DOI: https://doi.org/10.1186/s41239-026-00585-x
تاريخ النشر: 2026-03-24
المؤلف: Zhenyun Du
الموضوع الرئيسي: أبحاث التحليل المقارن النوعي
نظرة عامة
تستكشف الدراسة تأثير الذكاء الاصطناعي التوليدي (GenAI) على التعلم التحويلي في التعليم العالي، مشددة على التوتر بين الكفاءة والتعلم العميق. تفحص كيف تؤثر شراكات التعليم بين البشر وGenAI على التعلم من خلال مسارات معرفية من اليقظة والتفريغ، التي تتوسطها توجهات الكفاءة. باستخدام نهج مختلط عبر ثلاثة سياقات ثقافية (الصين، أوروبا، والولايات المتحدة، N = 912)، تستخدم البحث نمذجة المعادلات الهيكلية، وتحليل خريطة الأهمية والأداء (IPMA)، وتحليل المقارنات النوعية باستخدام مجموعة ضبابية (fsQCA)، والمقابلات شبه المنظمة. تكشف النتائج أن هذه الشراكات تنشط كل من اليقظة المعرفية (التقييم النقدي) والتفريغ المعرفي (التفويض الاستراتيجي)، مما يشير إلى أن التفريغ يمكن أن يعزز التعلم من خلال تحرير الموارد العقلية للتفكير من المستوى الأعلى، بدلاً من تقليلها.
تخلص الدراسة إلى أن شراكات البشر وGenAI يمكن أن تحول البنية المعرفية للتعلم، متحدية الآراء التقليدية حول دور التكنولوجيا في التعليم. وُجد أن توجه الكفاءة يعزز كل من اليقظة والتفريغ عندما يدرك الطلاب الذكاء الاصطناعي كشريك تعاوني، مما يتعارض مع الفكرة القائلة بأن الكفاءة تقوض عمق التعلم. تحدد البحث مسارات متعددة لتحقيق نتائج تحويلية، مشددة على الحاجة لاستراتيجيات دمج متنوعة في البيئات التعليمية. تشمل القيود الاعتماد على بيانات ذاتية الإبلاغ من طلاب الأعمال ونقص التنوع الثقافي في الرؤى النوعية، مما يشير إلى أن البحث المستقبلي يجب أن يوسع ديموغرافية المشاركين ويستكشف الآثار طويلة الأمد لهذه الشراكات في سياقات متنوعة. بالإضافة إلى ذلك، تدعو إلى دمج الدعائم التكيفية والتدابير العصبية المعرفية لفهم الديناميات المعرفية بشكل أفضل في بيئات التعلم بين البشر وGenAI.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على الدور التحويلي للذكاء الاصطناعي التوليدي (GenAI) في التعليم العالي، خاصة من خلال أدوات مثل ChatGPT. بينما تعزز هذه التقنيات كفاءة التعلم، فإنها تطرح أيضًا تحديات أمام الانخراط المعرفي العميق، مما يثير القلق بشأن التآكل المحتمل لأساليب التعلم النشط. تركز الدراسة على أدوات GenAI المتاحة تجاريًا التي يستخدمها الطلاب بشكل مستقل، مشددة على الحاجة لفهم كيف تعيد هذه الأدوات تشكيل عمليات التعلم والاستراتيجيات المعرفية للطلاب أثناء انتقالهم من اعتبارها أدوات بسيطة إلى شركاء تعاونيين في بناء المعرفة.
تحدد الورقة توترًا حرجًا بين الدوافع المدفوعة بالكفاءة وعمق الانخراط المعرفي، مشيرة إلى أنه بينما يمكن أن تعزز الشراكات مع GenAI التعلم من خلال المساءلة المشتركة، إلا أنها قد تعطي الأولوية للسرعة على التدقيق النقدي. تهدف الدراسة إلى استكشاف كيف تؤثر هذه الشراكات بين البشر وGenAI على المسارات المعرفية لليقظة والتفريغ، والآليات التي تسهل تجارب التعلم التحويلي، والدور الوسيط لتوجه الكفاءة. باستخدام نهج مختلط عبر سياقات ثقافية متنوعة، تسعى البحث إلى توسيع نظرية التعلم التحويلي لتشمل البيئات المدعومة بالذكاء الاصطناعي وإعادة تصور التفريغ المعرفي كشيء قد يكون مفيدًا، مما يوفر في النهاية رؤى قابلة للتنفيذ للمعلمين الذين يدمجون GenAI في ممارساتهم التعليمية.
