DOI: https://doi.org/10.3389/feduc.2025.1594199
تاريخ النشر: 2025-06-06
المؤلف: Pablo Sebastián Burneo وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في التعليم
نظرة عامة
تستكشف الدراسة الكفاءات المطلوبة لمعلمي التعليم العالي (HE) لدمج الذكاء الاصطناعي التوليدي (GenAI) بفعالية في ممارساتهم التعليمية. باستخدام طريقة تحليل إطار مختلط، تبدأ البحث بتحليل ببليومتري لـ 1,737 وثيقة من Scopus، تليها دراسة متعمقة لـ 14 مقالة تمت مراجعتها من قبل الأقران. تشير النتائج إلى عدم وجود إطار كفاءة موحد يشمل الجوانب التربوية والتقنية لدمج GenAI، على الرغم من الإشارة المتكررة إلى معرفة الذكاء الاصطناعي والوعي الأخلاقي في الأدبيات الحالية. تحدد التحليل ثلاثة مجالات رئيسية من الكفاءات وتوضح مجموعة من 16 كفاءة أساسية للمعلمين.
يقدم نموذج الكفاءة المقترح المكون من خمس خطوات مسارًا تطوريًا لمعلمي التعليم العالي، ينتقل من معرفة الذكاء الاصطناعي الأساسية إلى التعليم المتقدم المدعوم بـ GenAI. يتم هيكلة هذا النموذج حول إطار ثلاثي المحاور – التربية، والذكاء الاصطناعي، والذكاء الاصطناعي المسؤول – مما يضمن تكاملًا متوازنًا بين المهارات التقنية والاستراتيجيات التربوية ضمن سياق أخلاقي. يؤكد المؤلفون على الحاجة إلى التحقق التجريبي من هذه الكفاءات من خلال التفاعل المباشر مع معلمي التعليم العالي، بهدف تحسين الإطار بناءً على رؤاهم. بالإضافة إلى ذلك، تسلط الدراسة الضوء على أهمية استكشاف السياسات المؤسسية المتعلقة بـ GenAI والذكاء الاصطناعي، مشيرة إلى أن الإطار المطور يمكن أن يسهل نهجًا أكثر اطلاعًا وفعالية لدمج GenAI في التعليم، مما يمكّن المعلمين من الاستفادة من الإمكانات الكاملة لـ GenAI.
مقدمة
تسلط المقدمة الضوء على الإمكانات التحولية للذكاء الاصطناعي التوليدي (GenAI) في التعليم، مع التأكيد على قدرته على مساعدة المعلمين في إنشاء أنشطة صفية وتطوير آليات تقييم فعالة. ومع ذلك، فإن دمج GenAI يقدم أيضًا تحديات أخلاقية، بما في ذلك التحيزات والضرورة للإشراف البشري لضمان دقة وأصالة المحتوى المولد. لمعالجة هذه المخاوف، يجادل المؤلفون بضرورة إنشاء مساحات تدريبية تجهز المعلمين بالمعرفة التقنية والكفاءات التكميلية الضرورية لدمج GenAI بفعالية.
تهدف الدراسة إلى تحديد الكفاءات الحاسمة اللازمة لمعلمي التعليم العالي (HE) لدمج GenAI بنجاح في ممارساتهم التعليمية. وتؤكد على أهمية نهج منظم ولكنه قابل للتكيف لإعداد المعلمين للتقدم السريع في GenAI. من خلال رسم خريطة لهذه الكفاءات، تسعى البحث إلى توفير قاعدة أساسية يمكن أن تُعلم تطوير برامج تدريب قائمة على الكفاءة، مما يسهل دمج GenAI بفعالية في البيئات التعليمية.
طرق
في هذا القسم، يوضح المؤلفون إطارهم المنهجي لتقييم الأدبيات حول الذكاء الاصطناعي التوليدي (GenAI). مع الاعتراف بالطبيعة الناشئة للمجال، قاموا بإجراء مراجعة شاملة للأدبيات لتحديد المصطلحات والاتجاهات الرئيسية، مما يكشف عن نقص في المناقشة الصريحة حول الكفاءات المتعلقة بـ GenAI. لمعالجة هذه الفجوة، تستخدم الدراسة منهجية هجينة تدمج بين تقنيات تحليل البيانات النوعية والكمية، مع استخدام طريقة تحليل الإطار (FAM) بشكل خاص.
