DOI: https://doi.org/10.1007/s44217-025-00592-6
تاريخ النشر: 2025-06-07
المؤلف: Khanyisile Twabu
الموضوع الرئيسي: عمليات التعلم البصرية والمعرفية
نظرة عامة
تقدم هذه المقالة البحثية إطارًا جديدًا يجمع بين الذكاء الاصطناعي (AI) ونظرية الحمل المعرفي (CLT) ونظرية ماير المعرفية للتعلم متعدد الوسائط (CTML) لتعزيز أنظمة التعلم الإلكتروني عن بُعد المفتوح (ODeL). من خلال معالجة قيود النظريات المعرفية التقليدية، يسهل الإطار إدارة الحمل المعرفي التكيفي، وإنشاء المخططات بوساطة الذكاء الاصطناعي، والتعلم التعاوني بين الإنسان والذكاء الاصطناعي. تبرز نقد دراسة الدكتوراه لتوابو (2023) نقص تكامل الذكاء الاصطناعي، مما يسلط الضوء على المساهمة الفريدة للمقالة في الأدبيات من خلال دمج النظريات المعرفية الراسخة مع القدرات الديناميكية للذكاء الاصطناعي. يهدف الإطار إلى تحسين بيئات التعلم من خلال تخصيص تقديم المحتوى وإدارة الحمل المعرفي، مما يحسن الاحتفاظ بالمعرفة والفهم.
تؤكد المقالة على أن القدرات المتقدمة للمعالجة في الذكاء الاصطناعي يمكن أن تتماشى مع مبادئ CTML لإنشاء تجارب تعلم جذابة وشخصية. من خلال دمج الذكاء الاصطناعي في الممارسات التعليمية، يسعى الإطار المقترح إلى معالجة التحديات الحالية في CLT وCTML، مما يعزز تقديم المحتوى ومسارات التعلم الفردية. ومع ذلك، يجب التعامل مع تكامل الذكاء الاصطناعي بحذر، مع مراعاة القضايا الأخلاقية مثل خصوصية البيانات والتحيزات المحتملة. يدعو المؤلفون إلى تحديث السياسات التعليمية لتعكس إدماج الذكاء الاصطناعي، مما يضمن أن هذه التقنيات تعزز تجربة التعلم. يتم تشجيع الأبحاث المستقبلية للتحقق تجريبيًا من الإطار واستكشاف آثاره عبر سياقات تعليمية متنوعة، بهدف في النهاية إحداث ثورة في التعليم من خلال التطبيق الفعال للذكاء الاصطناعي في إدارة الحمل المعرفي ودعم التعلم التعاوني.
مقدمة
تناقش المقدمة أهمية نظرية الحمل المعرفي (CLT) ونظرية ماير المعرفية للتعلم متعدد الوسائط (CTML) في فهم التعلم البشري وتصميم التعليم. تؤكد هذه النظريات على العمليات المعرفية مثل الذاكرة العاملة، وإنشاء المخططات، والإفراط في الحمل المعرفي، والتي كانت أساسية في تطوير فرضيات تصميم التعليم على مدى العقود الثلاثة الماضية. مع تزايد دمج التقنيات التعليمية للذكاء الاصطناعي (AI)، هناك حاجة ملحة لتكييف هذه الأطر لتأخذ في الاعتبار القدرات والقيود الفريدة للذكاء الاصطناعي.
تسلط النقد لدراسة الدكتوراه لتوابو (2023) الضوء على فرصة ضائعة لدمج الذكاء الاصطناعي في الإطار المقترح للتعلم متعدد الوسائط عن بُعد في جنوب إفريقيا. بينما تركز أعمال توابو على مبادئ تصميم الوسائط المتعددة، فإنها تتجاهل كيف يمكن للذكاء الاصطناعي تعزيز تفاعل المتعلم والمراقبة المعرفية. تحدد النقد فجوة في معالجة دور الذكاء الاصطناعي في إدارة الحمل المعرفي وأتمتة تطوير المخططات، مما يحد من قابلية توسيع الإطار وتخصيصه. يجادل المؤلفون بضرورة تحديث السياسات التعليمية لدمج الذكاء الاصطناعي والتقنيات متعددة الوسائط بشكل أخلاقي، مما يضمن التعلم التكيفي والشخصي مع الحفاظ على العدالة والشفافية. يؤكدون على أن الأطر الحالية يجب أن تستفيد من إمكانيات الذكاء الاصطناعي لمراقبة الأحمال المعرفية وتسهيل إنشاء المخططات، مما يحول في النهاية الممارسات التعليمية والأدوار.
نقاش
يقترح قسم النقاش في الورقة البحثية إطارًا موسعًا لدمج الذكاء الاصطناعي (AI) في البيئات التعليمية، لا سيما ضمن التعلم الإلكتروني عن بُعد المفتوح (ODeL). يهدف هذا الإطار إلى تعزيز التجارب التعليمية من خلال الاستفادة من قدرات الذكاء الاصطناعي في ثلاثة مجالات رئيسية: إدارة الحمل المعرفي المعززة بالذكاء الاصطناعي، وإنشاء المخططات بوساطة الذكاء الاصطناعي، والتعلم التعاوني بين الإنسان والذكاء الاصطناعي. يقترح الإطار أن الذكاء الاصطناعي يمكن أن يراقب سلوكيات المتعلمين في الوقت الفعلي لتعديل المواد التعليمية، مما يقلل من الحمل المعرفي. على سبيل المثال، يمكن لمعلم الذكاء الاصطناعي تبسيط المشكلات المعقدة بناءً على أداء الطالب، مما يسهل الفهم الأفضل. بالإضافة إلى ذلك، يمكن للذكاء الاصطناعي المساعدة في إنشاء المخططات من خلال تنسيق مسارات التعلم التكيفية التي تناسب تفضيلات المتعلم الفردية، مما يحسن الاحتفاظ بالمعرفة والنقل.
