
اثر هوش مصنوعی و تأمل بر خودتنظیمی تحصیلی
مبانی نظری، روششناسی، یافتهها و بحث پژوهشی
به زبان سادهتر
ایده اصلی پژوهش
این پژوهش بررسی میکند که نحوه استفاده از هوش مصنوعی (چتجیپیتی بهعنوان منبع اطلاعات در مقابل همکار نوشتن) و نوع تأمل (گروهی در مقابل فردی) چگونه بر خودتنظیمی تحصیلی (SRL) دانشجویان اثر میگذارند. پژوهشگران با ۲۸۸ دانشجوی ویتنامی در یک برنامه پنجهفتهای با طرح فاکتوریل ۲×۲ کار کردند.
زمینه پژوهش: ظهور ابزارهای هوش مصنوعی در آموزش، امکانات جدیدی برای غنیسازی تجربه یادگیری دانشجویان فراهم کرده است. پلتفرمهایی مثل چتجیپیتی پشتیبانی بیسابقهای در تولید محتوا، بازخورد شخصیسازیشده و بازیابی اطلاعات ارائه میدهند. اما سؤال مهم دیگر این نیست که «آیا باید از هوش مصنوعی استفاده کرد؟» بلکه این است که تعامل دانشجو-هوش مصنوعی چگونه باید از نظر آموزشی ساختاردهی شود تا جنبههای عمیقتر یادگیری را تقویت کند.
شکاف پژوهشی: با وجود گسترش استفاده از هوش مصنوعی در کلاسها، پژوهش تجربی درباره چگونگی تأثیر آن بر خودتنظیمی یادگیری محدود است. مطالعات قبلی بیشتر بر کارایی فنی هوش مصنوعی تمرکز داشتند، اما پژوهشهای اخیر بر نیاز به «عاملیت انسانمحور» در مدلهای خودتنظیمی مبتنی بر هوش مصنوعی تأکید میکنند. نحوه تعامل دانشجویان با هوش مصنوعی (مصرفکننده منفعل اطلاعات یا همسازنده فعال) میتواند انگیزه و مهارتهای خودتنظیمی آنها را به شکلهای متفاوتی تحت تأثیر قرار دهد.
مبانی نظری
۱. خودتنظیمی یادگیری بهعنوان یک چارچوب چندبعدی (SRL)
خودتنظیمی یادگیری (SRL) چارچوبی هستهای برای درک ابعاد شناختی، انگیزشی و عاطفی یادگیری است. SRL نه یک ویژگی ثابت، بلکه یک فرایند فعال و چندبعدی شامل مؤلفههای شناختی، فراشناختی، رفتاری و عاطفی است.
مدل چرخهای زیمرمن (Zimmerman): این مدل سه مرحله بههمپیوسته را توصیف میکند:
1. مرحله پیشاندیشی (Forethought): یادگیرنده به تحلیل تکلیف و هدفگذاری میپردازد که توسط باورهای انگیزشی هدایت میشود.
2. مرحله عملکرد (Performance): تنظیم تلاش و نظارت فراشناختی.
3. مرحله خوداندیشی (Self-Reflection): ارزیابی نتایج و تطبیق استراتژیها.
این چرخه نشان میدهد که یادگیرندگان عاملانی فعال هستند که فرایند یادگیری خود را هدایت میکنند.
مدل پردازش دوگانه بوکارتس (Boekaerts): یادگیرندگان بین دو مسیر تعادل برقرار میکنند:
· مسیر تسلط (Mastery): تمرکز بر یادگیری
· مسیر بهزیستی (Well-being): تمرکز بر جلوگیری از استرس
وقتی دانشجویان محیط را تهدیدکننده perceive کنند (مثلاً بهخاطر عدم قطعیت ابزارهای جدید هوش مصنوعی)، ممکن است بهزیستی عاطفی را بر رشد تحصیلی ترجیح دهند و خودتنظیمیشان از استراتژیهای یادگیری به مکانیسمهای مقابلهای تغییر کند.
دامنه این پژوهش: با اذعان به گستردگی SRL، این مطالعه بر بعد انگیزشی تمرکز دارد و از نظریه خودتعیینگری (SDT) و پرسشنامه خودتنظیمی تحصیلی (SRQ-A) برای عملیاتیسازی کیفیت انگیزه (از تنظیم کنترلشده تا خودمختار) استفاده میکند.
۲. خودتنظیمی تحصیلی و نظریه خودتعیینگری (SDT)
خودتنظیمی تحصیلی به توانایی یادگیرندگان در هدایت فعالانه فرایند یادگیری از طریق هدفگذاری، استفاده از استراتژی و خودانگیزشی اشاره دارد.
نظریه خودتعیینگری (Deci & Ryan): این نظریه یک پیوستار انگیزشی از بیانگیزگی تا انگیزه درونی را مطرح میکند:
|
نوع تنظیم |
توضیح ساده |
مثال |
|
بیانگیزگی (Amotivation) |
هیچ انگیزهای ندارم |
«نمیدانم چرا درس میخوانم» |
|
تنظیم بیرونی (External) |
یاد میگیرم چون مجبورم / نمره میخواهم |
«فقط برای قبولی در امتحان درس میخوانم» |
|
تنظیم درونفکنیشده (Introjected) |
یاد میگیرم چون احساس گناه یا شرم دارم |
«اگر درس نخوانم احساس بدی دارم» |
|
تنظیم شناساییشده (Identified) |
یاد میگیرم چون برایم ارزشمند است |
«یادگیری این موضوع برای رشد من مهم است» |
|
تنظیم درونی (Intrinsic) |
یاد میگیرم چون خود یادگیری لذتبخش است |
«از یادگیری این موضوع واقعاً لذت میبرم» |
هرچه از بالا به پایین برویم، انگیزه درونیتر و پایدارتر میشود.
نکته کلیدی SDT: کیفیت انگیزه ثابت نیست و بهطور پویا تحت تأثیر حمایت محیط یادگیری از نیازهای روانی پایه قرار میگیرد:
· خودمختاری (Autonomy): احساس کنترل و انتخاب
· شایستگی (Competence): احساس توانمندی
· ارتباط (Relatedness): احساس تعلق و پیوند
در محیطهای مبتنی بر هوش مصنوعی: ابزارهای هوش مصنوعی میتوانند این نیازها را تقویت یا تضعیف کنند:
· هوش مصنوعی که از خودمختاری حمایت میکند ← تنظیم شناساییشده و درونی را تقویت میکند.
· هوش مصنوعی که فقط راهحل دیکته میکند ← تنظیم بیرونی یا درونفکنیشده (مبتنی بر فشار یا گناه) را تقویت میکند.
۳. خودمختاری یادگیرنده و انگیزه درونی در آموزش عالی
خودمختاری یادگیرنده — ظرفیت بهدست گرفتن کنترل یادگیری خود — بهطور ذاتی با انگیزه پیوند دارد. وقتی دانشجویان خودمختاری اعمال میکنند، احساس عاملیت شخصی تجربه میکنند که SDT آن را محرک کلیدی انگیزه درونی میداند.
بازتعریف خودمختاری در عصر هوش مصنوعی مولد: خودمختاری در محیطهای یادگیری دیجیتال یعنی حفظ عاملیت انسانی هنگام تعامل با الگوریتمهای هوشمند. این نیازمند رویکرد انسان-در-حلقه (Human-in-the-Loop) است — یادگیرنده تصمیمگیرنده باقی میماند و کنترل را به ماشین واگذار نمیکند.
قضاوت ارزیابی (Evaluative Judgement): برای اینکه هوش مصنوعی از خودمختاری حمایت کند (نه اینکه آن را جابجا کند)، دانشجویان باید توانایی ارزیابی انتقادی کیفیت خروجیهای هوش مصنوعی را در برابر استانداردهای درونی خود پرورش دهند. بدون این توانایی، دانشجویان در معرض تخلیه شناختی (Cognitive Offloading) قرار میگیرند — جایی که هوش مصنوعی به عصا (crutch) تبدیل میشود نه داربست (scaffold).
عاملیت هیبریدی (Hybrid Agency): پرورش خودمختاری در عصر هوش مصنوعی یعنی nurturing نوعی عاملیت ترکیبی. مربیان نقشی محوری با طراحی وظایفی دارند که مشارکت انتقادی را الزامی میکنند.
