DOI: https://doi.org/10.19173/irrodl.v27i1.8648
تاريخ النشر: 2026-02-10
المؤلف: Pan Liu وآخرون
الموضوع الرئيسي: عمليات التعلم البصرية والمعرفية
نظرة عامة
تبحث هذه الدراسة في التفاعل بين خصائص المهمة (TC) وخصائص الأفراد (IC) والعبء المعرفي (CL) والدور الوسيط لمحتوى الذكاء الاصطناعي (AIGC) في التعلم عبر الإنترنت بين 435 طالبًا جامعيًا. باستخدام نموذج هيكلي تم تحليله باستخدام برنامج Mplus، وجدت الدراسة أن TC تؤثر إيجابيًا على CL، بينما كان لـ IC علاقة سلبية مع CL. ومن الجدير بالذكر أن AIGC وسّع هذه العلاقات بشكل مختلف بناءً على الجنس: حيث ضعفت العلاقة بين TC وCL بالنسبة للإناث ولكنها عززت العلاقة بين IC وCL بالنسبة للذكور.
تساهم النتائج في نظرية العبء المعرفي من خلال توضيح كيفية دمج AIGC بشكل استراتيجي في التعليم الرقمي لإدارة العبء المعرفي بفعالية. تسلط الدراسة الضوء على أهمية مراعاة الفروق الفردية عند تطبيق AIGC في السياقات التعليمية، مما يشير إلى أن الأساليب المخصصة قد تعزز نتائج التعلم. ومع ذلك، تشير القيود مثل التركيز الإقليمي للدراسة والاعتماد على البيانات المبلغ عنها ذاتيًا إلى الحاجة إلى مزيد من البحث عبر بيئات تعليمية وأساليب متنوعة للتحقق من هذه النتائج وتوسيعها. بشكل عام، فإن آثار AIGC في تقليل الأعباء المتعلقة بالمهام وتعزيز القدرات الذاتية التنظيمية مهمة لمجموعة متنوعة من بيئات التعلم عبر الإنترنت، بما في ذلك الدورات الكبيرة ومنصات التعلم المخصصة.
مقدمة
تناقش مقدمة الورقة دور التعلم عبر الإنترنت في تعزيز العدالة التعليمية والتنمية الشخصية، لا سيما في سياق التعلم المفتوح عن بُعد (ODL). تسلط الضوء على التحديات التي يواجهها الطلاب بسبب زيادة العبء المعرفي (CL) الناتج عن المحتوى التعليمي المعقد ونقص توجيه المعلمين في الوقت المناسب. يُعرف CL بأنه الموارد العقلية المستخدمة أثناء معالجة المعلومات، ويمكن أن تعيق نتائج التعلم عندما تتجاوز قدرة الفرد على المعالجة. يؤكد المؤلفون على أهمية تحديد العوامل التي تؤثر على CL، لا سيما خصائص المهمة (TC) وخصائص الأفراد (IC)، والتي أظهرت تأثيرًا كبيرًا على CL.
تقدم الورقة أيضًا محتوى تم إنشاؤه بواسطة الذكاء الاصطناعي (AIGC) كعامل وسطي محتمل يمكن أن يخفف من آثار TC وIC على CL. يُفترض أن AIGC يعزز التعلم من خلال إدارة الموارد، وتفكيك المهام المعقدة، وتحسين كفاءة الطلاب الذاتية وقدراتهم المعرفية. على الرغم من الدراسات الأولية حول تأثير AIGC على CL، لا يزال هناك فجوة في فهم آلياته الوظيفية. تهدف هذه الدراسة إلى سد هذه الفجوة من خلال إنشاء نموذج معادلة هيكلية لاستكشاف كيفية تعديل AIGC للعلاقات بين TC وCL، وكذلك IC وCL، مما يوسع نظرية العبء المعرفي (CLT) ويقدم رؤى عملية للتعليم الرقمي. تركز أسئلة البحث على العلاقات بين TC وIC وCL، والدور الوسيط لـ AIGC في هذه الديناميات.
