DOI: https://doi.org/10.29333/ejmste/18263
تاريخ النشر: 2026-03-29
المؤلف: César Gallart وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في التعليم
نظرة عامة
تستكشف هذه الدراسة تفاعل المعلمين المستقبليين مع ChatGPT أثناء حل مشاكل فيرمي، مع التركيز على تأثير تعقيد المشكلة والخبرة السابقة على استخدامهم لأدوات الذكاء الاصطناعي. تحدد الأبحاث ثلاثة ملفات تعريف متميزة للتفاعل مع الذكاء الاصطناعي – خبير، مساعد، وداعم – تعكس مستويات مختلفة من الاستقلالية في حل المشكلات. تشير النتائج إلى أن المعلمين المستقبليين يميلون إلى الاعتماد أكثر على الذكاء الاصطناعي في المشاكل المعقدة، بينما يظهر أولئك الذين لديهم خبرة سابقة في حل المشكلات في الهواء الطلق أو استخدام ChatGPT السابق استقلالية أكبر وتفاعلًا تأمليًا.
تسلط الدراسة الضوء على ضرورة تصميم تعليمي يدمج النمذجة الرياضية في الأنشطة التعليمية، مما يعزز الروابط بين السياقات الواقعية والتفكير الرياضي. كما تؤكد على المخاطر المحتملة للاعتماد المفرط على الذكاء الاصطناعي عندما يكون الدعم غير مدعوم بشكل كافٍ، بينما تدعو أيضًا إلى التبرير التربوي لاستخدام الذكاء الاصطناعي في المهام الروتينية لتعزيز التفكير على مستوى أعلى. يقترح المؤلفون اتجاهات بحثية مستقبلية، بما في ذلك دراسات مقارنة حول دعم الذكاء الاصطناعي خلال مراحل معينة من دورة النمذجة وتأثير التعليم الصريح في تصميم المحفزات على اتخاذ القرارات ووكالة المعلمين المستقبليين. بشكل عام، تسهم النتائج في فهم كيفية دمج الذكاء الاصطناعي بشكل فعال في تعليم الرياضيات، وتعزيز الاستخدام النقدي والمسؤول في سياقات النمذجة.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على الأهمية المتزايدة للنمذجة الرياضية في التعليم، وخاصة تكاملها في المناهج الدولية. على الرغم من قيمتها المعترف بها، تظل ممارسات النمذجة غير مستغلة بشكل كافٍ في التعليم الابتدائي، مما يحد من فرص الطلاب في تطبيق الرياضيات على المواقف الواقعية والانخراط في التفكير النقدي. تم تحديد مشاكل فيرمي كأدوات تربوية فعالة في هذا السياق، حيث تشجع على عمليات النمذجة الأساسية بينما تكون متاحة للمبتدئين في النمذجة. ومع ذلك، غالبًا ما يواجه المعلمون المستقبليون صعوبة في هذه المهام، مما يشير إلى الحاجة إلى دعم تعليمي مستهدف.
تستكشف الورقة أيضًا دور التقنيات التعليمية، وخاصة الذكاء الاصطناعي، في تعزيز ممارسات النمذجة. يمكن أن تعمل أدوات الذكاء الاصطناعي كمصادر معرفية، لكن فعاليتها تتأثر بتفاعل المستخدم واستراتيجيات التحفيز. على الرغم من الأبحاث الموجودة حول تأثير الذكاء الاصطناعي على التعليم، لا تزال هناك فجوات بشأن كيفية دمج المعلمين المستقبليين للذكاء الاصطناعي في عملية النمذجة، خاصة فيما يتعلق بتعقيد المهام والخبرات السابقة. تهدف هذه الدراسة إلى معالجة هذه الفجوات من خلال تصميم شبه تجريبي يستكشف تفاعلات المعلمين المستقبليين مع ChatGPT أثناء حل مشاكل فيرمي، في النهاية تسعى إلى إبلاغ الممارسات التعليمية التي تعزز التفاعل النقدي مع الذكاء الاصطناعي في تعليم المعلمين.
