DOI: https://doi.org/10.1016/j.caeai.2026.100584
تاريخ النشر: 2026-03-25
المؤلف: Kathryn MacCallum وآخرون
الموضوع الرئيسي: المعرفة الرقمية في التعليم
نظرة عامة
تقدم ورقة البحث إطار عمل محو الأمية في الذكاء الاصطناعي المدعوم (SAIL)، الذي تم تطويره من خلال دراسة دلفي لمعالجة الحاجة إلى نهج شامل وعادل لمحو الأمية في الذكاء الاصطناعي في التعليم. على عكس الأطر الحالية التي غالبًا ما تجمع الأدبيات السابقة أو تركز على سياقات محددة، يوفر إطار SAIL هيكلًا قابلًا للتطبيق على نطاق واسع يدعم تطوير الكفاءات المدعومة عبر جميع مستويات التعليم. ويؤكد على تقدم متماسك من خلال مستويات الكفاءة المختلفة، من “فهم واستكشاف الذكاء الاصطناعي” إلى “تحويل وتطوير الذكاء الاصطناعي (ما وراء محو الأمية في الذكاء الاصطناعي)”، مما يدمج الأبعاد المعرفية والتطبيقية والأخلاقية لمحو الأمية في الذكاء الاصطناعي.
يميز إطار SAIL نفسه من خلال دمج وجهات نظر السكان الأصليين، مما يضمن أن اعتبارات المعرفة والقيم والعدالة للسكان الأصليين مضمنة ضمن الإجماع الأوسع حول محو الأمية في الذكاء الاصطناعي. يضع هذا الإدراج الإطار كنموذج فريد يعترف بالتداعيات الثقافية للذكاء الاصطناعي بينما يهدف إلى ديمقراطية الوصول إلى التعليم في الذكاء الاصطناعي. من خلال توفير أداة عملية للمعلمين تشمل المفاهيم الأساسية مثل التعلم الآلي، وخصوصية البيانات، والتحيز الخوارزمي، يسعى إطار SAIL إلى تمكين المتعلمين المتنوعين من التفاعل مع الذكاء الاصطناعي بشكل مسؤول وفعال، مما يعدهم في النهاية لمستقبل يكون فيه الذكاء الاصطناعي جزءًا لا يتجزأ من السياقات الشخصية والمهنية والاجتماعية.
مقدمة
ت outlines مقدمة ورقة البحث إطار SAIL، الذي تم هيكلته في ثلاثة مجالات من محو الأمية في الذكاء الاصطناعي: “مفاهيم الذكاء الاصطناعي”، “تطبيق الذكاء الاصطناعي والمهارات التقنية”، و”المواطنة الرقمية في الذكاء الاصطناعي”. تشمل هذه المجالات ست فئات مصممة لتوفير تكامل متوازن بين المعرفة والمهارات والتفكير النقدي الضروري لمحو الأمية الفعالة في الذكاء الاصطناعي. تم تصميم الإطار لتسهيل التعلم التدريجي، حيث يتم تمثيل كل فئة على مستويات مختلفة، مما يسمح للمتعلمين بتطوير كفاءات متزايدة التعقيد ضمن كل مجال مع تقدمهم. توضح الشكل 2 هذه المجالات والفئات، مع أوصاف موجزة لكل منها.
الطرق
المنهجية المستخدمة في هذه الدراسة هي تقنية دلفي، المعروفة بقدرتها على جمع بيانات غير متحيزة من مجموعة متنوعة من الخبراء بشكل منهجي. يقلل هذا النهج من التحيزات المرتبطة عادةً بالتفاعلات المباشرة، وهو مفيد بشكل خاص في السياقات التعليمية، خاصة لتطوير المناهج الدراسية (Green، 2014). أظهرت مراجعة الأدبيات الحالية حول أطر محو الأمية في الذكاء الاصطناعي أن لجان الخبراء يمكن أن تتجنب بشكل فعال عيوب إعادة تدوير المفاهيم من مراجعات الأدبيات أو التركيز بشكل ضيق على سياقات محددة. ومع ذلك، لم تستخدم العديد من الدراسات السابقة طريقة دلفي، مما يجعل من الصعب تحديد التركيبة السكانية وخبرة المجموعات المستشارة أو تنظيم مشاوراتهم.
