آمار

تعداد نشریات15
تعداد شماره‌ها239
تعداد مقالات2,455
تعداد مشاهده مقاله4,236,849
تعداد دریافت فایل اصل مقاله3,104,448
رضائیان, سجاد, سلیمی, قاسم, محمدی, مهدی, حیدری, الهام, نیک سرشت, علیرضا. (1405). ارائه چارچوب مفهومی مدیریت یادگیری سیار مبتنی بر هوش مصنوعی برای خودبه‌سازی شایستگی تدریس اعضای هیأت علمی. فناوری آموزش, (), -. doi: 10.22061/tej.2025.12083.3231
سجاد رضائیان; قاسم سلیمی; مهدی محمدی; الهام حیدری; علیرضا نیک سرشت. "ارائه چارچوب مفهومی مدیریت یادگیری سیار مبتنی بر هوش مصنوعی برای خودبه‌سازی شایستگی تدریس اعضای هیأت علمی". فناوری آموزش, , , 1405, -. doi: 10.22061/tej.2025.12083.3231
رضائیان, سجاد, سلیمی, قاسم, محمدی, مهدی, حیدری, الهام, نیک سرشت, علیرضا. (1405). 'ارائه چارچوب مفهومی مدیریت یادگیری سیار مبتنی بر هوش مصنوعی برای خودبه‌سازی شایستگی تدریس اعضای هیأت علمی', فناوری آموزش, (), pp. -. doi: 10.22061/tej.2025.12083.3231
رضائیان, سجاد, سلیمی, قاسم, محمدی, مهدی, حیدری, الهام, نیک سرشت, علیرضا. ارائه چارچوب مفهومی مدیریت یادگیری سیار مبتنی بر هوش مصنوعی برای خودبه‌سازی شایستگی تدریس اعضای هیأت علمی. فناوری آموزش, 1405; (): -. doi: 10.22061/tej.2025.12083.3231

ارائه چارچوب مفهومی مدیریت یادگیری سیار مبتنی بر هوش مصنوعی برای خودبه‌سازی شایستگی تدریس اعضای هیأت علمی