۴. هوش مصنوعی و خودتنظیمی یادگیری در آموزش عالی
تلاقی هوش مصنوعی و SRL جهتهای جدیدی برای پشتیبانی شخصیسازیشده و اندازهگیری فرایندهای تنظیمی یادگیرندگان گشوده است. در آموزش عالی، هوش مصنوعی عمدتاً از طریق سیستمهای تطبیقی، پیشبینی، سیستمهای آموزش هوشمند و فناوریهای ارزیابی از SRL پشتیبانی میکند.
نکته حیاتی: تأثیر هوش مصنوعی بهشدت به ماهیت خاص تعامل دانشجو-هوش مصنوعی بستگی دارد. این پژوهش بین دو سبک اصلی استفاده از هوش مصنوعی تمایز قائل میشود:
الف) هوش مصنوعی بهعنوان منبع اطلاعات (Information Provider)
اینجا چتجیپیتی مثل یک دایرةالمعارف یا معلم خصوصی عمل میکند:
· دانشجو سؤال میپرسد ← چتجیپیتی جواب میدهد ← دانشجو جواب را برمیدارد و استفاده میکند.
· رابطه یکطرفه است: گرفتن اطلاعات و مصرف کردن آن.
· دانشجو بیشتر منفعل است؛ فقط دریافتکننده.
· از نظر نظری: این مدل عمدتاً بهعنوان مکانیسم بازیابی عمل میکند. اگرچه میتواند هزینههای جستجو را کاهش دهد، ممکن است یادگیرنده را در نقش نسبتاً منفعل قرار دهد که نظارت و تنظیم استراتژیک را در حین مشارکت در تکلیف محدود میکند.
· از نظر رویهای در این پژوهش: دانشجویان در این شرایط از چتجیپیتی عمدتاً برای بازیابی اطلاعات واقعی، ارائه توضیحات و مثالهای پشتیبان استفاده میکردند. آنها موظف بودند چتجیپیتی را در مرحله برنامهریزی به کار ببرند، اما نوشتن، بازنگری و ارزیابی کار نوشتاری خود را مستقل انجام دهند. تعامل آنها الگویی خطی و غیربازگشتی داشت.
· مثال: «تعریف انگیزش درونی چیست؟» ← جواب را کپی میکند و در تکلیف میگذارد.
ب) هوش مصنوعی بهعنوان همکار نوشتن (Writing Partner)
اینجا چتجیپیتی مثل یک همتیمی یا همکلاسی عمل میکند:
· دانشجو با چتجیپیتی گفتوگو میکند، ایده میدهد، نقد میگیرد، بازنویسی میکند.
· رابطه دوطرفه است: بحث، پرسش، اصلاح، تکامل ایده.
· دانشجو فعال است؛ ایدهها را میسازد و شکل میدهد.
· از نظر نظری: این مدل یادگیرنده را در یک چرخه گفتوگویی از پرامپتدهی، ارزیابی و پالایش محتوا قرار میدهد که میتواند نظارت فراشناختی و تصمیمگیری استراتژیک مرتبط با پرامپت را برانگیزد.
· از نظر رویهای در این پژوهش: دانشجویان در این شرایط تشویق میشدند در تمام فرایند نوشتن با چتجیپیتی تعامل کنند. آنها از آن بهصورت مشارکتی برای طوفان فکری، طرحریزی، تولید متن و ویرایش استفاده میکردند. تعامل گفتوگویی و تکراری بود و از همساختسازی محتوا پشتیبانی میکرد.
· مثال: «این پاراگراف را نوشتم، به نظرت استدلالش قوی است؟ چه نقاط ضعفی دارد؟ چطور میتوانم بهترش کنم؟»
تفاوت کلیدی: در حالت اول چتجیپیتی جواب میدهد؛ در حالت دوم چتجیپیتی همراه میشود.
فرضیههای نظری:
· مدل همکار نوشتن ← احتمالاً بیشتر با تنظیم شناساییشده و درونی مرتبط است (چون عاملیت یادگیرنده و درونیسازی مشارکت در تکلیف را تقویت میکند).
· مدل منبع اطلاعات ← ممکن است بیشتر با اشکال کنترلشده تنظیم (بیرونی یا درونفکنیشده) مرتبط باشد، بسته به نحوه ساختاردهی تکلیف.
نکته پژوهشی: هوش مصنوعی فراتر از ابزارهای آموزشی، امکان جمعآوری دادههای ردپا (Trace Data) را نیز فراهم میکند که به پژوهشگران اجازه میدهد رفتارهای شناختی و فراشناختی یادگیرندگان را در زمان واقعی بهطور عینی ثبت کنند.
۵. تأمل (Reflection)
تأمل یعنی فکر کردن آگاهانه و هدفمند به تجربه یادگیری؛ نه فقط «فکر کردن»، بلکه:
· چه چیزی یاد گرفتم؟
· چطور یاد گرفتم؟
· چه چیزی سخت بود؟ چرا؟
· دفعه بعد چه کاری متفاوت انجام دهم؟
تأمل پل ارتباطی است بین تجربه و یادگیری پایدار. بدون تأمل، تجربه فقط «اتفاق» است؛ با تأمل، تبدیل به «یادگیری» میشود.
نکته پژوهشی: تأمل بهعنوان هسته اصلی توسعه خودتنظیمی، نقشی حیاتی در میانجیگری این اثرات دارد؛ اما اطلاعات کمی درباره چگونگی تعامل انواع مختلف تأمل (گروهی در مقابل فردی) با سبکهای استفاده از هوش مصنوعی وجود دارد.
در این پژوهش: ژورنال تأملی بهعنوان ابزار کیفی برای ثبت روایتهای دروننگرانه دانشجویان از رفتارهای یادگیری، تغییرات انگیزشی و تعاملاتشان با هوش مصنوعی استفاده شد. ژورنال بین فاز کمی و مصاحبههای نیمهساختارمند قرار داشت و سه هدف اصلی داشت:
1. اجازه دادن به دانشجویان برای پردازش و درونیسازی تجربیات یادگیری خود.
2. ارائه توضیحات روایی زمینهای برای الگوهای مشاهدهشده در دادههای کمی.
3. هدایت و شخصیسازی مصاحبههای نیمهساختارمند بعدی.
۶. نوع تأمل: گروهی در مقابل فردی
الف) تأمل فردی (Individual Reflection)
دانشجو تنها با خودش فکر میکند. مثلاً در دفترچه یادداشت یا ژورنال شخصی مینویسد:
· «امروز از چتجیپیتی کمک گرفتم. حس کردم خیلی سریع جواب داد ولی مطمئن نبودم درست باشد. باید یاد بگیرم چطور سؤال بهتری بپرسم.»
نقاط قوت:
· دروننگری عمیقتر
· صداقت بیشتر با خود
· فضای امن برای فکر کردن بدون قضاوت دیگران
نقاط ضعف:
· ممکن است به «حلقه فکری» بیفایده تبدیل شود
· انگیزه و مسئولیتپذیری کمتری ایجاد میکند (چون کسی نیست که پاسخگو باشی)
ب) تأمل گروهی (Group Reflection)
دانشجویان با هم درباره تجربهشان صحبت میکنند:
· «من وقتی از چتجیپیتی خواستم همکار نوشتن باشد، خیلی بهتر یاد گرفتم.»
· «من هنوز به جوابهایش اعتماد ندارم. شما چطور راستیآزمایی میکنید؟»
نقاط قوت:
· انگیزه بیشتر (دیدن تلاش دیگران)
· مسئولیتپذیری بیشتر (باید تجربهات را برای گروه توضیح دهی)
· درونیسازی اهداف (هدف گروه را مال خودت میدانی)
· یادگیری از تجربه دیگران
نقاط ضعف:
· ممکن است سطحی بماند
· ترس از قضاوت باعث عدم صداقت شود
نتیجه پژوهش: تأمل گروهی بهطور معناداری تنظیم شناساییشده (Identified Regulation) را تقویت کرد — یعنی دانشجویان اهداف تحصیلی را بیشتر «مال خودشان» دانستند و درونی کردند. همچنین تأمل فردی دروننگری عمیقتر و تأمل گروهی انگیزه و مسئولیتپذیری بیشتری ایجاد کرد.
در این پژوهش: نوع تأمل تعیین میکرد که دانشجویان در فعالیتهای فراشناختی مشارکتی یا مستقل شرکت کنند:
· شرایط تأمل گروهی: دانشجویان هفتگی بهصورت گروهی درباره استراتژیهای یادگیری، استفاده از هوش مصنوعی و پویاییهای گروهی تأمل میکردند.
