DOI: https://doi.org/10.1007/s10639-024-12621-2
تاريخ النشر: 2024-03-20
المؤلف: Miao Yue وآخرون
الموضوع الرئيسي: تعليم وتعلم البرمجة
نظرة عامة
تبحث ورقة البحث في استعداد معلمي K-12 لدمج تعليم الذكاء الاصطناعي (AI) في فصولهم الدراسية، مع التركيز على معرفتهم التربوية التكنولوجية المحتوى (TPACK) ومواقفهم تجاه تدريس الذكاء الاصطناعي. تم تحليل عينة من 1,664 معلمًا، مما كشف عن فجوات كبيرة في معرفتهم المتعلقة بالذكاء الاصطناعي (CK) ومعرفتهم التكنولوجية (TK). وجدت الدراسة علاقات معقدة بين المعرفة التربوية للمعلمين (PK) وCK ومواقفهم تجاه تعليم الذكاء الاصطناعي، مما يشير إلى أن الثقة في التدريس العام لا تترجم بالضرورة إلى الثقة في تدريس الذكاء الاصطناعي. بالإضافة إلى ذلك، لم ترتبط العوامل الديموغرافية مثل خبرة التدريس بشكل إيجابي مع استعداد تدريس الذكاء الاصطناعي، مما يشير إلى أن الانخراط العملي مع الذكاء الاصطناعي أكثر أهمية من مجرد الخبرة.
تؤكد الخاتمة على الحاجة إلى برامج تطوير مهني (PD) مصممة خصيصًا تأخذ في الاعتبار خلفيات وتجارب المعلمين المتنوعة. تقترح الدراسة إطارًا لتصميم هذه المبادرات، موصية بأربعة اتجاهات رئيسية: اختيار CK المناسب لمجموعات عمرية مختلفة، تطوير استراتيجيات تربوية مبتكرة خاصة بالذكاء الاصطناعي، تعزيز ثقة المعلمين الثانويين في تدريس الذكاء الاصطناعي، وتوفير تجارب تدريس عملية تتعلق بالذكاء الاصطناعي. من خلال معالجة هذه المجالات، تهدف برامج PD المقترحة إلى تعزيز استعداد المعلمين ومواقفهم تجاه دمج الذكاء الاصطناعي في مناهجهم، مما يعزز في النهاية معرفة الطلاب بالذكاء الاصطناعي من سن مبكرة.
مقدمة
تسلط مقدمة ورقة البحث الضوء على الأهمية المتزايدة للذكاء الاصطناعي (AI) في التعليم K-12 وضرورة تطوير المعلمين للمهارات المطلوبة لتعليم مفاهيم الذكاء الاصطناعي بفعالية للطلاب الصغار. على الرغم من هذه الحاجة، تشير الدراسات إلى أن العديد من المعلمين يفتقرون إلى المعرفة والمهارات اللازمة، ويرجع ذلك أساسًا إلى تحديات مثل التدريب غير الكافي، المناهج المتطورة، والموارد غير الكافية (Nazaretsky et al., 2022; ISTE, 2023). تم تحديد إطار المعرفة التربوية التكنولوجية (TPACK) كأداة قيمة لتقييم كفاءات المعلمين في دمج التكنولوجيا ضمن التعليم STEM، مع التأكيد على أهمية استعداد المعلمين لـ TPACK ومواقفهم تجاه تدريس الذكاء الاصطناعي (Chai et al., 2013; Huang et al., 2022).
تؤكد الورقة على تأثير خلفيات المعلمين—بما في ذلك المؤهلات التعليمية، خبرة الموضوع، وخبرة التدريس—على معرفتهم وثقتهم في تدريس الذكاء الاصطناعي. فهم هذه العوامل ضروري لتطوير برامج تدريب مستهدفة تعزز استعداد المعلمين لـ TPACK وتحسن جودة تعليم الذكاء الاصطناعي في بيئات K-12. تهدف الدراسة إلى سد فجوة في الأبحاث الحالية من خلال فحص العلاقة بين الخصائص الديموغرافية للمعلمين (مثل الجنس، موضوع التدريس، والخبرة) واستعدادهم ومواقفهم تجاه تعليم الذكاء الاصطناعي، باستخدام بيانات من 1,664 معلمًا. تركز أسئلة البحث على تقييم استعداد المعلمين لـ TPACK ومواقفهم تجاه تعليم الذكاء الاصطناعي، بالإضافة إلى تأثير خصائصهم الديموغرافية على هذه العوامل.
