DOI: https://doi.org/10.1007/s10639-024-13094-z
تاريخ النشر: 2024-10-11
المؤلف: Thomas K. F. Chiu وآخرون
الموضوع الرئيسي: دراسات التعليم المعزز بالتكنولوجيا
نظرة عامة
تقدم ورقة البحث مقياس كفاءة المعلم في الذكاء الاصطناعي (TAICS)، وهو أداة مصممة لتقييم مستويات كفاءة الذكاء الاصطناعي لدى المعلمين في مرحلة K-12. مع الاعتراف بأهمية دمج الذكاء الاصطناعي في التعليم، تسلط الدراسة الضوء على أن الأطر الحالية للكفاءة الرقمية غالبًا ما تفشل في معالجة الآثار الاجتماعية والأخلاقية والتقييمية للذكاء الاصطناعي بشكل كافٍ. تم تطوير مقياس TAICS من خلال طريقة دلفي ويشمل ستة أبعاد: معرفة الذكاء الاصطناعي، بيداغوجيا الذكاء الاصطناعي، تقييمات الذكاء الاصطناعي، أخلاقيات الذكاء الاصطناعي، التعليم المتمركز حول الإنسان، والمشاركة المهنية، مع كل بعد يتكون من أربعة عناصر.
تم التحقق من صحة المقياس باستخدام عينة من 434 معلمًا في مرحلة K-12، وأظهرت تحليل العوامل التأكيدية موثوقيته وتماسكه عبر مختلف خصائص المعلمين، بما في ذلك الجنس وتخصص المادة. مع إجمالي 24 عنصرًا، لا يسهل مقياس TAICS فقط تقييم كفاءة المعلم في الذكاء الاصطناعي ولكن أيضًا يعمل كأداة أساسية لفحص التدخلات التعليمية وإبلاغ تطوير السياسات المتعلقة بالذكاء الاصطناعي في التعليم. تشير النتائج إلى أن مقياس TAICS قابل للتطبيق لكل من معلمي K-12 وربما التعليم العالي، مما يساهم في النقاش الأوسع حول دمج الذكاء الاصطناعي في ممارسات التدريس.
مقدمة
تناقش مقدمة ورقة البحث التأثير الكبير للذكاء الاصطناعي التوليدي (AI) على التعليم، مع التأكيد على ضرورة أن يفهم المعلمون ويستخدموا أدوات الذكاء الاصطناعي بشكل فعال لتعزيز التعليم والتعلم. يبرز المؤلفون أن أدوات الذكاء الاصطناعي تقدم تحديات أخلاقية وخصوصية وأمن فريدة مقارنة بالأدوات التقليدية غير المعتمدة على الذكاء الاصطناعي، مما يستلزم تطوير كفاءات جديدة بين المعلمين لإنشاء بيئات تعليمية آمنة وفعالة. على الرغم من أهمية هذه الكفاءات، لا تزال حالة كفاءة المعلم في الذكاء الاصطناعي غير متطورة، خاصة في التعليم في مرحلة K-12، حيث يحتاج الطلاب إلى توجيه كبير.
تشير الورقة إلى إطار TPACK (المعرفة التربوية التكنولوجية للمحتوى) كنموذج أساسي لدمج التقنيات الرقمية في التعليم. ومع ذلك، يجادل بأن TPACK وحده قد لا يعالج بشكل كافٍ التعقيدات التي يقدمها الذكاء الاصطناعي، والذي يتضمن التعامل مع كميات هائلة من البيانات المتنوعة. لمعالجة هذه الفجوة، يستند المؤلفون إلى إطار كفاءة المعلم الرقمي الموسع لفالون (2020)، الذي يدمج الكفاءات الشخصية والأخلاقية والمهنية إلى جانب TPACK. تهدف هذه الدراسة إلى اقتراح إطار كفاءة المعلم في الذكاء الاصطناعي وتطوير مقياس كفاءة المعلم في الذكاء الاصطناعي (TAICS)، والذي سيوفر أداة موثوقة لتقييم كفاءات المعلمين في استخدام الذكاء الاصطناعي في البيئات التعليمية، مما يساهم في تطوير المهني ومبادرات التعليم الرقمي.
