DOI: https://doi.org/10.30935/cedtech/16108
تاريخ النشر: 2025-03-10
المؤلف: Klarisa I. Vorobyeva وآخرون
الموضوع الرئيسي: التعلم عبر الإنترنت والتحليلات
نظرة عامة
تقدم هذه القسم مراجعة منهجية لأنظمة التعلم الشخصي المدعومة بالذكاء الاصطناعي (AI)، مع التركيز على الأساليب التربوية والتحديات في التنفيذ. التحليل، المستند إلى فحص دقيق لـ 30 منشورًا مأخوذًا من قواعد بيانات Web of Science و Scopus، يبرز الاستخدام السائد لأدوات مثل ChatGPT وتقنيات التعلم الآلي، لا سيما في سياقات التعليم العام وتعلم اللغات. تشير النتائج إلى أن الأدوار التعليمية للذكاء الاصطناعي تُعرف أساسًا من خلال أنظمة التغذية الراجعة الآلية وتوزيع المحتوى التكيفي، والتي تدعمها استراتيجيات التعلم الشخصي التي تعطي الأولوية لخصائص الطلاب وتوقعاتهم.
تحدد الدراسة تحديات كبيرة في ثلاثة مجالات رئيسية: القيود التقنية ومخاوف خصوصية البيانات، بالإضافة إلى الحواجز التعليمية والعملية. بينما يُعتبر دمج المناهج وتحضير المعلمين قضايا حاسمة، فإن التحديات التربوية تُعتبر أكثر إلحاحًا من التكامل التكنولوجي. تؤكد النتائج على ضرورة تطوير مهني شامل للمعلمين والاستخدام الفعال لأدوات الذكاء الاصطناعي المصممة لتلبية الاحتياجات التعليمية المحددة. في النهاية، تؤكد الأبحاث على أن التنفيذ الناجح للتعلم الشخصي المدعوم بالذكاء الاصطناعي يتطلب استراتيجية شاملة تعالج الاعتبارات التكنولوجية والتربوية والأخلاقية، مما يوفر رؤى حول المشهد الحالي للذكاء الاصطناعي في التعليم ويقترح مسارات للتقدم المستقبلي.
مقدمة
تناقش مقدمة ورقة البحث الإمكانات التحويلية للذكاء الاصطناعي (AI) في التعليم، لا سيما من خلال بيئات التعلم الشخصي (PL) التي تلبي احتياجات الطلاب الفردية وأنماط التعلم والتفضيلات. تسهل أدوات الذكاء الاصطناعي، مثل أنظمة التدريس الذكية (ITS) والدردشة الآلية، التغذية الراجعة في الوقت الحقيقي ومسارات التعلم التكيفية، مما يبتعد عن النماذج التقليدية “التي تناسب الجميع”. ومع ذلك، يبرز المؤلفون فجوة كبيرة في الأدبيات بشأن الاستراتيجيات التربوية المستخدمة في التعلم الشخصي المدعوم بالذكاء الاصطناعي، بالإضافة إلى المخاوف الأخلاقية وخصوصية البيانات والأمان المرتبطة بهذه التقنيات.
تهدف الدراسة إلى مراجعة منهجية للاتجاهات الحالية والأساليب التربوية والتحديات في التعلم الشخصي المدعوم بالذكاء الاصطناعي، مع معالجة أسئلة البحث الرئيسية المتعلقة بالخصائص المنهجية للدراسات الحالية، وأدوار الذكاء الاصطناعي في بيئات التعلم الشخصي، والقيود التي تواجهها في تطبيقها. من خلال تقديم نظرة شاملة على دور الذكاء الاصطناعي في التعليم، يعتزم المؤلفون تقديم توصيات عملية للمعلمين وتحديد مجالات البحث المستقبلي. تؤكد الورقة على ضرورة تطوير مهني لتزويد المعلمين بالمهارات اللازمة لدمج تقنيات الذكاء الاصطناعي بشكل فعال، بينما تدعو أيضًا إلى الشمولية والوصول للتخفيف من الفجوة الرقمية في السياقات التعليمية.
