DOI: https://doi.org/10.3389/feduc.2026.1753873
تاريخ النشر: 2026-02-02
المؤلف: Wilmer Alexander Edquén Barboza وآخرون
الموضوع الرئيسي: تجربة التدفق في مجالات متنوعة
نظرة عامة
هدفت الدراسة إلى تقييم تأثير نظام مراقبة الانتباه المدعوم بالذكاء الاصطناعي على تصورات طلاب الجامعات حول ديناميكية الفصل ومستويات الانتباه المبلغ عنها ذاتيًا. باستخدام تصميم شبه تجريبي، تم تقسيم 160 طالبًا إلى مجموعة تجريبية، تلقت تغذية راجعة في الوقت الحقيقي حول الانتباه خلال الحصص، ومجموعة ضابطة شهدت طرق تدريس تقليدية. تم استخدام استبيان AIDA لقياس التغيرات في إدراك الانتباه وديناميكية الفصل قبل وبعد التدخل. أشارت النتائج إلى أن المجموعة التجريبية أفادت بتحسينات كبيرة في كل من إدراك ديناميكية الفصل والتنظيم الذاتي الانتباهي (p < 0.05)، مما يشير إلى زيادة المشاركة خلال الجلسات. تؤكد الاستنتاجات المستخلصة من هذه الدراسة على فعالية النظام المدعوم بالذكاء الاصطناعي في تعزيز الانتباه المستمر والمشاركة بين الطلاب. تشير النتائج إلى أنه عندما يكون الطلاب مشتركين بنشاط ويعكسون عمليات انتباههم، تتحسن مشاركتهم العامة. لم يسهل النظام المراقبة فحسب، بل سمح أيضًا بإجراء تعديلات بيداغوجية في الوقت الحقيقي، مما أدى إلى تجارب صفية أكثر ديناميكية ومشاركة تتناسب مع احتياجات المجموعة. تدعو الدراسة إلى مزيد من الاستكشاف لهذا النظام عبر سياقات أكاديمية وطرائق تدريس متنوعة، فضلاً عن دمجه مع أدوات تكنولوجية أخرى لتعميق فهم الانتباه في بيئات التعلم الحقيقية.
مقدمة
تناقش مقدمة هذه الورقة البحثية الطبيعة الديناميكية لانتباه الطلاب، والتي يمكن ملاحظتها من خلال سلوكيات مثل وضع الجسم، وحركات الرأس، واتجاه النظر. تعتبر هذه المؤشرات بمثابة بدائل للانخراط المعرفي، حيث تشير الدراسات إلى أن مزيجًا من وضع الجذع واتجاه النظر يمكن أن يتنبأ بحالات الانتباه بدقة متوسطة (75.3%) (Zaletelj و Košir، 2017). تؤكد الورقة على أهمية مراقبة هذه السلوكيات في البيئات التعليمية، حيث تتأثر بعوامل مختلفة، بما في ذلك استراتيجيات التدريس، وديناميات المجموعة، وتصميم الأثاث في الفصول الدراسية (Lucía Bernal Castro وآخرون، 2017). بالإضافة إلى ذلك، تم تحديد دعم المعلم كمتنبئ مهم لمشاركة الطلاب (Fernández-Vega وآخرون، 2021).
لقد مكنت التقدمات الحديثة في الذكاء الاصطناعي، وخاصة في رؤية الكمبيوتر، من مراقبة سلوكيات الطلاب في الوقت الحقيقي، مما يوفر بديلاً غير تدخلي لطرق الملاحظة التقليدية (Han وآخرون، 2025). لقد أظهر دمج الأساليب متعددة الوسائط – التي تجمع بين الوضع، وتوجه الوجه، والتعبير – تعزيز دقة تقييمات الانخراط (Qi وآخرون، 2023). يقوم نظام AIDA (الذكاء الاصطناعي من أجل الانتباه الديناميكي) الذي تم تطويره في هذه الدراسة بتقييم انتباه الطلاب عبر ثلاثة أبعاد: الديناميكية المدركة، والتقييم الذاتي الانتباهي، وإدراك تغييرات منهجية التدريس. تهدف الدراسة إلى تحليل تأثير نظام AIDA على مستويات انتباه طلاب الجامعات، مع تسليط الضوء على إمكاناته كأداة بيداغوجية داعمة تعزز الممارسات التعليمية دون استبدال دور المعلم.
