*المراسلة: huang@mail.ncku.edu.tw
قسم علوم الهندسة، جامعة تشنغ كونغ الوطنية، رقم 1، طريق الجامعة، تاينان 701، تايوان، جمهورية الصين
كلية الدراسات العليا للتعليم التكنولوجي والمهني، جامعة يونلين الوطنية للعلوم والتكنولوجيا، يونلين 640، تايوان، جمهورية الصين

الكلمات الرئيسية: التعليم العالي، التعلم المدمج، التعلم الذاتي التنظيم، ChatGPT، مهارات التفكير العليا، بناء المعرفة

أدى ظهور COVID-19 إلى تسريع اعتماد التعلم المدمج في التعليم العالي، مما دمج منهجيات التدريس التقليدية وعبر الإنترنت. كانت هذه الطريقة حاسمة في تلبية المتطلبات المعقدة للدورات الجامعية، وضمان استمرارية التعليم، وتسهيل الوصول إلى الموارد، وتمكين التعاون الافتراضي، ودمج استراتيجيات حل المشكلات عبر الإنترنت والشخصية (مالي وليم، 2021؛ مينون وعزام، 2021). علاوة على ذلك، يبرز التعلم المدمج أهمية التعلم الذاتي التنظيم (SRL)، كما اقترح في نموذج زيمرمان (1990)، وهو أمر أساسي للطلاب في البيئات الأكاديمية المعقدة. كما أن مهارات التفكير العليا (HOTS) ضرورية، حيث تعزز التحليل النقدي، وتوليف الأفكار، وحل المشكلات الابتكاري، وهي مهارات ضرورية في الأكاديمية والممارسة المهنية (هوانغ وآخرون، 2019). ومع ذلك، يمكن أن تشكل الطبيعة المستقلة للتعلم المدمج تحديات في الحفاظ على دعم المعلم المتسق، مما قد يؤثر على تطوير SRL وHOTS لدى الطلاب (راشيد وآخرون، 2020).

لقد غير إدخال ChatGPT من OpenAI في أواخر عام 2022 مشهد التعلم المدمج. يوفر دمج ChatGPT فرصًا وتحديات (لابادزي وآخرون، 2023). إنه يوفر ردودًا فورية وكمية هائلة من المعلومات، مما يعزز كفاءة التعلم ويسمح بطرق تعليمية مخصصة (ستويانوف، 2023؛ وو وآخرون، 2023أ). ومع ذلك، يمكن أن يعزز أيضًا الاعتماد الذي قد يعيق تطوير HOTS. قد تشجع سهولة الوصول إلى المعلومات ومساعدة حل المشكلات من خلال أدوات مثل ChatGPT الطلاب على عدم الانخراط في التفكير العميق أو حل المشكلات بشكل مستقل (تشان وهو، 2023؛ دينغ وآخرون، 2023). أكد وايت وغونستون (2014) على أهمية التنبؤ في اكتساب المعرفة، مشيرين إلى أنه يجب على المتعلمين أولاً أن يضعوا فرضيات ويطوروا حلولهم ووجهات نظرهم الخاصة، ثم يتحققوا من افتراضاتهم من خلال الملاحظة والتحليل.

على الرغم من أن قدرات ChatGPT قد غيرت طرق التدريس وديناميات التعلم على مستويات تعليمية مختلفة، بما في ذلك التعليم العالي، فإن غياب الإرشادات المنظمة قد يحد من تطوير HOTS، مما قد يؤثر على فعالية التعلم المدمج. لمعالجة ذلك، تقدم هذه الدراسة أداة التعلم المدعومة بـ ChatGPT المعتمدة على التوجيه (GCLA)، المصممة خصيصًا للتعليم العالي. تتطلب GCLA من الطلاب التعبير عن أفكارهم ووجهات نظرهم الأولية قبل استشارة ChatGPT. ثم يقومون بتحسين ردودهم بشكل متكرر باستخدام ملاحظات ChatGPT حتى يتم تطوير إجابة مدعومة بشكل جيد. تعزز هذه الطريقة الانخراط الأعمق مع الموضوع، مما يعزز بناء المعرفة ونتائج التعليم في بيئات التعلم المدمج في التعليم العالي.

تهدف هذه الدراسة إلى معالجة القضية الحرجة للاعتماد المفرط للطلاب على ChatGPT في بيئات التعلم المدمج في التعليم العالي، وتأثيرها على SRL وHOTS وبناء المعرفة. كما تقيم فعالية GCLA، مقارنة باستخدام ChatGPT التقليدي، في تعزيز هذه الجوانب بين المتعلمين. تسعى الدراسة للإجابة على أسئلة البحث التالية:

التعلم الذاتي التنظيم (SRL) هو إطار يمكّن المتعلمين من توجيه مساراتهم التعليمية بشكل مستقل. تم تحديد نموذج SRL في الأصل بواسطة زيمرمان (1990)، وينقسم إلى ثلاث مراحل محورية: التفكير المسبق، والأداء، والتفكير الذاتي. المرحلة الأولى هي مرحلة التفكير المسبق، وهي المرحلة الأولى والأكثر أهمية في عملية التعلم. يقوم المتعلمون أولاً بتحليل مهمة التعلم، وتحديد الأهداف وتطوير طرق لتحقيقها. خلال هذه العملية، يحتاج المتعلمون غالبًا إلى تعديل دافعهم التعليمي لضمان أن لديهم ما يكفي من الدافع لإكمال مهمة التعلم. المرحلة الثانية هي مرحلة الأداء، وهي المرحلة التي يشارك فيها المتعلمون فعليًا في أنشطة التعلم. يحتاج المتعلمون إلى المشاركة بنشاط في أنشطة التعلم، ومراقبة وتعديل سلوكهم التعليمي لضمان تحقيق الأهداف التعليمية المتوقعة. المرحلة الأخيرة هي مرحلة التفكير الذاتي، وهي المرحلة الأخيرة في عملية التعلم. يحتاج المتعلمون إلى مراجعة وتقييم فعاليتهم ونتائج تعلمهم للحصول على مزيد من الخبرة والمعرفة (بينترتش، 2000؛ زيمرمان، 2008).

في بيئات التعلم المدمجة، التي تجمع بين التعليم وجهًا لوجه والتعليم عبر الإنترنت، يُمنح المتعلمون الاستقلالية لتخصيص أهدافهم التعليمية وسرعتهم (رشيد وآخرون، 2020؛ سنودين، 2013). تتماشى هذه البيئات بشكل جيد مع التعلم الذاتي المنظم، مما يسهل بشكل خاص مرحلة الأداء من خلال توفير الفرص للمتعلمين لممارسة وتطبيق استراتيجياتهم. يتنقل الطلاب بمهارة في رحلاتهم التعليمية، مستخدمين الاستراتيجيات والموارد الأكثر ملاءمة لاحتياجاتهم (وو وآخرون، 2023أ). في مثل هذه الإعدادات، كما أشار رشيد وآخرون (2020)، يتطلب التعلم الذاتي المنظم انضباطًا ذاتيًا كبيرًا ومبادرة، خاصة عبر الإنترنت حيث يختار المتعلمون مستويات مشاركتهم – وهي ديناميكية أساسية لمرحلة التأمل الذاتي، كما ناقشها هود وآخرون (2015) ومؤسسة في عمل زيمرمان (1990).

الدافع، المرتبط بعمق بمرحلة التفكير المسبق، يدفع الأفراد للانخراط بالكامل في عملية التعلم الذاتي المنظم وتحقيق أهدافهم. تدعم هذه العلاقة بين الدافع وتحديد الأهداف مجموعة قوية من الأبحاث التي تبرز الدور المركزي للدافع في التنظيم الذاتي (وو وآخرون، 2023أ؛ زو وآخرون، 2020). المشاركة، التي تعتبر حاسمة في مرحلة الأداء، تنبع من الانخراط النشط في مهام التعلم وترتبط ارتباطًا وثيقًا بالتطبيق الاستراتيجي لتقنيات التعلم والتفاعل مع المحتوى التعليمي والأقران. أظهرت الأبحاث أن مثل هذه المشاركة ضرورية لتعزيز التعلم الذاتي المنظم والتفاني التعليمي (هيرشكوفيتس وآخرون، 2020؛ وو وآخرون، 2023أ). أخيرًا، الكفاءة الذاتية، التي تتعلق بشكل خاص بمرحلة التأمل الذاتي، تعكس ثقة الفرد في إكمال مهام التعلم بنجاح وترتبط ارتباطًا وثيقًا بمهارات التنظيم الذاتي والنتائج الأكاديمية. تعزز هذه الإحساس بالكفاءة الذاتية القدرة على مواجهة التحديات والتنقل في عملية التنظيم الذاتي بفعالية، وهو موقف معترف به على نطاق واسع في الأدبيات الأكاديمية (صلاح دوغام وآخرون، 2022؛ وو وآخرون، 2023أ).

باختصار، الدافع والمشاركة والكفاءة الذاتية هي أعمدة حيوية للتعلم الذاتي المنظم، تتوافق مع مراحله وتغذي بشكل جماعي استقلالية المتعلم والسلوك الاستباقي. هذه العوامل لا تعزز فقط الدافع الداخلي للمتعلمين ولكن أيضًا تعزز
كفاءتهم التعليمية، مما يضمن إدارة ماهرة لتجارب التعلم ضمن السياقات الغنية لبيئات التعلم المدمجة.

في السنوات الأخيرة، أصبحت مهارات التفكير العليا (HOTS) نقطة تركيز متزايدة في التعليم العالي على مستوى عالمي (لو وآخرون، 2021أ، 2021ب). تطور الخطاب في هذا القطاع ليعتبر مهارات التفكير العليا ضرورية للتنقل في تعقيدات المجتمع الحديث (لو وآخرون، 2021أ، 2021ب). تشمل هذه المهارات، التي تتجاوز الذاكرة الأساسية والفهم، عمليات معرفية متقدمة مثل التفكير النقدي، وحل المشكلات، والإبداع (هوانغ وآخرون، 2018).

في مجال التعليم العالي، يعد التفكير النقدي ضروريًا للطلاب لتحليل وتقييم المعلومات بشكل موضوعي، مما يؤدي إلى اتخاذ قرارات مستنيرة (بروك هارت، 2010؛ لو وآخرون، 2021أ، 2021ب). يشجع هذا المستوى من التدقيق المتعلمين على عدم قبول المعلومات بشكل سلبي ولكن على الانخراط بنشاط في التساؤل وتقييم صحتها وفائدتها (كراثوول، 2002).

حل المشكلات، وهو عنصر رئيسي من مهارات التفكير العليا، ذو صلة خاصة في التعليم العالي حيث يتضمن تحديد القضايا المعقدة، وجمع البيانات وفحصها، واقتراح حلول محتملة، واختيار الأكثر فعالية (هوانغ ولاي، 2017؛ لو وآخرون، 2021أ، 2021ب). في مشهد عالمي متطور، تعتبر القدرة على معالجة التحديات الجديدة وغير المسبوقة أمرًا بالغ الأهمية، مما يجهز الطلاب لسيناريوهات الحياة الواقعية وسوق العمل حيث قد لا تنطبق الحلول القياسية.

الإبداع، الذي يعد جزءًا لا يتجزأ من مهارات التفكير العليا، يتم دعمه في التعليم العالي كوسيلة للتفكير خارج المألوف وتوليد أفكار مبتكرة وذات تأثير (هوانغ ولاي، 2017؛ لو وآخرون، 2021أ، 2021ب). تشجيع الإبداع يسمح للطلاب بتجاوز التفكير التقليدي، مما يؤدي إلى استراتيجيات مرنة في حل المشكلات وتقدم رائد (ستيرنبرغ، 2003).

عندما يتم دمج هذه العناصر في تجربة التعليم العالي، يتم إنشاء بيئة تعليمية غنية ومتنوعة (تشنغ وآخرون، 2020). لا يعزز هذا فقط تطوير مهارات التفكير العليا من خلال تفاعل المعلمين والأقران ولكن أيضًا يعزز مسارات التعلم المستقلة والشخصية (تشن وآخرون، 2023؛ يانسن ومولر، 2022). تعتبر مثل هذه التكاملات ضرورية لإعداد المتعلمين للقرن الحادي والعشرين، مما يبرز أهمية تطبيق مهارات التفكير العليا في الحياة اليومية والسعي المهني. وبالتالي، فإن تطوير أساليب وأدوات تربوية مناسبة لتعزيز التفكير العالي ضمن سياق التعلم المدمج في التعليم العالي لا يزال مجالًا ذا اهتمام ونشاط كبيرين.

في السنوات الأخيرة، أثرت التطورات السريعة في نماذج اللغة الكبيرة بشكل عميق على مجال معالجة اللغة الطبيعية (NLP). من بين هذه الابتكارات، تجاوز نموذج المحول (Transformer) الأطر السابقة مثل LSTM وRNN من حيث الأهمية والفعالية (فاسواني وآخرون، 2017). أدى هذا التحول المحوري إلى تطوير نماذج بارزة مسبقة التدريب مثل BERT (إتينجر، 2020) وGPT (رادفورد وآخرون، 2018). على وجه الخصوص، وضعت GPT-3، بحجمها غير المسبوق، معايير من خلال الاستفادة من مليارات المعلمات لالتقاط الفروق الدقيقة في اللغة (ديل، 2021؛ زانغ ولي، 2021). بناءً على هذا الأساس، قدمت GPT-3.5 التعلم التوجيهي و

التعلم المعزز من ملاحظات البشر (RLHF) لتحسين أداء النموذج بشكل أكبر (أبرامسكي وآخرون، 2023؛ وو وآخرون، 2023أ).

استنادًا إلى GPT-3.5، تم اعتماد تشات جي بي تي بشكل متزايد في القطاع التعليمي. توضح التحقيقات التي أجراها كاسنيتشي وآخرون (2023) كيف يعزز تشات جي بي تي المشاركة ويعزز نموذج تعلم أكثر تفاعلية. علاوة على ذلك، قام جيون ولي (2023) بدراسة التآزر بين تشات جي بي تي والمعلمين، مؤكدين تكاملهم المتبادل في الساحة التعليمية واستكشاف كيف يمكن أن يدعم تشات جي بي تي المعلمين في تسهيل الفصول الدراسية. علاوة على ذلك، تمتد فائدة تشات جي بي تي إلى التعليم اللغوي، كما يتضح من كوهينك وآخرون (2023). تم التأكيد على فعاليته كأداة تعليمية تكميلية من خلال دراسات التقييم الذاتي (ستويانوف، 2023). الابتكارات مثل CILA، المصممة لبيئات التعلم المدمجة، تستفيد من قدرات تشات جي بي تي لتزويد الطلاب بإجابات دقيقة عند الطلب – وهو انحراف واضح عن المعلومات الواسعة ولكن غير المحددة لمحركات البحث التقليدية مثل جوجل (وو وآخرون، 2023أ).

ومع ذلك، فإن الإمكانات غير المسبوقة لتشات جي بي تي في التعليم ليست بدون تحديات (أديشولا وأديبوجو، 2023). من بين هذه التحديات هو خطر اعتماد الطلاب بشكل مفرط على ردوده، مما قد يعيق تفكيرهم النقدي وقدرتهم على حل المشكلات بشكل مستقل (كوبر، 2023). يمكن أن يؤدي هذا الاعتماد إلى تخفيف عمق وغنى تجاربهم التعليمية ويقوض اكتسابهم لتقنيات حل المشكلات الحيوية (مونتينيغرو-رويدا وآخرون، 2023). وبالتالي، يصبح من الضروري للمعلمين ممارسة الحذر في دمج تشات جي بي تي في المناهج الدراسية. إن تنفيذ إرشادات شاملة وعملية لاستخدامه أمر ضروري لضمان استمرار تطور التعلم الرقمي بشكل مسؤول. مع الإدارة الحكيمة، يمكن للباحثين الاستفادة من الإمكانات الكاملة لتشات جي بي تي مع تقليل مخاطرها المحتملة، مما يعزز بيئة تعليمية قوية وفعالة وقابلة للمساءلة.

تقدم هذه الدراسة GCLA، أداة تعليمية مبتكرة مصممة لبيئات التعلم المدمجة، مع تسليط الضوء على تطبيقاتها وفوائدها المحتملة. وُلدت من تعاون رائد، حيث تجمع بين قدرات ChatGPT الواسعة في الاستجابة والاتصال الفريد لبرامج Apple Shortcuts. تستفيد GCLA من المعرفة الشاملة لـ ChatGPT لمعالجة مجموعة واسعة من استفسارات الطلاب بكفاءة. يتم تعزيز ذلك من خلال تكاملها السلس مع برامج Apple Shortcuts، مما يوفر تفاعلًا سلسًا عبر جميع أجهزة Apple ويضمن استجابات سريعة وشخصية. أحد الجوانب الرئيسية لـ GCLA هو ‘ملف سجل التعلم’، الذي يسجل الاستفسارات السابقة لدعم التعلم التأملي. بدلاً من إعطاء إجابات مباشرة، تحث GCLA الطلاب على صياغة إجاباتهم الخاصة، مقدمة تلميحات مفيدة للمساعدة في حل المشكلات. هذا يعزز التفاعل العميق مع المادة، مما يعزز مهارات التفكير العليا. توضح الشكل 1 العمليات المعقدة لـ GCLA، مع عرض مكوناتها المختلفة وترابطها.

توضح الشكل 2 سير عمل GCLA بصريًا، موضحة تفاعل المتعلمين مع الأداة. هدف هذه الدراسة هو التأكيد على الخصائص الفريدة والمزايا لـ GCLA كأداة ثورية في بيئات التعلم المدمجة. إنها تقدم رؤى شاملة حول وظائفها والقدرة على إحداث ثورة في النماذج التعليمية.

تمثل GCLA خطوة مبتكرة في المساعدة التعليمية، مما يعزز علاقة أكثر تفاعلية بين المتعلمين والتكنولوجيا. على عكس الأدوات التقليدية التي تقدم إجابات فقط، تحث GCLA المستخدمين على صياغة حلولهم الخاصة أولاً من خلال برامج Apple Shortcuts. تضمن هذه الطريقة تفاعلًا نشطًا مع الموضوع، مما يعزز الفهم الأعمق ويعزز مهارات التفكير العليا. خدمة GCLA،

مصممة للعمل على أجهزة Apple التي تعمل بنظام iOS 12 أو أعلى، تسهل عملية التعلم من خلال سير العمل الآلي والتفاعلات الشخصية.

محور GCLA هو برامج Apple Shortcuts، وهي منصة سهلة الاستخدام تتيح أتمتة المهام بشكل مخصص. تتيح واجهة Shortcuts، الموضحة في الشكل 3، للمتعلمين إنشاء سير عمل بسهولة لمجموعة متنوعة من الوظائف، مثل الرسائل، وتحديثات الطقس، أو الأوامر الصوتية من خلال Siri – المساعد الافتراضي من Apple – كل ذلك دون الحاجة إلى معرفة برمجية واسعة.

