پیوندهای مفید
آمار
| تعداد نشریات | 11 |
| تعداد شماره‌ها | 227 |
| تعداد مقالات | 2,290 |
| تعداد مشاهده مقاله | 3,536,893 |
| تعداد دریافت فایل اصل مقاله | 2,589,119 |
آموزش معکوس مبتنی بر هوش مصنوعی در آموزش عالی: اثر بخشی بر درک مفاهیم علمی در روانشناسی یادگیری زبان | ||
| فناوری آموزش | ||
| مقاله 13، دوره 19، شماره 1 - شماره پیاپی 73، دی 1403، صفحه 253-270 اصل مقاله (725.63 K) | ||
| نوع مقاله: مقاله پژوهشی-شماره انگلیسی | ||
| شناسه دیجیتال (DOI): 10.22061/tej.2025.12480.3295 | ||
| نویسندگان | ||
| مهرک رحیمی* ؛ ساناز سدیدی شال | ||
| گروه زبان انگلیسی، دانشکده علوم انسانی، دانشگاه تربیت دبیر شهید رجائی، تهران، ایران | ||
| تاریخ دریافت: 01 خرداد 1403، تاریخ بازنگری: 05 شهریور 1403، تاریخ پذیرش: 19 آبان 1403 | ||
| چکیده | ||
| پیشینه و اهداف: کلاس معکوس مدل آموزشی سنتی سخنرانی-محور را دگرگون کرده و فراگیران را با استفاده از فناوری‌های متنوع قبل از کلاس درس با محتوای آموزشی درگیر می‌کند. در این ارتباط، هوش مصنوعی می‌تواند قابلیت سازگاری و تعامل را به ویژه در آموزش مفاهیم علمی به مراحل پیش کلاسی و درون کلاسی بیافزاید. با وجود پژوهش‌های رو به رشد مرتبط با بکارگیری هوش مصنوعی در کلاس معکوس، تأثیر این فناوری در دوره های تربیت معلم نیازمند پژوهش‌های تکمیلی است. از این رو، این مطالعه با بکارگیری طرح شبه تجربی به بررسی تأثیر کلاس معکوس با کمک هوش مصنوعی بر عملکرد دانشجویان در درس روانشناسی یادگیری زبان می پردازد. روش‌ها: شرکت کنندگان شامل سه گروه دانشجوی مقطع کارشناسی آموزش زبان انگلیسی بودند که در درس روانشناسی یادگیری زبان ثبت نام کرده بودند (73 نفر). محتوای آموزشی گروه اول (26 نفر) با استفاده از NotebookLM که یک ابزار هوش مصنوعی برای پژوهش، نگارش و تولید محتوی است آماده شد و آموزش معکوس از طریق آن صورت گرفت. گروه دوم (25 نفر) کلاس معکوس را با استفاده از پاور پوینت های صداگذاری شده استاد تجربه کردند. گروه سوم (22 نفر) درس را از طریق آموزش سنتی سخنرانی فرا گرفتند. فعالیت های درون کلاسی، شامل آزمون ها، کار گروهی/دو نفره، تکمیل برگه های تمرین، فعالیت های پرسش و پاسخ، و بحث های شفاهی بود. تمرین های پس از کلاس شامل خلاصه نویسی، پیاده کردن متن فایل های صوتی، و درست کردن نقشه های مفهومی بود. عملکرد و یادگیری مفاهیم علمی هر سه گروه از طریق آزمون های محقق ساخت میان ترم و پایان ترم مورد ارزیابی قرار گرفت. یافته‌ها: برای مقایسه فراگیری مفاهیم علمی، از تحلیل واریانس چند متغیره دو سویه استفاده شد. نتایج نشان داد که بطور کلی بین عملکرد سه گروه شرکت کنندگان در درس روانشناسی یادگیری زبان تفاوت معناداری با ضریب تأثیر قوی وجود داشت. این تفاوت در بین آزمون های میان ترم و پایان ترم نیز معنادار بود. آزمون تعقیبی توکی نشان داد که گروه اول که آموزش معکوس با کمک هوش مصنوعی را دریافت کرده بودند، در هر دو آزمون عملکرد بهتری نسبت به گروه دوم و سوم داشتند. همچنین، گروه دوم که آموزش معکوس متداول را دریافت کردند، نسبت به گروه سوم که آموزش سنتی سخنرانی-محور را تجربه کردند، عملکرد بهتری داشتند. تفاوت معناداری بین عملکرد دانشجویان دختر و پسر مشاهده نشد. نتیجه‌گیری: بهبود قابل توجه در عملکرد گروه کلاس معکوس با کمک هوش مصنوعی نشان می دهد که بکارگیری ابزارهای هوش مصنوعی مانند NotebookLM می تواند تجارب یادگیری را ازطریق شخصی سازی، سازگاری و تعامل با محتوای آموزشی تقویت کند. این موضوع نشان دهنده نیاز به تحول در طراحی مدل های آموزشی از روش های سنتی استاد-محور به محیط های یادگیرنده-محور است که در آن فراگیر بتواند بطور فعال با محتوای آموزشی قبل از دریافت آموزش درگیر شود. استفاده از هوش مصنوعی در کلاس معکوس می تواند آموزش را فردی سازی کرده و با در نظر گرفتن سرعت و توانایی درک مناسب هر دانشجو برابری آموزشی را ارتقا بخشد. ابزارهای هوش مصنوعی به اساتید کمک می کند تا بدون نیاز به ارائه های تکراری بر ارتقا یادگیری های سطح بالاتر، تفکر نقادانه، و فعالیت های گروهی درون کلاسی تمرکز بیشتری داشته باشند. از منظر سازمانی، بکارگیری موفق آموزش معکوس با کمک هوش مصنوعی می تواند انقلابی در طراحی برنامه درسی، تربیت مدرس و کاربست فناوری های نوین در آموزش ایجاد کند. با اینکه یافته های این مطالعه بر درس روانشناسی یادگیری در حوزه آموزش زبان متمرکز بود، مدل ارائه شده قابل تعمیم به سایر حوزه های آموزش مانند آموزش مهندسی، آموزش تلفیقی (STEM) و حوزه سلامت که بطور ویژه بر یادگیری مطلق مفاهیم پیچیده علمی تأکید دارند، است. | ||
| کلیدواژه‌ها | ||
