DOI: https://doi.org/10.3389/feduc.2025.1683909
تاريخ النشر: 2026-01-13
المؤلف: Miroslava Nadkova Petrova
الموضوع الرئيسي: الذكاء الاصطناعي في الرعاية الصحية والتعليم
نظرة عامة
تتناول هذه الدراسة الاستكشافية دمج كفاءات الذكاء الاصطناعي (AI) في التعليم العالي، مع التأكيد على الحاجة إلى تطوير استراتيجي استجابةً للتأثير التحويلي للذكاء الاصطناعي على الصناعات والأدوار المهنية. باستخدام منهجية دلفي المعتمدة على نموذج لغة كبير (LLM)، تحدد الأبحاث الكفاءات الأساسية للذكاء الاصطناعي، وتفحص الحواجز أمام الدمج، وتضع استراتيجيات قابلة للتنفيذ لتطوير الكفاءات. تشمل المخرجات الرئيسية إطار توافق يحدد معايير محو الأمية العالمية في الذكاء الاصطناعي، ونماذج للتعليم التعاوني بين الإنسان والذكاء الاصطناعي، وبروتوكولات تنفيذ تركز على العدالة، وإرشادات أخلاقية لاعتماد الذكاء الاصطناعي بشكل مسؤول. بالإضافة إلى ذلك، يتم توفير مجموعة أدوات مع إرشادات عملية لتفعيل هذه النتائج، تستهدف مصممي المناهج، وقادة المؤسسات، والباحثين.
تسلط الخاتمة الضوء على الإمكانات التحويلية للذكاء الاصطناعي في التعليم، مما يعزز إنتاجية المعلمين ويغني تجارب تعلم الطلاب. تظهر الدراسة أن الحوارات التكرارية مع نماذج اللغة الكبيرة يمكن أن تولد فرضيات بشكل فعال تدمج رؤى الذكاء الاصطناعي مع الخبرة البشرية. تشير النتائج المشتركة إلى مسارات لتحويل المناهج وتكييف أساليب التعليم مع الذكاء الاصطناعي، بينما تقترح أيضًا نموذجًا أوليًا لإعادة التفكير في منهجيات البحث التعليمي. تدعم التعليقات الأولية من لجنة خبراء متنوعة جدوى الإطار وملاءمته، مما يشير إلى أن تطوير كفاءات الذكاء الاصطناعي يجب أن يتم دمجه في نماذج التعلم الأساسية بدلاً من اعتباره موضوعًا منفصلًا. يجب أن تركز الأبحاث المستقبلية على تنفيذات تجريبية لمجموعة الأدوات والدراسات الطولية لتقييم تأثير الذكاء الاصطناعي على نتائج التعلم والعدالة التعليمية، فضلاً عن الدور المتطور للمعلمين في البيئات المعززة بالذكاء الاصطناعي.
مقدمة
تؤكد مقدمة ورقة البحث على الدور التحويلي للذكاء الاصطناعي (AI) في تشكيل مشاهد التعليم المستقبلية، على غرار التأثيرات التاريخية للكهرباء والإنترنت. مع تزايد دمج الذكاء الاصطناعي في مختلف القطاعات، يتطلب ذلك تحولًا في المهارات المطلوبة للقوى العاملة، مع التركيز بشكل خاص على محو الأمية وكفاءة الذكاء الاصطناعي. يبرز تقرير مستقبل الوظائف أنه بحلول عام 2023، سيكون الذكاء الاصطناعي والبيانات الضخمة من بين أسرع المهارات نموًا، مما يدفع إلى دفع كبير لتطوير مهارات القوى العاملة. تشير الورقة إلى عمل لونغ وماجيركو (2020) وتشيو وآخرون (2024)، الذين يعرفون محو الأمية وكفاءة الذكاء الاصطناعي على أنهما ضروريان للأفراد للتفاعل النقدي مع تقنيات الذكاء الاصطناعي، والتواصل بفعالية، وتطبيق معرفتهم بشكل أخلاقي.