تدمج GCLA أيضًا محرك ChatGPT، وبالتحديد نموذج “gpt-3.5-turbo-16 k”، لإدارة الاستفسارات. وضعت هذه الدراسة معلمات دقيقة لـ ChatGPT، مفصلة في الجدول 1. تشمل هذه الإعدادات حدًا أقصى من الرموز يبلغ 4000 للإجابات التفصيلية، ودرجة حرارة تبلغ 0.6 لإجابات متنوعة، وعقوبة وجود تبلغ 0.2 لتقليل التكرار وتعزيز الجدة.

يجب على المتعلمين الراغبين في استخدام ميزة ChatGPT في GCLA الحصول على مفتاح مصادقة من الموقع الرسمي لـ OpenAI. بعد التسجيل، يمكنهم تقديم الأسئلة وإجاباتهم المقترحة من خلال واجهة GCLA. هذه الخطوة حاسمة لأنها تجبر المتعلم على التفاعل مع المحتوى قبل تلقي التعليقات. تتم معالجة المدخلات بواسطة ChatGPT، الذي، بمجرد المصادقة، يقدم إرشادات مخصصة وفقًا للمعلمات المحددة مسبقًا.

بالإضافة إلى ذلك، تتضمن GCLA ملف سجل التعلم لتسجيل جميع الأسئلة والإجابات، مما يدعم التنظيم الذاتي والتأمل. يعمل هذا السجل كأداة مفيدة لإعادة زيارة المادة، مما يساعد في استرجاع المفاهيم والاحتفاظ بالذاكرة، وتأسيس قاعدة للتأمل بعد الفصل. في جوهرها، GCLA هي حل تعليمي متكامل يجمع بين مرونة برامج Apple Shortcuts ومعالجة استفسارات ChatGPT الذكية، مما يوفر أداة لا تفسر التعلم المعقد فحسب، بل تعزز أيضًا الرحلة التعليمية بشكل كبير.

لتوضيح التطبيق العملي لـ GCLA (مساعد التعلم الكيميائي الموجه) واستجابته لاستفسارات المراجعين، يعرض هذا المثال طالبًا يستخدم GCLA في دراسته للتفاعلات الكيميائية. عندما واجه مشكلة لا يمكن حلها، استخدم الطالب GCLA للحصول على إرشادات ولتعميق فهمه. كانت المشكلة: “ما هو المعادلة المتوازنة لاحتراق البروبان في الأكسجين ( ) لإنتاج ثاني أكسيد الكربون ( ) والماء ( )؟” (انظر الشكل 4).

عند الوصول إلى تطبيق GCLA على جهاز iPad الخاص بهم، أدخل الطالب المشكلة وحاول تقديم حل أولي، مستندًا إلى المعرفة السابقة. كانت إجابتهم: ” ” (انظر الشكل 5).

بعد ذلك، قامت GCLA بمعالجة المدخلات وتواصلت مع محرك ChatGPT، ثم قدمت تلميحًا: “إجابتك غير صحيحة. ومع ذلك، سأعطيك تلميحًا حول كيفية…” (موضحة في الشكل 6).

عند مراجعة هذا التلميح، أدرك الطالب ضرورة عد الذرات. حدد ثلاثة ذرات كربون، وثمانية ذرات هيدروجين، وذرتين من الأكسجين على اليسار، مقارنةً بذرة كربون واحدة، وذرتين من الهيدروجين، وثلاث ذرات من الأكسجين على اليمين. بعد ملاحظة الفجوة، قام الطالب بتعديل إجابته إلى: ” “.

بعد إعادة تقييم ذرات الأكسجين، لاحظ الطالب تساوي العدد عشرة على كلا الجانبين، مؤكدًا دقة إجابته المعدلة. وقد تم تأكيد ذلك من قبل التطبيق، الذي عرض: “فكرتك صحيحة! لقد…” (انظر الشكل 7).

من خلال التعليقات والتلميحات من تطبيق GCLA، لم يحل الطالب المشكلة فحسب، بل شارك أيضًا في التعلم التأملي. من خلال مراجعة سجل التعلم، الذي وثق المشكلة، والإجابات، والإرشادات المستلمة، قام الطالب بتقييم عملية تعلمه، وحدد نقاط القوة والضعف، ووضع أهدافًا مستقبلية، مثل مواجهة مشكلات أكثر تعقيدًا وتوسيع معرفته بتفاعلات كيميائية متنوعة.

في مايو 2023، أطلقت OpenAI تطبيق ChatGPT للهواتف المحمولة على منصات Android وiOS، بهدف توفير تجربة مستخدم سلسة لتطبيق ChatGPT في معالجة التحديات اليومية. ومع ذلك، نظرًا لتوفر GCLA (مساعد اللغة المحادثة التوليدية) بشكل محدود داخل نظام iOS، ستركز هذه الدراسة حصريًا على دمج ChatGPT مع iOS. يتم توضيح واجهة المستخدم لهذا الدمج في الشكل 8.

تتيح ميزة ملحوظة مقدمة في أعلى التطبيق للمستخدمين التبديل بين نماذج GPT-3.5 وGPT-4 – الأخيرة متاحة لأولئك الذين لديهم اشتراك نشط. من خلال رسم مقارنة مع GCLA، يمنح هذا التطبيق المتعلمين المرونة لنقل استفساراتهم إما من خلال الإدخال النصي أو الصوتي. من المهم ملاحظة أنه، نظرًا للاستخدام السائد لـ GPT-3.5 بين الجماهير واستخدامه في مرحلة تطوير GCLA، تعتمد هذه الدراسة بشكل أساسي على إصدار GPT-3.5 من ChatGPT على iOS. عند تقديم الاستفسار، يقدم النموذج المختار من GPT استجابة فورية. تعكس هذه الآلية التفاعلية تلك الخاصة بـ GCLA، على الرغم من وجود تمييز: تتطلب GCLA من المتعلمين تقديم حلولهم الأولية بعد تقديم السؤال.

تجربة عشوائية محكومة (RCT) هي تصميم دراسة علمية تتضمن تخصيص المشاركين في مجموعات مختلفة باستخدام العشوائية (ستانلي، 2007). تعتبر هذه الطريقة على نطاق واسع ‘المعيار الذهبي’ لتقييم فعالية التدخلات أو العلاجات الجديدة. في تجربة RCT، يتم تخصيص المشاركين عشوائيًا إما إلى مجموعة علاجية، تتلقى التدخل، أو مجموعة ضابطة، تتلقى علاجًا قياسيًا أو دواءً وهميًا. تساعد هذه التخصيصات العشوائية في تقليل التحيزات وتضمن أن المجموعات قابلة للمقارنة في بداية الدراسة. ثم تتم مقارنة نتائج هذه المجموعات لتحديد فعالية التدخل (ستولبرغ وآخرون، 2004).

في هذه الدراسة، استخدمنا تجربة عشوائية محكومة لتقييم تأثير GCLA على أداء الطلاب في بيئة التعلم المدمج. أجريت الدراسة في دورة كيمياء للطلاب في السنة الأولى في جنوب تايوان، وشارك فيها 61 طالبًا، منهم 31 ذكرًا و30 أنثى. تم تقسيم هؤلاء المشاركين عشوائيًا إلى مجموعتين: مجموعة العلاج (TG)، التي تتكون من 16 ذكرًا و15 أنثى، ومجموعة التحكم (CG)، التي تضم 15 ذكرًا و15 أنثى. تفاعلت مجموعة العلاج مع GCLA، وهي أداة تم تطويرها لهذه الدراسة لتعزيز التعلم المدمج. على عكس ChatGPT التقليدي، لا يقدم GCLA إجابات مباشرة بل يشجع الطلاب على اقتراح حلولهم أولاً. ثم يقدم إرشادات لتعزيز التفكير النقدي وتحسين إجاباتهم بشكل تكراري. في المقابل، استخدمت مجموعة التحكم تطبيق ChatGPT القياسي على نظام iOS. لضمان التناسق من حيث الأجهزة، تم تزويد جميع الطلاب بأجهزة iPad طوال مدة التجربة. تم تدريس المجموعتين من قبل نفس المعلم، واستخدموا مواد تعليمية متطابقة، وكانوا في نفس بيئة التعلم. المتغير الوحيد كان استخدام إما GCLA أو ChatGPT التقليدي. تم دمج هذه التجربة بسلاسة في منهج الكيمياء الحالي دون الحاجة إلى دورات إضافية أو حوافز. تم إبلاغ جميع المشاركين بالكامل بأهداف الدراسة وطرقها والمخاطر والفوائد المحتملة من خلال نماذج موافقة مفصلة. كما تم التأكيد لهم أنه يمكنهم الانسحاب من الدراسة في أي وقت دون أي عقوبة أو عواقب سلبية.

تكونت عينة هذه الدراسة من طلاب السنة الأولى الجامعيين المسجلين في دورة كيمياء في جامعة في جنوب تايوان. كانت الدورة دورة تعليمية عامة إلزامية لطلاب كلية العلوم، بغض النظر عن تخصصهم. تناولت الدورة المفاهيم والمبادئ الأساسية في الكيمياء، مثل التركيب الذري، الجدول الدوري، الروابط الكيميائية، التفاعلات الكيميائية، والستيوكيومترية.

كان حجم العينة في هذه الدراسة 61 طالبًا، والذي تم تحديده بناءً على توفر المشاركين وقابلية تنفيذ التجربة. كانت تقنية العينة المستخدمة في هذه الدراسة هي العينة الملائمة، وهي طريقة عينة غير احتمالية تختار المشاركين بناءً على سهولة الوصول ورغبتهم في المشاركة (Creswell & Creswell، 2017). تم اختيار العينة الملائمة لأنها كانت
الطريقة الأكثر عملية واقتصادية لتجنيد المشاركين لهذه الدراسة، نظرًا للقيود الزمنية والموارد.

في هذه الدراسة، تم استخدام اختبارات مسبقة، واختبارات بعدية، واختبارات متأخرة لقياس تقدم المشاركين في معرفة الكيمياء. استخدم الباحثون استبيانًا متعدد الخيارات يتكون من 20 عنصرًا، كل منها بقيمة 5 نقاط. تم تطوير هذا الاستبيان بالتعاون بين اثنين من معلمي الكيمياء الخبراء، وكلاهما يمتلك أكثر من عقد من الخبرة في التدريس. ‘بناء المعرفة’ – كما تم تعريفه في هذه الدراسة – يعتمد على فرضية أن الأفراد يعززون تدريجيًا فهمهم لموضوع ما (van Kesteren & Meeter، 2020)، ويتطورون من اكتساب معلومات بسيطة إلى فهم عميق من خلال الانخراط المعرفي النشط، مما يؤدي إلى رؤى جديدة تتكامل مع الهياكل المعرفية الموجودة (Gan et al.، 2020). كانت الاختبارات المتأخرة تكشف بشكل خاص عن الاحتفاظ طويل الأمد للمعرفة. من خلال إجراء اختبارات مسبقة، وبعدية، ومتأخرة، يمكن للباحثين تقييم كيفية اكتساب المتعلمين للمعرفة الكيميائية واحتفاظهم بها بدقة أكبر، وبالتالي رسم تقدم بناء معرفتهم بشكل أوضح.

تم استخدام مقياس مهارات التفكير العليا الذي تم تطويره بواسطة Hwang et al. (2018) لتقييم شامل لمهارات التفكير العليا. يتضمن هذا المقياس أحد عشر عنصرًا تتوافق مع ثلاثة أبعاد أساسية: التفكير النقدي، حل المشكلات، والإبداع. يتضمن التفكير النقدي التفكير التأملي وصنع الأحكام المستنيرة، كما تم تعريفه بواسطة Hwang et al. (2018). يركز حل المشكلات على جمع المعلومات وتحليلها بشكل شامل للتغلب على التحديات بفعالية. البعد الثالث، الإبداع، يبرز القدرة على توليد وتطوير أفكار جديدة. أهمية هذه الأداة، المبنية على الإطار الذي وضعه Hwang et al. (2018)، كبيرة. إنها تزود كل من الباحثين والمعلمين بأداة قوية لاستكشاف وتعزيز الكفاءات الفردية في هذه المجالات الحيوية.

تم تطبيق الطريقة المقترحة من قبل Wu et al. (2023a) لقياس SRL، مع التركيز على الدافع، والانخراط، والكفاءة الذاتية – كل منها يتماشى مع مراحل التفكير المسبق، والأداء، والتفكير الذاتي لـ SRL، على التوالي. يؤكد Wu et al. (2023a) على أهمية الحفاظ على الدافع في مرحلة التفكير المسبق (Pintrich، 2000؛ Zimmerman، 2000، 2008)، والانخراط بنشاط في مرحلة الأداء (Bernardo et al.، 2022؛ Doo & Bonk، 2020)، وتعزيز الكفاءة الذاتية خلال التفكير الذاتي (Rabin et al.، 2020؛ Stephen et al.، 2020). تم استخدام مقياس الدافع الظرفي (SIMS) من قبل Guay et al. (2000)، الذي يميز الدافع إلى دافع داخلي، تنظيم محدد، تنظيم خارجي، وعدم الدافع. الدافع الداخلي مدفوع بالاهتمام الشخصي، والتنظيم المحدد من خلال الاعتراف بالأهمية، والتنظيم الخارجي من خلال المكافآت أو الضغوط، وعدم الدافع يعكس نقص الدافع. بالنسبة للانخراط، تم تعديل مقاييس الانخراط في الرياضيات والعلوم المقترحة من قبل Wang et al. (2016)، مقسمة الانخراط إلى جوانب معرفية وسلوكية وعاطفية. يتضمن الانخراط المعرفي التنظيم الذاتي واستخدام الاستراتيجيات، ويتضمن الانخراط السلوكي المشاركة والسلوك الإيجابي، ويتضمن الانخراط العاطفي المشاعر الإيجابية تجاه البيئة التعليمية. تم تعديل مقياس الكفاءة الذاتية العامة الجديد المقترح من قبل Chen et al. (2001)، مع تعريف الكفاءة الذاتية على أنها الثقة في تعبئة الموارد لتلبية المتطلبات الظرفية،
خصوصًا في سياق أكاديمي. يتكون مقياس SRL من ثلاثة أبعاد رئيسية وتسعة أبعاد فرعية، ويستخدم مقياس ليكرت من خمس نقاط للإجابات. تم تأكيد موثوقيته وصلاحيته في دراسات سابقة (Chen et al.، 2001؛ Guay et al.، 2000؛ Wang et al.، 2016).

تم تأسيس موثوقية الأدوات المستخدمة في هذه الدراسة من خلال طرق مختلفة. بالنسبة لاستبيان معرفة الكيمياء، تم ضمان صلاحية المحتوى من خلال الحكم الخبير لاثنين من معلمي الكيمياء ذوي الخبرة، الذين راجعوا العناصر وقدموا ملاحظات حول وضوحها، وملاءمتها، وصعوبتها. تم تقييم الموثوقية من خلال حساب معامل ألفا كرونباخ، الذي أسفر عن قيمة 0.79، مما يدل على مستوى كبير من الاتساق الداخلي.

بالنسبة لمقياس مهارات التفكير العليا، كانت صلاحية المحتوى مستندة إلى الإطار النظري المقترح من قبل Hwang et al. (2018)، الذي حدد ثلاثة أبعاد أساسية لمهارات التفكير العليا: التفكير النقدي، حل المشكلات، والإبداع. بعد الترجمة إلى الصينية، تم إجراء تحليل موثوقية مفصل في الجدول 2. تم قياس الموثوقية من خلال حساب معاملات ألفا كرونباخ لكل بعد، والتي تراوحت من 0.72 إلى 0.81، مما يدل على مستوى كبير من الاتساق الداخلي.

بالنسبة لمقياس التعلم الذاتي المنظم، كانت صلاحية المحتوى مستمدة من نموذج SRL المقترح من قبل Wu et al. (2023a)، الذي ربط بين المراحل الثلاث لـ SRL وثلاثة عوامل رئيسية: الدافع، والانخراط، والكفاءة الذاتية. بعد الترجمة إلى الصينية، تم إجراء تحليل موثوقية مفصل في الجدول 3. تم تقييم الموثوقية من خلال حساب معاملات ألفا كرونباخ لكل عامل، والتي تراوحت من 0.75 إلى 0.88، مما يدل على مستوى كبير من الاتساق الداخلي.

لتقييم تأثير GCLA على بناء معرفة الطلاب، والتعلم الذاتي المنظم (SRL)، ومهارات التفكير العليا (HOTS)، استخدمت هذه الدراسة سلسلة من الاختبارات: اختبارات قبل التدخل، واختبارات بعد التدخل، واختبارات متأخرة. كانت هذه الاختبارات بمثابة أدوات تقييم. تم إجراء الاختبارات القبلية، التي أجريت قبل التدخل، والاختبارات البعدية، التي تم تنفيذها مباشرة بعد التدخل، كل منها لمدة ساعة واحدة. كانت الاختبارات المتأخرة، التي جرت بعد أسبوعين من التدخل، تستغرق 20 دقيقة. تم إجراء جميع الاختبارات عبر الإنترنت باستخدام نماذج جوجل.

تكونت الاختبارات التي تقيم بناء المعرفة من 20 سؤالاً متعدد الخيارات، كل منها يستحق 5 نقاط، تركز على المفاهيم والمبادئ الأساسية في الكيمياء، مما يؤدي إلى مجموع نقاط ممكن يصل إلى 100 نقطة لكل اختبار. ظل تنسيق الأسئلة في الاختبارات القبلية والبعدية والاختبارات المتأخرة متسقًا، مع اختلافات فقط في الأسئلة والخيارات والقيم العددية في الأسئلة.

تضمن تقييم SRL 46 عنصرًا عبر ثلاثة مجالات: الدافع (20 عنصرًا)، والانخراط (18 عنصرًا)، والكفاءة الذاتية (8 عناصر). تم تعديل هذه العناصر من إطار عمل وو وآخرون (2023a)، مع دمج مقاييس تم تطويرها بواسطة غوي وآخرون (2000)، ووانغ وآخرون (2016)، وتشين وآخرون (2001). تم تسجيل الردود على مقياس ليكرت المكون من خمسة نقاط، يتراوح من 1 (أوافق بشدة) إلى 5 (أوافق بشدة).

تضمنت تقييم HOTS 11 عنصرًا، متماشية مع ثلاثة أبعاد: التفكير النقدي، وحل المشكلات، والإبداع، تم تعديلها من المقياس الذي طوره هوانغ وآخرون (2018). كما تم تسجيل الردود باستخدام مقياس ليكرت المكون من خمس نقاط.

كانت منهجية التعليم قائمة على نموذج التعلم الذاتي المنظم (SRL) الذي اقترحه زيمرمان (1990)، والذي يتكون من ثلاث مراحل: التفكير المسبق، والأداء، والتأمل الذاتي. شمل الدورة المتعلمين في حصص أسبوعية مدتها ثلاث ساعات لمدة عشرة أسابيع، متبعين إطار عمل SRL كما هو موضح في الشكل 5.

