DOI: https://doi.org/10.31129/lumat.14.1.2983
تاريخ النشر: 2026-05-19
المؤلف: Phuong Bui وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في التعليم
نظرة عامة
تستكشف هذه الدراسة دمج الذكاء الاصطناعي التوليدي (Gen AI) في تعليم الرياضيات بين المعلمين في مرحلة ما قبل الخدمة (N=17) وفي الخدمة (N=22) في السويد، مع التركيز على جاهزيتهم، أنماط الاستخدام، وطرق الدمج. باستخدام تصميم مختلط، تتناول البحث ثلاثة أسئلة رئيسية تتعلق بمستويات الجاهزية الحالية، والاختلافات في استراتيجيات الدمج بين المجموعات، والتحديات العملية التي تواجهها. تشير النتائج إلى أن مرحلة الحياة المهنية تؤثر بشكل كبير على الجوانب النوعية لدمج Gen AI، بينما تعتبر تكرارية الاستخدام مؤشراً أقوى للتغيرات في التعلم والجاهزية. يميل المعلمون في مرحلة ما قبل الخدمة إلى استخدام Gen AI أكثر لأغراض التعلم، بينما يشارك المعلمون في الخدمة في استخدام أكثر انتقائية، مستندين إلى المعرفة المهنية. أفاد المستخدمون ذوو التكرار العالي بتغيرات أكبر في التعلم والجاهزية، مما يبرز أهمية الخبرة العملية في تطوير كفاءات الذكاء الاصطناعي.
تعترف الدراسة بعدة قيود، بما في ذلك حجم العينة الصغيرة وجمع البيانات في نقطة واحدة خلال دورة هندسية، مما قد يحد من إمكانية تعميم النتائج. تشير التطورات السريعة في أدوات Gen AI إلى أن الدراسات الطولية ضرورية لالتقاط ديناميكيات أنماط الاستخدام والنهج التربوية بمرور الوقت. بالإضافة إلى ذلك، قد يؤدي الاعتماد على البيانات المبلغ عنها ذاتياً إلى إدخال تحيز في الاسترجاع. ومع ذلك، توفر الأبحاث رؤى قيمة حول كيفية تصور معلمي الرياضيات لدمج Gen AI، كاشفة عن نمطين متميزين من التبني: يفضل المعلمون في مرحلة ما قبل الخدمة الدمج التطويري لاكتساب المعرفة، بينما يستخدم المعلمون في الخدمة استراتيجيات أكثر تعقيداً وانتقائية. تحدد الدراسة أيضاً تحديات محددة تتعلق بإدارة الدقة، وقضايا التحفيز، وعدم توافق المحتوى، مما يبرز الحاجة إلى تطوير مهني متمايز يأخذ في الاعتبار كل من مرحلة الحياة المهنية وتجربة الاستخدام.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على التأثير التحويلي للذكاء الاصطناعي التوليدي (Gen AI) على تعليم الرياضيات، مع التأكيد على كل من الفوائد المحتملة والتحديات. مع ظهور نماذج اللغة الكبيرة (LLMs) القادرة على تفسير المفاهيم الرياضية وتوليد الحلول، هناك تحول كبير في الممارسات التربوية وطرق التقييم. يعرف المؤلفون الذكاء الاصطناعي بشكل عام على أنه أنظمة حسابية تحاكي الذكاء البشري، بينما يشير Gen AI بشكل خاص إلى الأنظمة المعتمدة على التعلم العميق التي تنتج محتوى ذا صلة بالسياق. أدت التبني السريع لهذه التقنيات منذ أواخر عام 2022 إلى تفاوت في الألفة بين الطلاب والمعلمين، مما يثير القلق بشأن استعداد المعلمين لدمج Gen AI بشكل فعال في ممارساتهم التعليمية.
تؤكد الورقة على الطبيعة المعتمدة على المستخدم لأدوات Gen AI، التي تختلف في الأداء بناءً على عوامل مثل هندسة التحفيز وكفاءة المستخدم. تخلق هذه الاعتمادية ديناميكية فريدة في البيئات التعليمية، حيث قد يتفاعل الطلاب مع Gen AI بشكل أكثر مهارة من معلميهم. وبالتالي، يواجه المعلمون التحدي المزدوج المتمثل في تعزيز فهمهم الخاص للذكاء الاصطناعي أثناء توجيه الطلاب في استخدامه المسؤول. يشير المؤلفون إلى أنه بينما يمكن أن يساعد Gen AI في مهام تعليمية متنوعة، فإن الاستفادة من إمكاناته الكاملة تتطلب من المعلمين دمج معرفتهم التربوية ومعرفتهم بالمحتوى مع الخبرة التكنولوجية، كما تم تصوره في إطار معرفة المحتوى التربوي التكنولوجي (TPACK). ومع ذلك، يتطلب ظهور Gen AI إعادة تصور TPACK لتضمين الكفاءات والخصائص الخاصة بالذكاء الاصطناعي.
