DOI: https://doi.org/10.1186/s40468-025-00345-0
تاريخ النشر: 2025-01-21
المؤلف: Mohamad Ahmad Saleem Khasawneh وآخرون
الموضوع الرئيسي: التقييمات التعليمية والنفسية
نظرة عامة
تبحث ورقة البحث في تأثير الذكاء الاصطناعي (AI) على تقييم المحفظة في سياقات اللغة الإنجليزية كلغة أجنبية (EFL)، مع التركيز بشكل خاص على تنظيم العواطف الأكاديمية (AER)، واليقظة الذهنية، والمواقف تجاه تعلم اللغة. أجريت الدراسة شبه التجريبية مع 69 طالبًا من جامعة بحر دار، إثيوبيا، وقارنت بين مجموعة تجريبية (EG) تستخدم الذكاء الاصطناعي للحصول على تعليقات مخصصة ومجموعة ضابطة (CG) تتلقى تعليقات تقليدية من المعلم. تشير النتائج إلى أن تقييم المحفظة المدعوم بالذكاء الاصطناعي يعزز بشكل كبير AER واليقظة الذهنية، مما يعزز المواقف الإيجابية تجاه تعلم اللغة. استخدمت الدراسة تحليلات إحصائية متنوعة، بما في ذلك ANCOVA واختبارات t، للتحقق من صحة هذه النتائج.
تشير النتائج إلى أن أدوات الذكاء الاصطناعي يمكن أن تحسن الرفاهية العاطفية والتنمية المعرفية بين متعلمي EFL، مما يعزز بيئة تعليمية داعمة. على الرغم من أن النتائج واعدة، إلا أنها محددة بالسياق، مما يتطلب مزيدًا من البحث لاستكشاف استدامة المواقف الإيجابية وقابلية تطبيق تدخلات الذكاء الاصطناعي على نطاق أوسع عبر بيئات تعليمية متنوعة. تؤكد الدراسة على أهمية دمج الذكاء الاصطناعي كمكمل للتفاعل البشري في التعليم، مما يبرز إمكانيته في تخصيص التعليم وأتمتة المهام الروتينية، مما يسمح للمعلمين بالتركيز على أهداف التعلم العليا. بالإضافة إلى ذلك، تؤكد الحاجة إلى تطوير مهني للمعلمين في الاستخدام الأخلاقي والفعال للذكاء الاصطناعي، فضلاً عن دمج الموارد المدفوعة بالذكاء الاصطناعي في المناهج الدراسية لتعزيز المشاركة ومعالجة احتياجات المتعلمين المعرفية والعاطفية.
مقدمة
تسلط مقدمة ورقة البحث هذه الضوء على الأهمية المتزايدة لتقييم المحفظة كطريقة تقييم تركز على المتعلم، خاصة في سياقات تعلم اللغة. على عكس التقييمات التقليدية النهائية، يعزز تقييم المحفظة مشاركة المتعلم النشطة من خلال التعليقات التكوينية، والتفكير النقدي، وتحديد الأهداف الشخصية (Chang et al., 2018; Doğan et al., 2024). لقد أحدث دمج تقنيات الذكاء الاصطناعي في تقييمات المحفظة ثورة في هذا النهج من خلال توفير تعليقات مخصصة، ومراقبة مستمرة، ورؤى قائمة على البيانات، مما يعزز تنظيم العواطف (AER) واليقظة الذهنية والمواقف تجاه تعلم اللغة (Peretz-Andersson et al., 2024; Liu et al., 2024).