غطى المعلم مفاهيم الكيمياء الأساسية وأجرى اختبارًا تمهيديًا لتقييم الفهم الأولي للمتعلمين. وضع المتعلمون أهدافًا مثل إتقان الجدول الدوري والروابط الكيميائية، منسقين هذه الأهداف مع واجباتهم الأخرى.

كرّس المتعلمون هذه الأسابيع لتحقيق أهدافهم الأكاديمية، مستخدمين الأدوات والموارد عبر الإنترنت. في الوقت نفسه، عززت الفصول الدراسية الشخصية التي تستمر ثلاث ساعات أسبوعياً العمل الجماعي في حل المشكلات وسمحت بتعديلات استراتيجية التعلم في الوقت الفعلي.

قام المتعلمون بتقييم المعرفة المكتسبة خلال الدورة. تم تقييم فهمهم من خلال اختبار بعدي، إلى جانب استبيان يفحص مهارات التعلم الذاتي، والمهارات العليا في التفكير، ومعرفة الكيمياء. تم تصميم اختبار متأخر في الأسبوع الخامس عشر لتقييم استمرارية المعرفة المكتسبة. كانت النتائج المجمعة للاختبار القبلي والاختبار البعدي،

وستوفر الاختبارات المتأخرة مقياسًا شاملاً لبناء معرفة المتعلمين. الشكل 9 يوضح البروتوكول التجريبي بالكامل.

استخدمت مجموعة العمل GCLA للتنقل في تحديات مرحلة الأداء، حيث ساعدت سجلات التعلم في أنشطة الأسبوع العاشر التأملية. وعلى العكس، عالجت مجموعة التحكم المشاكل.
استخدام ChatGPT على نظام iOS خلال نفس المرحلة والاعتماد على الذاكرة للمهام التأملية في الأسبوع الأخير. يوضح الجدول 4 الاختلافات في ديناميات التعلم الذاتي بين مجموعة التجربة ومجموعة التحكم طوال مدة الدراسة.

تضمنت المتغيرات في هذه الدراسة المتغير المستقل، والمتغيرات التابعة، والمتغيرات المشتركة. كان المتغير المستقل هو نوع أداة التعلم المستخدمة من قبل الطلاب: GCLA أو ChatGPT. كانت المتغيرات التابعة هي درجات الطلاب في اختبارات SRL وHOTS ومعرفة الكيمياء. كانت المتغيرات المشتركة هي درجات الطلاب في الاختبارات السابقة، والتي استخدمت للتحكم في الفروق الأولية بين المجموعات.

كانت طرق التحليل والأدوات الإحصائية المستخدمة في هذه الدراسة كما يلي:

لتحقيق تأثير إدخال GCLA على التعلم الذاتي للطلاب في بيئة التعلم المدمج، تم استخدام تحليل التباين المشروط (ANCOVA) في هذه الدراسة. تم اعتبار درجات التعلم الذاتي من الاختبارات السابقة كمتغيرات مشتركة واعتبرت درجات التعلم الذاتي من الاختبارات اللاحقة كمتغيرات تابعة. قبل التحليل الرئيسي، تم تأكيد فرضية تجانس التباينات باستخدام اختبار ليفين. النتائج موضحة في الجدول 5. كما هو موضح في الجدول 5، جميع الأبعاد الفرعية للتعلم الذاتي لديها قيم p تتجاوز 0.05. هذه النتائج تؤكد صحة فرضية تساوي التباينات وتؤكد ملاءمة استخدام ANCOVA للتحليل.

تقدم الجداول 6 و 7 على التوالي الإحصائيات الوصفية ونتائج تحليل ANCOVA لـ SRL. كما هو موضح في الجدول 7، تم ملاحظة اختلافات ذات دلالة إحصائية في الدافع الداخلي، واللامبالاة، والانخراط المعرفي، والانخراط السلوكي، والكفاءة الذاتية. من الإحصائيات الوصفية في الجدول 6، يمكن استنتاج أن المجموعة الضابطة تفوقت بشكل ملحوظ على المجموعة التجريبية من حيث الدافع الداخلي. ) وعدم الدافع ( “، حيث يعتبر هذا مؤشراً سلبياً). وعلى العكس، تفوق TG على CG في الانخراط المعرفي ( )، الانخراط السلوكي ( ) ، وكفاءة الذات ( وبالتالي، عند معالجة سؤال البحث 1، بينما قد لا تعزز مقدمة GCLA الجانب التحفيزي للطلاب في التعلم الذاتي المنظم (مرحلة التفكير المسبق)، إلا أنها تعزز بالفعل التأثيرات الإيجابية على مستوى انخراطهم (مرحلة الأداء) وثقتهم بأنفسهم (مرحلة التأمل الذاتي).

القيم الجريئة تمثل فرقًا كبيرًا

القيم الجريئة تمثل فرقًا كبيرًا

للتحقيق في التأثير المحتمل لتقديم GCLA على مهارات التفكير العليا لدى الطلاب في بيئة التعلم المدمج، تم استخدام تحليل التباين المصحح (ANCOVA) في هذه الدراسة. تم اعتبار درجات مهارات التفكير العليا من الاختبارات السابقة كمتغيرات تابعة واعتبرت درجات الاختبار اللاحق لمهارات التفكير العليا كمتغيرات مستقلة. قبل التحليل الرئيسي، تم تأكيد فرضية تجانس التباينات باستخدام اختبار ليفين. النتائج موضحة في الجدول 8. كما هو موضح في الجدول 8، جميع أبعاد مهارات التفكير العليا لديها قيم p تتجاوز 0.05. هذه النتائج تؤكد صحة فرضية تساوي التباينات وتؤكد ملاءمة استخدام تحليل التباين المصحح (ANCOVA) للتحليل.

توفر الجداول 9 و 10 الإحصائيات الوصفية ونتائج تحليل ANCOVA لـ HOTS، على التوالي. كما هو موضح في الجدول 10، كانت هناك اختلافات ذات دلالة إحصائية في بُعد التفكير النقدي، وحل المشكلات، والإبداع. من الإحصائيات الوصفية في الجدول 9، يمكن استنتاج أن المجموعة التجريبية (TG) تفوقت بشكل ملحوظ على المجموعة الضابطة (CG) من حيث التفكير النقدي. )، حل المشكلات ( ) ، والإبداع ( وبالتالي، عند معالجة السؤال البحثي 2، يمكن استنتاج أن إدخال GCLA يعزز مهارات التفكير العليا لدى المتعلمين، مما يظهر في تحسينات ملحوظة في التفكير النقدي، وحل المشكلات، والإبداع.

لقياس بناء المعرفة لدى المتعلمين ضمن بيئة التعلم المدمجة، تم تقييم فهم الكيمياء في ثلاث فترات زمنية متميزة: اختبار قبلي (قبل النشاط التجريبي)، اختبار بعدي (بعد النشاط التجريبي)، واختبار متأخر (بعد أسبوعين من النشاط التجريبي). تم استخدام اثنين من تحليل التباين المصحح (ANCOVA) لتمييز التغيرات في المعرفة على مدى هذه الفترات الزمنية، وبالتالي تقييم بناء المعرفة لدى الطلاب. تم اعتبار درجات الاختبار البعدي كمتغير تابع في تحليل التباين الأول، مع اعتبار درجات الاختبار القبلي كمتغير مصحح. كان ذلك لتمييز

الفجوة في فهم الكيمياء بين مجموعة التجربة (TG) ومجموعة التحكم (CG) بعد التدخل التجريبي. تم استخدام تحليل التباين المصحح (ANCOVA) لاحقًا حيث كانت درجات الاختبار المتأخر هي المتغير التابع ودرجات الاختبار بعد التدخل هي المتغير المساعد، بهدف قياس احتفاظ المعرفة بعد فترة أسبوعين. قبل تنفيذ تحليل التباين المصحح، تم إجراء اختبار ليفين للتأكد من تجانس التباينات، وكانت النتائج موضحة في الجدول 11. كما هو واضح من الجدول 11، فإن كل من درجات الاختبار بعد التدخل ودرجات الاختبار المتأخر أظهرت قيم p تتجاوز 0.05، مما يعزز صحة فرضية تساوي التباينات ويعزز مبررات استخدام تحليل التباين المصحح في التقييم.

لضمان عدم وجود اختلافات أولية في المعرفة السابقة للمتعلمين، أجرت الدراسة في البداية تحليل التباين (ANOVA) على درجات الاختبار القبلي لمعرفتهم في الكيمياء. أظهرت النتائج عدم وجود علاقة ذات دلالة إحصائية بين المجموعة التجريبية (TG) والمجموعة الضابطة (CG) في درجات الاختبار القبلي. هذا يشير إلى أنه لم تكن هناك اختلافات كبيرة في المعرفة السابقة بين المجموعتين في بداية الدراسة. هذه النتيجة مهمة لأنها تؤسس لتكافؤ أساسي بين المجموعة التجريبية والمجموعة الضابطة، مما يسمح بتقييم أكثر دقة لتأثير تدخل GCLA على فهم الكيمياء واحتفاظ المعرفة.

تقدم الجداول 12 و 13 الإحصائيات الوصفية للاختبار القبلي، والاختبار البعدي، والاختبار البعدي المتأخر، إلى جانب نتائج اثنين من تحليل التباين المصحح (ANCOVA). كما هو موضح في الجدول 13، توجد اختلافات إحصائية ملحوظة بين المجموعة التجريبية (TG) والمجموعة الضابطة (CG) فيما يتعلق بكل من درجات الاختبار البعدي ودرجات الاختبار المتأخر. تحليل أقرب للجدول 12 يظهر بوضوح أن الدرجات التي حققتها المجموعة التجريبية (TG) في كل من الاختبار البعدي ( )

واختبار مؤجل ( تتجاوز بشكل كبير تلك الخاصة بمجموعة التحكم. فيما يتعلق بالسؤال البحثي 3، فإن تدخل GCLA يعزز بشكل ملحوظ فهم المتعلمين للكيمياء والاحتفاظ اللاحق بهذه المعرفة. وبالتالي، من المحتمل استنتاج أن GCLA يلعب دورًا محوريًا في تعزيز بناء معرفة المتعلمين.

تعتبر SRL، التي تعد أساسية للتعلم المدمج، ذات دور حاسم في التعليم العالي، حيث تزداد نماذج الهجين انتشارًا. وقد صاغ زيمرمان (1990) مراحل SRL على أنها التفكير المسبق، والأداء، والتأمل الذاتي. استكشف وو وآخرون (2023a) هذه المراحل في سياق التعليم العالي، مع تقييم تأثيرها على الدافع، والانخراط، والكفاءة الذاتية. تتماشى هذه الدراسة مع هذه الأعمال الأكاديمية، حيث تفحص بشكل خاص التأثيرات المختلفة لـ GCLA مقابل ChatGPT التقليدي على SRL بين طلاب التعليم العالي، كما توضح الجداول 6 و7. تظهر البيانات أن أولئك الذين استخدموا GCLA أظهروا انخراطًا معرفيًا وسلوكيًا أكبر، إلى جانب زيادة في الكفاءة الذاتية، مقارنةً بأقرانهم الذين استخدموا ChatGPT.

في مجال التعليم العالي، حيث التفكير النقدي المستقل هو الأهم، أثبت تصميم GCLA، الذي يتطلب من الطلاب التفاعل بعمق مع المحتوى قبل تلقي الإجابات، أنه مفيد. تشجع هذه الاستراتيجية على استخدام استراتيجيات معرفية متقدمة والاندماج السريع للمفاهيم المعقدة، وهو أمر أساسي في تعزيز الانخراط المعرفي في هذا المستوى. تدعم هذه المنهجية مفهوم “استكشاف الفهم” الذي دعا إليه وايت وغونستون (2014) والإطار القائم على الاستفسار الذي اقترحه بيداست وآخرون (2015). تعتبر هذه الطريقة فعالة بشكل خاص في التعليم العالي، كما أكده المامون ولوري (2023) والمامون وآخرون (2020)، وتتوافق مع توجه GCLA لحل المشكلات.

إن تعزيز المشاركة السلوكية مع GCLA أمر حاسم أيضًا في بيئات التعليم العالي. يتطلب تصميم المنصة تفاعلًا أكثر كثافة من الطلاب، مما يعكس بيداغوجيا “التعلم من خلال الممارسة” التي تعتبر ضرورية في بيئات التعليم العالي. يجب على الطلاب في هذه البيئات أن يفهموا المفاهيم النظرية فحسب، بل يجب عليهم أيضًا تطبيقها في سيناريوهات عملية (Lee et al., 2023a, 2023b; Lee et al., 2023a, 2023b; Wu et al., 2023b). يتماشى هذا مع نتائج Dellatola et al. (2020) و Kuo et al. (2020)، الذين أفادوا بأن ممارسات المشاركة النشطة، مثل حل المشكلات التعاوني والتغذية الراجعة من الأقران، حسنت نتائج تعلم الطلاب ورضاهم في الدورات التعليمية المدمجة. لذلك، يمكن اعتبار GCLA أداة قيمة لتسهيل مثل هذه الممارسات وتعزيز مشاركة الطلاب السلوكية.

علاوة على ذلك، فإن ميزة تسجيل السجلات في GCLA تعزز من فعالية الذات بين المتعلمين في التعليم العالي من خلال تمكينهم من متابعة استفساراتهم والتفكير في مسار تعلمهم. هذه الممارسة التأملية ضرورية للطلاب لتطوير الثقة في قدراتهم الأكاديمية، وهو أمر مهم بشكل خاص في التعليم العالي حيث يُتوقع من المتعلمين أن يتحملوا مسؤولية أكبر عن تعلمهم (Hsia & Hwang، 2020؛ Menon & Azam، 2021).

ومع ذلك، من حيث الدافع الداخلي وعدم الدافع، يتمتع ChatGPT التقليدي بميزة طفيفة، لا سيما في سياقات التعليم العالي. يبدو أن قدرته على تقديم تغذية راجعة فورية تعزز الدافع وتمنع مشاعر العجز، مما يبرز
أثر الدعم في الوقت المناسب على دافعية الطلاب – عامل حاسم لنجاح الطلاب في التعليم العالي، كما أكد وو وآخرون (2023a).

إن الاعتراف المتزايد بمهارات التفكير العليا كأمر لا غنى عنه للنجاح في القرن الحادي والعشرين كان موضوعًا بارزًا في مجال أبحاث التعليم العالي (كونكلين، 2011). وعلى النقيض من الطبيعة السلبية للتعليم التقليدي القائم على المحاضرات السائدة في التعليم العالي، توفر نماذج التعلم المدمج للطلاب مستوى عالٍ من الاستقلالية (سنودين، 2013). يتطلب هذا التحول تركيزًا أكثر تعمدًا على تنمية المهارات المعرفية المتقدمة التي تمكن الطلاب من تحليل المحتوى التعليمي بشكل نقدي، وتقييم رحلات تعلمهم، وصياغة خطط تعلم مخصصة. تدعم الأدلة من الجداول 9 و 10 أن GCLA الذي تم تطويره في هذه الدراسة يعزز بشكل ملحوظ مهارات التفكير العليا ضمن أطر التعلم المدمج في التعليم العالي، مع التركيز بشكل خاص على التفكير النقدي، وحل المشكلات، والإبداع.

فيما يتعلق بالتفكير النقدي في سياق التعليم العالي، يوفر GCLA بشكل منهجي تلميحات بدلاً من حلول مباشرة، مما يدفع الطلاب إلى تحسين تفكيرهم بشكل متكرر للوصول إلى الاستنتاج الصحيح. تتماشى هذه الطريقة مع النماذج الحوارية ونماذج الاستفسار التي أصبحت تزداد انتشارًا في بيداغوجيا التعليم العالي (المامون ولوري، 2023؛ كوو وآخرون، 2020). إنها تشجع على التفاعل الأعمق مع المادة، مما يؤدي إلى تطوير الطلاب في مجموعة التجربة (TG) لمهارات التفكير النقدي بشكل أكثر قوة من نظرائهم في مجموعة التحكم (CG). تتماشى هذه النتائج مع دراسات متعددة تؤكد على أهمية التعلم القائم على المناقشة في تعزيز التفكير النقدي في بيئات التعليم العالي (الحسبان، 2020؛ جياكومو وسافيني، 2020؛ أوريوردان وآخرون، 2021).

عند تناول قدرات حل المشكلات، يجبر نظام التلميحات المنظم في GCLA الطلاب على الانخراط بنشاط مع المشكلات، والتفكير في approachesهم وإعادة النظر فيها. هذه القيمة مهمة بشكل خاص في مشهد التعليم العالي، حيث يعد حل المشكلات نتيجة تعلم رئيسية. التقنية التي تستخدمها GCLA تحاكي العملية التكرارية الأساسية للتعلم القائم على المشكلات (PBL)، وهي طريقة راسخة ومقدرة في التعليم العالي لفعاليتها في تنمية مهارات حل المشكلات (أزلان، 2021؛ فنجسوك وآخرون، 2017؛ فالنتين وآخرون، 2017).

أخيرًا، فيما يتعلق بالإبداع، وهي مهارة تُطلب بشكل متزايد من خريجي التعليم العالي، تعزز منهجية GCLA ذلك من خلال تقديم تلميحات تشجع على تعدد وجهات النظر. وهذا يتناقض مع النهج الأكثر حتمية الذي يتبعه ChatGPT التقليدي، مما يعزز بيئة تعليمية في التعليم العالي حيث يتم تحفيز الطلاب على التفكير بشكل متباين وتصور حلول مبتكرة. إن إمكانية GCLA في تحفيز نتائج أكثر إبداعًا تتماشى مع الأبحاث التي تدعو إلى دور العصف الذهني والتفكير الإبداعي في التعليم العالي (Göçmen & Coşkun، 2022؛ Gong et al.، 2022).

بناء المعرفة أساسي في التعليم العالي، حيث يعد تقييم نتائج تعلم الطلاب أمرًا بالغ الأهمية. استخدمت هذه الدراسة نهج تقييم متعدد المراحل يتضمن اختبارات مسبقة، واختبارات لاحقة، واختبارات متأخرة لتتبع طلاب…
اكتساب المعرفة في بيئات التعليم العالي. كما هو موضح في الجدولين 12 و 13، أظهر المتعلمون في التعليم العالي الذين استخدموا GCLA أداءً متفوقًا في كل من تقييمات الاختبار بعد التعليم والاختبار المتأخر مقارنةً بأقرانهم الذين استخدموا أدوات ChatGPT التقليدية.

