DOI: https://doi.org/10.3389/feduc.2025.1695351
تاريخ النشر: 2025-11-06
المؤلف: Rümeysa Beyazhançer وآخرون
الموضوع الرئيسي: تعليم الرياضيات والبرامج
نظرة عامة
تدرس الدراسة تأثير تطبيقات الذكاء الاصطناعي (AI) على تطوير الكفاءة التقنية الرياضية (TmL) والثقة بالنفس بين طلاب الهندسة. باستخدام تصميم شبه تجريبي مع نموذج اختبار قبلي وبعدي، شملت البحث 156 طالبًا من برامج هندسية مختلفة في جامعة حكومية. تم جمع البيانات باستخدام مقياس الكفاءة التقنية الرياضية (TMLS) ومقياس الثقة بالنفس في الذكاء الاصطناعي (AILS)، وتم تحليلها من خلال الإحصاءات الوصفية واختبارات إحصائية متنوعة باستخدام SPSS 27. أشارت النتائج إلى تحسين كبير في كل من مستويات TmL والثقة بالنفس في الذكاء الاصطناعي بعد تنفيذ تطبيقات الذكاء الاصطناعي لمدة ستة أسابيع، مع تحسينات ملحوظة عبر جميع الأقسام، وخاصة في مجالات الكمبيوتر والتكنولوجيا.
تشير النتائج إلى أن تطبيقات الذكاء الاصطناعي قد عززت بفعالية المهارات الأساسية مثل الكفاءة الرياضية الأساسية، التعلم المدعوم بالتكنولوجيا، محو الأمية البيانات، والتواصل الرياضي الرقمي، والتي تعتبر حاسمة في سياق التحول الرقمي. من المهم أن الدراسة لم تجد أي اختلافات كبيرة في TmL والثقة بالنفس في الذكاء الاصطناعي بناءً على الجنس، مما يبرز شمولية بيئات التعلم المدعومة بالذكاء الاصطناعي. بشكل عام، تؤكد البحث على أهمية دمج تقنيات الذكاء الاصطناعي في التعليم الهندسي لإعداد الطلاب لمتطلبات المجال المتطورة.
مقدمة
تتناول مقدمة ورقة البحث المشهد المتطور لتعليم الهندسة في ضوء التحول الرقمي العالمي. تؤكد على ضرورة أن يمتلك المهندسون ليس فقط المعرفة النظرية ولكن أيضًا القدرة على استخدام التكنولوجيا بفعالية، دمج التفكير الرياضي مع الأدوات الرقمية، ووضع حلول مبتكرة للمشكلات المعقدة. يتم تقديم مفهوم الكفاءة التقنية الرياضية (TmL) ككفاءة حيوية تجمع بين العمليات الرياضية والتقنيات الرقمية وتطبيقات الهندسة. تسلط الدراسات الحديثة الضوء على أهمية TmL في تعزيز مهارات مثل محو الأمية البيانات، حل المشكلات المعتمد على البرمجيات، والإبداع الفني، والتي تعتبر ضرورية لممارسات الهندسة الحديثة.
تتناول الورقة أيضًا دمج الذكاء الاصطناعي (AI) في المناهج الهندسية، مؤكدة أن كفاءات TmL وAI يجب أن تتطور بالتوازي لتعزيز قدرات الطلاب في حل المشكلات. تستشهد بعدة دراسات تظهر التأثير الإيجابي لـ TmL على الثقة بالنفس المهنية والأداء الأكاديمي للطلاب، فضلاً عن ضرورة استراتيجيات تعليمية مخصصة تتماشى مع متطلبات مهنة الهندسة. يحدد المؤلفون فجوة في الأدبيات بشأن التفاعل بين الثقة بالنفس في الذكاء الاصطناعي ومهارات TmL، مقترحين التحقيق في هذه العلاقة من خلال سؤالين بحثيين: (1) تأثيرات تطبيقات الذكاء الاصطناعي على TmL والثقة بالنفس في الذكاء الاصطناعي، و(2) الاختلافات المحتملة في هذه التأثيرات بناءً على الجنس والمتغيرات القسيمة. تهدف هذه الدراسة إلى المساهمة في كل من الخطاب الأكاديمي والتطبيقات العملية في التعليم الهندسي.
