DOI: https://doi.org/10.1038/s44159-025-00467-5
تاريخ النشر: 2025-06-18
المؤلف: Lixiang Yan وآخرون
الموضوع الرئيسي: التفاعل بين الإنسان والآلات والسلامة
نظرة عامة
لقد أظهر دمج الذكاء الاصطناعي التوليدي (AI) في البيئات التعليمية إمكانيات في تعزيز أداء المتعلمين. على الرغم من هذا التأثير الإيجابي، فإن التطبيقات الحالية للذكاء الاصطناعي في التعليم غالبًا ما تقصر عن تعزيز العمليات المعرفية وما وراء المعرفية العميقة الضرورية لتحقيق نتائج تعلم عالية الجودة. وهذا يبرز فجوة حاسمة في الاستخدام الفعال لأدوات الذكاء الاصطناعي، مما يشير إلى أنه بينما قد تحسن هذه الأدوات الأداء السطحي، إلا أنها لا تدعم بالضرورة الفهم الأعمق والتفكير التأملي اللازمين للتطوير التعليمي الشامل.
مقدمة
إن الدمج السريع لأدوات الذكاء الاصطناعي التوليدي (AI)، مثل ChatGPT، يعيد تشكيل تفاعل المتعلمين في التعليم العالي من خلال تقديم المساعدة الفورية والتعليقات الشخصية، مما يمكن أن يعزز الأداء في مهام مثل الكتابة الأكاديمية وبحث المعلومات. بينما ارتبطت هذه الأدوات بفوائد مثل تحسين أداء المهام وتقليل العبء المعرفي، فإنها تقدم أيضًا تناقضًا: قد يأتي تعزيز الأداء على حساب العمليات المعرفية وما وراء المعرفية الضرورية للتعلم على المدى الطويل. التمييز بين الأداء – السلوكيات القابلة للملاحظة التي تتأثر بالمساعدات الخارجية – والتعلم – التغيرات المستدامة في المعرفة والسلوك – هو أمر حاسم ولكنه غير مستكشف بشكل كافٍ في سياق الذكاء الاصطناعي التوليدي في التعليم.
تشير الأبحاث إلى أن الأداء العالي لا يعادل بالضرورة التعلم الفعال؛ على سبيل المثال، قد يتفوق الطلاب في التقييمات من خلال الحفظ ولكنهم يفشلون في الاحتفاظ بالمعرفة بعد ذلك. أظهرت دراسة تحليلية شاملة لـ 69 دراسة أن أدوات الذكاء الاصطناعي التوليدي تحسن الأداء الأكاديمي، مع حجم تأثير قدره \( g = 0.7 \)، ولكن من المحتمل أن تعكس هذه التحسينات نجاح المهام على المدى القصير بدلاً من التعلم الحقيقي. بالإضافة إلى ذلك، أظهرت نتائج دراسة أخرى أنه بينما عززت مساعدة الذكاء الاصطناعي التوليدي بشكل كبير قدرة الطلاب الجامعيين على تقديم تعليقات نوعية للأقران، لم يتم الحفاظ على هذه المكاسب بمجرد سحب دعم الذكاء الاصطناعي، مما يبرز الحاجة إلى التمييز بين تحسينات الأداء الفورية والنتائج التعليمية المستدامة.
نقاش
يسلط النقاش الضوء على التفاعل المعقد بين العبء المعرفي، وما وراء المعرفة، والثقة بالنفس في سياق تأثير الذكاء الاصطناعي التوليدي على التعلم. بينما يمكن لأدوات الذكاء الاصطناعي التوليدي تقليل العبء المعرفي من خلال تخفيف المهام المعقدة، قد يؤدي ذلك إلى تقليل الانخراط المعرفي، مما يقوض عمليات التعلم العميق. تشير الأدلة إلى أن الطلاب الذين يعتمدون بشكل كبير على الذكاء الاصطناعي في البحث يظهرون مهارات جدلية أضعف وقد يطورون “كسلًا معرفيًا”، حيث يتجاهلون المهام التقييمية الحرجة الضرورية للتنظيم الذاتي والتعلم المستقل. يمكن أن يقلل هذا الاعتماد أيضًا من الدافع الداخلي، حيث قد يشعر المتعلمون بأنهم أقل استقلالية وانخراطًا في عملياتهم التعليمية.