| هوش مصنوعی؛ کلاس معکوس؛ مفاهیم علمی؛ زبان انگلیسی به عنوان زبان خارجی | ||
| موضوعات | ||
| هوش مصنوعی | ||
| عنوان مقاله [English] | ||
| AI-Powered Flipped Instruction in Higher Education: Effects on Conceptual Understanding in Psychology of Language Learning | ||
| نویسندگان [English] | ||
| M. Rahimi؛ Sanaz Sadidi Shal | ||
| English Department, Shahid Rajaee Teacher Training University, Tehran, Iran | ||
| چکیده [English] | ||
| Background and Objectives: Flipped instruction (FI) inverts the traditional lecture-homework model, engaging learners with content before class through a variety of technologies. AI in this regard can bring adaptability and interactivity to both the pre-class and in-class phases, especially in understanding scientific concepts in higher education courses. While there is growing research on the value of AI-assisted FI in subjects such as science and engineering, the impact of this revolutionary instructional practice in teacher education courses remains open to further research. This study employs a quasi-experimental design to investigate the effects of AI-assisted FI on the understanding of technical and scientific concepts in the course Psychology of Language Learning. Materials and Methods: The participants included three groups of BA students who enrolled in the course Psychology of Language Learning (n=73). Group 1 (n=26) received AI-assisted FI, where pre-class instructional content was prepared by NotebookLM, an AI-powered research and writing tool. Group 2 (n=25) received conventional FI, where pre-class instructional content included the instructor’s PowerPoints with voiceovers. Group 3 (n=22) received conventional instruction utilizing a lecture-based instructional approach. In-class phase activities included quizzes, group/pair work, completion of task sheets, question-and-answer activities, and oral discussions. Post-class reinforcement included summary writing, transcribing, and generating concept maps. The participants’ achievement in the course and understanding of the technical concepts were assessed by the researcher-made midterm and final exams. Findings: A two-way Multivariate analysis of Variance (MANOVA) was used to compare the participants’ achievement in the course and understanding of the technical terms. The results illustrated a significant difference between the three groups in general achievement and in both the midterm and final exams of the course with a strong effect size. Tukey’s HSD test showed that Group 1, who experienced AI-assisted FI, outperformed both Groups 2 and 3 in midterm and final exams. It was also found that Group 2, who learned the technical concepts using conventional FI, outperformed Group 3, who participated in a traditional and lecture-based course, in both exams. No difference was observed between male and female students. Conclusions: The significant improvement in conceptual understanding among students who experience AI-assisted FI suggests that integrating AI tools, such as NotebookLM, can meaningfully enhance learning experiences by providing personalized, adaptive, and interactive pre-class content. This implies a shift in pedagogical design, from traditional, instructor-centered delivery models to learner-centered environments where students actively engage with content before class. Moreover, the use of AI in pre-class instruction supports differentiated learning by accommodating individual pacing and comprehension levels, thus promoting educational equality. For instructors, AI tools reduce the need for repetitive content delivery, enabling them to focus on facilitating higher-order learning, critical thinking, and collaborative in-class activities. From an institutional perspective, the successful application of AI-assisted FI in this study can reform curriculum development, faculty training, and the integration of AI tools into learning. Notably, while this study focused on educational psychology in ELT, the model has broad potential for transferability to other fields, particularly those requiring mastery of complex or technical concepts, such as engineering education, STEM curricula, or health education. | ||
