DOI: https://doi.org/10.1007/s10648-025-10113-4
تاريخ النشر: 2026-01-13
المؤلف: Joni Lämsä وآخرون
الموضوع الرئيسي: طرق التدريس والتعلم المبتكرة
نظرة عامة
تركز هذه القضية الخاصة على التقدم في قياس ودعم التعلم الذاتي التنظيم (SRL)، مع تسليط الضوء على دور البيانات متعددة الأنماط والذكاء الاصطناعي (AI) في البيئات التعليمية. يتميز SRL كعملية موجهة نحو الهدف حيث يشارك المتعلمون في التخطيط والمراقبة والتحكم في تعلمهم، متأثرين بتفاعل الإدراك والعاطفة والميتا إدراك والدافع (CAMM). غالبًا ما تفشل طرق علم النفس التعليمي التقليدية، مثل التقارير الذاتية والمقابلات، في التقاط الطبيعة الديناميكية لـ SRL بشكل كافٍ. وقد انتقل البحث الحديث نحو البيانات متعددة الأنماط والنهج الموجهة نحو العمليات لفهم التفاعلات المعقدة بين عمليات CAMM بشكل أفضل.
يتم استخدام إطار التعلم الذاتي التنظيم، والبيانات متعددة الأنماط، وشبكة التحليل (SMA) لرسم وتحليل هذه التفاعلات عبر تدفقات البيانات المختلفة. تتكون القضية من ثلاث أوراق مراجعة ودراستين تجريبيتين توضح كل من المزايا والتحديات في دمج مصادر البيانات المتعددة وتقنيات التحليل. تؤكد على ضرورة وجود مقاييس موثوقة وصحيحة لتسهيل الدعم الشخصي لـ SRL. بشكل جماعي، تقدم المساهمات وجهة نظر متعددة التخصصات حول المشهد الحالي والاتجاهات المستقبلية لبحث SRL، داعية إلى منهجيات مبتكرة مدفوعة بالنظرية تستفيد من التقدم التكنولوجي لتمكين المتعلمين في البيئات الرقمية.
مقدمة
تناقش مقدمة ورقة البحث التعلم الذاتي التنظيم (SRL) كعملية موجهة نحو الهدف حيث يخطط المتعلمون بنشاط، ويراقبون، ويتحكمون في تجارب تعلمهم. تؤكد على أنه بينما توفر الطرق التقليدية مثل التقارير الذاتية رؤى قيمة حول ميول المتعلمين، فإنها تفشل في التقاط الطبيعة الديناميكية والتكرارية لـ SRL. وبالتالي، هناك اهتمام متزايد في النهج الموجهة نحو العمليات التي تدمج العوامل الإدراكية والعاطفية والميتا إدراكية والدافعية (CAMM). يبرز المؤلفون إمكانية تحليلات التعلم (LA) والذكاء الاصطناعي (AI) لتعزيز قياس SRL من خلال البيانات متعددة الأنماط، مما يؤدي إلى دعم شخصي أكثر فعالية للمتعلمين.
تقدم المقدمة أيضًا شبكة التعلم الذاتي التنظيم، والبيانات متعددة الأنماط، وشبكة التحليل (SMA grid) كإطار لتنظيم البحث الحالي حول قياس SRL. تشير إلى أنه بينما تقدم التقدمات في AI، وخاصة AI التوليدي، فرصًا جديدة لدعم SRL، هناك مخاطر مرتبطة بتحميل المتعلمين لعملياتهم الميتا إدراكية إلى AI، مما قد يقوض وكالتهم. يدعو المؤلفون إلى فهم متبادل لتفاعلات الإنسان وAI، حيث يتكيف AI مع احتياجات المتعلمين بينما يشارك المتعلمون بنشاط في التنظيم الذاتي. تهدف القضية الخاصة إلى استكشاف هذه التقاطعات بين SRL وLA وAI، مقدمةً كل من الدراسات المراجعة والتجريبية التي تساهم في فهم ودعم عمليات SRL من خلال إطار شبكة SMA.
نقاش
تسلط قسم النقاش في القضية الخاصة الضوء على المساهمات الكبيرة في مجال التعلم الذاتي التنظيم (SRL) من خلال المراجعات المنهجية والدراسات التجريبية. قام دي مويج وآخرون (2025) برسم الدراسات على شبكة SMA، كاشفين أنه بينما هناك استخدام متكامل للبيانات متعددة الأنماط لتحليل عمليات CAMM (الإدراك، العاطفة، الدافع، والميتا إدراك)، تظل الأبعاد الدافعية والعاطفية غير ممثلة بشكل كافٍ. لاحظوا أن الدراسات غالبًا ما تحلل تدفقات البيانات بشكل تسلسلي بدلاً من التقاط علاقاتها الديناميكية، مما يشير إلى الحاجة إلى تحسين توافق الزمن في الأبحاث المستقبلية. قام تورمانين وآخرون (2025) بتوسيع شبكة SMA من خلال فحص الدافع الأكاديمي السياقي عبر 80 دراسة، محددين تحولًا من مقاييس ثابتة إلى مقاييس ديناميكية للدافع، مع التأكيد على هيمنة طرق التقرير الذاتي على الأساليب الأكثر دقة وحساسية للوقت.
