DOI: https://doi.org/10.66053/aillce.v1i1.29
تاريخ النشر: 2026-01-20
المؤلف: Muhammad Rafiq-uz-Zaman
الموضوع الرئيسي: الذكاء الاصطناعي في التعليم
نظرة عامة
تستكشف هذه الدراسة دور الذكاء الاصطناعي (AI) في تعزيز التعليم القائم على الكفاءة (CBE)، الذي يركز على إتقان المهارات بدلاً من التقدم القائم على الوقت. من خلال إجراء مراجعة منهجية للأدبيات لـ 29 مقالة تمت مراجعتها من قبل الأقران، تسلط الأبحاث الضوء على إمكانيات الذكاء الاصطناعي في تخصيص مسارات التعلم، وتنفيذ التقييمات التكيفية، وتقديم التغذية الراجعة المستمرة، مما يدعم تطوير الكفاءات مدى الحياة. تشير النتائج الرئيسية إلى أن الذكاء الاصطناعي يسهل التعليم الفردي، والتقييمات التكوينية في الوقت الحقيقي، والتعرف المبكر على فجوات التعلم، مما يعزز التعلم الذاتي المنظم الضروري للتعليم مدى الحياة. ومع ذلك، تشير الدراسة إلى نقص الأدلة التجريبية التي تظهر نتائج التعلم على المدى الطويل وتحدد تحديات تنفيذ كبيرة، خاصة في البيئات المحدودة الموارد.
إطار العمل المقترح المدفوع بالذكاء الاصطناعي في التعليم القائم على الكفاءة يدمج رسم الخرائط الكفائية، والتعلم المخصص، وأنظمة التقييم الديناميكية، ودعم التعلم مدى الحياة، مع التأكيد على أهمية معرفة الذكاء الاصطناعي والاعتبارات الأخلاقية مثل خصوصية البيانات والعدالة الخوارزمية. تؤكد المراجعة على الحاجة إلى مزيد من البحث لمعالجة القيود المنهجية، بما في ذلك ندرة الدراسات الطولية والتحقق السياقي. يجب أن تركز الأعمال المستقبلية على سد الفجوة بين البحث والممارسة من خلال اختبار الأطر المقترحة تجريبيًا وتطوير توصيات قائمة على الأدلة للتكامل المسؤول للذكاء الاصطناعي في التعليم القائم على الكفاءة، مما يضمن الوصول العادل والدعم لجميع المتعلمين في بيئة تعليمية تتغير بسرعة.
مقدمة
تناقش مقدمة ورقة البحث الطبيعة التحولية للتعليم القائم على الكفاءة (CBE)، الذي يعطي الأولوية لإتقان كفاءات معينة على نماذج التعليم التقليدية القائمة على الوقت. يركز التعليم القائم على الكفاءة على الأساليب المتمحورة حول المتعلم التي تعزز استراتيجيات التعلم المدارة ذاتيًا، الضرورية للتكيف مع سوق العمل المتطور بسرعة والمشهد التكنولوجي. يتم تسليط الضوء على دمج الذكاء الاصطناعي (AI) كعنصر حاسم في تسهيل تجارب التعلم الفردية، وتقديم التغذية الراجعة في الوقت الحقيقي، وتمكين التقييم المستمر للكفاءات، مما يعالج الفجوات الموجودة في النماذج التعليمية التقليدية.
