پیوندهای مفید
آمار
| تعداد نشریات | 15 |
| تعداد شمارهها | 240 |
| تعداد مقالات | 2,473 |
| تعداد مشاهده مقاله | 4,274,514 |
| تعداد دریافت فایل اصل مقاله | 3,134,739 |
آیا یادگیرندگان خود راهبر عامل یادگیری خود هستند؟ بررسی نقش هوش مصنوعی در تغییر عاملیت شناختی دانشجویان | ||
| فناوری آموزش | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 15 شهریور 1405 | ||
| نوع مقاله: مقاله پژوهشی-شماره انگلیسی | ||
| شناسه دیجیتال (DOI): 10.22061/tej.2026.12892.3354 | ||
| نویسنده | ||
| عباس رمضانی* | ||
| گروه مدیریت آموزشی، دانشگاه فرهنگیان، تهران، ایران | ||
| تاریخ دریافت: 02 مرداد 1404، تاریخ بازنگری: 16 مهر 1404، تاریخ پذیرش: 28 آذر 1404 | ||
| چکیده | ||
| پیشینه و اهداف: پیشرفت سریع سامانههای هوش مصنوعی در آموزش عالی بهویژه از طریق سامانههای یادگیری تطبیقی، عوامل آموزش هوشمند و ابزارهای تولیدی هوش مصنوعی تحولی پارادایمی در مدلهای سنتی تدریس و یادگیری ایجاد کرده است. استفاده گسترده از هوش مصنوعی در رشتههای مختلف، یادگیری شخصیسازیشده، پاسخگو و اثربخشتری را به ارمغان میآورد. اما با گسترش نقش سامانههای هوش مصنوعی در تعیین نحوه تعامل دانشجویان با دانش و پردازش آن، سؤالهای اساسی دربارۀ عاملیت یادگیرنده و پارادایم یادگیرنده خود راهبر که پایۀ نظریههای آموزش بزرگسالان و آموزش عالی بوده و از اهمیت بالایی برخوردار است، پیش میآید. پژوهش حاضر به بررسی نقش دوگانۀ محیطهای یادگیری مجهز به هوش مصنوعی را در عاملیت شناختی یادگیرندگان خود راهبر میپردازد؛ اینکه این سامانهها چه چالشها و فرصتهایی را برای دانشجویان فراهم مینمایند. روشها: رویکرد پژوهش حاضر از نوع کیفی بود تا با بررسی دیدگاهها و تجارب دانشجویان مسائل مهم مرتبط با نظریه آموزشی و فناوریهای نوظهور را نشان دهد و به این سؤال که «در عصر هوش مصنوعی، آیا یادگیرندگان خود راهبر هنوز عامل یادگیری خود هستند؟» بپردازد. این روش فلسفی به بررسی مبانی وجودی و معرفتی عاملیت شناختی در زمینۀ واسطهگری هوش مصنوعی پرداخته و از مصاحبههای نیمهساختاریافته با ۲۳ دانشجو در رشتههای مختلف دانشگاههای تهران استفاده نمود. این پرسش در مورد تجارب زیسته دانشجویانی که با هوش مصنوعی برای آموزش درگیر هستند، مطرح شد. بهمنظور تجزیهوتحلیل دادهها و افزایش دقت روششناختی، روش هفتمرحلهای کولایزی به کار گرفته شد؛ این روش به دلیل خاصیت و عمق تفسیری مؤثر خود و تطبیق با پدیدارشناسی برای بررسی «عاملیت»، «مالکیت فکری» و «خودراهبری» دانشجویان در زمینه الگوریتمی عصر حاضر انتخاب شد. این روش شامل هفت مرحله است: ۱) خواندن و بازخوانی تمام مصاحبههای نوشته شده برای درک آنها،۲) استخراج عبارات معنیدار که مستقیماً به پدیده مورد بررسی مربوط میشوند، ۳) معنابخشی به عبارات: در این فرایند نقلقولهای مرتبط دستهبندی میشوند و تمها بر پایه چندین عبارت با معانی مشابه شکل میگیرند، ۴) تکرار گامهای ۱ تا ۳ برای هر مصاحبه و سپس ایجاد تم بر اساس معانی شکلگرفته، ۵) جمعآوری توصیف جامع از تمام موارد تولید شده در گامهای ۱‑۴، ۶) تلخیص جامع برای شناسایی ساختار بنیادی پدیده، و ۷) اطمینان از اعتبار دادهها از طریق بررسی اعضا. یافتهها: نتایج نشانگر این موضوع بودند که استفاده از هوش مصنوعی در حوزههای مختلف تأثیرات مثبت و منفی بر یادگیری و عاملیت شناختی دانشجویان دارد. مهمترین یافتهها در بخش فرصتها شامل این موضوع بودند که هوش مصنوعی میتواند به تقویت ساختارشناختی، دسترسی بیشتر به دانش پیچیده، تعمیق دانششناختی، همکاری مشترک با هوش مصنوعی از طریق مشارکت فعال، تقویت تفکر انتقادی و بهبود خودآموزی از طریق شبیهسازی و محیط تعاملی کمک کند. ازسویدیگر، چالشهایی نظیر ابهام در مالکیت فکری، کاهش اعتماد معرفتی به خود، توهم تسلط، تسلیم ذهنی به اقتدار الگوریتمی، ناهماهنگی اخلاقی و احساس گناه علمی استخراج شدند. نتیجهگیری: بر پایه این یافتهها و جنبههای متنوع هوش مصنوعی در عاملیت شناختی دانشجویان، پژوهش حاضر، چارچوبی برای یادگیری خود راهبر در عصر هوش مصنوعی ارائه میدهد، بهنحوی که مالکیت فکری جدا انگاشته نمیشود و دانشجویان عامل یادگیری خود در تعامل با هوش مصنوعی باقی میمانند و همزمان از آن استفاده نیز مینمایند، اما این موضوع نیازمند تغییرات جدی و اساسی در مباحث آموزشی، برنامهریزی و فلسفی است. | ||
| کلیدواژهها | ||
| هوش مصنوعی؛ دانشجویان؛ یادگیری خود راهبر؛ روش کلایزی؛ عاملیت شناختی | ||
| موضوعات | ||
| فناوری آموزش - هوش مصنوعی | ||
| عنوان مقاله [English] | ||
| Are self-directed learners the author of their learning? The role of ai in transforming students’ cognitive agency | ||