استكشف بويلر وآخرون (2025) دور تشتت الذهن في SRL، ووجدوا أنه يمكن أن يسهل وينظم التعلم، على الرغم من أن العمليات الإدراكية والميتا إدراكية كانت أكثر دراسة من العاطفية. تشير مراجعتهم إلى أن دمج تدفقات البيانات المختلفة يمكن أن يعزز فهم تأثير تشتت الذهن على التعلم. أظهرت الدراسات التجريبية التي أجراها كوبش وآخرون (2025) ومورينو وآخرون (2025) إمكانية الذكاء الاصطناعي وتعلم الآلة في التنبؤ بنتائج التعلم والاستجابات الفسيولوجية في السياقات التعليمية. طور كوبش وآخرون نظام إنذار مبكر قائم على الذكاء الاصطناعي الذي أبرز الأهمية المتغيرة لأبعاد CAM بمرور الوقت، بينما فحص مورينو وآخرون كيف تتنبأ سلوكيات SRL بالاستجابات الفسيولوجية خلال المحاكاة الطبية. بشكل جماعي، تشير هذه المساهمات إلى نضوج في بحث SRL، متجهة نحو نماذج تنبؤية ودمج AI لدعم عمليات التعلم عبر سياقات متنوعة.
DOI: https://doi.org/10.1007/s10648-025-10113-4
Publication Date: 2026-01-13
Author(s): Joni Lämsä et al.
Primary Topic: Innovative Teaching and Learning Methods
Overview
This special issue focuses on advancements in measuring and supporting self-regulated learning (SRL), highlighting the role of multimodal data and artificial intelligence (AI) in educational settings. SRL is characterized as a goal-directed process where learners engage in planning, monitoring, and controlling their learning, influenced by the interplay of cognition, affect, metacognition, and motivation (CAMM). Traditional educational psychology methods, such as self-reports and interviews, often inadequately capture the dynamic nature of SRL. Recent research has shifted towards multimodal data and process-oriented approaches to better understand the complex interactions among CAMM processes.
The framework of the self-regulated learning, multimodal data, and analysis grid (SMA) is utilized to map and analyze these interactions across various data streams. The issue comprises three review papers and two empirical studies that demonstrate both the advantages and challenges of integrating multiple data sources and analytical techniques. It underscores the necessity for reliable and valid measures to facilitate personalized support for SRL. Collectively, the contributions offer a multidisciplinary perspective on the current landscape and future directions of SRL research, advocating for innovative, theory-driven methodologies that harness technological advancements to empower learners in digital environments.
Introduction
The introduction of the research paper discusses self-regulated learning (SRL) as a goal-oriented process where learners actively plan, monitor, and control their learning experiences. It emphasizes that while traditional methods such as self-reports provide valuable insights into learners’ dispositions, they fail to capture the dynamic and recursive nature of SRL. Consequently, there is a growing interest in process-oriented approaches that integrate cognitive, affective, metacognitive, and motivational (CAMM) factors. The authors highlight the potential of learning analytics (LA) and artificial intelligence (AI) to enhance the measurement of SRL through multimodal data, leading to more effective personalized support for learners.
The introduction also introduces the self-regulated learning, multimodal data, and analysis grid (SMA grid) as a framework for organizing current research on SRL measurement. It notes that while advancements in AI, particularly generative AI, offer new opportunities for supporting SRL, there are risks associated with learners offloading their metacognitive processes to AI, which may undermine their agency. The authors advocate for a reciprocal understanding of human-AI interactions, where AI adapts to learners’ needs while learners actively engage in self-regulation. The special issue aims to explore these intersections of SRL, LA, and AI, presenting both review and empirical studies that contribute to understanding and supporting SRL processes through the SMA grid framework.
Discussion
The discussion section of the special issue highlights significant contributions to the field of Self-Regulated Learning (SRL) through systematic reviews and empirical studies. De Mooij et al. (2025) mapped studies onto the SMA grid, revealing that while there is an integrated use of multimodal data to analyze CAMM (Cognition, Affect, Motivation, and Metacognition) processes, motivational and affective dimensions remain underrepresented. They noted that studies often analyze data streams sequentially rather than capturing their dynamic relationships, suggesting a need for improved alignment of temporality in future research. Törmänen et al. (2025) further expanded the SMA grid by examining situational academic motivation across 80 studies, identifying a shift from static to dynamic measures of motivation, yet emphasizing the predominance of self-report methods over more nuanced, time-sensitive approaches.
Bühler et al. (2025) explored mind wandering’s role in SRL, finding that it can both facilitate and regulate learning, although cognitive and metacognitive processes were more frequently studied than affective ones. Their review suggests that integrating various data streams could enhance understanding of mind wandering’s impact on learning. Empirical studies by Kubsch et al. (2025) and Moreno et al. (2025) demonstrated the potential of AI and machine learning in predicting learning outcomes and physiological responses in educational contexts. Kubsch et al. developed an AI-based early warning system that highlighted the varying importance of CAM dimensions over time, while Moreno et al. examined how SRL behaviors predict physiological responses during medical simulations. Collectively, these contributions indicate a maturation in SRL research, moving towards predictive models and the integration of AI to support learning processes across diverse contexts.