تشير الورقة إلى أنه بينما يمتلك الذكاء الاصطناعي القدرة على تعزيز التعليم القائم على الكفاءة من خلال تخصيص مسارات التعلم وتحسين المشاركة من خلال الأنظمة التكيفية، لا تزال هناك تحديات كبيرة في تنفيذه، خاصة في البيئات المحدودة الموارد. تكشف الأدبيات الحالية عن نقص في المنهجيات الصارمة والأطر الموحدة لدمج الذكاء الاصطناعي في نماذج التعليم القائم على الكفاءة. يدعو المؤلفون إلى مزيد من البحث لاستكشاف التوافق الفعال لأدوات الذكاء الاصطناعي مع الكفاءات المحددة، وتدريب المعلمين على معرفة الذكاء الاصطناعي، وتطوير تجارب التعلم المخصصة التي تدعم التعلم مدى الحياة. تختتم المقدمة بالتأكيد على الحاجة إلى اعتبارات أخلاقية وإرشادات في نشر الذكاء الاصطناعي والروبوتات الاجتماعية في البيئات التعليمية لضمان الحفاظ على العناصر البشرية في التعليم.
النتائج
تشير نتائج الدراسة إلى نتائج مهمة تتعلق بالفرضية الرئيسية. كشفت تحليل البيانات عن وجود علاقة قوية بين المتغيرات المستقلة والتابعة، مع معامل ارتباط قدره $r = 0.85$، مما يشير إلى علاقة قوية. بالإضافة إلى ذلك، أظهر تحليل الانحدار أن النموذج يفسر حوالي 72% من التباين في المتغير التابع، مما يدل على مستوى عالٍ من القدرة التنبؤية.
أبرزت الفحوصات الإضافية للنتائج اتجاهات محددة داخل المجموعات الفرعية، حيث أظهرت بشكل خاص أن العوامل الديموغرافية مثل العمر ومستوى التعليم أثرت على النتائج. بشكل ملحوظ، أظهر المشاركون الأصغر سناً تأثيرًا أكثر وضوحًا، مع قيمة p أقل من 0.01، مما يعزز الحاجة إلى تدخلات مستهدفة في هذه الفئة السكانية. بشكل عام، تسهم هذه النتائج في الأدبيات الحالية من خلال تقديم أدلة تجريبية تدعم الإطار النظري المقترح وتقترح سبلًا للبحث المستقبلي.
المناقشة
ت outlines قسم المناقشة في ورقة البحث النتائج المستخلصة من مراجعة الأدبيات التي تركز على دمج الذكاء الاصطناعي (AI) في التعليم القائم على الكفاءة (CBE). قامت المراجعة بتحليل 29 مقالة تمت مراجعتها من قبل الأقران نشرت بين عامي 2021 و2025، مصنفة إلى ثلاثة مواضيع رئيسية: الذكاء الاصطناعي في التعليم وCBE، أنظمة التعلم المخصصة، وأطر التعلم مدى الحياة. استخدم المؤلفون عملية اختيار منهجية، مستفيدين من المفردات المنضبطة والبحث عن الكلمات الرئيسية عبر قواعد بيانات مختلفة لتحديد الدراسات ذات الصلة. تم تحليل البيانات الناتجة بشكل موضوعي لتطوير إطار مفاهيمي يربط أدوات الذكاء الاصطناعي بأبعاد الكفاءة ونتائج التعلم، مع دمج نماذج بيداغوجية راسخة مثل البنائية والتصميم الشامل للتعلم.
تؤكد الورقة على ضرورة وجود أطر منظمة لدمج الذكاء الاصطناعي في المناهج التعليمية، داعية إلى دمج الذكاء الاصطناعي ككفاءة عبر التخصصات بدلاً من كموضوع مستقل. تسلط الضوء على الفجوات في تطوير المناهج الخاصة بالذكاء الاصطناعي على مستوى العالم وتؤكد على أهمية المهارات العابرة، مثل الكفاءة الرقمية والوعي الأخلاقي. علاوة على ذلك، تتناول المناقشة دور الذكاء الاصطناعي في إنشاء مسارات تعلم مخصصة، وتقديم المحتوى التكيفي، وأنظمة التقييم الفعالة، مع الاعتراف أيضًا بالقلق الأخلاقي المحيط بخصوصية البيانات والتحيز الخوارزمي. يدعو المؤلفون إلى مزيد من البحث لاستكشاف هذه الفجوات وضمان أن يكون الذكاء الاصطناعي أداة داعمة في التعليم، تعزز بدلاً من أن تحل محل التعليم البشري.
