DOI: https://doi.org/10.1186/s41239-025-00548-8
تاريخ النشر: 2025-07-31
المؤلف: Seyyed Kazem Banihashem وآخرون
الموضوع الرئيسي: التعلم عبر الإنترنت والتحليلات
نظرة عامة
تستكشف هذه المراجعة المنهجية تكامل الذكاء الاصطناعي (AI) في التعلم الذاتي التنظيم (SRL)، حيث تحدد 84 دراسة ذات صلة عبر قواعد بيانات متنوعة. تسلط الأبحاث الضوء على التركيز السائد على طلاب التعليم العالي، مع استكشاف محدود للتعليم الابتدائي والمعلمين. تُستخدم تطبيقات الذكاء الاصطناعي بشكل أساسي كتدخلات، من خلال أنظمة تكيفية، وأنظمة توجيه ذكية، وأدوات تقييم لتعزيز العمليات الميتامعرفية والمعرفية للطلاب في SRL، بينما تظل الجوانب التحفيزية غير مستكشفة بشكل كافٍ. ومن الجدير بالذكر أن نموذج SRL لزيمرمان هو الإطار النظري الأكثر استشهادًا به بين الدراسات التي تحدد واحدًا.
تساهم المراجعة في فهم أبحاث AI-SRL من خلال تحليل الاتجاهات على مدى السنوات الست الماضية، بما في ذلك التركيبة السكانية للمشاركين والتوزيع الجغرافي. توضح الجهات الفاعلة الرئيسية، والنظريات الأساسية لـ SRL، والاختلافات في تنفيذ الذكاء الاصطناعي، مع التأكيد على النتائج التعليمية الأوسع المرتبطة بتكامل الذكاء الاصطناعي، مثل تحسين الأداء الأكاديمي والانخراط. من خلال تحديد الفجوات في كل من البحث والممارسة، تقدم هذه الدراسة نظرة شاملة يمكن أن تُفيد اتجاهات البحث المستقبلية وتعزز التطبيق الفعال للذكاء الاصطناعي في دعم SRL وتحسين النتائج التعليمية.
مقدمة
تؤكد مقدمة هذه الورقة البحثية على أهمية التعلم الذاتي التنظيم (SRL) كعنصر أساسي في التعلم مدى الحياة الناجح. توضح تطور أبحاث SRL، مع تسليط الضوء على نماذج مختلفة توضح كيف يدير الطلاب عمليات تعلمهم والتأثيرات اللاحقة على نتائجهم التعليمية، مثل الانخراط، والأداء الأكاديمي، والتحفيز. تم تحديد تكامل التكنولوجيا، وخاصة الذكاء الاصطناعي (AI)، كعامل تحويلي في تعزيز SRL. تعتمد الورقة على تعريف جون مكارثي للذكاء الاصطناعي، مع التركيز على قدرته على تكرار العمليات المعرفية، وتناقش التقاطع المتزايد بين الذكاء الاصطناعي وSRL في السياقات التعليمية، مما أدى إلى زيادة سريعة في الأبحاث التي تهدف إلى فهم واستغلال الذكاء الاصطناعي لدعم SRL.
يشير المؤلفون إلى أنه على الرغم من التقدم الكبير الذي تم إحرازه في أبحاث AI-SRL، لا تزال هناك فجوات في فهم آثار الذكاء الاصطناعي على كل من المعلمين والمتعلمين. يبرزون الحاجة إلى التعاون بين التخصصات وفحص نقدي لتأثير الذكاء الاصطناعي على منهجيات التعلم. تهدف الورقة إلى إجراء مراجعة منهجية للأدبيات لاستكشاف العلاقة متعددة الأوجه بين الذكاء الاصطناعي وSRL، باستخدام إطار عمل من تشاتي وآخرون (2012) لمعالجة الأسئلة الرئيسية المتعلقة بتركيز الجهات الفاعلة، والأطر النظرية، وطرق التنفيذ، وأهداف الذكاء الاصطناعي في دعم SRL. يسعى هذا النهج الشامل إلى تحسين نماذج SRL الحالية وتطوير استراتيجيات جديدة تدمج الذكاء الاصطناعي بشكل فعال، مما يعزز في النهاية قدرات التنظيم الذاتي للمتعلمين ويعزز سلوكيات التعلم المستقل.