الطرق
استخدمت الدراسة منهجية منهجية من سبع مراحل، كما هو موضح في الشكل 2، لاستكشاف التأثيرات المتناقضة لشراكات التعليم بين البشر وGenAI على تجارب التعلم التحويلي. سهل هذا النهج المنظم تحقيق تحقيق شامل حول كيفية تأثير هذه الشراكات على نتائج التعلم، مشددًا على التعقيد والطبيعة المزدوجة لتأثيرها. تم تصميم مراحل البحث بعناية لضمان تحليل صارم ونتائج موثوقة، مما يساهم في فهم أعمق للديناميات بين المعلمين البشر والذكاء الاصطناعي التوليدي في البيئات التعليمية.
النتائج
تُعرض نتائج الدراسة عبر ثلاث تحليلات متميزة: SEM، IPMA، وfsQCA. في الدراسة 1، تؤسس نتائج نمذجة المعادلات الهيكلية (SEM) علاقات أساسية بين البنى المتعلقة بتجارب التعلم التحويلي. تستخدم الدراسة 2 تحليل خريطة الأهمية والأداء (IPMA)، الذي يوضح أهمية وأداء مختلف البنى المتنبئة. من الجدير بالذكر أن اليقظة المعرفية تم تحديدها كأهم عامل مع أعلى درجة أهمية تبلغ 0.438 ولكن درجة أداء منخفضة تبلغ 56.704، مما يشير إلى الحاجة إلى تدخل تربوي. كما يظهر التفريغ المعرفي أهمية كبيرة (0.335) مع أداء معتدل (59.944)، بينما شراكة التعليم بين البشر وGenAI، على الرغم من أهميتها المعتدلة (0.265)، لديها أدنى أداء (54.194)، مما يبرز منطقة للتطوير. بالمقابل، يشير توجه الكفاءة، مع درجة أهمية منخفضة جدًا (-0.020) ولكن أعلى أداء (62.711)، إلى أنه بينما يعطي الطلاب الأولوية للكفاءة، فإنها لا تساهم بشكل كبير في نتائج التعلم التحويلي.
تستخدم الدراسة 3 تحليل المقارنات النوعية باستخدام مجموعة ضبابية (fsQCA) لاستكشاف التكوينات المعقدة التي تؤدي إلى تجارب التعلم التحويلي. تكشف هذه التحليلات أن التعلم التحويلي ينشأ من مسارات متعددة بدلاً من علاقات خطية. تشير النتائج إلى أن اليقظة المعرفية العالية والتفريغ المعرفي تخلق ظروفًا مثالية للتعلم التحويلي، بينما تعيق التكوينات التي تفتقر إلى هذه العناصر مثل هذه النتائج. تحدد الدراسة ثلاث تكوينات عالية الدرجة، حيث يبرز الأول الجمع بين اليقظة المعرفية والتفريغ، والثاني يسلط الضوء على تناقض حيث يحقق الطلاب المدفوعون بالكفاءة التحول من خلال تفويض الذكاء الاصطناعي دون رؤية الذكاء الاصطناعي كشريك. توضح الأدلة النوعية بشكل أكبر أن الطلاب الموجهين نحو الكفاءة يتبنون نهجًا عمليًا تجاه اليقظة، معتبرين أنها ضرورية لتجنب الأخطاء المكلفة، مما يعزز التفاعل الديناميكي بين الاستجابات المعرفية والعاطفية في عمليات التعلم الخاصة بهم. بشكل عام، توفر الدراسة رؤى قابلة للتنفيذ للمعلمين الذين يهدفون إلى تعزيز دمج الذكاء الاصطناعي التوليدي في تعزيز تجارب التعلم الأعمق.