يصر إطار GCLA على أن يتقدم المتعلمون في سياقات التعليم العالي بردودهم الخاصة قبل تلقي أي مساعدة، مقدماً تلميحات بدلاً من إجابات مباشرة. تعزز هذه العملية المشاركة النشطة وتسمح للطلاب بتطوير وتقييم وصقل تقنيات حل المشكلات لديهم، مما يؤدي إلى تعلم ومراجعة أكثر فعالية. هذه تطبيق عملي لاستراتيجيات ما وراء المعرفة التي تعتبر ذات صلة خاصة في سياق التعليم العالي (Schraw & Moshman, 1995). علاوة على ذلك، من خلال التعبير عن تفكيرهم الأولي وتنقيح فهمهم بشكل متكرر، يختبر الطلاب نوعاً من التعلم القائم على الاستفسار الذي يعد محورياً للتعليم العالي (Pedaste et al., 2015; White & Gunstone, 2014). كما أن تعزيز بناء المعرفة والاحتفاظ بها ضمن مجموعة التعليم العالي باستخدام GCLA مدعوم أيضاً من خلال الأبحاث الحالية حول فوائد استراتيجيات التعلم القائمة على ما وراء المعرفة والاستفسار (Carvalho & Santos, 2022; Tawfik et al., 2020; Zhou & Lam, 2019).

تتمتع هذه الدراسة بعدة تداعيات على كل من النظرية والممارسة في مجال التعليم.

تساهم هذه الدراسة في الأدبيات الموجودة حول استخدام ChatGPT في التعليم، خاصة في بيئات التعلم المدمج. تقدم GCLA، وهي نهج جديد يعدل استخدام ChatGPT من خلال تقديم الإرشادات بدلاً من الإجابات المباشرة، وتقيّم تأثيرها على تنظيم الطلاب الذاتي، والتفكير عالي المستوى، وبناء المعرفة. تكشف النتائج أن GCLA تعزز هذه الجوانب مقارنةً بالاستخدام التقليدي لـ ChatGPT، مما يظهر إمكانيات أدوات ChatGPT في تعزيز المهارات الأساسية مثل التنظيم الذاتي والتفكير عالي المستوى. علاوة على ذلك، تقدم هذه الدراسة رؤى حول الاستخدام الأكثر فعالية لـ ChatGPT في التعليم، مشددة على أهمية تشجيع الطلاب على محاولة حل المشكلات بشكل مستقل قبل طلب المساعدة من ChatGPT، وتقديم التغذية الراجعة من خلال تلميحات بدلاً من الحلول. يمكن أن تُفيد هذه الرؤى في تصميم وتطوير أدوات وتدخلات تعليمية مستقبلية تعتمد على ChatGPT.

تتمتع هذه الدراسة أيضًا بتطبيقات عملية للمربين والمتعلمين في التعليم العالي، لا سيما في بيئات التعلم المدمج. تشير إلى أن GCLA يمكن أن تكون أداة قيمة لدعم التعلم المدمج، حيث يمكن أن توفر إرشادات شخصية وفي الوقت المناسب للطلاب، وتعزز من تفاعلهم وكفاءتهم الذاتية، وتحسن من نتائج تعلمهم. يمكن أن تدعم GCLA أيضًا المربين في تسهيل التعلم المدمج، حيث يمكن أن تقلل من عبء العمل عليهم في تقديم الملاحظات والمساعدة، وتسمح لهم بمراقبة
تقدم الطلاب وأدائهم من خلال ملف سجل التعلم. علاوة على ذلك، يمكن دمج GCLA بسهولة في منصات التعلم المدمج والمناهج الحالية، حيث إنه متوافق مع أجهزة آبل ويمكن تخصيصه وفقًا لأهداف التعلم والسياقات المختلفة.

هدفت هذه الدراسة إلى معالجة قضية اعتماد الطلاب المفرط على ChatGPT في بيئات التعلم المدمجة في التعليم العالي، وتأثير ذلك على التعلم الذاتي، والمهارات العليا في التفكير، وبناء المعرفة. كما قامت بتقييم فعالية GCLA، وهي أداة تعليمية مدعومة بـ ChatGPT، مقارنة بالاستخدام التقليدي لـ ChatGPT، في تعزيز هذه الجوانب بين المتعلمين. شملت الدراسة 61 طالبًا جامعيًا من جامعة في تايوان، تم تعيينهم عشوائيًا إما إلى مجموعة العلاج (TG) أو مجموعة التحكم (CG). استخدمت مجموعة العلاج GCLA، بينما استخدمت مجموعة التحكم تطبيق ChatGPT التقليدي على iOS، لمساعدتهم في التعلم في دورة كيمياء أساسية ضمن بيئة تعلم مدمجة. استخدمت الدراسة تجربة عشوائية محكومة (RCT) واستخدمت اختبارات مسبقة، واختبارات لاحقة، واختبارات متأخرة، واستطلاعات لقياس تأثير GCLA على التعلم الذاتي للطلاب، والمهارات العليا في التفكير، وبناء المعرفة.

أظهرت النتائج أن GCLA كان لها تأثير إيجابي كبير على الانخراط المعرفي والسلوكي للطلاب، والثقة بالنفس، والتفكير النقدي، وحل المشكلات، والإبداع، وبناء المعرفة، مقارنة بالاستخدام التقليدي لـ ChatGPT. ومع ذلك، لم يكن لـ GCLA تأثير كبير على الدافع الداخلي للطلاب وعدم الدافع، الذي كان أعلى في مجموعة التحكم مقارنة بمجموعة العلاج. تشير هذه النتائج إلى أن GCLA يمكن أن تعزز بشكل فعال تجارب التعلم ونتائج الطلاب في بيئات التعلم المدمجة، من خلال تقديم الإرشاد بدلاً من الإجابات، وتعزيز بيئة ملائمة لتطوير التعلم الذاتي والمهارات العليا في التفكير. كما تشير النتائج إلى أن GCLA يمكن أن تساعد الطلاب في التغلب على تحديات التعلم المدمج، مثل الحفاظ على دعم المعلم المستمر، وإدارة الاستقلالية في التعلم، والانخراط في مهام أكاديمية معقدة.

تحتوي هذه الدراسة على عدة قيود يجب الاعتراف بها ومعالجتها في الأبحاث المستقبلية. أولاً، كان حجم العينة في هذه الدراسة صغيرًا نسبيًا، وكان المشاركون من جامعة واحدة في تايوان. لذلك، قد تكون قابلية تعميم النتائج محدودة، وهناك حاجة إلى دراسات إضافية بعينات أكبر وأكثر تنوعًا للتحقق من النتائج. ثانيًا، ركزت الدراسة فقط على مجال موضوع واحد، وهو الكيمياء، وإعداد تعلم مدمج واحد. وبالتالي، قد تختلف قابلية تطبيق GCLA على مجالات موضوعية أخرى وإعدادات تعلم أخرى، وهناك حاجة إلى مزيد من الدراسات لاستكشاف تأثيرات GCLA في مجالات وسياقات مختلفة. ثالثًا، قيست الدراسة فقط التأثيرات القصيرة والمتوسطة الأجل لـ GCLA على تعلم الطلاب، باستخدام اختبارات لاحقة واختبارات متأخرة. لم يتم تقييم التأثيرات طويلة الأجل لـ GCLA على تعلم الطلاب، مثل الاحتفاظ، والنقل، وتطبيق المعرفة والمهارات، ويجب أن تتضمن الدراسات المستقبلية مزيدًا من القياسات الطولية لتقييم التأثير الدائم لـ GCLA.

استنادًا إلى النتائج والقيود لهذه الدراسة، يمكن اقتراح عدة اتجاهات للبحث المستقبلي. أولاً، يمكن للدراسات المستقبلية توسيع نطاق هذه الدراسة من خلال التحقيق في تأثيرات GCLA على جوانب أخرى من تعلم الطلاب، مثل الدافع، والاهتمام، والرضا، والموقف. هذه الجوانب أيضًا مهمة لنجاح تعلم الطلاب ورفاههم، ويمكن أن توفر صورة أكثر شمولاً عن تأثير GCLA. ثانيًا، يمكن للدراسات المستقبلية استكشاف الآليات والعوامل الأساسية التي تتوسط أو تعدل تأثيرات GCLA على تعلم الطلاب. على سبيل المثال، كيف تؤثر GCLA على العمليات المعرفية للطلاب، واستراتيجيات ما وراء المعرفة، والحالات العاطفية؟ كيف تؤثر المعرفة السابقة للطلاب، وأنماط التعلم، والتفضيلات على استخدامهم وإدراكهم لـ GCLA؟ يمكن أن تساعد هذه الأسئلة في تفسير الأسباب والظروف لفعالية GCLA، وتوفير مزيد من الرؤى لتحسينها وتحسينها. ثالثًا، يمكن للدراسات المستقبلية مقارنة GCLA بأدوات أو تدخلات أخرى قائمة على ChatGPT، مثل تلك التي تقدم أنواعًا أو مستويات مختلفة من التغذية الراجعة، أو الدعم، أو التخصيص. يمكن أن تساعد هذه المقارنات في تحديد نقاط القوة والضعف لـ GCLA، وتوفير مزيد من الأدلة على مزاياها وعيوبها النسبية.

نحن ممتنون للغاية للمساعدين البحثيين والطلاب الذين شاركوا في هذه الدراسة.

هو قائد هذا البحث، وهو مسؤول عن تصميم البحث، وإجراء تجربة التعليم والتعلم، وتحليل البيانات. P-HC مسؤولة عن المساعدة في إجراء التجارب واستطلاع الأدبيات ذات الصلة. W-SW مسؤول عن المساعدة في إجراء التجارب. Y-MH مسؤول عن تصميم تجارب البحث، وتقديم نظريات التعليم الأساسية والتعليقات على هذا البحث، وهو أيضًا مسؤول عن مراجعة المخطوطة. قضى جميع المؤلفين أكثر من شهرين في مناقشة وتحليل البيانات. قرأ المؤلف (المؤلفون) ووافقوا على المخطوطة النهائية. T-TW مسؤول عن المساعدة في إجراء التجارب واستطلاع الأدبيات ذات الصلة وتدقيق المخطوطة.

تم تمويل هذا المشروع من قبل المجلس الوطني للعلوم والتكنولوجيا (NSTC) في جمهورية الصين بموجب أرقام العقود NSTC 110-2511-H-006-008-MY3، NSTC 112-2410-H-006-053-MY3.

تتوفر مجموعات البيانات المستخدمة أو التي تم تحليلها خلال الدراسة الحالية من المؤلف المراسل عند الطلب المعقول.

يعلن المؤلفون أنهم ليس لديهم مصالح مالية متنافسة معروفة أو علاقات شخصية قد تكون قد أثرت على العمل المبلغ عنه في هذه الورقة.

تاريخ الاستلام: 8 نوفمبر 2023 تاريخ القبول: 9 فبراير 2024
تم النشر عبر الإنترنت: 04 مارس 2024

Abramski, K., Citraro, S., Lombardi, L., Rossetti, G., & Stella, M. (2023). Cognitive network science reveals bias in GPT-3, GPT3.5 Turbo, and GPT-4 mirroring math anxiety in high-school students. Big Data and Cognitive Computing, 7(3), 124. https://doi.org/10.3390/bdcc7030124
Adeshola, I., & Adepoju, A. P. (2023). The opportunities and challenges of ChatGPT in education. Interactive Learning Environments. https://doi.org/10.1080/10494820.2023.2253858
Al-Husban, N. A. (2020). Critical thinking skills in asynchronous discussion forums: A case study. International Journal of Technology in Education, 3(2), 82-91.
Al Mamun, M. A., & Lawrie, G. (2023). Student-content interactions: Exploring behavioural engagement with selfregulated inquiry-based online learning modules. Smart Learning Environments, 10(1), 1. https://doi.org/10.1186/ s40561-022-00221-x

Aslan, A. (2021). Problem- based learning in live online classes: Learning achievement, problem-solving skill, communication skill, and interaction. Computers & Education, 171, 104237. https://doi.org/10.1016/j.compedu.2021.104237
Bernardo, A. B., Galve-González, C., Núñez, J. C., & Almeida, L. S. (2022). A path model of university dropout predictors: The role of satisfaction, the use of self-regulation learning strategies and students’ engagement. Sustainability. https:// doi.org/10.3390/su14031057
Brookhart, S. M. (2010). How to assess higher-order thinking skills in your classroom. Ascd.
Carvalho, A. R., & Santos, C. (2022). Developing peer mentors’ collaborative and metacognitive skills with a technologyenhanced peer learning program. Computers and Education Open, 3, 100070. https://doi.org/10.1016/j.caeo.2021. 100070
Chan, C. K. Y., & Hu, W. (2023). Students’ voices on generative AI: Perceptions, benefits, and challenges in higher education. International Journal of Educational Technology in Higher Education, 20(1), 43. https://doi.org/10.1186/ s41239-023-00411-8
Chen, G., Gully, S. M., & Eden, D. (2001). Validation of a new general self-efficacy scale. Organizational Research Methods, 4(1), 62-83. https://doi.org/10.1177/109442810141004
Chen, T., Luo, H., Feng, Q., & Li, G. (2023). Effect of technology acceptance on blended learning satisfaction: The serial mediation of emotional experience, social belonging, and higher-order thinking. International Journal of Environmental Research and Public Health, 20(5), 4442.
Cheng, S.-C., Hwang, G.-J., & Lai, C.-L. (2020). Effects of the group leadership promotion approach on students’ higher order thinking awareness and online interactive behavioral patterns in a blended learning environment. Interactive Learning Environments, 28(2), 246-263. https://doi.org/10.1080/10494820.2019.1636075
Conklin, W. (2011). Higher-order thinking skills to develop 21st century learners. Teacher Created Materials.
Cooper, G. (2023). Examining science education in ChatGPT: An exploratory study of generative artificial intelligence. Journal of Science Education and Technology, 32(3), 444-452. https://doi.org/10.1007/s10956-023-10039-y
Creswell, J. W., & Creswell, J. D. (2017). Research design: Qualitative, quantitative, and mixed methods approaches. Sage publications.
Dale, R. (2021). GPT-3: What’s it good for? Natural Language Engineering, 27(1), 113-118.
Dellatola, E., Daradoumis, T., & Dimitriadis, Y. (2020). Exploring students’ engagement within a collaborative inquiry-based language learning activity in a blended environment. In S. Yu, M. Ally, & A. Tsinakos (Eds.), Emerging technologies and pedagogies in the curriculum (pp. 355-375). Springer Singapore. https://doi.org/10.1007/978-981-15-0618-5_21
Ding, L., Li, T., Jiang, S., & Gapud, A. (2023). Students’ perceptions of using ChatGPT in a physics class as a virtual tutor. International Journal of Educational Technology in Higher Education, 20(1), 63. https://doi.org/10.1186/ s41239-023-00434-1
Doo, M. Y., & Bonk, C. J. (2020). The effects of self-efficacy, self-regulation and social presence on learning engagement in a large university class using flipped Learning. Journal of Computer Assisted Learning, 36(6), 997-1010. https://doi. org/10.1111/jcal. 12455
Ettinger, A. (2020). What BERT is not: Lessons from a new suite of psycholinguistic diagnostics for language models. Transactions of the Association for Computational Linguistics, 8, 34-48. https://doi.org/10.1162/tacl_a_00298
Gan, W., Sun, Y., Peng, X., & Sun, Y. (2020). Modeling learner’s dynamic knowledge construction procedure and cognitive item difficulty for knowledge tracing. Applied Intelligence, 50(11), 3894-3912. https://doi.org/10.1007/ s10489-020-01756-7
Giacumo, L. A., & Savenye, W. (2020). Asynchronous discussion forum design to support cognition: Effects of rubrics and instructor prompts on learner’s critical thinking, achievement, and satisfaction. Educational Technology Research and Development, 68(1), 37-66. https://doi.org/10.1007/s11423-019-09664-5
Göçmen, Ö., & Coşkun, H. (2022). Do De Bono’s green hat and green-red combination increase creativity in brainstorming on individuals and dyads? Thinking Skills and Creativity, 46, 101185. https://doi.org/10.1016/j.tsc.2022.101185
Gong, Z., Lee, L.-H., Soomro, S. A., Nanjappan, V., & Georgiev, G. V. (2022). A systematic review of virtual brainstorming from the perspective of creativity: Affordances, framework, and outlook. Digital Creativity, 33(2), 96-127. https://doi. org/10.1080/14626268.2022.2064879
Guay, F., Vallerand, R. J., & Blanchard, C. (2000). On the assessment of situational intrinsic and extrinsic motivation: The Situational Motivation Scale (SIMS). Motivation and Emotion, 24(3), 175-213. https://doi.org/10.1023/A:1005614228 250
Hershcovits, H., Vilenchik, D., & Gal, K. (2020). Modeling engagement in self-directed learning systems using principal component analysis. IEEE Transactions on Learning Technologies, 13(1), 164-171. https://doi.org/10.1109/TLT.2019. 2922902
Hood, N., Littlejohn, A., & Milligan, C. (2015). Context counts: How learners’ contexts influence learning in a MOOC. Computers & Education, 91, 83-91. https://doi.org/10.1016/j.compedu.2015.10.019
Hsia, L.-H., & Hwang, G.-J. (2020). From reflective thinking to learning engagement awareness: A reflective thinking promoting approach to improve students’ dance performance, self-efficacy and task load in flipped learning. British Journal of Educational Technology, 51(6), 2461-2477. https://doi.org/10.1111/bjet. 12911
Hwang, G.-J., & Lai, C.-L. (2017). Facilitating and bridging out-of-class and in-class learning: An interactive e-book-based flipped learning approach for math courses. Journal of Educational Technology & Society, 20(1), 184-197.
Hwang, G.-J., Lai, C.-L., Liang, J.-C., Chu, H.-C., & Tsai, C.-C. (2018). A long-term experiment to investigate the relationships between high school students’ perceptions of mobile learning and peer interaction and higher-order thinking tendencies. Educational Technology Research and Development, 66(1), 75-93. https://doi.org/10.1007/s11423-017-9540-3
Hwang, G.-J., Yin, C., & Chu, H.-C. (2019). The era of flipped learning: Promoting active learning and higher order thinking with innovative flipped learning strategies and supporting systems. Interactive Learning Environments, 27(8), 991-994. https://doi.org/10.1080/10494820.2019.1667150
Jansen, T., & Möller, J. (2022). Teacher judgments in school exams: Influences of students’ lower-order-thinking skills on the assessment of students’ higher-order-thinking skills. Teaching and Teacher Education, 111, 103616. https://doi. org/10.1016/j.tate.2021.103616