الطرق
في هذه الدراسة، تم استخدام تصميم شبه تجريبي للتحقيق في أسئلة البحث المتعلقة بمعلمي التعليم الابتدائي المستقبليين. تم اختيار العينة بشكل ملائم، مما يسمح بجمع بيانات عملية مع التركيز على السكان المحددين المعنيين. يسهل هذا النهج المنهجي فحص التدخلات التعليمية وتأثيراتها على استعداد المعلمين واستراتيجياتهم التربوية. من المتوقع أن تسهم النتائج من هذه الدراسة في تقديم رؤى قيمة حول تدريب وتطوير المعلمين المستقبليين.
النتائج
يقدم قسم “النتائج” في الورقة البحثية النتائج الرئيسية المستمدة من التجارب أو التحليلات التي تم إجراؤها. يوضح نتائج الدراسة، مع تسليط الضوء على نقاط البيانات والاتجاهات المهمة التي لوحظت طوال البحث. غالبًا ما تكون النتائج مصحوبة بتحليلات إحصائية ذات صلة، والتي قد تشمل قيم p، فترات الثقة، أو معاملات الارتباط، لدعم النتائج.
بالإضافة إلى ذلك، يتم استخدام أي تمثيلات رسومية، مثل الرسوم البيانية أو الجداول، لتوضيح البيانات بوضوح، مما يسمح بتفسير أسهل للنتائج. قد يناقش القسم أيضًا آثار هذه النتائج فيما يتعلق بأسئلة البحث المطروحة في البداية، مما يوفر رؤى حول التأثير الأوسع للدراسة ضمن هذا المجال. بشكل عام، يعمل هذا القسم كعنصر حاسم في الورقة، ملخصًا الأدلة التجريبية التي تدعم استنتاجات المؤلفين.
المناقشة
يؤكد قسم المناقشة في الورقة البحثية على الدور الحاسم لحل المشكلات في تعليم الرياضيات، وخاصة من خلال عدسة نمذجة المشكلات، التي تتميز بأنها أصيلة ومعقدة ومفتوحة النهاية. تسهل هذه المشكلات تطوير الكفاءة الرياضية من خلال السماح للطلاب بالانخراط في التفكير وربط المفاهيم الرياضية بالسياقات الواقعية. تستكشف الدراسة بشكل خاص كيف يتفاعل المعلمون المستقبليون مع أدوات الذكاء الاصطناعي التوليدية، مثل ChatGPT، أثناء حل مشاكل فيرمي ذات التعقيد المتنوع. تكشف النتائج عن ملفات تعريف استخدام الذكاء الاصطناعي المتميزة بناءً على استراتيجيات التحفيز واستقلالية المحللين، مما يبرز أن فعالية دعم الذكاء الاصطناعي تتأثر بتعقيد المشكلة وتجارب المحلل السابقة.
تؤكد الأبحاث على أهمية استراتيجيات التحفيز في تعزيز التفاعل مع الذكاء الاصطناعي أثناء عملية النمذجة. تحدد أنواعًا مختلفة من المحفزات التي تتماشى مع مراحل مختلفة من حل المشكلات، مثل فهم المشكلة، إنشاء النموذج، العمل رياضيًا، وتفسير النتائج. تشير نتائج الدراسة إلى أنه بينما يمكن أن يعمل ChatGPT كأداة داعمة في مهام النمذجة، فإن قيمته التعليمية تعتمد على جودة المحفزات المستخدمة ودرجة المسؤولية التي يتحملها المحلل. وهذا يشير إلى أن التدريب الفعال للمعلمين المستقبليين يجب أن يركز على تطوير مهاراتهم في استخدام أدوات الذكاء الاصطناعي بشكل مدروس واستراتيجي، خاصة في سيناريوهات حل المشكلات المفتوحة والمعقدة.
