DOI: https://doi.org/10.1038/s41598-025-19118-z
PMID: https://pubmed.ncbi.nlm.nih.gov/41062645
تاريخ النشر: 2025-10-08
المؤلف: Yue Zhai وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في التعليم
نظرة عامة
تستكشف هذه الدراسة تأثير التطبيقات التعليمية المدعومة بالذكاء الاصطناعي على استراتيجيات التعلم الميتامعرفي والاجتماعي، بالإضافة إلى الدافع الذاتي بين الطلاب الجامعيين الصينيين. باستخدام تصميم شبه تجريبي مختلط، تم تقسيم 310 مشاركًا من جامعة الشرطة للتحقيقات الجنائية في الصين إلى مجموعة تجريبية مدمجة بالذكاء الاصطناعي ومجموعة ضابطة. استخدمت الدراسة استبيانات موثوقة لتقييم الاستراتيجيات الميتامعرفية/الاجتماعية والدافع الذاتي، إلى جانب تحليل نوعي لـ 834 مجلة تأملية. أظهرت نتائج تحليل التباين المصحح (ANCOVA) تحسينات ملحوظة في مجموعة الذكاء الاصطناعي (p < .001)، مع أحجام تأثير كبيرة للميتامعرفية (η² = 0.39) والدافع (η² = 0.31)، مما يشير إلى أن تطبيقات الذكاء الاصطناعي تعزز بشكل فعال التعلم الاستراتيجي وتعزز استقلالية المتعلم. تكشف النتائج أن دمج أدوات الذكاء الاصطناعي في الممارسات التعليمية يؤدي إلى تقدم ملحوظ في القراءة الذاتية، وسلوكيات البحث عن المساعدة، والدافع الداخلي. تدعم المجلات التأملية هذه النتائج، مما يشير إلى أن الطلاب يدمجون الذكاء الاصطناعي بشكل استراتيجي في روتين دراستهم، مما يعزز ثقتهم ويقلل من القلق. ومع ذلك، تشير الدراسة أيضًا إلى خطر الانخراط السطحي مع أدوات الذكاء الاصطناعي بين بعض الطلاب. على الرغم من أن النتائج واعدة، يحذر المؤلفون من أن تعميم هذه النتائج محدود بالسياق الثقافي المحدد للدراسة، ويوصون بإجراء أبحاث مستقبلية لاستكشاف فعالية دمج الذكاء الاصطناعي في بيئات تعليمية متنوعة ووضع إرشادات تعزز التعلم الذاتي الأعمق.
الطرق
توضح قسم المنهجية النهج المنهجي المستخدم في البحث لمعالجة أهداف الدراسة. يتفصيل التصميم التجريبي، بما في ذلك اختيار المشاركين، وتقنيات جمع البيانات، والأساليب التحليلية المستخدمة لتفسير النتائج. كما يتم ذكر أدوات وبرامج إحصائية محددة تم استخدامها لتحليل البيانات، مما يضمن إمكانية إعادة إنتاج البحث وشفافيته.
بالإضافة إلى ذلك، يبرز القسم أي ضوابط ومتغيرات تم أخذها في الاعتبار خلال التجارب، فضلاً عن المنطق وراء الأساليب المختارة. هذا الإطار الشامل لا يدعم فقط صلاحية النتائج ولكن يسهل أيضًا المقارنات مع الدراسات المستقبلية في هذا المجال. بشكل عام، تم تصميم المنهجية لاختبار الفرضيات بدقة وتقديم رؤى موثوقة حول الأسئلة البحثية المطروحة.
