DOI: https://doi.org/10.3389/feduc.2025.1648661
تاريخ النشر: 2026-02-02
المؤلف: Dong Yu Long وآخرون
الموضوع الرئيسي: التعلم عبر الإنترنت والتحليلات
نظرة عامة
تستكشف هذه المراجعة المنهجية دمج الذكاء الاصطناعي (AI) في التعليم العالي، مع التركيز على الدور الوسيط لطرق التدريس في تعزيز مشاركة الطلاب. من خلال تحليل 73 مقالة تمت مراجعتها من قبل الأقران نُشرت من 2015 إلى أوائل 2025، تلتزم الدراسة بإرشادات PRISMA وتستخدم إطار عمل منظم لفحص أنواع الذكاء الاصطناعي المختلفة، ونتائج المشاركة، واستراتيجيات التدريس. تشير النتائج إلى أن أدوات الذكاء الاصطناعي، مثل روبوتات الدردشة والأنظمة التكيفية، تكون أكثر فعالية عند اقترانها بأساليب تدريس تفاعلية مثل الفصول الدراسية المعكوسة والتعلم القائم على المشاريع. لتصور هذه العلاقة، تقدم المراجعة نموذج PMAISE (الوساطة البيداغوجية للذكاء الاصطناعي من أجل مشاركة الطلاب)، الذي يوضح كيف تتوسط الاستراتيجيات البيداغوجية تأثير تقنيات الذكاء الاصطناعي على الأبعاد العاطفية والسلوكية والمعرفية لمشاركة الطلاب.
تسلط المراجعة الضوء على ثلاثة مساهمات رئيسية: تجمع بين عقد من الأدبيات حول الذكاء الاصطناعي في التعليم العالي، وتقدم إطار PMAISE لتوجيه دمج الذكاء الاصطناعي والبيداغوجيا، وتحدد تداعيات قابلة للتنفيذ للمعلمين وقادة المؤسسات. تؤكد على أهمية توافق أدوات الذكاء الاصطناعي مع استراتيجيات التعلم النشط وتبرز الحاجة إلى الاستثمارات في محو الأمية في الذكاء الاصطناعي والبنية التحتية. علاوة على ذلك، تتناول المراجعة القضايا الحرجة المتعلقة بالأخلاقيات وخصوصية البيانات والوصول العادل إلى موارد الذكاء الاصطناعي، داعية إلى سياسات شاملة تعطي الأولوية للنزاهة البيداغوجية والشراكات بين الإنسان والذكاء الاصطناعي. في النهاية، تحذر من نهج مدفوع بالتكنولوجيا بحت، مشددة على أن فعالية الذكاء الاصطناعي في التعليم تعتمد على تصميم تعليمي مدروس وكفاءة المعلم.
مقدمة
تسلط المقدمة الضوء على التأثير التحويلي لتقنيات الذكاء الاصطناعي (AI) على التعليم العالي، لا سيما في تعزيز مشاركة الطلاب – وهو عامل رئيسي في النجاح الأكاديمي يشمل الأبعاد المعرفية والسلوكية والعاطفية. غالبًا ما تفشل الأساليب البيداغوجية التقليدية في معالجة هذه الأبعاد بشكل شامل، مما يدفع إلى دمج أدوات الذكاء الاصطناعي مثل روبوتات الدردشة، وأنظمة التعلم التكيفية، وتحليلات الذكاء الاصطناعي في البيئات التعليمية. تهدف هذه التقنيات إلى تخصيص تجارب التعلم، وزيادة التفاعلية، وتلبية احتياجات الطلاب المتنوعة.
على الرغم من الوجود المتزايد للذكاء الاصطناعي في الفصول الدراسية، لا تزال الآثار المحددة على مشاركة الطلاب والدور الوسيط لطرق التدريس غير مستكشفة بشكل كاف. تهدف هذه المراجعة المنهجية إلى سد هذه الفجوة من خلال تجميع النتائج من 73 دراسة لتقييم تأثير تقنيات الذكاء الاصطناعي على مشاركة الطلاب في التعليم العالي. تسعى المراجعة إلى تقديم رؤى قابلة للتنفيذ للمعلمين وصانعي السياسات من خلال توضيح كيف يمكن لطرق التدريس المختلفة أن تتوسط آثار الذكاء الاصطناعي على المشاركة.