تتناول تقييمات المحفظة المدعومة بالذكاء الاصطناعي التحديات العاطفية التي يواجهها المتعلمون، مثل القلق والإحباط، من خلال استخدام معالجة اللغة الطبيعية لتحليل الانعكاسات المكتوبة وتقديم الدعم في الوقت المناسب (Wang et al., 2023). لا تخفف هذه التعليقات المخصصة من المشاعر السلبية فحسب، بل تعزز أيضًا المرونة العاطفية والكفاءة الذاتية من خلال رؤى قابلة للتنفيذ (Junaidi, 2020). علاوة على ذلك، تؤكد الدراسة على دور اليقظة الذهنية في تعزيز الوعي الذاتي والمشاركة، حيث تسهل أدوات الذكاء الاصطناعي الممارسات التأملية التي تساعد المتعلمين على تحديد وإدارة استجاباتهم العاطفية (Fitria, 2023). بشكل عام، تؤكد الأبحاث على إمكانيات تقييمات المحفظة المعززة بالذكاء الاصطناعي لإنشاء بيئة تعليمية أكثر شمولاً ودعماً، مما يؤدي في النهاية إلى تحسين المواقف تجاه تعلم اللغة ونتائج تعليمية أفضل.
الطرق
توضح قسم المنهجية النهج المنهجي المستخدم في البحث. يتناول التصميم التجريبي، بما في ذلك اختيار المشاركين، وتقنيات جمع البيانات، والأساليب التحليلية المستخدمة لتقييم النتائج. استخدمت الدراسة إطارًا كميًا، يتضمن تحليلات إحصائية لضمان موثوقية وصحة النتائج.
تم جمع البيانات من خلال استبيانات منظمة وتجارب محكومة، مما يسمح بتقييم شامل للمتغيرات قيد التحقيق. استخدمت التحليلات تقنيات مثل نمذجة الانحدار واختبار الفرضيات لاستخلاص استنتاجات ذات مغزى من البيانات. تم تصميم المنهجية لتقليل التحيز وتعزيز إمكانية إعادة إنتاج النتائج، مما يساهم في قوة نتائج البحث.
النتائج
تشير نتائج الدراسة إلى أن المجموعة التجريبية (EG) والمجموعة الضابطة (CG) كانت متشابهة في البداية من حيث اليقظة الذهنية وتنظيم العواطف الأكاديمية (AER)، كما يتضح من درجات الاختبار المسبق المماثلة والفروق غير المهمة (اليقظة الذهنية: $t(67) = -0.66, p = 0.51$؛ AER: $t(67) = 0.59, p = 0.55$). بعد التدخل، لوحظت تحسينات كبيرة في كلا المقياسين للمجموعة التجريبية. على وجه التحديد، زادت المتوسطات بعد الاختبار لليقظة الذهنية إلى $62.07$ (SD = $11.80$) في المجموعة التجريبية مقارنة بـ $49.90$ (SD = $6.72$) في المجموعة الضابطة، مع كشف ANCOVA عن تأثير كبير للتدخل ($F(1, 66) = 25.36, p = 0.00$, جزئي $\eta^2 = 0.27$)، مما يشير إلى أن 27% من التباين في درجات الاختبار بعد كان ناتجًا عن التدخل.
وبالمثل، بالنسبة لـ AER، كان متوسط المجموعة التجريبية بعد الاختبار $71.02$ (SD = $12.32$)، أعلى بكثير من متوسط المجموعة الضابطة البالغ $58.38$ (SD = $10.91$). أكدت نتائج ANCOVA أيضًا تأثير التدخل الكبير على AER ($F(1, 66) = 19.26, p = 0.00$, جزئي $\eta^2 = 0.22$)، مما يمثل 22% من التباين في درجات الاختبار بعد. بالإضافة إلى ذلك، أعرب المشاركون عن موقف إيجابي تجاه البيئات المدعومة بالذكاء الاصطناعي، مع متوسط درجة قدرها $4.02$ على مقياس من 5 نقاط، أعلى بكثير من قيمة الاختبار 0 ($t(11) = 50.38, p = 0.00$)، مما يشير إلى قبول قوي لدمج الذكاء الاصطناعي في السياقات التعليمية.
