DOI: https://doi.org/10.1038/s41598-026-39237-5
PMID: https://pubmed.ncbi.nlm.nih.gov/41652089
تاريخ النشر: 2026-02-06
المؤلف: Ramteja Sajja وآخرون
الموضوع الرئيسي: التعلم عبر الإنترنت والتحليلات
نظرة عامة
تدرس الدراسة دمج مركز الذكاء الاصطناعي التعليمي، وهو إطار تعلم مدعوم بالذكاء الاصطناعي، في دورات الهندسة المدنية والبيئية لطلاب البكالوريوس في جامعة عامة كبيرة من فئة R1. باستخدام نهج مختلط يتضمن استطلاعات قبل وبعد، وسجلات استخدام النظام، وتحليلات نوعية، تقيم البحث تصورات الطلاب بشأن الثقة، والأخلاقيات، وسهولة الاستخدام، ونتائج التعلم. تشير النتائج إلى أن الطلاب يقدرون المساعد الذكي لسهولة الوصول إليه، وغالبًا ما يفضلونه على الدعم التقليدي من المعلمين أو المساعدين التدريسيين. بينما كانت الأداة مفيدة بشكل خاص في مساعدة الواجبات وفهم المفاهيم، أعرب الطلاب عن مشاعر مختلطة بشأن جودتها التعليمية. ظهرت المخاوف الأخلاقية، خاصة فيما يتعلق بالسياسات المؤسسية ونزاهة الأكاديمية، كحواجز كبيرة أمام الانخراط الكامل، مما جعل الطلاب يرون الذكاء الاصطناعي كمورد إضافي بدلاً من كونه بديلاً للتعليم البشري.
تؤكد الخاتمة على الطبيعة المزدوجة لانخراط الطلاب مع الذكاء الاصطناعي في التعليم الهندسي، مع تسليط الضوء على فائدة مركز الذكاء الاصطناعي التعليمي والقلق الأخلاقي الذي يرافق استخدامه. تشير النتائج إلى أنه بينما يجد الطلاب قيمة في الذكاء الاصطناعي لمهام أكاديمية معينة، فإن عدم وجود هياكل حوكمة واضحة بشأن استخدامه يشكل تحديات. يتطلب التبني الناجح لأدوات الذكاء الاصطناعي توافقًا مع احتياجات تعلم الطلاب ضمن إطار داعم أخلاقيًا. يجب على المؤسسات وضع سياسات واضحة بشأن الاستخدام المقبول للذكاء الاصطناعي لتخفيف المخاوف بشأن السلوك الأكاديمي غير النزيه، بينما ينبغي على أعضاء هيئة التدريس تقديم إرشادات واضحة لمساعدة الطلاب في التنقل في الدورات الدراسية المدمجة مع الذكاء الاصطناعي. يجب أن تركز الأبحاث المستقبلية على التأثيرات طويلة الأمد للذكاء الاصطناعي على سلوكيات التعلم والنتائج عبر مختلف التخصصات، فضلاً عن تطوير أطر محو الأمية الأخلاقية للذكاء الاصطناعي لتعزيز تقييم الطلاب النقدي والاستخدام المسؤول لتقنيات الذكاء الاصطناعي. في النهاية، فإن تعزيز بيئات عادلة وموثوقة ومركزية حول المتعلم في التعليم STEM أمر ضروري مع تزايد دمج الذكاء الاصطناعي في التعليم العالي.
طرق
استخدمت الدراسة نهجًا مختلطًا لتقييم فعالية مركز الذكاء الاصطناعي التعليمي، وهو مساعد تعلم مدعوم بالذكاء الاصطناعي يهدف إلى طلاب الهندسة المدنية والبيئية. جمع هذا المنهج بين البيانات الكمية والنوعية للحصول على فهم شامل لتفاعلات الطلاب مع الأداة، وتصوراتهم حول فائدتها، وتأثيرها العام على تجاربهم التعليمية.
شملت العناصر الرئيسية للمنهج وصفًا شاملاً لوظائف أداة الذكاء الاصطناعي، ومعلومات ديموغرافية عن المشاركين، وإدارة استطلاعات قبل وبعد استخدام الأداة. بالإضافة إلى ذلك، قامت الدراسة بتحليل بيانات الاستخدام التي تم إنشاؤها بواسطة النظام جنبًا إلى جنب مع رؤى نوعية مستمدة من أسئلة مفتوحة وطلبات طرحها الطلاب على روبوت الدردشة الذكي. سهل هذا النهج المتعدد الأبعاد قياس أنماط السلوك بينما يتعمق أيضًا في تصورات الطلاب ضمن بيئات الدورة الفعلية.
نتائج
توفر نتائج الدراسة تحليلًا شاملاً لانخراط الطلاب مع مركز الذكاء الاصطناعي التعليمي، باستخدام كل من البيانات الكمية والنوعية. ظهرت مواضيع رئيسية فيما يتعلق بأسئلة البحث، مما يسلط الضوء على تصورات الطلاب حول الذكاء الاصطناعي مقارنة بالدعم البشري التقليدي، بالإضافة إلى المخاوف المتعلقة بالثقة ونزاهة الأكاديمية. بالإضافة إلى ذلك، تكشف النتائج عن رؤى حول الفائدة المدركة لأداة الذكاء الاصطناعي عبر مهام أكاديمية متنوعة وأنماط الاستخدام المرتبطة بميزاتها.
