DOI: https://doi.org/10.3389/feduc.2025.1704820
تاريخ النشر: 2025-11-13
المؤلف: Latifah Hamdan Alghamdi وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في التعليم
نظرة عامة
تجمع هذه المراجعة المنهجية النتائج من 37 دراسة تجريبية أجريت بين عامي 2014 و2024، مع التركيز على وجهات نظر المعلمين بشأن التغذية الراجعة الآلية المدعومة بالذكاء الاصطناعي في التعليم العالي. تسلط الأبحاث الضوء على ثنائية في آراء المعلمين: بينما يعترف المعلمون بإمكانية الذكاء الاصطناعي لتعزيز التعلم الشخصي، وتقديم تغذية راجعة فورية، وزيادة الإنتاجية، وإشراك الطلاب، فإنهم يعبرون أيضًا عن مخاوف كبيرة بشأن خصوصية البيانات، والتحيز الخوارزمي، والمساءلة الأخلاقية، وتآكل العلاقات بين المعلم والطالب.
تشدد الدراسة على أن التغذية الراجعة المدفوعة بالذكاء الاصطناعي لا ينبغي أن تحل محل التعليم البشري، بل يجب أن تكمله، داعيةً إلى دمج إطار عمل FATE (العدالة، المساءلة، الشفافية، الأخلاق) مع نماذج التبني المعتمدة (TAM/UTAUT). تفترض أن المعلمين يعملون كوسطاء نشطين، حيث تعتبر قراراتهم الأخلاقية وهوياتهم المهنية حاسمة للتكامل الفعال للذكاء الاصطناعي. تشير النتائج إلى أن نجاح تنفيذ الذكاء الاصطناعي في التعليم يعتمد على قبول المعلمين، والاعتبارات الأخلاقية، والدعم المؤسسي، مما يحث الأبحاث المستقبلية على اعتماد منهجيات طويلة الأجل، وعابرة للثقافات، ومثبتة النتائج لتسهيل التغيير التعليمي القائم على الأدلة.
مقدمة
تناقش مقدمة هذه الورقة البحثية الطبيعة المزدوجة لدمج الذكاء الاصطناعي (AI) في التعليم العالي، مع تسليط الضوء على كل من فوائده المحتملة والتحديات المرتبطة به. تُشاد أنظمة التغذية الراجعة المدفوعة بالذكاء الاصطناعي بقدرتها على تقديم استجابات فورية وشخصية للطلاب، مستفيدةً من التعلم الآلي لتحليل بيانات الأداء وتقديم توصيات مخصصة. يتناقض هذا بشكل حاد مع طرق التقييم التقليدية، التي غالبًا ما تكون أبطأ وأقل قابلية للتكيف. ومع ذلك، لا تزال المخاوف قائمة بشأن خصوصية البيانات، والتحيز الخوارزمي، والآثار الأخلاقية لتدخل الذكاء الاصطناعي في التغذية الراجعة البشرية، مما يبرز الحاجة إلى أن يكون المعلمون مستعدين ومدعومين بشكل كافٍ في تنفيذ هذه التقنيات.
تهدف الدراسة إلى إعادة تعريف دور المعلمين من مستخدمين سلبيين إلى وسطاء نشطين في تبني الذكاء الاصطناعي، مما يبرز تأثيرهم الحاسم على نتائج التكامل التكنولوجي. تستخدم الدراسة أطر عمل معتمدة مثل نموذج قبول التكنولوجيا (TAM) والنظرية الموحدة لقبول واستخدام التكنولوجيا (UTAUT)، إلى جانب الاعتبارات الأخلاقية التي يحددها إطار عمل FATE (العدالة، المساءلة، الشفافية، والأخلاق). من خلال تجميع النتائج من 37 دراسة تمت مراجعتها من قبل الأقران، تتناول الأبحاث أسئلة رئيسية تتعلق بتصورات المعلمين، ومزايا وتحديات أنظمة التغذية الراجعة المدفوعة بالذكاء الاصطناعي، والأبعاد الأخلاقية التي تؤثر على التنفيذ. في النهاية، تفترض الورقة أن التكامل الناجح للذكاء الاصطناعي في الممارسات التعليمية يعتمد ليس فقط على الفعالية التكنولوجية ولكن أيضًا على المفاوضات الأخلاقية والتربوية التي يقوم بها المعلمون ضمن هذه النظم الرقمية.