فناوری آموزش
مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 04 شهریور 1405
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22061/tej.2025.12083.3231
نویسندگان
سجاد رضائیان1؛ قاسم سلیمی* 1؛ مهدی محمدی1؛ الهام حیدری1؛ علیرضا نیک سرشت2
1گروه مدیریت و برنامه‌ریزی آموزشی، دانشکده علوم تربیتی و روانشناسی، دانشگاه شیراز، شیراز، ایران
2گروه علم اطلاعات و دانش‌شناسی ، دانشکده علوم تربیتی و روانشناسی، دانشگاه شیراز، شیراز، ایران
تاریخ دریافت: 31 اردیبهشت 1404،  تاریخ بازنگری: 05 شهریور 1404،  تاریخ پذیرش: 24 آبان 1404 
چکیده
پیشینه و اهداف: در سالیان اخیر، تحولات شگرف در فناوری‌های دیجیتال و هوش مصنوعی، ساختار آموزش عالی را به‌صورت بنیادین متحول ساخته است. این دگرگونی، همراه با پیچیدگی‌های فزاینده در محیط‌های آموزشی، چالش‌های جدیدی را در زمینه­ توسعه­ حرفه‌ای اعضای هیأت علمی پدید آورده است. مطالعات نشان می‌دهد که برنامه‌های توسعه­ حرفه‌ای سنتی علی‌رغم سرمایه‌گذاری قابل توجه، با محدودیت‌هایی چون عدم انعطاف‌پذیری زمانی و مکانی، فقدان شخصی‌سازی، محدودیت در بازخورد مستمر و عدم انطباق با نیازهای متغیر آموزشی مواجه بوده‌اند. یادگیری سیار و هوش مصنوعی، با قابلیت‌های تحلیل الگوهای یادگیری، شخصی‌سازی محتوا و ارائه­ بازخورد هوشمند، می‌توانند این چالش‌ها را مرتفع سازند. پژوهش حاضر با هدف طراحی چارچوب مفهومی یادگیری سیار مبتنی بر هوش مصنوعی برای خودبه­سازی شایستگی‌های تدریس انجام شده است.
روش‌ها‌: این پژوهش کاربردی، با ماهیت بین‌رشته‌ای، از رویکرد پژوهش مبتنی بر طراحی استفاده کرد که در چهار چرخه تکراری اجرا شد: (1) تحلیل و شناسایی مسئله از طریق مرور نظام‌مند ادبیات علمی براساس راهنمای پریزما (PRISMA) در سه حوزه یادگیری سیار، هوش مصنوعی، و توسعه­ حرفه‌ای با تمرکز بر شایستگی تدریس که منجر به انتخاب 37 مقاله از پایگاه‌های اطلاعاتی Scopus، Web of Science، ERIC وPubMed  شد؛ (2) طراحی و توسعه­ اولیه چارچوب مفهومی از طریق ترکیب یافته‌های نظری و تجربی با استفاده از تحلیل مضمون؛ (3) اعتبارسنجی با مشارکت 15 متخصص در حوزه­های فناوری آموزشی، هوش مصنوعی و آموزش عالی؛ و (4) بازطراحی و نهایی‌سازی چارچوب. اعتبار و قابلیت اعتماد پژوهش از طریق طراحی مبتنی بر مبانی نظری مستحکم، مثلث‌سازی داده‌ها، اعتبارسنجی متخصصان، و شفافیت در فرایند پژوهش تأمین شد.
یافته‌ها: چارچوب پیشنهادی از چهار بُعد کلیدی و 20 مؤلفه­ فرعی تشکیل شده است که عبارتند از: بُعد ورودی (شناسایی نیازها و ویژگی‌های فردی را برای تدوین مسیرهای توسعه­ شخصی‌سازی‌شده)؛ بُعد پردازش (تحلیل داده­ها با استفاده از الگوریتم‌های هوش مصنوعی)؛ بُعد خروجی ( ارائه­ خدمات و محتوای قابل‌اجرا)؛ و بُعد پشتیبانی (فراهم­سازی زیرساخت‌ها و خدمات مورد نیاز). فرایند خودبه­سازی در این چارچوب به‌صورت چرخه‌ای و مستمر طراحی شده و شامل پنج مرحله­ متمایز است: ارزیابی اولیه، برنامه‌ریزی مسیر توسعه، اجرا و یادگیری، ارزیابی مستمر، و بازاندیشی و اصلاح. نتایج اعتبارسنجی توسط 15 متخصص نشان داد که چارچوب در تمامی شاخص‌های ارزیابی شامل جامعیت، کاربردپذیری، نوآوری و انسجام منطقی به طور معناداری تأیید شده است (001/0p<).
نتیجه‌گیری: چارچوب مفهومی ارائه‌شده، رویکردی جامع، نوآورانه و یکپارچه برای طراحی سیستم‌های یادگیری سیار هوشمند جهت خودبه­سازی شایستگی‌های تدریس اعضای هیأت علمی ارائه می‌دهد. این چارچوب با تلفیق ابعاد چهارگانه در قالب یک فرآیند چرخه‌ای پنج‌مرحله‌ای، تمامی مؤلفه‌های ضروری برای یک سیستم یادگیری هوشمند، انعطاف‌پذیر، و مؤثر را دربرمی‌گیرد. نقاط قوت کلیدی شامل شخصی‌سازی مسیرهای یادگیری، تحلیل هوشمند نیازها و دسترسی انعطاف‌پذیر به منابع آموزشی است. این چارچوب مبنایی عملی برای طراحی و پیاده‌سازی نظام‌ مدیریت یادگیری سیار هوشمند در آموزش عالی ارائه می‌دهد. محدودیت‌های پژوهش شامل اعتباربخشی محدود به 15 متخصص و عدم اجرای آزمایشی برای تأیید اثربخشی عملی است. برای مطالعات آتی، پیشنهاد می‌شود طرح‌های پایلوت در مؤسسات آموزش عالی اجرا شوند و الگوریتم‌های هوشمندی برای تحلیل پویای نیازها و ارائه­ی مسیرهای یادگیری انعطاف‌پذیر طراحی شود.
کلیدواژه‌ها
چارچوب مفهومی؛ یادگیری سیار؛ هوش مصنوعی؛ خودبه‌سازی حرفه‌ای؛ شایستگی تدریس
موضوعات
فناوری آموزش - هوش مصنوعی
عنوان مقاله [English]
A conceptual framework for AI-based mobile learning management to support faculty members' self-improvement of teaching competencies
نویسندگان [English]
S. Rezaeian1؛ G. Salimi1؛ M. Mohammadi1؛ E. Heidari1؛ A.R. Nikseresht2
1Department of Educational Administration and Planning, Faculty of Education and Psychology, Shiraz University, Shiraz, Iran
2Department of Knowledge & Information Sciences, Faculty of Education and Psychology, Shiraz University, Shiraz, Iran
چکیده [English]