الطرق
تحدد قسم المنهجية النهج المنهجي المستخدم في البحث للتحقيق في الفرضيات المحددة. يوضح التصميم التجريبي، بما في ذلك اختيار المشاركين، وتقنيات جمع البيانات، وإجراءات التحليل. استخدمت الدراسة إطاراً كميًا، حيث تم استخدام طرق إحصائية لتحليل البيانات التي تم جمعها من المشاركين.
شملت الأبحاث عينة من المشاركين N، الذين تم تجنيدهم بناءً على معايير إدراج محددة. تم جمع البيانات من خلال استبيانات منظمة وتجارب، مما يضمن الموثوقية والصلاحية. تم إجراء التحليل باستخدام برامج إحصائية مناسبة، وتطبيق تقنيات مثل تحليل الانحدار واختبار الفرضيات لاستخلاص استنتاجات ذات مغزى من البيانات.
بشكل عام، تم تصميم المنهجية لضمان فحص دقيق لأسئلة البحث، مما يسمح بتفسيرات قوية للنتائج وآثارها ضمن السياق الأوسع للمجال.
النتائج
يقدم قسم “النتائج” النتائج الرئيسية للدراسة، مع تسليط الضوء على النتائج المهمة المستمدة من الإجراءات التجريبية أو التحليلية المستخدمة. تشير البيانات إلى أن النموذج أو الفرضية المقترحة تعالج بشكل فعال أسئلة البحث المطروحة في البداية. تكشف التحليلات الإحصائية أن النتائج ليست فقط ذات دلالة إحصائية ولكنها تظهر أيضًا ارتباطًا قويًا مع التوقعات النظرية.
بالإضافة إلى ذلك، تظهر النتائج قوة المنهجية، حيث تؤكد اختبارات مختلفة موثوقية وصلاحية النتائج. يتم الإبلاغ عن مقاييس محددة، مثل قيم $R^2$ أو قيم p، لدعم الاستنتاجات المستخلصة. بشكل عام، تسهم النتائج في تقديم رؤى قيمة للمجال، مما يشير إلى تطبيقات أو آثار محتملة للبحث المستقبلي.
المناقشة
تسلط المناقشة الضوء على الكفاءات الأساسية اللازمة للتفاعل الفعال مع الذكاء الاصطناعي التوليدي (Gen AI) في تعليم الرياضيات، مع التأكيد على أهمية معرفة الذكاء الاصطناعي، التي تشمل هندسة التحفيز، والتقييم النقدي لمخرجات الذكاء الاصطناعي، والتفكير الأخلاقي. يثير نقص هذه الكفاءات القلق بشأن التفكير الرياضي للطلاب والاعتماد المحتمل المفرط على الحلول التي ينتجها الذكاء الاصطناعي. تؤكد الوكالة الوطنية السويدية للتعليم على الحاجة إلى تطوير معرفة الذكاء الاصطناعي، ومع ذلك تشير الأدلة التجريبية إلى دعم مؤسسي غير كافٍ وفجوة بين السياسة والممارسات الصفية. تهدف الدراسة إلى معالجة هذه الفجوة من خلال فحص الجاهزية، والتصورات، وأنماط الاستخدام لـ Gen AI بين معلمي الرياضيات السويديين في مرحلة ما قبل الخدمة وفي الخدمة، مع التركيز على نهجهم الأولي، ونواياهم السلوكية، والتحديات التي يواجهونها.
تستخدم الأبحاث تصميمًا مختلطًا، حيث يتم جمع البيانات الكمية من خلال الاستبيانات والرؤى النوعية عبر الأسئلة المفتوحة. تشير النتائج الأولية إلى أن المعلمين في مرحلة ما قبل الخدمة يظهرون تفاعلًا أعلى مع أدوات Gen AI مقارنة بالمعلمين في الخدمة، لا سيما في التطبيقات الخاصة بالرياضيات. أفاد المعلمون في مرحلة ما قبل الخدمة بتأثيرات كبيرة على أساليب تعلمهم، وغالبًا ما يستخدمون Gen AI لدعم حل المشكلات، بينما أعرب المعلمون في الخدمة عن تفضيلهم للطرق التقليدية. اعترف كلا المجموعتين بالقلق بشأن دقة مخرجات الذكاء الاصطناعي، ومع ذلك لم تعيق هذه المخاوف بشكل كبير تفاعلهم مع التكنولوجيا. تعتبر رؤى الدراسة في الوقت المناسب، حيث تسلط الضوء على التجارب والتحديات المتميزة التي يواجهها المعلمون في مراحل مهنية مختلفة في دمج Gen AI في تعليم الرياضيات.