تعتبر FAM نهجًا منظمًا مناسبًا لمراجعات الأدبيات وتحليل المحتوى الكمي، مما يسمح بتوليف النتائج من دراسات متنوعة. يتبع المؤلفون عملية FAM المكونة من خمس خطوات لتصنيف وتعريف الكفاءات في سياق GenAI. لا يسهل هذا المنهج المنظم فقط تحليلًا منهجيًا للبيانات النوعية، بل يوفر أيضًا خارطة طريق للبحث المستمر في هذا المجال. تم تضمين رسم بياني (الشكل 1) لتوضيح دمج المراحل الخمس لـ FAM كما تم تطبيقها في هذه الدراسة، مع تسليط الضوء على التفاعل بين التحليلات الكمية والنوعية.
مناقشة
في قسم المناقشة من ورقة البحث، يؤكد المؤلفون على المشهد المتطور للكفاءات اللازمة لدمج الذكاء الاصطناعي التوليدي (GenAI) بفعالية في التعليم العالي (HE). يبرزون أنه بينما توجد أطر لمحو الأمية في الذكاء الاصطناعي، فإن العديد منها عام جدًا ولا تعالج بشكل كافٍ الكفاءات المحددة المطلوبة لـ GenAI. تشمل الكفاءات الرئيسية المحددة معرفة الذكاء الاصطناعي، والتقييم النقدي للمحتوى المولد، وتكييف الأساليب التربوية، والاعتبارات الأخلاقية في استخدام أدوات GenAI. كما يتم التأكيد على أهمية التعاون بين الإنسان وGenAI كأمر أساسي لتعظيم فوائد هذه التقنيات في البيئات التعليمية.
يجادل المؤلفون أيضًا بأن دمج GenAI في الممارسات التعليمية اليومية يتطلب تطويرًا شاملاً لمحو الأمية في GenAI عبر مستويات تعليمية متنوعة. يشيرون إلى الفجوات الكبيرة في تدريب المعلمين، والتي تعيق الدمج الفعال لـ GenAI في التعليم. تهدف الدراسة إلى رسم خريطة لهذه الكفاءات من خلال طريقة تحليل إطار منظم، مع التركيز على الأدبيات الحالية وأطر الكفاءة. يسعى هذا النهج إلى توفير فهم أساسي للكفاءات المطلوبة لمعلمي التعليم العالي للتنقل في تعقيدات GenAI، مما يعزز في النهاية ممارسات التدريس المبتكرة ويحسن النتائج التعليمية.
القيود
في هذا القسم، يوضح المؤلفون عدة قيود لدراستهم، مع التأكيد على القيود المفروضة من خلال خياراتهم المنهجية. كانت التحليل محصورة في الدراسات التي تمت مراجعتها من قبل الأقران والأطر السياسية المعترف بها، مما استبعد مجموعة كبيرة من الأدبيات الرمادية والمستندات غير الرسمية التي قد تحتوي على معلومات ذات صلة. يثير هذا الاستبعاد مخاوف بشأن شمولية الكفاءات المحددة وتعريفاتها، خاصة مع استمرار تطور أدوات الذكاء الاصطناعي التوليدي (GenAI) والتطبيقات التعليمية بسرعة.
بالإضافة إلى ذلك، يعترف المؤلفون بوجود تحيز لغوي وجغرافي محتمل، حيث كانت معايير الإدراج الخاصة بهم محدودة بالوثائق المنشورة باللغة الإسبانية والإنجليزية. قد تؤثر هذه القيود على إمكانية تعميم نتائجهم عبر سياقات متنوعة. علاوة على ذلك، على الرغم من استخدام تقنيات مدعومة بالذكاء الاصطناعي في عملية الترميز، فإن غياب مقاييس موثوقية بين المرمزين يشير إلى الحاجة إلى مزيد من التحقق التجريبي لتعزيز استنتاجات الدراسة.
DOI: https://doi.org/10.3389/feduc.2025.1594199
Publication Date: 2025-06-06
Author(s): Pablo Sebastián Burneo et al.
Primary Topic: Artificial Intelligence in Education
Overview
The study investigates the competencies required for higher education (HE) teachers to effectively integrate generative artificial intelligence (GenAI) into their teaching practices. Utilizing a mixed framework analysis method, the research begins with a bibliometric analysis of 1,737 documents from Scopus, followed by an in-depth examination of 14 peer-reviewed articles. The findings indicate a lack of a unified competency framework that encompasses both pedagogical and technical aspects of GenAI integration, despite the frequent mention of AI literacy and ethical awareness in existing literature. The analysis identifies three key domains of competencies and outlines a set of 16 essential competencies for educators.
