DOI: https://doi.org/10.3389/feduc.2026.1770878
تاريخ النشر: 2026-03-12
المؤلف: Justus Braune وآخرون
الموضوع الرئيسي: طرق التحليل الحاسوبي والنصي
نظرة عامة
تستقصي هذه الدراسة فعالية نموذج اللغة الكبير (LLM)، وتحديدًا ChatGPT، في تسهيل تحليل المحتوى النوعي لمجموعات البيانات الكبيرة، مع التركيز على ردود الطلاب بشأن الميكروبلاستيك. شمل التحليل 180 طالبًا من درجتي البكالوريوس من جامعتين ألمانيتين أجابوا على أربعة أسئلة مفتوحة. تم استخدام ChatGPT لإنشاء فئات وتصنيف الردود بشكل استقرائي، وتمت مقارنة النتائج مع تلك التي حصل عليها اثنان من المرمزين الخبراء البشريين. تم تقييم موثوقية التقييم بين المراجعين باستخدام كابا كوهين، مما كشف أن نظام تصنيف ChatGPT يتماشى عن كثب مع نظام المرمزين البشريين. ومن الجدير بالذكر أن ChatGPT حقق موثوقيات تقييم بين المراجعين تصل إلى κ = 0.96، متجاوزًا اتفاق المرمزين البشريين (κ = 0.45-0.90).
تشير النتائج إلى أن نماذج اللغة الكبيرة يمكن أن تعزز بشكل كبير من صحة وموثوقية تحليل المحتوى النوعي بينما تقلل بشكل كبير من الوقت المطلوب لمثل هذه التحليلات. يضع هذا التقدم نماذج اللغة الكبيرة كأداة تحويلية في البحث النوعي، مما يجعلها أكثر كفاءة ويسرًا للمعلمين. من خلال تمكين المعلمين من تحليل تصورات الطلاب بسرعة، تقترح الدراسة أن نماذج اللغة الكبيرة يمكن أن تحسن تصميم الدروس وت optimize عمليات التعلم، مما يثري كل من البحث الأكاديمي وممارسات الفصول الدراسية.
مقدمة
تؤكد مقدمة هذه الورقة البحثية على أهمية فهم تصورات الطلاب في السياقات التعليمية، لا سيما في تعليم العلوم. مستندة إلى نظريات بياجيه الأساسية، يبرز المؤلفون أن الطلاب يصلون إلى الفصول الدراسية بأفكار مسبقة – غالبًا ما تُسمى المفاهيم الخاطئة أو التصورات المسبقة أو التصورات البديلة – التي يمكن أن تؤثر بشكل كبير على نتائج تعلمهم. هذه التصورات، التي تتشكل عادة من التجارب اليومية، قد تختلف عن المفاهيم العلمية ويمكن أن تكون مقاومة للتغيير، مما يطرح تحديات للتعليم الفعال. يجادل المؤلفون بضرورة دمج المعرفة بتصورات الطلاب في تخطيط الدروس واستراتيجيات التدريس، مشيرين إلى أن الممارسات التعليمية الحالية غالبًا ما تتجاهل ذلك بسبب الحواجز النظامية مثل قيود الوقت ونقص تدريب المعلمين.
تقدم الورقة أيضًا طريقة جديدة لتحليل تصورات الطلاب، تحديدًا بشأن الميكروبلاستيك، وهو موضوع ذو أهمية متزايدة في المناهج الدراسية للعلوم والتعليم من أجل التنمية المستدامة. يقترح المؤلفون استخدام الذكاء الاصطناعي (AI)، وخاصة تقنيات معالجة اللغة الطبيعية (NLP)، لأتمتة التحليل النوعي لردود الطلاب، مما يعزز كفاءة وموضوعية تفسير البيانات. يحددون ثلاثة أسئلة بحثية تهدف إلى استكشاف قدرات ChatGPT في تصنيف ردود الطلاب وتقييم موثوقية التقييم بين الذكاء الاصطناعي والمقيمين البشريين. تسعى هذه المقاربة إلى سد الفجوة بين الرؤى النوعية والتحليل الكمي، بهدف تحسين الاستراتيجيات التعليمية ودعم التعلم الفردي.