| نویسندگان [English] | ||
| A. Ramazani | ||
| Department of Educational Administration, Farhangian University, Tehran, Iran | ||
| چکیده [English] | ||
| Background and Objectives: The rapid advancement of AI (AI) in higher education, particularly through adaptive learning systems, intelligent tutoring agents, and generative AI tools, has catalyzed a paradigm shift in traditional teaching and learning models. Also, the increased use of AI in higher education in many different fields offers a more personalized, responsive, and effective learning experience. Yet, as AI systems increasingly determine how students interact with and process knowledge, and create knowledge outputs, it is important to answer both basic questions about learner agency in relation to the very paradigm of the autonomous learner that underpins theories of adult and higher education. This article considers whether AI-enhanced learning environments support or deter learners’ sense of cognitive authorship. Methods: This study used a qualitative method that is a mixture of conceptual and empirical inquiry to show pressing issues related to educational theory and emerging technologies: in the age of AI, are self-directed learners still authors of their learning? The philosophical method examines issues about the ontological and epistemic grounds of cognitive agency in an AI-mediated context using semi-structured interviews with 23 students in different fields at Tehran universities. It includes the question of the lived experience of university students who are engaging with AI to be educated. To increase methodological precision Colaizzi‘s seven step was used; this was chosen because of its specificity and effective depth for interpretation, as well as its fit with a focus on phenomenology in its aim to examine how 'agency', 'authorship', and 'self-direction' of students are lived in an algorithmic context that is mediating cognitive agency. This method includes seven steps: 1) Reading and re-reading all the transcribed interviews to make sense of them, 2) Extracting significant statements. These are phrases or sentences that directly pertain to the investigated phenomenon, 3) Giving meaning to the statements: During the process pertinent quotes are categorized the themes are generated based on multiple statements that convey similar meaning, 4) Repeating step 1-3 for each interview, then the researcher can begin to create theme based on the formulated meaning, 5) Gathering an exhaustive description of everything generated in step 1-4, 6) Summarizing the exhaustive description so that there is an identification of the fundamental structure of the phenomenon and 7) Ensuring the credibility of the data through member checking. Findings: Results indicated that using AI in different fields has both negative and positive effects on learning and cognitive agency of students. Central outcomes on the positive side include cognitive scaffolding, increased access to complex knowledge, the ability of AI as a cognitive extension, co-authorship with AI through critical engagement, increasing critical thinking, and improving self-learning through simulation and interactive environments. On the other hand, it has some challenges such as: Ambiguous intellectual authorship, Erosion of epistemic self-Trust, Illusion of mastery, Passive deference to algorithmic authority, and ethical dissonance and academic guilt. Conclusions: Based on these findings and different aspects of AI in student cognitive agency, the paper proposes a framework for self-directed learning in the age of AI in which authorship is not isolated, as the learner is still the one who makes learning; however, this issue needs basic changes in pedagogical, curricular, and philosophical perspectives. | ||
| کلیدواژهها [English] | ||
| AI, Students, Self-Directed Learning, Colaizzi’s Method, Cognitive Agency | ||
| مراجع | ||
|
doi:10.22037/bioeth.v10i35.27500.