تم أيضًا فحص العلاقة بين انخراط الطلاب مع مركز الذكاء الاصطناعي ونتائج التعلم، مما يسلط الضوء على الفوائد والقيود المرتبطة بإدماج أدوات الذكاء الاصطناعي التوليدية في التعليم الهندسي لطلاب البكالوريوس. بشكل عام، تؤكد النتائج على الديناميات المعقدة لتفاعلات الطلاب مع تقنيات الذكاء الاصطناعي وتأثيراتها على تحسين الممارسات التعليمية.
مناقشة
في قسم المناقشة هذا، تسلط الورقة الضوء على الإمكانات التحويلية للذكاء الاصطناعي في التعليم العالي، لا سيما من خلال دمج النماذج الخاصة بالمجالات وأنظمة إدارة التعلم المعززة بالذكاء الاصطناعي (LMS). تظهر التطورات الأخيرة، مثل نماذج التضمين المضبوطة للإجابة على الأسئلة التعليمية ومعيار HydroLLM-Benchmark لمهام الهيدرولوجيا، تحسينات كبيرة في التطبيقات الأكاديمية، بما في ذلك روبوتات الدردشة وتوليد المعلومات المعززة بالاسترجاع (RAG). تشير النتائج إلى أن أدوات الذكاء الاصطناعي الشخصية يمكن أن تعزز انخراط الطلاب، وأداءهم الأكاديمي، ورضاهم، خاصة عندما تسهل التعلم التكيفي وتوفر الدعم في الوقت المناسب. ومع ذلك، لا تزال هناك تحديات، بما في ذلك الفجوات في الوصول، واستعداد أعضاء هيئة التدريس، والمخاوف الأخلاقية المحيطة بخصوصية البيانات والتحيز الخوارزمي.
تدرس الدراسة بشكل خاص استخدام مساعد تعلم مدعوم بالذكاء الاصطناعي في دورات الهندسة المدنية والبيئية، مع التركيز على تجارب الطلاب وتفاعل الثقة، والراحة، والانخراط. تستخدم نهجًا مختلطًا، يجمع بين استطلاعات قبل وبعد الاستخدام مع سجلات الاستخدام التي تم إنشاؤها بواسطة النظام لتقييم التغيرات في التصورات ونتائج التعلم. تهدف أسئلة البحث إلى استكشاف المخاوف الأخلاقية للطلاب، وتصوراتهم حول جودة دعم الذكاء الاصطناعي مقارنة بالمساعدة البشرية، والعوامل التي تؤثر على قبولهم لأدوات الذكاء الاصطناعي. من خلال تأصيل الدراسة في الأطر الاجتماعية التقنية، يسعى المؤلفون إلى إبلاغ دمج الذكاء الاصطناعي المسؤول في التعليم الهندسي، مع معالجة الفجوات في البحث التجريبي حول السياقات الخاصة بالتخصص. بشكل عام، تؤكد النتائج على ضرورة تحقيق التوازن بين الابتكار والاعتبارات الأخلاقية لتعزيز التعاون الفعال بين الإنسان والذكاء الاصطناعي في البيئات التعليمية.
القيود
تقدم الدراسة رؤى قيمة حول استخدام الذكاء الاصطناعي ضمن تخصصات الهندسة المحددة؛ ومع ذلك، فهي تخضع لعدة قيود. تم سحب حجم العينة (N=65) بشكل حصري من جامعة واحدة، مما يحد من إمكانية تعميم النتائج على مجالات أخرى، مثل العلوم الإنسانية أو العلوم الاجتماعية، حيث قد يختلف استخدام الذكاء الاصطناعي بشكل كبير. بالإضافة إلى ذلك، فإن الاعتماد على بيانات الاستطلاعات المبلغ عنها ذاتيًا يثير مخاوف بشأن تحيز الرغبة الاجتماعية، خاصة فيما يتعلق بالقضايا الحساسة مثل النزاهة الأكاديمية والثقة.
علاوة على ذلك، بينما تم استخدام إدخال متعدد المراحل لمعالجة “أثر الجدة”، قد لا يزال انخراط الطلاب الملحوظ متأثرًا بالفضول الأولي بدلاً من كونه مؤشرًا على سلوكيات اعتماد مستدامة. لتعزيز قوة البحث المستقبلي، يُوصى باستخدام عينات متعددة المؤسسات وتصاميم طولية، مما سيسمح بالتحقق الشامل من أنماط استخدام الذكاء الاصطناعي على مدى فترات أكاديمية ممتدة.
DOI: https://doi.org/10.1038/s41598-026-39237-5
PMID: https://pubmed.ncbi.nlm.nih.gov/41652089
Publication Date: 2026-02-06
Author(s): Ramteja Sajja et al.
