DOI: https://doi.org/10.3991/ijep.v16i1.57581
تاريخ النشر: 2026-03-03
المؤلف: Dinh-Minh Vu وآخرون
الموضوع الرئيسي: التعلم القائم على المشكلات والمشاريع
نظرة عامة
تتناول الدراسة تحدي تطوير المهارات الناعمة في التعليم العالي، وخاصة في البيئات الكبيرة والمتعددة التخصصات. تنتقد طرق التعلم القائم على المشكلات التقليدية (PBL)، التي غالبًا ما تفتقر إلى التخصيص والتقييم الفعال، وتقترح نموذج PBL محسّن يدمج وكلاء الذكاء الاصطناعي (AI). تستخدم هذه الوكلاء الذكاء الاصطناعي معالجة اللغة الطبيعية (NLP) والأتمتة لمساعدة الطلاب في تخطيط المهام، وتنسيق الأقران، والمراقبة الذاتية، وتقديم ملاحظات في الوقت المناسب. أظهرت دراسة شبه تجريبية شملت 263 طالبًا أن أولئك الذين استخدموا نموذج PBL المدعوم بالذكاء الاصطناعي أظهروا تحسينات ذات دلالة إحصائية في ستة مجالات من المهارات الناعمة، وخاصة في التخطيط، والتعاون، والتعلم التأملي (p < 0.001). تشير النتائج إلى أن نموذج PBL المعزز بالذكاء الاصطناعي لا يخفف فقط من عبء العمل على المعلمين ويعزز التعلم العادل، بل يمكّن أيضًا الطلاب من خلال الدعم المخصص المستند إلى البيانات. يتماشى هذا النموذج مع تجارب التعلم في السياقات المهنية الواقعية، مما يعزز التفكير بين التخصصات والتعاون - وهي مهارات أساسية في أماكن العمل الحديثة. تؤكد الدراسة على إمكانية دمج التقنيات المتقدمة في أطر التعلم النشط، مشيرة إلى أن الأبحاث المستقبلية يجب أن تستكشف دمج نماذج التعلم النشط المختلفة مع التقنيات التعليمية لتعزيز تجارب التعلم متعددة المنصات والحفاظ على تركيز الطالب في مبادرات بناء المهارات.
مقدمة
تؤكد مقدمة ورقة البحث على الأهمية المتزايدة للمهارات الناعمة في سوق العمل العالمي التنافسي، كما أبرز تقرير المنتدى الاقتصادي العالمي حول مستقبل الوظائف 2023. يسعى أصحاب العمل بشكل متزايد إلى مرشحين يمتلكون كفاءات مثل إدارة الوقت، والعمل الجماعي، والتواصل، والتفكير النقدي، وهي ضرورية ليس فقط للتوظيف ولكن أيضًا للتعلم مدى الحياة والقدرة على التكيف في بيئة تتغير بسرعة. على الرغم من الحاجة المعترف بها لتدريب المهارات الناعمة في التعليم الفني، لا تزال التحديات قائمة في تنفيذ مثل هذا التعليم بشكل فعال، خاصة في الفصول الكبيرة والمتنوعة حيث تحد قيود الموارد من الانخراط الشخصي.
لمعالجة هذه التحديات، تقترح الورقة دمج الذكاء الاصطناعي (AI) من خلال أنظمة الوكلاء الذكيين في التعلم القائم على المشكلات (PBL)، وهي طريقة معروفة لتعزيز المهارات الأساسية في القرن الحادي والعشرين. أظهرت الدراسات السابقة، بما في ذلك تلك التي أجريت في جامعة تقنية في فيتنام، أن PBL يمكن أن يحسن بشكل كبير نتائج الطلاب. ومع ذلك، فإن توسيع نطاق PBL يواجه صعوبات في تقديم ملاحظات فردية. يمكن لوكلاء الذكاء الاصطناعي التغلب على هذه القيود من خلال تقديم المراقبة والدعم المخصصين خلال عملية التعلم. تشمل أهداف البحث تصميم نموذج يدمج وكلاء الذكاء الاصطناعي في PBL لتعليم المهارات الناعمة، مع التركيز بشكل خاص على “مهارات إدارة الوقت”، وتقييم تأثيرها على سلوكيات تعلم الطلاب وقدرات إدارة الوقت. تفترض الفرضية المركزية أن هذا الدمج سيعزز تطوير المهارات الناعمة من خلال الدعم المخصص والملاحظات في الوقت المناسب، مما يسهم في تدريب أكثر فعالية على المهارات الناعمة في التعليم العالي.