Background and Objectives: In recent years, significant advancements in digital technologies and artificial intelligence (AI) have fundamentally revolutionized the structure of higher education. This transformation, coupled with increasing complexities in educational environments, has created new challenges in the professional development of faculty members. Recent empirical studies and theoretical investigations indicate that traditional professional development programs, despite substantial financial investment and institutional commitment, have encountered significant limitations, including a lack of temporal and spatial flexibility, an absence of personalization, limited continuous feedback, and failure to adapt to evolving educational needs. Mobile learning technologies and AI systems, with their advanced capabilities for analyzing complex learning patterns, personalizing educational content based on individual preferences, and providing intelligent real-time feedback, can effectively address these multifaceted challenges. This research aims to design an innovative conceptual framework for AI-based mobile learning tailored to support the systematic self-improvement of faculty teaching competencies in higher education institutions.
Methods: This applied, interdisciplinary study employed a design-based research approach implemented through four iterative cycles: (1) Problem analysis and identification through systematic literature review based on PRISMA guidelines across three domains: mobile learning, artificial intelligence, and professional development with a focus on teaching competencies, resulting in the selection of 37 articles from Scopus, Web of Science, ERIC, and PubMed databases; (2) Design and development of the conceptual framework through synthesis of theoretical and empirical findings using thematic analysis; (3) Validation involving 15 experts in educational technology, artificial intelligence, and higher education fields; and (4) Redesign and finalization of the framework. Research validity and reliability were ensured through a design grounded in robust theoretical foundations, data triangulation, expert validation, and transparency in the research process.
Findings: The proposed framework comprises four key dimensions and 20 sub-components: Input dimension (identifying individual needs and characteristics for developing personalized pathways); Processing dimension (analyzing data using artificial intelligence algorithms); Output dimension (delivering actionable services and content); and Support dimension (providing necessary infrastructure and services). The self-improvement process is designed as a cyclical and continuous framework encompassing five distinct phases: initial assessment, development pathway planning, implementation and learning, continuous evaluation, and reflection and modification. Validation results from 15 experts demonstrated that the framework was significantly supported across all evaluation indicators, including comprehensiveness, applicability, innovation, and logical coherence (p < 0.001).
Conclusion: The presented conceptual framework provides a comprehensive, innovative, and integrated approach for designing intelligent mobile learning systems to support faculty members' self-improvement in teaching competencies. By integrating the four dimensions within a five-stage cyclical process, this framework encompasses all essential components for an intelligent, flexible, and effective learning system. Key strengths include personalized learning pathways, intelligent needs analysis, and flexible access to educational resources. This framework provides a practical foundation for designing and implementing an intelligent mobile learning management system in higher education. Research limitations include validation limited to 15 experts and a lack of experimental implementation to confirm practical effectiveness. For future studies, it is recommended that pilot projects be conducted in higher education institutions and intelligent algorithms be designed for dynamic needs analysis and provision of flexible learning pathways.
کلیدواژه‌ها [English]
Conceptual Framework, Mobile Learning, AI, Professional Self-Improvement Teaching Competency
مراجع
[1] Abulibdeh A, Baya Chatti C, Alkhereibi A, El Menshawy S. A scoping review of the strategic integration of artificial intelligence in higher education: transforming university excellence themes and strategic planning in the digital era. Eur J Educ. 2025;60(1):e12908. https://doi.org/10.1111/ejed.12908