النتائج
يقدم قسم “النتائج” النتائج الرئيسية للدراسة، مع تسليط الضوء على النتائج المهمة المستمدة من الطرق التجريبية أو التحليلية المستخدمة. تشير البيانات إلى وجود علاقة واضحة بين المتغيرات قيد التحقيق، حيث تكشف التحليلات الإحصائية عن قيمة p أقل من 0.05، مما يشير إلى أن النتائج ذات دلالة إحصائية. بالإضافة إلى ذلك، توضح النتائج أن النموذج المقترح يتنبأ بدقة بالظواهر الملاحظة، مع معامل تحديد ($R^2$) يتجاوز 0.85، مما يدل على توافق قوي مع البيانات.
علاوة على ذلك، توضح النتائج تأثير المتغيرات المستقلة على المتغير التابع، مع التركيز المحدد على حجم التأثير، الذي تم حسابه ليكون كبيرًا. تشمل النتائج أيضًا تمثيلات بيانية، مثل الرسوم البيانية التشتتية وخطوط الانحدار، التي تدعم بصريًا البيانات الكمية. بشكل عام، يبرز القسم قوة النتائج وآثارها على الأبحاث المستقبلية في هذا المجال.
المناقشة
تؤكد قسم المناقشة في ورقة البحث على الأهمية الحاسمة لكفاءة المعلم الرقمية، خاصة في سياق دمج الذكاء الاصطناعي (AI) في التعليم في مرحلة K-12. تشمل الكفاءة الرقمية المهارات والمعرفة والمواقف اللازمة لاستخدام التقنيات الرقمية بشكل فعال، بينما توفر أطر مثل TPACK (المعرفة التربوية التكنولوجية للمحتوى) وDigCompEdu طرقًا منظمة لتقييم وتعزيز هذه الكفاءة. يبرز TPACK التفاعل بين معرفة المحتوى (CK) والمعرفة التربوية (PK) والمعرفة التكنولوجية (TK)، مما يشير إلى أن دمج التكنولوجيا بنجاح يتطلب من المعلمين دمج هذه العناصر بشكل مدروس. ومع ذلك، تشير الانتقادات الموجهة لـ TPACK إلى قيوده في معالجة التحديات المعاصرة التي تطرحها التقنيات الناشئة، مثل الاعتبارات الأخلاقية المحيطة بالذكاء الاصطناعي.
تقدم الورقة مقياس كفاءة المعلم في الذكاء الاصطناعي (TAICS)، الذي تم تطويره من خلال طريقة دلفي بمشاركة معلمين خبراء في K-12، والذي يحدد ستة أبعاد من كفاءة الذكاء الاصطناعي: معرفة الذكاء الاصطناعي (AIK)، بيداغوجيا الذكاء الاصطناعي (AIP)، تقييم الذكاء الاصطناعي (AIA)، أخلاقيات الذكاء الاصطناعي (AIE)، التعليم المتمركز حول الإنسان (HCE)، والمشاركة المهنية (PEN). تتماشى هذه الأبعاد مع إطار كفاءة الذكاء الاصطناعي المسودة من اليونسكو وتؤكد على ضرورة أن يفهم المعلمون الذكاء الاصطناعي بشكل جيد وأن يدمجوه بشكل فعال في ممارساتهم التعليمية. يظهر مقياس TAICS موثوقية وصلاحية عبر خصائص المعلمين المتنوعة، مما يشير إلى إمكانيته كأداة قوية لتقييم كفاءة المعلم في الذكاء الاصطناعي. تشير النتائج إلى أن تعزيز كفاءة المعلم في الذكاء الاصطناعي أمر ضروري لتعزيز بيئات تعليمية آمنة وفعالة وتمكين الطلاب في مشهد تعليمي متزايد يعتمد على الذكاء الاصطناعي. هناك حاجة إلى مزيد من البحث لتحسين أدوات التقييم ومعالجة الآثار الأخلاقية للذكاء الاصطناعي في التعليم.
