DOI: https://doi.org/10.1038/s41598-025-34422-4
PMID: https://pubmed.ncbi.nlm.nih.gov/41507263
تاريخ النشر: 2026-01-08
المؤلف: Riandi Riandi وآخرون
الموضوع الرئيسي: التعليم البيئي والاستدامة
نظرة عامة
تستكشف هذه الدراسة دمج الذكاء الاصطناعي (AI) في التعليم، تحديدًا في سياق التعليم من أجل التنمية المستدامة (ESD) ووعي الطاقة الخضراء. تتناول الفجوة في الأدلة التجريبية بشأن كيفية تأثير مشاركة المعلمين في تطوير مواد ESD على قدرتهم على دمج الذكاء الاصطناعي في ممارساتهم التعليمية. باستخدام تصميم ارتباطي كمي، تم جمع البيانات من 122 معلمًا في الخدمة من خلال استبيان منظم يقيم خمسة مكونات، تم تحليلها عبر نمذجة المعادلات الهيكلية باستخدام المربعات الصغرى الجزئية (PLS-SEM). كشفت النتائج أن الاستخدام العملي للذكاء الاصطناعي في تعليم العلوم والطاقة الخضراء (β = 0.391، p < 0.01، f² = 0.180) والمشاركة النشطة في تطوير مواد ESD (β = 0.236، p < 0.05، f² = 0.127) عززت بشكل كبير من قدرات المعلمين على دمج الذكاء الاصطناعي. في المقابل، لم تظهر المعرفة بالذكاء الاصطناعي والمواقف تأثيرات ذات دلالة إحصائية. تخلص الدراسة إلى أن الانخراط التجريبي والمشاركة النشطة في تطوير المحتوى الذي يركز على الاستدامة هي مؤشرات أكثر أهمية على استعداد المعلمين لدمج الذكاء الاصطناعي مقارنة بالعوامل المعرفية أو العاطفية. توصي الدراسة بتحويل تدريب المعلمين نحو نماذج قائمة على السياق وموجهة نحو الممارسة لتحسين الكفاءة التكنولوجية في التعليم المستدام، مما يبرز ضرورة انخراط المعلمين بشكل عملي مع الذكاء الاصطناعي ومواد ESD لتعزيز التكامل البيداغوجي الفعال.
مقدمة
تسلط مقدمة ورقة البحث الضوء على التأثير التحويلي للذكاء الاصطناعي (AI) على مختلف القطاعات، وخاصة التعليم. تؤكد أن الذكاء الاصطناعي يسهل الأتمتة، والتخصيص، وطرق التعلم المبتكرة، مما يعزز التجارب التعليمية (Bates et al., 2020; Chu et al., 2022; Marengo et al., 2024). تشمل الفوائد المحتملة للذكاء الاصطناعي في التعليم تحسين تخصيص التعلم، وأتمتة المهام الإدارية، وتعزيز استراتيجيات بيداغوجية مبتكرة (Bond et al., 2024; Wang et al., 2024; Zawacki-Richter et al., 2019).
علاوة على ذلك، تفترض الورقة أن الذكاء الاصطناعي يعمل كعامل مساعد في تعزيز أهداف التنمية المستدامة (SDGs)، مستهدفة بشكل خاص الهدف 4 (التعليم الجيد) والهدف 7 (الطاقة النظيفة وبأسعار معقولة). من خلال تحسين الوصول إلى التعليم وتحسين جودته، يساهم الذكاء الاصطناعي بشكل كبير في هذه الأهداف العالمية (Bachmann et al., 2022).
طرق البحث
توضح قسم المنهجية تصميم الدراسة وسياقها، موضحة خصائص المشاركين والأنشطة المحددة التي تم تنفيذها خلال البحث. تؤكد على النهج المنهجي المتبع لضمان موثوقية وصدق النتائج.
