تاثیر هوش مصنوعی آموزشی بر پیشرفت تحصیلی دانش آموزان دارای نیازهای ویژه شناختی با نقش میانجی بازبینی فرایند یادگیری

این پژوهش به بررسی اثر هوش مصنوعی آموزشی بر پیشرفت تحصیلی دانش آموزان دارای نیازهای ویژه شناختی و نقش میانجی بازبینی فرایند یادگیری می پردازد. با استفاده از رویکردی کمی-کیفی ترکیبی و مدل سازی ساختاری سه متغره، هدف اصلی تبیین این است که آیا به کارگیری ابزارهای هوش مصنوعی می تواند با تسهیل بازبینی فرایند یادگیری، بهبود مستمر و معنادار عملکرد تحصیلی را فراهم آورد و بازبینی فرایند یادگیری به چه میزان کانال ترجمه مزایای AI به نتایج آموزشی است. جامعه آماری را دانش آموزان دوره متوسطه در مدارس دولتی و غیرانتفاعی شهر تهران تشکیل می دهد و نمونه گیری چندمرحله ای-تصادفی جهت پوشش نمایه های گوناگون آموزشی به کار گرفته شد. ابزار گرد آوری داده ها پرسشنامه های استاندارد برای اندازه گیری شدت استفاده از هوش مصنوعی آموزشی، سطح بازبینی فرایند یادگیری و شاخص های پیشرفت تحصیلی بود. روایی محتوا و سازه با CFA و پایایی با آلفای کرونباخ ارزیابی شد و شاخص های برازش مدل ارائه گردید تا صحت استنتاج ها تضمین شود. تحلیل مسیر با نرم افزارهای AMOS و LISREL انجام شد تا هم اثر مستقیم AI بر پیشرفت تحصیلی و هم اثر غیرمستقیم از طریق بازبینی فرایند یادگیری برآورد گردد. یافته ها نشان می دهد که AI به طور مستقیم بر پیشرفت تحصیلی اثر دارد و بازبینی فرایند یادگیری به عنوان میانجی، این اثر را تقویت می کند. ضریب مسیر مستقیم AI→پیشرفت برابر با ۰.۴۲ (p<۰.۰۰۱) است و مسیر میانجی AI→بازبینی→پیشرفت برابر با ۰.۱۸ (p=۰.۰۰۴) است که در مجموع اثر کل AI بر یادگیری را ۰.۶۰ نشان می دهد. این نتایج با مبانی نظری یادگیری فراشناختی و بازخوردهای زمان دار و با پژوهش های پیشین همسو است و بر ضرورت طراحی مداخلات AI با تمرکز بر بازبینی فرایند یادگیری و ایجاد بازخوردهای معنادار تاکید می کند. کاربردهای عملی برای سیاست گذاران آموزشی و مدیران مدارس از جمله طراحی مداخلات ترکیبی مبتنی بر AI با رویکردی بهبوددهنده بازبینی فرایند یادگیری و ایجاد فرصت های بازخوردی گسترده مطرح می شود. محدودیت هایی مانند اندازه نمونه و تفاوت های فردی در پاسخ به فناوری باید در پژوهش های آینده مدنظر قرار گیرد. متن حاضر با ارجاعاتی چون Sweller (۲۰۱۱)، Pintrich و Schunk (۲۰۰۲)، Bandura (۱۹۹۷)، Siemens (۲۰۱۳) و Dede (۲۰۱۶) مبانی نظری را توضیح می دهد و بر لزوم توجه به عدالت آموزشی و دسترسی برابر به فناوری های نوین تاکید می ورزد.

کلیدواژه ها:

هوش مصنوعی آموزشی ، پیشرفت تحصیلی ، نیازهای ویژه شناختی ، بازبینی فرایند یادگیری