الطرق
في هذا القسم، تستكشف الدراسة التفاعل بين طرق التدريس ومشاركة الطلاب في التعليم العالي المدعوم بالذكاء الاصطناعي، مع التركيز على مفهوم الوساطة البيداغوجية. تتضمن هذه الوساطة توافق وظائف الذكاء الاصطناعي مع الأهداف التعليمية لتعزيز مشاركة الطلاب من خلال آليات مثل التغذية الراجعة المنظمة، والدعم التفاعلي، والتعلم المخصص. تصنف المراجعة الدراسات بناءً على نشر الذكاء الاصطناعي ضمن استراتيجيات بيداغوجية مختلفة، مما يكشف أن دمج الذكاء الاصطناعي بشكل فعال يمكن أن يحسن بشكل كبير نتائج الطلاب، كما يتضح من زيادة بنسبة 12-15% في أداء الكتابة التعاونية ومهارات الاتصال في دورات معينة. ومع ذلك، لا تزال التحديات مثل الفجوات الهيكلية بين الطلاب ذوي الدخل المنخفض وشكوك أعضاء هيئة التدريس بشأن دور الذكاء الاصطناعي في التعليم قائمة.
شملت منهجية البحث تحليلًا شاملاً لـ 70 دراسة تجريبية و3 مقالات نظرية، مستخدمة طرق كمية ونوعية ومختلطة لتقييم مشاركة الطلاب. تشير النتائج الرئيسية إلى أن توافق التصميم البيداغوجي مع إمكانيات الذكاء الاصطناعي أمر حاسم لتعظيم المشاركة. يتم تعديل أدوات الذكاء الاصطناعي الفعالة من خلال التصميم التعليمي عبر مسارات مثل تعزيز التفاعل والدعم المتمايز. تسلط الدراسة الضوء على أنه بينما يمكن أن يعزز الذكاء الاصطناعي تجارب التعلم، يجب دمجه بشكل مدروس ضمن الأطر البيداغوجية لتجنب التعلم السطحي والاعتماد على الأتمتة. يُقترح نموذج PMAISE (الوساطة البيداغوجية للذكاء الاصطناعي من أجل مشاركة الطلاب) كإطار نظري لتوضيح هذه الديناميكيات، مما يمهد الطريق لمزيد من استكشاف أسئلة البحث في الأقسام التالية.
النتائج
يستخدم قسم النتائج نهجًا تحليليًا هجينًا، يجمع بين التصنيف الاستنتاجي والتوليف الموضوعي الاستقرائي لاستكشاف العلاقة بين تقنيات الذكاء الاصطناعي والممارسات البيداغوجية ومشاركة الطلاب. تم إجراء التحليل على ثلاث مراحل: أولاً، تم إجراء تصنيف كمي للتوزيعات المنهجية عبر 73 دراسة مختارة من خلال رسم الترددات؛ ثانيًا، تم تحديد الآليات السببية من خلال تحليل المسارات المنهجية؛ وثالثًا، تم تجميع النتائج في نموذج نظري يسمى PMAISE، الذي يوضح الوساطة البيداغوجية للذكاء الاصطناعي من أجل تعزيز مشاركة الطلاب. تم تأكيد موثوقية الترميز مع كابا كوهين بقيمة κ = 0.82 (p < 0.001)، مما يشير إلى مستوى عالٍ من الاتفاق بين المرمزين. من بين الدراسات التي تمت مراجعتها، ركزت 42 (57.5%) على مشاركة الطلاب، مع كون المشاركة المعرفية هي الأكثر فحصًا (n = 31)، تليها المشاركة السلوكية (n = 25) والمشاركة العاطفية (n = 21). بالإضافة إلى ذلك، حققت 48 دراسة (65.8%) في الدور الوسيط لاستراتيجيات التدريس على المشاركة، مستخدمةً طرقًا مثل الفصول الدراسية المعكوسة، والتعليم المعزز بالألعاب، والتغذية الراجعة المدعومة. يبرز نموذج PMAISE، الذي تم تطويره من خلال التوليف عبر الحالات، ثلاث آليات رئيسية - التغذية الراجعة المنظمة، والدعم التفاعلي، وتوافق التخصيص - التي تسهل الوساطة البيداغوجية في التعليم العالي المدعوم بالذكاء الاصطناعي، مما يشكل نتائج المشاركة المعرفية والسلوكية والعاطفية.
