase of self-reflection consists of self-judgment and self-reaction. The self-reaction that learners take in response to their own judgment of their performance and cause attributions can either boost or reduce satisfaction and motivation to learn. Based on their perceived goals, learners evaluate their performance. If the learners are unsuccessful in achieving their goal, the cyclical process starts over by analyzing which task strategies have and have not been successful. Due to this adaptive process, the learners might continue to be motivated to do the activity again in the hopes of getting a better outcome (Zimmerman, 2011). Overall, the SRL cycle requires learners to set goals, evaluate progress, and adjust learning strategies. Learning is self-directed, requiring selfawareness, self-monitoring, and self-motivation, and can be learned through SRL. Related studies SRL strategy use is related to motivational level and personality traits (Bruso et al., 2020; Dörrenbächer & Perels, 2016). Needs satisfaction in SDT of motivation can be used to look at ways to foster the SRL process in each phase.

SDT theory explains human needs, motivation, and well-being in a social and cultural context (Ryan & Deci, 2020). It suggests three innate needs: autonomy, relatedness, and competence. Individuals’ motivation increases when their needs are supported and satisfied, shifting from amotivation to intrinsic motivation. This theory is widely applied in various education contexts, such as face-to-face, online, and blended learning (Chen & Jang, 2010; Chiu, 2021, 2022; Ryan & Deci, 2020). SDT-based research has investigated how teacher support (e.g., behaviors) affects student needs satisfaction in a variety of learning settings, including classrooms, playgrounds, as well as online and blended learning (Ahmadi et al., 2023; Chen & Jang, 2010; Chiu, 2021, 2022; Guay, 2022; Xia et al., 2022). Digital needs support refers to the design of digital learning environments to support student SDT needs (Chiu, 2021). This support can be achieved through digital autonomy, which can be satisfied by multiple resources for the same learning unit; students can choose the resources they prefer (Chiu, 2021, 2022). Digital competence support should consider learner expertise, ensuring that different instructional formats support different levels of thinking skills (Luo et al., 2021). Digital relatedness can be supported by using emotional design and familiar or user-friendly digital tools (Chiu et al., 2020; Valle et al., 2022). Digital support, particularly in AI, has not been extensively studied in SDTbased research (Chiu, 2021; Ryan & Dec, 2020). Accordingly, how ChatGPT as digital support satisfies basic needs remains unclear.

Four recent studies have speculated that ChatGPT as an AI tool has the ability to promote the SRL process (Chiu, et al., 2023; Molenaar et al., 2023; Wu et al., 2023; Xia et al., 2023). ChatGPT as an AI tool may have the potential to promote the SRL process. Students must remain motivated throughout the forethought phase, actively participate in learning activities during the performance phase, and reflect on and review their learning experience during the self-reflection phase (Pintrich, 2000; Wu et al., 2023; Zimmerman, 2011). As noted in the last section, ChatGPT may be considered a digital support to satisfy student needs for greater motivation, which fosters the SRL process throughout the forethought phase. During the performance phase, students can use ChatGPT to receive new ideas and insights for their learning activities as needed (i.e., when they encounter learning difficulties) (Baidoo-Anu & Owusu Ansah, 2023; Wu et al., 2023). ChatGPT has the potential to keep students engaged in their learning. During the self-reflection phase, students may ask ChatGPT for comments on what they learned and how to improve their learning (Kasneci et al., 2023; Wu et al., 2023). Overall, ChatGPT may provide individualized and interactive educational learning, as well as precise explanations and step-by-step instruction. It may offer students rapid and useful guidance while also answering their queries, and they might successfully develop SRL (Wu et al., 2023). However, its linked activities and impacts have received little attention.

As we discussed, ChatGPT as GenAI is new to school teaching and has the potential to improve and hinder learning (Chiu, 2023, 2024; Kasneci et al., 2023; Rospigliosi, 2023).

We are not sure what ChatGPT activities teachers can teach with and students can learn from. Although ChatGPT is a resourceful, conversational, and one-to-one environment that is focused on the needs of the students (Chang & Kidman, 2023), the impact of ChatGPT-based activities on SRL and needs satisfaction is not clear. Besides, digital (ChatGPT in this study) support requires more attention in SDT-based research (Ryan & Deci, 2020). Accordingly, more studies are needed to explore the learning activities using ChatGPT and their effects on needs satisfaction and the SRL phase.

