DOI: https://doi.org/10.1038/s41598-026-39317-6
PMID: https://pubmed.ncbi.nlm.nih.gov/41723154
تاريخ النشر: 2026-02-21
المؤلف: Pia Spangenberger وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في التعليم
نظرة عامة
تدرس هذه الدراسة تأثير التفاعلات الشخصية مع روبوتات الدردشة المدعومة بالذكاء الاصطناعي التوليدي (GenAI) على نتائج التعلم، مع التركيز بشكل خاص على العمليات العاطفية والمعرفية ذات الصلة بالتعليم من أجل التنمية المستدامة. من خلال تعديل مطالبات النظام لإنشاء شخصيات ذكاء اصطناعي متميزة – متعاطفة ورحيمة – تقيم الأبحاث آثارها على مشاعر المتعلمين (مثل التعاطف، الرحمة، الضيق) والمهارات المعرفية (مثل أخذ وجهات النظر، التأمل، المعرفة). تشير النتائج إلى أن التفاعلات مع ذكاء اصطناعي متعاطف تثير استجابات عاطفية أقوى مقارنة بذكاء اصطناعي رحيم ومجموعة التحكم التي تفاعلت مع نص. ومع ذلك، بينما أظهرت جميع المجموعات اكتساب المعرفة، لم تُلاحظ اختلافات كبيرة بينها.
تؤكد الأبحاث على إمكانية روبوتات الدردشة المعتمدة على نماذج اللغة الكبيرة (LLM) في تسهيل تجارب التعلم الشخصية، بما يتماشى مع نظريات مثل نظرية التعلم المتعدد الوسائط المعرفية (CTML) ونظرية التعلم المعرفية-العاطفية-الاجتماعية في البيئات الرقمية (CASTLE). تبرز هذه النظريات أهمية التفاعلات الاجتماعية والتواصل الشخصي في تعزيز المعالجة المعرفية والانخراط العاطفي. على الرغم من الاستجابات العاطفية الإيجابية التي أثارها الذكاء الاصطناعي المتعاطف، تشير الدراسة إلى أن الطبيعة الحوارية للذكاء الاصطناعي التوليدي قد لا تترجم بالضرورة إلى تحسين اكتساب المعرفة، مما يشير إلى الحاجة إلى مزيد من البحث لتحسين الاستخدام التعليمي لروبوتات الدردشة الذكية.
الطرق
في هذه الدراسة، تم إجراء تحليلات قوة مسبقة باستخدام G*Power لتحديد حجم العينة اللازمة لتحليلات ANCOVA وANOVA الأحادية، بناءً على النتائج السابقة التي تشير إلى تأثيرات متوسطة إلى كبيرة للإفصاح الذاتي في تفاعلات روبوتات الدردشة (قيم η² الجزئية 0.09 و0.12). كانت المعلمات المحددة للتحليلات هي α = 0.05 و1-β = 0.80، مستهدفةً حجم عينة إجمالي لا يقل عن 120 مشاركًا لأخذ المشاكل التقنية المحتملة في الاعتبار، مما أسفر في النهاية عن 122 مشاركًا بعد استبعاد تسعة بسبب الأخطاء.
تم إبلاغ المشاركين، الذين كانوا جميعًا فوق 18 عامًا ومقيدين في برنامج ماجستير في تعليم المعلمين في جامعة ألمانية، عن هدف الدراسة وقدموا موافقة مستنيرة وفقًا لإعلان هلسنكي. تم تعيينهم عشوائيًا إلى واحدة من ثلاث مجموعات: ذكاء اصطناعي متعاطف، ذكاء اصطناعي رحيم، أو مجموعة التحكم. تفاعلت مجموعات الذكاء الاصطناعي مع روبوت دردشة مصمم لمحاكاة وجهة نظر شجرة حول قطع الأشجار الانتقائي، بينما قرأت مجموعة التحكم رسالة من الشجرة. بعد التفاعل، أكمل المشاركون استبيانًا بعدي يقيم التعاطف المدرك، الرحمة، الضيق، أخذ وجهات النظر، والارتباط بالطبيعة، مع قياس الصفات الأساسية مسبقًا للسيطرة على الاختلافات الفردية. التزمت الدراسة بالإرشادات الأخلاقية واستخدمت منصة SoSci Survey لجمع البيانات والتوزيع العشوائي.