Jeon, J., & Lee, S. (2023). Large language models in education: A focus on the complementary relationship between human teachers and ChatGPT. Education and Information Technologies. https://doi.org/10.1007/s10639-023-11834-1
Kasneci, E., Sessler, K., Küchemann, S., Bannert, M., Dementieva, D., Fischer, F., Gasser, U., Groh, G., Günnemann, S., Hüllermeier, E., Krusche, S., Kutyniok, G., Michaeli, T., Nerdel, C., Pfeffer, J., Poquet, O., Sailer, M., Schmidt, A., Seidel, T., Stadler, M., Kasneci, G. (2023). ChatGPT for good? On opportunities and challenges of large language models for education. Learning and Individual Differences, 103, 102274. https://doi.org/10.1016/j.lindif.2023.102274
Kohnke, L., Moorhouse, B. L., & Zou, D. (2023). ChatGPT for language teaching and learning. RELC Journal, 54(2), 537-550. https://doi.org/10.1177/00336882231162868
Krathwohl, D. R. (2002). A revision of Bloom’s taxonomy: An overview. Theory into Practice, 41(4), 212-218.
Kuo, Y.-R., Tuan, H.-L., & Chin, C.-C. (2020). The influence of inquiry-based teaching on male and female students’ motivation and engagement. Research in Science Education, 50(2), 549-572. https://doi.org/10.1007/s11165-018-9701-3
Labadze, L., Grigolia, M., & Machaidze, L. (2023). Role of AI chatbots in education: Systematic literature review. International Journal of Educational Technology in Higher Education, 20(1), 56. https://doi.org/10.1186/s41239-023-00426-1
Lee, H.-Y., Cheng, Y.-P., Wang, W.-S., Lin, C.-J., & Huang, Y.-M. (2023a). Exploring the learning process and effectiveness of STEM education via learning behavior analysis and the interactive-constructive-active-passive framework. Journal of Educational Computing Research, 61(5), 951-976. https://doi.org/10.1177/07356331221136888
Lee, H.-Y., Lin, C.-J., Wang, W.-S., Chang, W.-C., & Huang, Y.-M. (2023b). Precision education via timely intervention in K-12 computer programming course to enhance programming skill and affective-domain learning objectives. International Journal of STEM Education, 10(1), 52. https://doi.org/10.1186/s40594-023-00444-5
Lu, K., Pang, F., & Shadiev, R. (2021a). Understanding the mediating effect of learning approach between learning factors and higher order thinking skills in collaborative inquiry-based learning. Educational Technology Research and Development, 69(5), 2475-2492. https://doi.org/10.1007/s11423-021-10025-4
Lu, K., Yang, H. H., Shi, Y., & Wang, X. (2021b). Examining the key influencing factors on college students’ higher-order thinking skills in the smart classroom environment. International Journal of Educational Technology in Higher Education, 18(1), 1. https://doi.org/10.1186/s41239-020-00238-7
Mali, D., & Lim, H. (2021). How do students perceive face-to-face/blended learning as a result of the Covid-19 pandemic? The International Journal of Management Education, 19(3), 100552. https://doi.org/10.1016/j.ijme.2021.100552
Mamun, M. A. A., Lawrie, G., & Wright, T. (2020). Instructional design of scaffolded online learning modules for self-directed and inquiry-based learning environments. Computers & Education, 144, 103695. https://doi.org/10.1016/j.compedu.2019. 103695
Menon, D., & Azam, S. (2021). Investigating preservice teachers’ science teaching self-efficacy: An analysis of reflective practices. International Journal of Science and Mathematics Education, 19(8), 1587-1607. https://doi.org/10.1007/ s10763-020-10131-4
Montenegro-Rueda, M., Fernández-Cerero, J., Fernández-Batanero, J. M., & López-Meneses, E. (2023). Impact of the implementation of ChatGPT in education: A systematic review. Computers, 12(8), 153.
O’Riordan, T., Millard, D. E., & Schulz, J. (2021). Is critical thinking happening? Testing content analysis schemes applied to MOOC discussion forums. Computer Applications in Engineering Education, 29(4), 690-709. https://doi.org/10.1002/cae. 22314
Pedaste, M., Mäeots, M., Siiman, L. A., de Jong, T., van Riesen, S. A. N., Kamp, E. T., Manoli, C. C., Zacharia, Z. C., & Tsourlidaki, E. (2015). Phases of inquiry-based learning: Definitions and the inquiry cycle. Educational Research Review, 14, 47-61. https://doi.org/10.1016/j.edurev.2015.02.003
Phungsuk, R., Viriyavejakul, C., & Ratanaolarn, T. (2017). Development of a problem-based learning model via a virtual learning environment. Kasetsart Journal of Social Sciences, 38(3), 297-306. https://doi.org/10.1016/j.kjss.2017.01.001
Pintrich, P. R. (2000). Chapter 14—The role of goal orientation in self-regulated learning. In M. Boekaerts, P. R. Pintrich, & M. Zeidner (Eds.), Handbook of self-regulation (pp. 451-502). Academic Press.
project, T. J. (2023). jamovi. In https://www.jamovi.org/
Rabin, E., Henderikx, M., Yoram, M. K., & Kalz, M. (2020). What are the barriers to learners’ satisfaction in MOOCs and what predicts them? The role of age, intention, self-regulation, self-efficacy and motivation. Australasian Journal of Educational Technology, 36(3), 119-131.
Radford, A., Narasimhan, K., Salimans, T., & Sutskever, I. (2018). Improving language understanding by generative pre-training, https://s3-us-west-2.amazonaws.com/openai-assets/research-covers/language-unsupervised/language_understand ing_paper.pdf
Rasheed, R. A., Kamsin, A., & Abdullah, N. A. (2020). Challenges in the online component of blended learning: A systematic review. Computers & Education, 144, 103701. https://doi.org/10.1016/j.compedu.2019.103701
Salah Dogham, R., Elcokany, N. M., Saber Ghaly, A., Dawood, T. M. A., Aldakheel, F. M., Llaguno, M. B. B., & Mohsen, D. M. (2022). Self-directed learning readiness and online learning self-efficacy among undergraduate nursing students. International Journal of Africa Nursing Sciences, 17, 100490. https://doi.org/10.1016/j.jjans.2022.100490
Schraw, G., & Moshman, D. (1995). Metacognitive theories. Educational Psychology Review, 7(4), 351-371. https://doi.org/10. 1007/BF02212307
Snodin, N. S. (2013). The effects of blended learning with a CMS on the development of autonomous learning: A case study of different degrees of autonomy achieved by individual learners. Computers & Education, 61, 209-216. https://doi.org/ 10.1016/j.compedu.2012.10.004

Stanley, K. (2007). Design of randomized controlled trials. Circulation, 115(9), 1164-1169.
Stephen, J. S., Rockinson-Szapkiw, A. J., & Dubay, C. (2020). Persistence model of non-traditional online learners: Self-efficacy, self-regulation, and self-direction. American Journal of Distance Education, 34(4), 306-321. https://doi.org/10.1080/08923 647.2020.1745619

Sternberg, R. J. (2003). Wisdom, intelligence, and creativity synthesized. Cambridge University Press.
Stojanov, A. (2023). Learning with ChatGPT 3.5 as a more knowledgeable other: An autoethnographic study. International Journal of Educational Technology in Higher Education, 20(1), 35. https://doi.org/10.1186/s41239-023-00404-7

Stolberg, H. O., Norman, G., & Trop, I. (2004). Randomized controlled trials. AJR American Journal of Roentgenology, 183(6), 1539-1544.
Tawfik, A. A., Graesser, A., Gatewood, J., & Gishbaugher, J. (2020). Role of questions in inquiry-based instruction: Towards a design taxonomy for question-asking and implications for design. Educational Technology Research and Development, 68(2), 653-678. https://doi.org/10.1007/s11423-020-09738-9
Valentine, A., Belski, I., & Hamilton, M. (2017). Developing creativity and problem-solving skills of engineering students: A comparison of web- and pen-and-paper-based approaches. European Journal of Engineering Education, 42(6), 1309-1329. https://doi.org/10.1080/03043797.2017.1291584
van Kesteren, M. T. R., & Meeter, M. (2020). How to optimize knowledge construction in the brain. NPJ Science of Learning, 5(1), 5. https://doi.org/10.1038/s41539-020-0064-y

Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, L., & Polosukhin, I. (2017). Attention is all you need. Advances in neural information processing systems, 5998-6008.
Wang, M.-T., Fredricks, J. A., Ye, F., Hofkens, T. L., & Linn, J. S. (2016). The math and science engagement scales: Scale development, validation, and psychometric properties. Learning and Instruction, 43, 16-26. https://doi.org/10.1016/j.learninstruc. 2016.01.008

White, R., & Gunstone, R. (2014). Probing understanding. Routledge.
Wu, T.-T., Lee, H.-Y., Li, P.-H., Huang, C.-N., & Huang, Y.-M. (2023a). Promoting self-regulation progress and knowledge construction in blended learning via ChatGPT-based learning aid. Journal of Educational Computing Research. https://doi.org/10. 1177/07356331231191125
Wu, T.-T., Lee, H.-Y., Wang, W.-S., Lin, C.-J., & Huang, Y.-M. (2023b). Leveraging computer vision for adaptive learning in STEM education: Effect of engagement and self-efficacy. International Journal of Educational Technology in Higher Education, 20(1), 53. https://doi.org/10.1186/s41239-023-00422-5
Zhang, M., & Li, J. (2021). A commentary of GPT-3 in MIT Technology Review 2021. Fundamental Research, 1(6), 831-833. https://doi.org/10.1016/j.fmre.2021.11.011
Zhou, M., & Lam, K. K. L. (2019). Metacognitive scaffolding for online information search in K-12 and higher education settings: A systematic review. Educational Technology Research and Development, 67(6), 1353-1384. https://doi.org/10.1007/ s11423-019-09646-7
Zhu, M., Bonk, C. J., & Doo, M. Y. (2020). Self-directed learning in MOOCs: Exploring the relationships among motivation, selfmonitoring, and self-management. Educational Technology Research and Development, 68(5), 2073-2093. https://doi.org/ 10.1007/s11423-020-09747-8

Zimmerman, B. J. (1990). Self-regulated learning and academic achievement: An overview. Educational Psychologist, 25(1), 3-17.
Zimmerman, B. J. (2000). Chapter 2—Attaining self-regulation: A social cognitive perspective. In M. Boekaerts, P. R. Pintrich, & M. Zeidner (Eds.), Handbook of self-regulation (pp. 13-39). Academic Press. https://doi.org/10.1016/B978-012109890-2/ 50031-7
Zimmerman, B. J. (2008). Investigating self-regulation and motivation: Historical background, methodological developments, and future prospects. American Educational Research Journal, 45(1), 166-183. https://doi.org/10.3102/0002831207312909

تظل Springer Nature محايدة فيما يتعلق بالمطالبات القضائية في الخرائط المنشورة والانتماءات المؤسسية.
حصل هسين-يو لي على درجة البكالوريوس في قسم تطبيق التكنولوجيا وتطوير الموارد البشرية، جامعة تايوان الوطنية، تايوان، جمهورية الصين، في عام 2019، وحصل على درجة الماجستير في قسم علوم الهندسة، جامعة تشنغ كونغ الوطنية، تايوان، جمهورية الصين، في عام 2021. وهو حاليًا يسعى للحصول على درجة الدكتوراه في علوم الهندسة في جامعة تشنغ كونغ الوطنية، تايوان، جمهورية الصين. تشمل اهتماماته البحثية تكنولوجيا التعليم، وتحليل التعلم، ورؤية الكمبيوتر، والذكاء الاصطناعي.

حصل بي-هوا تشين على درجة البكالوريوس من قسم الصناعات الثقافية والإبداعية، جامعة تشين-ي الوطنية للتكنولوجيا، تايوان، جمهورية الصين، في عام 2023. وهي حاليًا تسعى للحصول على درجة الماجستير في علوم الهندسة في جامعة تشنغ كونغ الوطنية، تايوان. تشمل اهتماماته البحثية تكنولوجيا التعليم، والتفكير التصميمي، وتصميم واجهة المستخدم وتجربة المستخدم، والذكاء الاصطناعي.

حصل وي-شينغ وانغ على درجتي البكالوريوس والماجستير من قسم علوم الحاسوب وهندسة المعلومات، جامعة تشين-ي الوطنية للتكنولوجيا، تايوان، جمهورية الصين، في عامي 2018 و2020، على التوالي. وهو حاليًا يسعى للحصول على درجة الدكتوراه في علوم الهندسة في جامعة تشنغ كونغ الوطنية، تايوان.

حصل يوي-مين هوانغ على درجتي الماجستير والدكتوراه في الهندسة الكهربائية من جامعة أريزونا في عامي 1988 و1991 على التوالي. وهو أستاذ كرسي في قسم علوم الهندسة، جامعة تشنغ كونغ الوطنية، تايوان. لقد شارك في تأليف 3 كتب ونشر أكثر من 250 ورقة بحثية محكمة في المجلات. تشمل اهتماماته البحثية التعلم الإلكتروني، والاتصالات متعددة الوسائط، والشبكات اللاسلكية، والذكاء الاصطناعي. وهو في هيئة التحرير لعدة مجلات دولية في مجال تكنولوجيا التعليم، والاتصالات الحاسوبية، وذكاء الويب، بما في ذلك 3 مجلات مدرجة في SSCI في مجال التعلم الإلكتروني. في مجال التعلم الإلكتروني، باستثناء نشر أكثر من 100 مجلة مدرجة في SSCI.
الأبحاث وتحرير 3 قضايا خاصة في المجلات المفهرسة في SSCI، كان أيضًا يشغل منصب مدير تخصصات تعليم العلوم التطبيقية وتعليم الهندسة المبتكرة في وزارة العلوم والتكنولوجيا في تايوان. الدكتور هوانغ هو عضو كبير في IEEE وأصبح زميلًا في جمعية الكمبيوتر البريطانية في عام 2011. حصل الدكتور هوانغ على العديد من جوائز البحث، مثل جائزة تايوان الوطنية للبحث المتميز في عامي 2011 و2014، الممنوحة لأفضل 100 عالم في تايوان. وفقًا لورقة نشرت في BJET، يحتل المرتبة الثالثة عالميًا من حيث عدد أوراق تكنولوجيا التعليم المنشورة في الفترة من 2012 إلى 2017.

تينغ-تينغ وو أستاذة متميزة ومديرة كلية الدراسات العليا للتعليم التكنولوجي والمهني، جامعة يونلين الوطنية للعلوم والتكنولوجيا، تايوان. تغطي أبحاثها مجالات مثل تعلم اللغة المعزز بالتكنولوجيا وتطبيقات التكنولوجيا المتقدمة لدعم تعليم التمريض.

*Correspondence: huang@mail.ncku.edu.tw
Department of Engineering Science, National Cheng Kung University, No. 1, University Road, Tainan 701, Taiwan, ROC
Graduate School of Technological and Vocational Education, National Yunlin University of Science and Technology, Yunlin 640, Taiwan, ROC

Keywords: Higher education, Blended learning, Self-regulated learning, ChatGPT, Higher-order thinking skills, Knowledge construction

The onset of COVID-19 accelerated the adoption of blended learning in higher education, merging traditional and online teaching methodologies. This approach has been crucial in meeting the complex demands of university courses, ensuring educational continuity, facilitating access to resources, enabling virtual collaboration, and combining online and in-person problem-solving strategies (Mali & Lim, 2021; Menon & Azam, 2021). Moreover, blended learning emphasizes the importance of self-regulated learning (SRL), as proposed in model by Zimmerman (1990), essential for students in complex academic environments. Higher-order thinking skills (HOTS) are also vital, fostering critical analysis, idea synthesis, and innovative problem-solving, skills imperative in academia and professional practice (Hwang et al., 2019). However, the autonomous nature of blended learning can pose challenges in maintaining consistent teacher support, which may impact the development of students’ SRL and HOTS (Rasheed et al., 2020).

The introduction of ChatGPT by OpenAI in late 2022 has transformed the blended learning landscape. Incorporating ChatGPT offers both opportunities and challenges (Labadze et al., 2023). It provides immediate feedback and a plethora of information, enhancing learning efficiency and allowing for personalized educational paths (Stojanov, 2023; Wu et al., 2023a). Nevertheless, it could also foster a dependency that might impede the development of HOTS. The ease of accessing information and problemsolving assistance through tools like ChatGPT could discourage students from engaging in thorough thinking or independent problem-solving (Chan & Hu, 2023; Ding et al., 2023). White and Gunstone (2014) underscored the importance of prediction in knowledge acquisition, suggesting that learners should initially hypothesize and develop their own solutions and viewpoints, then validate their assumptions through observation and analysis.

Although ChatGPT’s capabilities have revolutionized pedagogical methods and learning dynamics at various educational levels, including higher education, the absence of structured guidelines may limit the development of HOTS, potentially affecting the efficacy of blended learning. To address this, this study introduces the guidance-based ChatGPT-assisted learning aid (GCLA), designed specifically for higher education. The GCLA requires students to articulate their initial thoughts and perspectives before consulting ChatGPT. Then, they iteratively refine their responses using ChatGPT’s feedback until a well-substantiated answer is developed. This approach promotes deeper engagement with the subject matter, thus enhancing knowledge construction and educational outcomes in higher education blended learning environments.

This study aims to tackle the critical issue of students’ excessive reliance on ChatGPT in higher education blended learning settings, and its impact on their SRL, HOTS, and knowledge construction. It also evaluates the effectiveness of the GCLA, as compared to traditional ChatGPT usage, in enhancing these aspects among learners. The study seeks to answer the following research questions:

Self-regulated learning (SRL) is a framework that empowers learners to autonomously steer their educational paths. Originally delineated by Zimmerman (1990), the SRL model is segmented into three pivotal phases: forethought, performance, and self-reflection. The first phase is the forethought phase, which is the earliest and most important phase in the learning process. Learners first analyze the learning task, set goals and develop methods to achieve them. During this process, learners often need to adjust their learning motivation to ensure they have enough motivation to complete the learning task. The second phase is the performance phase, which is the phase where learners actually engage in learning activities. Learners need to actively participate in learning activities, monitor and adjust their own learning behavior to ensure that they achieve the expected learning goals. The final phase is the self-reflection phase, which is the last phase in the learning process. Learners need to review and evaluate their own effectiveness and learning outcomes to gain more learning experience and knowledge (Pintrich, 2000; Zimmerman, 2008).

In blended learning environments, which integrate face-to-face and online instruction, learners are granted the autonomy to tailor their learning objectives and pace (Rasheed et al., 2020; Snodin, 2013). These environments are well-aligned with SRL, particularly facilitating the performance phase by providing opportunities for learners to practice and apply their strategies. Students adeptly navigate their learning journeys, employing the most suitable strategies and resources for their needs (Wu et al., 2023a). Within such settings, as noted by Rasheed et al. (2020), SRL necessitates significant self-discipline and initiative, especially online where learners choose their engagement levels-a dynamic essential for the self-reflection phase, as discussed by Hood et al. (2015) and grounded in Zimmerman (1990)’s work.

Motivation, deeply intertwined with the forethought phase, drives individuals to engage fully with the SRL process and reach their goals. This link between motivation and goal-setting is supported by a robust body of research highlighting motivation’s central role in self-regulation (Wu et al., 2023a; Zhu et al., 2020). Engagement, critical in the performance phase, stems from active involvement in learning tasks and is closely tied to the strategic application of learning techniques and interaction with educational content and peers. Research has shown that such engagement is vital in reinforcing SRL and educational dedication (Hershcovits et al., 2020; Wu et al., 2023a). Finally, self-efficacy, particularly relevant in the self-reflection phase, reflects one’s confidence in successfully completing learning tasks and is strongly correlated with self-regulatory skills and academic outcomes. This sense of self-efficacy fosters the ability to embrace challenges and navigate the self-regulatory process effectively, a stance that is widely recognized in academic literature (Salah Dogham et al., 2022; Wu et al., 2023a).