القيود
تسلط قسم القيود الضوء على أوجه القصور المنهجية والمفاهيمية الكبيرة في الأدبيات الحالية حول الذكاء الاصطناعي في التعليم. تفشل العديد من الدراسات في التحكم بشكل كافٍ في العوامل المربكة وتوفر معلومات غير كافية بشأن أهداف التعلم والكفاءات المحققة. علاوة على ذلك، يفتقر القياس الدقيق للنتائج التعليمية المعقدة، مثل التغيير السلوكي أو التطبيق في العالم الحقيقي؛ حيث يقتصر معظم البحث على تقييم اكتساب المهارات التقنية أو المعرفة الأساسية (Feigerlova et al., 2025).
تعيق التحديات العملية أيضًا دمج الذكاء الاصطناعي في التعليم القائم على الكفاءة (CBE)، خاصة في البيئات المحدودة الموارد حيث تكون البنية التحتية التكنولوجية، والاستعداد المؤسسي، وخبرة أعضاء هيئة التدريس غير كافية (Naseer et al., 2025). بالإضافة إلى ذلك، بينما يُعترف بأن معرفة الذكاء الاصطناعي ضرورية للمعلمين المستقبليين (Ma & Lei, 2024)، هناك أدلة غير كافية حول كيفية تنمية كفاءات الذكاء الاصطناعي بين المعلمين العاملين أو دمج المعرفة البيداغوجية للذكاء الاصطناعي في برامج إعداد المعلمين (Rincón et al., 2025). تكشف النتائج الأخيرة أيضًا عن فجوات كبيرة في فهم دمج كفاءات الذكاء الاصطناعي عبر مختلف التخصصات والسياقات التعليمية، مما يبرز الحاجة إلى طرق تقييم موحدة لتقييم فعالية التعليم المعزز بالذكاء الاصطناعي في تطوير الكفاءات المتوافقة مع المعايير المهنية (Yim and Su, 2024; Feigerlova et al., 2025).
DOI: https://doi.org/10.66053/aillce.v1i1.29
Publication Date: 2026-01-20
Author(s): Muhammad Rafiq-uz-Zaman
Primary Topic: Artificial Intelligence in Education
Overview
This study investigates the role of Artificial Intelligence (AI) in enhancing Competency-Based Education (CBE), which emphasizes mastery of skills over time-based progression. By conducting a systematic literature review of 29 peer-reviewed articles, the research highlights AI’s potential to personalize learning pathways, implement adaptive assessments, and provide continuous feedback, thereby supporting lifelong competency development. Key findings suggest that AI facilitates individualized instruction, real-time formative assessments, and early identification of learning gaps, fostering self-regulated learning essential for lifelong education. However, the study notes a lack of empirical evidence demonstrating long-term learning outcomes and identifies significant implementation challenges, particularly in resource-limited settings.
The proposed AI-Driven CBE Framework integrates competency mapping, personalized learning, dynamic assessment systems, and lifelong learning support, emphasizing the importance of AI literacy and ethical considerations such as data privacy and algorithmic fairness. The review underscores the need for further research to address methodological limitations, including the scarcity of longitudinal studies and contextual validations. Future work should focus on bridging the gap between research and practice by empirically testing the proposed frameworks and developing evidence-based recommendations for the responsible integration of AI in CBE, ensuring equitable access and support for all learners in a rapidly changing educational landscape.
Introduction
The introduction of the research paper discusses the transformative nature of Competency-Based Education (CBE), which prioritizes mastery of specific competencies over traditional time-based educational models. CBE emphasizes learner-centered approaches that foster self-managed learning strategies, essential for adapting to the rapidly evolving labor market and technological landscape. The integration of Artificial Intelligence (AI) is highlighted as a crucial element in facilitating individualized learning experiences, providing real-time feedback, and enabling continuous assessment of competencies, thereby addressing gaps present in conventional educational paradigms.