الطرق
استخدمت الدراسة منهجية مراجعة الأدبيات المنهجية المنظمة لتحديد وتقييم وتوليف الأدبيات الموجودة المتعلقة بالاستراتيجيات التعليمية عند تقاطع الذكاء الاصطناعي (AI) والتعلم الشخصي (PL). تسهل هذه الطريقة، كما أبرزها شياو وواتسون (2019)، تحديد الاتجاهات البحثية الحالية والفجوات، لا سيما في المجالات التي تتطور بسرعة مثل التعليم (نيو مان وغوف، 2020).
لضمان الدقة وقابلية التكرار، التزمت الأبحاث بمعايير PRISMA طوال عملية المراجعة (بيج وآخرون، 2021). لا تعزز هذه الإطار المنهجي فقط شفافية مراجعة الأدبيات ولكنها تسهم أيضًا في فهم أكثر شمولاً للتكتيكات التعليمية التي يمكن استخدامها في سياق الذكاء الاصطناعي والتعلم الشخصي.
النتائج
تكشف نتائج الدراسة عن اتجاهات كبيرة في مجال البحث عن التعلم المهني المدعوم بالذكاء الاصطناعي (PL). تشير الإحصائيات الوصفية إلى أن الغالبية العظمى من الدراسات تركز على التعليم العام (11 دراسة) وتعليم اللغات (9 دراسات)، مع وجود تحقيقات أقل في مجالات متخصصة مثل STEM وعلوم البيانات والتعليم الطبي. تشير هذه التركيز إلى تفضيل استكشاف تطبيقات الذكاء الاصطناعي ضمن سياقات تعليمية أوسع بدلاً من المجالات المتخصصة.
من الناحية المنهجية، تستخدم الأبحاث بشكل أساسي نهجًا مختلطًا، تم استخدامه في 15 دراسة، مما يشير إلى الاعتراف بالتعلم الشخصي كظاهرة معقدة تستفيد من كل من الرؤى الكمية والنوعية. تتبع الأبحاث النوعية مع 7 دراسات، بينما تمثل الأساليب الكمية في 4 دراسات. يشير الاستخدام المحدود للأبحاث النظرية والمبنية على التصميم (دراستان لكل منهما) إلى وجود فجوة في هذه المجالات. فيما يتعلق بخصائص العينة، عرّفت 25 من أصل 30 دراسة مجموعات عينة محددة، بأحجام تتراوح من 5 إلى 607 مشارك. ومن الجدير بالذكر أن طلاب الجامعات ظهروا كأكثر الفئات المستهدفة تكرارًا، مما يبرز التركيز المتزايد على ممارسات التعلم الشخصي ضمن بيئات التعليم العالي.
المناقشة
تؤكد المناقشة حول التعلم الشخصي (PL) على نهجها المخصص في التعليم، مما يتناسب مع معدلات التعلم الفردية وأنماط التعلم والاحتياجات. مستندة إلى نظرية التعلم البنائية، يعزز التعلم الشخصي من مشاركة الطلاب وتحفيزهم من خلال السماح بتجربة تعلم مخصصة تختلف عن النماذج التعليمية التقليدية الموحدة. تشمل المكونات الرئيسية للتعلم الشخصي إنشاء ملفات تعريف للطلاب، وتكييف المحتوى، ومسارات التعلم الشخصية، والتقييم المستمر، ودمج التكنولوجيا، لا سيما من خلال الذكاء الاصطناعي (AI) والتعلم الآلي (ML). تسهل هذه التقنيات بيئات التعلم التكيفية التي تستجيب لسلوكيات الطلاب وتفضيلاتهم، مما يحسن النتائج التعليمية (شيمشاك وسبيكتور، 2020؛ برناككي وآخرون، 2021).
ومع ذلك، تواجه نماذج التعلم الشخصي عدة تحديات، بما في ذلك مخاوف خصوصية البيانات، والحاجة إلى بنية تحتية تكنولوجية قوية، وضرورة تدريب المعلمين. يمكن أن تعيق هذه الحواجز قابلية التوسع وفعالية التعلم الشخصي، لا سيما في البلدان ذات الدخل المنخفض والمتوسط (العمري وآخرون، 2020). على الرغم من هذه التحديات، يُنظر إلى دمج الذكاء الاصطناعي في التعلم الشخصي على أنه تحول، مما يمكّن من تطوير منصات تعلم تكيفية تُخصص التجارب التعليمية وتعزز استقلالية المتعلم (بهوتوريا، 2022؛ العمري وآخرون، 2020). من المتوقع أن يتقدم مستقبل الذكاء الاصطناعي في التعلم الشخصي أكثر، مع الحاجة إلى أبحاث مستمرة لمعالجة الاعتبارات الأخلاقية وضمان بقاء العناصر البشرية، مثل التعاطف والوعي السياقي، جزءًا لا يتجزأ من العملية التعليمية (كاتيار وآخرون، 2024).