In summary, motivation, engagement, and self-efficacy are vital pillars of SRL, corresponding to its phases and collectively nurturing learner autonomy and proactive behavior. These factors not only amplify the learners’ intrinsic drive but also solidify their
learning proficiency, ensuring adept management of learning experiences within the rich contexts of blended learning environments.

In recent years, higher-order thinking skills (HOTS) have increasingly become a focal point in higher education on a global scale (Lu et al., 2021a, 2021b). The discourse in this sector has evolved to consider HOTS indispensable for navigating the complexities of modern society (Lu et al., 2021a, 2021b). These skills, which go beyond basic memory and comprehension, include advanced cognitive processes such as critical thinking, problem-solving, and creativity (Hwang et al., 2018).

In the realm of higher education, critical thinking is essential for students to objectively analyze and evaluate information, leading to informed decisions (Brookhart, 2010; Lu et al., 2021a, 2021b). This level of scrutiny encourages learners to not just passively accept information but to actively engage in questioning and appraising its validity and utility (Krathwohl, 2002).

Problem-solving, a key component of HOTS, is particularly relevant in higher education as it involves identifying complex issues, gathering and scrutinizing data, proposing potential solutions, and selecting the most effective ones (Hwang & Lai, 2017; Lu et al., 2021a, 2021b). In an evolving global landscape, the ability to address new and unprecedented challenges is paramount, equipping students for real-life and workplace scenarios where standard solutions may not apply.

Creativity, integral to HOTS, is championed in higher education as a means of thinking outside the norm and generating innovative, impactful ideas (Hwang & Lai, 2017; Lu et al., 2021a, 2021b). Encouraging creativity allows students to surpass conventional thinking, leading to flexible strategies in problem-solving and pioneering advances (Sternberg, 2003).

When these elements are integrated into the higher education experience, a rich and varied learning environment is created (Cheng et al., 2020). This not only nurtures the development of HOTS through educator and peer interaction but also promotes autonomous and personalized learning pathways (Chen et al., 2023; Jansen & Möller, 2022). Such integration is vital for preparing learners for the twenty-first century, emphasizing the importance of applying HOTS in everyday life and professional pursuits. Consequently, developing appropriate pedagogical approaches and tools to enhance higher-order thinking within the context of blended learning in higher education remains an area of significant interest and activity.

In recent years, the rapid evolution of large language models has profoundly influenced the domain of natural language processing (NLP). Foremost among these innovations, the Transformer model has surpassed earlier frameworks such as LSTM and RNN in prominence and efficacy (Vaswani et al., 2017). This pivotal shift catalyzed the development of notable pre-trained models like BERT (Ettinger, 2020) and GPT (Radford et al., 2018). In particular, GPT-3, with its unprecedented scale, set benchmarks by leveraging billions of parameters to capture intricate language nuances (Dale, 2021; Zhang & Li, 2021). Building on this foundation, GPT-3.5 introduced directive learning and

Reinforcement Learning from Human Feedback (RLHF) to further optimize model performance (Abramski et al., 2023; Wu et al., 2023a).

Built upon GPT-3.5, ChatGPT has been increasingly adopted within the educational sector. Investigations by Kasneci et al. (2023) elucidate how ChatGPT engenders engagement and fosters a more interactive learning paradigm. Moreover, Jeon and Lee (2023) scrutinized the synergy between ChatGPT and teachers, emphasizing their mutual complementarity in the educational arena and probing how ChatGPT might support teachers in classroom facilitation. Furthermore, the utility of ChatGPT extends to linguistic instruction, as illustrated by Kohnke et al. (2023). Its efficacy as a supplementary educational tool has been further underscored through self-assessment studies (Stojanov, 2023). Innovations like CILA, tailored for blended learning environments, harness the capabilities of ChatGPT to furnish students with precise, on-demand answers-a clear departure from the vast yet unspecific information of traditional search engines like Google (Wu et al., 2023a).

However, the unparalleled potential of ChatGPT in education is not without challenges (Adeshola & Adepoju, 2023). Prominent among these is the risk of students becoming overly reliant on its responses, which could potentially stifle their critical thinking and independent problem-solving acumen (Cooper, 2023). Such dependence could dilute the depth and richness of their educational experiences and compromise their acquisition of vital problem-solving techniques (Montenegro-Rueda et al., 2023). Consequently, it becomes imperative for educators to exercise prudence in integrating ChatGPT into curricula. Implementing comprehensive and pragmatic guidelines for its usage is essential to ensure that digital learning continues to evolve responsibly. With judicious management, Researchers can harness the full potential of ChatGPT while curtailing its potential pitfalls, fostering a robust, effective, and accountable educational landscape.

This study introduces GCLA, an innovative educational tool designed for blended learning environments, highlighting its potential applications and benefits. Birthed from a groundbreaking collaboration, it fuses ChatGPT’s vast response capabilities with the unparalleled connectivity of Apple’s Shortcuts. GCLA harnesses ChatGPT’s comprehensive knowledge to proficiently address a broad array of student inquiries. This is enhanced by its smooth integration with Apple’s Shortcuts, providing fluid interaction across all Apple devices and ensuring prompt, personalized responses. A key aspect of GCLA is its ‘learning log file,’ which records past inquiries to support reflective learning. Rather than giving direct answers, GCLA prompts students to formulate their own, offering insightful hints to aid problem-solving. This cultivates a deep engagement with the material, fostering HOTS. Figure 1 depicts the intricate workings of GCLA, showcasing its various components and their interconnections.

Figure 2 visually depicts the GCLA workflow, illustrating the interaction of learners with the tool. This study’s objective is to underscore the unique attributes and advantages of GCLA as a revolutionary tool in blended learning environments. It provides comprehensive insights into its functionalities and the potential to revolutionize educational paradigms.

The GCLA represents an innovative step in educational assistance, fostering a more interactive relationship between learners and technology. Unlike traditional tools that merely provide answers, GCLA prompts users to first articulate their own solutions through Apple’s Shortcuts. This method ensures active engagement with the subject matter, fostering deeper comprehension and enhancing HOTS. The GCLA service,

designed to run on Apple devices with iOS 12 or above, streamlines the learning process with automated workflows and personalized interactions.

Central to GCLA is Apple’s Shortcuts, a user-friendly platform that enables custom automation of tasks. The Shortcuts interface, illustrated in Fig. 3, allows learners to easily create workflows for a variety of functions, such as messaging, weather updates, or voice commands through Siri-Apple’s virtual assistant-all without needing extensive programming knowledge.

GCLA also incorporates the ChatGPT engine, specifically the “gpt-3.5-turbo-16 k” model, to manage queries. This study has set precise parameters for ChatGPT, detailed in Table 1. These settings include a 4000 max_tokens limit for detailed responses, a temperature of 0.6 for varied replies, and a presence_penalty of 0.2 to reduce repetition and promote novelty.

Learners wishing to use GCLA’s ChatGPT feature must obtain an authentication key from OpenAI’s official website. After registration, they can submit questions and their own proposed answers through the GCLA interface. This step is crucial as it compels the learner to engage with the content before receiving feedback. The input is processed by ChatGPT, which, once authenticated, provides customized guidance according to the preset parameters.

Additionally, GCLA includes a learning log file to record all questions and answers, supporting self-regulation and reflection. This log acts as a useful tool for revisiting material, aiding in concept recall and memory retention, and establishing a basis for post-class reflection. In essence, GCLA is an integrated learning solution that combines the adaptability of Apple’s Shortcuts with ChatGPT’s intelligent query processing, delivering a tool that not only demystifies complex learning but also considerably enriches the educational journey.

To demonstrate the practical application of GCLA (Guided Chemical Learning Assistant) and its response to reviewers’ inquiries, this example showcases a student utilizing GCLA in their study of chemical reactions. Confronted with an unsolvable problem, the student employed GCLA for guidance and to deepen their understanding. The problem was: “What is the balanced equation for the combustion of propane in oxygen ( ) to produce carbon dioxide ( ) and water ( )?” (refer to Fig. 4).

Upon accessing the GCLA application on their iPad, the student entered the problem and attempted an initial solution, drawing on prior knowledge. Their response was: ” ” (see Fig. 5).

Following this, GCLA processed the input and interfaced with the ChatGPT engine, subsequently presenting a hint: “Your answer is not correct. However, I will give you a hint on how…” (illustrated in Fig. 6).

Upon reviewing this hint, the student recognized the necessity of atom counting. They identified three carbon atoms, eight hydrogen atoms, and two oxygen atoms on the left, contrasted with one carbon atom, two hydrogen atoms, and three oxygen atoms on the right. Observing the disparity, the student revised their answer to: ” “.

Re-evaluating the oxygen atoms, the student noted an equal count of ten on both sides, affirming the accuracy of their revised answer. This was corroborated by the app, which displayed: “Your idea is correct! You have…” (refer to Fig. 7).

Through the feedback and hints from the GCLA app, the student not only resolved the problem but also engaged in reflective learning. By reviewing the learning log, which documented the problem, responses, and received guidance, the student assessed their learning process, pinpointed strengths and weaknesses, and set future objectives, such as tackling more complex problems and expanding their knowledge of various chemical reactions.

In May 2023, OpenAI launched a ChatGPT mobile application for both Android and iOS platforms, aiming to provide a seamless user experience for applying ChatGPT in addressing everyday challenges. However, due to the limited availability of GCLA (generative conversational language assistant) within the iOS ecosystem, this study will focus exclusively on the integration of ChatGPT with iOS. The user interface of this integration is illustrated in Fig. 8.

A notable feature presented at the top of the application allows users to toggle between the GPT-3.5 and GPT-4 models-the latter being accessible to those with an active subscription. Drawing a parallel to GCLA, this application endows learners with the flexibility to relay their inquiries either through textual or vocal input. It’s imperative to note that, due to the predominant use of GPT-3.5 among the masses and its utilization in GCLA’s developmental phase, this study predominantly leverages the GPT-3.5 iteration of ChatGPT on iOS. Upon query submission, the selected GPT model proffers an immediate response. This interactive mechanism mirrors that of GCLA, albeit with a distinction: GCLA mandates learners to offer their preliminary solutions post-question submission.

A randomized controlled trial (RCT) is a scientific study design that involves allocating participants into different groups using randomization (Stanley, 2007). This method is widely regarded as the ‘gold standard’ for evaluating the efficacy of new interventions or treatments. In an RCT, participants are randomly assigned to either a treatment group, which receives the intervention, or a control group, which receives a standard treatment or a placebo. This random allocation helps to minimize biases and ensures that the groups are comparable at the start of the study. The outcomes of these groups are then compared to determine the effectiveness of the intervention (Stolberg et al., 2004).

In this study, we employed an RCT to assess the impact of the GCLA on student performance in a blended learning environment. The study was conducted in a firstyear university chemistry course in southern Taiwan, involving 61 students, comprising 31 males and 30 females. These participants were randomly divided into two groups: the Treatment Group (TG), consisting of 16 males and 15 females, and the Control Group (CG), with 15 males and 15 females. The TG interacted with the GCLA, a tool developed for this study to enhance blended learning. Unlike the traditional ChatGPT, the GCLA does not provide direct answers but rather encourages students to propose their solutions first. It then offers guidance to promote critical thinking and the iterative improvement of their answers. In contrast, the CG used the standard ChatGPT application on iOS. To ensure consistency in terms of hardware, all students were provided with iPads for the duration of the experiment. Both groups were taught by the same instructor, used identical teaching materials, and were in the same learning environment. The only variable was the use of either GCLA or traditional ChatGPT. This experiment was seamlessly integrated into the existing chemistry curriculum without requiring additional courses or incentives. All participants were fully informed about the study’s objectives, methods, potential risks, and benefits through detailed consent forms. They were also assured that they could withdraw from the study at any time without any penalty or negative consequences.

The population of this study consisted of first-year undergraduate students enrolled in a chemistry course at a university in southern Taiwan. The course was a compulsory general education course for college of science students, regardless of their major. The course covered basic concepts and principles of chemistry, such as atomic structure, periodic table, chemical bonding, chemical reactions, and stoichiometry.

The sample size of this study was 61 students, which was determined by the availability of the participants and the feasibility of the experiment. The sampling technique used in this study was convenience sampling, which is a non-probability sampling method that selects participants based on their accessibility and willingness to participate (Creswell & Creswell, 2017). Convenience sampling was chosen because it was
the most practical and economical way to recruit participants for this study, given the time and resource constraints.

In this study, pre-tests, post-tests, and delayed tests were utilized to measure participants’ advancement in chemistry knowledge. Researchers utilized a multiple-choice questionnaire consisting of 20 items, each valued at 5 points. This questionnaire was developed collaboratively by two expert chemistry educators, both possessing over a decade of teaching experience. ‘Knowledge Construction’-as defined in this study-is based on the premise that individuals progressively enhance their understanding of a subject (van Kesteren & Meeter, 2020), evolving from simple information acquisition to in-depth comprehension through active cognitive engagement, leading to new insights that integrate with existing cognitive structures (Gan et al., 2020). The delayed test was particularly revealing regarding the long-term retention of knowledge. By administering pre-, post-, and delayed tests, Researchers can more accurately assess how learners acquire and retain chemistry knowledge, thus mapping the progression of their knowledge construction more clearly.

The higher-order thinking skills scale developed by Hwang et al. (2018) was utilized for a comprehensive assessment of higher-order thinking skills. This scale includes eleven items that correspond to three core dimensions: critical thinking, problem-solving, and creativity. Critical thinking involves reflective thinking and informed judgment-making, as defined by Hwang et al. (2018). Problem-solving focuses on the thorough gathering and analysis of information to overcome challenges effectively. The third dimension, creativity, highlights the ability to generate and develop new ideas. The importance of this instrument, built upon the framework by Hwang et al. (2018), is significant. It equips both researchers and educators with a powerful tool to explore and enhance individual competencies in these crucial domains.

The method proposed by Wu et al., (2023a) was applied to measure SRL, focusing on motivation, engagement, and self-efficacy-each aligning with the forethought, performance, and self-reflection phases of SRL, respectively. Wu et al., (2023a) underline the importance of sustaining motivation in the forethought phase (Pintrich, 2000; Zimmerman, 2000, 2008), actively engaging in the performance phase (Bernardo et al., 2022; Doo & Bonk, 2020), and enhancing self-efficacy during self-reflection (Rabin et al., 2020; Stephen et al., 2020). The Situational Motivation Scale (SIMS) by Guay et al. (2000) was employed, which differentiates motivation into intrinsic motivation, identified regulation, external regulation, and amotivation. Intrinsic motivation is driven by personal interest, identified regulation by a recognition of relevance, external regulation by rewards or pressures, and amotivation reflects a lack of motivation. For engagement, the Math and Science Engagement Scales proposed by Wang et al. (2016) was adapted, dividing engagement into cognitive, behavioral, and emotional aspects. Cognitive engagement involves self-regulation and strategy use, behavioral engagement involves participation and positive conduct, and emotional engagement involves positive feelings towards the educational environment. The New General Self-Efficacy Scale proposed by Chen et al. (2001) was adapted, defining self-efficacy as confidence in mobilizing resources to meet situational demands,
particularly in an academic context. The SRL scale, comprising three primary dimensions and nine sub-dimensions, uses a five-point Likert scale for responses. Its reliability and validity were confirmed in prior studies (Chen et al., 2001; Guay et al., 2000; Wang et al., 2016).

The reliability of the instruments used in this study were established through various methods. For the chemistry knowledge questionnaire, the content validity was ensured by the expert judgment of two experienced chemistry educators, who reviewed the items and provided feedback on their clarity, relevance, and difficulty. The reliability was assessed by calculating the Cronbach’s alpha coefficient, which yielded a value of 0.79 , indicating a significant level of internal consistency.

For the higher-order thinking skills scale, the content validity was based on the theoretical framework proposed by Hwang et al. (2018), which identified three core dimensions of higher-order thinking skills: critical thinking, problem-solving, and creativity. Following the translation into Chinese, a reliability analysis detailed was performed in Table 2. The reliability was measured by computing the Cronbach’s alpha coefficients for each dimension, which ranged from 0.72 to 0.81 , demonstrating a significant level of internal consistency.

For the self-regulated learning scale, the content validity was derived from the model of SRL proposed by Wu et al., (2023a), which aligned the three phases of SRL with three key factors: motivation, engagement, and self-efficacy. Following the translation into Chinese, a reliability analysis detailed was performed in Table 3. The reliability was evaluated by calculating the Cronbach’s alpha coefficients for each factor, which ranged from 0.75 to 0.88 , indicating a significant level of internal consistency.

To assess the impact of GCLA on students’ knowledge construction, self-regulated learning (SRL), and higher-order thinking skills (HOTS), this study employed a series of tests: pre-tests, post-tests, and delayed tests. These tests served as evaluative instruments. The pre-tests, conducted before the intervention, and the post-tests, administered immediately after the intervention, each had a duration of one hour. The delayed tests, taking place two weeks following the intervention, were 20 min long. All tests were conducted online using Google Forms.

The tests evaluating knowledge construction consisted of 20 multiple-choice questions, each worth 5 points, focusing on fundamental concepts and principles of chemistry, resulting in a total possible score of 100 points for each test. The format of the questions in the pre-tests, post-tests, and delayed tests remained consistent, with variations only in the questions, options, and numerical values in the questions.

The SRL assessment comprised 46 items across three domains: motivation (20 items), engagement ( 18 items), and self-efficacy ( 8 items). These items were adapted from Wu et al., (2023a) framework, integrating scales developed by Guay et al. (2000), Wang et al. (2016), and Chen et al. (2001). Responses were recorded on a five-point Likert scale, ranging from 1 (strongly disagree) to 5 (strongly agree).

The HOTS assessment included 11 items, aligned with three dimensions: critical thinking, problem-solving, and creativity, adapted from the scale developed by Hwang et al. (2018). Responses were also recorded using a five-point Likert scale.

The instruction methodology was based on the self-regulated learning (SRL) model proposed by Zimmerman (1990), which consists of three phases: forethought, performance, and self-reflection. The course involved learners in three-hour weekly classes for ten weeks, following the SRL framework as shown in Fig. 5.

The instructor covered core chemistry concepts and conducted a pre-test to evaluate learners’ preliminary understanding. Learners established goals like mastering the periodic table and chemical bonding, coordinating these with their other duties.

Learners dedicated these weeks to achieving their academic objectives, utilizing online tools and resources. Concurrently, weekly three-hour in-person classes promoted teamwork in problem-solving and permitted real-time learning strategy modifications.