Additionally, most SDT-based research was conducted in western culture. However, eastern teachers’ perspectives may differ from those of western teachers. (for example, individualistic vs. collectivist societies) (Chiu, 2022; Iyengar & Lepper, 1999). Because of this cultural difference, it is important to study this issue from eastern teachers’ perspectives. The findings could add to the field of GenAI in education and SDT-based research (digital support) by adding more eastern perspectives.

This study aims to examine how ChatGPT as GenAI satisfies student needs for autonomy, competence, and relatedness in SRL from a teacher perspective using the Delphi approach. Its goal is to provide a mutually exclusive and collectively listed list (classification tool) of learning activities using ChatGPT that satisfy SRL needs. The two major research questions are: From a school teacher perspective,

We collaborated with qualified school educators to determine how to use ChatGPT to satisfy each SDT need for SRL. We first compiled a list of ChatGPT learning activities with all the participants, followed by removing some that were no longer relevant and adding those that were. We further clarified the descriptions of each activity and linked each one to an SDT need and an SRL phase. Researchers and practitioners may use the findings to better replicate, execute, and synthesize research in educational technology (GenAI, AI, and ChatGPT) for enhancing student motivation and engagement in SRL.

As GenAI in education is still in its infancy and exploratory, the ideas on how to use the technology to support learning may not reach a consensus yet. A Delphi study uses an iterative process of questionnaires interleaved with controlled feedback to obtain a reliable consensus view from a group of experts (Dalkey & Helmer, 1963). It is possible to obtain a wide variety of opinions for decision-making. The anonymous process avoids conflicts between experts and encourages objective participation. Therefore, a Delphi design is used to get consensus to answer the two research questions.

Three Delphi rounds are usually enough to create an equilibrium where further rounds do not affect findings dramatically for most studies (Ahmadi et al., 2023; Teixeira et al., 2020). Our panel of SDT school teachers with expertise in educational technology created an initial list of learning activities with ChatGPT, and refined it using three Delphi rounds.

To solicit diverse but authoritative perspectives on how teachers can support student needs using ChatGPT in SRL, we assembled a panel of school teachers with different major teaching subjects. The teachers (i) had experience in designing and implementing learning activities with ChatGPT for 5 months (considered as an “experienced teacher” as it is new to schools), (ii) had at least 3 years of SDT-based teaching experience in schools, (iii), received at least 6 h of professional training on SDT, and (iv) received at least 6 h of professional training on ChatGPT. They all have experience in designing and executing SDT-based instructional design for blended learning and in using ChatGPT to design and deliver their learning activities.

No minimum panel size is set as there is no reached consensus to determine the sample size of Delphi studies (Jorm, 2015). Previous research on developing classifications used 10-34 participants (Ahmadi et al., 2023; Teixeira et al., 2020). To control for attrition, we invited and involved 36 participants from three university and school partnership projects on AI and education, or SDT, for this study. Their major teaching subjects included English (7), Chinese (7), Mathematics (7), Science (6), Humanities & Art (5), and Technology (4). Their schools covered the various academic levels of the students in Hong Kong.

Due to the cultural differences-eastern versus western schooling, or individualistic versus collectivist cultures (Iyengar & Lepper, 1999), teachers in the east may have a different perspective on ChatGPT’s needs support from the west. Most of the SDT-based studies for education were conducted in the west. As a result, it sought to investigate the goal from an eastern perspective. It recruited 36 teachers ranging in age from 25 to 55 from 15 Hong Kong schools. Twenty were female, and sixteen were male. They all meet the selection criteria for this Delphi study.

First, together with the teachers, we created the initial list of SRL activities using ChatGPT. To our knowledge, not much rigorous research has been done on ChatGPT for school education because it is new in schools, especially when it comes to SDT and SRL viewpoints. Most of the discussions happen in higher education, particularly in assessment (Chiu, 2023). As a result, we compiled learning activities from (i) journal papers pertaining to digital support, (ii) online discourse and viewpoints from academics, researchers, and educators, as well as (iii) instructional designs created by the practitioners in our workshops. We also asked the participants to suggest at least 10 ChatGPT learning activities. Due to the significant redundancy that ensued, we grouped related activities and eliminated those that ChatGPT does not offer. As a consequence, the initial list had 31 activities. We distributed the survey online for this study.