· شرایط تأمل فردی: دانشجویان بهصورت مستقل تأملات نوشتاری انجام میدادند و بر فرایندهای یادگیری خودشان تأکید میکردند.
روششناسی پژوهش
۷. طرح پژوهش
این مطالعه از یک طرح ترکیبی متوالی تبیینی (Explanatory Sequential Mixed-Methods Design) استفاده کرد که شامل دو فاز متمایز بود: یک فاز کمی و سپس یک فاز کیفی. این طرح انتخاب شد تا ابتدا اثرات انواع مختلف تأمل و سبکهای استفاده از هوش مصنوعی بر خودتنظیمی تحصیلی دانشجویان تعیین شود و سپس فرایندهای انگیزشی و یادگیری زیربنایی از طریق کاوش کیفی بررسی گردد.
فاز کمی: یک طرح آزمایشی فاکتوریل ۲×۲ با دستکاری دو متغیر مستقل:
· نوع تأمل: فردی در مقابل گروهی
· سبک استفاده از هوش مصنوعی: چتجیپیتی بهعنوان منبع اطلاعات در مقابل همکار نوشتن
متغیر وابسته، خودتنظیمی تحصیلی، با استفاده از پیشآزمون و پسآزمون مبتنی بر SRQ-A سنجیده شد.
فاز کیفی: دادههای کیفی از طریق تأملات نوشتاری دانشجویان، مصنوعات استفاده از هوش مصنوعی و مصاحبههای نیمهساختارمند با شرکتکنندگان منتخب جمعآوری شد.
ادغام: ادغام یافتههای کمی و کیفی در مرحله تفسیر رخ داد، جایی که نتایج کیفی به توضیح مکانیسمهای پشت اثرات کمی مشاهدهشده کمک کرد.
۸. شرکتکنندگان
این مطالعه ابتدا ۳۶۰ دانشجوی کارشناسی ثبتنامشده در یک دوره مهارتهای مطالعه در یک دانشگاه دولتی بزرگ در ویتنام را جذب کرد. از این تعداد، ۲۸۸ دانشجو دادههای پیشآزمون و پسآزمون کامل و معتبر ارائه دادند و در تحلیل نهایی گنجانده شدند. این دانشجویان در هشت کلاس دستنخورده توزیع شده و بر اساس طرح فاکتوریل به یکی از چهار گروه آزمایشی اختصاص یافتند.
تخصیص تصادفی طبقهای: برای اطمینان از نمایندگی متوازن، دانشجویان ابتدا بر اساس بخش کلاس طبقهبندی و سپس بهطور تصادفی به یکی از چهار شرایط اختصاص یافتند. این رویکرد به کنترل تنوع بین گروههای کلاسی و مربیان کمک کرد.
ترکیب گروههای آزمایشی: چهار گروه شامل ترکیبهای مختلف نوع تأمل (فردی/گروهی) و سبک استفاده از هوش مصنوعی (همکار نوشتن/منبع اطلاعات) بودند. توزیع دانشجویان در این چهار گروه نسبتاً متوازن بود، اگرچه گروه «منبع اطلاعات، تأمل گروهی» بیشترین تعداد و گروه «همکار نوشتن، تأمل فردی» کمترین تعداد را داشت.
پیشینه فناوری: اکثر دانشجویان کاربران منظم ابزارهای هوش مصنوعی بودند (حدود ۶۰٪)، در حالی که حدود ۳۸٪ استفاده قبلی محدود داشتند و تنها حدود ۱٪ هرگز از ابزارهای هوش مصنوعی استفاده نکرده بودند.
ادراکات مربوط به هوش مصنوعی: بیش از نیمی از شرکتکنندگان ابزارهای هوش مصنوعی را «مؤثر» یافتند، حدود یکسوم آنها را «نسبتاً مؤثر» و کمتر از ۱۰٪ «بسیار مؤثر» ارزیابی کردند. اکثر دانشجویان (حدود ۸۰٪) گزارش کردند که محتوای تولیدشده توسط هوش مصنوعی را میخوانند، اصلاح میکنند و در کار خود ادغام میکنند — نشاندهنده رویکردی نسبتاً انتقادی به کمک هوش مصنوعی. تنها حدود ۱٪ گزارش کردند که همه پاسخها را بدون بازبینی کپی میکنند.
عادتهای خودخوانی: دانشجویان عادات مطالعه متنوعی داشتند؛ حدود یکسوم ۵-۱۰ ساعت در هفته بهصورت مستقل مطالعه میکردند، حدود یکچهارم ۱-۵ ساعت، حدود یکچهارم ۱۰-۱۵ ساعت و حدود ۱۵٪ بیش از ۱۵ ساعت. از نظر روشهای مطالعه، حدود نیمی ترکیبی از مطالعه گروهی و انفرادی داشتند، حدود نیمی تنها مطالعه میکردند و درصد کوچکی فقط گروهی مطالعه میکردند.
۹. رویه پژوهش
مداخله پنج هفته به طول انجامید و شامل وظایف نوشتاری تحصیلی ساختارمند پشتیبانیشده توسط ابزارهای هوش مصنوعی و فعالیتهای تأملی متناسب با هر شرایط آزمایشی بود.
هفته ۱: دانشجویان پیشآزمون SRQ-A را تکمیل کردند و در یک جلسه توجیهی شرکت کردند که هدف مطالعه، نقش ابزارهای هوش مصنوعی و شرایط گروهی اختصاصیافته را معرفی میکرد. سپس یک تکلیف نوشتاری کوتاه با چتجیپیتی انجام دادند و یک تأمل اولیه مطابق با شرایط تأمل خود ارسال کردند.
هفتههای ۲ و ۳: دانشجویان بهصورت گروهی روی توسعه یک مقاله استدلالی کار کردند: انتخاب موضوع، طوفان فکری استدلالهای کلیدی و طرحریزی ایدهها. چتجیپیتی بر اساس سبک اختصاصیافته از این فرایند پشتیبانی میکرد. تمرینهای تأملی نیز مطابق با شرایط ادامه یافت.
هفتههای ۴ و ۵: دانشجویان به پیشنویس و پالایش مقالات خود ادامه دادند و بازخورد همتایان و تولیدشده توسط هوش مصنوعی را در صورت لزوم ادغام کردند. هر گروه محصول نهایی خود را در هفته ۵ ارائه داد. در پایان هفته ۵، دانشجویان پسآزمون SRQ-A را تکمیل کردند.
وفاداری رویهای: برای تأیید وفاداری شرایط آزمایشی، دانشجویان موظف بودند اسکرینشات تعاملشان با چتجیپیتی را همراه با خروجی نوشتاری خود ارسال کنند. این اسکرینشاتها بهعنوان شواهدی از نحوه استفاده از هوش مصنوعی (همکار نوشتن یا منبع اطلاعات) خدمت کردند و به تأیید پایبندی به شرایط کمک کردند.
۱۰. ابزارها
الف) پرسشنامه خودتنظیمی تحصیلی (SRQ-A)
خودتنظیمی تحصیلی اغلب در چارچوب نظریه خودتعیینگری (SDT) بررسی میشود. برای اندازهگیری تنظیم انگیزشی دانشجویان در پیوستار SDT، این مطالعه از SRQ-A، یک ابزار معتبر روانسنجی که در ابتدا توسط Ryan و Connell (1989) توسعه یافت، استفاده کرد.
SRQ-A شامل ۳۲ آیتم در چهار حوزه متمایز تنظیم انگیزشی است:
· تنظیم بیرونی (۹ آیتم): مثلاً «چون اگر انجام ندهم مجازات میشوم.»
· تنظیم درونفکنیشده (۹ آیتم): مثلاً «چون اگر انجام ندهم احساس بدی نسبت به خودم دارم.»
· تنظیم شناساییشده (۷ آیتم): مثلاً «چون برای من مهم است روی تکالیف کلاسم کار کنم.»
· انگیزه درونی (۷ آیتم): مثلاً «چون از انجام تکالیفم لذت میبرم.»
هر آیتم روی مقیاس لیکرت ۷ نقطهای از ۱ (کاملاً نادرست) تا ۷ (کاملاً درست) رتبهبندی میشود.
