DOI: https://doi.org/10.1038/s41598-025-06930-w
PMID: https://pubmed.ncbi.nlm.nih.gov/40691450
تاريخ النشر: 2025-07-21
المؤلف: Lei Fan وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في الرعاية الصحية والتعليم
نظرة عامة
تدرس هذه الدراسة استخدام الذكاء الاصطناعي التوليدي (AI) بين 148 طالب هندسة في الصين، مع التركيز على تأثيره على تجارب التعلم والفرص والتحديات المرتبطة بالتعليم الهندسي. تبرز الأبحاث أربعة مجالات رئيسية: تكرار وسياقات استخدام الذكاء الاصطناعي، تأثيراته على التعلم والأداء، التحديات التي يواجهها الطلاب، وآفاق المستقبل لدمج الذكاء الاصطناعي في التعليم. تشير النتائج إلى أن أكثر من نصف المشاركين أفادوا بتحسين كفاءة التعلم، والإبداع، والتفكير المستقل بفضل الذكاء الاصطناعي التوليدي، على الرغم من أن العديد منهم شعروا أن أدائهم الأكاديمي لم يتغير. تم إثارة المخاوف بشأن دقة مخرجات الذكاء الاصطناعي وخطر الاعتماد المفرط على هذه الأدوات.
تؤكد الخاتمة على التأثير الإيجابي للذكاء الاصطناعي التوليدي على الإنتاجية، حيث أشار 88.52% من المستجيبين إلى تحسين الكفاءة و64.19% شهدوا زيادة في المبادرة. ومع ذلك، كانت التحديات مثل عدم الدقة (62.16%)، الاعتماد المفرط (39.86%)، ومشاكل الاستخدام (20.27%) كبيرة. كما تم تسليط الضوء على المخاوف الأخلاقية وملاءمة الذكاء الاصطناعي للمهام الهندسية المتخصصة. بينما هناك تفاؤل بشأن مستقبل الذكاء الاصطناعي التوليدي في التعليم، مع دعم الأغلبية لدمجه، يدعو العديد من الطلاب إلى وضع إرشادات واضحة وسياسات مخصصة. تدعو الدراسة المؤسسات التعليمية إلى تطوير برامج تدريب شاملة واستراتيجيات دمج تعالج الأبعاد التقنية والأخلاقية للذكاء الاصطناعي التوليدي في التعليم الهندسي.
الطرق
توضح قسم المنهجية النهج المنهجي المستخدم في البحث للتحقيق في الفرضيات المحددة. استخدمت الدراسة مزيجًا من الطرق الكمية والنوعية، بما في ذلك التحليل الإحصائي ودراسات الحالة، لضمان فهم شامل للظواهر قيد التحقيق. شملت جمع البيانات استبيانات وتجارب، مع اختيار المشاركين من خلال أخذ عينات طبقية لتعزيز التمثيل.
تم تطبيق أدوات إحصائية، مثل تحليل الانحدار وANOVA، لتحليل البيانات العددية، بينما تم استخدام التحليل الموضوعي للبيانات النوعية المستمدة من المقابلات. سمح دمج هذه الطرق بالتثليث، مما عزز من صحة النتائج. كما تم تناول الاعتبارات الأخلاقية، مما يضمن الحصول على موافقة مستنيرة وسرية لجميع المشاركين في الدراسة.
المناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على الدور التحويلي للذكاء الاصطناعي التوليدي في مختلف القطاعات، وخاصة في التعليم، حيث يعزز تجارب التعلم الشخصية ويدعم تطوير المهارات النقدية بين الطلاب. لقد مكن دمج تقنيات الذكاء الاصطناعي، مثل بنية المحول، من إنشاء أشكال محتوى متنوعة تلقائيًا، مما يسهل التغذية الراجعة في الوقت الحقيقي وبيئات التعلم التكيفية. تظهر الدراسات المذكورة في القسم أن أدوات الذكاء الاصطناعي التوليدي، مثل ChatGPT، تحسن بشكل كبير من كفاءة التعلم والانخراط بين طلاب الهندسة، على الرغم من أن فعاليتها يمكن أن تتأثر بالتجربة السابقة وتصميم التعليم.