للاستفادة من إمكانيات الذكاء الاصطناعي التوليدي بشكل فعال، يقترح البحث جدول أعمال بحثي قائم على علم النفس المعرفي. ويؤكد على الحاجة إلى التمييز بين التعلم الحقيقي والأداء البسيط من خلال استخدام تقييمات موجهة نحو العمليات وفحص كيفية تأثير الذكاء الاصطناعي التوليدي على العمليات المعرفية مثل الترميز والاسترجاع. علاوة على ذلك، يتم تشجيع المعلمين على تعزيز ما وراء المعرفة النشطة وتحقيق التوازن بين الكفاءة واستقلالية المتعلم، مما يضمن أن تدعم أدوات الذكاء الاصطناعي الجهود المعرفية المستقلة بدلاً من استبدالها. في النهاية، الهدف هو ضمان أن يعزز الذكاء الاصطناعي التوليدي نتائج التعلم ويعزز المعرفة والمهارات المستدامة بعيدًا عن إكمال المهام الفورية.
DOI: https://doi.org/10.1038/s44159-025-00467-5
Publication Date: 2025-06-18
Author(s): Lixiang Yan et al.
Primary Topic: Human-Automation Interaction and Safety
Overview
The integration of generative artificial intelligence (AI) into educational settings has shown potential in enhancing learners’ performance. Despite this positive impact, the current applications of AI in education often fall short of fostering the deep cognitive and metacognitive processes essential for achieving high-quality learning outcomes. This highlights a critical gap in the effective utilization of AI tools, suggesting that while they may improve surface-level performance, they do not necessarily support the deeper understanding and reflective thinking necessary for comprehensive educational development.
Introduction
The rapid integration of generative artificial intelligence (AI) tools, such as ChatGPT, is reshaping learner engagement in higher education by offering immediate assistance and personalized feedback, which can enhance performance in tasks like academic writing and information research. While these tools have been associated with benefits such as improved task performance and reduced cognitive load, they also present a paradox: the enhancement of performance may come at the expense of cognitive and metacognitive processes crucial for long-term learning. The distinction between performance—observable behaviors influenced by external aids—and learning—enduring changes in knowledge and behavior—is critical yet underexplored in the context of generative AI in education.
Research indicates that high performance does not necessarily equate to effective learning; for instance, students may excel in assessments through cramming but fail to retain knowledge thereafter. A meta-analysis of 69 studies highlighted that generative AI tools improve academic performance, with an effect size of \( g = 0.7 \), but this improvement likely reflects short-term task success rather than genuine learning. Additionally, findings from another study showed that while generative AI assistance significantly enhanced undergraduate students’ ability to provide quality peer feedback, these gains were not sustained once the AI support was withdrawn, further emphasizing the need to differentiate between immediate performance improvements and lasting educational outcomes.
Discussion
The discussion highlights the complex interplay between cognitive load, metacognition, and self-efficacy in the context of generative AI’s impact on learning. While generative AI tools can reduce cognitive load by offloading complex tasks, this may lead to diminished cognitive engagement, undermining deep learning processes. Evidence suggests that students relying heavily on AI for research exhibit weaker argumentation skills and may develop “metacognitive laziness,” where they neglect critical evaluative tasks essential for self-regulation and independent learning. This reliance can also decrease intrinsic motivation, as learners may feel less autonomous and engaged in their educational processes.
To harness the potential of generative AI effectively, the paper proposes a research agenda grounded in cognitive psychology. It emphasizes the need to differentiate between genuine learning and mere performance by employing process-oriented assessments and examining how generative AI influences cognitive processes such as encoding and retrieval. Furthermore, educators are encouraged to promote active metacognition and balance efficiency with learner autonomy, ensuring that AI tools support rather than replace independent cognitive efforts. Ultimately, the goal is to ensure that generative AI enhances learning outcomes and fosters durable knowledge and skills beyond immediate task completion.