Primary Topic: Online Learning and Analytics
Overview
The study investigates the integration of the Educational AI Hub, an AI-powered learning framework, into undergraduate civil and environmental engineering courses at a large R1 public university. Utilizing a mixed-methods approach that includes pre- and post-surveys, system usage logs, and qualitative analyses, the research assesses student perceptions regarding trust, ethics, usability, and learning outcomes. Findings indicate that students appreciated the AI assistant for its accessibility, often preferring it over traditional support from instructors or teaching assistants. While the tool was particularly beneficial for homework assistance and concept comprehension, students expressed mixed feelings about its instructional quality. Ethical concerns, especially regarding institutional policies and academic integrity, emerged as significant barriers to full engagement, leading students to view AI as a supplementary resource rather than a replacement for human instruction.
The conclusion emphasizes the dual nature of student engagement with AI in engineering education, highlighting both the utility of the Educational AI Hub and the ethical anxieties that accompany its use. The results suggest that while students find value in AI for specific academic tasks, the lack of clear governance structures regarding its use poses challenges. Successful adoption of AI tools requires alignment with students’ learning needs within an ethically supportive framework. Institutions must establish clear policies on acceptable AI use to alleviate concerns about academic misconduct, while faculty should provide explicit guidance to help students navigate AI-integrated coursework. Future research should focus on the long-term impacts of AI on learning behaviors and outcomes across various disciplines, as well as the development of ethical AI literacy frameworks to enhance students’ critical evaluation and responsible use of AI technologies. Ultimately, fostering equitable, trustworthy, and learner-centered environments in STEM education is essential as AI becomes more embedded in higher education.
Methods
The study utilized a mixed-methods approach to assess the effectiveness of the Educational AI Hub, an AI-driven learning assistant aimed at civil and environmental engineering students. This methodology combined both quantitative and qualitative data to gain a holistic understanding of student interactions with the tool, their perceptions of its utility, and its overall impact on their learning experiences.
Key elements of the methodology included a comprehensive description of the AI tool’s functionalities, demographic information of the participants, and the administration of surveys before and after the usage of the tool. Additionally, the study analyzed system-generated usage data alongside qualitative insights derived from open-ended prompts and questions posed by students to the AI chatbot. This multifaceted approach facilitated the measurement of behavioral patterns while also delving into student perceptions within actual course environments.
Results
The results of the study provide a comprehensive analysis of student engagement with the Educational AI Hub, utilizing both quantitative and qualitative data. Key themes emerged in relation to the research questions, highlighting student perceptions of AI compared to traditional human support, as well as concerns regarding trust and academic integrity. Additionally, the findings reveal insights into the perceived usefulness of the AI tool across various academic tasks and the usage patterns associated with its features.
The relationship between student engagement with the AI Hub and learning outcomes was also examined, shedding light on the benefits and limitations of incorporating generative AI tools into undergraduate engineering education. Overall, the results underscore the complex dynamics of student interactions with AI technologies and their implications for enhancing educational practices.
Discussion
In this discussion section, the paper highlights the transformative potential of AI in higher education, particularly through the integration of domain-specific models and AI-enhanced Learning Management Systems (LMS). Recent advancements, such as fine-tuned embedding models for educational question answering and the HydroLLM-Benchmark for hydrology tasks, demonstrate significant improvements in academic applications, including chatbots and retrieval-augmented generation (RAG). The findings indicate that personalized AI tools can enhance student engagement, academic performance, and satisfaction, especially when they facilitate adaptive learning and provide timely support. However, challenges remain, including disparities in access, faculty readiness, and ethical concerns surrounding data privacy and algorithmic bias.
The study specifically investigates the use of an AI-powered learning assistant in civil and environmental engineering courses, focusing on student experiences and the interplay of trust, convenience, and engagement. It employs a mixed-methods approach, combining pre-and post-usage surveys with system-generated usage logs to assess changes in perceptions and learning outcomes. The research questions aim to explore students’ ethical concerns, perceptions of AI support quality compared to human assistance, and factors influencing their acceptance of AI tools. By grounding the study in sociotechnical frameworks, the authors seek to inform responsible AI integration in engineering education, addressing gaps in empirical research on discipline-specific contexts. Overall, the findings underscore the necessity of balancing innovation with ethical considerations to foster effective human-AI collaboration in educational settings.
Limitations
The study presents valuable insights into AI usage within specific engineering disciplines; however, it is subject to several limitations. The sample size (N=65) was exclusively drawn from a single university, which restricts the generalizability of the findings to other fields, such as the humanities or social sciences, where AI usage may differ significantly. Additionally, the reliance on self-reported survey data raises concerns about social desirability bias, particularly concerning sensitive issues like academic integrity and trust.
Moreover, while a multi-phase introduction was employed to address the ‘novelty effect,’ the observed student engagement may still be influenced by initial curiosity rather than indicative of sustained adoption behaviors. To enhance the robustness of future research, it is recommended to utilize multi-institutional samples and longitudinal designs, which would allow for a more comprehensive validation of AI usage patterns over extended academic periods.