الطرق
تستكشف الدراسة دمج دورة التعلم القائم على المشكلات التقليدية (PBL) مع نظام وكيل الذكاء الاصطناعي الآلي لتعزيز دعم الطلاب خلال المهام القائمة على السيناريو مع تقديم ملاحظات في الوقت الحقيقي للمعلمين. تتكون دورة PBL من ثلاث مراحل: تقديم المشكلة وتحليلها، البحث عن المعلومات وتخطيط الحل، والمناقشة، وتقديم الحل، والتقييم. تم تضمين التصميم التجريبي ضمن دورة المهارات الناعمة، مع التركيز على إدارة الوقت، حيث تم تقسيم 300 طالب إلى ثلاث مجموعات على مدار فصل دراسي مدته 8 أسابيع. تضمنت المجموعات مجموعة تجريبية واحدة تستخدم نموذج PBL المدمج بالذكاء الاصطناعي (PBL-AI) ومجموعتين ضابطتين تستخدمان طرق PBL التقليدية والمحاضرات، على التوالي.
شملت المنهجية عملية منظمة من ثلاث مراحل: اختبار مسبق لتحديد الكفاءات الأساسية، مرحلة تقديم التعليم حيث شاركت المجموعات في نفس المحتوى ولكن تحت ظروف دعم مختلفة، ومرحلة اختبار لاحق لتقييم تعزيز المهارات. شملت جمع البيانات مدخلات متعددة المصادر من نظام إدارة التعلم (LMS)، ومخرجات الطلاب، وملاحظات المعلمين، وتقارير النشاط التي تم إنشاؤها بواسطة الذكاء الاصطناعي. تم تقييم فعالية نموذج PBL-AI من خلال تحليلات كمية، مثل ANOVA أو اختبارات t المستقلة، وتقييمات نوعية لملاحظات المعلمين. كانت هذه المقاربة الشاملة تهدف إلى استخلاص استنتاجات حول فعالية نموذج PBL-AI مقارنة بالطرق التقليدية في تعزيز المهارات الشخصية والتعاونية بين الطلاب.
النتائج
أكدت نتائج هذه الدراسة، التي قامت بتكييف أدوات تم التحقق منها سابقًا لتقييم المهارات الناعمة، موثوقية مقبولة مع قيم ألفا كرونباخ التي تجاوزت 0.68 عبر جميع المقاييس. شمل معالجة البيانات اقترانًا دقيقًا لسجلات الاستطلاع المسبق واللاحق، مما أدى إلى الاحتفاظ بـ 263 من أصل 300 طالب للتحليل النهائي. أكدت ANOVA التكافؤ الأساسي عبر المجموعات، كاشفة عن عدم وجود اختلافات ذات دلالة في درجات الاختبار المسبق (p > 0.05). أشارت النتائج إلى أن مجموعة PBL-AI أظهرت أكبر تحسينات في المهارات الناعمة، وخاصة في التخطيط، والعمل الجماعي، والتفكير/اتخاذ القرار، مع زيادات قدرها +1.19، +1.02، و +1.09 نقطة، على التوالي (p < 0.001). بالمقابل، أظهرت المجموعات التقليدية PBL والمحاضرات مكاسب أصغر، مما يشير إلى أن الذكاء الاصطناعي سهل تخصيص الموارد المعرفية من خلال أتمتة مهام التنسيق وتقديم ملاحظات في الوقت المناسب. تتوافق نتائج الدراسة مع الأبحاث السابقة، مما يوضح أن دمج الذكاء الاصطناعي في PBL يمكن أن يعزز بشكل كبير تطوير المهارات الناعمة، وخاصة في العمل الجماعي والتعلم الذاتي المنظم. ومن الجدير بالذكر أن 85% من فرق PBL-AI أنتجت مخرجات تم تقييمها على أنها جيدة أو ممتازة، مقارنة بـ 50% في PBL التقليدي. ومع ذلك، أظهرت بعض المهارات، مثل إدارة الوقت والتواصل الأكاديمي، تحسينات متواضعة فقط، ربما بسبب طبيعتها المتأصلة في عادات الطلاب. كما أكدت مقاييس المشاركة على فوائد الذكاء الاصطناعي، حيث حققت مجموعات PBL-AI معدل مشاركة كامل للأعضاء بنسبة 92.4% واجتمعت بشكل متكرر. على الرغم من هذه النتائج الواعدة، تعترف الدراسة بالقيود، بما في ذلك حصرها في مؤسسة واحدة ودورة واحدة على مدار فترة 8 أسابيع، مما قد يؤثر على إمكانية تعميم النتائج. يجب أن تستكشف الأبحاث المستقبلية تدخلات أطول عبر بيئات متنوعة وتدمج التقييمات النوعية للتحقق من استدامة نتائج PBL المدعومة بالذكاء الاصطناعي.