In Round 1, the teachers gave qualitative comments on each learning activity’s label name, description, and reasons. They also assessed the activity’s relevance to SDT and SRL. When the activity is relevant, they indicate which SDT needs and SRL phases are primarily impacted by the activities. At the end of the survey, we gave the teachers a full
list of learning activities and asked them to determine whether any activities looked to be duplicates. To assist in developing a more thorough list, the teachers were also invited to suggest any other activities they believed were missing from the list. After each round of the Delphi process, we refined the learning activities in response to the teachers’ feedback. Where action recommendations involved major changes (e.g., substantially different function descriptions), the revised learning activity was considered a new activity. In response to teacher comments following each round of the Delphi process, we made modifications to the learning activities. Revised learning activities were regarded as new ones in the next round. We sent the teachers the most recent list of activities, together with information on how they affect SRL phases and SDT needs, in Rounds 2 and 3.

In Rounds 2 and 3, we sent the teachers the most updated list of activities, together with information on how they affect SRL phases and SDT needs. The teachers had the option of using or not using the comments in their revised decision. Regarding the label, description, and reasons for the activity, they were requested to provide qualitative comments. Then, we asked them to describe how each activity affects the phases and needs. At the end of each round, we also asked them to mark any redundant activities and add any that were missing. An activity was added to the final list of learning activities using ChatGPT when consensus was established about its impact and no modifications were suggested.

There are no predetermined standards for reaching consensus on every topic in each Delphi study (Keeney et al., 2006). Getting every participant to agree on a single item in a survey is simpler than getting them to agree on six items, or on a binary option, than on five-point Likert scales. As a result, creating consensus criteria is an inherently subjective process that requires taking into account the nature of questions and the scale of answers, as well as the number of participants. A systematic review study by Diamond et al. (2014) revealed that only around half of Delphi studies defined and reported an exact agreement level; those that did reported agreement levels ranging from 51 to 95 percent. In this study, we used a 75 percent agreement level, aligned with previous similar Delphi studies (Ahmadi et al., 2023; Teixeira et al., 2020). After the three rounds were completed, we compiled contentious activities that some teachers had said should be removed because they were redundant. We asked the teachers to indicate which activities should be removed. The activities that were agreed upon by more than half of the teachers were removed.

The Delphi Round 1 survey was completed by the 36 teachers. Three of the thirty-one learning activities on the initial list came to an agreement. We combined 13 activities into 6 , removed 1 , and proposed 2 new activities based on the qualitative comment. Then we sent the 22 learning activities that failed to come to an agreement to the teachers in the next round for more comments. All the teachers completed the survey in Round 2. Of the 22 activities, 10 activities came to an agreement. We used the qualitative comments to combine seven activities into four and remove one. Then we sent the eight activities that failed to come to an agreement to the teachers for more comments in Round 3.

All the teachers completed the Round 3 survey. Of the 8 remaining activities, 7 reached consensus, and one was removed. Table 1 shows all the learning activities and their descriptions; Table 2 shows all the learning activities and their impact on SDT needs and SRL phases. The analyses after the three rounds revealed that the teachers in Hong Kong suggested 20 learning activities using ChatGPT that could satisfy SDT needs to foster SRL in schools. They search information, get examples, check their answers, generate review questions to check for their understanding, create new problems for practice, create challenging problems, get insight into complex problems, ask ideas for their improvement, make lists or outlines, summarize their own work, ask for definitions, generate questions for discussions, generate questions for essays, get feedback for their work, practice peer feedback, prepare for tough conversations, visualize a problem, anticipate ChatGPT’s outputs, grade ChatGPT’s outputs, and debate with ChatGPT.

Overall, the majority of learning activities (11 out of 20) could better satisfy students’ basic needs for competence, followed by learning activities that better satisfy students’ needs for autonomy. The fewest activities are in favor of relatedness. Moreover, the results reveal that in SRL phases, both performance and self-reflection are better supported by eight activities using ChatGPT. Forethought is better supported by four activities.

This Delphi study suggests a classification tool to foster student SRL by applying SDT from the teacher perspective. It identified and categorized 20 SDT-based learning activities using ChatGPT for SRL. As we discussed in the literature review, ChatGPT has the potential to motivate or demotivate students in SRL (Chiu et al., 2023; Kasneci et al., 2023; Rospigliosi, 2023). How ChatGPT impacts SRL and needs satisfaction remains unclear. More research is needed to investigate how ChatGPT-based activities impact needs satisfaction and the SRL phase. Moreover, a relevant classification tool is needed to guide practitioners and scholars to teach and conduct intervention research. The tool proposed in this study could advance the field of GenAI in education and SDT-based research.