المناقشة
تجمع قسم المناقشة في ورقة البحث حول الذكاء الاصطناعي في التعليم العالي (AIHE) النتائج من 73 دراسة تجريبية، مصنفة تطبيقات الذكاء الاصطناعي إلى ستة أشكال رئيسية تعزز مشاركة الطلاب – المعرفية والعاطفية والسلوكية. تشمل هذه التطبيقات أنظمة التدريس الذكية، وأدوات معالجة اللغة الطبيعية، ورؤية الكمبيوتر لتحليلات السلوك، وبيئات التعلم الغامرة، والتحليلات التنبؤية، وأنظمة تحسين البنية التحتية. على سبيل المثال، أظهرت أنظمة التعلم التكيفية مثل Smart Sparrow رضا عالي لدى الطلاب من خلال تخصيص تسليم المحتوى، بينما أثرت أدوات الذكاء الاصطناعي التوليدية مثل ChatGPT بشكل كبير على اكتساب اللغة ومشاركة المتعلمين. ومع ذلك، تبقى القضايا الأخلاقية المتعلقة بالنزاهة الأكاديمية ومشاكل الخصوصية المتعلقة بأدوات المراقبة غير الغازية تحديات حرجة.
يسلط التحليل الضوء أيضًا على أهمية الاستراتيجيات البيداغوجية في الوساطة لفعالية تطبيقات الذكاء الاصطناعي. يؤكد نموذج PMAISE، الذي تم تطويره من خلال التوليف الموضوعي، على ضرورة توافق تقنيات الذكاء الاصطناعي مع تصاميم تعليمية سليمة لتعظيم تأثيرها على مشاركة الطلاب. تشير النتائج إلى أنه بينما يمتلك الذكاء الاصطناعي إمكانات تحويلية في التعليم العالي، هناك قيود واعتبارات أخلاقية تتطلب مزيدًا من الانتباه الأكاديمي. يجب أن تركز الأبحاث المستقبلية على التطبيق الدقيق للأطر النظرية، مثل نظرية تحديد الذات، لفهم كيفية تعزيز تدخلات الذكاء الاصطناعي بفعالية لأبعاد مختلفة من مشاركة الطلاب مع معالجة القضايا المتعلقة بالإرهاق الأكاديمي والرفاهية العامة.
القيود
يسلط قسم القيود الضوء على عدة تحديات في الدمج البيداغوجي لتقنيات الذكاء الاصطناعي ضمن التعليم. تشمل القضايا الرئيسية خطر الحمل المعرفي بسبب المهام الرقمية غير المدعومة بشكل جيد، كما أشار Schuessler et al. (2024)، والآثار الضارة للاستخدام غير المنظم للذكاء الاصطناعي التوليدي، الذي يمكن أن يقلل من المشاركة المعرفية النشطة (Zhao et al., 2024). تعيق الحواجز الهيكلية، مثل البنية التحتية غير الكافية وتدريب المعلمين غير الكافي، دمج الذكاء الاصطناعي بشكل فعال، كما أكد Rahman (2021) وCullinan et al. (2021). على الرغم من الفوائد المحتملة للذكاء الاصطناعي في تخصيص التعلم وتعزيز المشاركة من خلال آليات مختلفة، تؤكد هذه القيود على ضرورة الاستثمارات النظامية ومبادرات بناء القدرات.
علاوة على ذلك، يحدد القسم الفجوات المنهجية والبيداغوجية في الأدبيات الحالية حول الذكاء الاصطناعي في التعليم العالي (AIHE). تعرض العديد من الدراسات تفتتًا منهجيًا، معتمدة بشكل كبير على مقاييس كمية ضيقة وتفتقر إلى أطر موحدة للتقييمات الطولية. يحد هذا التركيز من فهم المشاركة متعددة الأبعاد وقابلية تعميم النتائج، خاصةً مع تركيز أكثر من 75% من أبحاث AIHE في مناطق معينة. كما أن القضايا الأخلاقية، مثل التحيز الخوارزمي، لم تُستكشف بشكل كافٍ في السياقات غير الغربية، مما يبرز الحاجة إلى اعتبارات ثقافية أوسع. بالإضافة إلى ذلك، لا يزال الدور الوسيط لطرق التدريس في المشاركة المعززة بالذكاء الاصطناعي غير مُعالج بشكل كافٍ، مع قلة من الدراسات التي تفحص التفاعل بين الدعم الذي يقوده المعلم والتغذية الراجعة التي يولدها الذكاء الاصطناعي. تعيق التحديات التقنية، بما في ذلك عرض النطاق الترددي المحدود وتفاوت معرفة المعلمين بالذكاء الاصطناعي، اعتمادًا واسع النطاق، مما يؤثر بشكل خاص على الفئات المهمشة. أخيرًا، يحد انتشار الدراسات المقطعية من الرؤى حول التأثيرات طويلة الأمد للذكاء الاصطناعي على النتائج التعليمية، مما يحد من قدرة هذا المجال على إبلاغ السياسات والممارسات التعليمية المستدامة.