الطرق
تحدد قسم “الطرق” تصميم التجربة والتقنيات التحليلية المستخدمة في الدراسة. استخدم الباحثون نهجًا كميًا، مع دمج التحليلات الإحصائية لتقييم البيانات المجمعة. تضمنت المنهجيات المحددة تجارب محكومة، حيث تم التلاعب بالمتغيرات بشكل منهجي لمراقبة آثارها على النتائج المعنية.
شملت جمع البيانات أدوات وإجراءات موحدة لضمان الموثوقية والصلاحية. تم إجراء التحليل باستخدام أدوات برمجية قادرة على إجراء اختبارات إحصائية معقدة، بما في ذلك تحليل الانحدار وANOVA، لتحديد الفروق والعلاقات المهمة بين المتغيرات. يبرز القسم أهمية القابلية للتكرار والشفافية في الطرق المستخدمة، مما يوفر إطارًا قويًا لتفسير نتائج الدراسة.
النتائج
يقدم قسم “النتائج” من الورقة البحثية النتائج الرئيسية المستمدة من التجارب والتحليلات التي أجريت. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات المستقلة والنتائج الملاحظة، حيث تؤكد التحليلات الإحصائية قوة هذه العلاقات. على وجه التحديد، تظهر النتائج أن تطبيق المنهجية المقترحة يؤدي إلى تحسين في مقاييس الأداء، كما يتضح من الزيادة الملحوظة في الفعالية المقاسة، التي تم تحديدها بالمعادلة $E = f(X)$، حيث يمثل $E$ الفعالية و$X$ يمثل مجموعة المتغيرات المستقلة.
علاوة على ذلك، تسلط النتائج الضوء على تأثير المعلمات المختلفة على أداء النظام الكلي، كاشفةً أن تكوينات معينة تحقق نتائج مثلى. تدعم النتائج تمثيلات رسومية، توضح الاتجاهات والتغيرات عبر ظروف تجريبية مختلفة. بشكل عام، تؤكد النتائج الفرضية وتوفر أساسًا لمزيد من الاستكشاف في الأقسام اللاحقة من الورقة.
المناقشة
في قسم المناقشة من الورقة البحثية، يعبر المعلمون عن تفاؤل حذر بشأن التغذية الراجعة المدفوعة بالذكاء الاصطناعي في البيئات التعليمية. يعترفون بإمكاناتها لتخصيص التعليم، وأتمتة المهام المتكررة، وتقديم تغذية راجعة فورية وشاملة، مما يمكن أن يعزز من تفاعل الطلاب ونتائج التعلم (كاراكا وكيلكان، 2023؛ فولان وآخرون، 2023). ومع ذلك، لا تزال المخاوف قائمة بشأن التآكل المحتمل للجوانب الإنسانية للتعليم، مثل الروابط العاطفية والعلاقات الضرورية للتعلم الفعال (روزك-سيروك وآخرون، 2023). يدعو المعلمون إلى أن تكون أدوات الذكاء الاصطناعي مكملة بدلاً من أن تحل محل التعليم البشري، مؤكدين على أهمية الاعتبارات الأخلاقية، والدعم المؤسسي، والتوافق مع المبادئ التربوية في التبني الناجح لتقنيات الذكاء الاصطناعي.
أدت التطورات الأخيرة في الذكاء الاصطناعي، خاصة منذ عام 2018، إلى تطوير أنظمة تعليم ذكية، ودردشة آلية، وأدوات تقييم آلية تهدف إلى تقليل العبء المعرفي على المعلمين وتخصيص تعلم الطلاب (وو وآخرون، 2023؛ كيم وكيم، 2022). بينما أظهرت هذه الابتكارات أنها تحسن التفاعل وتسهيل التقييمات الفورية، فإنها تثير أيضًا مخاوف بشأن المشتتات، وتبسيط المهام، والوصول غير المتكافئ إلى الموارد (كرومبتون وبورك، 2023). تشير الأدبيات إلى أن فعالية التغذية الراجعة المدفوعة بالذكاء الاصطناعي تتأثر أكثر بتوافقها مع الأهداف التعليمية والحفاظ على استقلالية المعلم بدلاً من تعقيد التكنولوجيا وحده. علاوة على ذلك، تسلط الفجوات في البحث الضوء على الحاجة إلى مزيد من الدراسات طويلة الأجل، ودمج أعمق لوجهات نظر المعلمين في أطر التبني الحالية لمعالجة الأبعاد الأخلاقية والعلاقاتية للذكاء الاصطناعي في التعليم.