In this paper, the results have five major theoretical and practical implications: (i) how ChatGPT satisfies SDT-based needs, (ii) how it supports the SRL process, (iii) what the list suggests, and how to use the list of ChatGPT based learning activities in (iv) research and (v) teaching.

First, the results revealed that more ChatGPT-based learning activities could adequately satisfy student needs for competence. The nature of this emerging technology may be the driving force behind it. ChatGPT provides students with instant, tailored feedback and is very informative (Chiu, 2023, 2024; Javaid et al., 2023). The answers to the students’ queries and issues are available anytime and anywhere (#3, #11, and #14). Additionally, students may get more proficient through practice and asking more questions (like #5, #6, #18, and #19). They may believe that they can finish tasks and respond to any queries when using ChatGPT for learning (Gill et al., 2024; Javaid et al., 2023). Furthermore, the teachers thought ChatGPT may provide students with a sense of agency or ownership over their learning. Teachers in conventional teacher-centered classrooms could offer new problems or questions to the class or give instructions. In non-AI technology-enhanced classrooms,

students also get similar online information (e.g., similar search keywords on Google). There is no interactive or one-to-one information retrieval process in these two types of classrooms. ChatGPT is different and allows students to continuously communicate with ChatGPT to obtain their own ideas, examples, and questions (Gill et al., 2024; Javaid et al., 2023; #2, #7, #9, #12, and #13), enhancing their ownership. Personalized digital learning environments that enable students to voice their desires and get their preferred ideas are more likely to be created (Pataranutaporn et al., 2021). Additionally, the teachers felt that there are not enough ChatGPT-based learning activities that may satisfy student relatedness (only two). This finding is consistent with other previous research that indicates digital needs support has less attention to relatedness (Butz & Stupnisky, 2017; Chiu, 2021; Molina et al., 2022). A plausible explanation is that students still thought of ChatGPT as a machine interface even though it could converse with them in a human-like way. This suggests that in ChatGPT based settings, students might not feel warm and connected (Chiu, 2021). This finding confirms that most SDT-based research on educational technology focuses on the needs for competence and autonomy (Chiu, 2021; Molina et al., 2022). Accordingly, ChatGPT offers benefits and creates new learning opportunities to better satisfy the needs for competence and autonomy.

Second, according to the teachers, ChatGPT-based learning activities can support three SRL phases: forethought, performance, and self-reflection. During the forethought phase, learning activities (#2 and #11) might provide more precise descriptions and examples for problem clarification, along with alternate suggestions for learning strategies (#1 and #9). A clear understanding of problems is more likely to keep students motivated. In the performance phase, the teachers thought that the suggested ChatGPT-based activities in the results may foster SRL processes. Students may practice and obtain additional fresh ideas for solving problems (#7), as well as become ready for applying what they have practiced and learned (#12, #13, #15, #16, and #20) by using ChatGPT. One important procedure in this phase is asking for help, which ChatGPT fosters more effectively than teachers. Students may use ChatGPT to make rapid, customized, and limitless requests (Gill et al., 2024; Javaid et al., 2023). In the final phase, teachers felt that ChatGPT might help students with their self-reflection process by giving them feedback (#3, #4, and #14), letting them practice self-reflection techniques (#18 and #19), and providing them with further suggestions for improvement (#5, #6, and #8). These imply that ChatGPT has the potential to offer a resourceful, engaging, and conversational student-centered environment that is focused on the needs of the students. These findings are aligned with the studies on how to foster SRL through ChatGPT (Baidoo-Anu & Ansah, 2023; Kasneci, 2023; Wu et al., 2023). This environment, which encourages “think pair and share” thinking, fosters the SRL skills of low-ability students while pushing high-ability kids to reach their full potential (Xia et al., 2023).

Third, out of the three SDT-based needs, the only one that ChatGPT learning activities satisfy among all three SRL phases is competence. ChatGPT cannot adequately satisfy relatedness and autonomy at every SRL phase. This suggests that ChatGPT might not be able to satisfy every need of the student on its own. Well-researched teacher needs support is still required for young students’ SRL process (Baars et al., 2022). Since school children are still developing, teachers must provide them with direction and guidance. To fully utilize each student’s SRL potential, ChatGPT and the teacher should collaborate (Chiu et al., 2023). Despite the fact that needs satisfaction is an integrative concept, autonomy and relatedness are still better satisfied by ChatGPT, according to SDT (Ryan & Deci, 2020). More studies may be needed to investigate how ChatGPT supports needs for autonomy and relatedness in every phase of SRL.