من بين الدراسات التي تمت مراجعتها، قدمت فقط Laupichler et al. (2023) تفاصيل شاملة بشأن عملية دلفي الخاصة بهم. دمجت دراسات أخرى مشاورات الخبراء في مراحل مختلفة، على الرغم من عدم وجود نهج موحد. على سبيل المثال، أجرت Biagini et al. (2024) مقابلات مفتوحة مع خمسة متخصصين في الذكاء الاصطناعي والتقييم التعليمي لتطوير استبيان لمحو الأمية في الذكاء الاصطناعي، بينما أجرت Tenório وRomeike (2023) مقابلات مع 17 محترفًا، معظمهم أكاديميون، لديهم أدوار مرتبطة بالذكاء الاصطناعي. بالإضافة إلى ذلك، استشارت Miao وCukurova (2024) مجموعة من خمسة خبراء دوليين، وأقرت منشورًا لليونسكو من قبل Miao وShiohira (2024) اثني عشر خبيرًا شاركوا في عملية مراجعة الأقران. علاوة على ذلك، شكل Touretzky et al. (2023) مجموعة عمل تضم 16 معلمًا و9 خبراء آخرين، مدعومة بمجلس استشاري يتكون من ما يصل إلى 12 عضوًا.
النتائج
ت outlines قسم النتائج النتائج المستخلصة من ثلاث جولات من دراسة دلفي تهدف إلى تطوير إطار لمحو الأمية في الذكاء الاصطناعي. في الجولة الأولى، تم تحليل ردود الخبراء موضوعيًا، مما كشف عن مواضيع رئيسية عبر ثلاثة مجالات تركيز: المعرفة والمهارات والفهم. شملت موضوع المعرفة مفاهيم وتطبيقات الذكاء الاصطناعي، بينما تم تصنيف المهارات على أنها مهارات تقنية. شمل الفهم اعتبارات أخلاقية وضرورة الوعي النقدي والتفكير عبر التخصصات بشأن الذكاء الاصطناعي. قام الباحثون بتنقيح هذه المواضيع من خلال إزالة التكرارات وإعداد مسودة إطار للجولة الثانية.
خلال الجولة الثانية، راجع الخبراء وقيّموا بيانات الكفاءة المقترحة، مقدّمين ملاحظات حول ملاءمتها وملاءمتها عبر أربعة مستويات من محو الأمية في الذكاء الاصطناعي. أدت التحليلات إلى تبرير العناصر بناءً على تصنيفاتها، مع اتخاذ قرارات بشأن إدراج أو استبعاد كفاءات معينة. من الجدير بالذكر أنه تم تمييز المهارات الرقمية العامة عن المهارات المحددة للذكاء الاصطناعي، مما أدى إلى إزالة عناصر مثل مهارات البرمجة من الإطار. أكدت الجولة الثالثة ملاءمة هيكل الإطار، مع اقتراح تعديلات طفيفة من قبل اللجنة. في النهاية، أشارت الملاحظات إلى الاستعداد لنشر الإطار والتحقق من صحته على نطاق أوسع.
المناقشة
يؤكد قسم المناقشة في ورقة البحث على الحاجة الملحة لمحو الأمية في الذكاء الاصطناعي مع تزايد تكامل تقنيات الذكاء الاصطناعي في مختلف جوانب المجتمع. يجادل بأن فهم الذكاء الاصطناعي لم يعد مهارة متخصصة بل كفاءة أساسية ضرورية لجميع المتعلمين. يتطلب هذا التحول نهجًا شاملاً لمحو الأمية في الذكاء الاصطناعي يشمل ليس فقط المعرفة التقنية ولكن أيضًا الاعتبارات الأخلاقية، والتحيزات المحتملة، والتداعيات الاجتماعية والثقافية لتقنيات الذكاء الاصطناعي. يبرز المؤلفون أهمية الوصول العادل إلى تعليم محو الأمية في الذكاء الاصطناعي لمنع تفاقم الفجوات الرقمية الحالية وتمكين المتعلمين من التفاعل بشكل ذي مغزى مع أنظمة الذكاء الاصطناعي.
تحدد الورقة أيضًا التعريفات المتطورة لمحو الأمية في الذكاء الاصطناعي، التي ظهرت منذ عام 2016، وتعكس مجموعة متنوعة من وجهات النظر. تؤكد هذه التعريفات على الطبيعة متعددة التخصصات لمحو الأمية في الذكاء الاصطناعي، والتي تشمل التعرف على قدرات الذكاء الاصطناعي، وفهم كيفية عمله، وتقييم تأثيراته الاجتماعية بشكل نقدي. يقترح المؤلفون تعريفًا واسعًا لمحو الأمية في الذكاء الاصطناعي يشمل القدرة على التنقل في تعقيدات تقنيات الذكاء الاصطناعي بشكل مسؤول وأخلاقي. علاوة على ذلك، يناقشون ضرورة تطوير أطر عمل منظمة لمحو الأمية في الذكاء الاصطناعي تسهل التعلم المدعوم، مما يمكّن المعلمين والمتعلمين من بناء كفاءاتهم في الذكاء الاصطناعي بشكل تدريجي عبر مختلف السياقات التعليمية. تعتبر مثل هذه الأطر ضرورية لمعالجة العدالة في التعليم وضمان استفادة جميع المتعلمين من تقدم الذكاء الاصطناعي دون أن يُتركوا خلف الركب.