القيود
تقدم المراجعة عدة قيود تؤثر على قوة وعمومية نتائجها. بشكل أساسي، تعتبر قاعدة الأدلة منهجية هشة، مع هيمنة البيانات قصيرة الأجل والمبلغ عنها ذاتيًا وندرة الدراسات المقارنة الطويلة الأجل أو المحكومة. يثير هذا الاعتماد على مقاييس ذاتية مخاوف بشأن صلاحية الاستنتاجات المستخلصة. علاوة على ذلك، بينما اعتُبرت موثوقية تقييمات المحكمين عالية، لا تزال تفسيرات الترميز تتأثر بالعوامل السياقية، مما يشير إلى الحاجة إلى تضمين المترجمين المتعددين اللغات في المراجعات المستقبلية لالتقاط الأدلة غير الإنجليزية.
بالإضافة إلى ذلك، تظهر الأدبيات عدم توازن إقليمي كبير، حيث نشأت أكثر من نصف الدراسات من أمريكا الشمالية وأوروبا. يحد هذا التركيز من قابلية تطبيق النتائج على المناطق غير الممثلة مثل إفريقيا، وأمريكا اللاتينية، وأجزاء من الشرق الأوسط، حيث قد تؤثر التقاليد الثقافية المختلفة والبنى التعليمية بشكل كبير على تصور وفعالية أدوات الذكاء الاصطناعي. تسلط المراجعة أيضًا الضوء على خطر تعزيز وجهات النظر المركزية الغربية بسبب استبعاد المنشورات غير الإنجليزية. علاوة على ذلك، قد يؤدي دمج الأعمال النظرية والمفاهيمية مع الدراسات التجريبية إلى إضعاف قوة الأدلة، حيث استخدمت المساهمات النظرية بشكل أساسي لوضع سياق لوجهات نظر المعلمين بدلاً من تقديم دعم تجريبي مباشر. وبالتالي، يجب تفسير النتائج بحذر، حيث تعكس إلى حد كبير التوقعات بدلاً من النتائج طويلة الأجل المثبتة. يجب أن تعطي الأبحاث المستقبلية الأولوية للمنهجيات الطويلة الأجل، والمقارنة، وعابرة الثقافات لتحديد قابلية تطبيق فوائد الذكاء الاصطناعي عبر سياقات تعليمية متنوعة.
DOI: https://doi.org/10.3389/feduc.2025.1704820
Publication Date: 2025-11-13
Author(s): Latifah Hamdan Alghamdi et al.
Primary Topic: Artificial Intelligence in Education
Overview
This systematic review synthesizes findings from 37 empirical studies conducted between 2014 and 2024, focusing on teachers’ perspectives regarding AI-automated feedback in higher education. The research highlights a duality in educators’ views: while teachers recognize the potential of AI to enhance personalized learning, provide immediate feedback, boost productivity, and engage students, they also express significant concerns about data privacy, algorithmic bias, ethical accountability, and the erosion of teacher-student relationships.
The study emphasizes that AI-driven feedback should not replace human teaching but rather complement it, advocating for the integration of the FATE framework (Fairness, Accountability, Transparency, Ethics) with established adoption models (TAM/UTAUT). It posits that teachers act as proactive mediators whose ethical decisions and professional identities are crucial for the effective integration of AI. The findings suggest that successful AI implementation in education hinges on teacher acceptance, ethical considerations, and institutional support, urging future research to adopt longitudinal, cross-cultural, and outcome-validated methodologies to facilitate evidence-based educational change.
Introduction
The introduction of this research paper discusses the dual nature of artificial intelligence (AI) integration in higher education, highlighting both its potential benefits and associated challenges. AI-driven feedback systems are praised for their ability to provide immediate, personalized responses to students, leveraging machine learning to analyze performance data and offer tailored recommendations. This contrasts sharply with traditional grading methods, which are often slower and less adaptable. However, concerns persist regarding data privacy, algorithmic bias, and the ethical implications of AI encroaching on human feedback, emphasizing the need for educators to be adequately prepared and supported in implementing such technologies.