الطرق
توضح قسم “الطرق” تصميم التجربة والتقنيات التحليلية المستخدمة في الدراسة. استخدم الباحثون نهجًا كميًا، حيث نفذوا تجارب محكومة لجمع البيانات حول المتغيرات المحددة. تم إجراء تحليلات إحصائية باستخدام أدوات البرمجيات لضمان قوة النتائج، مع إيلاء اهتمام خاص لمستويات الدلالة وفترات الثقة.
بالإضافة إلى ذلك، شملت المنهجية أوصافًا تفصيلية لعملية اختيار العينة، وإجراءات جمع البيانات، والأدوات المحددة المستخدمة للقياس. تأكد الباحثون من أن الطرق تتماشى مع الإرشادات والمعايير الأخلاقية، مما يعزز موثوقية وصلاحية النتائج التي تم الحصول عليها. بشكل عام، تم تصميم الإطار المنهجي لاختبار الفرضيات بدقة وتقديم رؤى واضحة حول أسئلة البحث المطروحة.
النتائج
يقدم قسم “النتائج” من ورقة البحث النتائج المستمدة من التجارب أو التحليلات التي تم إجراؤها. يوضح النتائج الناتجة عن اختبارات مختلفة، مع تسليط الضوء على الاتجاهات والأنماط المهمة التي لوحظت في البيانات. غالبًا ما يتم توضيح النتائج الرئيسية من خلال الجداول أو الرسوم البيانية أو الأشكال، التي توفر تمثيلًا بصريًا للنتائج.
قد يتضمن القسم أيضًا تحليلات إحصائية تتحقق من النتائج، مثل قيم p أو فترات الثقة، مما يشير إلى موثوقية وأهمية النتائج. بشكل عام، يخدم هذا القسم لتلخيص الأدلة التجريبية التي تدعم الفرضيات أو أسئلة البحث المطروحة في الدراسة، مما يمهد الطريق للنقاش والتفسير اللاحق.
المناقشة
في هذه الدراسة، تم فحص العلاقات بين خصائص المهمة (TC) وخصائص الأفراد (IC) والعبء المعرفي (CL) في التعلم عبر الإنترنت، مع التركيز على الدور الوسيط لمحتوى الذكاء الاصطناعي (AIGC). أكدت النتائج أن TC، التي تشمل عوامل مثل تعقيد المهمة وضغط الوقت، ترتبط إيجابيًا بـ CL، بينما ترتبط IC، لا سيما الكفاءة الذاتية والميتا-إدراك، سلبًا بـ CL. يدعم هذا الفرضيات التي تفيد بأن تعزيز IC يمكن أن يقلل بشكل فعال من CL، مما يتماشى مع مبادئ نظرية العبء المعرفي (CLT).
علاوة على ذلك، وُجد أن AIGC يعدل العلاقة بين TC وCL، مما يخفف العبء المعرفي المرتبط بالمهام المعقدة. كما أثر بشكل إيجابي على العلاقة بين IC وCL، لا سيما بالنسبة للطلاب الذكور، مما يشير إلى أن AIGC يمكن أن يعزز الكفاءة الذاتية ويدعم العمليات المعرفية. تم ملاحظة الفروق بين الجنسين، حيث استفاد الذكور أكثر من AIGC من حيث الكفاءة الذاتية، بينما شهدت الإناث دعمًا أكبر في إدارة تعقيد المهام. تؤكد هذه النتائج على أهمية مراعاة كل من العوامل الفردية والبيئية في إدارة العبء المعرفي وتبرز إمكانيات AIGC كأداة داعمة في السياقات التعليمية.
DOI: https://doi.org/10.19173/irrodl.v27i1.8648
Publication Date: 2026-02-10
Author(s): Pan Liu et al.
Primary Topic: Visual and Cognitive Learning Processes
Overview
This study investigated the interplay between task characteristics (TC), individual characteristics (IC), cognitive load (CL), and the moderating role of artificial intelligence generated content (AIGC) in online learning among 435 undergraduate students. Utilizing a structural model analyzed with Mplus software, the research found that TC positively influenced CL, while IC had a negative correlation with CL. Notably, AIGC moderated these relationships differently based on gender: it weakened the TC-CL relationship for females but enhanced the IC-CL relationship for males.