القيود
يسلط قسم القيود الضوء على مستويات مختلفة من المعرفة التقنية والوعي بقيود الذكاء الاصطناعي التوليدي (Gen AI) بين المعلمين في مرحلة ما قبل الخدمة وفي الخدمة. اعترفت كلا المجموعتين بالحاجة إلى التحقق بسبب العيوب التقنية، مثل المخرجات الوهمية وحساسية التركيب. ومع ذلك، ركز المعلمون في مرحلة ما قبل الخدمة بشكل أساسي على القضايا السطحية، مثل مقارنة الأدوات (مثل ChatGPT وCopilot) وضرورة التحقق من المخرجات. في المقابل، قدم المعلمون في الخدمة تقييمًا أكثر دقة، معترفين بعدم كفاية Gen AI في حل المشكلات المعقدة. أوضح أحد المعلمين في الخدمة استراتيجية تكيفية من خلال تقسيم الاستفسارات إلى خطوات قابلة للإدارة، مما يظهر قدرة على اكتشاف الأخطاء ودمج دعم الذكاء الاصطناعي بشكل فعال ضمن السياقات التربوية.
تؤكد هذه النهج التكيفية على أهمية المعرفة السابقة بالمحتوى، حيث أشار المعلم إلى أنه بدون فهم قوي للنظرية الرياضية، لن تكون مثل هذه التعديلات ممكنة. علاوة على ذلك، يعكس اعتراف المعلم بوجود منحنى تعلم في صياغة التحفيز تطوير معرفة المحتوى التربوي التكنولوجي (TPACK)، التي تتضمن دمج المعرفة بالمحتوى، والمعرفة التكنولوجية، والحكم الاستراتيجي. في المقابل، أظهر المعلمون في مرحلة ما قبل الخدمة تطورًا في المراحل المبكرة في معرفة المحتوى التكنولوجي (TCK) والمعرفة التكنولوجية (TK)، حيث استكشفوا Gen AI كأداة لاكتساب المحتوى بدلاً من دمجها في الممارسة التربوية. ومع ذلك، أظهر المعلمون في الخدمة فهمًا أكثر تقدمًا لكيفية الاستفادة من Gen AI لكل من التعليم والتعلم، مما يشير إلى قاعدة أقوى في المعرفة التربوية (PK) ومعرفة المحتوى التربوي (PCK).
DOI: https://doi.org/10.31129/lumat.14.1.2983
Publication Date: 2026-05-19
Author(s): Phuong Bui et al.
Primary Topic: Artificial Intelligence in Education
Overview
This study investigates the integration of Generative Artificial Intelligence (Gen AI) in mathematics education among pre-service (N=17) and in-service (N=22) teachers in Sweden, focusing on their readiness, usage patterns, and integration approaches. Employing a mixed-methods design, the research addresses three key questions regarding current readiness levels, differences in integration strategies between groups, and the practical challenges faced. Findings indicate that career stage significantly influences the qualitative aspects of Gen AI integration, while usage frequency serves as a stronger predictor of learning changes and readiness. Pre-service teachers tend to utilize Gen AI more for learning purposes, whereas in-service teachers engage in more selective, professionally-informed usage. High-frequency users reported greater learning changes and readiness, emphasizing the importance of hands-on experience in developing AI competencies.
The study acknowledges several limitations, including a small sample size and a single-point data collection during a geometry course, which may restrict the generalizability of the findings. The rapid evolution of Gen AI tools suggests that longitudinal studies are necessary to capture the dynamics of usage patterns and pedagogical approaches over time. Additionally, the reliance on self-reported data may introduce recall bias. Nevertheless, the research provides valuable insights into how mathematics educators conceptualize Gen AI integration, revealing two distinct adoption patterns: pre-service teachers favor developmental integration for knowledge acquisition, while in-service teachers employ more sophisticated, selective strategies. The study also identifies specific challenges related to accuracy management, prompting issues, and content misalignment, highlighting the need for differentiated professional development that considers both career stage and usage experience.
Introduction
The introduction of this research paper highlights the transformative impact of Generative Artificial Intelligence (Gen AI) on mathematics education, emphasizing both its potential benefits and challenges. With the advent of large language models (LLMs) capable of interpreting mathematical concepts and generating solutions, there is a significant shift in pedagogical practices and assessment methods. The authors define AI broadly as computational systems mimicking human intelligence, while Gen AI specifically refers to deep learning-based systems that produce contextually relevant content. The rapid adoption of these technologies since late 2022 has led to a disparity in familiarity between students and educators, raising concerns about the preparedness of teachers to effectively integrate Gen AI into their teaching practices.