المناقشة
تحدد قسم المناقشة في ورقة البحث الفجوات الكبيرة في الأدبيات الحالية بشأن دمج تقييم المحفظة ضمن بيئات تعلم اللغة المدعومة بالذكاء الاصطناعي، خاصة فيما يتعلق بتنظيم العواطف الأكاديمية (AER)، واليقظة الذهنية، ومواقف المتعلمين. بينما سلطت الدراسات السابقة الضوء على فوائد الذكاء الاصطناعي في تعزيز المشاركة والدافع، فإنها غالبًا ما تغفل عن إمكانيات تقييم المحفظة في تعزيز تنظيم العواطف واليقظة الذهنية. تهدف هذه الدراسة إلى سد هذه الفجوات من خلال التحقيق في كيفية تآزر تقييم المحفظة مع تقنيات الذكاء الاصطناعي لتعزيز النتائج المعرفية والعاطفية بين متعلمي EFL الإثيوبيين. تطرح الأبحاث أسئلة حاسمة حول تأثير تقييم المحفظة على AER واليقظة الذهنية، فضلاً عن مواقف المتعلمين تجاه البيئات المدعومة بالذكاء الاصطناعي.
تشير النتائج إلى أن المشاركين في المجموعة التجريبية (EG)، الذين شاركوا في تقييمات المحفظة المدعومة بالذكاء الاصطناعي، أظهروا تحسينات كبيرة في AER واليقظة الذهنية مقارنة بالمجموعة الضابطة (CG). تتماشى هذه النتائج مع الأبحاث السابقة التي تؤكد على الإمكانيات التحولية للذكاء الاصطناعي في تعلم اللغة، خاصة في تعزيز تجارب التعلم الشخصية والرفاهية العاطفية. تدعم نتائج الدراسة النظريات التعليمية الراسخة، مثل نظرية تحديد الذات ونظرية الحمل المعرفي، التي تؤكد على أهمية الاستقلالية والكفاءة وتقليل الحمل المعرفي في تعزيز بيئات التعلم الفعالة. تشير المواقف الإيجابية تجاه دمج الذكاء الاصطناعي إلى أن تقنيات الذكاء الاصطناعي يمكن أن تكون مفيدة في السياقات التعليمية، على الرغم من أن استدامة هذه المواقف وتأثيرها طويل الأمد على اكتساب اللغة تتطلب مزيدًا من التحقيق. بشكل عام، تدعو الدراسة إلى دمج أدوات الذكاء الاصطناعي في تعليم EFL لإنشاء تجارب تعلم أكثر تخصيصًا وتكيفًا تعالج كل من الاحتياجات المعرفية والعاطفية.
القيود
تقدم الدراسة رؤى قيمة حول استخدام أدوات الذكاء الاصطناعي لتعزيز تنظيم العواطف واليقظة الذهنية بين متعلمي اللغة الإنجليزية كلغة أجنبية (EFL)؛ ومع ذلك، لديها عدة قيود تستحق الاعتبار. حجم العينة الصغير نسبيًا المكون من 69 مشاركًا، جميعهم من جامعة واحدة وفي الفصل النهائي من برنامج بكاليوسهم في تدريس اللغة الإنجليزية، يحد من قابلية تعميم النتائج على مجموعات سكانية أوسع وأكثر تنوعًا. بالإضافة إلى ذلك، قد يؤدي الاعتماد على مقاييس ذاتية للتقارير عن اليقظة الذهنية، والمواقف تجاه الذكاء الاصطناعي، وتنظيم العواطف إلى إدخال تحيزات، مثل الرغبة الاجتماعية، والتي قد تؤثر على صحة النتائج. قد تكون مدة الدراسة أيضًا غير كافية لتقييم التأثيرات طويلة الأمد لدمج الذكاء الاصطناعي على هذه المفاهيم.