تناقش الورقة أيضًا التحديات التي يواجهها الطلاب في استخدام الذكاء الاصطناعي التوليدي، بما في ذلك المخاوف بشأن دقة المحتوى الذي ينتجه الذكاء الاصطناعي، وخطر الاعتماد المفرط على هذه الأدوات، ومشاكل الاستخدام. أفاد جزء كبير من المستجيبين بأنهم واجهوا عدم دقة، مما أضعف ثقتهم في مخرجات الذكاء الاصطناعي، خاصة في المهام المعقدة. علاوة على ذلك، بينما اعترف العديد من الطلاب بتحسينات في المبادرة التعليمية والتفكير المستقل، كانت هناك مخاوف من أن الاعتماد المفرط على الذكاء الاصطناعي قد يقلل من مهارات التفكير النقدي. تؤكد النتائج على ضرورة أن يقوم المعلمون بوضع إرشادات واضحة لاستخدام الذكاء الاصطناعي، مما يضمن أن تكون هذه الأدوات مساعدات بدلاً من عكازات، وتبرز أهمية البحث المستمر في فعالية وآثار الذكاء الاصطناعي التوليدي في السياقات التعليمية.
القيود
تسلط قيود هذه الدراسة الضوء على عدة مجالات حاسمة للبحث المستقبلي بشأن دمج الذكاء الاصطناعي التوليدي في التعليم الهندسي. بشكل أساسي، قد يؤدي الاعتماد على البيانات المبلغ عنها ذاتيًا إلى إدخال تحيزات، حيث يمكن أن يبالغ الطلاب في تقدير نتائج تعلمهم أو يمثلوا استخدامهم لأدوات الذكاء الاصطناعي بشكل غير دقيق. يمكن أن تقلل هذه الفجوة بين التعلم المدرك والفعلي من الدافع والانخراط، مما يشير إلى أن الدراسات المستقبلية يجب أن تتضمن مصادر بيانات متنوعة للتحقق المتبادل، مثل التقييمات الموضوعية (مثل درجات الاختبارات)، وتقييمات من المعلمين، وسجلات استخدام المنصة.
علاوة على ذلك، لا تتناول الدراسة التأثيرات طويلة الأمد للذكاء الاصطناعي التوليدي على الأداء الأكاديمي للطلاب وتطوير المهارات. نظرًا لأن اعتماد تقنيات الذكاء الاصطناعي في التعليم هو عملية تدريجية، فإن البحث الطولي ضروري لالتقاط تأثيرها المتطور على مسارات التعلم واستعدادهم المهني. بالإضافة إلى ذلك، قد لا تمثل العينة بشكل كامل الخلفيات المتنوعة لطلاب الهندسة، وخاصة أولئك من المؤسسات ذات الموارد المحدودة. يجب أن تأخذ التحقيقات المستقبلية في الاعتبار الفروق الإقليمية والتخصصية في استخدام الذكاء الاصطناعي، فضلاً عن الآثار الأخلاقية المحيطة بدمج الذكاء الاصطناعي. يمكن أن يعزز استخدام أخذ عينات عشوائية طبقية والنهج المختلطة من قوة وعمومية النتائج، مما يوفر في النهاية فهمًا أكثر دقة لدور الذكاء الاصطناعي التوليدي في تشكيل التعليم الهندسي.
DOI: https://doi.org/10.1038/s41598-025-06930-w
PMID: https://pubmed.ncbi.nlm.nih.gov/40691450
Publication Date: 2025-07-21
Author(s): Lei Fan et al.