المناقشة
تؤكد قسم المناقشة في ورقة البحث على فعالية التعلم القائم على المشكلات (PBL) في تعزيز المهارات الناعمة بين الطلاب، خاصة عند دمجه مع تقنيات الذكاء الاصطناعي. يتميز PBL بنهجه المتمركز حول الطالب، والذي يتضمن خمس مراحل رئيسية: تقديم المشكلة، تحديد أهداف التعلم، تخطيط البحث عن المعلومات، جمع البيانات وتوليفها، وتقديم الملاحظات. أظهرت الدراسات أن الطلاب المشاركين في PBL يحققون تحسينات كبيرة في التواصل، والعمل الجماعي، وحل النزاعات، ومهارات القيادة. على سبيل المثال، أظهرت الأبحاث التجريبية في باكستان وفيتنام أن PBL لا يعزز التعاون الفعال فحسب، بل يعزز أيضًا ثقة الطلاب في التحدث أمام الجمهور وقدرات التفكير النقدي.
يعزز دمج وكلاء الذكاء الاصطناعي في إطار PBL هذه الفوائد من خلال تقديم دعم مخصص طوال عملية التعلم. يساعد نظام الذكاء الاصطناعي في تشكيل المجموعات، وتحليل المشكلات، وتخطيط المشاريع، والتقييم، مما يسهل سير العمل ويقلل من العبء المعرفي على الطلاب. أظهرت التحليلات الكمية أن الطلاب في مجموعة PBL المعززة بالذكاء الاصطناعي أظهروا تحسينات كبيرة في المهارات الناعمة، وخاصة في التخطيط، والعمل الجماعي، والتفكير، مقارنة بأساليب التدريس التقليدية. أكدت النتائج النوعية هذه النتائج، مشيرة إلى أن دعم الذكاء الاصطناعي أدى إلى زيادة الانخراط وديناميات المجموعة الأكثر فعالية. بشكل عام، تؤكد الدراسة على إمكانية دمج PBL مع تقنيات الذكاء الاصطناعي لتنمية المهارات الأساسية لسوق العمل الحديث، داعية إلى مزيد من الاستكشاف لمثل هذه النماذج التعليمية التكاملية.
القيود
تناقش هذه القسم قيود أنظمة إدارة التعلم التقليدية (LMS) في سياق التعلم القائم على المشاريع (PBL) وتقدم وكلاء الذكاء الاصطناعي كحل محتمل. بينما توفر منصات LMS مثل Moodle وCanvas وBlackboard ميزات أساسية مثل مستودعات الموارد المركزية، ومساحات التعاون الجماعي، وتتبع التقدم، ودعم التقييم، إلا أنها تظهر قصورًا كبيرًا. تشمل هذه القصور الوظائف السلبية، والتعليقات المتأخرة وغير الشخصية، والتحديات في تتبع المساهمات الفردية، وغياب الدعم الفوري للطلاب الذين يواجهون مشكلات تتعلق بالمشاريع.