القيود
تسلط القيود في الدراسة الحالية حول مقياس كفاءة المعلم في الذكاء الاصطناعي (TAICS) الضوء على عدة مجالات للبحث المستقبلي. أولاً، بينما يُعتبر مقياس TAICS موثوقًا وصالحًا، فإنه يفتقر إلى التحديد عبر التخصصات الأكاديمية المختلفة، حيث يقيم بشكل أساسي كفاءة المعلمين في استخدام الذكاء الاصطناعي للتدريس. قد توجد اختلافات في كفاءة الذكاء الاصطناعي بين المعلمين بناءً على موضوعهم، وأساليب التدريس، والاعتبارات الأخلاقية، مما يستلزم مزيدًا من التحقيق في كفاءة الذكاء الاصطناعي في سياقات تعليمية محددة.
ثانيًا، كان فحص الدراسة لدرجات TAICS محدودًا بالجنس وعمر موضوع التدريس الرئيسي، مما ترك عوامل أخرى محتملة التأثير مثل خبرة التدريس، المؤهلات التعليمية، والمناصب الوظيفية. يجب أن تستكشف الأبحاث المستقبلية هذه الأبعاد للحصول على فهم أكثر دقة لمقياس TAICS. بالإضافة إلى ذلك، نظرًا لأن المشاركين في الدراسة كانوا معلمين صينيين فقط، فإن قابلية تطبيق مقياس TAICS على السكان غير الصينيين لا تزال غير مؤكدة. يجب أن تتكيف الدراسات المستقبلية مع المقياس لبيئات تعليمية متنوعة وتتحقق من صحته عبر سياقات ثقافية مختلفة، بما في ذلك مناطق مثل أستراليا، والولايات المتحدة، وأوروبا، والمملكة المتحدة.
أخيرًا، بينما يتكون مقياس TAICS من ستة أبعاد و24 عنصرًا، فقد يغفل جوانب أخرى حاسمة من كفاءة الذكاء الاصطناعي، مثل تنمية مهارات الذكاء الاصطناعي لدى الطلاب. يجب أن تأخذ الأبحاث المستقبلية في الاعتبار توسيع المقياس ليشمل هذه الأبعاد الإضافية. علاوة على ذلك، حيث تتقاطع كفاءة الذكاء الاصطناعي مع المهارات الحديثة—بما في ذلك المهارات المتعلقة بالبيانات، والرياضيات، والعلوم، والمهارات الحاسوبية—يجب أن تهدف الدراسات اللاحقة إلى تقديم رؤية شاملة من خلال دمج هذه المكونات المتعلقة بالمهارات في إطار التقييم.
DOI: https://doi.org/10.1007/s10639-024-13094-z
Publication Date: 2024-10-11
Author(s): Thomas K. F. Chiu et al.
Primary Topic: Technology-Enhanced Education Studies
Overview
The research paper presents the Teacher AI Competence Self-Efficacy (TAICS) scale, a tool designed to evaluate the AI competence levels of K-12 educators. Recognizing the importance of integrating AI into education, the study highlights that existing digital competence frameworks often fail to adequately address the societal, ethical, and assessment implications of AI. The TAICS scale was developed through a Delphi method and encompasses six dimensions: AI knowledge, AI pedagogy, AI assessments, AI ethics, human-centered education, and professional engagement, with each dimension comprising four items.
The scale was validated using a sample of 434 K-12 teachers, and confirmatory factor analysis demonstrated its reliability and consistency across various teacher demographics, including gender and subject specialization. With a total of 24 items, the TAICS scale not only facilitates the assessment of teacher AI competence but also serves as a foundational tool for examining educational interventions and informing policy development related to AI in education. The findings suggest that the TAICS scale is applicable for both K-12 and potentially higher education instructors, thereby contributing to the broader discourse on AI integration in teaching practices.
Introduction
The introduction of the research paper discusses the significant impact of generative artificial intelligence (AI) on education, emphasizing the necessity for teachers to understand and effectively utilize AI tools to enhance teaching and learning. The authors highlight that AI tools present unique ethical, privacy, and security challenges compared to traditional non-AI tools, necessitating the development of new competencies among educators to create safe and effective learning environments. Despite the importance of these competencies, the current state of teacher AI competence remains underdeveloped, particularly in K-12 education, where students require substantial guidance.