Learners appraised the knowledge gained throughout the course. A post-test assessed their comprehension, alongside a survey examining their SRL, HOTS, and chemistry knowledge. A delayed test in Week 15 was designed to evaluate the persistence of their acquired knowledge. The combined results of the pre-test, post-test,

and delayed test will provide a comprehensive measure of the learners’ knowledge construction. Figure 9 details the entire experimental protocol.

The TG used GCLA to navigate the performance phase’s challenges, with learning logs aiding Week 10’s reflective activities. Conversely, the CG addressed problems
using ChatGPT on iOS during the same phase and relied on memory for reflective tasks in the final week. Table 4 delineates the variations in SRL dynamics between the TG and CG throughout the study’s duration.

The variables in this study included the independent variable, the dependent variables, and the covariates. The independent variable was the type of learning tool used by the students: GCLA or ChatGPT. The dependent variables were the students’ scores on the SRL, HOTS, and chemistry knowledge tests. The covariates were the students’ scores on the pre-tests, which were used to control for the initial differences between the groups.

The methods of analysis and statistical tools used in this study were as follows:

To investigate the potential impact of introducing GCLA on students’ SRL in a blended learning setting, Analysis of Covariance (ANCOVA) was employed in this study. The SRL scores from the pre-tests as covariates and considered the post-test SRL scores as the dependent variables. Prior to the main analysis, The assumption of homogeneity of variances using Levene’s test was confirmed. The results are outlined in Table 5. As seen in Table 5, all sub-dimensions of SRL have p -values exceeding 0.05 . These findings underline the validity of the variance equality assumption and confirm the appropriateness of using ANCOVA for the analysis.

Tables 6 and 7 respectively present the descriptive statistics and ANCOVA analysis results for SRL. As evidenced in Table 7, statistically significant differences were observed in intrinsic motivation, amotivation, cognitive engagement, behavioral engagement, and self-efficacy. From the descriptive statistics in Table 6, it can be discerned that the CG notably outperformed the TG in terms of intrinsic motivation ( ) and amotivation ( , this being an adverse indicator). Conversely, the TG surpassed the CG in cognitive engagement ( ), behavioral engagement ( ), and self-efficacy ( ). Thus, in addressing Research Question 1, while the introduction of GCLA may not bolster students’ motivational aspect in SRL (Forethought phase), it does indeed foster positive effects on their engagement level (Performance phase) and self-efficacy (Selfreflection phase).

Bold values represent significant difference

Bold values represent significant difference

To investigate the potential impact of introducing GCLA on students’ HOTS in a blended learning setting, ANCOVA was employed in this study. The HOTS scores from the pre-tests as covariates and considered the post-test HOTS scores as the dependent variables. Prior to the main analysis, The assumption of homogeneity of variances using Levene’s test was confirmed. The results are outlined in Table 8. As seen in Table 8, all dimensions of HOTS have p -values exceeding 0.05 . These findings underline the validity of the variance equality assumption and confirm the appropriateness of using ANCOVA for the analysis.

Tables 9 and 10 provide the descriptive statistics and ANCOVA analysis results for HOTS, respectively. As seen in Table 10, there were statistically significant differences in the dimension of critical thinking, problem-solving, and creativity. From the descriptive statistics in Table 9, it can be discerned that the TG notably outperformed the CG in terms of critical thinking ( ), problem-solving ( ), and creativity ( ). Thus, in addressing the research question 2, the introduction of GCLA can be deduced to enhance the HOTS of learners, manifesting in significant improvements in critical thinking, problem-solving, and creativity.

To gauge learners’ knowledge construction within a blended learning environment, chemistry comprehension was assessed at three distinct intervals: a pre-test (prior to experimental activity), a post-test (following the experimental activity), and a delayed test (two weeks post-experimental activity). Two ANCOVAs were employed to discern variations in knowledge over these time frames, thereby evaluating students’ knowledge construction. The initial ANCOVA treated post-test scores as the dependent variable, with pre-test scores serving as the covariate. This was to discern

the disparity in chemistry understanding between the TG and CG subsequent to the experimental intervention. The subsequent ANCOVA utilized delayed test scores as the dependent variable and post-test scores as the covariate, aiming to gauge the retention of knowledge after a two-week span. Prior to the ANCOVA implementation, the Levene’s test was executed to confirm the homogeneity of variances, with the results delineated in Table 11. As evident from Table 11, both post-test and delayed test yielded p -values surpassing 0.05 , reinforcing the validity of the equal variance assumption and solidifying the justification for ANCOVA in the assessment.

To ensure that there were no initial differences in learners’ prior knowledge, the study initially conducted an ANOVA on the pre-test scores for chemistry knowledge. The results indicated no significant relationship between the TG and the CG in the pre-test scores ( ). This suggests that there were no significant differences in prior knowledge between the two groups at the onset of the study. Such a finding is crucial as it establishes a baseline equivalence between the TG and CG, thereby allowing for a more accurate assessment of the GCLA intervention’s impact on chemistry comprehension and knowledge retention.

Tables 12 and 13 present the descriptive statistics for the pre-test, post-test, and delayed post-test, along with the outcomes of two distinct ANCOVAs. As elucidated in Table 13, noteworthy statistical discrepancies exist between the TG and the CG concerning both post-test and delayed test scores. A closer analysis of Table 12 distinctly showcases that the scores attained by the TG in both the post-test ( )

and delayed test ( ) substantially surpass those of the CG. Addressing the research question 3, the GCLA intervention markedly enhances learners’ comprehension of chemistry and the subsequent retention of this knowledge. Consequently, it’s plausible to deduce that GCLA plays a pivotal role in augmenting learners’ knowledge construction.

SRL, fundamental to blended learning, plays a crucial role in higher education, where hybrid models are increasingly prevalent. Zimmerman (1990) articulated SRL’s phases as Forethought, Performance, and Self-Reflection. Wu et al. (2023a) explored these stages within the context of higher education, evaluating their impact on motivation, engagement, and self-efficacy. The investigation, aligning with these scholarly works, specifically examines the differential effects of GCLA versus traditional ChatGPT on SRL among higher education students, as Table 6 and 7 illustrate. The data shows that those utilizing GCLA exhibited greater cognitive and behavioral engagement, alongside heightened self-efficacy, compared to peers using ChatGPT.

In the realm of higher education, where independent critical thinking is paramount, GCLA’s design, which necessitates that students engage thoughtfully with content prior to receiving answers, proved advantageous. This strategy encourages the deployment of advanced cognitive strategies and the swift integration of complex concepts, key in fostering cognitive engagement at this level. This methodology is supported by the “Probing understanding” concept advocated by White and Gunstone (2014) and the inquiry-based framework proposed by Pedaste et al. (2015). Such an approach is particularly effective in higher education, as confirmed by Al Mamun and Lawrie (2023) and Mamun et al. (2020), and aligns with GCLA’s problem-solving orientation.

Enhanced behavioral engagement with GCLA is also critical in higher education settings. The platform’s design requires more intensive student interaction, reflecting the “learning-by-doing” pedagogy that is vital in higher learning environments. Students in these settings must not only understand theoretical concepts but also apply them in practical scenarios (Lee et al., 2023a, 2023b; Lee et al., 2023a, 2023b; Wu et al., 2023b). This is consistent with the findings of Dellatola et al. (2020) and Kuo et al. (2020), who reported that active engagement practices, such as collaborative problem-solving and peer feedback, improved students’ learning outcomes and satisfaction in blended learning courses. Therefore, GCLA can be seen as a valuable tool to facilitate such practices and enhance students’ behavioral engagement.

Furthermore, GCLA’s record-keeping feature improves self-efficacy among higher education learners by enabling them to monitor their queries and reflect on their learning journey. This reflective practice is vital for students to develop confidence in their academic abilities, which is especially important in higher education where learners are expected to take greater ownership of their learning (Hsia & Hwang, 2020; Menon & Azam, 2021).

However, in terms of intrinsic motivation and amotivation, traditional ChatGPT holds a slight edge, particularly in higher education contexts. Its ability to provide immediate feedback seems to foster motivation and stave off feelings of helplessness, underscoring
the impact of timely support on student motivation-a critical factor for student success in higher education, as emphasized by Wu et al. (2023a).

The increasing acknowledgment of HOTS as indispensable for success in the twentyfirst century has been a prominent theme in the field of higher education research (Conklin, 2011). In stark contrast to the passive nature of traditional lecture-based instruction prevalent in higher education, blended learning paradigms afford students a high level of autonomy (Snodin, 2013). This shift necessitates a more deliberate focus on cultivating advanced cognitive skills that enable students to critically analyze educational content, appraise their learning journeys, and craft tailored learning plans. Evidence from Tables 9 and 10 reinforces that GCLA developed in this study notably advances HOTS within higher education’s blended learning frameworks, specifically targeting critical thinking, problem-solving, and creativity.

In terms of critical thinking within the higher education context, GCLA systematically provides hints rather than outright solutions, prompting students to iteratively refine their reasoning to reach the correct conclusion. This approach aligns with the dialogic and inquiry-based models that are becoming increasingly prevalent in higher education pedagogy (Al Mamun & Lawrie, 2023; Kuo et al., 2020). It encourages a deeper engagement with material, thus leading students in the TG to develop more robust critical thinking skills than their counterparts in the CG. These findings dovetail with multiple studies that emphasize the importance of discussion-based learning in fostering critical thinking within higher education settings (Al-Husban, 2020; Giacumo & Savenye, 2020; O’Riordan et al., 2021).

When addressing problem-solving abilities, GCLA’s structured hinting mechanism compels students to actively engage with problems, reflecting on and revising their approaches. This is particularly valuable in the higher education landscape, where problem-solving is a key learning outcome. The technique employed by GCLA mimics the iterative process fundamental to Problem-Based Learning (PBL), a method well-established and valued in higher education for its efficacy in cultivating prob-lem-solving prowess (Aslan, 2021; Phungsuk et al., 2017; Valentine et al., 2017).

Lastly, regarding creativity, a skill increasingly sought after in higher education graduates, GCLA’s methodology nurtures this by offering hints that encourage a multiplicity of perspectives. This contrasts with the more deterministic approach of traditional ChatGPT, fostering a learning environment in higher education where students are prompted to think divergently and conceive innovative solutions. The potential for GCLA to stimulate more creative outcomes is in line with research advocating for the role of brainstorming and creative thinking in higher education (Göçmen & Coşkun, 2022; Gong et al., 2022).

Knowledge construction is fundamental in higher education, where evaluating students’ learning outcomes is paramount. This study employed a multi-stage assessment approach comprising pre-tests, post-tests, and delayed tests to track students’
knowledge acquisition in higher education settings. As delineated in Tables 12 and 13, higher education learners using the GCLA displayed superior performance in both post-test and delayed test evaluations when compared to peers using conventional ChatGPT tools.

The GCLA framework insists that learners in higher education contexts propose their own responses before receiving any assistance, offering hints instead of outright answers. This process promotes active engagement and allows students to develop, assess, and hone their problem-solving techniques, leading to more effective learning and review. This is a practical application of metacognitive strategies which are particularly relevant in the context of higher education (Schraw & Moshman, 1995). Moreover, by expressing their initial reasoning and iteratively refining their understanding, students experience a form of inquiry-based learning that is pivotal for higher education (Pedaste et al., 2015; White & Gunstone, 2014). The enhancement in knowledge construction and retention within the higher education cohort using GCLA is further substantiated by existing research on the benefits of metacognitive and inquiry-based learning strategies (Carvalho & Santos, 2022; Tawfik et al., 2020; Zhou & Lam, 2019).

This study has several implications for both theory and practice in the field of education.

This study contributes to the existing literature on the use of ChatGPT in education, especially in blended learning environments. It introduces the GCLA, a novel approach that modifies the use of ChatGPT by providing guidance rather than direct answers, and evaluates its impact on students’ SRL, HOTS, and knowledge construction. The findings reveal that the GCLA enhances these aspects compared to traditional ChatGPT use, demonstrating the potential of ChatGPT-based tools to foster essential skills such as self-regulation and higher-order thinking. Furthermore, this study offers insights into the more effective use of ChatGPT in education, highlighting the importance of encouraging students to attempt problem-solving independently before seeking ChatGPT assistance, and providing feedback through hints rather than solutions. These insights can inform the design and development of future ChatGPT-based educational tools and interventions.

This study also has practical implications for educators and learners in higher education, particularly in blended learning settings. It suggests that the GCLA can be a valuable tool to supplement blended learning, as it can provide timely and personalized guidance to students, enhance their engagement and self-efficacy, and improve their learning outcomes. The GCLA can also support educators in facilitating blended learning, as it can reduce their workload in providing feedback and assistance, and allow them to monitor
students’ progress and performance through the learning log file. Moreover, the GCLA can be easily integrated into existing blended learning platforms and curricula, as it is compatible with Apple devices and can be customized according to different learning objectives and contexts.

This study aimed to address the issue of students’ excessive reliance on ChatGPT in higher education blended learning settings, and its impact on their SRL, HOTS, and knowledge construction. It also evaluated the effectiveness of the GCLA, a guidancebased ChatGPT-assisted learning aid, compared to traditional ChatGPT use, in enhancing these aspects among learners. The study involved 61 undergraduate students from a university in Taiwan, who were randomly assigned to either the treatment group (TG) or the control group (CG). The TG used the GCLA, while the CG used the traditional ChatGPT application on iOS, to assist their learning in a foundational chemistry course within a blended learning setting. The study employed a Randomized Controlled Trial (RCT) and used pre-tests, post-tests, delayed tests, and surveys to measure the impact of the GCLA on students’ SRL, HOTS, and knowledge construction.

The results showed that the GCLA had a significant positive effect on students’ cognitive and behavioral engagement, self-efficacy, critical thinking, problem-solving, creativity, and knowledge construction, compared to traditional ChatGPT use. However, the GCLA did not have a significant effect on students’ intrinsic motivation and amotivation, which were higher in the CG than in the EG. These results suggest that the GCLA can effectively enhance students’ learning experiences and outcomes in blended learning environments, by providing guidance rather than answers, and fostering an environment conducive to the development of SRL and HOTS. The results also indicate that the GCLA can help students overcome the challenges of blended learning, such as maintaining consistent teacher support, managing learning autonomy, and engaging in complex academic tasks.

This study has several limitations that should be acknowledged and addressed in future research. First, the sample size of this study was relatively small, and the participants were from a single university in Taiwan. Therefore, the generalizability of the findings may be limited, and further studies with larger and more diverse samples are needed to validate the results. Second, the study only focused on one subject area, namely chemistry, and one blended learning setting. Thus, the applicability of the GCLA to other subject areas and learning settings may vary, and more studies are needed to explore the effects of the GCLA in different domains and contexts. Third, the study only measured the short-term and medium-term effects of the GCLA on students’ learning, using posttests and delayed tests. The long-term effects of the GCLA on students’ learning, such as retention, transfer, and application of knowledge and skills, were not assessed, and future studies should include more longitudinal measures to evaluate the lasting impact of the GCLA.

Based on the findings and limitations of this study, several directions for future research can be suggested. First, future studies can extend the scope of this study by investigating the effects of the GCLA on other aspects of students’ learning, such as motivation, interest, satisfaction, and attitude. These aspects are also important for students’ learning success and well-being, and can provide a more comprehensive picture of the impact of the GCLA. Second, future studies can explore the underlying mechanisms and factors that mediate or moderate the effects of the GCLA on students’ learning. For example, how does the GCLA influence students’ cognitive processes, metacognitive strategies, and affective states? How do students’ prior knowledge, learning styles, and preferences affect their use and perception of the GCLA? These questions can help to explain the reasons and conditions for the effectiveness of the GCLA, and provide more insights for its improvement and optimization. Third, future studies can compare the GCLA with other ChatGPT-based tools or interventions, such as those that provide different types or levels of feedback, scaffolding, or personalization. These comparisons can help to identify the strengths and weaknesses of the GCLA, and provide more evidence for its relative advantages and disadvantages.

We are extremely grateful to the research assistants and students who participated in this study.

is the leader of this research, he is in charge of the research design, conducting teaching and learning experiment, data analysis. P-HC is responsible for assisting in the conduct of experiments and surveying related literature. W-SW is responsible for assisting in the conduct of experiments. Y-MH is responsible for designing research experiments, providing fundamental education theories and comments to this research, and he is also responsible for revising the manuscript. All authors spent more than 2 months to discuss and analyze the data. The author(s) read and approved the final manuscript. T-TW is responsible for assisting in the conduct of experiments and surveying related literature and proofreading the manuscript.

This project was funded by the National Science and Technology Council (NSTC), of the Republic of China under Contract numbers NSTC 110-2511-H-006-008-MY3, NSTC 112-2410-H-006-053-MY3.

The datasets used or analyzed during the current study are available from the corresponding author on reasonable request.

The authors declare that they have no known competing financial interests or personal relationships that could have appeared to influence the work reported in this paper.