الطرق
تضمنت المنهجية المستخدمة في هذا البحث مراجعة منهجية للتخطيط، تلتزم ببروتوكولات شفافة وصريحة كما هو موضح من قبل غوف وآخرون (2012) وزاواكي-ريختر وآخرون (2020). تم توجيه تقرير المراجعة بواسطة العناصر المفضلة للإبلاغ عن المراجعات المنهجية والتحليلات التلوية (PRISMA؛ بيج وآخرون، 2021) وأداة جودة تجميع الأدلة (QuEST؛ بوند وآخرون، 2024). يختلف هذا النهج عن المراجعات المنهجية التقليدية، حيث يركز على تصنيف الأدبيات الموجودة لتحديد الفجوات البحثية بدلاً من تجميع الأدلة لتقييم آثار ظاهرة ما (غرانت وبوث، 2009؛ سوتون وآخرون، 2019). تتوفر تفاصيل شاملة لاستراتيجية البحث، بما في ذلك قائمة مراجعة PRISMA والمواد التكميلية، على إطار العلوم المفتوحة (OSF).
النتائج
تشير نتائج الدراسة إلى زيادة كبيرة في منشورات AI-SRL (الذكاء الاصطناعي في التعلم الذاتي التنظيم) على مدى العامين الماضيين، مما يبرز الأهمية المتزايدة للذكاء الاصطناعي في هذا المجال البحثي. ومع ذلك، يكشف التوزيع الجغرافي لهذه الدراسات عن تركيز في أمريكا الشمالية وآسيا وأوروبا، مع تمثيل ناقص من مناطق مثل الشرق الأوسط وأوقيانوسيا وأمريكا الجنوبية وأفريقيا. قد تنشأ هذه الفجوة من قيود التمويل والتحديات في التعاون الدولي، مما يبرز ضرورة الانخراط العالمي الأوسع لإثراء المجال بوجهات نظر متنوعة. تعتمد الأبحاث بشكل أساسي على المنهجيات الكمية، وخاصة البيانات متعددة الأنماط والسجلات، بينما تظل الأساليب النوعية نادرة، مما يحد من الرؤى حول العوامل السياقية التي تؤثر على فعالية الذكاء الاصطناعي في SRL. علاوة على ذلك، فإن معظم الدراسات قصيرة الأجل، مع دعوة لإجراء أبحاث طولية لفهم التأثيرات المستمرة للذكاء الاصطناعي على SRL بشكل أفضل.
تكشف النتائج أيضًا أن الطلاب هم التركيز الأساسي لأبحاث AI-SRL، مع عدم إعطاء اهتمام كافٍ للمعلمين، الذين هم ضروريون لتنفيذ استراتيجيات SRL. هناك فجوة ملحوظة في الأبحاث التي تتناول دور الذكاء الاصطناعي في دعم طلاب المدارس الابتدائية، مما يشير إلى الحاجة إلى دراسات مستهدفة على هذا المستوى التعليمي. غالبًا ما لا يتم ذكر الأطر النظرية المستخدمة في الدراسات بشكل صريح، مما يشير إلى الحاجة إلى تحسين الشفافية والدقة في الأسس النظرية. نموذج SRL لزيمرمان هو الأكثر استشهادًا به، مما يعكس مكانته الراسخة في الأدبيات. تحدد المراجعة أربع فئات رئيسية لتنفيذ الذكاء الاصطناعي في SRL: الأنظمة التكيفية والتخصيص، والتوصيف والتنبؤ، وأنظمة التوجيه الذكية (ITS)، والتقييم والتقويم، مع كون الأنظمة التكيفية هي الأكثر بحثًا. بشكل عام، يظهر الذكاء الاصطناعي تأثيرًا إيجابيًا على العمليات المعرفية والميتامعرفية، مما يعزز الأداء الأكاديمي وانخراط الطلاب، بينما يشير أيضًا إلى الحاجة لمزيد من الاستكشاف للجوانب التحفيزية ضمن SRL.