DOI: https://doi.org/10.3389/feduc.2025.1648661
Publication Date: 2026-02-02
Author(s): Dong Yu Long et al.
Primary Topic: Online Learning and Analytics
Overview
This systematic review investigates the integration of Artificial Intelligence (AI) in higher education, focusing on the mediating role of teaching methods in enhancing student engagement. Analyzing 73 peer-reviewed articles published from 2015 to early 2025, the study adheres to PRISMA guidelines and employs a structured framework to examine various AI types, engagement outcomes, and instructional strategies. The findings indicate that AI tools, such as chatbots and adaptive systems, are most effective when paired with interactive pedagogies like flipped classrooms and project-based learning. To conceptualize this relationship, the review introduces the PMAISE model (Pedagogical Mediation of AI for Student Engagement), which illustrates how pedagogical strategies mediate the impact of AI technologies on the affective, behavioral, and cognitive dimensions of student engagement.
The review highlights three key contributions: it synthesizes a decade of literature on AI in higher education, introduces the PMAISE framework to guide the integration of AI and pedagogy, and identifies actionable implications for educators and institutional leaders. It emphasizes the importance of aligning AI tools with active learning strategies and underscores the need for investments in AI literacy and infrastructure. Furthermore, the review addresses critical concerns regarding ethics, data privacy, and equitable access to AI resources, advocating for inclusive policies that prioritize pedagogical integrity and human-AI partnerships. Ultimately, it cautions against a purely technology-driven approach, stressing that the effectiveness of AI in education is contingent upon thoughtful instructional design and teacher competence.
Introduction
The introduction highlights the transformative impact of artificial intelligence (AI) technologies on higher education, particularly in enhancing student engagement—a key factor in academic success that includes cognitive, behavioral, and emotional dimensions. Traditional pedagogical approaches often fail to comprehensively address these dimensions, prompting the integration of AI tools such as chatbots, adaptive learning systems, and AI-driven analytics into educational settings. These technologies aim to personalize learning experiences, increase interactivity, and cater to diverse student needs.
Despite the growing presence of AI in classrooms, the specific effects on student engagement and the mediating role of teaching methods remain inadequately explored. This systematic review aims to fill this gap by synthesizing findings from 73 studies to assess the impact of AI technologies on student engagement in higher education. The review seeks to provide actionable insights for educators and policymakers by elucidating how various teaching methods can mediate the effects of AI on engagement.
Methods
In this section, the research explores the interplay between teaching methods and student engagement in AI-supported higher education, emphasizing the concept of pedagogical mediation. This mediation involves aligning AI functionalities with instructional goals to enhance student engagement through mechanisms such as structured feedback, interactive scaffolding, and personalized learning. The review categorizes studies based on the deployment of AI within various pedagogical strategies, revealing that effective AI integration can significantly improve student outcomes, as evidenced by a 12-15% increase in collaborative writing performance and enhanced communication skills in specific courses. However, challenges such as infrastructural disparities among socioeconomically disadvantaged students and faculty skepticism about AI’s role in education persist.
The research methodology included a comprehensive analysis of 70 empirical studies and 3 conceptual articles, employing quantitative, qualitative, and mixed methods to assess student engagement. Key findings indicate that the alignment of pedagogical design with AI affordances is crucial for maximizing engagement. Effective AI tools are moderated by instructional design through pathways such as interaction amplification and differentiated scaffolding. The study highlights that while AI can enhance learning experiences, it must be integrated thoughtfully within pedagogical frameworks to avoid superficial learning and dependency on automation. The PMAISE model (Pedagogical Mediation of AI for Student Engagement) is proposed as a theoretical framework to elucidate these dynamics, setting the stage for further exploration of the research questions in subsequent sections.