The proposed five-step competency model offers a developmental pathway for HE teachers, transitioning from basic AI literacy to advanced GenAI-powered education. This model is structured around a three-axis framework—pedagogy, AI, and responsible AI—ensuring a balanced integration of technical skills and pedagogical strategies within an ethical context. The authors emphasize the need for empirical validation of these competencies through direct engagement with HE teachers, aiming to refine the framework based on their insights. Additionally, the study highlights the importance of exploring institutional policies related to GenAI and AI, suggesting that the developed framework could facilitate a more informed and effective approach to GenAI integration in education, ultimately empowering educators to leverage GenAI’s full potential.
Introduction
The introduction highlights the transformative potential of generative artificial intelligence (GenAI) in education, emphasizing its ability to assist teachers in creating classroom activities and developing efficient assessment mechanisms. However, the integration of GenAI also presents ethical challenges, including biases and the necessity for human oversight to ensure the accuracy and originality of generated content. To address these concerns, the authors argue for the establishment of training spaces that equip educators with both technical knowledge and complementary competencies essential for effective GenAI integration.
The study aims to identify critical competencies necessary for higher education (HE) teachers to successfully incorporate GenAI into their teaching practices. It underscores the importance of a structured yet adaptable approach to prepare educators for the rapid advancements in GenAI. By mapping these competencies, the research seeks to provide a foundational baseline that can inform the development of competency-based training programs, thereby facilitating the effective integration of GenAI in educational settings.
Methods
In this section, the authors outline their methodological framework for evaluating the literature on Generative Artificial Intelligence (GenAI). Recognizing the emerging nature of the field, they conducted a comprehensive literature review to identify key terms and trends, revealing a lack of explicit discussion on competencies related to GenAI. To address this gap, the study employs a hybrid methodology that integrates both qualitative and quantitative data analysis techniques, specifically utilizing the Framework Analysis Method (FAM).
FAM is a structured approach suitable for literature reviews and quantitative content analysis, allowing for the synthesis of findings from diverse studies. The authors follow FAM’s five-step process to classify and define competencies within the context of GenAI. This structured methodology not only facilitates a systematic analysis of qualitative data but also provides a roadmap for ongoing research in the field. A diagram (Figure 1) is included to illustrate the integration of the five stages of FAM as applied in this study, highlighting the interplay between quantitative and qualitative analyses.
Discussion
In the discussion section of the research paper, the authors emphasize the evolving landscape of competencies necessary for effectively integrating generative AI (GenAI) in higher education (HE). They highlight that while frameworks for AI literacy exist, many are too generic and do not adequately address the specific competencies required for GenAI. Key competencies identified include AI literacy, critical evaluation of generated content, adaptation of pedagogical approaches, and ethical considerations in using GenAI tools. The importance of human-GenAI collaboration is also underscored as essential for maximizing the benefits of these technologies in educational settings.
The authors further argue that the integration of GenAI into daily educational practices necessitates a comprehensive development of GenAI literacy across various educational levels. They point out significant gaps in teacher training, which hinder the effective incorporation of GenAI in teaching. The study aims to map these competencies through a structured framework analysis method, focusing on existing literature and competency frameworks. This approach seeks to provide a foundational understanding of the competencies required for HE teachers to navigate the complexities of GenAI, ultimately fostering innovative teaching practices and enhancing educational outcomes.
Limitations
In this section, the authors outline several limitations of their study, emphasizing the constraints imposed by their methodological choices. The analysis was confined to peer-reviewed studies and recognized policy frameworks, thereby excluding a significant body of gray literature and unofficial documents that may contain pertinent information. This exclusion raises concerns about the comprehensiveness of the identified competencies and their definitions, particularly as advancements in Generative AI (GenAI) tools and educational applications continue to evolve rapidly.
Additionally, the authors acknowledge a potential linguistic and geographic bias, as their inclusion criteria were limited to documents published in Spanish and English. This restriction may affect the generalizability of their findings across diverse contexts. Furthermore, while AI-assisted techniques were employed in the coding process, the absence of standard inter-coder reliability metrics indicates a need for further empirical validation to strengthen the study’s conclusions.