لمعالجة هذه القيود، يتم اقتراح وكلاء الذكاء الاصطناعي كنظم ذكية تقدم مساعدة استباقية ومخصصة في البيئات التعليمية. تتكون من حساسات ومعالجات ومحركات، تتكيف وكلاء الذكاء الاصطناعي مع احتياجات المتعلمين من خلال جمع البيانات حول سلوكياتهم وأدائهم. يمكن أن تتخذ أشكالًا متنوعة، بما في ذلك روبوتات المحادثة التعليمية، وأنظمة التدريس الذكية، وأنظمة التوصية، ووكلاء التعليقات الآلية، ووكلاء المحاكاة، كل منها مصمم لتعزيز تجربة التعلم ودعم تطوير المهارات الناعمة الأساسية. ومع ذلك، تواجه تنفيذ وكلاء الذكاء الاصطناعي تحديات تتعلق بالتعقيد الفني ودمج الأنظمة، والتي يمكن التخفيف منها باستخدام منصات أتمتة سير العمل مثل N8n. تسهل هذه المنصات التنسيق السلس لمجموعة متنوعة من الخدمات الرقمية، مما يمكّن المعلمين من إنشاء سيناريوهات تعلم آلية دون الحاجة إلى معرفة برمجية واسعة.
DOI: https://doi.org/10.3991/ijep.v16i1.57581
Publication Date: 2026-03-03
Author(s): Dinh-Minh Vu et al.
Primary Topic: Problem and Project Based Learning
Overview
The study addresses the challenge of soft skills development in higher education, particularly within large, multidisciplinary environments. It critiques traditional problem-based learning (PBL) methods, which often lack personalization and effective assessment, and proposes an enhanced PBL model that integrates artificial intelligence (AI) Agents. These AI Agents utilize natural language processing (NLP) and automation to assist students in task planning, peer coordination, self-monitoring, and providing timely feedback. A quasi-experimental study involving 263 students revealed that those using the AI-supported PBL model showed statistically significant improvements in six soft skill domains, particularly in planning, collaboration, and reflective learning (p < 0.001). The findings indicate that the AI-enhanced PBL model not only alleviates instructor workload and promotes equitable learning but also empowers students through personalized, data-driven support. This model aligns learning experiences with real-world professional contexts, fostering interdisciplinary thinking and collaboration—skills essential in modern workplaces. The study underscores the potential of integrating advanced technologies into active learning frameworks, suggesting that future research should explore the combination of various active learning models with educational technologies to further enhance multi-platform learning experiences and maintain a student-centered focus in skill-building initiatives.
Introduction
The introduction of the research paper emphasizes the growing importance of soft skills in the competitive global labor market, as highlighted by the World Economic Forum’s Future of Jobs Report 2023. Employers increasingly seek candidates with competencies such as time management, teamwork, communication, and critical thinking, which are essential not only for employability but also for lifelong learning and adaptability in a rapidly changing environment. Despite the recognized need for soft skills training in technical education, challenges persist in effectively implementing such instruction, particularly in large, diverse classes where resource constraints limit personalized engagement.
To address these challenges, the paper proposes the integration of artificial intelligence (AI) through intelligent agent systems into problem-based learning (PBL), a method known for enhancing critical 21st-century skills. Previous studies, including those conducted at a technical university in Vietnam, have shown that PBL can significantly improve student outcomes. However, scaling PBL poses difficulties in providing individualized feedback. AI Agents can potentially overcome these limitations by offering personalized monitoring and support during the learning process. The research objectives include designing a model that incorporates AI Agents into PBL for soft skills instruction, specifically focusing on “Time Management Skills,” and assessing the impact on students’ learning behaviors and time management abilities. The central hypothesis posits that this integration will enhance soft skills development through personalized support and timely feedback, ultimately contributing to more effective soft skills training in higher education.
Methods
The study investigates the integration of a traditional Problem-Based Learning (PBL) cycle with an automated AI Agent system to enhance student support during scenario-based assignments while providing real-time feedback to instructors. The PBL cycle comprises three stages: problem presentation and analysis, information search and solution planning, and discussion, solution presentation, and evaluation. The experimental design was embedded within a Soft Skills course, focusing on time management, where 300 students were divided into three groups over an 8-week semester. The groups included one experimental group utilizing the AI-integrated PBL model (PBL-AI) and two control groups employing traditional PBL and lecture-based methods, respectively.