Fourth, the findings provide a classification tool to assist researchers in replicating, using, and integrating successful educational technology research and development projects (e.g., GenAI-ChatGPT, text-image generator, and voice-text generator). To assess whether specific digital learning activities have the greatest impact on needs satisfaction, motivation, and SRL processes, the researchers can use the tools to conduct intervention research to provide more evidence on whether ChatGPT can foster the SRL process. The developers may use activities to improve educational ChatGPT development.

Finally, SRL with ChatGPT is new to school teaching (Xia et al., 2023). Although the classification tool gives suggestions for using ChatGPT to foster the SRL process and satisfy SDT needs, many of these activities are not typical or less common teaching practices. Teachers would need to modify them for their own teaching. The tool also makes a good starting point for many innovative teaching methods. Moreover, policy makers can use this tool for guidelines for AI in education, and run professional development for integrating ChatGPT as GenAI in education.

Overall, this study suggests a classification tool for how to foster student SRL with ChatGPT by applying SDT. As ChatGPT is the most common GenAI tool in teaching and learning, the tool can be applied to other GenAI tools. Researchers and practitioners can use the learning activities suggested in this classification tool to research the impact of other GenAI tools on SRL and satisfaction.

This study identifies six limitations as well as potential research directions. Intervention and experimental research: The effects of each ChatGPT learning activity are not investigated in this study. Despite the fact that the teachers in this study acknowledged that the activities on the list might help with SDT needs satisfaction and the SRL process, ChatGPT teaching and learning are still relatively new and understudied (Chiu, 2023, 2024; Rospigliosi, 2023). It is unclear how it supports SDT needs and the SRL process. Future research might use an experimental or interventional design to examine the impact of each activity on needs satisfaction and the SRL process.

More innovative activities: ChatGPT is an emerging technology that is always adding new features (Chang & Kidman, 2023; Kasneci et al., 2023). Co-design or design-based studies that capture diverse perspectives from engineers, educational researchers, and practitioners are recommended to generate more innovative activities with ChatGPT.

International panelists: the purpose of this study is to gather the viewpoints of eastern practitioners. The findings have made a significant contribution to local and regional research and educational communities. A more diversified panelist, on the other hand, is proposed for a new Delphi investigation (Ahmadi et al., 2023). For example, to completely represent the spectrum of viewpoints, the panel should include SDT and educational technology experts, as well as practitioners from various regions.

Learning diversity: ChatGPT has the potential to narrow and broaden learning diversity, or the digital divide (Chiu, 2023). This was not considered in this study. Individual differences, such as gender and learning capacity, should be included in future research.

Blended learning: this study solely looked at the impact of digital support (ChatGPT). However, blended learning is the most common practice in schools when using technology (Chiu, 2021). Teachers and digital needs support should work together. This classification
may not simply apply to classroom instruction because the aims and contexts differ. In future studies, a new classification tool should include teacher needs support.

Relationships in SDT needs and SRL phases: although this classification tool aims to provide an exclusive classification list, i.e., each activity only serves one need in SDT or one phase in SRL. However, the three needs and the three phases are closely related. They are not mutually exclusive. Future research should use correlational studies to investigate how the activities impact the needs and phases.

Given how this field of AI in education is emerging, this study provides a useful exploratory start to understand GenAI links to the SRL process by applying SDT. To our knowledge, we established the first classification tool of its kind in this study to thoroughly canvass eastern school teacher perspectives on how ChatGPT influences SRL and needs satisfaction. It obtained consensus from 36 qualified school teachers using a best-practice three-round Delphi approach (Ahmadi et al., 2023; Diamond et al., 2014). Eastern teachers differ from Western teachers (for example, individualistic versus collectivist societies) (Chiu, 2023; Iyengar & Lepper, 1999). Because of this cultural difference, this study’s findings contribute to the field by adding an eastern teacher perspective. We expect that this tool will make it simpler for researchers to identify better ways to explore how ChatGPT may promote student motivation, as well as for practitioners to adopt those activities to improve student SRL and outcomes.