[2] Katsamakas E, Pavlov OV, Saklad R. Artificial intelligence and the transformation of higher education institutions: a systems approach. Sustainability. 2024;16(14):6118.

https://doi.org/10.48550/arXiv.2402.08143

[3] Abgaryan H, Asatryan S, Matevosyan A. Revolutionary changes in higher education with artificial intelligence. Main Issues Pedagog Psychol. 2023;10(1):76–86.

https://doi.org/10.24234/miopap.v10i1.454

[4] Castro-Guzmán W. Challenges of professional development for technology integration in higher education. Cuad Investig Educ. 2021;12(2):82–99.

https://doi.org/10.18861/cied.2021.12.2.3090 

[5] Mah D-K, Groß N. Artificial intelligence in higher education: exploring faculty use, self-efficacy, distinct profiles, and professional development needs. Int J Educ Technol High Educ. 2024;21(1):58. https://doi.org/10.1186/s41239-024-00490-1

[6] Sappaile BI, Vandika AY, Deiniatur M, Nuridayanti N, Arifudin O. The role of artificial intelligence in the development of digital era educational progress. J Artif Intell Dev. 2024;3(1):1–8.

[7] Phuong TT, Foster MJ, Reio TG Jr. Faculty development: a systematic review of review studies. New Horiz Adult Educ Hum Resour Dev. 2020;32(4):17–36.

https://doi.org/10.1002/nha3.20294

[8] Dahri NA, Al-Rahmi WM, Almogren AS, Yahaya N, Vighio MS, Al-maatuok Q, et al. Acceptance of mobile learning technology by teachers: influencing mobile self-efficacy and 21st-century skills-based training. Sustainability. 2023;15(11):8514.

https://doi.org/10.3390/su15118514

[9] Drwish A, Al-Dokhny A, Al-Abdullatif A. A sustainable quality model for mobile learning in post-pandemic higher education: a structural equation modeling-based investigation. Sustainability. 2023;15(9):7420.

https://doi.org/10.3390/su15097420

[10] Ofosu-Ampong K. Beyond the hype: exploring faculty perceptions and acceptability of AI in teaching practices. Discover Educ. 2024;3(1):38.

https://doi.org/10.1007/s44217-024-00128-4

[11] Berge ZL, Muilenburg LY, editors. Handbook of mobile learning. New York: Routledge; 2013.

https://doi.org/10.4324/9780203118764

[12] Todino MD, Desimone G, Kidiamboko S. Mobile learning and artificial intelligence to improve teaching-learning process in ICT global market age. Stud Form Open J Educ. 2022;25(1):233–249. https://doi.org/10.13128/ssf-13809

[13] Crompton H, Burke D. The use of mobile learning in higher education: a systematic review. Comput Educ. 2018;123:53–64. https://doi.org/10.1016/j.compedu.2018.04.007

[14] Al-Rahmi AM, Al-Rahmi WM, Alturki U, Aldraiweesh A, Almutairy S, Al-Adwan AS. Acceptance of mobile technologies and M-learning by university students: an empirical investigation in higher education. Educ Inf Technol. 2022;27(6):7805–7826.

https://doi.org/10.1007/s10639-022-10934-8

[15] Siemens G. Connectivism: a learning theory for the digital age. 2004.

[16] Goldie JGS. Connectivism: a knowledge learning theory for the digital age? Med Teach. 2016;38(10):1064–1069.

https://doi.org/10.3109/0142159X.2016.1173661

[17] Kumar BA, Sharma B, Nakagawa EY. Context aware mobile learning: a systematic mapping study. Educ Inf Technol. 2021;26:2033–2052.

https://doi.org/10.1007/s10639-020-10347-5

[18] Wong J, Baars M, de Koning BB, Paas F. Examining the use of prompts to facilitate self-regulated learning in massive open online courses. Comput Hum Behav. 2021;115:106596.

https://doi.org/10.1016/j.chb.2020.106596

[19] Zawacki-Richter O, Marín VI, Bond M, Gouverneur F. Systematic review of research on artificial intelligence applications in higher education–where are the educators? Int J Educ Technol High Educ. 2019;16(1):1–27.

https://doi.org/10.1186/s41239-019-0171-0

[20] Crompton H, Burke D. Artificial intelligence in higher education: the state of the field. Int J Educ Technol High Educ. 2023;20(1):22. https://doi.org/10.1186/s41239-023-00392-8

[21] Hwang G-J, Xie H, Wah BW, Gašević D. Vision, challenges, roles and research issues of artificial intelligence in education. Comput Educ Artif Intell. 2020;1:100001.