المناقشة
في قسم المناقشة من الورقة البحثية، يوضح المؤلفون استراتيجيتهم الشاملة للبحث وعملية اختيار الدراسات لفحص تقاطع الذكاء الاصطناعي (AI) والتعلم الذاتي التنظيم (SRL). تم تصميم سلسلة البحث، المقتبسة من مراجعة شاملة لبوند وآخرون (2024)، لالتقاط الدراسات ذات الصلة من خلال تضمين مصطلحات محددة مرتبطة بالذكاء الاصطناعي مثل “نموذج اللغة الكبير*” و”ChatGPT”، مع التركيز على الدراسات التجريبية المنشورة باللغة الإنجليزية من 2018 إلى 2024. أسفر البحث الأولي عن أكثر من 5000 عنصر، تم تنقيحها إلى 4702 بعد إزالة التكرار وتطبيق معايير الإدراج. في النهاية، تم فحص 146 نصًا كاملاً، مما أدى إلى تحديد 84 دراسة لاستخراج البيانات وتجميعها.
تكشف النتائج عن اهتمام متزايد بمبادرات SRL المدعومة بالذكاء الاصطناعي، حيث تركز الغالبية العظمى من الدراسات على الطلاب (98%) وتم نشرها بشكل أساسي كأبحاث في المجلات (69%). تستند الأطر النظرية التي تدعم هذه الدراسات إلى نموذج زيمرمان لـ SRL (2002)، مع التأكيد على منظور اجتماعي معرفي عبر ثلاث مراحل: التفكير المسبق، والأداء، والتأمل الذاتي. تم تنفيذ الذكاء الاصطناعي بشكل أساسي كإجراء لتعزيز تعلم الطلاب، مع كون الأنظمة التكيفية والتخصيص هي التطبيقات الأكثر شيوعًا. تسلط المراجعة الضوء على الأدوار المتنوعة للذكاء الاصطناعي في دعم الجوانب المعرفية والميتامعرفية والتحفيزية لـ SRL، مما يشير إلى إمكانات كبيرة للذكاء الاصطناعي لتحويل الممارسات التعليمية والنتائج.
القيود
في هذا القسم، يعترف المؤلفون بعدة قيود في عملية مراجعتهم. أولاً، قد يكون غياب بروتوكول مسجل مسبقًا بسبب الجدول الزمني المحدود للمشروع وطبيعته التكرارية قد أثر على شمولية البحث. قد تؤدي القرار بالتركيز حصريًا على تنويعات مصطلح “التنظيم الذاتي” في العناوين والملخصات إلى استبعاد دراسات ذات صلة، خاصة تلك التي تتناول عمليات مرتبطة بالتنظيم الذاتي مثل تحديد الأهداف والرصد الذاتي، أو تلك التي تستخدم مصطلحات بديلة. بالإضافة إلى ذلك، قد يكون التحيز الجغرافي واللغوي نحو الشمال العالمي في استراتيجية البحث قد قيد نطاق الأدبيات المضمنة.