النتائج
في هذه الدراسة، استخدم الباحثون عدة تحليلات ANOVA أحادية لتقييم الفروق بين ثلاث حالات: المشاركون الذين تفاعلوا مع ذكاء اصطناعي متعاطف (n = 41)، ذكاء اصطناعي رحيم (n = 41)، ومجموعة التحكم التي تقرأ نصًا (n = 40). بعد تحديد الفروق العامة بين المجموعات، تم استخدام تباينات هيلمرت العكسية لتحليل المقارنات المحددة بشكل أكبر: أولاً، بين تفاعلات الذكاء الاصطناعي وقراءة النص، وثانيًا، بين نوعي الذكاء الاصطناعي.
تم توثيق النتائج التفصيلية في الملحق، مما يبرز الفروق الكبيرة في استجابات المشاركين بناءً على نوع التفاعل. تؤكد النتائج على التأثيرات المتفاوتة للذكاء الاصطناعي المتعاطف والرحيم مقارنة بالتفاعل القائم على النص التقليدي، مما يشير إلى أن طبيعة الانخراط العاطفي للذكاء الاصطناعي قد تؤثر على تجربة المستخدم والنتائج.
المناقشة
تؤكد قسم المناقشة في ورقة البحث على دمج العمليات العاطفية والمعرفية في التعليم من أجل التنمية المستدامة (ESD). تبرز أهمية المشاعر مثل التعاطف، الرحمة، والضيق في تعزيز السلوك البيئي الإيجابي وتعزيز فهم المتعلمين لاحتياجات الطبيعة. تستكشف الدراسة كيف يمكن لروبوت دردشة معتمد على نموذج لغة كبير (LLM) أن يستثير هذه المشاعر من خلال تصاميم شخصيات مختلفة، مع التركيز بشكل خاص على شخصية متعاطفة مقابل شخصية رحيمة. تشير النتائج إلى أنه بينما يمكن أن يؤدي التعاطف إلى زيادة الضيق، فإن الرحمة مرتبطة بنتائج عاطفية إيجابية وعمليات تعلم معرفية محسنة، مثل أخذ وجهات النظر والتأمل.
تستكشف الأبحاث أيضًا تداعيات استخدام روبوتات الدردشة المعتمدة على LLM في السياقات التعليمية، لا سيما فيما يتعلق بالعبء العاطفي الذي قد تفرضه على المتعلمين. من خلال ضبط مطالبات النظام لإنشاء شخصيات ذكاء اصطناعي متميزة، تهدف الدراسة إلى تقييم تأثيرها على الاستجابات العاطفية والمعرفية للمتعلمين. تقترح الفرضيات أن التفاعلات مع الذكاء الاصطناعي الرحيم ستؤدي إلى مستويات أعلى من الرحمة والانخراط المعرفي مقارنة بالذكاء الاصطناعي المتعاطف ومجموعة التحكم التي تقرأ نصًا. كما تفحص الدراسة العلاقة بين هذه الاستجابات العاطفية والارتباط بالطبيعة، مقترحةً أن زيادة الرحمة وأخذ وجهات النظر ستتوافق إيجابيًا مع ارتباط المتعلمين بالطبيعة. بشكل عام، تسهم هذه الأبحاث في فهم كيفية استخدام الذكاء الاصطناعي بشكل فعال في ESD لتعزيز كل من الانخراط العاطفي والتطور المعرفي.
