DOI: https://doi.org/10.1038/s41598-025-10941-y
PMID: https://pubmed.ncbi.nlm.nih.gov/40670544
تاريخ النشر: 2025-07-16
المؤلف: Yan Zhang وآخرون
الموضوع الرئيسي: البحث بين التخصصات والتعاون
نظرة عامة
تستكشف هذه الدراسة استخدام أدوات المحتوى التي تم إنشاؤها بواسطة الذكاء الاصطناعي (AIGC) في التعليم العالي، مع التركيز على تكاملها عبر مختلف التخصصات، بما في ذلك العلوم الإنسانية، والعلوم والتكنولوجيا والهندسة والرياضيات (STEM)، والعلوم الاجتماعية. باستخدام نهج مختلط، تحدد الأبحاث تحسنًا بنسبة 37% في نتائج المشاريع بين التخصصات، تم تقييمها من خلال مقاييس مثل درجات حل المشكلات التعاونية وتقييمات الأقران، عندما يتم تنفيذ أدوات AIGC بشكل استراتيجي. كانت فعالية هذه الأدوات متفاوتة بشكل كبير اعتمادًا على طريقة التنفيذ.
بينما تسلط النتائج الضوء على إمكانيات أدوات AIGC لتعزيز التعاون واستيعاب أنماط التعلم المتنوعة، تحدد الدراسة أيضًا التحديات المتعلقة بالتحيز الخوارزمي، والمساواة الرقمية، والحفاظ على المهارات الخاصة بالتخصصات. تقترح الأبحاث إطارًا معدلًا للتعاون بين الذكاء الاصطناعي والبشر في إنتاج المعرفة، مما يساهم في النظرية التعليمية. يختتم المؤلفون بتوصيات سياسية تهدف إلى إنشاء أطر حوكمة تضمن توازنًا بين الابتكار ونزاهة الأكاديمية، داعين إلى نهج تصميم مشترك من قبل أعضاء هيئة التدريس وتشكيل مجتمعات ممارسة عبر التخصصات.
طرق البحث
استخدمت الأبحاث تقنية أخذ عينات عشوائية طبقية متعددة المراحل لاختيار المشاركين من 15 مؤسسة تعليم عالي عبر أربع مناطق جغرافية، مما يضمن عينة تمثيلية من أنواع مؤسسات مختلفة. تم حساب حجم العينة لكل طبقة تخصص باستخدام الصيغة \( n_h = \frac{N_h}{N} \times n \)، حيث \( n_h \) هو حجم العينة للطبقة \( h \)، و\( N_h \) هو حجم السكان للطبقة \( h \)، و\( N \) هو الحجم الإجمالي للسكان، و\( n \) هو الحجم الإجمالي للعينة. تم تحديد مستوى ثقة بنسبة 95% وهامش خطأ قدره ±3.5%، مع إجراء تعديلات على معدلات عدم الاستجابة المتوقعة بنسبة 20%. كانت العينة النهائية تتكون من 252 عضو هيئة تدريس و1,099 طالب، مما حقق تمثيلًا نسبيًا عبر التخصصات الأكاديمية وتنوعًا ديموغرافيًا.
شملت طرق جمع البيانات كل من الأساليب الكمية والنوعية، بما في ذلك درجات الاختبارات، ودرجات المقررات، والمجلات التأملية، والاستطلاعات، وبيانات الملاحظة. تضمنت تقنيات التحليل نمذجة خطية هرمية، وANCOVA، ونمذجة المعادلات الهيكلية، والتحليل الموضوعي، من بين أمور أخرى. تم تنفيذ تدابير مراقبة الجودة مثل التحقق من صحة الأدوات، وموثوقية المقيمين، والتثليث المنهجي لضمان قوة النتائج. كانت الدراسة تهدف إلى استكشاف تأثير أدوات الذكاء الاصطناعي على نتائج التعلم، وتحديد العوامل المعدلة، وكشف الأنماط عبر التخصصات، وتحديد أفضل الممارسات للتنفيذ، مما يساهم في فهم دور الذكاء الاصطناعي في التعليم العالي.
النتائج
تشير نتائج البحث إلى أن تكامل أدوات المحتوى التي تم إنشاؤها بواسطة الذكاء الاصطناعي (AIGC) عبر مختلف التخصصات الأكاديمية يعزز بشكل كبير من تفاعل الطلاب وبناء المعرفة، بينما يعزز أيضًا مهارات التفكير النقدي. أظهر تحليل مقارن أن تقنيات AIGC التي تم تنفيذها بشكل استراتيجي أدت إلى تحسين ملحوظ بنسبة 37% في نتائج المشاريع بين التخصصات ضمن بيئات التعلم التعاونية، مقارنة بالطرق التعليمية التقليدية. علاوة على ذلك، أعرب الطلاب من العلوم الإنسانية، وSTEM، والعلوم الاجتماعية عن مستويات رضا أعلى عندما تم استخدام أدوات AIGC كموارد إضافية بدلاً من كونها النهج التعليمي الرئيسي.
المناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على تكامل وتأثير أدوات المحتوى التي تم إنشاؤها بواسطة الذكاء الاصطناعي (AIGC) عبر مختلف التخصصات الأكاديمية في التعليم العالي. أدوات توليد النصوص، وخاصة نماذج اللغة الكبيرة (LLMs) مثل GPT-4، شائعة في دورات العلوم الإنسانية، بينما يكون اعتمادها في مجالات STEM أقل وضوحًا. وجدت دراسة أجراها وانغ وآخرون أن 64% من دورات العلوم الإنسانية استخدمت أدوات AIGC المعتمدة على النصوص مقارنة بـ 37% فقط في STEM. كما أظهرت أدوات توليد الصور، مثل DALL-E 3، وأدوات توليد الصوت، مثل Bark، فائدة كبيرة في السياقات التعليمية، على الرغم من أنها تقدم تحديات تتعلق بالأصالة والنسبة.
تؤكد الورقة على ضرورة وجود أطر نظرية منظمة للتكامل الناجح لأدوات AIGC، مشيرة إلى نماذج مثل TPACK وSAMR وTAM، التي توجه اعتماد التكنولوجيا والتكامل التربوي. يجب أن تتطور هذه النماذج لتلبية الخصائص الفريدة لأدوات AIGC، بما في ذلك قدراتها التوليدية والاعتبارات الأخلاقية. تشير النتائج إلى أنه بينما تظهر تخصصات STEM معدلات اعتماد أعلى بسبب الألفة التكنولوجية، تُظهر العلوم الإنسانية والعلوم الاجتماعية تطبيقات تربوية أكثر تعقيدًا، تركز على التحليل النقدي بدلاً من مجرد توليد المحتوى. بشكل عام، تؤكد الدراسة على أهمية استراتيجيات حساسة للتخصصات من أجل تكامل AIGC لتعزيز النتائج التعليمية بشكل فعال.
القيود
تسلط قسم القيود الضوء على عدة تحديات حاسمة مرتبطة بتكامل أدوات المحتوى التي تم إنشاؤها بواسطة الذكاء الاصطناعي (AIGC) في التعليم العالي. بينما يمكن أن تعزز هذه الأدوات نتائج التعلم، والتفاعل، وتطوير المهارات، كما تم قياسه بواسطة المؤشر المركب \( EAIGC = \omega_1 L + \omega_2 G + \omega_3 S – \omega_4 B \)، فإنها تثير أيضًا مخاوف بشأن الدقة، والتحيز، وزراعة مهارات التقييم النقدي بين الطلاب. لا يتم تجربة فوائد AIGC بشكل موحد عبر مجموعات الطلاب المتنوعة، وتعتمد فعالية هذه الأدوات على تعقيد استراتيجيات تحفيز الطلاب.
علاوة على ذلك، فإن إمكانية التحيز الخوارزمي وقضايا المساواة الرقمية تشكل تحديات كبيرة، خاصة عندما يتم تنفيذ أدوات AIGC دون دعم تربوي كافٍ. بينما يمكن أن تسهل AIGC التعلم بين التخصصات من خلال السماح للطلاب بدمج المعرفة عبر مجالات مختلفة، من الضروري الحفاظ على التركيز على نزاهة الأكاديمية والمهارات الخاصة بالتخصصات. تشمل قيود الدراسة تركيزها على المدى القصير وعينة قد لا تمثل المشهد الأوسع للتعليم العالي. يجب أن تستكشف الأبحاث المستقبلية التأثيرات طويلة الأمد لـ AIGC على سمات الخريجين وتستكشف دورها في تشكيل مجالات جديدة بين التخصصات، بالإضافة إلى التأثيرات النفسية للتعاون بين الذكاء الاصطناعي والبشر في البيئات التعليمية.
DOI: https://doi.org/10.1038/s41598-025-10941-y
PMID: https://pubmed.ncbi.nlm.nih.gov/40670544
Publication Date: 2025-07-16
Author(s): Yan Zhang et al.
Primary Topic: Interdisciplinary Research and Collaboration
Overview
This study investigates the use of artificial intelligence-generated content (AIGC) tools in higher education, focusing on their integration across various disciplines, including humanities, STEM, and social sciences. Employing a mixed-methods approach, the research identifies a 37% improvement in interdisciplinary project outcomes, assessed through metrics such as collaborative problem-solving scores and peer evaluations, when AIGC tools are implemented strategically. The effectiveness of these tools varied significantly depending on the implementation method.