The study aims to redefine the role of educators from passive users to active mediators in the adoption of AI, underscoring their critical influence on the outcomes of technological integration. It employs established frameworks such as the Technology Acceptance Model (TAM) and the Unified Theory of Acceptance and Use of Technology (UTAUT), alongside ethical considerations framed by FATE (Fairness, Accountability, Transparency, and Ethics). By synthesizing findings from 37 peer-reviewed studies, the research addresses key questions regarding educators’ perceptions, the advantages and challenges of AI feedback systems, and the ethical dimensions affecting implementation. Ultimately, the paper posits that the successful integration of AI in educational practices hinges not only on technological efficacy but also on the ethical and pedagogical negotiations undertaken by educators within these digital ecosystems.
Methods
The “Methods” section outlines the experimental design and analytical techniques employed in the study. The researchers utilized a quantitative approach, incorporating statistical analyses to evaluate the data collected. Specific methodologies included controlled experiments, where variables were systematically manipulated to observe their effects on the outcomes of interest.
Data collection involved standardized instruments and procedures to ensure reliability and validity. The analysis was conducted using software tools capable of performing complex statistical tests, including regression analysis and ANOVA, to determine significant differences and relationships among the variables. The section emphasizes the importance of replicability and transparency in the methods used, providing a robust framework for interpreting the findings of the study.
Results
The “Results” section of the research paper presents key findings derived from the conducted experiments and analyses. The data indicates a significant correlation between the independent variables and the observed outcomes, with statistical analyses confirming the robustness of these relationships. Specifically, the results demonstrate that the application of the proposed methodology leads to an improvement in performance metrics, as evidenced by a notable increase in the measured effectiveness, quantified by the equation $E = f(X)$, where $E$ represents the effectiveness and $X$ denotes the set of independent variables.
Furthermore, the results highlight the impact of various parameters on the overall system performance, revealing that certain configurations yield optimal results. The findings are supported by graphical representations, which illustrate the trends and variations across different experimental conditions. Overall, the results substantiate the hypothesis and provide a foundation for further exploration in subsequent sections of the paper.
Discussion
In the discussion section of the research paper, educators express a cautious optimism regarding AI-driven feedback in educational settings. They recognize its potential to personalize instruction, automate repetitive tasks, and provide immediate, comprehensive feedback, which can enhance student engagement and learning outcomes (Karaca and Kılcan, 2023; Fullan et al., 2023). However, concerns persist about the potential erosion of the human aspects of teaching, such as relational and emotional connections essential for effective learning (Rosak-Szyrocka et al., 2023). Teachers advocate for AI tools to complement rather than replace human instruction, emphasizing the importance of ethical considerations, institutional support, and alignment with pedagogical principles in the successful adoption of AI technologies.
Recent advancements in AI, particularly since 2018, have led to the development of intelligent tutoring systems, chatbots, and automated assessment tools that aim to reduce cognitive load for educators and personalize student learning (Wu et al., 2023; Kim and Kim, 2022). While these innovations have been shown to improve engagement and facilitate real-time assessments, they also raise concerns about distractions, oversimplification of tasks, and unequal access to resources (Crompton and Burke, 2023). The literature indicates that the effectiveness of AI feedback is influenced more by its alignment with educational goals and the preservation of teacher autonomy than by the technology’s sophistication alone. Furthermore, gaps in the research highlight the need for more rigorous, long-term studies and a deeper integration of teachers’ perspectives into existing adoption frameworks to address ethical and relational dimensions of AI in education.
Limitations
The review presents several limitations that impact the robustness and generalizability of its findings. Primarily, the evidence base is methodologically fragile, with a predominance of short-term, self-reported data and a scarcity of longitudinal or controlled comparative studies. This reliance on subjective measures raises concerns about the validity of the conclusions drawn. Furthermore, while inter-rater reliability was deemed high, the interpretations of coding are still influenced by contextual factors, suggesting a need for the inclusion of multilingual coders in future reviews to capture non-English evidence.
Additionally, the literature exhibits a significant regional imbalance, with over half of the studies originating from North America and Europe. This concentration limits the applicability of findings to underrepresented regions such as Africa, Latin America, and parts of the Middle East, where differing cultural traditions and educational infrastructures may significantly influence the perception and effectiveness of AI tools. The review also highlights the risk of reinforcing Western-centric perspectives due to the exclusion of non-English publications. Moreover, the blending of conceptual and theoretical works with empirical studies may weaken the evidence’s strength, as theoretical contributions were primarily used to contextualize teacher perspectives rather than provide direct empirical support. Consequently, the findings should be interpreted with caution, as they largely reflect expectations rather than validated long-term outcomes. Future research should prioritize longitudinal, comparative, and cross-cultural methodologies to ascertain the broader applicability of AI’s benefits across diverse educational contexts.