| کلیدواژه‌ها [English] | ||
| AI, Flipped Instruction, Scientific Concepts, English as a Foreign Language | ||
| مراجع | ||
|
[1] Martin F, Zhuang M, Schaefer D. Systematic review of research on artificial intelligence in K-12 education (2017–2022). Comput Educ Artif Intell. 2024;6:100195. https://doi.org/10.1016/j.caeai.2023.100195
[2] Khan F, Pasha MA, Masud S. Advancements in microprocessor architecture for ubiquitous AI—an overview on history, evolution, and upcoming challenges in AI implementation. Micromachines. 2021;12(6):665. https://doi.org/10.3390/mi12060665
[3] Peña-Acuña B, Corga Fernandes Durão R. Learning English as a second language with artificial intelligence for prospective teachers: a systematic review. Front Educ. 2024;9:1490067. https://doi.org/10.3389/feduc.2024.1490067
[4] Manir H, Gwandu FF. Application of artificial intelligence in enhancing inclusive education in Nigeria. J Contemp Res Educ Adm Manag. 2025;2(3):52-6.
[5] Owan VJ, Chukwu CO, Agama VU, Owan TJ, Ogar JO, Etorti IJ. Acceptance and use of artificial intelligence for self-directed research learning among postgraduate students in Nigerian public universities. Discover Educ. 2025;4(1). https://doi.org/10.1007/s44217-025-00770-6
[6] Bishop JL, Verleger MA. The flipped classroom: a survey of the research. ASEE Annual Conference & Exposition (National Conference Proceedings) 2013;30(9):1–18. https://doi.org/10.18260/1-2—22585
[7] Lo CK, Hew KF. A critical review of flipped classroom challenges in K-12 education: possible solutions and recommendations for future research. Research and Practice in Technology-Enhanced Learning. 2017;12(1): Article 4. https://doi.org/10.1186/s41039-016-0044-2
[8] Zainuddin Z, Halili SH. Flipped classroom research and trends from different fields of study. Int Rev Res Open Distrib Learn. 2016;17(3):313–340. https://doi.org/10.19173/irrodl.v17i3.2274
[9] Zarrinfard S, Rahimi M, Mohseny A. [The impact of flipped classroom on EFL learners’ development of reading comprehension]. Tech. Edu. J. 2020; 14(2): 247-259. https://doi.org/10.22061/jte.2020.5750.2269
[13] Ettien A, Touré YEJ. Theoretical foundations of the flipped classroom. European Journal of Education and Pedagogy. 2023; 4(6): 53-57. https://doi.org/10.24018/ejedu.2023.4.6.771
[15] Zarinfard S, Rahimi M, Mohsen A. The impact of the flipped classroom on learning outcomes in a general English course: Grammar and vocabulary gains in focus. International Journal of Foreign Language Teaching and Research. 2021; 9(38); 61-75. https://doi.org/10.52547/JFL.9.38.65
[16] Rahmawati Y, Fitriati WS. A four-strand approach to AI-assisted pre-class learning modules: EFL teachers’ practices in designing daily conversation content for flipped classrooms. Language Teaching Research Quarterly. 2025; 49(5): 90-112. https://doi.org/10.32038/ltrq.2025.49.05
[17] Mehring J. The flipped classroom. In Mehring J, Leis A (Eds.). Innovations in flipping the language classroom (pp. 1–10). Springer; 2018. https://doi.org/10.1007/978-981-10-6968-0
[18] Zarrinfard S, Rahimi M, Mohseny A. Flipping an on-campus general English course: a focus on technology complexity of instruction and learners’ levels of impulsivity. Int J Educ Technol High Educ. 2021; 18(45): 1-25. https://doi.org/10.1186/s41239-021-00280-z
[20] Sorroshian S. Artificial Intelligence Think Tank (AITT): A modern problem-solving framework. Frontiers in Artificial Intelligence. 2025. https://doi.org/10.3389/frai.2025.1603562
[23] Katona J, Gyonyoru KIK. Integrating AI-based adaptive learning into the flipped classroom model to enhance engagement and learning outcomes. Computers and Education: Artificial Intelligence. 2025; 8: 100392. https://doi.org/10.1016/j.caeai.2025.100392.