ترجمه و اعتبارسنجی: SRQ-A با استفاده از رویه ترجمه و ترجمه معکوس به ویتنامی ترجمه شد. یک تحلیل عاملی تأییدی (CFA) از ساختار چهارعاملی در نمونه ویتنامی پشتیبانی کرد و برازش مدل قابل قبولی ارائه داد.
پایایی: در این مطالعه، زیرمقیاسهای SRQ-A پایایی درونی قوی نشان دادند، با مقادیر آلفای کرونباخ در محدوده ۰.۸۷۷ تا ۰.۹۳۵ در پیشآزمون و پسآزمون — مقادیری قابل مقایسه با مطالعات اعتبارسنجی قبلی که پایایی چهار بعد تنظیم انگیزشی را در این زمینه تأیید میکند.
ب) چتجیپیتی
دانشجویان از نسخه رایگان چتجیپیتی توسعهیافته توسط OpenAI بهعنوان ابزار اصلی هوش مصنوعی خود در طول مداخله استفاده کردند. چتجیپیتی یک مدل زبانی در مقیاس بزرگ و در دسترس عموم است که قادر به تولید پاسخهای متنی شبیه انسان بر اساس ورودی کاربر است. همه شرکتکنندگان از نسخه رایگان در دسترس عموم از طریق رابط وب استاندارد استفاده کردند. این نسخه فاقد ویژگیهای پیشرفته مانند حافظه پایدار، بارگذاری فایل و جستجوی افزوده با بازیابی بود، اما این محدودیتها در همه گروهها یکسان بود و برای وظایف کوتاه و مبتنی بر جلسه کافی بود.
تفاوت رویهای بین شرایط:
· شرایط منبع اطلاعات: دانشجویان از چتجیپیتی عمدتاً برای بازیابی اطلاعات واقعی، ارائه توضیحات و مثالهای پشتیبان استفاده میکردند. تعامل آنها خطی و غیربازگشتی با تأکید بر بازیابی اطلاعات، نه ترکیب و نگارش بود.
· شرایط همکار نوشتن: دانشجویان تشویق میشدند در تمام فرایند نوشتن با چتجیپیتی تعامل کنند. تعامل گفتوگویی و تکراری با چندین دور تبادل پرامپت-پاسخ که از همساختسازی محتوا پشتیبانی میکرد.
وفاداری رویهای: دانشجویان در هر دو شرایط دستورالعملهای استفاده دقیق دریافت کردند. آنها همچنین موظف بودند تعاملات چتجیپیتی خود را از طریق اسکرینشات و توضیحات نوشتاری مستند کنند و هفتگی ارسال کنند.
ج) ژورنال تأملی
ژورنال تأملی بهعنوان یک ابزار کیفی برای ثبت روایتهای دروننگرانه دانشجویان از رفتارهای یادگیری، تغییرات انگیزشی و تعاملاتشان با ابزارهای هوش مصنوعی در طول مداخله خدمت کرد. ژورنال بین فاز کمی و مصاحبههای نیمهساختارمند قرار داشت.
سه هدف اصلی ژورنال:
1. اجازه دادن به دانشجویان برای پردازش و درونیسازی تجربیات یادگیری خود.
2. ارائه توضیحات روایی زمینهای برای الگوهای مشاهدهشده در دادههای کمی.
3. هدایت و شخصیسازی مصاحبههای نیمهساختارمند بعدی.
نمونه پرامپتهای ژورنال تأملی:
· «فرمت تأمل شما (گروهی یا فردی) از چه راههایی به شما کمک کرد یادگیری را به اهداف شخصیتان مرتبط کنید؟»
· «استفاده از هوش مصنوعی چگونه بر اعتماد یا تفکر انتقادی شما در حین کار روی تکالیف تأثیر گذاشت؟»
· «ترکیب این دو (تأمل و استفاده از هوش مصنوعی) چگونه بر یادگیری، انگیزه یا فرایند نوشتن شما تأثیر گذاشت؟»
· «به نظر شما مفیدترین یا غیرمفیدترین جنبههای استفاده از هوش مصنوعی در یادگیری شما چه بود؟»
تجزیه و تحلیل: تحلیل مضمون پاسخهای ژورنال تأملی برای شناسایی مضامین توضیحی کلیدی انجام شد و مکمل یافتههای آماری فاز کمی بود.
د) مصاحبه نیمهساختارمند
مصاحبه نیمهساختارمند فاز دوم جمعآوری دادههای کیفی در این طرح ترکیبی متوالی تبیینی بود. این مصاحبه پس از ژورنال تأملی انجام شد و برای کاوش عمیقتر در تجربیات زیسته دانشجویان طراحی شد.
پروتکل مصاحبه بر اساس موارد زیر توسعه یافت:
· چهار سؤال پژوهش
· نتایج ANCOVA از فاز کمی
· پاسخهای دانشجویان به ژورنال تأملی
موضوعات مصاحبه:
· ادراکات از نوع تأمل (گروهی در مقابل فردی)
· تأثیر استفاده از ابزار هوش مصنوعی (همکار نوشتن در مقابل منبع اطلاعات)
· تعامل بین تأمل و ابزارهای هوش مصنوعی
· نقش کلی هوش مصنوعی در رفتار یادگیری و انگیزه
نمونه سؤالات:
· «آیا فکر میکنید نوع تأمل شما (گروهی یا فردی) به شما کمک کرد انگیزه یا تمرکز خود را بر اهداف تحصیلیتان حفظ کنید؟ چرا یا چرا نه؟»
· «تیم شما یا خودتان معمولاً چگونه از چتجیپیتی در تکالیفتان استفاده میکردید؟»
· «تجربه استفاده همزمان از تأمل (گروهی یا فردی) و چتجیپیتی (همکار نوشتن یا منبع اطلاعات) را چگونه توصیف میکنید؟»
روش تحلیل: همه مصاحبهها ضبط، رونویسی و برای دقت تأیید شدند. برای افزایش دقت تحلیلی، دو پژوهشگر بهطور مستقل رونویسیها را کدگذاری کردند و از مثلثسازی تحلیلگر و جلسات همتایان برای تقویت اعتبار و قابلیت اعتماد استفاده شد. تحلیل مضمون برای شناسایی الگوهای توضیحی که عمق تفسیری به یافتههای کمی میافزاید و نتایج را در سراسر روشها مثلثسازی میکند، استفاده شد.
۱۱. جمعآوری دادهها
این مطالعه دادهها را از سه منبع مکمل جمعآوری کرد:
1. نظرسنجیهای کمی: SRQ-A پیشآزمون و پسآزمون
2. تأملات و مصاحبههای کیفی: ژورنالهای تأملی و مصاحبههای نیمهساختارمند
3. مصنوعات استفاده از هوش مصنوعی: اسکرینشاتها و توضیحات نوشتاری تعاملات چتجیپیتی
دادههای کمی: در هفته ۱، پیشآزمون SRQ-A بهصورت آنلاین از طریق Google Forms به همه ۳۶۰ دانشجوی جذبشده توزیع شد. در هفته ۵، پسآزمون مجدداً به همان گروه اجرا شد و ۲۹۸ دانشجو نظرسنجی را تکمیل کردند. پس از غربالگری دادهها، ۲۸۸ دانشجو که هر دو پیشآزمون و پسآزمون را با پاسخهای معتبر تکمیل کرده بودند، برای تحلیل حفظ شدند. همه تحلیلها روی این نمونه نهایی همتا شده از ۲۸۸ شرکتکننده انجام شد. همه پاسخها ناشناس شدند و با استفاده از SPSS تحلیل شدند.
ژورنالهای تأملی: دانشجویان به تکمیل یک ژورنال آنلاین ساختارمند شامل آیتمهای مقیاس لیکرت و سؤالات باز درباره استفاده از هوش مصنوعی، فرمت تأمل و انگیزه یادگیری دعوت شدند. ژورنالها در طول مداخله تکمیل و در پایان آن ارسال شدند. در مجموع ۳۲ ژورنال جمعآوری شد. برای تحلیل کیفی گزارششده در این مقاله، ۲۶ مورد ژورنال بهصورت هدفمند بر اساس (الف) کامل بودن و وضوح پاسخها، (ب) غنای تأملات در مورد استفاده از هوش مصنوعی و انگیزه، و (ج) تنوع در الگوهای تغییر SRQ-A برای ثبت مسیرهای انگیزشی متنوع انتخاب شدند. مجموعه نهایی ۲۶ ژورنال بهطور متوازن در چهار شرایط آزمایشی توزیع شدند.