الطرق
توضح قسم “الطرق” الإجراءات التجريبية والتحليلية المستخدمة في الدراسة. استخدم الباحثون مجموعة من الأساليب الكمية والنوعية لجمع البيانات، مما يضمن فهمًا شاملاً للظواهر قيد التحقيق. شملت المنهجيات المحددة تجارب محكومة، تحليلات إحصائية، وتقنيات نمذجة، والتي تم تصميمها لاختبار الفرضيات التي تم وضعها في بداية البحث.
شمل جمع البيانات أخذ عينات منهجية وبروتوكولات قياس صارمة لضمان الموثوقية والصلاحية. تم إجراء التحليل باستخدام برامج إحصائية متقدمة، مما سمح بتطبيق اختبارات مختلفة لتقييم أهمية النتائج. يبرز القسم أهمية القابلية للتكرار والشفافية في الطرق المستخدمة، موفرًا تفاصيل كافية للباحثين الآخرين لتكرار الدراسة. بشكل عام، أسس الإطار المنهجي قاعدة قوية للنتائج المقدمة في الأقسام اللاحقة.
النتائج
في هذا القسم، يتم تقديم النتائج لأسئلة البحث 1 و2 (RQ1 وRQ2)، مع التركيز على تأثير خمسة عوامل ديموغرافية—الجنس، موضوع التدريس، الصف الدراسي، خبرة التدريس، والخبرة في تدريس الذكاء الاصطناعي—على استعداد المعلمين لمعرفتهم التربوية التكنولوجية (TPACK) ومواقفهم. شمل التحليل اختبارات t وANOVAs، مصنفًا المعلمين إلى ثلاث مجموعات متميزة بناءً على مواضيع تدريسهم: مجموعة التكنولوجيا (تدرس فقط المواد المتعلقة بالتكنولوجيا)، مجموعة العلوم (تدرس مواد مثل الرياضيات والعلوم الطبيعية)، ومجموعة غير التكنولوجيا (تدرس مواد مثل اللغات والعلوم الاجتماعية).
توضح النتائج، المفصلة في الجداول من 8 إلى 14، التأثيرات المتفاوتة للعوامل الديموغرافية على استعداد TPACK ومواقف المعلمين عبر المجموعات المختلفة. تشير النتائج إلى وجود اختلافات كبيرة في استعداد TPACK والمواقف المتأثرة بهذه العوامل، مما يبرز أهمية السياق الديموغرافي في دمج التكنولوجيا التعليمية.
المناقشة
تتناول قسم المناقشة في ورقة البحث إطار TPACK، الذي يدمج المعرفة المحتوى (CK)، المعرفة التربوية (PK)، والمعرفة التكنولوجية (TK) لتعزيز كفاءة المعلمين في استخدام التكنولوجيا في البيئات التعليمية. تم تعديل الإطار ليشمل مكونات خاصة بالذكاء الاصطناعي، مثل CK التكنولوجي (TCK) وCK التربوي (PCK)، لتجهيز المعلمين بشكل أفضل لتعليم الذكاء الاصطناعي. استخدمت دراسات متنوعة هذا الإطار المعدل لتحديد الكفاءات الأساسية للمعلمين وتصميم برامج تطوير مهني تهدف إلى تحسين فعالية تدريس الذكاء الاصطناعي. ومع ذلك، يشير المؤلفون إلى وجود فجوة في فهم كيفية تأثير العوامل الديموغرافية، مثل العمر والجنس، على استعداد المعلمين لـ TPACK ومواقفهم تجاه تعليم الذكاء الاصطناعي، مما يشير إلى أن المزيد من البحث ضروري لإبلاغ برامج التدريب المستهدفة.