الطرق
تستقصي منهجية هذه الدراسة تأثير نظام AIDA، الذي يتضمن الذكاء الاصطناعي، على مستويات انتباه طلاب الجامعات خلال الحصص الحضورية. معتمدةً على تصميم كمي شبه تجريبي ومقطعي، تعترف الدراسة بالطبيعة متعددة الأبعاد للانخراط المدرسي، والتي تشمل الأبعاد السلوكية والعاطفية والمعرفية. تتكون المنهجية من عنصرين رئيسيين: تطوير نظام ذكاء اصطناعي للكشف التلقائي عن الانتباه وتصميم تجريبي تعليمي يستخدم أداة نفسية بيداغوجية لمقارنة المجموعات الضابطة والتجريبية.
أُجريت الدراسة في جامعة بيروانا يونيون خلال الفصل الدراسي الأكاديمي الأول من عام 2025، واستخدمت تصميمًا شبه تجريبي بسبب قيود البيئة الجامعية الحقيقية، حيث لم يكن من الممكن إجراء العشوائية. كانت المتغير المستقل هو تنفيذ نظام AIDA-IA في المجموعة التجريبية، بينما لم يكن لدى المجموعة الضابطة الوصول إلى هذا النظام. تم استخدام تصميم اختبار قبلي/بعدي للتحكم في الفروق الأولية، مع استمرار التدخل لمدة 8 أسابيع للسماح باستقرار الأنماط السلوكية. تضمنت المتغيرات التابعة الديناميكية المدركة، والتقييم الذاتي الانتباهي، وإدراك تغيير المعلم، ومؤشر موضوعي للانتباه من نظام الذكاء الاصطناعي. ضمنت الدراسة المشاركة الطوعية والمجهولة، ملتزمةً بالمعايير الأخلاقية المعتمدة من قبل لجنة الأخلاقيات المؤسسية، واستخدمت معلمين لتقليل التحيز والحفاظ على التناسق في التدريس.
النتائج
في قسم النتائج، تم تحليل بيانات استبيان AIDA ونظام AIDA-IA باستخدام اختبارات إحصائية غير معلمية، وتحديدًا اختبار ويلكوكسون للرتب الموقعة للمقارنات داخل المجموعة واختبار مان-ويتني U للمقارنات بين المجموعات، مع تحديد عتبة دلالة عند $\alpha = 0.05$. كشفت النتائج عن تحسينات كبيرة في أبعاد الديناميكية المدركة والتقييم الذاتي الانتباهي بين طلاب الهندسة البيئية (n = 26) بعد تدخل نظام AIDA-AI، بينما أظهر الدرجة العامة اتجاهًا غير دال. بالمقابل، لم تظهر برامج الهندسة المدنية (n = 28) وهندسة النظم (n = 35) أي تغييرات كبيرة، مما يشير إلى حساسية محتملة أقل للتدخل أو تجانس في مستويات الانتباه الأولية.
سلطت المقارنات بين المجموعات الضوء على اختلافات كبيرة في بُعد التقييم الذاتي الانتباهي لبرنامج الهندسة البيئية، حيث أفاد الطلاب في المجموعة التجريبية بتحسينات في إدراك مستويات انتباههم بعد التدخل. ومع ذلك، لم تُلاحظ أي اختلافات كبيرة في الهندسة المدنية وهندسة النظم، مما يشير إلى أن فعالية نظام AIDA-AI قد تتأثر بعوامل سياقية مثل أسلوب التدريس وبنية الفصل. بشكل عام، أشارت التحليلات العالمية، التي شملت مجموعة بيانات نظيفة من 61 لاختبار ويلكوكسون و122 لاختبار مان-ويتني، إلى عدم وجود اختلافات كبيرة عبر الأبعاد التي تم تقييمها، مما يعزز الفكرة بأن التحسينات كانت محلية في برنامج الهندسة البيئية دون تأثيرات عامة عبر العينة الأوسع.