المناقشة
تستكشف قسم المناقشة في الورقة البحثية مفهوم التعلم التحويلي في سياق التعليم العالي المعزز بالتكنولوجيا، مع التركيز بشكل خاص على دور الذكاء الاصطناعي التوليدي (AI) في إعادة تشكيل التجارب التعليمية. يتضمن التعلم التحويلي، كما عرّفه ميزيروي (1991)، التفكير النقدي وإعادة بناء المنظور، وهما أمران أساسيان للتغييرات العميقة في أطر مرجع المتعلمين. تؤكد الورقة على أن التعلم التحويلي الفعال يتطلب الانخراط في خطاب نقدي ودمج وجهات نظر جديدة، وهي عملية تعزز من خلال شراكات البشر والذكاء الاصطناعي. تعزز هذه الشراكات الديناميات التعاونية حيث يجب على المتعلمين إعادة التفكير في علاقتهم بخلق المعرفة، خاصة مع ظهور قدرات نظم الذكاء الاصطناعي التي كانت تقليديًا مرتبطة بالإدراك البشري. يتطلب هذا التحول إعادة تقييم التعلم والمعرفة والوكالة الفكرية، مما يؤدي في النهاية إلى تجارب تعليمية تحويلية.
يفصل القسم أيضًا بين مسارين معرفيين—اليقظة المعرفية والتفريغ المعرفي—التي يتنقلها الطلاب عند التفاعل مع الذكاء الاصطناعي التوليدي. تتضمن اليقظة المعرفية تقييمًا نقديًا للمحتوى الذي ينتجه الذكاء الاصطناعي، مما يعزز انخراطًا أعمق مع المعرفة يتماشى مع مبادئ التعلم التحويلي. بالمقابل، يشير التفريغ المعرفي إلى التفويض الاستراتيجي للمهام المعرفية إلى الذكاء الاصطناعي، والذي، بينما قد يقوض التعلم العميق، يمكن أن يسهل أيضًا التفكير من المستوى الأعلى عند إدارته بشكل فعال. تفترض الدراسة أن هذه الآليات المعرفية تعمل بشكل تآزري ضمن إطار شراكات البشر والذكاء الاصطناعي، حيث تتوسط اليقظة المعرفية العلاقة بين الشراكة ونتائج التعلم التحويلي. بالإضافة إلى ذلك، تحدد الورقة توجه الكفاءة كعامل وسيط يؤثر على ديناميات اليقظة والتفريغ المعرفي، مما يبرز التفاعل المعقد بين الدوافع وعمليات التعلم في التعليم المدعوم بالذكاء الاصطناعي.
DOI: https://doi.org/10.1186/s41239-026-00585-x
Publication Date: 2026-03-24
Author(s): Zhenyun Du
Primary Topic: Qualitative Comparative Analysis Research
Overview
The study explores the impact of generative artificial intelligence (GenAI) on transformative learning in higher education, highlighting a tension between efficiency and deep learning. It examines how Human-GenAI pedagogical partnerships influence learning through cognitive pathways of vigilance and offloading, moderated by efficiency orientation. Utilizing a mixed-methods approach across three cultural contexts (China, Europe, and the United States, N = 912), the research employs structural equation modeling, importance-performance map analysis (IPMA), fuzzy-set qualitative comparative analysis (fsQCA), and semi-structured interviews. The findings reveal that these partnerships activate both cognitive vigilance (critical evaluation) and cognitive offloading (strategic delegation), suggesting that offloading can enhance learning by freeing mental resources for higher-order reflection, rather than diminishing it.
The study concludes that Human-GenAI partnerships can transform the cognitive architecture of learning, challenging traditional views on technology’s role in education. Efficiency orientation is found to amplify both vigilance and offloading when students perceive AI as a collaborative partner, contradicting the notion that efficiency undermines learning depth. The research identifies multiple pathways to transformative outcomes, emphasizing the need for diverse integration strategies in educational settings. Limitations include a reliance on self-reported data from business students and a lack of cultural diversity in qualitative insights, suggesting future research should broaden participant demographics and explore the long-term effects of these partnerships in varied contexts. Additionally, it calls for the incorporation of adaptive scaffolds and neuro-cognitive measures to better understand cognitive dynamics in Human-GenAI learning environments.
Introduction
The introduction of this research paper highlights the transformative role of generative artificial intelligence (GenAI) in higher education, particularly through tools like ChatGPT. While these technologies enhance learning efficiency, they also pose challenges to deep cognitive engagement, raising concerns about the potential erosion of active learning pedagogies. The study focuses on commercially available GenAI tools that students use independently, emphasizing the need to understand how these tools reshape student learning processes and cognitive strategies as they transition from being viewed as mere instruments to collaborative partners in knowledge construction.
