DOI: https://doi.org/10.14742/ajet.10773
تاريخ النشر: 2026-02-25
المؤلف: Yiming Luo وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في التعليم
نظرة عامة
تبحث هذه الورقة البحثية في التفاعل بين الطلاب ونماذج اللغة الكبيرة (LLMs) ضمن إطار التعلم القائم على الاستفسار (IBL)، وهي طريقة تتميز بالاستكشاف المدفوع بالمشكلات. تهدف الدراسة إلى توضيح سلوكيات الطلاب على مستويات معرفية مختلفة خلال IBL، باستخدام تصنيف بلوم التعليمي كعدسة للتحليل. من خلال التحليل الموضوعي لـ 117 نص مقابلة، و370 سجل تفاعل، و1,694 دقيقة من تسجيلات الشاشة، حدد الباحثون 14 نمط تفاعل متميز تأثر بمعرفة الطلاب السابقة. تشير النتائج إلى أن الكفاءة الذاتية والمراقبة الميتامعرفية تؤثر بشكل كبير على سلوكيات التعلم في البيئات المدفوعة بـ LLM، مما يبرز الحاجة إلى إطار تخطيط منظم ودعائم للتخفيف من التحديات مثل الاعتماد المفرط على الذكاء الاصطناعي.
تتعدد تداعيات هذه الدراسة. يُشجع المعلمون على تصميم دعائم معرفية تستهدف مراحل التفكير العليا المحددة لتعزيز نتائج IBL. يجب على مصممي التعليم إنشاء أطر تعزز المراقبة الميتامعرفية مع تقليل الاعتماد على LLMs. بالإضافة إلى ذلك، يُنصح صناع السياسات بتنفيذ برامج تدريب تهدف إلى تحسين مهارات التقييم النقدي لدى الطلاب في سياقات التعلم المتكاملة مع LLM. تختتم الدراسة بالقول إنه بينما تقوم LLMs بتحويل ممارسات IBL، هناك حاجة إلى مزيد من البحث لاستكشاف التغيرات السلوكية على المدى الطويل والتأثيرات الفريدة لبيئات LLM، مع خطط لدراسات كمية مستقبلية تشمل أحجام عينات أكبر وقياسات موضوعية مثل بيانات حركة العين.
مقدمة
تناقش مقدمة الورقة البحثية التعلم القائم على الاستفسار (IBL) كنهج يركز على المتعلم ويعزز التساؤل النقدي، والاستكشاف المستقل، والتفكير التأملي بين الطلاب. يُعترف بـ IBL لتعزيز المهارات الأساسية مثل محو الأمية المعلوماتية، والتفكير النقدي، والتعلم الذاتي المنظم، والتي أصبحت أكثر أهمية في سياق overload المعلومات. يقدم ظهور الذكاء الاصطناعي (AI)، وخاصة نماذج اللغة الكبيرة (LLMs) مثل ChatGPT، فرصًا جديدة لدعم IBL من خلال العمل كشركاء معرفيين تفاعليين يساعدون الطلاب في صياغة أسئلة البحث وتحليل الحجج المعقدة.
على الرغم من إمكانيات LLMs في إثراء تجربة IBL، فإن الأبحاث الحالية قد ركزت بشكل أساسي على الممارسات التي يقودها المعلمون والأدوات نفسها، مما ترك فجوة في فهم كيفية تفاعل الطلاب مع LLMs خلال العمليات المعرفية واكتساب المعلومات. تهدف هذه الدراسة إلى سد هذه الفجوة من خلال استخدام طريقة بحث مختلطة تستند إلى تصنيف بلوم لتحليل كيفية معالجة الطلاب للمعلومات على مستويات معرفية مختلفة أثناء تفاعلهم مع LLM في سياق IBL. تركز الأبحاث على تجربة كتابة أكاديمية متعلقة بعلوم البيانات، مما يوفر رؤى حول التفاعلات الديناميكية بين الطلاب وLLMs، والتي يمكن أن تفيد المعلمين ومصممي المناهج في تعزيز تعلم الطلاب ومحو الأمية المعلوماتية.
طرق البحث
استخدمت الدراسة تحليلًا موضوعيًا استكشافيًا للتحقيق في تفاعلات طلاب التعليم العالي مع نماذج اللغة الكبيرة (LLMs) في بيئة تعلم تفاعلية خلال التعلم القائم على الاستفسار (IBL). بدلاً من التركيز على التأثيرات المعرفية، كانت الدراسة تهدف إلى فهم كيفية تعاون أنواع الطلاب المختلفة مع LLMs طوال دورة التعلم. تم تصميم تجربة IBL ضمن إطار LLM، مما سمح بمراقبة أداء الطلاب عبر مراحل معرفية مختلفة كما حددها تصنيف بلوم، الذي تم تعديله خصيصًا لعلوم الحاسوب وعلوم المعلومات بواسطة حبيب الله وآخرون (2025).