تسرد مبادرات اليونسكو لتطوير كفاءات الذكاء الاصطناعي في التعليم، مع التركيز على أربعة مجالات رئيسية: عقلية متمحورة حول الإنسان، أخلاقيات الذكاء الاصطناعي، تقنيات وتطبيقات الذكاء الاصطناعي، وتصميم أنظمة الذكاء الاصطناعي. يتم هيكلة هذه الكفاءات عبر ثلاثة مستويات من الإتقان – الفهم، التطبيق، والإبداع – بهدف إعداد الطلاب كمستخدمين مسؤولين ومشاركين في إنشاء تقنيات الذكاء الاصطناعي. تناقش الورقة أيضًا الدور المتطور للمعلمين في هذا السياق المدفوع بالذكاء الاصطناعي، مع التأكيد على الحاجة إلى أطر تدعم المعلمين في دمج الذكاء الاصطناعي في ممارساتهم التعليمية مع معالجة المخاوف بشأن الاعتماد المفرط على التكنولوجيا. تختتم المقدمة بتحديد التحديات والفجوات في الممارسات التعليمية الحالية فيما يتعلق بدمج الذكاء الاصطناعي، مقترحة عملية بحث جديدة مدفوعة بنموذج اللغة الكبير لتطوير استراتيجيات قابلة للتنفيذ لتعزيز كفاءة الذكاء الاصطناعي في منهجيات التدريس.
الطرق
في هذه الدراسة الاستكشافية، يستخدم المؤلفون طريقة دلفي المعتمدة على نموذج اللغة الكبير (LLM)، وهي تعديل حديث للتقنية التقليدية لدلفي التي تم تطويرها في الخمسينيات لتحقيق توافق الخبراء من خلال أسئلة تكرارية وتعليقات خاضعة للرقابة. لقد تم استخدام طريقة دلفي على نطاق واسع في السياقات التعليمية لوضع إرشادات، وتوقع الاتجاهات، وتحديد المجالات الحيوية للتطوير. تتكون من أربع مراحل: استكشاف الموضوع، فهم وجهات نظر المجموعة، معالجة الخلافات، وتحليل المعلومات المجمعة. على الرغم من فائدتها المعروفة، تواجه الطريقة انتقادات بشأن تعريف التوافق، ومعايير اختيار الخبراء، والصرامة المنهجية.
تقدم التطورات الأخيرة في نماذج اللغة الكبيرة (LLMs) فرصًا جديدة لتعزيز عملية دلفي. تشير الدراسات إلى أن نماذج اللغة الكبيرة يمكن أن تحاكي التفكير الخبير وتتفوق على الخبراء البشريين في بعض المهام التنبؤية، مما يشير إلى قدرتها على تحويل الممارسات العلمية. يبرز المؤلفون دراستين بارزتين نفذتا نماذج اللغة الكبيرة في أطر دلفي للتنبؤ بالمستقبل، مما يظهر قدرة نماذج اللغة الكبيرة على توليد وجهات نظر خبراء متنوعة وتسهيل التخطيط الاستراتيجي القوي. تقدم طريقة دلفي المعتمدة على نموذج اللغة الكبير مزايا مثل القابلية للتوسع، والتكرار السريع، والقضاء على تعب المشاركين، مما يعالج بعض الانتقادات للطريقة التقليدية بينما يمكّن من استكشاف سيناريوهات واسعة في أنظمة معقدة.
المناقشة
في هذا القسم من ورقة البحث، يوضح المؤلفون المنهجية والنتائج من دراسة دلفي محاكاة باستخدام نموذج اللغة DeepSeek-V3 (LLM) لاستكشاف كفاءات الذكاء الاصطناعي في التعليم العالي. استخدمت الدراسة عملية منظمة وتكرارية عبر أربع جولات، بدأت بتوليد ملفات تعريف الخبراء وأسئلة استكشافية تهدف إلى تحديد المعرفة والمهارات والمواقف الأساسية المتعلقة بالذكاء الاصطناعي للطلاب الجامعيين. قامت نماذج اللغة الكبيرة بمحاكاة ردود من اثني عشر دورًا خبيرًا متنوعًا، مما أدى إلى تحليل موضوعي يبرز التوافق حول كفاءات الذكاء الاصطناعي الأساسية، مثل فهم مفاهيم الذكاء الاصطناعي، والآثار الأخلاقية، والتقييم النقدي لمخرجات الذكاء الاصطناعي. ومع ذلك، ظهرت مجالات ذات توافق أقل بشأن عمق المعرفة التقنية المطلوبة للطلاب غير STEM والتحديات المتعلقة بدمج الذكاء الاصطناعي في الممارسات التعليمية.