القيود
تسلط القيود في هذه الدراسة الضوء على عدة جوانب حاسمة بشأن النهج القائم على دلفي المستخدم لجمع مدخلات الخبراء حول قدرات ونقاط ضعف نماذج الذكاء الاصطناعي. بينما يعزز هذا الأسلوب النقاش المفتوح ويستفيد من رؤى الخبراء، فإنه يعاني من تحيزات متأصلة بسبب اختيار المشاركين واختيارهم الذاتي، مما قد يهدد التمثيل. تعقّد الطبيعة الجدلية لتعريف “الخبير” في مجال الذكاء الاصطناعي سريع التطور النتائج، حيث قد لا تعكس وجهات نظر 17 خبيرًا – معظمهم من المعلمين مع تمثيل أقل للمهنيين في الصناعة – احتياجات القطاعات المختلفة بشكل كافٍ. بالإضافة إلى ذلك، يحد نقص التمثيل من السياقات الآسيوية من قابلية تطبيق الدراسة، خاصة بالنظر إلى التركيز الفريد للمنطقة على أساليب التعليم والامتحانات المتعلقة بمحو الأمية في الذكاء الاصطناعي.
علاوة على ذلك، تتطلب عملية دلفي تنازلات في دمج مجموعة واسعة من اقتراحات الخبراء في ملخصات متماسكة للجولات اللاحقة، مما يعرض لخطر فقدان أفكار ونقاط هامة. قد يؤدي هذا التوازن بين الإيجاز والشمولية إلى تبسيط مفرط للكفاءات المتخصصة، مثل المهارات المتقدمة المعتمدة على البيانات أو القضايا الأخلاقية المحددة ثقافيًا. بينما يعتبر التركيز الانتقائي للدراسة على وجهات نظر السكان الأصليين والأهمية التعليمية نقطة قوة، فإن القيود في تنوع لجنة الخبراء وإمكانية تسطيح الرؤى الخاصة بالمجال تشير إلى أن النتائج قد لا تعكس تمامًا تنوع السياقات الدولية في محو الأمية في الذكاء الاصطناعي.
DOI: https://doi.org/10.1016/j.caeai.2026.100584
Publication Date: 2026-03-25
Author(s): Kathryn MacCallum et al.
Primary Topic: Digital literacy in education
Overview
The research paper presents the Scaffolded AI Literacy (SAIL) framework, developed through a Delphi study to address the need for a comprehensive and equitable approach to AI literacy in education. Unlike existing frameworks that often aggregate previous literature or focus on specific contexts, the SAIL framework offers a broadly applicable structure that supports scaffolded competency development across all educational levels. It emphasizes a coherent progression through various competency levels, from “Understand and Explore AI” to “Transform and Develop AI (Beyond AI Literacy),” thereby integrating cognitive, applied, and ethical dimensions of AI literacy.
The SAIL framework distinguishes itself by incorporating Indigenous perspectives, ensuring that considerations of Indigenous knowledge, values, and equity are embedded within the broader consensus on AI literacy. This inclusion positions the framework as a unique model that acknowledges the cultural implications of AI while aiming to democratize access to AI education. By providing educators with a practical tool that encompasses essential concepts such as machine learning, data privacy, and algorithmic bias, the SAIL framework seeks to empower diverse learners to engage with AI responsibly and effectively, ultimately preparing them for a future where AI is integral to personal, professional, and societal contexts.
Introduction
The introduction of the research paper outlines the SAIL framework, which is structured into three domains of AI literacy: “AI Concepts,” “Application of AI and Technical Skills,” and “AI Digital Citizenship.” These domains encompass six categories designed to provide a balanced integration of knowledge, skills, and critical thinking necessary for effective AI literacy. The framework is designed to facilitate progressive learning, where each category is represented at various levels, allowing learners to develop increasingly sophisticated competencies within each domain as they advance. Figure 2 illustrates these domains and categories, along with concise descriptions of each.