The paper identifies a critical tension between efficiency-driven motivations and the depth of cognitive engagement, suggesting that while partnerships with GenAI can enhance learning through shared accountability, they may also prioritize speed over critical scrutiny. The study aims to explore how these human-GenAI partnerships influence cognitive pathways of vigilance and offloading, the mechanisms that facilitate transformative learning experiences, and the moderating role of efficiency orientation. Employing a mixed-methods approach across diverse cultural contexts, the research seeks to extend transformative learning theory to AI-mediated environments and reconceptualize cognitive offloading as potentially beneficial, ultimately providing actionable insights for educators integrating GenAI into their pedagogical practices.
Methods
The research employed a systematic seven-stage methodology, as depicted in Figure 2, to explore the paradoxical effects of Human-GenAI pedagogical partnerships on transformative learning experiences. This structured approach facilitated a comprehensive investigation into how these partnerships influence learning outcomes, emphasizing the complexity and dual nature of their impact. The stages of the research design were carefully crafted to ensure rigorous analysis and reliable findings, contributing to a deeper understanding of the dynamics between human educators and generative AI in educational settings.
Results
The results of the study are presented across three distinct analyses: SEM, IPMA, and fsQCA. In Study 1, the Structural Equation Modeling (SEM) results establish foundational relationships among constructs related to transformative learning experiences. Study 2 employs Importance-Performance Map Analysis (IPMA), which visualizes the importance and performance of various predictor constructs. Notably, Cognitive Vigilance is identified as the most critical factor with the highest importance score of 0.438 but a low performance score of 56.704, indicating a need for pedagogical intervention. Cognitive Offloading also shows significant importance (0.335) with moderate performance (59.944), while Human-GenAI Pedagogical Partnership, despite moderate importance (0.265), has the lowest performance (54.194), highlighting an area for development. In contrast, Efficiency Orientation, with a very low importance score (-0.020) but the highest performance (62.711), suggests that while students prioritize efficiency, it does not contribute significantly to transformative learning outcomes.
Study 3 utilizes fuzzy-set qualitative comparative analysis (fsQCA) to explore complex configurations leading to transformative learning experiences. This analysis reveals that transformative learning arises from multiple pathways rather than linear relationships. The findings indicate that high cognitive vigilance and cognitive offloading create optimal conditions for transformative learning, while configurations lacking these elements hinder such outcomes. The study identifies three high-degree configurations, with the first emphasizing the combination of cognitive vigilance and offloading, and the second highlighting a paradox where efficiency-driven students achieve transformation through AI delegation without viewing AI as a partner. The qualitative evidence further illustrates that efficiency-oriented students engage in a pragmatic approach to vigilance, viewing it as essential for avoiding costly errors, thereby fostering a dynamic interplay between cognitive and affective responses in their learning processes. Overall, the study provides actionable insights for educators aiming to enhance the integration of generative AI in fostering deeper learning experiences.
Discussion
The discussion section of the research paper explores the concept of transformative learning within the context of technology-enhanced higher education, particularly focusing on the role of generative artificial intelligence (AI) in reshaping educational experiences. Transformative learning, as defined by Mezirow (1991), involves critical reflection and perspective reconstruction, which are essential for profound changes in learners’ frames of reference. The paper emphasizes that effective transformative learning requires engaging in critical discourse and integrating new perspectives, a process that is enhanced through human-AI partnerships. These partnerships foster collaborative dynamics where learners must rethink their relationship with knowledge creation, especially as AI systems exhibit capabilities traditionally associated with human cognition. This shift necessitates a re-evaluation of learning, knowledge, and intellectual agency, ultimately leading to transformative educational experiences.
The section further delineates two cognitive pathways—cognitive vigilance and cognitive offloading—that students navigate when interacting with generative AI. Cognitive vigilance involves critically evaluating AI-generated content, fostering a deeper engagement with knowledge that aligns with transformative learning principles. Conversely, cognitive offloading refers to the strategic delegation of cognitive tasks to AI, which, while potentially undermining deep learning, can also facilitate higher-order reflection when managed effectively. The study posits that these cognitive mechanisms operate synergistically within the framework of human-AI partnerships, where cognitive vigilance mediates the relationship between partnership and transformative learning outcomes. Additionally, the paper identifies efficiency orientation as a moderating factor that influences the dynamics of cognitive vigilance and offloading, highlighting the complex interplay between motivation and learning processes in AI-mediated education.