بالإضافة إلى ذلك، تبرز الورقة الدور الكبير لمواقف المعلمين تجاه الذكاء الاصطناعي في تشكيل طرقهم التعليمية ونتائج الطلاب. يمكن أن تعزز المواقف الإيجابية من الانخراط والفعالية في تدريس الذكاء الاصطناعي، بينما غالبًا ما تنبع المواقف السلبية من نقص المعرفة المحتوى واستراتيجيات التدريس. تشير النتائج إلى أن المعلمين عمومًا يرون استعدادهم لـ TPACK فوق المتوسط، مع اختلافات ملحوظة عبر المجموعات الديموغرافية. قيم المعلمون الذكور قدراتهم في TPACK أعلى من المعلمات، وأبلغ معلمو المدارس الابتدائية عن استعداد أكبر مقارنة بنظرائهم في المدارس الثانوية. تؤكد الدراسة على الحاجة إلى البحث المستمر في التفاعل بين TPACK ومواقف المعلمين والخصائص الديموغرافية لتحسين جودة تعليم الذكاء الاصطناعي في بيئات K-12.
القيود
تقدم الدراسة عدة قيود تؤثر على عمومية وعمق نتائجها. أولاً، أدت استخدام طريقة أخذ العينات المريحة إلى تجمع استجابات يهيمن عليه الذكور، مما قد لا يعكس بدقة السكان الأوسع من المعلمين في البر الرئيسي للصين. تشير هذه القيود إلى أن النتائج قد لا تكون قابلة للتطبيق على نطاق واسع، مما يبرز الحاجة إلى أبحاث مستقبلية تشمل عينة أكثر تنوعًا للتحليل المقارن.
ثانيًا، بينما توفر البيانات الكمية المجمعة رؤى قيمة حول استعداد المعلمين ومواقفهم تجاه تدريس الذكاء الاصطناعي (AI)، يعترف المؤلفون بأن الأساليب النوعية، مثل المقابلات، ستعزز فهم الاحتياجات المحددة للمعلمين في التحضير لتعليم الذكاء الاصطناعي. أخيرًا، تدعو الدراسة إلى تحقيقات تجريبية لتقييم إطار تطوير المعلمين المهني (TPD) المقترح، مما يشير إلى وجود فجوة في التقييم العملي الذي يجب أن تعالجه الأبحاث المستقبلية.
DOI: https://doi.org/10.1007/s10639-024-12621-2
Publication Date: 2024-03-20
Author(s): Miao Yue et al.
Primary Topic: Teaching and Learning Programming
Overview
The research paper investigates the preparedness of K-12 teachers for integrating artificial intelligence (AI) education into their classrooms, focusing on their technological pedagogical content knowledge (TPACK) and attitudes toward teaching AI. A sample of 1,664 teachers was analyzed, revealing significant gaps in their AI-related content knowledge (CK) and technological knowledge (TK). The study found complex relationships between teachers’ pedagogical knowledge (PK), CK, and their attitudes toward AI education, indicating that confidence in general teaching does not necessarily translate to confidence in teaching AI. Additionally, demographic factors such as teaching experience did not correlate positively with AI teaching readiness, suggesting that practical engagement with AI is more critical than mere experience.
The conclusion emphasizes the need for tailored professional development (PD) programs that consider teachers’ diverse backgrounds and experiences. The study proposes a framework for designing these PD initiatives, recommending four key directions: selecting appropriate CK for different age groups, developing innovative pedagogical strategies specific to AI, boosting secondary teachers’ confidence in AI instruction, and providing practical teaching experiences related to AI. By addressing these areas, the proposed PD programs aim to enhance teachers’ readiness and attitudes toward incorporating AI into their curricula, ultimately fostering students’ AI literacy from an early age.
Introduction
The introduction of the research paper highlights the growing significance of artificial intelligence (AI) in K-12 education and the necessity for educators to develop the competencies required to effectively teach AI concepts to young students. Despite this need, studies indicate that many teachers lack the requisite knowledge and skills, primarily due to challenges such as insufficient training, evolving curricula, and inadequate resources (Nazaretsky et al., 2022; ISTE, 2023). The Technological Pedagogical Content Knowledge (TPACK) framework is identified as a valuable tool for assessing teachers’ competencies in integrating technology within STEM education, emphasizing the importance of teachers’ TPACK readiness and their attitudes toward teaching AI (Chai et al., 2013; Huang et al., 2022).