مصاحبههای نیمهساختارمند: یک نمونه هدفمند از هشت دانشجو (دو نفر از هر گروه آزمایشی) بر اساس (الف) تنوع در مسیرهای نمره SRL، (ب) الگوهای متمایز مشاهدهشده در ژورنالهای تأملی، و (ج) نمایندگی در سراسر چهار شرایط آزمایشی برای اطمینان از نمونهگیری حداکثر تنوع انتخاب شد. مصاحبهها پس از تحلیل کمی برای پشتیبانی از طرح ترکیبی تبیینی انجام شدند. هر مصاحبه ضبط، رونویسی و برای دقت تأیید شد.
۱۲. تحلیل دادهها
الف) تحلیل کمی
برای تحلیل اثرات نوع تأمل و سبک استفاده از هوش مصنوعی بر خودتنظیمی تحصیلی (SRL)، این مطالعه از تحلیل کوواریانس (ANCOVA) استفاده کرد. متغیر نتیجه اصلی، SRL پسآزمون بود که توسط SRQ-A اندازهگیری شد، در حالی که نمرات SRL پیشآزمون بهعنوان کوواریتها برای کنترل تفاوتهای فردی اولیه در انگیزه و تنظیم خدمت کردند.
مراحل تحلیل:
1. ANCOVA یکطرفه برای بررسی اثرات اصلی (۱) نوع تأمل و (۲) سبک استفاده از هوش مصنوعی بر SRL کل و هر یک از چهار زیرمقیاس.
2. ANCOVA دوطرفه برای تعیین اثرات تعاملی بالقوه بین دو متغیر مستقل.
3. محاسبه اتای مجذور جزئی (η2) برای تفسیر اندازه اثر.
همه تحلیلهای کمی با استفاده از SPSS نسخه ۲۹ انجام شد. معناداری آماری در سطح p<.05 تعیین شد.
ب) تحلیل کیفی
دادههای کیفی با استفاده از تحلیل مضمون بازتابی (Reflexive Thematic Analysis) و بر اساس دو منبع مکمل تحلیل شدند: ژورنالهای تأملی (n=26) و مصاحبههای نیمهساختارمند (n=8).
رویکرد ادغام: این دادهها نه صرفاً بهعنوان شواهد تکمیلی، بلکه از طریق فرایند «پیوند دادهها» ادغام شدند. ژورنالهای تأملی بینشهای طولی و دروننگرانه ثبتشده در طول مداخله را ارائه دادند، در حالی که مصاحبهها عمق پسنگرانه ارائه کردند. این رویکرد دومنبعی امکان «فرااستنباطها» (Meta-inferences) را فراهم کرد.
شش مرحله تحلیل مضمون:
1. آشنایی: غوطهوری در رونویسیها و ژورنالها از طریق خواندن مکرر.
2. تولید کدهای اولیه: کدگذاری بهصورت قیاسی (نقشهبرداری شده به سؤالات پژوهش) و استقرایی. این استراتژی «کدگذاری دومُدی» تضمین میکرد که تحلیل در چارچوب نظری grounded باقی بماند و در عین حال الگوهای نوظهور مانند سواد پرامپت هوش مصنوعی را ظاهر کند.
3. جستجوی مضامین: گروهبندی کدها به مضامین کاندید.
4. مرور مضامین: مقایسه دادههای ژورنال و مصاحبه برای اطمینان از یکپارچگی نمایندگی.
5. تعریف و نامگذاری مضامین: توسعه برچسبهای مفهومی واضح.
6. نوشتن و ترکیب: تولید روایتهایی که صداهای شرکتکنندگان را ادغام میکند.
دقت تحلیلی: تیم پژوهش ردپای حسابرسی را حفظ کرد و جلسات اجماع منظم برگزار کرد. چتجیپیتی بهعنوان یک ابزار کمکی برای سازماندهی کدها و آزمایش وضوح مضامین استفاده شد؛ با این حال، همه تصمیمات تفسیری نهایی توسط پژوهشگران گرفته شد.
ادغام: ادغام یافتههای کیفی با نتایج کمی از یک «مسیر متقاطع» (Crossover Track) پیروی کرد، جایی که مضامین کیفی برای توضیح «چگونه» و «چرا» پشت الگوهای آماری مشاهدهشده در دادههای SRQ-A استفاده شدند.
۱۳. ملاحظات اخلاقی
· همه شرکتکنندگان رضایت آگاهانه ارائه دادند.
· دادهها ناشناس شدند.
· مشارکت داوطلبانه بود، با حق انصراف در هر زمان.
· پروتکل پژوهش قبل از هر جمعآوری داده توسط IRB دانشگاه محل تحصیل شرکتکنندگان تأیید شد.
یافتهها و بحث
۱۴. ویژگیهای شرکتکنندگان و الگوهای SRL
نمونه تحلیلی (n=288) یک خط پایه قوی برای بررسی تأثیر مداخله در میان پروفایلهای SRL اولیه متنوع فراهم کرد.
ادراکات مربوط به هوش مصنوعی: بیش از نیمی از شرکتکنندگان (۵۱.۴٪) ابزارهای هوش مصنوعی را «مؤثر» یافتند، با ۳۲.۳٪ دیگر که آنها را «نسبتاً مؤثر» و ۸.۷٪ «بسیار مؤثر» ارزیابی کردند. اکثر دانشجویان (۷۹.۹٪) گزارش کردند که محتوای تولیدشده توسط هوش مصنوعی را میخوانند، اصلاح میکنند و در کار خود ادغام میکنند قبل از استفاده — نشاندهنده رویکردی نسبتاً انتقادی به کمک هوش مصنوعی.
آمار توصیفی نمرات SRL: بهطور کلی، تغییرات میانگین در همه گروهها متوسط بود. گروه «همکار نوشتن، تأمل گروهی» بیشترین افزایش SRL را نشان داد (از میانگین پیشآزمون ۴.۵۶ به پسآزمون ۴.۷۲). در مقابل، گروه «منبع اطلاعات، تأمل گروهی» کاهش جزئی داشت (از ۴.۶۶ به ۴.۵۳). دو گروه دیگر (هر دو در شرایط تأمل فردی) نمرات SRL نسبتاً پایداری از پیش تا پس از مداخله داشتند.
نکته کلیدی: میانگین تغییرات در همه گروهها متوسط بود، که نیاز به تحلیل استنباطی بیشتر (مثلاً ANCOVA) را برای تعیین معناداری آماری تفاوتهای مشاهدهشده برجسته میکند.
یافتههای کیفی از تحلیل مضمون ژورنالها و مصاحبهها در سه مضمون فراگیر برای توضیح الگوهای کمی ادغام شدند: (۱) عمق از طریق تأمل فردی، (۲) یادگیری اجتماعی از طریق تأمل گروهی، و (۳) تأمل بهعنوان پل به هدفگذاری.
۱۵. اثر نوع تأمل بر خودتنظیمی یادگیری (RQ1)
یافته اصلی: نوع تأمل (گروهی در مقابل فردی) اثر معناداری آماری بر نمرات کلی خودتنظیمی یادگیری نداشت، و نه بر سه زیرمقیاس از چهار زیرمقیاس انگیزشی: تنظیم بیرونی، تنظیم درونفکنیشده و انگیزه درونی. با این حال، یک تفاوت معنادار آماری برای زیرمقیاس تنظیم شناساییشده مشاهده شد، هرچند با اندازه اثر کوچک. این یافته نشان میدهد که تأمل گروهی ممکن است بهطور خاص درونیسازی اهداف تحصیلی را تقویت کند، در حالی که بر سایر اشکال تنظیم تأثیر معناداری ندارد.