https://doi.org/10.1016/j.caeai.2020.100001

[22] Bond M, Khosravi H, De Laat M, Bergdahl N, Negrea V, Oxley E, et al. A meta systematic review of artificial intelligence in higher education: a call for increased ethics, collaboration, and rigour. Int J Educ Technol High Educ. 2024;21(1):4.

https://doi.org/10.1186/s41239-023-00436-z

[23] Chen L, Chen P, Lin Z. Artificial intelligence in education: a review. IEEE Access. 2020;8:75264–75278.

https://doi.org/10.1109/ACCESS.2020.2988510

[24] Dogan ME, Goru Dogan T, Bozkurt A. The use of artificial intelligence (AI) in online learning and distance education processes: a systematic review of empirical studies. Appl Sci. 2023;13(5):3056. https://doi.org/10.3390/app13053056

[25] Abdallah N, Abdallah O, Bohra O. Factors affecting mobile learning acceptance in higher education: an empirical study. Int J Adv Comput Sci Appl. 2021;12(4):664–671.

https://dx.doi.org/10.14569/IJACSA.2021.0120482

[26] Mollah MB, Azad MAK, Vasilakos A. Security and privacy challenges in mobile cloud computing: survey and way ahead. J Netw Comput Appl. 2017;84:38–54.

https://doi.org/10.1016/j.jnca.2017.02.001

[27] Criollo-C S, Guerrero-Arias A, Jaramillo-Alcázar Á, Luján-Mora S. Mobile learning technologies for education: benefits and pending issues. Appl Sci. 2021;11(9):4111.

https://doi.org/10.3390/app11094111

[28] Naveed QN, Choudhary H, Ahmad N, Alqahtani J, Qahmash AI. Mobile learning in higher education: a systematic literature review. Sustainability. 2023;15(18):13566.

https://doi.org/10.3390/su151813566

[29] Darling-Hammond L, Hyler ME, Gardner M. Effective teacher professional development. Palo Alto: Learning Policy Institute; 2017. https://doi.org/10.54300/122.311

[30] Borko H, Jacobs J, Koellner K. Contemporary approaches to teacher professional development. In: International encyclopedia of education. Vol. 7. Elsevier; 2010. p. 548–556.

https://doi.org/10.1016/B978-0-08-044894-7.00654-0

[31] Abou Said S, Abdallah W. Enhancing lifelong learning and professional growth: exploring the role of self-directed learning for university educators. J Adult Contin Educ. 2024;30(2):439–462. http://dx.doi.org/10.1177/14779714241236282

[32] Koay J. Self-directed professional development activities: an autoethnography. Teach Teach Educ. 2023;133:104258 https://doi.org/10.1016/j.tate.2023.104258

[33] Loeng S. Self-directed learning: a core concept in adult education. Educ Res Int. 2020;2020(1):3816132.

https://doi.org/10.1155/2020/3816132

[34] Deci EL, Ryan RM. The "what" and "why" of goal pursuits: human needs and the self-determination of behavior. Psychol Inq. 2000;11(4):227–268.

https://doi.org/10.1207/S15327965PLI1104_01

[35] KKolb AY, Kolb DA. Learning styles and learning spaces: enhancing experiential learning in higher education. Acad Manag Learn Educ. 2005;4(2):193–212.

http://dx.doi.org/10.5465/AMLE.2005.17268566

[36] Chaipidech P, Kajonmanee T, Chaipah K, Panjaburee P, Srisawasdi N. Implementation of an andragogical teacher professional development training program for boosting TPACK in STEM education. Educ Technol Soc. 2021;24(4):220–239.

[37] Desimone LM, Garet MS. Best practices in teacher's professional development in the United States. 2015.

https://doi.org/10.25115/psye.v7i3.515

[38] Turnbull D, Chugh R, Luck J. Learning management systems: an overview. In: Encyclopedia of education and information technologies. Springer; 2019. p. 1–7.

https://doi.org/10.1007/978-3-319-60013-0_248-1

[39] Ruiz-Calleja A, Prieto LP, Ley T, Rodríguez-Triana MJ, Dennerlein S. Learning analytics for professional and workplace learning: a literature review. IEEE Trans Learn Technol. 2021;14(3):353–366.