قامت الجولات اللاحقة بتنقيح الاستفسار من خلال تحليل موضوعي مدفوع بالبيانات وتطوير استبيان مركز، والذي قيم التوافق حول مواضيع مختلفة باستخدام مقاييس ليكرت. أظهرت النتائج توافقًا قويًا حول ضرورة محو الأمية العالمية في الذكاء الاصطناعي، وتدريب أعضاء هيئة التدريس، وطرق التدريس المبتكرة مثل التعلم القائم على المشكلات المعزز بالذكاء الاصطناعي. تم تحديد مواضيع متنازع عليها، مثل دور أدوات كشف الذكاء الاصطناعي والتوازن بين التوحيد والمرونة التخصصية، لمزيد من الاستكشاف. تلخصت المخرجات النهائية في توصيات قابلة للتنفيذ لدمج الذكاء الاصطناعي في التعليم، مع التأكيد على أهمية الحفاظ على الروابط الإنسانية في التعلم مع الاستفادة من إمكانات الذكاء الاصطناعي لتعزيز الممارسات التعليمية. بشكل عام، تؤكد الدراسة على الحاجة الملحة لاستراتيجيات تكيفية في تعليم الذكاء الاصطناعي لمعالجة كل من الفرص والتحديات التي تطرحها التقنيات الناشئة.
القيود
تقدم الدراسة نهجًا منهجيًا واعدًا باستخدام محاكاة دلفي المعتمدة على نموذج لغة كبير (LLM) لتطوير كفاءات الذكاء الاصطناعي؛ ومع ذلك، فهي تخضع لعدة قيود. أولاً، تعتمد النتائج على حالة تكنولوجيا نموذج اللغة الكبير في وقت الدراسة، مما قد يجعل استراتيجيات التنفيذ غير صالحة مع تطور قدرات الذكاء الاصطناعي. بينما يعد التحقق من الخبراء الناتج نتيجة دائمة، فإن الفرضيات المحددة التي تم إنشاؤها بواسطة الذكاء الاصطناعي وديناميكيات الحوار ليست ثابتة، مما يشير إلى أن هذا العمل يجب أن يُنظر إليه كدراسة حالة أساسية مع ارتباطها يعتمد على التطبيقات المستقبلية للمنهجية على أنظمة الذكاء الاصطناعي الجديدة.
ثانيًا، يعتمد البحث على واجهة ويب قياسية لنموذج اللغة الكبير، مما يقدم عدم حتمية، مما يحد من القدرة على تكرار عملية التفكير الخاصة بنموذج اللغة الكبير عبر جولات دلفي التكرارية. تعيق هذه الافتقار إلى السيطرة على المعلمات إمكانية التكرار الصارم. يُنصح البحث المستقبلي باستخدام واجهات برمجة التطبيقات (APIs) لقفل المعلمات، مما يعزز الشفافية وقابلية التكرار في عملية بناء التوافق. أخيرًا، يفتقر الإطار إلى منظور شامل لحقوق الإنسان، على الرغم من تناوله لقضايا العدالة والاعتبارات الأخلاقية. يجب أن تتماشى التكرارات المستقبلية بشكل صريح مع مبادئ حقوق الإنسان وتدمج آليات لضمان أن اعتماد الذكاء الاصطناعي في التعليم العالي يكون أخلاقيًا وعادلًا اجتماعيًا، مما يبرز ضرورة الإشراف البشري والضمانات الأخلاقية.
DOI: https://doi.org/10.3389/feduc.2025.1683909
Publication Date: 2026-01-13
Author(s): Miroslava Nadkova Petrova
Primary Topic: Artificial Intelligence in Healthcare and Education
Overview
This exploratory study addresses the integration of artificial intelligence (AI) competencies into higher education, emphasizing the need for strategic development in response to AI’s transformative impact on industries and professional roles. Utilizing a large language model (LLM)-based Delphi methodology, the research identifies essential AI competencies, examines barriers to integration, and formulates actionable strategies for competency development. Key outputs include a consensus framework that delineates universal AI literacy standards, models for human-AI collaborative pedagogy, equity-centered implementation protocols, and ethical guidelines for responsible AI adoption. Additionally, a toolkit with practical guidelines is provided to operationalize these findings, targeting curriculum designers, institutional leaders, and researchers.
The conclusion highlights AI’s disruptive potential in education, enhancing teacher productivity and enriching student learning experiences. The study demonstrates that iterative dialogues with LLMs can effectively generate hypotheses that merge AI insights with human expertise. The co-created findings suggest pathways for curricular transformation and pedagogical adaptation to AI, while also proposing a preliminary model for rethinking educational research methodologies. Initial feedback from a diverse expert panel supports the framework’s feasibility and relevance, indicating that AI competency development should be integrated into foundational learning models rather than treated as a separate subject. Future research should focus on pilot implementations of the toolkit and longitudinal studies to evaluate AI’s impact on learning outcomes and educational equity, as well as the evolving role of educators in AI-enhanced environments.