While the findings highlight the potential of AIGC tools to enhance collaboration and accommodate diverse learning styles, the study also identifies challenges related to algorithmic bias, digital equity, and the preservation of discipline-specific skills. The research proposes a revised framework for AI-human collaboration in knowledge production, contributing to educational theory. The authors conclude with policy recommendations aimed at creating governance frameworks that ensure a balance between innovation and academic integrity, advocating for faculty co-design approaches and the formation of cross-disciplinary communities of practice.
Methods
The research employed a multi-stage stratified random sampling technique to select participants from 15 higher education institutions across four geographical regions, ensuring a representative sample of various institutional types. The sample size for each discipline stratum was calculated using the formula \( n_h = \frac{N_h}{N} \times n \), where \( n_h \) is the sample size for stratum \( h \), \( N_h \) is the population size for stratum \( h \), \( N \) is the total population size, and \( n \) is the total sample size. A confidence level of 95% and a margin of error of ±3.5% were established, with adjustments made for anticipated non-response rates of 20%. The final sample comprised 252 faculty members and 1,099 students, achieving proportional representation across academic disciplines and demographic diversity.
Data collection involved both quantitative and qualitative methods, including test scores, course grades, reflective journals, surveys, and observational data. Analysis techniques included hierarchical linear modeling, ANCOVA, structural equation modeling, and thematic analysis, among others. Quality control measures such as instrument validation, inter-rater reliability, and methodological triangulation were implemented to ensure the robustness of findings. The study aimed to explore the impact of AI tools on learning outcomes, identify moderating factors, uncover cross-disciplinary patterns, and determine best practices for implementation, thereby contributing to the understanding of AI’s role in higher education.
Results
The research findings indicate that the integration of Artificial Intelligence Generated Content (AIGC) tools across various academic disciplines significantly enhances student engagement and knowledge construction, while also promoting critical thinking skills. A comparative analysis revealed that strategically implemented AIGC technologies led to a notable 37% improvement in interdisciplinary project outcomes within collaborative learning environments, compared to traditional educational methods. Furthermore, students from humanities, STEM, and social sciences expressed higher satisfaction levels when AIGC tools were utilized as supplementary resources rather than as the main instructional approach.
Discussion
The discussion section of the research paper highlights the integration and impact of AI-generated content (AIGC) tools across various academic disciplines in higher education. Text generation tools, particularly large language models (LLMs) like GPT-4, are prevalent in humanities courses, while their adoption in STEM fields is less pronounced. A study by Wang et al. found that 64% of humanities courses utilized text-based AIGC tools compared to only 37% in STEM. Image generation tools, such as DALL-E 3, and audio generation tools, like Bark, have also shown significant utility in educational contexts, though they present challenges related to originality and attribution.
The paper emphasizes the necessity of structured theoretical frameworks for the successful integration of AIGC tools, referencing models such as TPACK, SAMR, and TAM, which guide technology adoption and pedagogical integration. These models must evolve to address the unique characteristics of AIGC tools, including their generative capabilities and ethical considerations. The findings indicate that while STEM disciplines exhibit higher adoption rates due to technological familiarity, humanities and social sciences demonstrate more sophisticated pedagogical applications, focusing on critical analysis rather than mere content generation. Overall, the study underscores the importance of discipline-sensitive strategies for AIGC integration to enhance educational outcomes effectively.
Limitations
The section on limitations highlights several critical challenges associated with the integration of Artificial Intelligence Generated Content (AIGC) tools in higher education. While these tools can enhance learning outcomes, engagement, and skill development, as quantified by the composite index \( EAIGC = \omega_1 L + \omega_2 G + \omega_3 S – \omega_4 B \), they also raise concerns regarding accuracy, bias, and the cultivation of critical evaluation skills among students. The benefits of AIGC are not uniformly experienced across diverse student populations, and the effectiveness of these tools is contingent upon the sophistication of students’ prompting strategies.
Moreover, the potential for algorithmic bias and issues of digital equity pose significant challenges, particularly when AIGC tools are implemented without adequate pedagogical scaffolding. While AIGC can facilitate interdisciplinary learning by allowing students to synthesize knowledge across different fields, it is essential to maintain a focus on academic integrity and discipline-specific skills. The study’s limitations include its short-term focus and a sample that may not represent the broader higher education landscape. Future research should investigate the long-term effects of AIGC on graduate attributes and explore its role in shaping new interdisciplinary fields, as well as the psychological impacts of AI-human collaboration in educational settings.