الطرق
يستعرض قسم “الطرق” الإجراءات التجريبية والتحليلية المستخدمة في الدراسة. يوضح اختيار المشاركين، وتصميم التجارب، والتقنيات الإحصائية المستخدمة لتحليل البيانات. يتم وصف منهجيات محددة، مثل التجارب المضبوطة أو الدراسات الملاحظة، لضمان إمكانية تكرار النتائج وصحتها.
بالإضافة إلى ذلك، قد يتضمن القسم معلومات عن الأدوات والتقنيات المستخدمة لجمع البيانات، مثل الاستطلاعات أو البرمجيات أو المعدات المختبرية. يتم مناقشة الأسباب وراء الطرق المختارة، مع التأكيد على ملاءمتها لمعالجة الأسئلة البحثية المطروحة. بشكل عام، يخدم هذا القسم لتقديم نظرة شاملة على الإطار المنهجي الذي يدعم استنتاجات الدراسة.
النتائج
في هذا القسم، يقدم المؤلفون نتائج تحليل تم إجراؤه على ردود الطلاب على أربعة أسئلة مفتوحة بشأن الميكروبلاستيك. كانت الأسئلة تهدف إلى قياس فهم الطلاب للميكروبلاستيك، ومصادر معلوماتهم، ومصادر الميكروبلاستيك المنزلية، وتقييمهم للمخاطر المحتملة التي تشكلها هذه المواد. شمل التحليل تصنيف الردود وحساب موثوقية التقييم بين المقيمين البشريين والذكاء الاصطناعي، وتحديدًا ChatGPT-o1.
لزيادة الوضوح، استبعد المؤلفون فئة تحمل عنوان “أخرى”، والتي احتوت على إجابات غير قابلة للتصنيف، من العرض الإضافي. تم تحسين نظام التصنيف إلى فئات فرعية لتعكس بدقة تعقيد ردود الطلاب، مع أمثلة محددة مأخوذة من الإجابات الأصلية. يعترف المؤلفون بالطبيعة المعقدة لتصورات الطلاب بشأن الميكروبلاستيك ويشيرون إلى أنه سيتم تقديم تحليل أكثر تفصيلًا في مقال قادم.
المناقشة
في هذه الدراسة، استكشف المؤلفون استخدام الذكاء الاصطناعي، وتحديدًا ChatGPT، لتحليل البيانات النوعية المتعلقة بتصورات الطلاب الجامعيين حول الميكروبلاستيك. شملت الدراسة استطلاعًا طوعيًا عبر الإنترنت لـ 180 طالبًا، مع التركيز على معلوماتهم الاجتماعية والديموغرافية وردودهم على أسئلة حول الميكروبلاستيك. أشارت النتائج إلى أن الذكاء الاصطناعي يمكن أن يولد بفعالية أنظمة تصنيف سواء بشكل استقرائي، بناءً على ردود المشاركين، أو استنتاجي، باستخدام المعرفة الموجودة. سهلت هذه المقاربة المزدوجة عملية التحليل، مما سمح للباحثين بتحديد الأنماط الموضوعية بكفاءة وتحسين الفئات بناءً على مراجعة الخبراء والتغذية الراجعة التكرارية.
أظهر نظام التصنيف الذي تم تطويره من خلال الذكاء الاصطناعي موثوقية عالية بين المراجعين، مقارنة بالمرمزين البشريين، لا سيما في مهام التصنيف المعقدة. سلطت الدراسة الضوء على أهمية التحسين التكراري في عملية التصنيف، مشددة على أنه بينما يمكن للذكاء الاصطناعي تصنيف الردود بشكل موثوق في فئات محددة مسبقًا، فإن الإشراف البشري ضروري لتحسين التعريفات ومعالجة الغموض. تشير النتائج إلى أن أدوات الذكاء الاصطناعي يمكن أن تقلل بشكل كبير من الوقت والتكلفة المرتبطة بتحليل البيانات النوعية، مما يجعلها أصولًا قيمة في البحث التعليمي. علاوة على ذلك، فإن الآثار المترتبة على التدريس في الفصول الدراسية ملحوظة، حيث يمكن للمعلمين الاستفادة من الذكاء الاصطناعي للحصول على رؤى حول تصورات الطلاب، مما يعزز تخطيط الدروس واستراتيجيات التدريس. بشكل عام، تدعو الدراسة إلى دمج الذكاء الاصطناعي في البحث النوعي لتحسين الكفاءة والدقة في فهم الموضوعات العلمية المعقدة.
