DOI: https://doi.org/10.1007/s11423-026-10595-1
تاريخ النشر: 2026-02-16
المؤلف: Mutluhan Yilmaz وآخرون
الموضوع الرئيسي: أنظمة التعليم الذكي والتعلم التكيفي
نظرة عامة
تستكشف هذه الدراسة فعالية التغذية الراجعة المدفوعة بتحليلات التعلم (LA) من الذكاء الاصطناعي التوليدي (GenAI) مقارنة بتغذية الراجعة التقليدية من المعلمين البشريين في تعزيز مهارات التعلم الذاتي المنظم (SRLs) بين الطلاب في دورة إحصاء عبر الإنترنت. تسلط الأبحاث الضوء على أن العديد من الطلاب يواجهون صعوبة في الانخراط والتنظيم الذاتي بسبب التغذية الراجعة غير الكافية، وغالبًا ما تتفاقم هذه المشكلة بسبب الأعباء العالية على المعلمين. من خلال استخدام تصميم شبه تجريبي، قامت الدراسة بتصنيف المشاركين إلى مستويات مهارة SRL منخفضة وعالية وقامت بتقييم قابلية القراءة والموثوقية للتغذية الراجعة من كلا المصدرين. أظهرت النتائج أن تغذية GenAI الراجعة كانت أكثر قابلية للقراءة بشكل ملحوظ (p < 0.01) وموثوقية من تلك التي قدمها المعلمون البشر. من الجدير بالذكر أن الطلاب ذوي SRLs المنخفضة الذين تلقوا تغذية راجعة من GenAI أظهروا تحسينات ذات دلالة إحصائية في مهارات تحديد الأهداف (p < 0.05) ومستويات SRL العامة (p < 0.05) مقارنة بأقرانهم الذين تلقوا تغذية راجعة من المعلمين. في المقابل، لم يتم العثور على اختلافات ذات دلالة بين الطلاب ذوي SRLs العالية. تشير هذه النتائج إلى أن التغذية الراجعة المدفوعة بـ LA من GenAI يمكن أن تدعم بفعالية الطلاب ذوي SRL المنخفضة في بيئات التعلم عبر الإنترنت، مما يوفر تدخلات مخصصة وقابلة للتوسع. تدعو الدراسة إلى مزيد من البحث لاستكشاف قابلية تطبيق هذه النتائج عبر مجموعات طلابية متنوعة وإمكانية دمج أنظمة التغذية الراجعة شبه الآلية التي تشمل المعلمين.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على الدور الحاسم لمهارات التعلم الذاتي المنظم (SRLs) في بيئات التعلم عبر الإنترنت، حيث يجب على المتعلمين تحمل مسؤولية أكبر عن عملياتهم التعليمية. تشمل SRLs الفعالة الأنشطة المعرفية وما وراء المعرفية والدافعية، بما في ذلك تحديد الأهداف (GS) واستراتيجيات المهام (TS) وإدارة الوقت (TM) والبحث عن المساعدة (HS) والتقييم الذاتي (SE). تؤكد الدراسة أن الطلاب ذوي SRLs المنخفضة غالبًا ما يواجهون تحديات في الانخراط في الدورة والأداء الأكاديمي، بينما يمكن لأولئك المتمكنين في SRLs التنقل بنجاح في البيئات الأقل تنظيمًا. نظرًا للصعوبات التي يواجهها المتعلمون عبر الإنترنت في تطوير SRLs، هناك حاجة ملحة للدعم الخارجي، والذي يمكن أن توفره البيئات الصفية التقليدية ولكن تتطلب البيئات عبر الإنترنت استراتيجيات مخصصة لتعزيز SRLs.
تناقش الورقة إمكانيات تحليلات التعلم (LA) لتعزيز SRLs من خلال مراقبة سلوك الطلاب وتسهيل التدخلات في الوقت المناسب. ومع ذلك، غالبًا ما تكون التدخلات القائمة على LA الحالية قائمة على القواعد وتكافح مع قابلية التوسع بسبب الاعتماد على المعلمين البشر. يمثل ظهور الذكاء الاصطناعي التوليدي (GenAI)، وخاصة نماذج اللغة الكبيرة (LLMs)، فرصة لإنشاء أنظمة تغذية راجعة أكثر قابلية للتوسع والشخصنة. على الرغم من هذه الوعد، لا يزال البحث التجريبي حول تأثير GenAI على تعلم الطلاب، وخاصة في تدخلات LA، محدودًا. تهدف الدراسة إلى تقييم التغذية الراجعة المكتوبة المدعومة بـ LA من GenAI مقابل التغذية الراجعة التقليدية التي ينتجها المعلمون، مع التركيز على فعاليتها في دعم SRLs في سياقات التعلم عبر الإنترنت. يتم توجيه البحث من خلال السؤال حول ما هي ملفات تعريف SRL التي تظهر من تحليل بيانات سجل نظام إدارة التعلم (LMS) للطلاب.