النتائج
تشير نتائج الدراسة إلى تحسينات كبيرة في كل من التعلم المدعوم بالتكنولوجيا (TmL) ومستويات الثقة بالنفس في الذكاء الاصطناعي (AI) بين المهندسين المحتملين بعد تطبيق أدوات الذكاء الاصطناعي. على وجه التحديد، زادت درجات TmL من متوسط اختبار قبلي قدره $\bar{X} = 39.48$ إلى متوسط اختبار بعدي قدره $\bar{X} = 42.61$، مع فرق ذو دلالة إحصائية (t = -3.764، $p < 0.001$) وحجم تأثير معتدل ($\eta^2 = 0.084$). وبالمثل، ارتفعت درجات الثقة بالنفس في الذكاء الاصطناعي من متوسط اختبار قبلي قدره $\bar{X} = 84.92$ إلى $\bar{X} = 92.62$، مما يظهر أيضًا فرقًا كبيرًا (t = -3.197، $p = 0.001$) مع حجم تأثير صغير إلى متوسط ($\eta^2 = 0.062$). كشف تحليل الجنس عن عدم وجود اختلافات ذات دلالة إحصائية في درجات TmL والثقة بالنفس في الذكاء الاصطناعي بين المرشحين الذكور والإناث في الهندسة، سواء في الاختبار القبلي أو البعدي. ومع ذلك، تم العثور على اختلافات كبيرة بناءً على الانتماء القسمي. اختلفت مستويات TmL بشكل كبير عبر الأقسام (F = 9.162، $p < 0.001$، $\eta^2 = 0.28$)، حيث سجل طلاب هندسة الكمبيوتر أعلى الدرجات، تليهم طلاب هندسة الكهرباء والإلكترونيات. لوحظت أنماط مماثلة في الثقة بالنفس في الذكاء الاصطناعي، حيث تم ملاحظة اختلافات قسمية كبيرة (F = 7.974، $p < 0.001$، $\eta^2 = 0.17$)، حيث تفوق طلاب هندسة الكمبيوتر مرة أخرى على أقرانهم في الهندسة الميكانيكية والمدنية. بشكل عام، تؤكد النتائج على أهمية السياق القسمي في تشكيل مستويات TmL والثقة بالنفس في الذكاء الاصطناعي بين طلاب الهندسة، مع إظهار التخصصات الموجهة نحو التكنولوجيا مزايا واضحة.
المناقشة
استخدمت الدراسة تصميمًا شبه تجريبيًا للاختبار القبلي والبعدي لتقييم تأثير تطبيقات الذكاء الاصطناعي (AI) على الكفاءة التقنية الرياضية (TmL) والثقة بالنفس في الذكاء الاصطناعي لدى طلاب الهندسة. أجريت مع 156 مشاركًا من تخصصات هندسية متنوعة، سلطت البحث الضوء على أن بيئات التعلم المدعومة بالذكاء الاصطناعي تعزز بشكل كبير كل من TmL والثقة بالنفس. تتماشى النتائج مع الدراسات السابقة التي تشير إلى أهمية TmL في التعليم الهندسي وتقترح أن الطلاب في المجالات الموجهة نحو التكنولوجيا يظهرون كفاءة أعلى في هذه المجالات. من الجدير بالذكر أن الدراسة لم تجد اختلافات كبيرة بين الجنسين في مكاسب الكفاءة في الذكاء الاصطناعي، مما يشير إلى أن تطبيقات الذكاء الاصطناعي تعزز بيئة تعليمية شاملة.
تشمل المساهمات النظرية دمج TmL والثقة بالنفس في الذكاء الاصطناعي في إطار متماسك، مما يبرز الاعتماد المتبادل بين التفكير الرياضي والثقة في استخدام أدوات الذكاء الاصطناعي. عمليًا، تدعو النتائج إلى إصلاحات مناهج تشمل أنشطة تستهدف كلا الكفاءتين، مثل التعلم القائم على المشاريع التي تتضمن الذكاء الاصطناعي لتحليل البيانات والنمذجة الرياضية. تهدف هذه المقاربة إلى تنمية مهندسين بارعين في كل من التفكير الرياضي ومحو الأمية في الذكاء الاصطناعي، مما يجهزهم لمواجهة التحديات التكنولوجية المعاصرة بفعالية. بشكل عام، تؤكد الدراسة على الإمكانات التحويلية لتطبيقات الذكاء الاصطناعي في التعليم الهندسي، مما يعزز كل من الفوائد المعرفية والدافعية للطلاب.