تُوصف طرق جمع البيانات، مع تسليط الضوء على الأدوات والتقنيات المستخدمة لجمع المعلومات ذات الصلة من المشاركين. بالإضافة إلى ذلك، يوضح القسم الإجراءات التحليلية المستخدمة لتفسير البيانات، مما يضمن فهمًا شاملاً للنتائج التي تم الحصول عليها.
النتائج
تحدد قسم النتائج عدة عوامل سياقية قد تكون أثرت على نتائج الدراسة. أولاً، تشير خصائص العينة إلى احتمال وجود تحيز في الاختيار، حيث كان جميع المشاركين مشتركين في برنامج تطوير مهني، مما يشير إلى أنهم قد يكونون أكثر تقبلاً للابتكار من مجموعة المعلمين الأوسع. ثانيًا، قد تكون قيود القياس، وخاصة استخدام العناصر الثنائية، قد قللت من حساسية البيانات وقدرة النموذج على اكتشاف التأثيرات الفعلية. أخيرًا، كانت موثوقية الأدوات المستخدمة، خاصة فيما يتعلق بمكون معرفة الذكاء الاصطناعي، محدودة، مما يقوض صدق النتائج المتعلقة بهذه المتغيرات.
على الرغم من هذه القيود، تؤكد النتائج أن الخبرة العملية مع الذكاء الاصطناعي والمشاركة في تطوير محتوى الاستدامة هي مؤشرات مهمة على قدرة المعلمين على دمج الذكاء الاصطناعي في ممارستهم. من ناحية أخرى، وجدت الدراسة أن المعرفة والمواقف، كما تم تقييمها، كانت غير كافية لتفسير استعداد الدمج. وهذا يشير إلى الحاجة إلى تحويل نماذج تدريب المعلمين من النماذج المعرفية التقليدية إلى نهج التعلم القائم على التجربة، خاصة في مجالات العلوم والتعليم المستدام.
المناقشة
تسلط المناقشة الضوء على الحاجة الملحة لدمج التقنيات المتقدمة، وخاصة الذكاء الاصطناعي (AI)، في التعليم المستمر لدعم التعليم من أجل التنمية المستدامة (ESD). يلعب المعلمون دورًا محوريًا في تضمين مبادئ الاستدامة ضمن ممارساتهم البيداغوجية، ويعمل إطار المعرفة التكنولوجية والبيداغوجية والمحتوى (TPACK) كنموذج أساسي لفهم التفاعل بين المعرفة التكنولوجية والبيداغوجية والمحتوى. تهدف هذه الدراسة إلى استكشاف العلاقة بين معرفة المعلمين بالذكاء الاصطناعي، ومشاركتهم في تطوير مواد قائمة على ESD، ومواقفهم تجاه الذكاء الاصطناعي، وقدرتهم على تنفيذ الذكاء الاصطناعي في تعليم الطاقة الخضراء. من المتوقع أن تعزز النتائج الفهم النظري وتوجه مبادرات تدريب المعلمين المستهدفة المتوافقة مع الأهداف العالمية للاستدامة، وخاصة أهداف التنمية المستدامة (SDG) 4 و7.
على الرغم من الإمكانات المعترف بها للذكاء الاصطناعي في تعزيز التعليم المستدام، إلا أن هناك فجوة كبيرة في الأبحاث التجريبية التي تركز على تطوير المعلمين المهني ودمج الذكاء الاصطناعي في ESD. تركز معظم الدراسات الحالية على نتائج الطلاب بدلاً من كيفية استخدام المعلمين بفعالية لأدوات الذكاء الاصطناعي في ممارساتهم التعليمية. تسعى هذه البحث إلى سد تلك الفجوة من خلال التحقيق في العوامل الرئيسية التي تمكّن استعداد المعلمين في التعليم المستدام المعزز بالذكاء الاصطناعي، وبالتالي المساهمة في الأدبيات عند تقاطع الذكاء الاصطناعي وتطوير المعلمين والاستدامة. يدمج النموذج المفاهيمي للدراسة عناصر من TPACK، ونموذج قبول التكنولوجيا (TAM)، ونظرية البناء، بهدف توضيح العوامل التي تؤثر على قدرة المعلمين على دمج الذكاء الاصطناعي في تعليمهم، مما يعزز في النهاية الابتكار البيداغوجي في تعليم الطاقة الخضراء.