المناقشة
يمثل نظام AIDA-IA تقدمًا كبيرًا في مراقبة انتباه الطلاب من خلال التحليل في الوقت الحقيقي لمؤشرات سلوكية مثل وضع الجلوس، وحركة الرأس، واتجاه النظر. باستخدام بنية YOLOv8، يحقق النظام دقة متوسطة (mAP) تتراوح بين 79.7% إلى 85.8% ويعالج الصور بوقت استجابة يتراوح بين 130 إلى 230 مللي ثانية، مما يسمح بتغذية راجعة فعالة في الوقت الحقيقي دون مراقبة تدخيلية. يدمج هذا النظام هذه المؤشرات في مقياس انتباه واحد يستخدم منطقًا إضافيًا حتميًا، حيث يتم تقييم كل إشارة سلوكية مقابل عتبات معايرة لتوليد درجة انتباه تتراوح من 0 إلى 3. هذه الطريقة تقلل بشكل فعال من التصنيف الخاطئ لمشاركة الطلاب خلال أنشطة مثل تدوين الملاحظات، مما يعزز الصلاحية البيئية لمراقبة الانتباه في البيئات التعليمية.
تشير النتائج التجريبية إلى أن نظام AIDA-IA أثر بشكل إيجابي على أبعاد أداة AIDA، خاصة في مجموعة الهندسة البيئية، حيث لوحظت تحسينات كبيرة في إدراك تغيير التدريس والتقييم الذاتي الانتباهي (p < 0.05). وهذا يشير إلى أن النظام لا يسهل فقط ملاحظة سلوك الانتباه، بل يعزز أيضًا الانخراط المعرفي المستمر. ومع ذلك، فإن التباين في النتائج عبر البرامج المختلفة يبرز ضرورة التدخل البشري الفعال بالتزامن مع الدعم التكنولوجي. تسلط الدراسة الضوء على إمكانيات الذكاء الاصطناعي كوسيط بيداغوجي، مما يؤكد على أهمية التغذية الراجعة الفورية في تعزيز ديناميكية الفصل والمشاركة، مع الاعتراف أيضًا بالقيود مثل تباين حجم العينة وإمكانية التحيز الذاتي في القياسات المبلغ عنها ذاتيًا. بشكل عام، يمثل دمج الذكاء الاصطناعي مع استراتيجيات بيداغوجية تكيفية طريقًا واعدًا لتعزيز الانتباه والمشاركة في بيئات التعلم الجامعية.
DOI: https://doi.org/10.3389/feduc.2026.1753873
Publication Date: 2026-02-02
Author(s): Wilmer Alexander Edquén Barboza et al.
Primary Topic: Flow Experience in Various Fields
Overview
The research aimed to assess the impact of an AI-assisted attentional monitoring system on university students’ perceptions of class dynamism and their self-reported attention levels. Utilizing a quasi-experimental design, 160 students were divided into an experimental group, which received real-time feedback on attention during classes, and a control group that experienced traditional teaching methods. The AIDA questionnaire was employed to measure changes in attention perception and class dynamism before and after the intervention. Results indicated that the experimental group reported significant improvements in both perceived class dynamism and attentional self-regulation (p < 0.05), suggesting enhanced engagement during sessions. The conclusion drawn from this study highlights the effectiveness of the AI-assisted system in fostering sustained attention and participation among students. The findings suggest that when students are actively engaged and reflect on their attentional processes, their overall engagement improves. The system not only facilitated monitoring but also allowed for pedagogical adjustments in real-time, leading to more dynamic and participatory classroom experiences tailored to group needs. The study advocates for further exploration of this system across various academic contexts and teaching modalities, as well as its integration with other technological tools to deepen the understanding of attention in real learning environments.
Introduction
The introduction of this research paper discusses the dynamic nature of student attention, which is observable through behaviors such as body posture, head movements, and gaze direction. These indicators serve as proxies for cognitive engagement, with studies indicating that a combination of trunk posture and gaze orientation can predict attentional states with moderate accuracy (75.3%) (Zaletelj and Košir, 2017). The paper emphasizes the importance of monitoring these behaviors in educational settings, as they are influenced by various factors, including teaching strategies, group dynamics, and the ergonomic design of classroom furniture (Lucía Bernal Castro et al., 2017). Additionally, teacher support has been identified as a significant predictor of student engagement (Fernández-Vega et al., 2021).