الطرق
استخدمت الدراسة تصميمًا شبه تجريبي لتقييم تأثير التغذية الراجعة من المعلم مقابل التغذية الراجعة التي ينتجها GenAI على استراتيجيات التعلم الذاتي المنظم (SRL) للطلاب، مع معالجة سؤال البحث RQ3. تم تقسيم المشاركين إلى مجموعات تغذية راجعة متميزة، وتم تنفيذ تصميم قبل-بعد لقياس حالة SRL في مراحل متعددة. تلقت المجموعة التجريبية تغذية راجعة من GenAI، بينما تلقت المجموعة الضابطة تغذية راجعة تقليدية من المعلم. كانت البيانات الأولية التي تم جمعها قبل التدخل الأول بمثابة مقياس أساسي لـ SRLs، وتم جمع بيانات لاحقة طوال فترة التدخل لتقييم فعالية استراتيجيات التغذية الراجعة.
باستخدام إطار عمل SRLs الذي اقترحه يي وبينيزي (2022)، حسبت الدراسة مؤشرات لـ SRLs بناءً على خمسة أعمدة رئيسية، مستبعدة التقييمات الذاتية الاختيارية ومعدلات إكمال الاختبارات الإضافية من التحليل. تم توحيد المؤشرات الخمسة—تحديد الأهداف (GS)، استراتيجيات المهام (TS)، إدارة الوقت (TM)، البحث عن المساعدة (HS)، والتقييم الذاتي (SE)—وتم حساب درجة SRL العامة كمتوسط لهذه المؤشرات. تم استخدام هذه الدرجة العامة بعد ذلك لتحليل الاختلافات في الانخراط عبر المجموعات المختلفة، مع تقديم مزيد من التوضيح في أقسام النتائج والمناقشة.
النتائج
يقدم قسم “النتائج” نتائج الدراسة، مسلطًا الضوء على النتائج الرئيسية المستمدة من التحليل الذي تم إجراؤه. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات قيد التحقيق، حيث أسفرت الاختبارات الإحصائية عن قيم p أقل من العتبة التقليدية 0.05، مما يدعم الفرضية.
بالإضافة إلى ذلك، تظهر النتائج أن التدخل المطبق أدى إلى تحسينات قابلة للقياس في المقاييس المستهدفة، مع حساب أحجام التأثير لت quantifying حجم هذه التغييرات. توضح التمثيلات البيانية، مثل الأشكال والجداول، الاتجاهات الملحوظة، مما يوفر ملخصًا بصريًا واضحًا للبيانات. بشكل عام، تسهم النتائج في الجسم المعرفي القائم من خلال تأكيد فعالية النهج المقترح واقتراح سبل لمزيد من البحث.
المناقشة
يتناول قسم المناقشة سؤالين رئيسيين للبحث: قابلية القراءة وموثوقية التغذية الراجعة التي ينتجها GenAI مقارنة بالتغذية الراجعة التي ينتجها المعلمون على سلوكيات التعلم الذاتي المنظم (SRL) للطلاب، وتأثير هذه التدخلات التغذوية على مستويات SRL المتفاوتة بين الطلاب. تؤكد الدراسة على إمكانيات تحليلات التعلم (LA) وGenAI لتوفير تغذية راجعة مخصصة في بيئات التعليم عبر الإنترنت المتنوعة، وهو أمر حاسم لدعم الطلاب ذوي الاحتياجات المختلفة وتعزيز بيئات التعلم العادلة. تشير النتائج إلى أنه بينما يمكن لـ GenAI تحسين تقديم التغذية الراجعة، لا يزال هناك حاجة إلى اعتبار دقيق لتوافقها مع مسارات تعلم الطلاب ودور المعلمين في عملية التغذية الراجعة.
تسلط مراجعة الأدبيات الضوء على تطور LA في مراقبة سلوكيات SRL، مشيرة إلى قيود الطرق التقليدية للإبلاغ الذاتي في التقاط عمليات التعلم في الوقت الحقيقي. تدعو إلى قدرة LA على توفير رؤى ديناميكية حول SRL من خلال تحليل بيانات السلوك. تستخدم الدراسة إطار عمل قائم على النظرية يدمج نموذج Pintrich لـ SRL واستبيان التعلم الذاتي المنظم عبر الإنترنت (OSLQ) لتقييم مهارات SRL للطلاب بشكل فعال. بالإضافة إلى ذلك، تؤكد الأبحاث على أهمية الصرامة المنهجية في دراسات LA، داعية إلى تعزيز الأطر لفهم سلوكيات المتعلمين بشكل أفضل. بشكل عام، تهدف الدراسة إلى المساهمة في النقاش حول فعالية GenAI في التغذية الراجعة التعليمية، وخاصة في تقييمها المقارن مع التغذية الراجعة التي ينتجها المعلمون، لتحسين تدخلات SRL في سياقات التعلم عبر الإنترنت.