ثانيًا، على الرغم من أن المراجعة كانت تهدف إلى تضمين مجموعة واسعة من الدراسات عند تقاطع الذكاء الاصطناعي (AI) والتعلم الذاتي التنظيم (SRL)، فإن معايير إدراج الكلمات الرئيسية المقيدة قد تؤدي إلى استبعاد الأبحاث ذات الصلة. يقترح المؤلفون أن المراجعات المستقبلية يمكن أن تعزز الشمولية من خلال استخدام استراتيجيات بحث أوسع، مثل توسيع الكلمات الرئيسية أو البحث في النص الكامل. أخيرًا، على الرغم من أن المراجعات المنهجية للتخطيط لا تتطلب تقييمات جودة رسمية، فإن استبعاد الدراسات التي تفتقر إلى أوصاف منهجية واضحة أو تركيز SRL صريح يبرز قيدًا منهجيًا. يوصي المؤلفون بأن تتضمن المراجعات المنهجية المستقبلية تقييمات جودة شاملة لتعزيز موثوقية وقيمة تفسير نتائجهم.
DOI: https://doi.org/10.1186/s41239-025-00548-8
Publication Date: 2025-07-31
Author(s): Seyyed Kazem Banihashem et al.
Primary Topic: Online Learning and Analytics
Overview
This systematic mapping review investigates the integration of artificial intelligence (AI) into self-regulated learning (SRL), identifying 84 relevant studies across various databases. The research highlights a predominant focus on higher education students, with limited exploration of primary education and educators. AI applications primarily serve as interventions, utilizing adaptive systems, intelligent tutoring systems, and assessment tools to enhance students’ metacognitive and cognitive processes in SRL, while the motivational aspects remain underexplored. Notably, Zimmerman’s SRL model is the most frequently referenced theoretical framework among the studies that specify one.
The review contributes to the understanding of AI-SRL research by analyzing trends over the past six years, including participant demographics and geographical distribution. It clarifies key stakeholders, underlying SRL theories, and variations in AI implementation, emphasizing the broader educational outcomes associated with AI integration, such as improved academic performance and engagement. By identifying gaps in both research and practice, this study provides a comprehensive overview that can inform future research directions and enhance the effective application of AI in supporting SRL and optimizing educational outcomes.
Introduction
The introduction of this research paper emphasizes the significance of self-regulated learning (SRL) as a fundamental component of successful lifelong learning. It outlines the evolution of SRL research, highlighting various models that elucidate how students manage their learning processes and the subsequent effects on their educational outcomes, such as engagement, academic performance, and motivation. The integration of technology, particularly Artificial Intelligence (AI), is identified as a transformative factor in enhancing SRL. The paper adopts John McCarthy’s definition of AI, focusing on its capacity to replicate cognitive processes, and discusses the burgeoning intersection of AI and SRL in educational contexts, which has prompted a swift increase in research aimed at understanding and leveraging AI to support SRL.
The authors note that while significant advancements have been made in AI-SRL research, gaps remain in understanding the implications of AI on both educators and learners. They highlight the need for interdisciplinary collaboration and a critical examination of AI’s impact on learning methodologies. The paper aims to conduct a systematic literature review to explore the multifaceted relationship between AI and SRL, utilizing a framework by Chatti et al. (2012) to address key questions regarding stakeholder focus, theoretical frameworks, implementation methods, and objectives of AI in supporting SRL. This comprehensive approach seeks to refine existing SRL models and develop new strategies that effectively incorporate AI, ultimately enhancing learners’ regulatory capabilities and fostering autonomous learning behaviors.
Methods
The methodology employed in this research involved a systematic mapping review, adhering to transparent and explicit protocols as outlined by Gough et al. (2012) and Zawacki-Richter et al. (2020). The reporting of the review was guided by the Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA; Page et al., 2021) and the Quality of Evidence Synthesis Tool (QuEST; Bond et al., 2024). This approach differs from traditional systematic reviews, as it focuses on categorizing existing literature to identify research gaps rather than synthesizing evidence to assess the effects of a phenomenon (Grant & Booth, 2009; Sutton et al., 2019). Comprehensive details of the search strategy, including the PRISMA checklist and supplementary materials, are accessible on the Open Science Framework (OSF).