Recent advancements in artificial intelligence, particularly in computer vision, have enabled real-time monitoring of student behaviors, offering a non-invasive alternative to traditional observational methods (Han et al., 2025). The integration of multimodal approaches—combining posture, facial orientation, and expression—has been shown to enhance the accuracy of engagement assessments (Qi et al., 2023). The AIDA (Artificial Intelligence for Dynamic Attention) system developed in this study evaluates student attention across three dimensions: perceived dynamism, attentional self-assessment, and perception of teaching methodology changes. The research aims to analyze the impact of the AIDA system on university students’ attention levels, highlighting its potential as a supportive pedagogical tool that enhances educational practices without replacing the teacher’s role.
Methods
The methodology of this study investigates the impact of the AIDA system, which incorporates artificial intelligence, on university students’ attention levels during in-person classes. Adopting a quantitative, quasi-experimental, and cross-sectional design, the research acknowledges the multifaceted nature of school engagement, encompassing behavioral, emotional, and cognitive dimensions. The methodology consists of two main components: the development of an AI system for automated attention detection and an educational experimental design that employs a psychopedagogical instrument to compare control and experimental groups.
Conducted at the Universidad Peruana Unión during the first academic term of 2025, the study utilized a quasi-experimental design due to the constraints of a real university environment, where randomization was not feasible. The independent variable was the implementation of the AIDA-IA system in the experimental group, while the control group did not have access to this system. A pre-test/post-test design was employed to control for initial differences, with the intervention lasting 8 weeks to allow for stabilization of behavioral patterns. The dependent variables included perceived dynamism, attentional self-assessment, perception of teacher change, and an objective attention indicator from the AI system. The study ensured voluntary and anonymous participation, adhering to ethical standards approved by the Institutional Ethics Committee, and employed two instructors to minimize bias and maintain consistency in teaching.
Results
In the results section, data from the AIDA questionnaire and the AIDA-IA system were analyzed using non-parametric statistical tests, specifically the Wilcoxon signed-rank test for intra-group comparisons and the Mann-Whitney U test for inter-group comparisons, with a significance threshold set at $\alpha = 0.05$. The findings revealed significant improvements in the dimensions of Perceived Dynamism and Attentional Self-Assessment among Environmental Engineering students (n = 26) following the AIDA-AI system intervention, while the overall score showed a non-significant trend. In contrast, Civil Engineering (n = 28) and Systems Engineering (n = 35) programs exhibited no significant changes, indicating a potential lower sensitivity to the intervention or a homogeneity in initial attention levels.
Inter-group comparisons highlighted significant differences in the Attentional Self-Assessment dimension for the Environmental Engineering program, where students in the experimental group reported enhanced perceptions of their attention levels post-intervention. However, no significant differences were observed in Civil Engineering and Systems Engineering, suggesting that the effectiveness of the AIDA-AI system may be influenced by contextual factors such as teaching style and class structure. Overall, the global analyses, which included a cleaned dataset of 61 for the Wilcoxon test and 122 for the Mann-Whitney test, indicated no significant differences across the evaluated dimensions, reinforcing the notion that improvements were localized to the Environmental Engineering program without generalized effects across the broader sample.
Discussion
The AIDA-IA system represents a significant advancement in monitoring student attention through real-time analysis of behavioral indicators such as sitting posture, head movement, and gaze direction. Utilizing the YOLOv8 architecture, the system achieves a mean Average Precision (mAP) of 79.7% to 85.8% and processes images with a latency of 130 to 230 ms, allowing for effective real-time feedback without invasive monitoring. The integration of these indicators into a single attention metric employs a deterministic additive logic, where each behavioral signal is evaluated against calibrated thresholds to generate an attention score ranging from 0 to 3. This approach effectively mitigates misclassification of student engagement during activities like note-taking, thus enhancing the ecological validity of attentional monitoring in educational settings.
The empirical findings indicate that the AIDA-IA system positively influenced dimensions of the AIDA instrument, particularly in the Environmental Engineering cohort, where significant improvements in Perception of Teaching Change and Attentional Self-Assessment were observed (p < 0.05). This suggests that the system not only facilitates the observation of attentional behavior but also promotes sustained cognitive engagement. However, the variability in results across different programs underscores the necessity of effective human intervention in conjunction with technological support. The study highlights the potential of AI as a pedagogical mediator, emphasizing the importance of immediate feedback in fostering classroom dynamism and engagement, while also acknowledging limitations such as sample size variability and the potential for subjective bias in self-reported measures. Overall, the integration of AI with adaptive pedagogical strategies presents a promising avenue for enhancing attention and engagement in university learning environments.