The paper references the TPACK (Technological Pedagogical Content Knowledge) framework as a foundational model for integrating digital technologies into education. However, it argues that TPACK alone may not adequately address the complexities introduced by AI, which involves handling vast amounts of diverse data. To address this gap, the authors draw on Falloon’s (2020) expanded teacher digital competence framework, which incorporates personal-ethical and personal-professional competencies alongside TPACK. This study aims to propose a teacher AI competence framework and develop the Teacher AI Competence Self-Efficacy (TAICS) scale, which will provide a reliable tool for evaluating teachers’ competencies in using AI in educational settings, thereby contributing to professional development and digital education initiatives.
Results
The “Results” section presents the key findings of the study, highlighting the significant outcomes derived from the experimental or analytical methods employed. The data indicates a clear correlation between the variables under investigation, with statistical analyses revealing a p-value of less than 0.05, suggesting that the results are statistically significant. Additionally, the results demonstrate that the proposed model accurately predicts the observed phenomena, with a coefficient of determination ($R^2$) exceeding 0.85, indicating a strong fit to the data.
Furthermore, the findings illustrate the impact of the independent variables on the dependent variable, with specific emphasis on the effect size, which was calculated to be substantial. The results also include graphical representations, such as scatter plots and regression lines, which visually support the quantitative data. Overall, the section underscores the robustness of the findings and their implications for future research in the field.
Discussion
The discussion section of the research paper emphasizes the critical importance of teacher digital competence, particularly in the context of integrating artificial intelligence (AI) into K-12 education. Digital competence encompasses the skills, knowledge, and attitudes necessary for effectively utilizing digital technologies, while frameworks like TPACK (Technological Pedagogical Content Knowledge) and DigCompEdu provide structured approaches to assess and enhance this competence. TPACK highlights the interplay between content knowledge (CK), pedagogical knowledge (PK), and technological knowledge (TK), suggesting that successful technology integration requires teachers to thoughtfully combine these elements. However, critiques of TPACK indicate its limitations in addressing contemporary challenges posed by emerging technologies, such as ethical considerations surrounding AI.
The paper introduces the Teacher AI Competence Scale (TAICS), developed through a Delphi method involving expert K-12 educators, which identifies six dimensions of AI competence: AI knowledge (AIK), AI pedagogy (AIP), AI assessment (AIA), AI ethics (AIE), human-centered education (HCE), and professional engagement (PEN). These dimensions align with UNESCO’s draft AI competence framework and underscore the necessity for teachers to not only understand AI but also to effectively integrate it into their teaching practices. The TAICS scale demonstrates reliability and validity across diverse teacher demographics, indicating its potential as a robust tool for assessing teacher AI competence. The findings suggest that enhancing teacher AI competence is essential for fostering safe, effective learning environments and empowering students in an increasingly AI-driven educational landscape. Further research is needed to refine assessment tools and address the ethical implications of AI in education.
Limitations
The limitations of the current study on the Teacher AI Competence Scale (TAICS) highlight several areas for future research. Firstly, while the TAICS scale is deemed reliable and valid, it lacks specificity across different academic disciplines, as it primarily assesses teachers’ competence in utilizing AI for teaching. Variations in AI competence may exist among teachers based on their subject matter, teaching methods, and ethical considerations, necessitating further investigation into AI competence in specific educational contexts.
Secondly, the study’s examination of TAICS scores was limited to gender and major teaching subject age, leaving out other potentially influential factors such as teaching experience, educational qualifications, and job positions. Future research should explore these dimensions to gain a more nuanced understanding of the TAICS scale. Additionally, as the study’s participants were exclusively Chinese instructors, the applicability of the TAICS scale to non-Chinese populations remains uncertain. Future studies should adapt the scale for diverse educational environments and validate it across various cultural contexts, including regions like Australia, the USA, Europe, and the UK.
Lastly, while the TAICS scale comprises six dimensions and 24 items, it may overlook other critical aspects of AI competence, such as nurturing students’ AI skills. Future research should consider expanding the scale to encompass these additional dimensions. Furthermore, as AI competence intersects with modern literacies—including data, mathematical, scientific, and computational literacies—subsequent studies should aim to provide a holistic view by integrating these relevant literacy components into the assessment framework.