القيود
تقدم الدراسة عدة قيود يجب أخذها في الاعتبار عند تفسير نتائجها. أولاً، تم اختيار العينة بشكل حصري من جامعة واحدة، مما قد يحد من قابلية تعميم النتائج. بالإضافة إلى ذلك، لم يتم تقييم الخصائص الفردية مثل الخبرة السابقة مع ChatGPT، ومستويات المعرفة الرقمية أو الذكاء الاصطناعي، والكفاءة في النمذجة الرياضية، مما قد يؤثر على كيفية تفاعل المعلمين المستقبليين مع أداة الذكاء الاصطناعي. يجب أن تهدف الأبحاث المستقبلية إلى الحصول على عينات ومجموعات متنوعة من المشاركين لتعزيز فهم هذه التفاعلات.
ثانيًا، بينما حددت الدراسة ارتباطات ذات دلالة إحصائية، كانت أحجام التأثير متواضعة، وكان الاعتماد على بيانات السجل والقطع المكتوبة محدودًا للرؤى حول نوايا المشاركين وعمليات التفكير. يشير هذا النهج المنهجي إلى أن النتائج تعكس اتجاهات دالة بدلاً من ادعاءات تفسيرية قوية. قد تؤدي دمج الأساليب النوعية، مثل المقابلات أو بروتوكولات التفكير بصوت عالٍ، إلى الحصول على رؤى أغنى حول العمليات المعرفية المعنية في تفويض مهام النمذجة إلى الذكاء الاصطناعي. علاوة على ذلك، ركز التحليل على استخدام ChatGPT دون تقييم الجودة الرياضية أو التربوية لمخرجاته، وهو أمر حاسم لفهم آثار الذكاء الاصطناعي في السياقات التعليمية. أخيرًا، استخدمت الدراسة إصدار ChatGPT 3.5، ونظرًا للتقدم السريع في الذكاء الاصطناعي التوليدي، قد تنتج النماذج الأحدث أنماط تفاعل مختلفة، مما يبرز ضرورة البحث المستمر في هذا المجال المتطور. بشكل عام، تعتبر النتائج بمثابة أساس استكشافي لمزيد من التحقيق في دمج الذكاء الاصطناعي التوليدي في حل مشكلات النمذجة الرياضية.
DOI: https://doi.org/10.29333/ejmste/18263
Publication Date: 2026-03-29
Author(s): César Gallart et al.
Primary Topic: Artificial Intelligence in Education
Overview
This study investigates the engagement of pre-service teachers (PSTs) with ChatGPT while solving Fermi problems (FPs), emphasizing the influence of problem complexity and prior experience on their use of AI tools. The research identifies three distinct profiles of AI engagement—expert, assistant, and support—reflecting varying levels of autonomy in problem-solving. Findings indicate that PSTs tend to rely more on AI for complex problems, while those with prior experience in outdoor problem-solving or previous use of ChatGPT demonstrate greater autonomy and reflective engagement.
The study highlights the necessity of instructional design that integrates mathematical modeling into learning activities, fostering connections between real-world contexts and mathematical reasoning. It underscores the potential risks of over-dependence on AI when support is inadequately scaffolded, while also advocating for the pedagogical justification of using AI for routine tasks to enhance higher-level reasoning. The authors suggest future research directions, including comparative studies on AI support during specific phases of the modeling cycle and the impact of explicit instruction in prompt design on PSTs’ decision-making and agency. Overall, the findings contribute to understanding how AI can be effectively integrated into mathematics education, promoting critical and responsible use in modeling contexts.
Introduction
The introduction of this research paper highlights the growing importance of mathematical modeling in education, particularly its integration into international curricula. Despite its recognized value, modeling practices remain underutilized in primary education, limiting students’ opportunities to apply mathematics to real-world situations and engage in critical thinking. Fermi problems (FPs) are identified as effective pedagogical tools within this context, as they encourage essential modeling processes while being accessible to novice modelers. However, pre-service teachers (PSTs) often struggle with these tasks, indicating a need for targeted instructional support.
