DOI: https://doi.org/10.1007/s10639-026-13952-y
تاريخ النشر: 2026-03-17
المؤلف: Shotaro Naganuma وآخرون
الموضوع الرئيسي: البحث بين التخصصات والتعاون
نظرة عامة
تتناول البحث التحديات التي تواجه التعلم بين التخصصات، وخاصة الحواجز التي تفرضها الحدود التخصصية في السياقات التعاونية. ويؤكد على إمكانيات الذكاء الاصطناعي التوليدي (GenAI) كوسيط حدودي لتسهيل التعاون بين الطلاب ذوي الخلفيات التخصصية المتنوعة. تم إجراء ورشة عمل مع 14 طالب دكتوراه شكلوا فرقًا بين تخصصات مختلفة لتطوير مقترحات بحثية بشكل تعاوني. استخدم الطلاب GenAI لتبادل الأفكار الاستكشافية وتلقوا الدعم في تطوير المقترحات. أظهر تحليل الخطاب واستخدام الذكاء الاصطناعي من فريقين عاليي الأداء أن GenAI قدم دعمًا تكيفيًا، وزاد من الحوار بين التخصصات من خلال كائنات حدودية، وحول أنماط عبور الحدود، مما سمح للطلاب بالاستفادة بشكل فعال من خبراتهم.
تشير النتائج إلى أن GenAI يمكن أن يعزز بشكل كبير التعلم التعاوني بين التخصصات من خلال العمل كوسيط حدودي. إنه يدعم كل من احتياجات المجموعة والفرد، ويعزز الأفكار التخصصية، ويعزز تحول ديناميات التعاون. يسلط هذا البحث الضوء على أهمية تطوير منشئي المعرفة المتمكنين الذين يمكنهم استخدام GenAI بفعالية لمعالجة التحديات الاجتماعية المعقدة. يمكن تطبيق الأساليب والرؤى المستخلصة من هذا البحث على سياقات التعلم التعاوني الأخرى التي تتضمن GenAI، مما يعزز التعاون الفعال بين التخصصات عبر مستويات تعليمية متنوعة.
مقدمة
تؤكد المقدمة على ضرورة التعاون بين التخصصات في التعليم العالي لمواجهة القضايا الاجتماعية المعقدة مثل تغير المناخ والأمراض المعدية. يتم تعريف التعلم بين التخصصات على أنه دمج المعرفة التخصصية المتنوعة حول موضوع مشترك، والذي ثبت أنه يؤدي إلى نتائج تعليمية إيجابية. ومع ذلك، لا يزال تصميم تجارب التعلم بين التخصصات الفعالة يمثل تحديًا كبيرًا، خاصة في تعزيز إنشاء المعرفة بدلاً من مجرد مشاركة الرؤى التخصصية.
يسلط النص الضوء على الصعوبات التي يواجهها المتعلمون عند عبور الحدود التخصصية، والتي تُميز كاختلافات اجتماعية ثقافية تعطل التفاعل والتعاون. تصبح هذه الحدود أكثر وضوحًا مع زيادة التخصص، مما يطرح تحديات حتى للباحثين ذوي الخبرة. لمعالجة هذه القضايا التصميمية، يقترح المؤلفون الاستفادة من الذكاء الاصطناعي التوليدي (GenAI) لإنشاء أنظمة دعم تكيفية يمكن أن تعدل الأنشطة التعاونية ديناميكيًا لتلبية الاحتياجات الجماعية للمتعلمين، مما يعزز فعالية التعلم التعاوني بين التخصصات.
الأساليب
يستعرض قسم “الأساليب” التصميم التجريبي والتقنيات التحليلية المستخدمة في الدراسة. استخدم الباحثون نهجًا كميًا، حيث نفذوا تجارب محكومة لجمع البيانات حول المتغيرات المحددة. تم تطبيق التحليلات الإحصائية، بما في ذلك نماذج الانحدار وتحليل التباين (ANOVA)، لتقييم العلاقات والاختلافات بين المجموعات.
شملت جمع البيانات إجراءات موحدة لضمان الموثوقية والصلاحية، مع تقنيات أخذ عينات مناسبة لتمثيل السكان المستهدفين. كما تضمنت المنهجية بروتوكولات مفصلة لقياس النتائج الرئيسية، مما يضمن إمكانية تكرار النتائج في الدراسات المستقبلية. بشكل عام، تم تصميم الأساليب بدقة لمعالجة أسئلة البحث بفعالية ولتقديم نتائج قوية.