النتائج
في قسم النتائج، اختبرت الدراسة جميع الافتراضات بدقة قبل إجراء تحليل التباين المصحح (ANCOVA)، مؤكدةً طبيعة المتغيرات التابعة من خلال اختبار شابيرو-ويلك وتأسيس تجانس التباين عبر اختبار ليفين (p > .05). تم التحقق من الخطية بين درجات الاختبار القبلي والبعدي من خلال مصفوفات المخططات النقطية، وتم تلبية فرضية تجانس منحدرات الانحدار، حيث كانت جميع مصطلحات التفاعل بين المجموعة ودرجات الاختبار القبلي غير ذات دلالة (p > .05). أظهر تحليل التباين المصحح (ANCOVA) اختلافات ملحوظة في درجات الاختبار البعدي لاستراتيجيات الميتامعرفية بين المجموعتين التجريبية والضابطة، حيث أظهرت المجموعة التجريبية أداءً متفوقًا عبر جميع العناصر. تراوحت أحجام التأثير من معتدلة (η² = 0.21) إلى كبيرة (η² = 0.39)، مع تسليط الضوء بشكل خاص على العنصر “أبحث عن فرص للقراءة بأكبر قدر ممكن باللغة الإنجليزية” (η² = 0.39)، مما يشير إلى أن أدوات الذكاء الاصطناعي تعزز بشكل فعال عادات القراءة الذاتية.
بالإضافة إلى ذلك، قدم التحليل النوعي لـ 834 مدخلًا من المجلات التأملية من الطلاب في المجموعة التجريبية رؤى حول تفاعلهم مع أدوات الذكاء الاصطناعي. ظهرت ثمانية مواضيع رئيسية، توضح دمج الذكاء الاصطناعي في الروتين الأكاديمي، ودوره في التطور الميتامعرفي، والتحولات الدافعية، والتنقل بين سلوكيات التعلم السطحية والعميقة. شمل التحليل الموضوعي مقتطفات مجهولة من الطلاب، مما أغنى الفهم حول كيفية تأثير أدوات الذكاء الاصطناعي على تجاربهم التعليمية وتنظيمهم الذاتي الاستراتيجي.
المناقشة
تؤكد قسم المناقشة في الدراسة على الدور المهم للاحتياجات النفسية الأساسية (BPN) – الاستقلالية، الكفاءة، والترابط – في تعزيز الدافع الذاتي بين متعلمي اللغة، كما هو مؤطر من خلال نظرية تحديد الذات (SDT). تشير النتائج إلى أنه عندما يتم تلبية هذه الاحتياجات، يشارك المتعلمون بشكل أكثر فعالية في تعلم اللغة، حيث توفر أدوات الذكاء الاصطناعي دعمًا أساسيًا من خلال تقديم ملاحظات فورية، وتسهيل التحكم في سرعة التعلم، ومحاكاة التفاعلات التعاونية. تؤكد الأبحاث أن متعلمي اللغة الثانية الذين يتم تلبية احتياجاتهم النفسية الأساسية يظهرون مشاركة أعلى وإنجازًا، مما يتماشى مع الأدبيات الحالية التي تربط بين إشباع الاحتياجات النفسية الأساسية والتجارب العاطفية الإيجابية في التعلم.
علاوة على ذلك، تستكشف الدراسة العلاقة بين استخدام المتعلمين للاستراتيجيات واستقلاليتهم، مشددةً على أن استخدام الاستراتيجيات الفعالة يرتبط بزيادة الاستقلالية في عملية التعلم. تظهر التطبيقات المدعومة بالذكاء الاصطناعي، مثل مساعدي الكتابة الذكيين والدردشة الآلية، أنها تعزز الاستراتيجيات الميتامعرفية والمعرفية من خلال تقديم ملاحظات مخصصة وإرشادات في الوقت الفعلي. ومع ذلك، تثير الدراسة أيضًا اعتبارات أخلاقية بشأن دمج الذكاء الاصطناعي في التعليم، بما في ذلك خصوصية البيانات وخطر الاعتماد المفرط على التكنولوجيا. بشكل عام، تسهم الأبحاث في فهم كيفية الاستفادة من الذكاء الاصطناعي لتعزيز التعلم الذاتي والدافع بين الطلاب الجامعيين في اللغة الإنجليزية لأغراض أكاديمية (EAP)، بينما تدعو أيضًا إلى تأطير تربوي دقيق لتعظيم الفوائد وتقليل المخاطر.