القيود
تسلط قيود هذه الدراسة الضوء على عدة عوامل حاسمة قد تؤثر على صحة وعمومية النتائج. كانت دوافع المشاركين للمشاركة في الدراسة متنوعة، حيث لم يتم تحفيزهم وشاركوا استجاباتهم طواعية. تثير هذه الطبيعة الطوعية مخاوف بشأن مصداقية البيانات، خاصة في سياق الاعتماد المتزايد على تقنيات الذكاء الاصطناعي، والتي قد تؤثر على تصورات الثقة. بالإضافة إلى ذلك، أظهرت التحليلات الإحصائية أن ليس جميع المتغيرات التابعة كانت موزعة بشكل طبيعي، مع وجود قيم شاذة كبيرة في مقاييس مثل التأمل الذاتي والارتباط بالطبيعة (INS). بينما يمكن أن تتحمل ANOVA بعض الانحرافات عن الطبيعية، فإن استبعاد القيم الشاذة غير بشكل ملحوظ نتائج اختلافات المجموعات، على الرغم من أن الارتباطات بين INS، الرحمة، وأخذ وجهات النظر ظلت مستقرة.
قد يحد تركيز الدراسة على سيناريو محدد – التحدث مع شجرة تأثرت بقطع الأشجار الانتقائي في غابة الأمازون المطيرة – من قابلية تطبيق النتائج. أعرب المشاركون عن أن الطبيعة الاصطناعية للتفاعل قللت من انخراطهم، حيث وجد البعض أن الاستجابات مبالغ فيها. يشير هذا إلى أن الأبحاث المستقبلية قد تستفيد من استكشاف التفاعلات مع تمثيلات الذكاء الاصطناعي للتجارب البشرية، والتي قد تعزز الروابط العاطفية الأعمق. علاوة على ذلك، فإن نتائج الدراسة مقيدة بالسياق التعليمي المحدد، مما يشير إلى الحاجة إلى مزيد من التحقيق في الذكاء الاصطناعي المعتمد على LLM في بيئات تعليمية أكثر أصالة. يجب أن تأخذ الدراسات المستقبلية أيضًا في الاعتبار تغيير النغمة العاطفية لمطالبات الذكاء الاصطناعي وفحص آثار التعرض المطول أو المتكرر للمحتوى المثير للقلق على نتائج المتعلمين.
DOI: https://doi.org/10.1038/s41598-026-39317-6
PMID: https://pubmed.ncbi.nlm.nih.gov/41723154
Publication Date: 2026-02-21
Author(s): Pia Spangenberger et al.
Primary Topic: Artificial Intelligence in Education
Overview
The study investigates the impact of personalized interactions with generative artificial intelligence (GenAI) chatbots on learning outcomes, particularly focusing on emotional and cognitive processes relevant to education for sustainable development. By manipulating system prompts to create distinct AI personalities—empathic and compassionate—the research evaluates their effects on learners’ emotions (e.g., empathy, compassion, distress) and cognitive skills (e.g., perspective-taking, reflection, knowledge). The findings indicate that interactions with an empathic AI elicit stronger emotional responses compared to a compassionate AI and a control group that engaged with a text. However, while all groups demonstrated knowledge gain, no significant differences were observed among them.
The research underscores the potential of LLM-based chatbots to facilitate personalized learning experiences, aligning with theories such as the Cognitive Theory of Multimedia Learning (CTML) and the Cognitive-Affective-Social Theory of Learning in Digital Environments (CASTLE). These theories highlight the importance of social interactions and personalized communication in enhancing cognitive processing and emotional engagement. Despite the positive emotional responses elicited by the empathic AI, the study suggests that the conversational nature of GenAI may not necessarily translate to improved knowledge acquisition, indicating a need for further research to optimize the educational use of AI chatbots.
Methods
In this study, a priori power analyses were conducted using G*Power to determine the necessary sample size for one-way ANCOVA and ANOVA analyses, based on previous findings indicating medium to large effects of self-disclosure in chatbot interactions (partial η² values of 0.09 and 0.12). The parameters set for the analyses were α = 0.05 and 1-β = 0.80, targeting a total sample size of at least 120 participants to account for potential technical issues, ultimately resulting in 122 participants after excluding nine due to errors.