Acknowledgements The authors thank you for the school teachers for participate this study.
Funding This study is funded by General Research Grants (Project Code: 14610522).
Data availability The datasets used for the current study are available from the corresponding author on reasonable request.

Competing interests This study got ethical clearance from the author’s university. There is no conflict of interests between the author and participants.

Open Access This article is licensed under a Creative Commons Attribution 4.0 International License, which permits use, sharing, adaptation, distribution and reproduction in any medium or format, as long as you give appropriate credit to the original author(s) and the source, provide a link to the Creative Commons licence, and indicate if changes were made. The images or other third party material in this article are included in the article’s Creative Commons licence, unless indicated otherwise in a credit line to the material. If material is not included in the article’s Creative Commons licence and your intended use is not permitted by statutory regulation or exceeds the permitted use, you will need to obtain permission directly from the copyright holder. To view a copy of this licence, visit http://creativecommons.org/licenses/by/4.0/.

Ahmadi, A., Noetel, M., Parker, P. D., Ryan, R., Ntoumanis, N., Reeve, J., & Lonsdale, C. (2023). A classification system for teachers’ motivational behaviours recommended in self-determination theory interventions. Journal of Education Psychology, Advance Online Publication. https://doi.org/10.1037/ edu0000783

Baars, M., Khare, S., & Ridderstap, L. (2022). Exploring students’ use of a mobile application to support their self-regulated learning processes. Frontiers in Psychology, 13, 793002. https://doi.org/10.3389/ fpsyg. 2022.793002
Baidoo-Anu, D., & Ansah, L. O. (2023). Education in the era of generative artificial intelligence (AI): Understanding the potential benefits of ChatGPT in promoting teaching and learning. Journal of AI, 7(1), 52-62.
Bruso, J., Stefaniak, J., & Bol, L. (2020). An examination of personality traits as a predictor of the use of self-regulated learning strategies and considerations for online instruction. Educational Technology Research and Development, 68, 2659-2683. https://doi.org/10.1007/s11423-020-09797-y
Butz, N. T., & Stupnisky, R. H. (2017). Improving student relatedness through an online discussion intervention: The application of self-determination theory in synchronous hybrid programs. Computers & Education, 114, 117-138. https://doi.org/10.1016/j.compedu.2017.06.006
Chang, C. H., & Kidman, G. (2023). The rise of generative artificial intelligence (AI) language modelschallenges and opportunities for geographical and environmental education. International Research in Geographical and Environmental Education, 32(2), 85-89. https://doi.org/10.1080/10382046. 2023.2194036

Chen, K. C., & Jang, S. J. (2010). Motivation in online learning: Testing a model of self-determination theory. Computers in Human Behavior, 26(4), 741-752. https://doi.org/10.1016/j.chb.2010.01.011
Chiu, T. K. F. (2021). Digital support for student engagement in blended learning based on self-determination theory. Computers in Human Behavior, 124, 106909. https://doi.org/10.1016/j.chb.2021. 106909
Chiu, T. K. F. (2022). Applying the Self-determination Theory (SDT) to explain student engagement in online learning during the COVID-19 pandemic. Journal of Research on Technology in Education, 54(sup1), 14-30. https://doi.org/10.1080/15391523.2021.1891998
Chiu, T. K. F. (2023). The impact of Generative AI (GenAI) on practices, policies and research direction in education: A case of ChatGPT and Midjourney. Interactive Learning Environments, Advanced Publication. https://doi.org/10.1080/10494820.2023.2253861
Chiu, T. K. F. (2024). Future research recommendations for transforming higher education with Generative AI. Computer & Education: Artificial Intelligence, 6, 100197. https://doi.org/10.1016/j.caeai. 2023.100197

Chiu, T. K. F., Jong, M. S. Y., & Mok, I. A. C. (2020). Does learner expertise matter when designing emotional multimedia for learners of primary school mathematics? Educational Technology Research and Development, 68, 2305-2320. https://doi.org/10.1007/s11423-020-09775-4
Chiu, T. K. F., Moorhouse, B. L., Chai, C. S., & Ismailov, M. (2023). Teacher support and student motivation to learn with artificial intelligence (AI) chatbot. Interactive Learning Environments, Advanced Online Publication. https://doi.org/10.1080/10494820.2023.2172044
Dalkey, N., & Helmer, O. (1963). An experimental application of the Delphi method to the use of experts. Management Science, 9(3), 458-467. https://doi.org/10.1287/mnsc.9.3.458
Diamond, I. R., Grant, R. C., Feldman, B. M., Pencharz, P. B., Ling, S. C., Moore, A. M., & Wales, P. W. (2014). Defining consensus: A systematic review recommends methodologic criteria for reporting of Delphi studies. Journal of Clinical Epidemiology, 67(4), 401-409. https://doi.org/10.1016/j. jclinepi.2013.12.002
Dörrenbächer, L., & Perels, F. (2016). Self-regulated learning profiles in college students: Their relationship to achievement, personality, and the effectiveness of an intervention to foster self-regulated learning. Learning and Individual Differences, 51, 229-241. https://doi.org/10.1016/j.lindif.2016. 09.015