The paper underscores the influence of teachers’ backgrounds—including educational qualifications, subject expertise, and teaching experience—on their familiarity and confidence in teaching AI. Understanding these factors is essential for developing targeted training programs that enhance teachers’ TPACK readiness and improve the quality of AI education in K-12 settings. The study aims to fill a gap in existing research by examining the relationship between teachers’ demographic characteristics (such as gender, teaching subject, and experience) and their readiness for and attitudes toward AI education, utilizing data from 1,664 teachers. The research questions focus on assessing teachers’ TPACK readiness and attitudes toward AI education, as well as the impact of their demographic characteristics on these factors.
Methods
The “Methods” section outlines the experimental and analytical procedures employed in the study. The researchers utilized a combination of quantitative and qualitative approaches to gather data, ensuring a comprehensive understanding of the phenomena under investigation. Specific methodologies included controlled experiments, statistical analyses, and modeling techniques, which were designed to test the hypotheses formulated at the outset of the research.
Data collection involved systematic sampling and rigorous measurement protocols to ensure reliability and validity. The analysis was conducted using advanced statistical software, allowing for the application of various tests to evaluate the significance of the findings. The section emphasizes the importance of replicability and transparency in the methods used, providing sufficient detail for other researchers to replicate the study. Overall, the methodological framework established a robust foundation for the results presented in subsequent sections.
Results
In this section, the results for Research Questions 1 and 2 (RQ1 and RQ2) are presented, focusing on the impact of five demographic factors—gender, teaching subject, teaching grade, teaching experience, and experience in teaching AI—on teachers’ Technological Pedagogical Content Knowledge (TPACK) readiness and attitudes. The analysis involved t-tests and ANOVAs, categorizing teachers into three distinct groups based on their teaching subjects: the technology group (exclusively teaching technology-related subjects), the science group (teaching subjects such as mathematics and natural sciences), and the non-technology group (teaching subjects like languages and social sciences).
The findings, detailed in Tables 8 through 14, illustrate the varying effects of the demographic factors on TPACK readiness and attitudes across the different teacher groups. The results indicate significant differences in TPACK readiness and attitudes influenced by these factors, highlighting the importance of demographic context in educational technology integration.
Discussion
The discussion section of the research paper elaborates on the TPACK framework, which integrates content knowledge (CK), pedagogical knowledge (PK), and technological knowledge (TK) to enhance teachers’ proficiency in using technology in educational settings. The framework has been adapted to include AI-specific components, such as technological CK (TCK) and pedagogical CK (PCK), to better equip teachers for AI education. Various studies have utilized this modified framework to identify essential teacher competencies and design professional development programs aimed at improving AI teaching efficacy. However, the authors note a gap in understanding how demographic factors, such as age and gender, influence teachers’ TPACK readiness and attitudes toward AI education, suggesting that further research is necessary to inform targeted training programs.
Additionally, the paper highlights the significant role of teachers’ attitudes toward AI in shaping their instructional methods and student outcomes. Positive attitudes can enhance engagement and effectiveness in teaching AI, while negative attitudes often stem from a lack of content knowledge and teaching strategies. The findings indicate that teachers generally perceive their TPACK readiness as above average, with notable differences across demographic groups. Male teachers rated their TPACK abilities higher than female teachers, and primary school teachers reported greater readiness compared to their secondary school counterparts. The study emphasizes the need for ongoing research into the interplay between TPACK, teacher attitudes, and demographic characteristics to improve AI education quality in K-12 settings.
Limitations
The study presents several limitations that impact the generalizability and depth of its findings. Firstly, the use of a convenience sampling method resulted in a predominantly male respondent pool, which may not accurately reflect the broader population of teachers in mainland China. This limitation suggests that the findings may not be widely applicable, highlighting the need for future research to include a more diverse sample for comparative analysis.
Secondly, while the quantitative data collected provides valuable insights into teachers’ readiness and attitudes toward teaching artificial intelligence (AI), the authors acknowledge that qualitative methods, such as interviews, would enhance understanding of the specific needs of educators in preparing for AI education. Lastly, the study calls for empirical investigations to assess the proposed Teacher Professional Development (TPD) framework, indicating a gap in practical evaluation that future research should address.