المناقشة
تستعرض قسم المناقشة من ورقة البحث مجموعة من أساليب تصميم التعليم للتعلم بين التخصصات، مع التأكيد على أهمية السياق، والتصور، وتركيز المشكلة كما اقترح نيكيتينا (2006). يتضمن السياق تضمين المعرفة ضمن سياقات تاريخية وثقافية، بينما يركز التصور على دمج التفكير العلمي والرياضي بما يتجاوز الحقائق البسيطة. يركز تركيز المشكلة، المتميز عن الأسلوبين الآخرين، على معالجة القضايا الواقعية لتعزيز النتائج الملموسة والتغيير الاجتماعي. تعتمد الدراسة بشكل أساسي نهجًا مركّزًا على المشكلة، متماشيًا مع نظريات التعلم البنائية التي تدعو إلى ممارسات بين تخصصات حقيقية قائمة على المشاريع.
تستكشف الورقة أيضًا نموذج كسر الحدود للتعلم بين التخصصات (BBIL) الذي قدمه كيدران وكالي (2015)، والذي يتضمن ميزات تصميم مثل المواضيع المتقاطعة والقطع الفنية التكاملية لتسهيل المشاركة بين التخصصات. بالإضافة إلى ذلك، يتم فحص دور الذكاء الاصطناعي في تعزيز التعلم بين التخصصات، مع تسليط الضوء على إمكانيته في تقديم دعم تكيفي مصمم ليتناسب مع المتعلمين المتنوعين. أظهرت الدراسات الحديثة فائدة الذكاء الاصطناعي في تخصيص تجارب التعلم، وتقييم مخرجات الطلاب، وتسهيل التفاعلات، مما يثري بيئة التعلم التعاوني. يقترح المؤلفون أن الذكاء الاصطناعي يمكن أن يعمل كوسيط حدودي، مما يساعد الطلاب في التنقل عبر الحدود التخصصية وتعزيز الحوار المثمر بين التخصصات من خلال أدوات مثل مولد موضوع البحث التعاوني بين التخصصات (ICRTG) ومساعد البحث – المحول المدرب مسبقًا (RA-GPT).
القيود
تقدم الدراسة عدة قيود تستدعي الاعتبار للبحوث المستقبلية. أولاً، قد يكون الاعتماد على مجموعة بيانات صغيرة من فريقين عاليي الأداء قد أدخل تحيز النجاح، مما يحد من تعميم النتائج. بينما سمح هذا التحليل المركّز بإجراء فحص دقيق لعمليات التعاون، فإنه يبرز أيضًا الحاجة إلى دراسات مقارنة تشمل فرقًا ذات خصائص مشابهة ولكن بمستويات أداء متباينة. يمكن أن تساعد مثل هذه التحقيقات في تحسين الرؤى حول الظروف التي يدعم فيها الذكاء الاصطناعي التوليدي (GenAI) التعاون بين التخصصات بفعالية.
ثانيًا، ركزت الدراسة بشكل أساسي على مرحلة التحول لآليات التعلم عبر الحدود، كما حددها أكيرمان وباكر (2011). يجب أن تقيم الأبحاث المستقبلية أيضًا نتائج التعلم على المستوى الفردي، مثل كفاءة عبور الحدود والفهم بين التخصصات، لتعزيز فهم الإمكانيات التكيفية لـ GenAI. بالإضافة إلى ذلك، لم تحدد الدراسة بشكل منهجي الأصول التخصصية للأفكار، مما قد يكون قد غطى تأثير تركيبات التخصصات على أداء الفريق. يجب أن تطور الأعمال المستقبلية منهجيات لتحليل المسافة التخصصية وتأثيرها على التعاون. أخيرًا، لم يتم فحص الاعتبارات الأخلاقية المحيطة باستخدام GenAI، بما في ذلك حقوق التأليف والنشر والوصول، بشكل شامل، مما يشير إلى الحاجة إلى تقارير شفافة والوصول العادل إلى أدوات الذكاء الاصطناعي في سياقات لغوية متنوعة.
DOI: https://doi.org/10.1007/s10639-026-13952-y
Publication Date: 2026-03-17
Author(s): Shotaro Naganuma et al.
Primary Topic: Interdisciplinary Research and Collaboration
Overview
The research addresses the challenges of interdisciplinary learning, particularly the barriers posed by disciplinary boundaries in collaborative contexts. It emphasizes the potential of generative AI (GenAI) as a boundary broker to facilitate collaboration among students with diverse disciplinary backgrounds. A workshop was conducted with 14 doctoral students who formed interdisciplinary teams to collaboratively develop research proposals. The students utilized GenAI for exploratory idea exchanges and received support in proposal development. Analysis of discourse and AI usage from two high-performing teams revealed that GenAI provided adaptive support, enhanced interdisciplinary discourse through boundary objects, and transformed boundary-crossing patterns, allowing students to effectively leverage their expertise.