Methods
The methodology employed in this study is the Delphi technique, recognized for its capacity to systematically collect unbiased data from a diverse array of experts. This approach minimizes biases typically associated with face-to-face interactions and is particularly advantageous in educational contexts, especially for curriculum development (Green, 2014). A review of existing literature on AI literacy frameworks indicated that expert panels can effectively circumvent the pitfalls of merely recycling concepts from literature reviews or focusing narrowly on specific contexts. However, many previous studies did not utilize the Delphi method, making it challenging to ascertain the demographics and expertise of the consulted groups or the organization of their consultations.
Among the studies reviewed, only Laupichler et al. (2023) provided comprehensive details regarding their Delphi process. Other studies incorporated expert consultations at various stages, albeit without a standardized approach. For instance, Biagini et al. (2024) conducted open-ended interviews with five AI and educational assessment specialists to develop an AI literacy questionnaire, while Tenório and Romeike (2023) interviewed 17 professionals, primarily academics, with AI-related roles. Additionally, Miao and Cukurova (2024) consulted a group of five international experts, and a UNESCO publication by Miao and Shiohira (2024) acknowledged twelve experts involved in the peer review process. Furthermore, Touretzky et al. (2023) formed a working group comprising 16 teachers and 9 other experts, supplemented by an advisory board of up to 12 members.
Results
The results section outlines the findings from three rounds of a Delphi study aimed at developing a framework for AI literacy. In the first round, expert responses were thematically analyzed, revealing key themes across three focus areas: knowledge, skills, and understanding. The knowledge theme encompassed concepts and applications of AI, while skills were categorized as technical skills. Understanding included ethical considerations and the necessity for critical awareness and transdisciplinary thinking regarding AI. The researchers refined these themes by removing duplicates and preparing a draft framework for the second round.
During the second round, experts reviewed and ranked the proposed competency statements, providing feedback on their relevance and appropriateness across four levels of AI literacy. The analysis led to the rationalization of items based on their rankings, with decisions made regarding the inclusion or exclusion of specific competencies. Notably, general digital skills were distinguished from AI-specific skills, leading to the removal of items like coding skills from the framework. The third round confirmed the appropriateness of the framework’s structure, with minor edits suggested by the panel. Ultimately, the feedback indicated readiness for broader dissemination and validation of the framework.
Discussion
The discussion section of the research paper emphasizes the critical need for AI literacy as artificial intelligence technologies become increasingly integrated into various aspects of society. It argues that understanding AI is no longer a niche skill but a fundamental competency necessary for all learners. This shift calls for a comprehensive approach to AI literacy that encompasses not only technical knowledge but also ethical considerations, potential biases, and the socio-cultural implications of AI technologies. The authors highlight the importance of equitable access to AI literacy education to prevent exacerbating existing digital divides and to empower learners to engage meaningfully with AI systems.
The paper also delineates the evolving definitions of AI literacy, which have emerged since 2016, reflecting a diverse range of perspectives. These definitions underscore the interdisciplinary nature of AI literacy, which includes recognizing AI capabilities, understanding its workings, and critically evaluating its societal impacts. The authors propose a broad definition of AI literacy that encompasses the ability to navigate the complexities of AI technologies responsibly and ethically. Furthermore, they discuss the necessity of developing structured AI literacy frameworks that facilitate scaffolded learning, enabling educators and learners to progressively build their competencies in AI across various educational contexts. Such frameworks are essential for addressing equity in education and ensuring that all learners can benefit from AI advancements without being left behind.
Limitations
The limitations of this study highlight several critical aspects regarding the Delphi-based approach employed to gather expert input on AI model capabilities and limitations. While the method promotes open debate and leverages expert insights, it suffers from inherent biases due to the selection and self-selection of participants, which may compromise representativeness. The contentious nature of defining an “expert” in the rapidly evolving field of AI further complicates the findings, as the perspectives of the 17 experts—predominantly educators with a lower representation of industry professionals—may not adequately reflect the diverse needs of various sectors. Additionally, the lack of representation from Asian contexts limits the study’s applicability, particularly given the region’s unique focus on teaching and examination-oriented approaches to AI literacy.
Moreover, the Delphi process necessitates compromises in synthesizing a wide range of expert suggestions into coherent summaries for subsequent rounds, which risks the loss of important ideas and nuances. This balancing act between conciseness and comprehensiveness may lead to the oversimplification of specialized competencies, such as advanced data-intensive skills or culturally specific ethical concerns. While the study’s selective focus on Indigenous perspectives and educational relevance is a strength, the limitations in the expert panel’s diversity and the potential flattening of domain-specific insights suggest that the findings may not fully capture the heterogeneity of international contexts in AI literacy.