القيود
تسلط قيود هذه الدراسة الضوء على الحاجة إلى مزيد من البحث لتعزيز تنوع العينة، حيث أن العينة الحالية تقتصر على الطلاب الجامعيين. سيوفر توسيع البحث ليشمل شريحة أوسع من الجمهور العام فهمًا أكثر شمولاً للنتائج. بالإضافة إلى ذلك، قد يؤدي تطبيق المنهجية الموصوفة على قضايا أخرى إلى الحصول على رؤى إضافية حول مزايا وعيوب المقاربة المبتكرة المقدمة. لقد لاحظت الدراسات السابقة القيود النموذجية، مثل المخرجات غير المتسقة والأخطاء، مما يبرز أهمية تصميم البحث بعناية، والمراقبة، ومراقبة الجودة (نجوين-ترونغ وآخرون، 2024؛ نجوين-ترونغ، 2025).
بينما تقدم برامج تحليل البيانات النوعية (QDA) المعروفة مثل MAXQDA معالجة منهجية وتوثيقًا، يقدم ChatGPT بديلاً أكثر مرونة وفعالية من حيث التكلفة والوقت. يسهل ChatGPT تطوير أنظمة تصنيف استقرائية واستنتاجية، ويعزز التعريفات، وينظم التسلسلات الهرمية، مما يسمح بالحوار الانعكاسي حول التداخلات والنقاط العمياء. تتيح مخرجاته، بما في ذلك الجداول المرنة، والملخصات، والرسوم التخطيطية المفاهيمية، ربط البيانات بالنظرية. يشير الاستخدام التكميلي لـ ChatGPT للتصميم المفاهيمي وMAXQDA للتنفيذ الدقيق إلى طريق واعد للبحث المستقبلي الذي يستكشف دمج هذه الأدوات.
DOI: https://doi.org/10.3389/feduc.2026.1770878
Publication Date: 2026-03-12
Author(s): Justus Braune et al.
Primary Topic: Computational and Text Analysis Methods
Overview
This study investigates the efficacy of a Large Language Model (LLM), specifically ChatGPT, in facilitating qualitative content analysis of large datasets, focusing on student responses regarding microplastics. The analysis involved 180 bachelor students from two German universities who answered four open-ended questions. ChatGPT was employed to inductively create categories and classify responses, with results compared against those from two human expert coders. The inter-rater reliability was assessed using Cohen’s kappa, revealing that ChatGPT’s categorization system closely aligned with that of human coders. Notably, ChatGPT achieved inter-rater reliabilities of up to κ = 0.96, surpassing the human coders’ agreement (κ = 0.45-0.90).
The findings indicate that LLMs can significantly enhance the validity and reliability of qualitative content analysis while drastically reducing the time required for such analyses. This advancement positions LLMs as a transformative tool in qualitative research, making it more efficient and accessible for educators. By enabling teachers to analyze student conceptions swiftly, the study suggests that LLMs can improve lesson design and optimize learning processes, thereby enriching both academic research and classroom practices.
Introduction
The introduction of this research paper emphasizes the significance of understanding student conceptions in educational contexts, particularly in science education. Drawing on Piaget’s foundational theories, the authors highlight that students arrive in classrooms with pre-existing ideas—often termed misconceptions, preconceptions, or alternative conceptions—that can significantly influence their learning outcomes. These conceptions, which are typically formed from everyday experiences, may diverge from scientific concepts and can be resistant to change, thus posing challenges for effective teaching. The authors argue for the necessity of integrating knowledge of student conceptions into lesson planning and teaching strategies, noting that current educational practices often overlook this due to systemic barriers such as time constraints and lack of teacher training.