[24] Chu X, Wang M, Spector JM. et al. Enhancing the flipped classroom model with generative AI and Metaverse technologies: insights from lag sequential and epistemic network analysis. Education Tech Research Dev. 73, 1539–1567 (2025). https://doi.org/10.1007/s11423-025-10457-2
[27] Chen J, Mokmin NAM, Shen Q, Su H. Leveraging AI in design education: exploring virtual instructors and conversational techniques in flipped classroom models. Education and Information Technologies. 2025; 30:16441–16461. https://doi.org/10.1007/s10639-025-13458-z
[29] Jayaraman S, Kolarkar A. Using peer tutoring to bolster retention rates and student performance in CS1 courses. In Proceedings of the 56th ACM Technical Symposium on Computer Science Education V (SIGCSE TS 2025) (pp. 1495–1496). ACM; 2025. https://doi.org/10.1145/3641555.3705278
[33] Ouahmiche G, Bouguebs R. Preface: Crossing the Nexus: Language, culture, and technology in a globalized world. Traduction et Langues. 2025; 24 (1): 12-15. https://doi.org/10.52919/translang.v24i01.1019
[34] Namaziandost E. Integrating flipped learning in AI-enhanced language learning: Mapping the effects on metacognitive awareness, writing development, and foreign language learning boredom, Computers and Education: Artificial Intelligence. 2025; 9: 100446. https://doi.org/10.1016/j.caeai.2025.100446.
[37] Reinders H, Park JK, Lee JS. Innovation in language learning and teaching: The case of Korea. Springer; 2025. https://doi.org/10.1007/978-3-031-83561-2
[38] Martín-Alguacil N, Avedillo L, Mota-Blanco RA, Marañón-Almendros M, Gallego-Agúndez M. ChatGPT as a Virtual Peer: Enhancing Critical Thinking in Flipped Veterinary Anatomy Education. International Medical Education. 2025; 4(3):34. https://doi.org/10.3390/ime4030034
[39] TEFL Syllabus. Iran’s Ministry of Science, Technology, and Research.
[40] Williams M, Mercer S, Ryan S. Exploring psychology in language learning and teaching. Oxford: Oxford University Press; 2015.
[42] Pallant J. SPSS Survival Manual: A step-by-step guide to data analysis using IBM SPSS (7th ed). Routledge; 2020.
[43] Cohen BH. Explaining psychological statistics (3rd ed.). John Wiley & Sons, Inc., 2008.
https://doi.org/10.1109/ACCESS.2020.2988510
[45] Kabudi T, Pappas L, Olsen DH. AI-enabled adaptive learning systems: A systematic mapping of the literature. Computers and Education: Artificial Intelligence. 2021; 2. https://doi.org/10.1016/j.caeai.2021.100017
[47] Yu G, Ramayah T, Lin Z. Toward understanding the role of generative AI in entrepreneurship education: A systematic review. Computers and Education: Artificial Intelligence. 2025; 100470. https://doi.org/10.1016/j.caeai.2025.100470
[48] Deckker D, Sumanasekara S. Leveraging Artificial Intelligence for simulation and visualisation in STEM education: A theory-informed narrative synthesis. International Journal of Science and Research Archive. 2025; 16(2):901-913. https://doi.org/10.30574/ijsra.2025.16.2.2412
[49] Liao Z. Artificial intelligence-enabled integration of: “Fu” culture into the moral education system for special education across K-12 and higher education: A soft computing approach. Disability and Rehabilitation: Assistive Technology. 2025. https://doi.org/10.1080/17483107.2025.2555541
[50] Chen SY, Chen WC, Lai CF. Generative AI as a reflective scaffold in a UAV-based STEM project: A mixed-methods study on students’ higher-order thinking and cognitive transformation. Education and Information Technologies. 2025. https://doi.org/10.1007/s10639-025-13758-4
[51] Bruner JS. The role of dialogue in language acquisition. In Sinclair A, Jarvella RJ, Levelt WJM (Eds.), The Child's Conception of Language (pp. 241–256). Springer-Verlag; 1978.
[52] Vygotsky LS. Mind in society: The development of higher psychological processes. Harvard University Press; 1978.
[54] Zimmerman BJ. Becoming a self-regulated learner: An overview. Theory and Practice. 2002; 41(2): 64-70.
| ||
|
آمار تعداد مشاهده مقاله: 98 تعداد دریافت فایل اصل مقاله: 80 |
||