Received: 8 November 2023 Accepted: 9 February 2024
Published online: 04 March 2024

Abramski, K., Citraro, S., Lombardi, L., Rossetti, G., & Stella, M. (2023). Cognitive network science reveals bias in GPT-3, GPT3.5 Turbo, and GPT-4 mirroring math anxiety in high-school students. Big Data and Cognitive Computing, 7(3), 124. https://doi.org/10.3390/bdcc7030124
Adeshola, I., & Adepoju, A. P. (2023). The opportunities and challenges of ChatGPT in education. Interactive Learning Environments. https://doi.org/10.1080/10494820.2023.2253858
Al-Husban, N. A. (2020). Critical thinking skills in asynchronous discussion forums: A case study. International Journal of Technology in Education, 3(2), 82-91.
Al Mamun, M. A., & Lawrie, G. (2023). Student-content interactions: Exploring behavioural engagement with selfregulated inquiry-based online learning modules. Smart Learning Environments, 10(1), 1. https://doi.org/10.1186/ s40561-022-00221-x

Aslan, A. (2021). Problem- based learning in live online classes: Learning achievement, problem-solving skill, communication skill, and interaction. Computers & Education, 171, 104237. https://doi.org/10.1016/j.compedu.2021.104237
Bernardo, A. B., Galve-González, C., Núñez, J. C., & Almeida, L. S. (2022). A path model of university dropout predictors: The role of satisfaction, the use of self-regulation learning strategies and students’ engagement. Sustainability. https:// doi.org/10.3390/su14031057
Brookhart, S. M. (2010). How to assess higher-order thinking skills in your classroom. Ascd.
Carvalho, A. R., & Santos, C. (2022). Developing peer mentors’ collaborative and metacognitive skills with a technologyenhanced peer learning program. Computers and Education Open, 3, 100070. https://doi.org/10.1016/j.caeo.2021. 100070
Chan, C. K. Y., & Hu, W. (2023). Students’ voices on generative AI: Perceptions, benefits, and challenges in higher education. International Journal of Educational Technology in Higher Education, 20(1), 43. https://doi.org/10.1186/ s41239-023-00411-8
Chen, G., Gully, S. M., & Eden, D. (2001). Validation of a new general self-efficacy scale. Organizational Research Methods, 4(1), 62-83. https://doi.org/10.1177/109442810141004
Chen, T., Luo, H., Feng, Q., & Li, G. (2023). Effect of technology acceptance on blended learning satisfaction: The serial mediation of emotional experience, social belonging, and higher-order thinking. International Journal of Environmental Research and Public Health, 20(5), 4442.
Cheng, S.-C., Hwang, G.-J., & Lai, C.-L. (2020). Effects of the group leadership promotion approach on students’ higher order thinking awareness and online interactive behavioral patterns in a blended learning environment. Interactive Learning Environments, 28(2), 246-263. https://doi.org/10.1080/10494820.2019.1636075
Conklin, W. (2011). Higher-order thinking skills to develop 21st century learners. Teacher Created Materials.
Cooper, G. (2023). Examining science education in ChatGPT: An exploratory study of generative artificial intelligence. Journal of Science Education and Technology, 32(3), 444-452. https://doi.org/10.1007/s10956-023-10039-y
Creswell, J. W., & Creswell, J. D. (2017). Research design: Qualitative, quantitative, and mixed methods approaches. Sage publications.
Dale, R. (2021). GPT-3: What’s it good for? Natural Language Engineering, 27(1), 113-118.
Dellatola, E., Daradoumis, T., & Dimitriadis, Y. (2020). Exploring students’ engagement within a collaborative inquiry-based language learning activity in a blended environment. In S. Yu, M. Ally, & A. Tsinakos (Eds.), Emerging technologies and pedagogies in the curriculum (pp. 355-375). Springer Singapore. https://doi.org/10.1007/978-981-15-0618-5_21
Ding, L., Li, T., Jiang, S., & Gapud, A. (2023). Students’ perceptions of using ChatGPT in a physics class as a virtual tutor. International Journal of Educational Technology in Higher Education, 20(1), 63. https://doi.org/10.1186/ s41239-023-00434-1
Doo, M. Y., & Bonk, C. J. (2020). The effects of self-efficacy, self-regulation and social presence on learning engagement in a large university class using flipped Learning. Journal of Computer Assisted Learning, 36(6), 997-1010. https://doi. org/10.1111/jcal. 12455
Ettinger, A. (2020). What BERT is not: Lessons from a new suite of psycholinguistic diagnostics for language models. Transactions of the Association for Computational Linguistics, 8, 34-48. https://doi.org/10.1162/tacl_a_00298
Gan, W., Sun, Y., Peng, X., & Sun, Y. (2020). Modeling learner’s dynamic knowledge construction procedure and cognitive item difficulty for knowledge tracing. Applied Intelligence, 50(11), 3894-3912. https://doi.org/10.1007/ s10489-020-01756-7
Giacumo, L. A., & Savenye, W. (2020). Asynchronous discussion forum design to support cognition: Effects of rubrics and instructor prompts on learner’s critical thinking, achievement, and satisfaction. Educational Technology Research and Development, 68(1), 37-66. https://doi.org/10.1007/s11423-019-09664-5
Göçmen, Ö., & Coşkun, H. (2022). Do De Bono’s green hat and green-red combination increase creativity in brainstorming on individuals and dyads? Thinking Skills and Creativity, 46, 101185. https://doi.org/10.1016/j.tsc.2022.101185
Gong, Z., Lee, L.-H., Soomro, S. A., Nanjappan, V., & Georgiev, G. V. (2022). A systematic review of virtual brainstorming from the perspective of creativity: Affordances, framework, and outlook. Digital Creativity, 33(2), 96-127. https://doi. org/10.1080/14626268.2022.2064879
Guay, F., Vallerand, R. J., & Blanchard, C. (2000). On the assessment of situational intrinsic and extrinsic motivation: The Situational Motivation Scale (SIMS). Motivation and Emotion, 24(3), 175-213. https://doi.org/10.1023/A:1005614228 250
Hershcovits, H., Vilenchik, D., & Gal, K. (2020). Modeling engagement in self-directed learning systems using principal component analysis. IEEE Transactions on Learning Technologies, 13(1), 164-171. https://doi.org/10.1109/TLT.2019. 2922902
Hood, N., Littlejohn, A., & Milligan, C. (2015). Context counts: How learners’ contexts influence learning in a MOOC. Computers & Education, 91, 83-91. https://doi.org/10.1016/j.compedu.2015.10.019
Hsia, L.-H., & Hwang, G.-J. (2020). From reflective thinking to learning engagement awareness: A reflective thinking promoting approach to improve students’ dance performance, self-efficacy and task load in flipped learning. British Journal of Educational Technology, 51(6), 2461-2477. https://doi.org/10.1111/bjet. 12911
Hwang, G.-J., & Lai, C.-L. (2017). Facilitating and bridging out-of-class and in-class learning: An interactive e-book-based flipped learning approach for math courses. Journal of Educational Technology & Society, 20(1), 184-197.
Hwang, G.-J., Lai, C.-L., Liang, J.-C., Chu, H.-C., & Tsai, C.-C. (2018). A long-term experiment to investigate the relationships between high school students’ perceptions of mobile learning and peer interaction and higher-order thinking tendencies. Educational Technology Research and Development, 66(1), 75-93. https://doi.org/10.1007/s11423-017-9540-3
Hwang, G.-J., Yin, C., & Chu, H.-C. (2019). The era of flipped learning: Promoting active learning and higher order thinking with innovative flipped learning strategies and supporting systems. Interactive Learning Environments, 27(8), 991-994. https://doi.org/10.1080/10494820.2019.1667150
Jansen, T., & Möller, J. (2022). Teacher judgments in school exams: Influences of students’ lower-order-thinking skills on the assessment of students’ higher-order-thinking skills. Teaching and Teacher Education, 111, 103616. https://doi. org/10.1016/j.tate.2021.103616

Jeon, J., & Lee, S. (2023). Large language models in education: A focus on the complementary relationship between human teachers and ChatGPT. Education and Information Technologies. https://doi.org/10.1007/s10639-023-11834-1
Kasneci, E., Sessler, K., Küchemann, S., Bannert, M., Dementieva, D., Fischer, F., Gasser, U., Groh, G., Günnemann, S., Hüllermeier, E., Krusche, S., Kutyniok, G., Michaeli, T., Nerdel, C., Pfeffer, J., Poquet, O., Sailer, M., Schmidt, A., Seidel, T., Stadler, M., Kasneci, G. (2023). ChatGPT for good? On opportunities and challenges of large language models for education. Learning and Individual Differences, 103, 102274. https://doi.org/10.1016/j.lindif.2023.102274
Kohnke, L., Moorhouse, B. L., & Zou, D. (2023). ChatGPT for language teaching and learning. RELC Journal, 54(2), 537-550. https://doi.org/10.1177/00336882231162868
Krathwohl, D. R. (2002). A revision of Bloom’s taxonomy: An overview. Theory into Practice, 41(4), 212-218.
Kuo, Y.-R., Tuan, H.-L., & Chin, C.-C. (2020). The influence of inquiry-based teaching on male and female students’ motivation and engagement. Research in Science Education, 50(2), 549-572. https://doi.org/10.1007/s11165-018-9701-3
Labadze, L., Grigolia, M., & Machaidze, L. (2023). Role of AI chatbots in education: Systematic literature review. International Journal of Educational Technology in Higher Education, 20(1), 56. https://doi.org/10.1186/s41239-023-00426-1
Lee, H.-Y., Cheng, Y.-P., Wang, W.-S., Lin, C.-J., & Huang, Y.-M. (2023a). Exploring the learning process and effectiveness of STEM education via learning behavior analysis and the interactive-constructive-active-passive framework. Journal of Educational Computing Research, 61(5), 951-976. https://doi.org/10.1177/07356331221136888
Lee, H.-Y., Lin, C.-J., Wang, W.-S., Chang, W.-C., & Huang, Y.-M. (2023b). Precision education via timely intervention in K-12 computer programming course to enhance programming skill and affective-domain learning objectives. International Journal of STEM Education, 10(1), 52. https://doi.org/10.1186/s40594-023-00444-5
Lu, K., Pang, F., & Shadiev, R. (2021a). Understanding the mediating effect of learning approach between learning factors and higher order thinking skills in collaborative inquiry-based learning. Educational Technology Research and Development, 69(5), 2475-2492. https://doi.org/10.1007/s11423-021-10025-4
Lu, K., Yang, H. H., Shi, Y., & Wang, X. (2021b). Examining the key influencing factors on college students’ higher-order thinking skills in the smart classroom environment. International Journal of Educational Technology in Higher Education, 18(1), 1. https://doi.org/10.1186/s41239-020-00238-7
Mali, D., & Lim, H. (2021). How do students perceive face-to-face/blended learning as a result of the Covid-19 pandemic? The International Journal of Management Education, 19(3), 100552. https://doi.org/10.1016/j.ijme.2021.100552
Mamun, M. A. A., Lawrie, G., & Wright, T. (2020). Instructional design of scaffolded online learning modules for self-directed and inquiry-based learning environments. Computers & Education, 144, 103695. https://doi.org/10.1016/j.compedu.2019. 103695
Menon, D., & Azam, S. (2021). Investigating preservice teachers’ science teaching self-efficacy: An analysis of reflective practices. International Journal of Science and Mathematics Education, 19(8), 1587-1607. https://doi.org/10.1007/ s10763-020-10131-4
Montenegro-Rueda, M., Fernández-Cerero, J., Fernández-Batanero, J. M., & López-Meneses, E. (2023). Impact of the implementation of ChatGPT in education: A systematic review. Computers, 12(8), 153.
O’Riordan, T., Millard, D. E., & Schulz, J. (2021). Is critical thinking happening? Testing content analysis schemes applied to MOOC discussion forums. Computer Applications in Engineering Education, 29(4), 690-709. https://doi.org/10.1002/cae. 22314
Pedaste, M., Mäeots, M., Siiman, L. A., de Jong, T., van Riesen, S. A. N., Kamp, E. T., Manoli, C. C., Zacharia, Z. C., & Tsourlidaki, E. (2015). Phases of inquiry-based learning: Definitions and the inquiry cycle. Educational Research Review, 14, 47-61. https://doi.org/10.1016/j.edurev.2015.02.003
Phungsuk, R., Viriyavejakul, C., & Ratanaolarn, T. (2017). Development of a problem-based learning model via a virtual learning environment. Kasetsart Journal of Social Sciences, 38(3), 297-306. https://doi.org/10.1016/j.kjss.2017.01.001
Pintrich, P. R. (2000). Chapter 14—The role of goal orientation in self-regulated learning. In M. Boekaerts, P. R. Pintrich, & M. Zeidner (Eds.), Handbook of self-regulation (pp. 451-502). Academic Press.
project, T. J. (2023). jamovi. In https://www.jamovi.org/
Rabin, E., Henderikx, M., Yoram, M. K., & Kalz, M. (2020). What are the barriers to learners’ satisfaction in MOOCs and what predicts them? The role of age, intention, self-regulation, self-efficacy and motivation. Australasian Journal of Educational Technology, 36(3), 119-131.
Radford, A., Narasimhan, K., Salimans, T., & Sutskever, I. (2018). Improving language understanding by generative pre-training, https://s3-us-west-2.amazonaws.com/openai-assets/research-covers/language-unsupervised/language_understand ing_paper.pdf
Rasheed, R. A., Kamsin, A., & Abdullah, N. A. (2020). Challenges in the online component of blended learning: A systematic review. Computers & Education, 144, 103701. https://doi.org/10.1016/j.compedu.2019.103701
Salah Dogham, R., Elcokany, N. M., Saber Ghaly, A., Dawood, T. M. A., Aldakheel, F. M., Llaguno, M. B. B., & Mohsen, D. M. (2022). Self-directed learning readiness and online learning self-efficacy among undergraduate nursing students. International Journal of Africa Nursing Sciences, 17, 100490. https://doi.org/10.1016/j.jjans.2022.100490
Schraw, G., & Moshman, D. (1995). Metacognitive theories. Educational Psychology Review, 7(4), 351-371. https://doi.org/10. 1007/BF02212307
Snodin, N. S. (2013). The effects of blended learning with a CMS on the development of autonomous learning: A case study of different degrees of autonomy achieved by individual learners. Computers & Education, 61, 209-216. https://doi.org/ 10.1016/j.compedu.2012.10.004

Stanley, K. (2007). Design of randomized controlled trials. Circulation, 115(9), 1164-1169.
Stephen, J. S., Rockinson-Szapkiw, A. J., & Dubay, C. (2020). Persistence model of non-traditional online learners: Self-efficacy, self-regulation, and self-direction. American Journal of Distance Education, 34(4), 306-321. https://doi.org/10.1080/08923 647.2020.1745619

Sternberg, R. J. (2003). Wisdom, intelligence, and creativity synthesized. Cambridge University Press.
Stojanov, A. (2023). Learning with ChatGPT 3.5 as a more knowledgeable other: An autoethnographic study. International Journal of Educational Technology in Higher Education, 20(1), 35. https://doi.org/10.1186/s41239-023-00404-7

Stolberg, H. O., Norman, G., & Trop, I. (2004). Randomized controlled trials. AJR American Journal of Roentgenology, 183(6), 1539-1544.
Tawfik, A. A., Graesser, A., Gatewood, J., & Gishbaugher, J. (2020). Role of questions in inquiry-based instruction: Towards a design taxonomy for question-asking and implications for design. Educational Technology Research and Development, 68(2), 653-678. https://doi.org/10.1007/s11423-020-09738-9
Valentine, A., Belski, I., & Hamilton, M. (2017). Developing creativity and problem-solving skills of engineering students: A comparison of web- and pen-and-paper-based approaches. European Journal of Engineering Education, 42(6), 1309-1329. https://doi.org/10.1080/03043797.2017.1291584
van Kesteren, M. T. R., & Meeter, M. (2020). How to optimize knowledge construction in the brain. NPJ Science of Learning, 5(1), 5. https://doi.org/10.1038/s41539-020-0064-y

Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, L., & Polosukhin, I. (2017). Attention is all you need. Advances in neural information processing systems, 5998-6008.
Wang, M.-T., Fredricks, J. A., Ye, F., Hofkens, T. L., & Linn, J. S. (2016). The math and science engagement scales: Scale development, validation, and psychometric properties. Learning and Instruction, 43, 16-26. https://doi.org/10.1016/j.learninstruc. 2016.01.008

White, R., & Gunstone, R. (2014). Probing understanding. Routledge.
Wu, T.-T., Lee, H.-Y., Li, P.-H., Huang, C.-N., & Huang, Y.-M. (2023a). Promoting self-regulation progress and knowledge construction in blended learning via ChatGPT-based learning aid. Journal of Educational Computing Research. https://doi.org/10. 1177/07356331231191125
Wu, T.-T., Lee, H.-Y., Wang, W.-S., Lin, C.-J., & Huang, Y.-M. (2023b). Leveraging computer vision for adaptive learning in STEM education: Effect of engagement and self-efficacy. International Journal of Educational Technology in Higher Education, 20(1), 53. https://doi.org/10.1186/s41239-023-00422-5
Zhang, M., & Li, J. (2021). A commentary of GPT-3 in MIT Technology Review 2021. Fundamental Research, 1(6), 831-833. https://doi.org/10.1016/j.fmre.2021.11.011
Zhou, M., & Lam, K. K. L. (2019). Metacognitive scaffolding for online information search in K-12 and higher education settings: A systematic review. Educational Technology Research and Development, 67(6), 1353-1384. https://doi.org/10.1007/ s11423-019-09646-7
Zhu, M., Bonk, C. J., & Doo, M. Y. (2020). Self-directed learning in MOOCs: Exploring the relationships among motivation, selfmonitoring, and self-management. Educational Technology Research and Development, 68(5), 2073-2093. https://doi.org/ 10.1007/s11423-020-09747-8

Zimmerman, B. J. (1990). Self-regulated learning and academic achievement: An overview. Educational Psychologist, 25(1), 3-17.
Zimmerman, B. J. (2000). Chapter 2—Attaining self-regulation: A social cognitive perspective. In M. Boekaerts, P. R. Pintrich, & M. Zeidner (Eds.), Handbook of self-regulation (pp. 13-39). Academic Press. https://doi.org/10.1016/B978-012109890-2/ 50031-7
Zimmerman, B. J. (2008). Investigating self-regulation and motivation: Historical background, methodological developments, and future prospects. American Educational Research Journal, 45(1), 166-183. https://doi.org/10.3102/0002831207312909

Springer Nature remains neutral with regard to jurisdictional claims in published maps and institutional affiliations.
Hsin-Yu Lee received his B.S. degree in the Department of Technology Application and Human Resource Development, National Taiwan Normal University, Taiwan, R.O.C., in 2019, and received the M.S. degree in the Department of Engineering Science, National Cheng-Kung University, Taiwan, R.O.C., in 2021. He is currently pursuing his Ph.D. degree in engineering science at National Cheng Kung University, Taiwan, R.O.C. His research interests include educational technology, learning analytics, computer vision and artificial intelligence.

Pei-Hua Chen received her B.S. degrees from the Department of Cultural and Creative Industries, National Chin-Yi University of Technology, Taiwan, R.O.C., in 2023. She is currently pursuing her M.S. degree in engineering science at National Cheng Kung University, Taiwan. Her research interests include educational technology, design thinking, UI/UX design and artificial intelligence.

Wei-Sheng Wang received her B.S. and M.S. degrees from the Department of Computer Science and Information Engineering, National Chin-Yi University of Technology, Taiwan, R.O.C., in 2018 and 2020, respectively. He is currently pursuing his Ph.D. degree in engineering science at National Cheng Kung University, Taiwan.

Yueh-Min Huang received the M.S. and Ph.D. degrees in Electrical Engineering from the University of Arizona in 1988 and 1991 respectively. He is a Chair Professor in Department of Engineering Science, National Cheng-Kung University, Taiwan. He has co-authored 3 books and has published more than 250 refereed journal research papers. His research interests include e-Learning, multimedia communications, wireless networks, and artificial intelligence. He is in the editorial board of several international journals in the area of educational technology, computer communications, and web intelligence, including 3 SSCIindexed e-Learning ones. In e-Learning area, except of publishing more than 100 SSCI-indexed journal
papers and editing 3 special issues in SSCI-indexed journals, he was also serving as the directors of Disciplines of Applied Science Education and Innovative Engineering Education in Taiwan’s Ministry of Science and Technology. Dr. Huang is a senior member of the IEEE and became Fellow of British Computer Society in 2011. Dr. Huang has received many research awards, such as Taiwan’s National Outstanding Research Award in 2011 and 2014, given to Taiwan’s top 100 scholars. According to a paper published in BJET, he is ranked no. 3 in the world on terms of the number of educational technology papers published in the period 2012 to 2017.

Ting-Ting Wu is a distinguished professor and director of the Graduate School of Technological and Vocational Education, National Yunlin University of Science and Technology, Taiwan. Her research covers such areas as technology-enhanced language learning and applications of advanced technology to support nursing education.