The methodology involved a structured three-phase process: a pre-test to establish baseline competencies, an instructional delivery phase where the groups engaged with the same content but under different support conditions, and a post-test phase to evaluate skill enhancement. Data collection included multi-source inputs from the Learning Management System (LMS), student outputs, instructor feedback, and AI-generated activity reports. The effectiveness of the PBL-AI model was assessed through quantitative analyses, such as ANOVA or independent t-tests, and qualitative evaluations of instructor observations. This comprehensive approach aimed to draw conclusions about the efficacy of the PBL-AI model compared to traditional methods in fostering both personal and collaborative skills among students.
Results
The results of this study, which adapted previously validated instruments to assess soft skills, confirmed acceptable reliability with Cronbach’s alpha values exceeding 0.68 across all scales. Data processing involved careful pairing of pre- and post-survey records, leading to the retention of 263 out of 300 students for final analysis. An ANOVA confirmed baseline equivalence across groups, revealing no significant differences in pre-test scores (p > 0.05). The findings indicated that the PBL-AI group exhibited the most substantial improvements in soft skills, particularly in planning, teamwork, and reflection/decision-making, with increases of +1.19, +1.02, and +1.09 points, respectively (p < 0.001). In contrast, traditional PBL and lecture-based groups showed smaller gains, suggesting that AI facilitated enhanced cognitive resource allocation by automating coordination tasks and providing timely feedback. The study's results align with previous research, demonstrating that AI integration in PBL can significantly enhance soft skills development, particularly in teamwork and self-regulated learning. Notably, 85% of PBL-AI teams produced outputs rated as Good or Excellent, compared to 50% in traditional PBL. However, certain skills, such as time management and academic communication, showed only modest improvements, potentially due to their entrenched nature in students' habits. Participation metrics further underscored the benefits of AI, with PBL-AI groups achieving a 92.4% full-member participation rate and more frequent meetings. Despite these promising findings, the study acknowledges limitations, including its confinement to a single institution and course over an 8-week period, which may affect generalizability. Future research should explore longer interventions across diverse settings and incorporate qualitative assessments to validate the sustainability of AI-supported PBL outcomes.
Discussion
The discussion section of the research paper emphasizes the effectiveness of Problem-Based Learning (PBL) in enhancing soft skills among students, particularly when integrated with AI technologies. PBL is characterized by its student-centered approach, which involves five key stages: problem presentation, learning objectives identification, information search planning, data collection and synthesis, and presentation and feedback. Studies have shown that students engaged in PBL report significant improvements in communication, teamwork, conflict resolution, and leadership skills. For instance, experimental research in Pakistan and Vietnam demonstrated that PBL not only fosters effective collaboration but also enhances students’ confidence in public speaking and critical thinking abilities.
The integration of AI agents into the PBL framework further amplifies these benefits by providing personalized support throughout the learning process. The AI system aids in group formation, problem analysis, project planning, and evaluation, thereby streamlining workflows and reducing cognitive load on students. Quantitative analyses revealed that students in the AI-enhanced PBL group exhibited substantial improvements in soft skills, particularly in planning, teamwork, and reflection, compared to traditional teaching methods. Qualitative findings corroborated these results, indicating that AI support led to higher engagement and more effective group dynamics. Overall, the study underscores the potential of combining PBL with AI technologies to cultivate essential skills for the modern workforce, advocating for further exploration of such integrative educational models.
Limitations
The section discusses the limitations of traditional Learning Management Systems (LMS) in the context of Project-Based Learning (PBL) and introduces AI Agents as a potential solution. While LMS platforms like Moodle, Canvas, and Blackboard provide essential features such as centralized resource repositories, group collaboration spaces, progress tracking, and assessment support, they exhibit significant shortcomings. These include passive functionality, delayed and impersonal feedback, challenges in tracking individual contributions, and a lack of real-time support for students facing project-related issues.
To address these limitations, AI Agents are proposed as intelligent systems that offer proactive, personalized assistance in educational settings. Comprising sensors, processors, and actuators, AI Agents adapt to learners’ needs by collecting data on their behaviors and performance. They can take various forms, including educational chatbots, intelligent tutoring systems, recommender systems, automated feedback agents, and simulation agents, each designed to enhance the learning experience and support the development of essential soft skills. However, the implementation of AI Agents faces challenges related to technical complexity and system integration, which can be mitigated by using workflow automation platforms like N8n. These platforms facilitate the seamless orchestration of various digital services, enabling educators to create automated learning scenarios without extensive programming knowledge.