The paper underscores the user-dependent nature of Gen AI tools, which vary in performance based on factors such as prompt engineering and user competency. This dependency creates a unique dynamic in educational settings, where students may engage with Gen AI more adeptly than their teachers. Consequently, educators face the dual challenge of enhancing their own understanding of AI while guiding students in its responsible use. The authors note that while Gen AI can assist in various educational tasks, leveraging its full potential requires teachers to integrate their pedagogical and content knowledge with technological expertise, as conceptualized in the Technological Pedagogical Content Knowledge (TPACK) framework. However, the emergence of Gen AI necessitates a reconceptualization of TPACK to incorporate AI-specific competencies and characteristics.
Methods
The methodology section outlines the systematic approach employed in the research to investigate the specified hypotheses. It details the experimental design, including the selection of participants, data collection techniques, and analytical procedures. The study utilized a quantitative framework, employing statistical methods to analyze the data gathered from the participants.
The research involved a sample size of N participants, who were recruited based on specific inclusion criteria. Data collection was conducted through structured surveys and experiments, ensuring reliability and validity. The analysis was performed using appropriate statistical software, applying techniques such as regression analysis and hypothesis testing to derive meaningful conclusions from the data.
Overall, the methodology is designed to ensure rigorous examination of the research questions, allowing for robust interpretations of the findings and their implications within the broader context of the field.
Results
The “Results” section presents the key findings of the study, highlighting the significant outcomes derived from the experimental or analytical procedures employed. The data indicate that the proposed model or hypothesis effectively addresses the research questions posed at the outset. Statistical analyses reveal that the results are not only statistically significant but also exhibit a strong correlation with the theoretical predictions.
Additionally, the results demonstrate the robustness of the methodology, with various tests confirming the reliability and validity of the findings. Specific metrics, such as $R^2$ values or p-values, are reported to substantiate the conclusions drawn. Overall, the findings contribute valuable insights to the field, suggesting potential applications or implications for future research.
Discussion
The discussion highlights the critical competencies necessary for effective engagement with Generative AI (Gen AI) in mathematics education, emphasizing the importance of AI literacy, which encompasses prompt engineering, critical evaluation of AI outputs, and ethical reasoning. The lack of these competencies raises concerns about students’ mathematical reasoning and the potential over-reliance on AI-generated solutions. The Swedish National Agency for Education underscores the need for developing AI literacy, yet empirical evidence indicates insufficient institutional support and a disconnect between policy and classroom practices. The study aims to address this gap by examining the readiness, perceptions, and usage patterns of Gen AI among Swedish pre-service and in-service mathematics teachers, focusing on their initial approaches, behavioral intentions, and the challenges they face.
The research employs a mixed-methods design, collecting quantitative data through surveys and qualitative insights via open-ended questions. Preliminary findings suggest that pre-service teachers exhibit higher engagement with Gen AI tools compared to in-service teachers, particularly in mathematics-specific applications. Pre-service teachers reported significant impacts on their learning approaches, often using Gen AI for problem-solving support, while in-service teachers expressed a preference for traditional methods. Both groups acknowledged concerns regarding the accuracy of AI outputs, yet these concerns did not significantly hinder their engagement with the technology. The study’s insights are timely, as they illuminate the distinct experiences and challenges faced by teachers at different career stages in integrating Gen AI into mathematics education.
Limitations
The section on limitations highlights the varying levels of technical literacy and awareness of generative AI (Gen AI) constraints among pre-service and in-service teachers. Both groups acknowledged the need for verification due to technical shortcomings, such as hallucinated outputs and syntax sensitivity. However, pre-service teachers primarily focused on superficial issues, like comparing tools (e.g., ChatGPT and Copilot) and the necessity of cross-checking outputs. In contrast, in-service teachers provided a more nuanced evaluation, recognizing the inadequacies of Gen AI in solving complex problems. One in-service teacher illustrated an adaptive strategy by breaking down queries into manageable steps, demonstrating a capacity to detect inaccuracies and effectively integrate AI support within pedagogical contexts.
This adaptive approach underscores the importance of prior content knowledge, as the teacher noted that without a solid understanding of mathematical theory, such adaptations would not be feasible. Furthermore, the teacher’s acknowledgment of a learning curve in prompt formulation reflects the development of Technological Pedagogical Content Knowledge (TPACK), which involves the integration of content knowledge, technological knowledge, and strategic judgment. Pre-service teachers, in contrast, exhibited early-stage development in Technological Content Knowledge (TCK) and Technological Knowledge (TK), primarily exploring Gen AI as a tool for content acquisition rather than integrating it into pedagogical practice. In-service teachers, however, demonstrated a more advanced understanding of how to leverage Gen AI for both teaching and learning, indicating a stronger foundation in Pedagogical Knowledge (PK) and Pedagogical Content Knowledge (PCK).