يجب أن تهدف الأبحاث المستقبلية إلى معالجة هذه القيود من خلال توسيع حجم العينة وضم مشاركين من مستويات أكاديمية، وتخصصات، وخلفيات ثقافية متنوعة لتعزيز قابلية تعميم النتائج. يمكن أن يوفر تصميم طولي رؤى حول استدامة تأثيرات الذكاء الاصطناعي على تنظيم العواطف واليقظة الذهنية، فضلاً عن اكتساب اللغة مع مرور الوقت. يمكن أن تعزز الأساليب المختلطة، مثل المقابلات النوعية، من فهم تجارب المتعلمين مع أدوات الذكاء الاصطناعي. علاوة على ذلك، يمكن أن يكشف استكشاف فعالية أنواع مختلفة من أدوات الذكاء الاصطناعي وإجراء دراسات عبر ثقافات عن كيفية تأثير العوامل السياقية على فعالية التدخلات المدفوعة بالذكاء الاصطناعي في تعلم اللغة.
DOI: https://doi.org/10.1186/s40468-025-00345-0
Publication Date: 2025-01-21
Author(s): Mohamad Ahmad Saleem Khasawneh et al.
Primary Topic: Educational and Psychological Assessments
Overview
The research paper investigates the impact of artificial intelligence (AI) on portfolio assessment in English as a Foreign Language (EFL) contexts, particularly focusing on academic emotion regulation (AER), mindfulness, and attitudes toward language learning. Conducted with 69 students from Bahir Dar University, Ethiopia, the quasi-experimental study compared an experimental group (EG) utilizing AI for personalized feedback with a control group (CG) receiving traditional teacher-led feedback. The findings indicate that AI-assisted portfolio assessment significantly enhances AER and mindfulness, fostering positive attitudes toward language learning. The study employed various statistical analyses, including ANCOVA and t-tests, to validate these outcomes.
The implications suggest that AI tools can improve emotional well-being and cognitive development among EFL learners, promoting a supportive learning environment. While the results are promising, they are context-specific, necessitating further research to explore the sustainability of positive attitudes and the broader applicability of AI interventions across diverse educational settings. The study emphasizes the importance of integrating AI as a supplement to human interaction in teaching, highlighting its potential to personalize instruction and automate routine tasks, thereby allowing educators to focus on higher-order learning objectives. Additionally, it underscores the need for professional development for teachers in the ethical and effective use of AI, as well as the incorporation of AI-driven resources into curricula to enhance engagement and address both cognitive and emotional learner needs.
Introduction
The introduction of this research paper highlights the growing significance of portfolio assessment as a learner-centered evaluation method, particularly in language learning contexts. Unlike traditional summative assessments, portfolio assessment fosters active learner engagement through formative feedback, critical reflection, and personalized goal setting (Chang et al., 2018; Doğan et al., 2024). The integration of AI technologies into portfolio assessments has revolutionized this approach by providing personalized feedback, continuous monitoring, and data-driven insights, which enhance learners’ emotional regulation (AER), mindfulness, and attitudes toward language learning (Peretz-Andersson et al., 2024; Liu et al., 2024).
AI-assisted portfolio assessments address emotional challenges faced by learners, such as anxiety and frustration, by utilizing natural language processing to analyze written reflections and offer timely support (Wang et al., 2023). This personalized feedback not only alleviates negative emotions but also promotes emotional resilience and self-efficacy through actionable insights (Junaidi, 2020). Furthermore, the study emphasizes the role of mindfulness in enhancing self-awareness and engagement, as AI tools facilitate reflective practices that help learners identify and manage their emotional responses (Fitria, 2023). Overall, the research underscores the potential of AI-enhanced portfolio assessments to create a more inclusive and supportive learning environment, ultimately leading to improved attitudes toward language learning and better educational outcomes.
Methods
The methodology section outlines the systematic approach employed in the research. It details the experimental design, including the selection of participants, data collection techniques, and analytical methods used to evaluate the results. The study utilized a quantitative framework, incorporating statistical analyses to ensure the reliability and validity of the findings.
Data were collected through structured surveys and controlled experiments, allowing for a comprehensive assessment of the variables under investigation. The analysis employed techniques such as regression modeling and hypothesis testing to draw meaningful conclusions from the data. The methodology was designed to minimize bias and enhance the reproducibility of the results, thereby contributing to the robustness of the research outcomes.