القيود
تسلط قيود الدراسة الضوء على عدة عوامل حاسمة قد تؤثر على صحة وعمومية النتائج. أجريت في جامعة واحدة، تواجه البحث تحديات تتعلق بتوزيع حجم العينة عبر الأقسام، مما قد يؤثر على التحليلات المقارنة. تثير غياب مجموعة التحكم تساؤلات حول ما إذا كانت التحسينات الملحوظة في التعليم والتعلم (TmL) والثقة بالنفس في الذكاء الاصطناعي تعود فقط إلى تدخلات الذكاء الاصطناعي أو تتأثر بعوامل بيئية خارجية. بالإضافة إلى ذلك، فإن الاعتماد على مقاييس التقرير الذاتي يقدم إمكانية التحيز نحو الرغبة الاجتماعية، مما يشير إلى أن الأبحاث المستقبلية يجب أن تتضمن تقييمات قائمة على الأداء أو بيانات نوعية لتقييم أكثر شمولاً.
استخدمت الدراسة تصميم اختبار قبلي وبعدي لمجموعة واحدة، والذي، على الرغم من كونه مفيدًا لملاحظة التغييرات، يحد من الصحة الداخلية بسبب عدم وجود مجموعة تحكم. قد يكون هذا التصميم قد تأثر بتفسيرات بديلة مثل النضج، تأثيرات الاختبار المتكرر، أو تأثير المعلم. وبالتالي، يجب تفسير النتائج كاتجاهات بدلاً من علاقات سببية نهائية. يُشجع على الأبحاث المستقبلية اعتماد تصاميم تجريبية وطولية، تضمين بيئات جامعية متنوعة، واستكشاف مفاهيم إضافية مثل التفكير الحسابي والمهارات التعاونية. ستعزز هذه المقاربة الأوسع فهم تأثير الذكاء الاصطناعي على التعلم وتساعد في تحديد أكثر أدوات الذكاء الاصطناعي واستراتيجيات التعليم فعالية عبر تخصصات مختلفة.
DOI: https://doi.org/10.3389/feduc.2025.1695351
Publication Date: 2025-11-06
Author(s): Rümeysa Beyazhançer et al.
Primary Topic: Mathematics Education and Programs
Overview
The study investigates the impact of artificial intelligence (AI) applications on the development of techno-mathematical literacy (TmL) and self-efficacy among engineering students. Utilizing a quasi-experimental design with a pre-test-post-test model, the research involved 156 students from various engineering programs at a state university. Data were collected using the Techno-Mathematical Literacy Scale (TMLS) and the Artificial Intelligence Self-Efficacy Scale (AILS), and analyzed through descriptive statistics and various statistical tests using SPSS 27. The results indicated a significant enhancement in both TmL and AI self-efficacy levels after a six-week implementation of AI applications, with notable improvements across all departments, particularly in computer and technology-oriented fields.
The findings suggest that AI applications effectively fostered essential skills such as basic mathematical competence, technology-supported mathematics learning, data literacy, and digital mathematical communication, which are crucial in the context of digital transformation. Importantly, the study found no significant differences in TmL and AI self-efficacy based on gender, highlighting the inclusivity of AI-supported learning environments. Overall, the research underscores the importance of integrating AI technologies into engineering education to prepare students for the evolving demands of the field.
Introduction
The introduction of the research paper addresses the evolving landscape of engineering education in light of global digital transformation. It emphasizes the necessity for engineers to possess not only theoretical knowledge but also the ability to effectively utilize technology, integrate mathematical thinking with digital tools, and devise innovative solutions to complex problems. The concept of techno-mathematical literacy (TmL) is introduced as a critical competency that combines mathematical processes with digital technologies and engineering applications. Recent studies highlight the importance of TmL in fostering skills such as data literacy, software-based problem solving, and technical creativity, which are essential for modern engineering practices.