[2] Ramezani A, Sharifi M. Investigating the relationship between the use of artificial intelligence and critical thinking through the mediation of self-learning: a case study of high school students. Res Instr Methods. 2025;3(3):65–90. [In Persian]. doi:10.22091/jrim.2025.11934.1171.
[3] Farrell O. Review of Veletsianos G. Learning online: the student experience. TechTrends. 2021;65(2):236–7. doi:10.1007/s11528-021-00582-z.
doi:10.1111/j.1365-2729.2009.00337.x.
[5] Taşkın Alkan B, Tüzün H. A narrative of meeting a computer: a cognitive-ethnographic study of self-directed computer learning. Educ Inf Technol. 2024;29(17):23089–119. doi:10.1007/s10639-024-12748-2.
[7] du Toit-Brits C, van Zyl CM. Self-directed learning characteristics: making learning personal, empowering and successful. Afr Educ Rev. 2017;14(3–4):122–41. doi:10.1080/18146627.2016.1267576.
[8] Eke DO. ChatGPT and the rise of generative AI: threat to academic integrity? J Responsible Technol. 2023;13:100060. doi:10.1016/j.jrt.2023.100060.
[9] Williamson B, Eynon R. Historical threads, missing links, and future directions in AI in education. Learn Media Technol. 2020;45(3):223–35. doi:10.1080/17439884.2020.1798995.
[10] Lo CK. What is the impact of ChatGPT on education? A rapid review of the literature. Educ Sci. 2023;13(4):410. doi:10.3390/educsci13040410.
doi:10.1186/s41239-019-0171-0.
[12] Biesta G. The integrity of education and the future of educational studies. Br J Educ Stud. 2023;71(5):493–515. doi:10.1080/00071005.2023.2242452.
[17] Polat M, Karataş İH, Varol N. Ethical artificial intelligence in educational leadership: literature review and bibliometric analysis. Leadersh Policy Sch. 2025;24(1):46–76. doi:10.1080/15700763.2024.2412204.
[18] Holmes W, Bialik M, Fadel C. Artificial intelligence in education: promises and implications for teaching and learning. Boston: Center for Curriculum Redesign; 2019.
doi:10.22061/tej.2025.11335.3135.
[20] Khabareh K. Identifying the opportunities of artificial intelligence for teacher leadership in the education process. Technol Educ J. 2024;19(1):233–52. [In Persian] doi:10.22061/tej.2025.11612.3171.
[21] Talan T. Artificial intelligence in education: a bibliometric study. Int J Res Educ Sci. 2021;7(3):822–37. doi:10.46328/ijres.2409.
[22] Rajabiyan Dehzireh M. Identifying the challenges and capabilities of artificial intelligence in teaching and learning by providing solutions. Technol Educ J. 2024;18(4):921–50. [In Persian]. doi:10.22061/tej.2024.10777.3058.
doi:10.22061/tej.2024.10465.3012.
doi:10.1016/j.caeai.2020.100001.
[26] Wang B, Rau PLP, Yuan T. Measuring user competence in using artificial intelligence: validity and reliability of an artificial intelligence literacy scale. Behav Inf Technol. 2023;42(9):1324–37. doi:10.1080/0144929X.2022.2072768.
[27] Ramazani A, Talebi Z. A consideration of the roles of preservice teachers’ information literacy, digital literacy, and ICT self-efficacy in teaching. Technol Educ J. 2023;18(1):271–86. [In Persian]. doi:10.22061/tej.2024.10254.2979.
[29] Fawns T. An entangled pedagogy: looking beyond the pedagogy-technology dichotomy. Postdigit Sci Educ. 2022;4(3):711–28. doi:10.1007/s42438-022-00302-7.
[30] Colaizzi PF. Psychological research as the phenomenologist views it. In: Valle RS, King M, editors. Existential-phenomenological alternatives for psychology. New York: Oxford University Press; 1978. p. 48–71.
doi:10.1007/s42438-025-00573-w. | ||
|
آمار تعداد مشاهده مقاله: 1 |
||