القيود
تسلط القيود في هذا البحث الضوء على عدة مجالات حاسمة للبحث المستقبلي. أولاً، بينما تم إخفاء مصدر التغذية الراجعة عن المشاركين في مجموعة التغذية الراجعة من الذكاء الاصطناعي، قد تنشأ تحيزات ضمنية من نبرة أو أسلوب التغذية الراجعة، مما قد يؤثر على تفسيراتهم وردود أفعالهم. يجب أن تستكشف الدراسات المستقبلية تأثير وعي المشاركين بمصادر التغذية الراجعة على استجاباتهم، بالإضافة إلى وعي المعلم بالتدخل، مما قد يؤثر على جودة وموثوقية التغذية الراجعة. لتخفيف هذه المشكلات، قد يكون من المفيد حجب المعلومات حول مشاركة الذكاء الاصطناعي التوليدي (GenAI) حتى بعد التدخل.
بالإضافة إلى ذلك، فإن استخدام نماذج اللغة الكبيرة (LLMs) لتوليد التغذية الراجعة يقدم تحديات، بما في ذلك إمكانية وجود أخطاء وتحاملات في بيانات تدريب النموذج. يتطلب ذلك مزيدًا من المراقبة من قبل الباحثين، وهو ما لم يتم احتسابه في عبء العمل المبلغ عنه للمعلمين. يجب أن تقارن الأبحاث المستقبلية بين أعباء العمل للباحثين والمعلمين وتفكر في آثار الأتمتة على التطور المعرفي للطلاب. علاوة على ذلك، فإن الاعتماد على بيانات سجل نظام إدارة التعلم (LMS) وقياسات السلوك، على الرغم من صحتها، لها قيود إبستيمولوجية لأنها لا تلتقط العمليات المعرفية الداخلية للمتعلمين. لذلك، فإن دمج البيانات النوعية مع قياسات السلوك أمر ضروري لفهم أكثر دقة للتعلم. أخيرًا، هناك حاجة لمزيد من الاستكشاف لتدخلات GenAI، مع التركيز بشكل خاص على الطلاب ذوي مهارات التعلم الذاتي المنظم (SRL) العالية واستخدام استراتيجيات متنوعة.
DOI: https://doi.org/10.1007/s11423-026-10595-1
Publication Date: 2026-02-16
Author(s): Mutluhan Yilmaz et al.
Primary Topic: Intelligent Tutoring Systems and Adaptive Learning
Overview
This study investigates the effectiveness of Learning Analytics (LA)-driven feedback from Generative Artificial Intelligence (GenAI) compared to traditional human tutor feedback in enhancing self-regulated learning skills (SRLs) among students in an online statistics course. The research highlights that many students struggle with engagement and self-regulation due to inadequate feedback, often exacerbated by tutors’ high workloads. By employing a quasi-experimental design, the study categorized participants into low and high SRL skill levels and assessed the readability and reliability of feedback from both sources. Results indicated that GenAI feedback was significantly more readable (p < 0.01) and reliable than that from human tutors. Notably, students with low SRLs who received GenAI feedback demonstrated statistically significant improvements in goal-setting skills (p < 0.05) and overall SRL levels (p < 0.05) compared to their peers receiving tutor feedback. In contrast, no significant differences were found among students with high SRLs. These findings suggest that LA-driven GenAI feedback can effectively support low-SRL students in online learning environments, offering tailored and scalable interventions. The study advocates for further research to explore the applicability of these findings across diverse student populations and the potential for integrating semi-automated feedback systems that involve tutors.
Introduction
The introduction of this research paper highlights the critical role of self-regulated learning skills (SRLs) in online learning environments, where learners must take greater responsibility for their educational processes. Effective SRLs encompass cognitive, metacognitive, and motivational activities, including goal setting (GS), task strategies (TS), time management (TM), help-seeking (HS), and self-evaluation (SE). The study underscores that students with low SRLs often face challenges in course engagement and academic performance, while those proficient in SRLs can navigate less structured settings successfully. Given the difficulties online learners encounter in developing SRLs, there is a pressing need for external support, which traditional classroom settings can provide but online environments require tailored strategies to foster SRLs.