The paper also introduces a novel method for analyzing student conceptions, specifically regarding microplastics, a topic of increasing relevance in science curricula and education for sustainable development. The authors propose utilizing Artificial Intelligence (AI), particularly Natural Language Processing (NLP) techniques, to automate the qualitative analysis of student responses, thereby enhancing the efficiency and objectivity of data interpretation. They outline three research questions aimed at exploring the capabilities of ChatGPT in categorizing student responses and assessing the inter-rater reliability between AI and human evaluators. This approach seeks to bridge the gap between qualitative insights and quantitative analysis, ultimately aiming to improve educational strategies and support individualized learning.
Methods
The “Methods” section outlines the experimental and analytical procedures employed in the study. It details the selection of participants, the design of the experiments, and the statistical techniques used for data analysis. Specific methodologies, such as controlled trials or observational studies, are described to ensure reproducibility and validity of the findings.
Additionally, the section may include information on the tools and technologies utilized for data collection, such as surveys, software, or laboratory equipment. The rationale behind the chosen methods is discussed, emphasizing their appropriateness for addressing the research questions posed. Overall, this section serves to provide a comprehensive overview of the methodological framework that underpins the study’s conclusions.
Results
In this section, the authors present the results of an analysis conducted on student responses to four open-ended questions regarding microplastics. The questions aimed to gauge students’ understanding of microplastics, their information sources, home-based sources of microplastics, and their assessment of the potential dangers posed by these materials. The analysis involved categorizing responses and calculating inter-rater reliability between human evaluators and AI, specifically ChatGPT-o1.
To enhance clarity, the authors excluded a category labeled “others,” which contained non-assignable answers, from further display. The categorization system was refined into subcategories to accurately reflect the complexity of student responses, with specific examples drawn from original answers. The authors acknowledge the intricate nature of students’ conceptions regarding microplastics and indicate that a more detailed analysis will be provided in a forthcoming article.
Discussion
In this study, the authors explored the use of artificial intelligence, specifically ChatGPT, for analyzing qualitative data related to university students’ perceptions of microplastics. The research involved a voluntary online survey of 180 students, focusing on their socio-demographic information and responses to questions about microplastics. The findings indicated that AI could effectively generate categorization systems both inductively, based on participant responses, and deductively, using existing knowledge. This dual approach facilitated a streamlined analysis process, allowing researchers to identify thematic patterns efficiently and refine categories based on expert review and iterative feedback.
The categorization system developed through AI demonstrated high intra- and inter-rater reliability, comparable to human coders, particularly in complex categorization tasks. The study highlighted the importance of iterative refinement in the categorization process, emphasizing that while AI can reliably sort responses into predefined categories, human oversight is crucial for optimizing definitions and addressing ambiguities. The results suggest that AI tools can significantly reduce the time and cost associated with qualitative data analysis, making them valuable assets in educational research. Furthermore, the implications for classroom teaching are notable, as teachers can leverage AI to gain insights into student conceptions, thereby enhancing lesson planning and instructional strategies. Overall, the study advocates for the integration of AI in qualitative research to improve efficiency and accuracy in understanding complex scientific topics.
Limitations
The limitations of this study highlight the need for further research to enhance sample diversity, as the current sample is limited to university students. Expanding the research to include a broader segment of the general public would provide a more comprehensive understanding of the findings. Additionally, applying the described methodology to other issues could yield further insights into the advantages and disadvantages of the innovative approach presented. Previous studies have noted typical limitations, such as inconsistent outputs and errors, which underscore the importance of careful research design, monitoring, and quality control (Nguyen-Trung et al., 2024; Nguyen-Trung, 2025).
While established qualitative data analysis (QDA) programs like MAXQDA offer systematic handling and documentation, ChatGPT presents a more flexible, cost-effective, and time-efficient alternative. ChatGPT facilitates inductive and deductive category system development, enhances definitions, and organizes hierarchies, allowing for reflexive dialogue on overlaps and blind spots. Its outputs, including flexible tables, summaries, and conceptual sketches, enable a connection between data and theory. The complementary use of ChatGPT for conceptual design and MAXQDA for rigorous execution suggests a promising avenue for future research exploring the integration of these tools.