The findings indicate that GenAI can significantly enhance interdisciplinary collaborative learning by acting as a boundary broker. It supports both group and individual needs, augments disciplinary ideas, and fosters the transformation of collaboration dynamics. This study highlights the importance of developing competent knowledge creators who can utilize GenAI effectively to address complex societal challenges. The methods and insights gained from this research can be applied to other collaborative learning contexts involving GenAI, promoting effective interdisciplinary collaboration across various educational levels.
Introduction
The introduction emphasizes the necessity of interdisciplinary collaboration in higher education to tackle complex societal issues such as climate change and infectious diseases. Interdisciplinary learning is defined as the integration of diverse disciplinary knowledge centered around a common theme, which has been shown to yield positive educational outcomes. However, the design of effective interdisciplinary learning experiences remains a significant challenge, particularly in fostering knowledge creation rather than merely sharing disciplinary insights.
The text highlights the difficulties learners face when crossing disciplinary boundaries, which are characterized as sociocultural differences that disrupt interaction and collaboration. These boundaries become more pronounced as specialization increases, posing challenges even for experienced researchers. To address these design issues, the authors propose leveraging generative artificial intelligence (GenAI) to create adaptive support systems that can dynamically adjust collaborative activities to meet the collective needs of learners, thereby enhancing the effectiveness of interdisciplinary collaborative learning.
Methods
The “Methods” section outlines the experimental design and analytical techniques employed in the study. The researchers utilized a quantitative approach, implementing controlled experiments to gather data on the specified variables. Statistical analyses, including regression models and ANOVA, were applied to assess the relationships and differences among groups.
Data collection involved standardized procedures to ensure reliability and validity, with appropriate sampling techniques to represent the target population. The methodology also included detailed protocols for measuring key outcomes, ensuring that the results could be replicated in future studies. Overall, the methods were rigorously designed to address the research questions effectively and to yield robust findings.
Discussion
The discussion section of the research paper outlines various instructional design approaches for interdisciplinary learning, emphasizing the significance of contextualization, conceptualization, and problem-centering as proposed by Nikitina (2006). Contextualization involves embedding knowledge within historical and cultural contexts, while conceptualization focuses on integrating scientific and mathematical thinking beyond mere facts. Problem-centering, distinct from the other two approaches, addresses real-world issues to foster tangible outcomes and social change. The study primarily adopts a problem-centered approach, aligning with constructivist learning theories that advocate for authentic, project-based interdisciplinary practices.
The paper further explores the Boundary Breaking for Interdisciplinary Learning (BBIL) model introduced by Kidron and Kali (2015), which includes design features such as crosscutting themes and integrative artifacts to facilitate interdisciplinary engagement. Additionally, the role of AI in enhancing interdisciplinary learning is examined, highlighting its potential to provide adaptive support tailored to diverse learners. Recent studies have demonstrated AI’s utility in personalizing learning experiences, assessing student outputs, and facilitating interactions, thereby enriching the collaborative learning environment. The authors propose that AI can serve as a boundary broker, aiding students in navigating disciplinary boundaries and fostering productive interdisciplinary discourse through tools like the Interdisciplinary Collaborative Research Theme Generator (ICRTG) and the Research Assistant-Generative Pre-trained Transformer (RA-GPT).
Limitations
The study presents several limitations that warrant consideration for future research. Firstly, the reliance on a small dataset from two high-performing teams may have introduced a success bias, limiting the generalizability of findings. While this focused analysis allowed for a detailed examination of collaboration processes, it also highlights the need for comparative studies involving teams with similar characteristics but varying performance levels. Such investigations could refine insights into the conditions under which Generative AI (GenAI) effectively supports interdisciplinary collaboration.
Secondly, the study primarily concentrated on the transformation phase of boundary-crossing learning mechanisms, as identified by Akkerman and Bakker (2011). Future research should also assess individual-level learning outcomes, such as boundary-crossing competence and interdisciplinary understanding, to enrich the understanding of GenAI’s adaptive learning potential. Additionally, the study did not systematically identify the disciplinary origins of ideas, which may have obscured the influence of disciplinary combinations on team performance. Future work should develop methodologies to analyze disciplinary distance and its impact on collaboration. Lastly, ethical considerations surrounding GenAI use, including authorship and accessibility, were not thoroughly examined, indicating a need for transparent reporting and equitable access to AI tools in diverse linguistic contexts.