Results
The results section employs a hybrid analytical approach, combining deductive categorization with inductive thematic synthesis to explore the relationship between AI technologies, pedagogical practices, and student engagement. The analysis was conducted in three phases: first, a quantitative profiling of methodological distributions across 73 selected studies was performed through frequency mapping; second, causal mechanisms were identified via systematic pathway analysis; and third, findings were synthesized into a theoretical model termed PMAISE, which illustrates the pedagogical mediation of AI for enhancing student engagement. Intercoder reliability was confirmed with a Cohen’s kappa of κ = 0.82 (p < 0.001), indicating a high level of agreement among coders. Among the studies reviewed, 42 (57.5%) focused on student engagement, with cognitive engagement being the most frequently examined (n = 31), followed by behavioral (n = 25) and emotional engagement (n = 21). Additionally, 48 studies (65.8%) investigated the mediating role of teaching strategies on engagement, utilizing methods such as flipped classrooms, gamified instruction, and scaffolded feedback. The PMAISE model, developed through cross-case synthesis, highlights three key mechanisms—structured feedback, interactive scaffolding, and personalization alignment—that facilitate pedagogical mediation in AI-supported higher education, thereby shaping cognitive, behavioral, and emotional engagement outcomes.
Discussion
The discussion section of the research paper on Artificial Intelligence in Higher Education (AIHE) synthesizes findings from 73 empirical studies, categorizing AI applications into six primary forms that enhance student engagement—cognitive, emotional, and behavioral. These applications include intelligent tutoring systems, natural language processing tools, computer vision for behavioral analytics, immersive learning environments, predictive analytics, and infrastructure optimization systems. For instance, adaptive learning systems like Smart Sparrow have shown high student satisfaction by personalizing content delivery, while generative AI tools such as ChatGPT have significantly impacted language acquisition and learner engagement. However, ethical concerns regarding academic integrity and privacy issues related to non-invasive monitoring tools remain critical challenges.
The analysis also highlights the importance of pedagogical strategies in mediating the effectiveness of AI applications. The PMAISE model, developed through thematic synthesis, emphasizes aligning AI technologies with sound instructional designs to maximize their impact on student engagement. The findings suggest that while AI has transformative potential in higher education, there are limitations and ethical considerations that require further scholarly attention. Future research should focus on the nuanced application of theoretical frameworks, such as Self-Determination Theory, to better understand how AI interventions can effectively enhance various dimensions of student engagement while addressing concerns related to academic burnout and overall well-being.
Limitations
The section on limitations highlights several challenges in the pedagogical integration of AI technologies within education. Key issues include the risk of cognitive overload due to poorly scaffolded digital tasks, as noted by Schuessler et al. (2024), and the detrimental effects of unstructured generative AI use, which can diminish active cognitive engagement (Zhao et al., 2024). Structural barriers, such as inadequate infrastructure and insufficient teacher training, further hinder effective AI integration, as emphasized by Rahman (2021) and Cullinan et al. (2021). Despite the potential benefits of AI in personalizing learning and enhancing engagement through various mechanisms, these limitations underscore the necessity for systemic investments and capacity-building initiatives.
Moreover, the section identifies methodological and pedagogical gaps in the current literature on AI in higher education (AIHE). Many studies exhibit methodological fragmentation, relying heavily on narrow quantitative metrics and lacking standardized frameworks for longitudinal assessments. This focus limits the understanding of multidimensional engagement and the generalizability of findings, particularly as over 75% of AIHE research is regionally concentrated. Ethical concerns, such as algorithmic bias, are also underexplored in non-Western contexts, highlighting the need for broader cultural considerations. Additionally, the mediating role of teaching methods in AI-enhanced engagement remains inadequately addressed, with few studies examining the interaction between instructor-led scaffolding and AI-generated feedback. Technical challenges, including limited bandwidth and variability in educators’ AI literacy, further obstruct widespread adoption, particularly affecting marginalized groups. Finally, the predominance of cross-sectional studies restricts insights into the long-term impacts of AI on educational outcomes, limiting the field’s capacity to inform sustainable educational policies and practices.