Farrokhnia, M., Banihashem, S. K., Noroozi, O., & Wals, A. (2023). A SWOT analysis of ChatGPT: Implications for educational practice and research. Innovations in Education and Teaching International, Advanced Online Publication. https://doi.org/10.1080/14703297.2023.2195846
Gill, S. S., Xu, M., Patros, P., Wu, H., Kaur, R., Kaur, K., & Buyya, R. (2024). Transformative effects of ChatGPT on modern education: Emerging Era of AI Chatbots. Internet of Things and CyberPhysical Systems, 4, 19-23. https://doi.org/10.1016/j.iotcps.2023.06.002
Guay, F. (2022). Applying self-determination theory to education: Regulations types, psychological needs, and autonomy supporting behaviors. Canadian Journal of School Psychology, 37(1), 75-92. https://doi.org/10.1177/08295735211055355
Iyengar, S. S., & Lepper, M. R. (1999). Rethinking the value of choice: A cultural perspective on intrinsic motivation. Journal of Personality and Social Psychology, 76(3), 349-366. https://doi.org/10. 1037/0022-3514.76.3.349

Javaid, M., Haleem, A., Singh, R. P., Khan, S., & Khan, I. H. (2023). Unlocking the opportunities through ChatGPT Tool towards ameliorating the education system. BenchCouncil Transactions on Benchmarks, Standards and Evaluations, 3(2), 100115. https://doi.org/10.1016/j.tbench.2023.100115
Jorm, A. F. (2015). Using the Delphi expert consensus method in mental health research. The Australian and New Zealand Journal of Psychiatry, 49(10), 887-897. https://doi.org/10.1177/0004867415600891
Kasneci, E., Seßler, K., Küchemann, S., Bannert, M., Dementieva, D., Fischer, F., & Kasneci, G. (2023). ChatGPT for good? On opportunities and challenges of large language models for education. Learning and Individual Differences, 103, 102274. https://doi.org/10.1016/j.lindif.2023.102274
Keeney, S., Hasson, F., & McKenna, H. (2006). Consulting the oracle: Ten lessons from using the Delphi technique in nursing research. Journal of Advanced Nursing, 53(2), 205-212. https://doi.org/10. 1111/j.1365-2648.2006.03716.x
Luo, Y., Lin, J., & Yang, Y. (2021). Students’ motivation and continued intention with online self-regulated learning: A self-determination theory perspective. Zeitschrift Für Erziehungswissenschaft, 24(6), 1379-1399. https://doi.org/10.1007/s11618-021-01042-3
Manganelli, L., Thibault-Landry, A., Forest, J., & Carpentier, J. (2018). Self-determination theory can help you generate performance and well-being in the workplace: A review of the literature. Advances in Developing Human Resources, 20(2), 227-240. https://doi.org/10.1177/1523422318 757
Molenaar, I., de Mooij, S., Azevedo, R., Bannert, M., Järvelä, S., & Gašević, D. (2023). Measuring selfregulated learning and the role of AI: Five years of research using multimodal multichannel data. Computers in Human Behavior, 139, 107540. https://doi.org/10.1016/j.chb.2022.107540
Molina, F., Molina, M. D., & Molina, C. (2022). Motivating learning through digital apps: The importance of relatedness satisfaction. International Journal of Human-Computer Interaction. https:// doi.org/10.1080/10447318.2022.2097777
Olivier, E., Galand, B., Morin, A. J., & Hospel, V. (2021). Need-supportive teaching and student engagement in the classroom: Comparing the additive, synergistic, and global contributions. Learning and Instruction, 71, 101389. https://doi.org/10.1016/j.learninstruc.2020.101389
Pataranutaporn, P., Danry, V., Leong, J., Punpongsanon, P., Novy, D., Maes, P., & Sra, M. (2021). AIgenerated characters for supporting personalized learning and well-being. Nature Machine Intelligence, 3(12), 1013-1022. https://doi.org/10.1038/s42256-021-00417-9
Peverly, S. T., Brobst, K. E., Graham, M., & Shaw, R. (2003). College adults are not good at self-regulation: A study on the relationship of self-regulation, note taking, and test taking. Journal of Educational Psychology, 95(2), 335-346. https://doi.org/10.1037/0022-0663.95.2.335
Pintrich, P. R. (2000). Multiple goals, multiple pathways: The role of goal orientation in learning and achievement. Journal of Educational Psychology, 92(3), 544-555. https://doi.org/10.1037/00220663.92.3.544