https://doi.org/10.1007/978-3-319-66610-5_13

[40] Blašková M, Blaško R, Kucharčíková A. Competences and competence model of university teachers. Procedia Soc Behav Sci. 2014;159:457–467.

https://doi.org/10.1016/j.sbspro.2014.12.407

[41] Tigelaar DE, Dolmans DH, Wolfhagen IH, Van Der Vleuten CP. The development and validation of a framework for teaching competencies in higher education. High Educ. 2004;48:253–268.

https://doi.org/10.1023/B:HIGH.0000034318.74275.e4

[42] Darling-Hammond L, Flook L, Cook-Harvey C, Barron B, Osher D. Implications for educational practice of the science of learning and development. Appl Dev Sci. 2020;24(2):97–140.

https://doi.org/10.1080/10888691.2018.1537791

[43] Basilotta-Gómez-Pablos V, Matarranz M, Casado-Aranda L-A, Otto A. Teachers' digital competencies in higher education: a systematic literature review. Int J Educ Technol High Educ. 2022;19(1):8. https://doi.org/10.1186/s41239-021-00312-8

[44] Devlin M, Samarawickrema G. The criteria of effective teaching in a changing higher education context. High Educ Res Dev. 2010;29(2):111–124.

https://doi.org/10.1080/07294360903244398

[45] Fletcher JA. Peer observation of teaching: a practical tool in higher education. J Fac Dev. 2018;32(1):51–64.

https://doi.org/10.13140/RG.2.2.19455.82084

[46] Anuyahong B, Pucharoen N. Exploring the effectiveness of mobile learning technologies in enhancing student engagement and learning outcomes. Int J Emerg Technol Learn. 2023;18(18):50. https://doi.org/10.3991/ijet.v18i18.40445

[47] Xie H, Chu H-C, Hwang G-J, Wang C-C. Trends and development in technology-enhanced adaptive/personalized learning: a systematic review of journal publications from 2007 to 2017. Comput Educ. 2019;140:103599.

https://doi.org/10.1016/j.compedu.2019.103599

[48] Nguyen A, Ngo HN, Hong Y, Dang B, Nguyen B-PT. Ethical principles for artificial intelligence in education. Educ Inf Technol. 2023;28(4):4221–4241.

https://doi.org/10.1007/s10639-022-11316-w

[49] Ali M, Wahab IBA, Huri HZ, Yusoff MS. Personalised learning in higher education for health sciences: a scoping review protocol. Syst Rev. 2024;13(1):99.

https://doi.org/10.1186/s13643-024-02478-4

[50] Bell P, Hoadley CM, Linn MC. Design-based research in education. In: Internet environments for science education. New York: Routledge; 2013. p. 101–114.

https://doi.org/10.4324/9781410610393

[51] Page MJ, McKenzie JE, Bossuyt PM, Boutron I, Hoffmann TC, Mulrow CD, et al. The PRISMA 2020 statement: an updated guideline for reporting systematic reviews. BMJ. 2021;372. https://doi.org/10.1136/bmj.n71

[52] Braun V, Clarke V. Using thematic analysis in psychology. Qual Res Psychol. 2006;3(2):77–101.

https://doi.org/10.1191/1478088706qp063oa

[53] Chyung SY, Roberts K, Swanson I, Hankinson A. Evidence-based survey design: the use of a midpoint on the Likert scale. Perform Improv. 2017;56(10):15–23.

https://doi.org/10.1002/pfi.21727

[54] Chaharbashloo H, Talebzadeh H, Largani MH, Amirian S. A systematic review of online teaching competencies in higher education context: a multilevel model for professional development. Res Pract Technol Enhanc Learn. 2024;19.

https://doi.org/10.58459/rptel.2024.19014

[55] Lim SH, Lim L, Lye CY, Lim WYR. Personalised professional development in teaching and learning in higher education. Trends High Educ. 2025;4(2):16.

https://doi.org/10.3390/higheredu4020016

[56] Eguchi A, Okada H, Muto Y. Contextualizing AI education for K-12 students to enhance their learning of AI literacy through culturally responsive approaches. KI Künstl Intell. 2021;35(2):153–161.

https://doi.org/10.1007/s13218-021-00737-3

آمار
تعداد مشاهده مقاله: 5


سامانه مدیریت نشریات علمی. طراحی و پیاده سازی از سیناوب