Introduction
The introduction of the research paper emphasizes the transformative role of artificial intelligence (AI) in shaping future educational landscapes, akin to the historical impacts of electricity and the internet. As AI becomes increasingly integrated into various sectors, it necessitates a shift in the skills required for the workforce, with a particular focus on AI literacy and competency. The Future of Jobs report highlights that by 2023, AI and big data will be among the fastest-growing skills, prompting a significant push for workforce upskilling. The paper references the work of Long and Magerko (2020) and Chiu et al. (2024), who define AI literacy and competency as essential for individuals to critically engage with AI technologies, communicate effectively, and apply their knowledge ethically.
UNESCO’s initiatives to develop AI competencies in education are outlined, focusing on four key areas: human-centered mindset, ethics of AI, AI techniques and applications, and AI system design. These competencies are structured across three levels of mastery—understand, apply, and create—aiming to prepare students as responsible users and co-creators of AI technologies. The paper also discusses the evolving role of educators in this AI-driven context, emphasizing the need for frameworks that support teachers in integrating AI into their pedagogical practices while addressing concerns about over-reliance on technology. The introduction concludes by identifying the challenges and gaps in current educational practices regarding AI integration, proposing a novel LLM-driven research process to develop actionable strategies for enhancing AI competency in teaching methodologies.
Methods
In this exploratory research, the authors employ the LLM-based Delphi method, a modern adaptation of the traditional Delphi technique originally developed in the 1950s to achieve expert consensus through iterative questioning and controlled feedback. The Delphi method has been widely utilized in educational contexts to establish guidelines, predict trends, and identify critical areas for development. It consists of four phases: exploration of the subject, understanding group perspectives, addressing disagreements, and analyzing gathered information. Despite its established utility, the method faces criticisms regarding the definition of consensus, criteria for expert selection, and methodological rigor.
Recent advancements in large language models (LLMs) present new opportunities for enhancing the Delphi process. Studies indicate that LLMs can simulate expert reasoning and outperform human experts in certain predictive tasks, suggesting their potential to transform scientific practices. The authors highlight two notable studies that implemented LLMs in Delphi frameworks for future forecasting, demonstrating the ability of LLMs to generate diverse expert perspectives and facilitate robust strategic planning. The LLM-based Delphi method offers advantages such as scalability, rapid iteration, and the elimination of participant fatigue, addressing some critiques of the traditional approach while enabling extensive scenario exploration in complex systems.
Discussion
In this section of the research paper, the authors detail the methodology and findings from a simulated Delphi study utilizing the DeepSeek-V3 language model (LLM) to explore AI competencies in higher education. The study employed a structured, iterative process across four rounds, beginning with the generation of expert profiles and exploratory questions aimed at identifying essential AI-related knowledge, skills, and attitudes for undergraduate students. The LLM simulated responses from twelve diverse expert roles, leading to a thematic analysis that highlighted consensus on foundational AI competencies, such as understanding AI concepts, ethical implications, and critical evaluation of AI outputs. However, areas of lower consensus emerged regarding the depth of technical knowledge required for non-STEM students and the challenges of integrating AI into educational practices.
Subsequent rounds refined the inquiry through a data-driven thematic analysis and the development of a focused questionnaire, which assessed consensus on various themes using Likert scales. The results indicated strong agreement on the necessity of universal AI literacy, faculty training, and innovative teaching methods like AI-enhanced problem-based learning. Disputed themes, such as the role of AI detection tools and the balance between standardization and disciplinary flexibility, were earmarked for further exploration. The final outputs synthesized actionable recommendations for AI integration in education, emphasizing the importance of maintaining human connections in learning while leveraging AI’s potential to enhance educational practices. Overall, the study underscores the critical need for adaptive strategies in AI education to address both opportunities and challenges presented by emerging technologies.
Limitations
The study presents a promising methodological approach using a Large Language Model (LLM)-based Delphi simulation for AI competency development; however, it is subject to several limitations. Firstly, the findings are contingent upon the state of LLM technology at the time of the study, which may render the implementation strategies obsolete as AI capabilities evolve. While the expert validation achieved is a lasting outcome, the specific AI-generated hypotheses and dialogue dynamics are not fixed, indicating that this work should be viewed as a foundational case study with its relevance dependent on future applications of the methodology to new AI systems.
Secondly, the study’s reliance on a standard web interface for the LLM introduces non-determinism, limiting the ability to replicate the LLM’s reasoning process across iterative Delphi rounds. This lack of control over parameters hinders strict reproducibility. Future research is advised to utilize APIs to lock parameters, enhancing transparency and replicability in the consensus-building process. Lastly, the framework lacks a comprehensive human rights perspective, despite addressing equity and ethical considerations. Future iterations should explicitly align with human rights principles and incorporate mechanisms to ensure that AI adoption in higher education is both ethically sound and socially just, emphasizing the necessity of human oversight and ethical safeguards.