تم تصنيف الموضوعات التجريبية بناءً على معرفتهم السابقة، حيث تم تقسيم الطلاب إلى مجموعات ذات معرفة عالية ومنخفضة. اعترفت الدراسة بأن المستويات المعرفية في تصنيف بلوم لا تتقدم دائمًا بشكل خطي، وقد يظهر الطلاب مستويات معرفية متباينة تأثرت بعوامل مثل التوجيه التعليمي والمعرفة السابقة. أشارت النتائج إلى أنه بينما أظهر الطلاب بمستويات معرفة سابقة مختلفة سلوكيات مشابهة في المراحل المعرفية الأدنى (نسبة الأرجحية = 0.725، p = 0.749)، ظهرت اختلافات كبيرة في سلوكيات التفكير العليا (نسبة الأرجحية = 3.231، p = 0.004). وهذا يشير إلى أن المعرفة السابقة تلعب دورًا حاسمًا في تشكيل مشاركة الطلاب وأدائهم في المهام المعرفية العليا ضمن بيئة التعلم المدعومة بـ LLM.
النتائج
في هذا القسم، يقدم المؤلفون نتائج من تحقيقهم في أنماط سلوك الطلاب خلال عملية التعلم القائم على الاستفسار (IBL). كانت الدراسة تهدف إلى تعزيز فهم سلوكيات التعلم ضمن البيئة التفاعلية لنظام إدارة التعلم (LLM)، بدلاً من تقييم اختلافات التفاعل أو التحقق من الأطر النظرية.
باستخدام تحليل موضوعي مستند إلى تصنيف بلوم، طور الباحثون جدول ترميز لتصنيف وتحليل سلوكيات الطلاب طوال عملية IBL، كما هو موضح في الجدول 2. سمح هذا النهج باستكشاف دقيق لسلوكيات استكشاف الطلاب وتفاعلهم، مما ساهم في تقديم رؤى قيمة حول ديناميات تعلمهم في بيئة تفاعلية.
المناقشة
في مناقشة الورقة البحثية، يبرز المؤلفون الدور المزدوج لنماذج اللغة الكبيرة (LLMs) في التعلم القائم على الاستفسار (IBL). بينما تسهل LLMs اكتشاف المعرفة والتغذية الراجعة الشخصية، فإنها أيضًا تطرح تحديات كبيرة، مثل تقدير الطلاب المفرط لدقتها وتعزيز التحيزات المعرفية. تشير الدراسات إلى أن المتعلمين الذين يمزجون استراتيجيات الترميز الخاصة بهم مع اقتراحات الذكاء الاصطناعي يتفوقون على أولئك الذين يعتمدون فقط على الحلول التي تولدها الذكاء الاصطناعي. علاوة على ذلك، فإن عدم وجود اقتباسات مصدر شفافة من LLMs يعقد قدرة الطلاب على التحقق من المعلومات، مما يثير القلق بشأن النزاهة الأكاديمية وإمكانية تشكيل أكواخ معلومات معرفية. يمكن أيضًا أن تستمر التحيزات الكامنة في مخرجات LLM إذا تفاعل الطلاب مع هذه الأدوات بشكل غير نقدي.
تؤكد الورقة على أهمية تعزيز التفكير النقدي والتعلم المستقل على الرغم من هذه التحديات. تشير إلى تصنيف بلوم كإطار لفهم التطور المعرفي في السياقات التعليمية، مشيرة إلى أن LLMs يمكن أن تدعم مهارات التفكير العليا. ومع ذلك، يحذر المؤلفون من أنه بدون توجيه مناسب، قد يصبح الطلاب معتمدين بشكل مفرط على LLMs، مما يعيق قدرتهم على تطوير مهارات حل المشكلات المستقلة. تشير نتائج الدراسة إلى أنه بينما تقوم LLMs بتحويل أنظمة التعلم، يجب على المعلمين التأكد من أن الطلاب مجهزين للتفاعل النقدي مع هذه التقنيات لتعظيم فوائدهم التعليمية.
DOI: https://doi.org/10.14742/ajet.10773
Publication Date: 2026-02-25
Author(s): Yiming Luo et al.
Primary Topic: Artificial Intelligence in Education
Overview
This research paper investigates the interaction between students and large language models (LLMs) within the framework of inquiry-based learning (IBL), a method characterized by problem-driven exploration. The study aims to elucidate student behaviors at various cognitive levels during IBL, employing Bloom’s educational taxonomy as a lens for analysis. Through thematic analysis of 117 interview transcripts, 370 interaction records, and 1,694 minutes of screen recordings, the researchers identified 14 distinct interaction patterns influenced by students’ prior knowledge. The findings suggest that self-efficacy and metacognitive monitoring significantly affect learning behaviors in LLM-driven environments, highlighting the need for a structured planning framework and scaffolding to mitigate challenges such as overreliance on artificial intelligence.