Participants, all over 18 years old and enrolled in a Master’s program in teacher education at a German university, were informed about the study’s purpose and provided informed consent in accordance with the Declaration of Helsinki. They were randomly assigned to one of three groups: Empathic-AI, Compassionate-AI, or a control group. The AI groups interacted with a chatbot designed to simulate a tree’s perspective on selective logging, while the control group read a letter from the tree. Following the interaction, participants completed a post-questionnaire assessing perceived empathy, compassion, distress, perspective-taking, and nature connectedness, with baseline traits measured beforehand to control for individual differences. The study adhered to ethical guidelines and utilized the SoSci Survey platform for data collection and randomization.
Results
In this study, the researchers employed multiple one-way ANOVAs to assess differences among three conditions: participants interacting with an Empathic AI (n = 41), a Compassionate AI (n = 41), and a control group reading a text (n = 40). Upon identifying general differences among the groups, reverse Helmert contrasts were utilized to further analyze specific comparisons: first, between the AI interactions and the text reading, and second, between the two AI types.
The detailed findings are documented in the Appendix, highlighting significant distinctions in participant responses based on the type of interaction. The results underscore the varying impacts of Empathic and Compassionate AIs compared to traditional text-based engagement, suggesting that the nature of the AI’s emotional engagement may influence user experience and outcomes.
Discussion
The discussion section of the research paper emphasizes the integration of affective and cognitive processes in education for sustainable development (ESD). It highlights the significance of emotions such as empathy, compassion, and distress in fostering pro-environmental behavior and enhancing learners’ understanding of nature’s needs. The study investigates how a large language model (LLM)-based chatbot can evoke these emotions through different character designs, specifically focusing on an empathic versus a compassionate personality. The findings suggest that while empathy can lead to increased distress, compassion is associated with positive emotional outcomes and enhanced cognitive learning processes, such as perspective-taking and reflection.
The research further explores the implications of using LLM-based chatbots in educational contexts, particularly concerning the emotional burden they may impose on learners. By fine-tuning system prompts to create distinct AI personalities, the study aims to assess their impact on learners’ emotional and cognitive responses. The hypotheses propose that interactions with the compassionate AI will yield higher levels of compassion and cognitive engagement compared to the empathic AI and a control group reading a text. The study also examines the relationship between these emotional responses and nature connectedness, positing that increased compassion and perspective-taking will correlate positively with learners’ connection to nature. Overall, this research contributes to understanding how AI can be effectively utilized in ESD to promote both emotional engagement and cognitive development.
Limitations
The limitations of this study highlight several critical factors that may affect the validity and generalizability of the findings. Participants’ motivations to engage in the study were varied, as they were not incentivized and voluntarily shared their responses. This voluntary nature raises concerns about the credibility of the data, especially in the context of increasing reliance on AI technologies, which may influence perceptions of trustworthiness. Additionally, the statistical analysis indicated that not all dependent variables were normally distributed, with significant outliers present in measures such as self-perceived reflection and nature connectedness (INS). While ANOVA can tolerate some deviations from normality, the exclusion of outliers notably altered group difference outcomes, although correlations among INS, compassion, and perspective-taking remained stable.
The study’s focus on a specific scenario—conversing with a tree affected by selective logging in the Amazon rainforest—may limit the applicability of the results. Participants expressed that the artificial nature of the interaction diminished their engagement, with some finding the responses overly dramatic. This suggests that future research could benefit from exploring interactions with AI representations of human experiences, which might foster deeper emotional connections. Furthermore, the study’s findings are constrained by the particular learning context, indicating a need for further investigation into LLM-based AIs in more authentic educational settings. Future studies should also consider varying the emotional tone of AI prompts and examining the effects of prolonged or repeated exposure to distressing content on learner outcomes.