Pintrich, P. R. (2002). The role of metacognitive knowledge in learning, teaching, and assessing. Theory into Practice, 41(4), 219-225. https://doi.org/10.1207/s15430421tip4104_3
Rospigliosi, P. A. (2023). Artificial intelligence in teaching and learning: What questions should we ask of ChatGPT? Interactive Learning Environments, 31(1), 1-3. https://doi.org/10.1080/10494820. 2023.2180191

Roth, A., Ogrin, S., & Schmitz, B. (2016). Assessing self-regulated learning in higher education: A systematic literature review of self-report instruments. Educational Assessment, Evaluation and Accountability, 28, 225-250. https://doi.org/10.1007/s11092-015-9229-2
Ryan, R. M., & Deci, E. L. (2020). Intrinsic and extrinsic motivation from a self-determination theory perspective: Definitions, theory, practices, and future directions. Contemporary Educational Psychology, 61, 101860. https://doi.org/10.1016/j.cedpsych.2020.101860
Sitzmann, T., & Ely, K. (2011). A meta-analysis of self-regulated learning in work-related training and educational attainment: What we know and where we need to go. Psychological Bulletin, 137(3), 421-422. https://doi.org/10.1037/a0022777
Teixeira, P. J., Marques, M. M., Silva, M. N., Brunet, J., Duda, J., Haerens, L., La Guardia, J., Lindwall, M., Lonsdale, C., & Markland, D. (2020). A classification of motivation and behavior change techniques used in self-determination theory-based interventions in health contexts. Motivation Science, 6(4), 438-455. https://doi.org/10.1037/mot0000172
Valle, N., Brishke, J., Shenkman, E., & Ritzhaupt, A. D. (2022). Design, development and evaluation of the Citizen Science Cancer Curriculum (CSCC): A design and development case study. TechTrends, 66(4), 666-680. https://doi.org/10.1007/s11528-022-00737-6
Wu, T. T., Lee, H. Y., Li, P. H., Huang, C. N., & Huang, Y. M. (2023). Promoting self-regulation progress and knowledge construction in blended learning via ChatGPT-based learning aid. Journal
of Educational Computing Research, Advanced Online Publication. https://doi.org/10.1177/07356 331231191125
Xia, Q., Chiu, T. K. F., Chai, C. S., & Xie, K. (2023). The mediating effects of needs satisfaction on the relationships between prior knowledge and self-regulated learning through artificial intelligence chatbot. British Journal of Educational Technology, 54(4), 967-986. https://doi.org/10.1111/bjet. 13305
Xia, Q., Chiu, T. K. F., Lee, M., Temitayo, I., Dai, Y., & Chai, C. S. (2022). A self-determination theory design approach for inclusive and diverse artificial intelligence (AI) K-12 education. Computers & Education, 189, 104582. https://doi.org/10.1016/j.compedu.2022.104582
Zimmerman, B. J. (2011). Motivational sources and outcomes of self-regulated learning and performance. Handbook of self-regulation of learning and performance. Routledge.
Zimmerman, B. J., & Moylan, A. R. (2009). Self-regulation: Where metacognition and motivation intersect. In D. J. Hacker, J. Dunlosky, & A. C. Graesser (Eds.), Handbook of metacognition in education (pp. 299-315). Routledge.

Publisher’s Note Springer Nature remains neutral with regard to jurisdictional claims in published maps and institutional affiliations.

Thomas K. F. Chiu is Assistant Professor at the Department of Curriculum and Instruction, and Associate Director of the Centre for University and School Partnership and Centre for Learning Sciences and Technologies at The Chinese University of Hong Kong.