The findings contribute to cognitive load theory by elucidating how AIGC can be strategically integrated into digital education to manage cognitive load effectively. The study highlights the importance of considering individual differences when applying AIGC in educational contexts, suggesting that tailored approaches may enhance learning outcomes. However, limitations such as the study’s regional focus and reliance on self-reported data indicate the need for further research across diverse educational settings and methodologies to validate and expand upon these results. Overall, the implications of AIGC in reducing task-related burdens and fostering self-regulatory capacities are significant for various online learning environments, including large-scale courses and personalized learning platforms.
Introduction
The introduction of the paper discusses the role of online learning in promoting educational equity and personalized development, particularly within the context of open and distance learning (ODL). It highlights the challenges faced by students due to increasing cognitive load (CL) resulting from complex educational content and the lack of timely teacher guidance. CL, defined as the mental resources used during information processing, can hinder learning outcomes when it exceeds an individual’s processing capacity. The authors emphasize the importance of identifying factors influencing CL, particularly task characteristics (TC) and individual characteristics (IC), which have been shown to significantly affect CL.
The paper also introduces artificial intelligence-generated content (AIGC) as a potential moderating factor that can alleviate the effects of TC and IC on CL. AIGC is posited to enhance learning by managing resources, breaking down complex tasks, and improving students’ self-efficacy and cognitive abilities. Despite preliminary studies on AIGC’s impact on CL, there remains a gap in understanding its functional mechanisms. This study aims to fill this gap by establishing a structural equation model to explore how AIGC moderates the relationships between TC and CL, as well as IC and CL, thereby extending cognitive load theory (CLT) and providing practical insights for digital education. The research questions focus on the relationships between TC, IC, and CL, and the moderating role of AIGC in these dynamics.
Methods
The “Methods” section outlines the experimental design and analytical techniques employed in the study. The researchers utilized a quantitative approach, implementing controlled experiments to gather data on the specified variables. Statistical analyses were conducted using software tools to ensure the robustness of the findings, with particular attention given to the significance levels and confidence intervals.
Additionally, the methodology included detailed descriptions of the sample selection process, data collection procedures, and the specific instruments used for measurement. The researchers ensured that the methods adhered to ethical guidelines and standards, thereby enhancing the reliability and validity of the results obtained. Overall, the methodological framework was designed to rigorously test the hypotheses and provide clear insights into the research questions posed.
Results
The “Results” section of the research paper presents the findings derived from the conducted experiments or analyses. It details the outcomes of various tests, highlighting significant trends and patterns observed in the data. Key results are often illustrated through tables, graphs, or figures, which provide a visual representation of the findings.
The section may also include statistical analyses that validate the results, such as p-values or confidence intervals, indicating the reliability and significance of the findings. Overall, this section serves to summarize the empirical evidence that supports the hypotheses or research questions posed in the study, laying the groundwork for subsequent discussion and interpretation.
Discussion
In this study, the relationships between task characteristics (TC), individual characteristics (IC), and cognitive load (CL) in online learning were examined, with a focus on the moderating role of AI-generated content (AIGC). The findings confirmed that TC, which includes factors like task complexity and time pressure, positively correlates with CL, while IC, particularly self-efficacy and state meta-cognition, negatively correlates with CL. This supports the hypotheses that enhancing IC can effectively reduce CL, aligning with cognitive load theory (CLT) principles.
Moreover, AIGC was found to moderate the relationship between TC and CL, alleviating the cognitive burden associated with complex tasks. It also positively influenced the relationship between IC and CL, particularly for male students, suggesting that AIGC can enhance self-efficacy and support cognitive processes. Gender differences were noted, with males benefiting more from AIGC in terms of self-efficacy, while females experienced greater support in managing task complexity. These results underscore the importance of considering both individual and environmental factors in cognitive load management and highlight the potential of AIGC as a supportive tool in educational contexts.