Results
The results of the study indicate a significant increase in AI-SRL (Artificial Intelligence in Self-Regulated Learning) publications over the past two years, underscoring the growing relevance of AI in this research area. However, the geographical distribution of these studies reveals a concentration in North America, Asia, and Europe, with underrepresentation from regions such as the Middle East, Oceania, South America, and Africa. This disparity may stem from funding constraints and challenges in international collaboration, highlighting the necessity for broader global engagement to enrich the field with diverse perspectives. The research predominantly employs quantitative methodologies, particularly multimodal and log data, while qualitative approaches remain scarce, limiting insights into the contextual factors that influence AI’s effectiveness in SRL. Furthermore, most studies are short-term, with a call for longitudinal research to better understand the sustained impacts of AI on SRL.
The findings also reveal that students are the primary focus of AI-SRL research, with insufficient attention given to educators, who are essential for implementing SRL strategies. There is a notable gap in research addressing AI’s role in supporting primary school students, indicating a need for targeted studies at this educational level. The theoretical frameworks employed in the studies are often not explicitly stated, suggesting a need for improved transparency and rigor in theoretical grounding. Zimmerman’s SRL model is the most frequently referenced, reflecting its established prominence in the literature. The review identifies four main categories of AI implementation in SRL: adaptive systems and personalization, profiling and prediction, intelligent tutoring systems (ITS), and assessment and evaluation, with adaptive systems being the most researched. Overall, AI demonstrates a positive impact on cognitive and metacognitive processes, enhancing academic performance and student engagement, while also indicating a need for further exploration of motivational aspects within SRL.
Discussion
In the discussion section of the research paper, the authors detail their comprehensive search strategy and study selection process for examining the intersection of Artificial Intelligence (AI) and Self-Regulated Learning (SRL). The search string, adapted from a metareview by Bond et al. (2024), was designed to capture relevant studies by including specific AI-related terms such as “large language model*” and “ChatGPT,” while focusing on empirical studies published in English from 2018 to 2024. The initial search yielded over 5,000 items, which were refined to 4,702 after deduplication and applying inclusion criteria. Ultimately, 146 full texts were screened, leading to the identification of 84 studies for data extraction and synthesis.
The findings reveal a growing interest in AI-supported SRL initiatives, with a majority of studies focusing on students (98%) and predominantly published as journal articles (69%). The theoretical frameworks underpinning these studies largely draw from Zimmerman’s model of SRL (2002), emphasizing a sociocognitive perspective across three phases: forethought, performance, and self-reflection. AI was primarily implemented as an intervention to enhance student learning, with adaptive systems and personalization being the most common applications. The review highlights the diverse roles of AI in supporting cognitive, metacognitive, and motivational aspects of SRL, indicating a significant potential for AI to transform educational practices and outcomes.
Limitations
In this section, the authors acknowledge several limitations of their review process. Firstly, the absence of a pre-registered protocol due to the project’s limited timeline and iterative nature may have impacted the comprehensiveness of the search. The decision to focus exclusively on variations of the term ‘self-regulation’ in titles and abstracts potentially excluded relevant studies, particularly those addressing self-regulation-related processes like goal-setting and self-monitoring, or those using alternative terminologies. Additionally, the geographical and linguistic bias towards the Global North in the search strategy may have further restricted the breadth of included literature.
Secondly, while the review aimed to encompass a wide array of studies at the intersection of artificial intelligence (AI) and self-regulated learning (SRL), the restrictive keyword inclusion criteria could have led to the omission of pertinent research. The authors suggest that future reviews could enhance inclusivity by employing broader search strategies, such as keyword expansion or full-text searches. Lastly, although systematic mapping reviews do not necessitate formal quality appraisals, the exclusion of studies lacking clear methodological descriptions or explicit SRL focus highlights a methodological limitation. The authors recommend that future systematic reviews incorporate comprehensive quality assessments to bolster the reliability and interpretive value of their findings.