القيود
تسلط قسم القيود الضوء على عدة قيود حاسمة تم مواجهتها في البحث حول التحديات التي تواجه تنفيذ الذكاء الاصطناعي (AI) في تطبيقات التعلم الشخصي (PL). من الجدير بالذكر أن التحليل حدد موضوعات رئيسية مثل ندرة الموارد، مقاومة المستخدم، ونقص البنية التحتية التكنولوجية. باستخدام النهج المصفوفي المقترح من قبل مايلز وآخرون (2014)، قامت الدراسة بتصنيف هذه التحديات بشكل منهجي، مما يكشف أن القضايا التربوية والتنفيذية أكثر انتشارًا من القضايا التقنية. وهذا يبرز تعقيد التكامل التعليمي، الذي يتطلب ليس فقط التكيف التكنولوجي ولكن أيضًا إعادة تكوين تربوي كبير، كما أكدت ذلك موندال وآخرون (2023) وتابالوفا وزهيينباييفا (2022).
تتمثل قيود البحث في نقطتين. أولاً، قد يكون التركيز على المنشورات باللغة الإنجليزية من 2010 إلى 2024 قد استبعد دراسات هامة نشرت بلغات أخرى أو قبل هذه الفترة الزمنية. ثانيًا، يحد انتشار البرامج التجريبية الصغيرة بشكل أساسي ضمن سياقات التعليم العالي من تعميم النتائج. بالإضافة إلى ذلك، تشير التطورات السريعة في تكنولوجيا الذكاء الاصطناعي إلى أن بعض التحديات والأساليب قد لا يتم التقاطها بالكامل في الأدبيات الحالية، مما يشير إلى الحاجة إلى أبحاث مستمرة لمعالجة القضايا الناشئة في هذا المجال.
DOI: https://doi.org/10.30935/cedtech/16108
Publication Date: 2025-03-10
Author(s): Klarisa I. Vorobyeva et al.
Primary Topic: Online Learning and Analytics
Overview
This section presents a systematic review of artificial intelligence (AI)-supported personalized learning (PL) systems, focusing on pedagogical approaches and implementation challenges. The analysis, based on a detailed examination of 30 publications sourced from the Web of Science and Scopus databases, highlights the prevalent use of tools such as ChatGPT and machine learning technologies, particularly in general education and language learning contexts. The findings indicate that AI’s educational roles are primarily defined by automated feedback systems and adaptive content distribution, which are supported by personalized learning strategies that prioritize student characteristics and expectations.
The study identifies significant challenges in three main areas: technical constraints and data privacy concerns, as well as educational and pragmatic barriers. While curriculum integration and teacher preparation are critical issues, pedagogical challenges are deemed more pressing than technological integration. The results emphasize the necessity for comprehensive professional development for educators and the effective use of AI tools tailored for specific instructional needs. Ultimately, the research underscores that successful implementation of AI-enabled PL requires a holistic strategy that addresses technological, pedagogical, and ethical considerations, providing insights into the current landscape of AI in education and suggesting pathways for future advancements.
Introduction
The introduction of the research paper discusses the transformative potential of artificial intelligence (AI) in education, particularly through personalized learning (PL) environments that cater to individual student needs, learning styles, and preferences. AI tools, such as intelligent tutoring systems (ITS) and chatbots, facilitate real-time feedback and adaptive learning paths, thereby moving away from traditional “one-size-fits-all” models. However, the authors highlight a significant gap in the literature regarding the pedagogical strategies employed in AI-supported PL, as well as the ethical, data privacy, and security concerns associated with these technologies.