مضامین کیفی توضیحی:
مضمون ۱: عمق از طریق تأمل فردی
یافتههای کیفی برجسته کردند که تأمل فردی فضایی منحصر به فرد برای دانشجویان فراهم میکند تا در دروننگری عمیق، خودارزیابی و تنظیم هدف شرکت کنند. دانشجویان گزارش کردند که تأمل تنها به آنها امکان میدهد صادقتر و سیستماتیکتر درباره یادگیری خود فکر کنند. یکی از شرکتکنندگان مصاحبه گفت: «من تأمل فردی را مؤثرتر میدانم چون به من اجازه میدهد بدون تأثیر دیگران صادق باشم. به من کمک میکند عادات مطالعه ضعیف را تشخیص دهم و فعالانه تغییر دهم، مثلاً با برنامهریزی، نقشه ذهنی و تعیین اهداف کوتاهمدت.» دیگری خاطرنشان کرد: «تأمل فردی درسها را با اهداف شخصی من مؤثرتر مرتبط میکند.» ورودیهای ژورنال بهطور مداوم این احساس را منعکس میکردند و تأمل فردی را بهعنوان ابزاری برای شفافسازی نقاط قوت و ضعف و پرورش هدفگذاری عمدی توصیف میکردند: «تأمل فردی مناسب است، به من کمک میکند سیستماتیک کنم و نقاط قوت و ضعفم را واضحتر میکند، اگرچه گاهی انگیزه یا بازخورد دیگران را ندارد.»
مضمون ۲: یادگیری اجتماعی از طریق تأمل گروهی
از سوی دیگر، تأمل گروهی بهعنوان بستری قدرتمند برای انگیزه، دیدگاههای متنوع و مسئولیتپذیری همتا ظاهر شد. یکی از دانشجویان توضیح داد: «من معمولاً تأمل گروهی را ترجیح میدهم چون مؤثرتر احساس میشود. بحثها گروه را پویاتر میکنند، دیدگاههای متنوع میآورند و انگیزه کار ایجاد میکنند. وقتی با همتایان تعامل میکنم انرژی بیشتری احساس میکنم.» این با یافته کمی که تأمل گروهی ممکن است تنظیم شناساییشده را تقویت کند، همراستا است، زیرا به یادگیرندگان کمک میکند تکالیف تحصیلی را از طریق مقایسه اجتماعی و مذاکره هدف مشارکتی بهعنوان شخصاً معنادار درونی کنند. با این حال، چند دانشجو تأمل گروهی را گاهی کمتر راحت یا کمبازده توصیف کردند، بهویژه وقتی پویاییهای گروه نامتوازن بود یا بحث همتا مانع صداقت کامل میشد. این بینشها هم نقاط قوت و هم محدودیتهای فرمتهای مشارکتی را آشکار میکنند.
مضمون ۳: تأمل بهعنوان پل به هدفگذاری
یک مضمون متقاطع بین هر دو فرمت این بود که تأمل — بهویژه وقتی ساختارمند و منظم باشد — بهعنوان پل به هدفگذاری عمل میکند و به دانشجویان کمک میکند تجربیات هفتگی را به استراتژیهای یادگیری بلندمدت ترجمه کنند. چه از طریق بینش انفرادی و چه از طریق گفتوگوی گروهی، دانشجویان توصیف کردند که تأمل آنها را از عادات، پیشرفت و ارزشهایشان آگاهتر میکند. یکی از مصاحبهشوندگان گفت: «تأمل به من کمک میکند نه فقط درباره تکلیف فکر کنم، بلکه به کجا میخواهم بروم، چرا این کار را میکنم و چگونه میتوانم به آنجا برسم.»
نتیجهگیری بخش RQ1: در حالی که نوع تأمل تأثیر آماری محدودی بر SRL کلی نشان داد، اثر معنادار بر تنظیم شناساییشده — همراه با بینشهای کیفی — به گفتمان روبهرشد درباره یادگیری مبتنی بر هوش مصنوعی کمک میکند. بهطور خاص، یافتهها یک مدل مکمل پیشنهاد میکنند: تأمل فردی دروننگری عمیق لازم برای هدفگذاری را پرورش میدهد (مضمون ۱)، در حالی که تأمل گروهی مسئولیتپذیری اجتماعی لازم برای درونیسازی آن اهداف بهعنوان شخصاً معنادار را فراهم میکند (مضمون ۲). این دیدگاه دوتایی «فردی در مقابل گروهی» را به چالش میکشد و پیشنهاد میکند مربیان باید این فرمتها را توالیبندی کنند — استفاده از تأمل فردی برای عمق و تأمل گروهی برای انگیزه — تا بهطور کامل SRL را در محیطهای هوش مصنوعی داربستبندی کنند.
۱۶. سبک استفاده از هوش مصنوعی و تأثیر آن بر SRL (RQ2)
یافته اصلی: سبک استفاده از هوش مصنوعی اثر معنادار آماری بر نمرات کلی SRL و هر چهار زیرمقیاس انگیزشی داشت: تنظیم بیرونی، تنظیم درونفکنیشده، تنظیم شناساییشده و انگیزه درونی. اگرچه اندازه اثرها متوسط باقی ماندند، اما بهطور مداوم نشان دادند دانشجویانی که از هوش مصنوعی بهعنوان همکار نوشتن استفاده کردند، سطوح بالاتری از تلاش خودتنظیمشده گزارش کردند — چه ناشی از انتظارات بیرونی، فشار درونیشده یا اهداف شخصاً تأییدشده — در مقایسه با کسانی که از هوش مصنوعی عمدتاً بهعنوان منبع اطلاعات استفاده کردند.
مضامین کیفی توضیحی:
مضمون ۴: چتجیپیتی بهعنوان ابزار طوفان فکری و پیشنویس
بسیاری از دانشجویان از چتجیپیتی نه بهعنوان منبع پاسخ نهایی، بلکه بهعنوان ابزاری برای پشتیبانی از اجرای تکلیف — بهویژه برای طوفان فکری، ساختاردهی استدلالها و پیشنویس — استفاده کردند. یکی از دانشجویان گفت: «من اغلب از چتجیپیتی برای ایجاد یک طرح کلی استفاده میکنم. سپس خودم اطلاعات را جستجو و تأیید میکنم قبل از نوشتن مقاله به سبک خودم. این زمان صرفهجویی میکند در حالی که به من اجازه میدهد در فرایند نوشتنم فعال بمانم.» شرکتکننده دیگری خاطرنشان کرد: «من از چتجیپیتی برای پیشنهاد ساختار و طرح مقاله استفاده میکنم، سپس محتوا را به روش خودم توسعه میدهم. من وابسته نمیشوم چون همیشه اطلاعات را دوباره بررسی میکنم و هرگز ۱۰۰٪ به چتجیپیتی اعتماد نمیکنم.» این الگو نشان میدهد هوش مصنوعی بهعنوان داربست عمل کرد — افزایش بهرهوری و ساختار در حالی که همچنان مشارکت فعال یادگیرنده را الزامی میکرد.
مضمون ۵: از وابستگی بیشازحد به عمدیت
برخی دانشجویان، بهویژه در اوایل مداخله، اعتراف کردند که بیش از حد به چتجیپیتی برای تولید محتوا تکیه میکردند. اما بهمرور زمان، بسیاری تغییری به سمت استفاده متفکرانه و عمدی توصیف کردند. این بهویژه در موقعیتهایی که مهلتهای قریبالوقوع وسوسه استفاده بیشازحد از هوش مصنوعی را افزایش میداد، مشهود بود و بنابراین ارتباط نزدیکی با تنظیم درونفکنیشده یا بیرونی داشت. یکی از دانشجویان تأمل کرد: «اگر نادرست استفاده شود، بهویژه نزدیک به مهلتها، برخی دانشجویان ممکن است وابسته شوند چون زمانی برای تأیید محتوا باقی نمیماند. فکر میکنم اگر از ابتدا هدف بگذارید که از آن بهعنوان پشتیبان استفاده کنید، خطر وابستگی کاهش مییابد.» این انتقال، از مصرف منفعل به استفاده آگاهانه، نقش در حال تحول هوش مصنوعی در استراتژیهای خودتنظیمی دانشجویان را برجسته میکند.
مضمون ۶: سواد پرامپت و استفاده استراتژیک
بینش کلیدی دیگر شامل آگاهی روبهرشد دانشجویان از چگونگی شکلدهی کیفیت پرامپتهایشان به پاسخهای هوش مصنوعی بود. این «سواد پرامپت» نوظهور به یک مهارت حیاتی تبدیل شد که از خودمختاری و یادگیری عمیقتر پشتیبانی میکرد. یکی از ورودیهای ژورنال خاطرنشان کرد: «در ابتدا نمیدانستم چگونه سؤالات خوب بپرسم، بنابراین پاسخها عمومی بودند. اما بعداً یاد گرفتم سؤالات خاصتر یا لایهایتر بپرسم تا آنچه برای موضوعم نیاز دارم را بگیرم.» این منحنی یادگیری دانشجویان را از دریافتکنندگان منفعل متن تولیدشده توسط هوش مصنوعی به همسازندگان فعال دانش تبدیل کرد و فرایندهای نوشتن عمدیتر و کارآمدتر را امکانپذیر ساخت.