The paper discusses the potential of Learning Analytics (LA) to enhance SRLs by monitoring student behavior and facilitating timely interventions. However, existing LA-based feedback interventions are often rule-based and struggle with scalability due to reliance on human tutors. The advent of Generative Artificial Intelligence (GenAI), particularly Large Language Models (LLMs), presents an opportunity to create more scalable and personalized feedback systems. Despite this promise, empirical research on GenAI’s impact on student learning, particularly in LA interventions, remains limited. The study aims to evaluate LA-empowered GenAI-based written feedback against traditional tutor-generated feedback, focusing on their effectiveness in supporting SRLs in online learning contexts. The research is guided by the question of what SRL profiles emerge from analyzing students’ Learning Management System (LMS) log data.
Methods
The study employed a quasi-experimental design to evaluate the impact of tutor versus GenAI-generated feedback on students’ self-regulated learning (SRL) strategies, addressing research question RQ3. Participants were divided into distinct feedback groups, with a pre-post design implemented to measure SRL status at multiple stages. The experimental group received feedback from GenAI, while the control group received traditional tutor feedback. Initial data collected prior to the first intervention served as a baseline measure of SRLs, and subsequent data gathered throughout the intervention period assessed the effectiveness of the feedback strategies.
Utilizing the SRLs framework proposed by Ye and Pennisi (2022), the study calculated proxies for SRLs based on five key pillars, excluding Optional Self-Assessments and bonus quiz completion rates from the analysis. The five proxies—Goal Setting (GS), Task Strategies (TS), Time Management (TM), Help Seeking (HS), and Self-Evaluation (SE)—were standardized, and an overall SRL score was computed as the mean of these proxies. This overall score was then used to analyze differences in engagement across the various clusters, with further elaboration provided in the Results and Discussion sections.
Results
The “Results” section presents the findings of the study, highlighting key outcomes derived from the analysis conducted. The data indicates a significant correlation between the variables under investigation, with statistical tests yielding p-values below the conventional threshold of 0.05, thereby supporting the hypothesis.
Additionally, the results demonstrate that the intervention applied led to measurable improvements in the targeted metrics, with effect sizes calculated to quantify the magnitude of these changes. Graphical representations, such as figures and tables, illustrate the trends observed, providing a clear visual summary of the data. Overall, the findings contribute to the existing body of knowledge by confirming the efficacy of the proposed approach and suggesting avenues for further research.
Discussion
The discussion section addresses two primary research questions: the readability and reliability of GenAI-generated feedback compared to tutor-generated feedback on students’ self-regulated learning (SRL) behaviors, and the impact of these feedback interventions on varying levels of SRL behaviors among students. The study emphasizes the potential of learning analytics (LA) and GenAI to provide personalized feedback in diverse online educational settings, which is crucial for supporting students with different needs and fostering equitable learning environments. The findings suggest that while GenAI can enhance feedback delivery, there remains a need for careful consideration of its alignment with students’ learning trajectories and the role of tutors in the feedback process.
The literature review highlights the evolution of LA in monitoring SRL behaviors, noting the limitations of traditional self-report methods in capturing real-time learning processes. It advocates for LA’s ability to provide dynamic insights into SRL through behavioral data analysis. The study employs a theory-based framework integrating Pintrich’s model of SRL and the Online Self-Regulated Learning Questionnaire (OSLQ) to assess students’ SRL skills effectively. Additionally, the research underscores the importance of methodological rigor in LA studies, calling for enhanced frameworks to better understand learner behaviors. Overall, the study aims to contribute to the discourse on the effectiveness of GenAI in educational feedback, particularly in its comparative evaluation with tutor-generated feedback, to improve SRL interventions in online learning contexts.
Limitations
The limitations of this research highlight several critical areas for future investigation. Firstly, while participants in the AI-feedback group were blinded to the source of feedback, implicit biases may still arise from the feedback’s tone or style, potentially influencing their interpretations and reactions. Future studies should explore the impact of participants’ awareness of feedback sources on their responses, as well as the tutor’s awareness of the intervention, which could affect feedback quality and consistency. To mitigate these issues, it may be beneficial to withhold information about the involvement of Generative AI (GenAI) until after the intervention.
Additionally, the use of large language models (LLMs) for feedback generation presents challenges, including the potential for inaccuracies and biases in the model’s training data. This necessitates additional monitoring by researchers, which was not accounted for in the reported tutor workload. Future research should compare the workloads of researchers and tutors and consider the implications of automation on students’ cognitive development. Furthermore, the reliance on Learning Management System (LMS) log data and behavioral measures, while valid, has epistemological limitations as they do not capture learners’ internal cognitive processes. Therefore, integrating qualitative data with behavioral measures is essential for a more nuanced understanding of learning. Lastly, further exploration of GenAI interventions is warranted, particularly focusing on students with high self-regulated learning (SRL) skills and employing varied strategies.