القيود
تقدم الدراسة رؤى قيمة حول تأثير أدوات الذكاء الاصطناعي على التعلم؛ ومع ذلك، يجب الاعتراف بعدة قيود. التصميم شبه التجريبي، على الرغم من دمجه للمجموعات التجريبية والضابطة، يفتقر إلى التخصيص العشوائي على المستوى الفردي، مما قد يقدم ديناميات صفية غير خاضعة للرقابة قد تؤثر على النتائج. على الرغم من أن وجود مجموعة ضابطة يعزز التفسيرات السببية، إلا أن المتغيرات المربكة مثل تأثيرات المعلم، وتنوع محتوى الدورة، وتأثير هاوثورن لا تزال غير محسوبة. علاوة على ذلك، يثير الاعتماد على أدوات الاستبيان المبلغ عنها ذاتيًا مخاوف بشأن تحيز الرغبة الاجتماعية وعدم الدقة في تصور المتعلم الذاتي. بينما قدم التحليل النوعي لـ 834 مجلة تأملية رؤى أعمق، كانت هذه البيانات أيضًا ذاتية الإبلاغ، ولم تكن بيانات الاستخدام الموضوعية متاحة بسبب قيود الخصوصية، مما يحد من التحقق من الانخراط الفعلي مع أدوات الذكاء الاصطناعي.
يجب أن تهدف الأبحاث المستقبلية إلى دمج تحليلات التعلم من منصات الذكاء الاصطناعي للحصول على بيانات موضوعية حول استخدام الأدوات، مما يعزز فهم مشاركة الطلاب وسلوكهم. بالإضافة إلى ذلك، يمكن أن تكشف تحليلات المجموعات الفرعية التي تفحص العلاقة بين مستويات استخدام الذكاء الاصطناعي المختلفة (منخفض، متوسط، مرتفع) والمكاسب التعليمية عن تأثيرات مختلفة بناءً على ملفات تعريف المتعلمين. كما يُوصى بإجراء دراسات طولية لتقييم التأثيرات طويلة الأمد لدمج الذكاء الاصطناعي على استقلالية المتعلم، والدافع، والأداء الأكاديمي، حيث تناولت الدراسة الحالية فقط التغيرات قصيرة الأمد على مدار فصل دراسي واحد. يمكن أن توضح دمج تحليلات السلوك وتقييمات الأداء المعتمدة على المهام تأثير الذكاء الاصطناعي على نتائج التعلم عبر سياقات تعليمية متنوعة.
DOI: https://doi.org/10.1038/s41598-025-19118-z
PMID: https://pubmed.ncbi.nlm.nih.gov/41062645
Publication Date: 2025-10-08
Author(s): Yue Zhai et al.
Primary Topic: Artificial Intelligence in Education
Overview
This study investigates the impact of AI-powered educational applications on metacognitive and social learning strategies, as well as self-determined motivation among Chinese undergraduate students. Utilizing a mixed-methods quasi-experimental design, 310 participants from the Criminal Investigation Police University of China were divided into an AI-integrated experimental group and a control group. The study employed validated questionnaires to assess metacognitive/social strategies and autonomous motivation, alongside qualitative analysis of 834 reflective journals. Results from ANCOVA indicated significant improvements in the AI group (p < .001), with large effect sizes for metacognition (η² = 0.39) and motivation (η² = 0.31), suggesting that AI applications effectively enhance strategic learning and foster learner autonomy. The findings reveal that integrating AI tools into educational practices leads to notable advancements in self-directed reading, help-seeking behaviors, and intrinsic motivation. Reflective journals further support these outcomes, indicating that students strategically incorporate AI into their study routines, which enhances their confidence and reduces anxiety. However, the study also notes the risk of superficial engagement with AI tools among some students. While the results are promising, the authors caution that the generalizability of these findings is limited to the specific cultural context of the study, recommending future research to explore the effectiveness of AI integration in diverse educational settings and to establish guidelines that promote deeper, self-regulated learning.
Methods
The methodology section outlines the systematic approach employed in the research to address the study’s objectives. It details the experimental design, including the selection of participants, data collection techniques, and analytical methods utilized to interpret the results. Specific statistical tools and software used for data analysis are also mentioned, ensuring reproducibility and transparency in the research process.