القيود
تقدم البحث عدة قيود يجب الاعتراف بها عند تفسير نتائجه. أولاً، كانت العينة تتكون حصريًا من معلمين خضعوا لتدريب تطوير مهني، مما قد يقدم تحيزًا في الاختيار. قد يكون لدى هذه الفئة دافع نحو تبني الابتكار، خاصة في سياق دمج الذكاء الاصطناعي (AI) في التعليم، مما قد يؤثر على تصوراتهم ومواقفهم بشأن المتغيرات المدروسة.
ثانيًا، استخدم الاستبيان مقياسًا ثنائيًا (0/1)، مما قيد تنوع البيانات وحد من حساسية التحليل الإحصائي. لم يتمكن هذا النهج الثنائي من التقاط تعقيدات وشدة مواقف ومعرفة المستجيبين بشكل كافٍ، مما يقلل من القوة التنبؤية لنموذج المعادلات الهيكلية باستخدام المربعات الصغرى الجزئية (SEM-PLS) المستخدم في الدراسة. أخيرًا، تم إثارة مخاوف بشأن موثوقية وصدق بعض المكونات، وخاصة مكون معرفة الذكاء الاصطناعي، كما يتضح من القيم المنخفضة لألفا كرونباخ والموثوقية المركبة. قد تؤثر هذه القضايا على استقرار التقديرات والدقة العامة للقياسات ضمن النموذج الهيكلي.
DOI: https://doi.org/10.1038/s41598-025-34422-4
PMID: https://pubmed.ncbi.nlm.nih.gov/41507263
Publication Date: 2026-01-08
Author(s): Riandi Riandi et al.
Primary Topic: Environmental Education and Sustainability
Overview
This study explores the integration of Artificial Intelligence (AI) in education, specifically within the context of Education for Sustainable Development (ESD) and green energy literacy. It addresses the gap in empirical evidence regarding how teachers’ involvement in developing ESD materials affects their ability to incorporate AI into their teaching practices. Utilizing a quantitative correlational design, data were collected from 122 in-service teachers through a structured questionnaire assessing five constructs, analyzed via Partial Least Squares Structural Equation Modelling (PLS-SEM). The findings revealed that practical use of AI in science and green energy education (β = 0.391, p < 0.01, f² = 0.180) and active participation in ESD material development (β = 0.236, p < 0.05, f² = 0.127) significantly enhanced teachers' capabilities to integrate AI. In contrast, AI knowledge and attitudes did not demonstrate statistically significant effects. The study concludes that experiential engagement and active involvement in sustainability-focused content development are more critical predictors of teachers' readiness to integrate AI than cognitive or affective factors. It recommends a shift in teacher training towards context-based, practice-oriented models to improve technological competence in sustainability education, highlighting the necessity for educators to engage practically with AI and ESD materials to foster effective pedagogical integration.
Introduction
The introduction of the research paper highlights the transformative impact of Artificial Intelligence (AI) on various sectors, particularly education. It emphasizes that AI facilitates automation, personalization, and innovative learning methods, thereby enhancing educational experiences (Bates et al., 2020; Chu et al., 2022; Marengo et al., 2024). The potential benefits of AI in education include improved learning personalization, the automation of administrative tasks, and the promotion of innovative pedagogical strategies (Bond et al., 2024; Wang et al., 2024; Zawacki-Richter et al., 2019).