The study aims to systematically review current trends, pedagogical approaches, and challenges in AI-supported PL, addressing key research questions related to the methodological characteristics of existing studies, the roles of AI in PL settings, and the limitations faced in their application. By providing a comprehensive overview of AI’s role in education, the authors intend to offer practical recommendations for educators and identify areas for future research. The paper emphasizes the necessity for professional development to equip educators with the skills needed to effectively integrate AI technologies, while also advocating for inclusivity and accessibility to mitigate the digital divide in educational contexts.
Methods
The study employed a structured systematic literature review methodology to comprehensively identify, evaluate, and synthesize existing literature related to educational strategies at the intersection of artificial intelligence (AI) and personalized learning (PL). This approach, as highlighted by Xiao and Watson (2019), facilitates the identification of current research trends and gaps, particularly in rapidly evolving fields such as education (Newman & Gough, 2020).
To ensure rigor and reproducibility, the research adhered to the PRISMA standards throughout the review process (Page et al., 2021). This methodological framework not only enhances the transparency of the literature review but also contributes to a more thorough understanding of the educational tactics that can be employed in the context of AI and PL.
Results
The results of the study reveal significant trends in the field of AI-supported professional learning (PL) research. Descriptive statistics indicate that the majority of studies focus on general education (11 studies) and language education (9 studies), with fewer investigations in specialized areas such as STEM, data science, and medical education. This concentration suggests a preference for exploring AI applications within broader educational contexts rather than niche fields.
Methodologically, the research predominantly employs a mixed-methods approach, utilized in 15 studies, indicating a recognition of PL as a complex phenomenon that benefits from both quantitative and qualitative insights. Qualitative research follows with 7 studies, while quantitative approaches are represented in 4 studies. The limited use of theoretical and design-based research (2 studies each) suggests a gap in these areas. Regarding sample characteristics, 25 out of 30 studies defined specific sample groups, with sizes ranging from 5 to 607 participants. Notably, university students emerged as the most frequently targeted demographic, highlighting an increasing focus on PL practices within higher education settings.
Discussion
The discussion on Personalized Learning (PL) emphasizes its tailored approach to education, accommodating individual learning rates, styles, and needs. Rooted in constructivist learning theory, PL enhances student engagement and motivation by allowing for a customized learning experience that diverges from traditional uniform educational models. Key components of PL include the creation of student profiles, content adaptation, personalized learning paths, ongoing assessment, and the integration of technology, particularly through artificial intelligence (AI) and machine learning (ML). These technologies facilitate adaptive learning environments that respond to student behaviors and preferences, thereby improving educational outcomes (Shemshack & Spector, 2020; Bernacki et al., 2021).
However, the implementation of PL models faces several challenges, including data privacy concerns, the need for robust technological infrastructure, and the necessity for teacher training. These barriers can hinder the scalability and effectiveness of PL, particularly in low- and middle-income countries (Alamri et al., 2020). Despite these challenges, the integration of AI into PL is seen as transformative, enabling the development of adaptive learning platforms that personalize educational experiences and enhance learner autonomy (Bhutoria, 2022; Alamri et al., 2020). The future of AI in PL is poised to advance further, with ongoing research needed to address ethical considerations and ensure that human elements, such as empathy and contextual awareness, remain integral to the educational process (Katiyar et al., 2024).
Limitations
The section on limitations highlights several critical constraints encountered in the research on challenges faced during the implementation of Artificial Intelligence (AI) in personalized learning (PL) applications. Notably, the analysis identified key themes such as resource scarcity, user resistance, and deficiencies in technological infrastructure. Utilizing the matrix approach proposed by Miles et al. (2014), the study systematically categorized these challenges, revealing that pedagogical and implementation issues are more prevalent than technical ones. This underscores the complexity of educational integration, which requires not only technological adaptation but also significant pedagogical reconfiguration, as emphasized by Mondal et al. (2023) and Tapalova and Zhiyenbayeva (2022).
The limitations of the research are twofold. Firstly, the focus on English-language publications from 2010 to 2024 may have excluded significant studies published in other languages or prior to this timeframe. Secondly, the predominance of small-scale pilot programs primarily within higher education contexts limits the generalizability of the findings. Additionally, the rapid evolution of AI technology suggests that some challenges and methodologies may not be fully captured in the existing literature, indicating a need for ongoing research to address emerging issues in the field.