نتیجهگیری بخش RQ2: یافته اینکه شرایط همکار نوشتن بهطور معناداری نمرات را در همه زیرمقیاسهای تنظیمی — از بیرونی تا درونی — افزایش داد، قابل توجه است. این نشان میدهد هوش مصنوعی تعاملی صرفاً جایگزین تلاش انسانی نمیشود، بلکه مشارکت شناختی و انگیزشی را تشدید میکند. در حالی که فشار برای عملکرد (بیرونی/
درونفکنیشده) افزایش یافت، گفتوگوی بازگشتی با هوش مصنوعی همچنین حس شایستگی و مالکیت (شناساییشده/درونی) را پرورش داد (مضمون ۴). شواهد کیفی «سواد پرامپت» (مضمون ۶) بیشتر این مکانیسم را توضیح میدهد: وقتی دانشجویان یاد گرفتند هوش مصنوعی را کنترل کنند، از وابستگی منفعل به همساختسازی فعال حرکت کردند و مدل «تنظیم هیبریدی انسان-هوش مصنوعی» را تأیید کردند.
۱۷. تعامل بین نوع تأمل و سبک استفاده از هوش مصنوعی (RQ3)
یافته اصلی: تعامل معناداری آماری بین نوع تأمل و سبک استفاده از هوش مصنوعی برای هیچ جنبهای از SRL وجود نداشت. بهطور خاص، هیچ اثر تعاملی برای SRL کلی، تنظیم بیرونی، تنظیم درونفکنیشده، تنظیم شناساییشده یا انگیزه درونی یافت نشد. این نشان میدهد که از نظر آماری، اثر تأمل و نحوه استفاده از هوش مصنوعی مستقل از هم بود.
مضامین کیفی — تعاملات رویهای ظریف:
مضمون ۷: همافزایی مکمل
بسیاری از دانشجویان همافزایی مولد بین تأمل و استفاده از هوش مصنوعی را توصیف کردند، بهویژه وقتی تأمل قبل از تعامل با چتجیپیتی رخ میداد. این توالی بهنظر میرسید دانشجویان را برای استفاده عمدیتر از هوش مصنوعی آماده میکرد. یکی از دانشجویان توصیف کرد: «وقتی اول تأمل کردم، به من کمک کرد روی آنچه واقعاً نیاز داشتم تمرکز کنم. سپس چتجیپیتی بیشتر شبیه ابزاری برای اجرای ایدههایم شد تا اینکه برای من فکر کند.» دیگران تکرار کردند که شروع با تأمل آنها را قادر ساخت «سؤالات بهتری بپرسند»، «پاسخها را انتقادیتر فیلتر کنند» و اهداف تحصیلی واضحتری در طول نوشتن مبتنی بر هوش مصنوعی حفظ کنند.
مضمون ۸: تداخل از طریق سوءاستفاده
برعکس، دانشجویانی که قبل از شرکت در تأمل از چتجیپیتی استفاده میکردند، اغلب یادگیری کمتر مؤثر گزارش کردند. برخی اعتراف کردند که ایدههای تولیدشده توسط هوش مصنوعی پیشدستی بر تفکر خودشان میکرد و مالکیت کارشان را کاهش میداد. یکی از دانشجویان گفت: «اگر اول از چتجیپیتی استفاده میکردم، فقط از آنچه پیشنهاد میداد پیروی میکردم. دیگر عمیق تأمل نمیکردم و گاهی صدای خودم را از دست میدادم.» این پدیده — توصیفشده توسط چندین دانشجو بهعنوان «وسوسه کپی-پیست» یا «میانبر ذهنی» — نشان میدهد که توالی و نیت پشت استفاده از ابزار اهمیت قابل توجهی دارد.
مضمون ۹: تنظیم از طریق تأمل
تأمل همچنین بهطور مداوم بهعنوان مکانیسم تعدیلکننده ذکر شد که به دانشجویان کمک میکرد استفاده از هوش مصنوعی خود را تنظیم کنند. برای بسیاری، نوشتن تأملی بهعنوان «بررسی واقعیت» پس از تعامل با هوش مصنوعی عمل میکرد و به آنها کمک میکرد reliance خود بر محتوای تولیدشده توسط هوش مصنوعی را زیر سؤال ببرند. یکی از دانشجویان گفت: «بعد از استفاده از چتجیپیتی، ژورنال من به من کمک کرد به عقب نگاه کنم و تصمیم بگیرم آیا یاد گرفتهام یا فقط تکلیف را تمام کردهام.» این عملکرد تنظیمی تأمل به آگاهی روبهرشد از چگونگی تعادل پشتیبانی هوش مصنوعی با تلاش شخصی کمک کرد — یک نتیجه مهم که در اندازهگیریهای کمی ثبت نشد.
نتیجهگیری بخش RQ3: عدم تعامل آماری نشان میدهد که تأمل و ابزارهای هوش مصنوعی ممکن است بهعنوان داربستهای مستقل اما افزودنی عمل کنند، نه متغیرهای وابسته به هم در یک مداخله کوتاهمدت. با این حال، بینشهای کیفی (مضامین ۷-۹) به یک ظرافت آموزشی حیاتی اشاره میکنند: توالی زمانی. دانشجویان گزارش کردند تأمل زمانی مؤثرتر بود که قبل از استفاده از هوش مصنوعی (آمادهسازی عمدیت) یا بعد از آن (بررسی وابستگی) رخ میداد، نه همزمان. این یک اصل طراحی عملی برای برنامههای درسی ادغامشده با هوش مصنوعی ارائه میدهد: مربیان باید تأمل را نه فقط بهعنوان یک فعالیت موازی، بلکه بهعنوان یک مکانیسم «قاببندی» (Bookend) ساختاردهی کنند — داربستبندی شروع و پایان وظایف هوش مصنوعی برای حفظ عاملیت یادگیرنده.
۱۸. ادراکات و الگوهای استفاده از هوش مصنوعی در یادگیری تحصیلی (RQ4)
یافته اصلی: دانشجویان بیشتر برای جستجوی اطلاعات در لحظه (۸۷.۹٪)، پشتیبانی خودخوانی (۷۵.۵٪) و تکمیل تکالیف (۶۲.۹٪) به هوش مصنوعی روی آوردند. استفاده قابل توجه برای تحلیل دادهها (۷۵.۲٪) و آمادهسازی ارائه (۵۱.۰٪) بیشتر نقش هوش مصنوعی را بهعنوان داربست عملی در طیف وسیعی از وظایف تحصیلی برجسته میکند. این الگوها بهطور جمعی نشان میدهند که یادگیرندگان عمدتاً ابزارهای هوش مصنوعی را بهعنوان منابع کارکردی برای سادهسازی حجم کار و دسترسی سریع به محتوا میدیدند، نه بهعنوان همکاران خلاق یا انگیزهبخشهای عاطفی.
مضامین کیفی:
مضمون ۱۰: هوش مصنوعی بهعنوان ابزاری دولبه
دانشجویان بهطور گسترده هوش مصنوعی را برای سرعت، ساختار و دسترسی در لحظه به اطلاعات قدردانی کردند. با این حال، آنها همچنین محدودیتهای آن را توصیف کردند، بهویژه مسائل دقت، لحن و تعمیم بیشازحد، که اعتماد آنها را به هوش مصنوعی بهعنوان شریک یادگیری کاهش داد. یکی از دانشجویان چتجیپیتی را «بسیار مفید اما گاهی با اطلاعات نادرست بیش از حد مطمئن» توصیف کرد و خاطرنشان کرد که «فاقد لحن عاطفی یا ظرافتی است که در نوشتن خوب انتظار دارم.» دیگری توضیح داد: «هوش مصنوعی سریع است، اما این به معنای باهوش بودن آن نیست. من باید باهوش باشم تا درست از آن استفاده کنم.»