Furthermore, the paper posits that AI serves as a catalyst for advancing the Sustainable Development Goals (SDGs), specifically targeting SDG 4 (Quality Education) and SDG 7 (Affordable and Clean Energy). By enhancing access to education and improving its quality, AI contributes significantly to these global objectives (Bachmann et al., 2022).
Methods
The methodology section outlines the study’s design and context, detailing the participant demographics and the specific activities conducted during the research. It emphasizes the systematic approach taken to ensure the reliability and validity of the findings.
Data collection methods are described, highlighting the tools and techniques employed to gather relevant information from participants. Additionally, the section elaborates on the analytical procedures used to interpret the data, ensuring a comprehensive understanding of the results obtained.
Results
The results section identifies several contextual factors that may have influenced the study’s findings. Firstly, the sample characteristics indicate a potential selection bias, as all participants were engaged in a professional development program, suggesting they may be more receptive to innovation than the broader teacher population. Secondly, measurement limitations, particularly the use of dichotomous items, may have reduced the sensitivity of the data and the model’s capacity to detect actual effects. Lastly, the reliability of the instruments used, especially concerning the AI Knowledge construct, was limited, which undermines the validity of the findings related to this variable.
Despite these limitations, the results underscore that hands-on experience with AI and participation in sustainability content development are significant predictors of teachers’ ability to integrate AI into their practice. Conversely, the study found that knowledge and attitudes, as assessed, were insufficient to account for integration readiness. This suggests a need to shift teacher training paradigms from traditional cognitive models to transformative, experience-based learning approaches, particularly in the realms of science and sustainability education.
Discussion
The discussion highlights the urgent need for integrating advanced technologies, particularly Artificial Intelligence (AI), into continuing education to support Education for Sustainable Development (ESD). Teachers are pivotal in embedding sustainability principles within their pedagogical practices, and the Technological Pedagogical Content Knowledge (TPACK) framework serves as a foundational model for understanding the interplay between technological, pedagogical, and content knowledge. This study aims to explore the relationship between teachers’ AI knowledge, their involvement in developing ESD-based materials, their attitudes toward AI, and their ability to implement AI in green energy education. The findings are anticipated to enhance theoretical understanding and inform targeted teacher training initiatives aligned with global sustainability goals, particularly Sustainable Development Goals (SDG) 4 and 7.
Despite the recognized potential of AI in enhancing sustainability education, a significant gap exists in empirical research focusing on teacher professional development and the integration of AI in ESD. Most existing studies have concentrated on student outcomes rather than on how teachers can effectively utilize AI tools in their instructional practices. This research seeks to fill that gap by investigating key enabling factors for teacher readiness in AI-enhanced sustainable education, thereby contributing to the literature at the intersection of AI, teacher development, and sustainability. The study’s conceptual model integrates elements from TPACK, the Technology Acceptance Model (TAM), and constructivist theory, aiming to elucidate the factors influencing teachers’ ability to incorporate AI into their teaching, ultimately fostering pedagogical innovation in green energy education.
Limitations
The research presents several limitations that must be acknowledged when interpreting its findings. Firstly, the sample consisted exclusively of teachers who had undergone professional development training, potentially introducing selection bias. This demographic may have a predisposition towards embracing innovation, particularly in the context of integrating Artificial Intelligence (AI) in education, which could skew their perceptions and attitudes regarding the studied variables.
Secondly, the questionnaire employed a dichotomous scale (0/1), which restricted data variability and limited the sensitivity of the statistical analysis. This binary approach failed to adequately capture the complexities and intensity of respondents’ attitudes and knowledge, thereby diminishing the predictive power of the Structural Equation Modeling with Partial Least Squares (SEM-PLS) framework utilized in the study. Lastly, concerns regarding the reliability and validity of certain constructs, notably the AI Knowledge construct, were raised, as indicated by low values of Cronbach’s Alpha and composite reliability. Such issues may compromise the stability of estimates and the overall accuracy of the measurements within the structural model.