Primary Topic: Artificial Intelligence in Healthcare and Education
Overview
This study investigates the use of generative artificial intelligence (AI) among 148 engineering students in China, focusing on its impact on learning experiences and the associated opportunities and challenges in engineering education. The research highlights four primary areas: the frequency and contexts of AI usage, its effects on learning and performance, challenges faced by students, and future prospects for AI integration in education. Findings indicate that over half of the participants reported enhanced learning efficiency, creativity, and independent thinking due to generative AI, although many felt their academic performance remained unchanged. Concerns were raised regarding the accuracy of AI outputs and the risk of over-reliance on these tools.
The conclusion emphasizes the positive influence of generative AI on productivity, with 88.52% of respondents noting improved efficiency and 64.19% experiencing increased initiative. However, challenges such as inaccuracy (62.16%), over-reliance (39.86%), and usability issues (20.27%) were significant. Ethical concerns and the suitability of AI for specialized engineering tasks were also highlighted. While there is optimism about the future of generative AI in education, with a majority supporting its integration, many students advocate for clear guidelines and tailored policies. The study calls for educational institutions to develop comprehensive training programs and integration strategies that address both the technical and ethical dimensions of generative AI in engineering education.
Methods
The methodology section outlines the systematic approach employed in the research to investigate the specified hypotheses. The study utilized a combination of quantitative and qualitative methods, including statistical analysis and case studies, to ensure a comprehensive understanding of the phenomena under investigation. Data collection involved surveys and experiments, with participants selected through stratified sampling to enhance representativeness.
Statistical tools, such as regression analysis and ANOVA, were applied to analyze the numerical data, while thematic analysis was employed for qualitative data derived from interviews. The integration of these methods allowed for triangulation, thereby strengthening the validity of the findings. Ethical considerations were also addressed, ensuring informed consent and confidentiality for all participants involved in the study.
Discussion
The discussion section of the research paper highlights the transformative role of generative AI in various sectors, particularly in education, where it enhances personalized learning experiences and supports critical skills development among students. The integration of AI technologies, such as the Transformer architecture, has enabled the automatic generation of diverse content forms, facilitating real-time feedback and adaptive learning environments. Studies cited within the section demonstrate that generative AI tools, like ChatGPT, significantly improve learning efficiency and engagement among engineering students, although their effectiveness can be influenced by prior experience and instructional design.
The paper also addresses the challenges faced by students in utilizing generative AI, including concerns about the accuracy of AI-generated content, the risk of over-reliance on these tools, and usability issues. A significant portion of respondents reported encountering inaccuracies, which undermined their confidence in AI outputs, particularly in complex tasks. Furthermore, while many students acknowledged improvements in learning initiative and independent thinking, there were concerns that excessive dependence on AI could diminish critical thinking skills. The findings underscore the necessity for educators to establish clear guidelines for AI use, ensuring that these tools serve as aids rather than crutches, and highlight the importance of ongoing research into the effectiveness and ethical implications of generative AI in educational contexts.
Limitations
The limitations of this study highlight several critical areas for future research regarding the integration of generative AI in engineering education. Primarily, the reliance on self-reported data may introduce biases, as students could either overestimate their learning outcomes or misrepresent their use of AI tools. This discrepancy between perceived and actual learning can diminish motivation and engagement, suggesting that future studies should incorporate diverse data sources for cross-validation, such as objective assessments (e.g., test scores), evaluations from educators, and platform usage logs.
Moreover, the study does not address the long-term impacts of generative AI on students’ academic performance and skill development. Given that the adoption of AI technologies in education is a gradual process, longitudinal research is essential to capture their evolving influence on learning trajectories and career readiness. Additionally, the sample may not fully represent the diverse backgrounds of engineering students, particularly those from institutions with limited resources. Future investigations should consider regional and disciplinary differences in AI usage, as well as the ethical implications surrounding AI integration. Employing stratified random sampling and mixed-method approaches could enhance the robustness and generalizability of findings, ultimately providing a more nuanced understanding of generative AI’s role in shaping engineering education.