The paper further discusses the integration of artificial intelligence (AI) into engineering curricula, asserting that TmL and AI competencies should be developed concurrently to enhance students’ problem-solving abilities. It cites various studies that demonstrate the positive impact of TmL on students’ professional self-efficacy and academic performance, as well as the necessity for tailored educational strategies that align with the demands of the engineering profession. The authors identify a gap in the literature regarding the interplay between AI self-efficacy and TmL skills, proposing to investigate this relationship through two research questions: (1) the effects of AI applications on TmL and AI self-efficacy, and (2) potential differences in these effects based on gender and departmental variables. This study aims to contribute to both academic discourse and practical applications in engineering education.
Results
The results of the study indicate significant improvements in both Technological Mediated Learning (TmL) and Artificial Intelligence (AI) self-efficacy levels among prospective engineers following the application of artificial intelligence tools. Specifically, the TmL scores increased from a pre-test mean of $\bar{X} = 39.48$ to a post-test mean of $\bar{X} = 42.61$, with a statistically significant difference (t = -3.764, $p < 0.001$) and a moderate effect size ($\eta^2 = 0.084$). Similarly, AI self-efficacy scores rose from a pre-test mean of $\bar{X} = 84.92$ to $\bar{X} = 92.62$, also showing a significant difference (t = -3.197, $p = 0.001$) with a small-to-medium effect size ($\eta^2 = 0.062$). Gender analysis revealed no statistically significant differences in TmL and AI self-efficacy scores between male and female engineering candidates, both pre- and post-test. However, significant differences were found based on departmental affiliation. TmL levels differed significantly across departments (F = 9.162, $p < 0.001$, $\eta^2 = 0.28$), with computer engineering students scoring the highest, followed by electrical-electronics engineering students. Similar patterns were observed for AI self-efficacy, where significant departmental differences were noted (F = 7.974, $p < 0.001$, $\eta^2 = 0.17$), with computer engineering students again outperforming their peers in mechanical and civil engineering. Overall, the findings underscore the importance of departmental context in shaping TmL and AI self-efficacy levels among engineering students, with technology-oriented disciplines showing distinct advantages.
Discussion
The study employed a quasi-experimental pretest-post-test design to assess the impact of artificial intelligence (AI) applications on engineering students’ techno-mathematical literacy (TmL) and AI self-efficacy. Conducted with 156 participants from various engineering disciplines, the research highlighted that AI-supported learning environments significantly enhance both TmL and self-efficacy. The findings align with prior studies indicating the importance of TmL in engineering education and suggest that students in technology-oriented fields exhibit higher proficiency in these areas. Notably, the study found no significant gender differences in AI literacy gains, suggesting that AI applications foster an inclusive learning environment.
Theoretical contributions include the integration of TmL and AI self-efficacy into a cohesive framework, emphasizing the interdependence of mathematical reasoning and confidence in using AI tools. Practically, the results advocate for curricular reforms that incorporate activities targeting both competencies, such as project-based learning involving AI for data analysis and mathematical modeling. This approach aims to cultivate engineers who are adept in both mathematical reasoning and AI literacy, equipping them to tackle contemporary technological challenges effectively. Overall, the study underscores the transformative potential of AI applications in engineering education, promoting both cognitive and motivational benefits for students.
Limitations
The limitations of the study highlight several critical factors that may affect the validity and generalizability of the findings. Conducted at a single university, the research faces challenges related to sample size distribution across departments, which could influence comparative analyses. The absence of a control group raises questions about whether the observed improvements in teaching and learning (TmL) and AI self-efficacy are attributable solely to AI interventions or influenced by external environmental factors. Additionally, the reliance on self-report measures introduces the potential for social desirability bias, suggesting that future research should incorporate performance-based assessments or qualitative data for a more comprehensive evaluation.
The study utilized a single-group pretest-posttest design, which, while useful for observing changes, limits internal validity due to the lack of a control group. This design may have been affected by alternative explanations such as maturation, repeated testing effects, or instructor influence. Consequently, the findings should be interpreted as trends rather than definitive causal relationships. Future research is encouraged to adopt experimental and longitudinal designs, include diverse university settings, and explore additional constructs such as computational thinking and collaborative skills. This broader approach will enhance the understanding of AI’s impact on learning and help identify the most effective AI tools and pedagogical strategies across various disciplines.