The implications of this study are multifaceted. Educators are encouraged to design cognitive scaffolding that targets specific higher-order thinking stages to enhance IBL outcomes. Instructional designers should create frameworks that promote metacognitive monitoring while reducing dependency on LLMs. Additionally, policymakers are advised to implement training programs aimed at improving students’ critical evaluation skills in LLM-integrated learning contexts. The study concludes that while LLMs are transforming IBL practices, further research is necessary to explore long-term behavioral changes and the unique impacts of LLM environments, with plans for future quantitative studies incorporating larger sample sizes and objective measures such as eye movement data.
Introduction
The introduction of the research paper discusses Inquiry-based Learning (IBL) as a learner-centered approach that fosters critical questioning, independent exploration, and reflective thinking among students. IBL is recognized for enhancing essential skills such as information literacy, critical thinking, and self-regulated learning, which are increasingly vital in the context of information overload. The advent of artificial intelligence (AI), particularly large language models (LLMs) like ChatGPT, presents new opportunities to support IBL by acting as interactive cognitive partners that assist students in formulating research questions and analyzing complex arguments.
Despite the potential of LLMs to enrich the IBL experience, existing research has primarily focused on teacher-led practices and the tools themselves, leaving a gap in understanding how students engage with LLMs during cognitive processes and information acquisition. This study aims to fill this gap by employing a mixed research method grounded in Bloom’s taxonomy to analyze how students process information at various cognitive levels while interacting with an LLM in an IBL context. The research centers on a data science-related academic writing experiment, providing insights into the dynamic interactions between students and LLMs, which could inform educators and curriculum designers in enhancing student learning and information literacy.
Methods
The study employed an exploratory thematic analysis to investigate the interactions of higher education students with large language models (LLMs) in an interactive learning environment during inquiry-based learning (IBL). Rather than focusing on cognitive effects, the research aimed to understand how various student types collaborate with LLMs throughout the learning cycle. An IBL experiment was designed within the LLM framework, allowing for the observation of student performance across different cognitive stages as defined by Bloom’s taxonomy, specifically adapted for computer science and information science by Habiballa et al. (2025).
The experimental subjects were categorized based on their prior knowledge, with students divided into high and low knowledge groups. The study acknowledged that cognitive levels in Bloom’s taxonomy do not always progress linearly, and students may exhibit varying cognitive levels influenced by factors such as instructional guidance and prior knowledge. The findings indicated that while students with different prior knowledge levels displayed similar behaviors at lower cognitive stages (odds ratio = 0.725, p = 0.749), significant differences emerged in higher-order cognitive behaviors (odds ratio = 3.231, p = 0.004). This suggests that prior knowledge plays a crucial role in shaping student engagement and performance in higher-order cognitive tasks within an LLM-supported learning environment.
Results
In this section, the authors present findings from their investigation into students’ behavior patterns during the Inquiry-Based Learning (IBL) process. The study aimed to enhance understanding of learning behaviors within the interactive environment of the Learning Management System (LLM), rather than to assess interaction differences or validate theoretical frameworks.
Utilizing thematic analysis informed by Bloom’s taxonomy, the researchers developed a coding table to categorize and analyze students’ behaviors throughout the IBL process, as illustrated in Table 2. This approach allowed for a nuanced exploration of students’ exploration and interaction behaviors, contributing valuable insights into their learning dynamics in an interactive setting.
Discussion
In the discussion of the research paper, the authors highlight the dual role of Large Language Models (LLMs) in Inquiry-Based Learning (IBL). While LLMs facilitate knowledge discovery and personalized feedback, they also pose significant challenges, such as students’ overestimation of their accuracy and the reinforcement of cognitive biases. Studies indicate that learners who blend their own coding strategies with AI suggestions outperform those who rely solely on AI-generated solutions. Furthermore, the lack of transparent source citations from LLMs complicates students’ ability to verify information, raising concerns about academic integrity and the potential for forming cognitive information cocoons. The inherent biases in LLM outputs can also be perpetuated if students engage with these tools uncritically.
The paper emphasizes the importance of fostering critical thinking and autonomous learning despite these challenges. It references Bloom’s taxonomy as a framework for understanding cognitive development in educational contexts, noting that LLMs can support higher-order thinking skills. However, the authors caution that without proper guidance, students may become overly reliant on LLMs, hindering their ability to develop independent problem-solving skills. The study’s findings suggest that while LLMs are transforming learning systems, educators must ensure that students are equipped to critically engage with these technologies to maximize their educational benefits.