The paper further explores the role of educational technologies, particularly artificial intelligence (AI), in enhancing modeling practices. AI tools can serve as cognitive resources, but their effectiveness is influenced by user interaction and prompting strategies. Despite existing research on AI’s impact on education, gaps remain regarding how PSTs integrate AI in the modeling process, especially in relation to task complexity and prior experiences. This study aims to address these gaps through a quasi-experimental design that investigates PSTs’ interactions with ChatGPT while solving FPs, ultimately seeking to inform instructional practices that foster critical engagement with AI in teacher education.
Methods
In this study, a quasi-experimental design was employed to investigate the research questions (RQs) concerning future primary education teachers. The sample was selected conveniently, allowing for practical data collection while focusing on the specific population of interest. This methodological approach facilitates the examination of educational interventions and their effects on teacher preparedness and pedagogical strategies. The findings from this study are expected to contribute valuable insights into the training and development of future educators.
Results
The “Results” section of the research paper presents the key findings derived from the conducted experiments or analyses. It details the outcomes of the study, highlighting significant data points and trends observed throughout the research. The results are often accompanied by relevant statistical analyses, which may include p-values, confidence intervals, or correlation coefficients, to substantiate the findings.
Additionally, any graphical representations, such as charts or tables, are utilized to illustrate the data clearly, allowing for easier interpretation of the results. The section may also discuss the implications of these findings in relation to the research questions posed at the outset, providing insights into the broader impact of the study within the field. Overall, this section serves as a critical component of the paper, summarizing the empirical evidence that supports the authors’ conclusions.
Discussion
The discussion section of the research paper emphasizes the critical role of problem-solving in mathematics education, particularly through the lens of modeling problems, which are characterized as authentic, complex, and open-ended. These problems facilitate the development of mathematical competence by allowing students to engage in reasoning and connect mathematical concepts with real-world contexts. The study specifically investigates how pre-service teachers (PSTs) interact with generative AI tools, such as ChatGPT, while solving Fermi Problems (FPs) of varying complexity. The findings reveal distinct AI use profiles based on prompting strategies and solver autonomy, highlighting that the effectiveness of AI support is influenced by the complexity of the problem and the solver’s prior experiences.
The research underscores the importance of prompting strategies in enhancing the interaction with AI during the modeling process. It identifies various types of prompts that align with different phases of problem-solving, such as understanding the problem, establishing the model, working mathematically, and interpreting results. The study’s results indicate that while ChatGPT can serve as a supportive tool in modeling tasks, its educational value is contingent upon the quality of the prompts used and the degree of responsibility assumed by the solver. This suggests that effective training for PSTs should focus on developing their skills in using AI tools thoughtfully and strategically, particularly in open-ended and complex problem-solving scenarios.
Limitations
The study presents several limitations that must be considered when interpreting its findings. Firstly, the sample was exclusively drawn from a single university, which may restrict the generalizability of the results. Additionally, individual characteristics such as prior experience with ChatGPT, levels of digital or AI literacy, and competence in mathematical modeling were not evaluated, potentially influencing how preservice teachers (PSTs) interacted with the AI tool. Future research should aim for more diverse participant samples and profiles to enhance the understanding of these interactions.
Secondly, while the study identified statistically significant associations, the effect sizes were modest, and the reliance on log data and written artifacts limited insights into participants’ intentions and reasoning processes. This methodological approach suggests that the findings reflect indicative tendencies rather than robust explanatory claims. Incorporating qualitative methods, such as interviews or think-aloud protocols, could yield richer insights into the cognitive processes involved in delegating modeling tasks to AI. Furthermore, the analysis concentrated on the use of ChatGPT without assessing the mathematical or pedagogical quality of its outputs, which is crucial for understanding the implications of AI in educational contexts. Lastly, the study utilized ChatGPT version 3.5, and given the rapid advancements in generative AI, newer models may produce different interaction patterns, highlighting the necessity for ongoing research in this evolving field. Overall, the findings serve as an exploratory foundation for further investigation into the integration of generative AI in mathematical modeling problem-solving.