تؤكد الورقة أيضًا على الأسس النظرية لهذا الدمج، مستمدة من نظرية الحمل المعرفي (CLT) ونظرية ماير المعرفية للتعلم متعدد الوسائط (CTML). تدعو هذه النظريات إلى الجمع الفعال بين المعلومات اللفظية والمرئية لتحسين نتائج التعلم. يجادل المؤلفون بأن قدرة الذكاء الاصطناعي على معالجة وتكييف محتوى الوسائط المتعددة تتماشى جيدًا مع مبادئ CTML، مما يمكّن من تجارب تعلم شخصية وجذابة. ومع ذلك، يجب التعامل مع دمج الذكاء الاصطناعي في الأطر التعليمية بحذر، مع معالجة المخاوف مثل خصوصية البيانات، والاستخدام الأخلاقي، والتحيزات المحتملة. يدعو المؤلفون إلى أبحاث مستقبلية للتحقق تجريبيًا من الإطار المقترح واستكشاف آثاره عبر سياقات تعليمية متنوعة، بهدف في النهاية تحسين نتائج التعلم ودعم العمليات المعرفية البشرية من خلال تآزر الذكاء الاصطناعي ومبادئ التعلم متعدد الوسائط.
DOI: https://doi.org/10.1007/s44217-025-00592-6
Publication Date: 2025-06-07
Author(s): Khanyisile Twabu
Primary Topic: Visual and Cognitive Learning Processes
Overview
This research article introduces a novel framework that synergizes Artificial Intelligence (AI) with Cognitive Load Theory (CLT) and Mayer’s Cognitive Theory of Multimedia Learning (CTML) to enhance Open Distance eLearning (ODeL) systems. By addressing the limitations of traditional cognitive theories, the framework facilitates adaptive cognitive load management, AI-mediated schema creation, and human-AI collaborative learning. A critique of Twabu’s (2023) PhD study underscores the lack of AI integration, highlighting the article’s unique contribution to the literature by synthesizing established cognitive theories with AI’s dynamic capabilities. The framework aims to optimize learning environments by personalizing content delivery and managing cognitive load, thereby improving knowledge retention and understanding.
The article emphasizes that AI’s advanced processing capabilities can align with CTML principles to create engaging and personalized learning experiences. By incorporating AI into educational practices, the proposed framework seeks to address current challenges in CLT and CTML, enhancing content delivery and individual learning pathways. However, the integration of AI must be approached with caution, considering ethical issues such as data privacy and potential biases. The authors advocate for updated educational policies that reflect AI’s inclusion, ensuring that these technologies enhance the learning experience. Future research is encouraged to empirically validate the framework and explore its implications across various educational contexts, ultimately aiming to revolutionize education through the effective application of AI in managing cognitive load and supporting collaborative learning.
Introduction
The introduction discusses the significance of Cognitive Load Theory (CLT) and Mayer’s Cognitive Theory of Multimedia Learning (CTML) in understanding human learning and instructional design. These theories emphasize cognitive processes such as working memory, schema creation, and cognitive overload, which have been foundational in developing instructional design hypotheses over the past three decades. As educational technologies increasingly incorporate Artificial Intelligence (AI), there is a pressing need to adapt these frameworks to account for AI’s unique capabilities and limitations.
The critique of Twabu’s (2023) PhD study highlights a missed opportunity to integrate AI into the proposed multimedia framework for open distance eLearning in South Africa. While Twabu’s work focuses on multimedia design principles, it neglects how AI can enhance learner engagement and cognitive monitoring. The critique identifies a gap in addressing AI’s role in managing cognitive load and automating schema development, which limits the framework’s scalability and personalization. The authors argue for the necessity of updating educational policies to ethically incorporate AI and multimedia technologies, ensuring adaptive and personalized learning while maintaining equity and transparency. They emphasize that current frameworks must leverage AI’s potential to monitor cognitive loads and facilitate schema creation, ultimately transforming educational practices and roles.
Discussion
The discussion section of the research paper proposes an expanded framework for integrating Artificial Intelligence (AI) into educational settings, particularly within Open Distance eLearning (ODeL). This framework aims to enhance educational experiences by leveraging AI’s capabilities in three key areas: AI-enhanced cognitive load management, AI-mediated schema creation, and human-AI collaborative learning. The framework suggests that AI can monitor learner behaviors in real-time to adjust instructional materials, thereby minimizing cognitive overload. For instance, an AI tutor can simplify complex problems based on a student’s performance, facilitating better comprehension. Additionally, AI can assist in schema creation by curating adaptive learning pathways tailored to individual learner preferences, thereby improving knowledge retention and transfer.
The paper also emphasizes the theoretical underpinnings of this integration, drawing from Cognitive Load Theory (CLT) and Mayer’s Cognitive Theory of Multimedia Learning (CTML). These theories advocate for the effective combination of verbal and visual information to optimize learning outcomes. The authors argue that AI’s ability to process and adapt multimedia content aligns well with CTML principles, enabling personalized and engaging learning experiences. However, the integration of AI into educational frameworks must be approached with caution, addressing concerns such as data privacy, ethical use, and potential biases. The authors call for future research to empirically validate the proposed framework and explore its implications across various educational contexts, ultimately aiming to enhance learning outcomes and support human cognitive processes through the synergy of AI and multimedia learning principles.