Additionally, the section highlights any controls and variables considered during the experiments, as well as the rationale behind the chosen methods. This comprehensive framework not only supports the validity of the findings but also facilitates comparisons with future studies in the field. Overall, the methodology is designed to rigorously test the hypotheses and provide reliable insights into the research questions posed.
Results
In the results section, the study rigorously tested all assumptions prior to conducting an ANCOVA, confirming the normality of dependent variables through the Shapiro-Wilk test and establishing homogeneity of variance via Levene’s Test (p > .05). Linearity between pre-test and post-test scores was verified through scatterplot matrices, and the assumption of homogeneity of regression slopes was met, as all interaction terms between group and pre-test scores were nonsignificant (p > .05). The ANCOVA revealed significant differences in post-test scores for metacognitive strategies between the experimental and control groups, with the experimental group demonstrating superior performance across all items. Effect sizes ranged from moderate (η² = 0.21) to large (η² = 0.39), particularly highlighting the item “I look for opportunities to read as much as possible in English” (η² = 0.39), suggesting that AI tools effectively enhanced self-directed reading habits.
Additionally, qualitative analysis of 834 reflective journal entries from students in the experimental group provided insights into their engagement with AI tools. Eight key themes emerged, illustrating the integration of AI into academic routines, its role in metacognitive development, motivational shifts, and the navigation of both surface-level and deep learning behaviors. The thematic analysis included anonymized excerpts from students, enriching the understanding of how AI tools influenced their learning experiences and strategic self-regulation.
Discussion
The discussion section of the study emphasizes the significant role of Basic Psychological Needs (BPN)—autonomy, competence, and relatedness—in fostering autonomous motivation among language learners, as framed by Self-Determination Theory (SDT). The findings indicate that when these needs are met, learners engage more effectively in language learning, with AI tools providing essential support by offering instant feedback, facilitating learner-controlled pacing, and simulating collaborative interactions. The research underscores that L2 learners whose BPN are fulfilled demonstrate higher engagement and achievement, aligning with existing literature that connects BPN satisfaction to positive emotional experiences in learning.
Furthermore, the study explores the relationship between learners’ use of strategies and their autonomy, highlighting that effective strategy use correlates with increased independence in the learning process. AI-powered applications, such as intelligent writing assistants and chatbots, are shown to enhance metacognitive and cognitive strategies by providing personalized feedback and real-time guidance. However, the study also raises ethical considerations regarding AI integration in education, including data privacy and the risk of overreliance on technology. Overall, the research contributes to the understanding of how AI can be leveraged to enhance autonomous learning and motivation among undergraduate students in English for Academic Purposes (EAP), while also calling for careful pedagogical framing to maximize benefits and mitigate risks.
Limitations
The study presents valuable insights into the impact of AI tools on learning; however, several limitations must be acknowledged. The quasi-experimental design, while incorporating experimental and control groups, lacked random assignment at the individual level, potentially introducing uncontrolled classroom dynamics that could affect outcomes. Although the presence of a control group enhances causal interpretations, confounding variables such as teacher effects, course content variation, and the Hawthorne effect remain unaccounted for. Furthermore, the reliance on self-reported survey instruments raises concerns regarding social desirability bias and inaccuracies in learner self-perception. While qualitative analysis of 834 reflective journals provided deeper insights, this data was also self-reported, and objective usage data was unavailable due to privacy constraints, limiting the verification of actual engagement with AI tools.
Future research should aim to incorporate learning analytics from AI platforms to obtain objective data on tool usage, thereby enhancing the understanding of student engagement and behavior. Additionally, subgroup analyses examining the correlation between varying levels of AI usage (low, medium, high) and learning gains could reveal differential impacts based on learner profiles. Longitudinal studies are also recommended to assess the long-term effects of AI integration on learner autonomy, motivation, and academic performance, as the current study only addressed short-term changes over a single semester. Incorporating behavioral analytics and task-based performance assessments could further elucidate the influence of AI on learning outcomes across diverse educational contexts.