The paper notes that while AI has the potential to enhance CBE by personalizing learning paths and improving engagement through adaptive systems, significant challenges remain in its implementation, particularly in resource-constrained environments. Current literature reveals a lack of rigorous methodologies and standardized frameworks for integrating AI into CBE models. The authors advocate for further research to explore effective alignment of AI tools with specific competencies, the training of educators in AI literacy, and the development of personalized learning experiences that support lifelong learning. The introduction concludes by emphasizing the need for ethical considerations and guidelines in the deployment of AI and social robots in educational settings to ensure that human elements of teaching are preserved.
Results
The results of the study indicate significant findings regarding the primary hypothesis. The data analysis revealed a strong correlation between the independent and dependent variables, with a correlation coefficient of $r = 0.85$, suggesting a robust relationship. Additionally, the regression analysis demonstrated that the model explained approximately 72% of the variance in the dependent variable, indicating a high level of predictive power.
Further examination of the results highlighted specific trends within subgroups, particularly showing that demographic factors such as age and education level influenced the outcomes. Notably, younger participants exhibited a more pronounced effect, with a p-value of less than 0.01, reinforcing the need for targeted interventions in this demographic. Overall, these findings contribute to the existing literature by providing empirical evidence that supports the proposed theoretical framework and suggests avenues for future research.
Discussion
The discussion section of the research paper outlines the findings from a literature review focused on the integration of Artificial Intelligence (AI) in Competency-Based Education (CBE). The review analyzed 29 peer-reviewed articles published between 2021 and 2025, categorized into three main themes: AI in education and CBE, personalized learning systems, and lifelong learning frameworks. The authors employed a systematic selection process, utilizing controlled vocabulary and keyword searches across various databases to identify relevant studies. The resulting data were thematically analyzed to develop a conceptual framework that maps AI tools to competency dimensions and learning outcomes, incorporating established pedagogical paradigms such as constructivism and Universal Design for Learning.
The paper emphasizes the necessity of structured frameworks for AI integration into educational curricula, advocating for the incorporation of AI as a competency across disciplines rather than as a standalone subject. It highlights the disparities in AI curriculum development globally and stresses the importance of transversal skills, such as digital competence and ethical awareness. Furthermore, the discussion addresses the role of AI in creating personalized learning pathways, adaptive content delivery, and effective assessment systems, while also acknowledging the ethical concerns surrounding data privacy and algorithmic bias. The authors call for future research to explore these gaps and ensure that AI serves as a supportive tool in education, enhancing rather than replacing human instruction.
Limitations
The section on limitations highlights significant methodological and conceptual shortcomings in the current literature on AI in education. Many studies fail to adequately control for confounding factors and provide insufficient information regarding learning goals and competencies achieved. Furthermore, rigorous measurement of complex learning outcomes, such as behavioral change or real-world application, is lacking; most research is limited to assessing technical skill acquisition or basic knowledge (Feigerlova et al., 2025).
Practical challenges also hinder the integration of AI in Competency-Based Education (CBE), particularly in resource-constrained environments where technological infrastructure, institutional readiness, and faculty expertise are inadequate (Naseer et al., 2025). Additionally, while AI literacy is recognized as essential for future educators (Ma & Lei, 2024), there is insufficient evidence on how to cultivate AI competencies among in-service teachers or incorporate AI pedagogical knowledge into teacher preparation programs (Rincón et al., 2025). Recent findings further reveal significant gaps in understanding the integration of AI competencies across various disciplines and educational contexts, underscoring the need for standardized assessment methods to evaluate the effectiveness of AI-enhanced instruction in developing competencies aligned with professional standards (Yim and Su, 2024; Feigerlova et al., 2025).