Results
The results of the study indicate that the experimental group (EG) and control group (CG) were comparable at baseline for both mindfulness and academic emotion regulation (AER), as evidenced by similar pretest scores and non-significant differences (mindfulness: $t(67) = -0.66, p = 0.51$; AER: $t(67) = 0.59, p = 0.55$). Following the intervention, significant improvements were observed in both measures for the EG. Specifically, the posttest mean for mindfulness increased to $62.07$ (SD = $11.80$) in the EG compared to $49.90$ (SD = $6.72$) in the CG, with ANCOVA revealing a significant effect of the intervention ($F(1, 66) = 25.36, p = 0.00$, partial $\eta^2 = 0.27$), indicating that 27% of the variance in posttest scores was attributable to the intervention.
Similarly, for AER, the EG’s posttest mean was $71.02$ (SD = $12.32$), significantly higher than the CG’s mean of $58.38$ (SD = $10.91$). ANCOVA results confirmed a significant intervention effect on AER as well ($F(1, 66) = 19.26, p = 0.00$, partial $\eta^2 = 0.22$), accounting for 22% of the variance in posttest scores. Additionally, participants expressed a favorable attitude towards AI-assisted environments, with a mean score of $4.02$ on a 5-point scale, significantly higher than the test value of 0 ($t(11) = 50.38, p = 0.00$), suggesting strong acceptance of AI integration in educational contexts.
Discussion
The discussion section of the research paper identifies significant gaps in the existing literature regarding the integration of portfolio assessment within AI-assisted language learning environments, particularly concerning academic emotion regulation (AER), mindfulness, and learners’ attitudes. While previous studies have highlighted the benefits of AI in enhancing engagement and motivation, they often neglect the potential of portfolio assessments to foster emotional regulation and mindfulness. This study aims to bridge these gaps by investigating how portfolio assessment can synergize with AI technologies to promote cognitive and affective outcomes among Ethiopian EFL learners. The research poses critical questions about the influence of portfolio assessment on AER and mindfulness, as well as learners’ attitudes toward AI-assisted environments.
The findings indicate that participants in the experimental group (EG), who engaged in AI-supported portfolio assessments, exhibited significant improvements in AER and mindfulness compared to the control group (CG). These results align with prior research that underscores AI’s transformative potential in language learning, particularly in enhancing personalized learning experiences and emotional well-being. The study’s outcomes are supported by established educational theories, such as Self-Determination Theory and Cognitive Load Theory, which emphasize the importance of autonomy, competence, and reduced cognitive load in fostering effective learning environments. The positive attitudes toward AI integration further suggest that AI technologies can be beneficial in educational contexts, although the sustainability of these attitudes and the long-term impact on language acquisition warrant further investigation. Overall, the study advocates for the incorporation of AI tools in EFL instruction to create more personalized, adaptive learning experiences that address both cognitive and emotional needs.
Limitations
The study presents valuable insights into the use of AI tools for enhancing emotional regulation and mindfulness among English as a Foreign Language (EFL) learners; however, it has several limitations that warrant consideration. The relatively small sample size of 69 participants, all from a single university and in the final term of their Bachelor’s program in English Teaching, restricts the generalizability of the findings to broader and more diverse populations. Additionally, the reliance on self-reported measures for mindfulness, attitudes toward AI, and emotional regulation may introduce biases, such as social desirability, which could affect the validity of the results. The study’s duration may also have been insufficient to assess the long-term impacts of AI integration on these constructs.
Future research should aim to address these limitations by expanding the sample size and including participants from various academic levels, disciplines, and cultural backgrounds to enhance the generalizability of the findings. A longitudinal design could provide insights into the sustainability of AI’s effects on emotional regulation and mindfulness, as well as language acquisition over time. Incorporating mixed-method approaches, such as qualitative interviews, could enrich the understanding of learners’ experiences with AI tools. Furthermore, exploring the effectiveness of different types of AI tools and conducting cross-cultural studies could reveal how contextual factors influence the efficacy of AI-driven interventions in language learning.