مضمون ۱۱: تمایل به آموزش سواد هوش مصنوعی
در سراسر مصاحبهها و ژورنالها، دانشجویان بهطور مکرر خواستار آموزش صریح در استفاده از هوش مصنوعی بودند، بهویژه چگونه پرامپت بنویسند، پاسخها را اعتبارسنجی کنند و از هوش مصنوعی بهصورت اخلاقی در محیطهای تحصیلی استفاده کنند. بسیاری احساس میکردند برای ادغام هوش مصنوعی در جریان کاری خود آماده نیستند: یکی از دانشجویان استدلال کرد: «باید به ما یاد بدهند چگونه پرامپتهای بهتر بنویسیم، نه فقط از هوش مصنوعی بهعنوان میانبر استفاده کنیم.» این نشاندهنده شناخت روبهرشد از این است که استفاده مؤثر از هوش مصنوعی نیازمند مهارتهای فراشناختی و تفکر انتقادی است، نه فقط دسترسی فنی.
مضمون ۱۲: تأمل راهنمای استفاده پایدار از هوش مصنوعی
شاید مهمتر از همه، دانشجویان نشان دادند که تمرین تأملیشان بر نحوه استفاده آنها از هوش مصنوعی تأثیر گذاشته است. چندین نفر تغییر از وابستگی بیشازحد اولیه به ادغام استراتژیکتر و متوازنتر را توصیف کردند — بهویژه پس از تأمل در همراستایی هدف، صدای اصیل و محدودیتهای متن تولیدشده توسط هوش مصنوعی. یکی از دانشجویان توضیح داد: «قبلاً هر چیزی که چتجیپیتی میداد را میپذیرفتم، اما بعد از تأمل فهمیدم باید انتخابیتر باشم.» دیگری افزود: «تأمل به من کمک کرد مرزها تعیین کنم — هوش مصنوعی نویسنده من نیست؛ دستیار من است.»
نتیجهگیری بخش RQ4: شکاف بین فراوانی بالای استفاده از هوش مصنوعی و نتایج متغیر SRL یک بینش حیاتی را برجسته میکند: دسترسی برابر با عاملیت نیست. در حالی که دانشجویان بهطور گسترده هوش مصنوعی را برای کارایی پذیرفتند (مضمون ۱۰)، خودتنظیمی واقعی تنها زمانی ظهور کرد که آنها «سوادهای هوش مصنوعی» خاصی مانند مهندسی پرامپت و تأیید انتقادی (مضمون ۱۱) را توسعه دادند و در تأمل فراشناختی برای تعیین مرزها (مضمون ۱۲) شرکت کردند. این نشان میدهد چارچوبهای ادغام هوش مصنوعی آینده باید آموزش سواد صریح را در کنار دسترسی به ابزار در اولویت قرار دهند تا از مصرف منفعل جلوگیری کنند و مشارکت فکری اصیل را پرورش دهند.
۱۹. سؤالات پژوهش
RQ 1: نوع تأمل (گروهی در مقابل فردی) چگونه بر خودتنظیمی تحصیلی دانشجویان اثر میگذارد؟
RQ 2: سبک استفاده از هوش مصنوعی (منبع اطلاعات در مقابل همکار نوشتن) چگونه بر خودتنظیمی یادگیری اثر میگذارد؟
RQ 3: اثر تعاملی بین نوع تأمل و سبک استفاده از هوش مصنوعی بر خودتنظیمی تحصیلی چیست؟
RQ 4: دانشجویان نقش هوش مصنوعی را در فرایند یادگیری خود چگونه درک میکنند؟
نتیجهگیری و پیشنهادهای پژوهش
۲۰. نتیجهگیری کلی
این مطالعه تأثیر دو متغیر آموزشی — نوع تأمل (گروهی در مقابل فردی) و سبک استفاده از هوش مصنوعی (چتجیپیتی بهعنوان همکار نوشتن در مقابل منبع اطلاعات) — را بر خودتنظیمی تحصیلی دانشجویان کارشناسی در یک زمینه کلاس درس واقعی بررسی کرد. با استفاده از یک طرح ترکیبی متوالی تبیینی، تحلیل کمی مبتنی بر ANCOVA با تحلیل مضمون مصاحبهها و ژورنالهای تأملی ترکیب شد تا هم وسعت و هم عمق در تجربیات انگیزشی و فراشناختی دانشجویان به دست آید.
یافتههای کلیدی:
1. سبک استفاده از هوش مصنوعی بهطور معناداری بر هر چهار نوع تنظیم (بیرونی، درونفکنیشده، شناساییشده و درونی) اثر گذاشت — نشاندهنده اینکه چتجیپیتی بهعنوان همکار نوشتن هم فشار عملکرد را افزایش میدهد و هم مشارکت عمیقتر را پرورش میدهد. این نتایج با تحلیل مقایسهای Wu et al. (2026) همراستا است که نشان میدهد پلتفرمهای هوش مصنوعی عمومی مانند چتجیپیتی میتوانند بهطور منحصر به فرد از مهارتهای خودتنظیمی مرتبه بالاتر پشتیبانی کنند وقتی فراتر از بازیابی اطلاعات صرف استفاده شوند.
2. هیچ اثر تعاملی معناداری بین دو متغیر پیدا نشد، اگرچه الگوهای توصیفی به روندهای متفاوت در گروهها اشاره کردند. این الگوها توسط تحلیل کیفی زمینهسازی و عمیقتر شدند، که برجسته کرد تأمل فردی دروننگری و برنامهریزی هدف را تشویق میکند، در حالی که تأمل گروهی مسئولیتپذیری و ارتباط را از طریق یادگیری اجتماعی پرورش میدهد.
3. دانشجویان در ابتدا بیش از حد به هوش مصنوعی تکیه میکردند، اما بسیاری در نهایت استفاده عمدیتر را اتخاذ کردند.
4. تأمل بهعنوان مکانیسم تنظیمی عمل کرد و وابستگی منفعل به هوش مصنوعی را کاهش داد.
5. آگاهی روبهرشد از سواد پرامپت بهعنوان کلید مشارکت معنادار با هوش مصنوعی ظهور کرد.
6. یافتهها به همافزایی از نظر آموزشی مهم بین تأمل ساختارمند و ادغام متفکرانه هوش مصنوعی اشاره میکنند، حتی زمانی که برخی نتایج به معناداری آماری نرسیدند.
۲۱. تأیید نظری و بسط پژوهش
تأیید نظریه خودتعیینگری (SDT):
· نتایج اصول اصلی SDT (Deci & Ryan, 1985, 2000) را تأیید میکنند.
· استفاده از هوش مصنوعی هم انگیزههای کنترلشده بیرونی (بیرونی، درونفکنیشده) و هم انگیزههای خودمختارتر (شناساییشده، درونی) را تقویت کرد.
· تأمل گروهی بهطور خاص تنظیم شناساییشده را از طریق مشارکت اجتماعی پرورش داد و تکالیف یادگیری را با ارزشهای شخصی و اهداف بلندمدت همراستا کرد.
بسط پژوهشهای قبلی:
· این تغییر به سمت اشکال خودمختارتر تنظیم، رابطه بین خودمختاری یادگیرنده و انگیزه را که توسط Okumus Ceylan (2021) مشاهده شد، منعکس میکند.
· ادعای Du and Alm (2024) را تقویت میکند که ابزارهای هوش مصنوعی میتوانند نیاز ذاتی دانشجویان به شایستگی و عاملیت را بسته به سبک تعامل تقویت یا تضعیف کنند.
· کار Nguyen and Nguyen (2025) را بسط میدهد که مشاهده کردند شیوههای تأملی میتوانند اثرات فناوری بر عاملیت و تنظیم دانشجو را میانجیگری کنند. در اینجا، دانشجویان اغلب از تأمل برای بازقاببندی یا پالایش تعامل خود با هوش مصنوعی استفاده میکردند، بهویژه وقتی تأمل قبل از استفاده از ابزار رخ میداد. به این ترتیب، ساختار تأملی نه تنها از یادگیری پشتیبانی کرد، بلکه بهعنوان فیلتر انتقادی برای کیفیت تعامل با هوش مصنوعی عمل کرد.
· یافتههای Lan and Zhou (2025) را تقویت میکند که SRL مؤثر مبتنی بر هوش مصنوعی نیازمند طراحی عمدی شامل داربستبندی و راهنمایی است. دانشجویان در مطالعه ما نیاز واضحی به آموزش سواد هوش مصنوعی، بهویژه در زمینههای استفاده اخلاقی، ساخت پرامپت و تأیید محتوا بیان کردند.
· چالشها و توسعه بعدی دانشجویان با یافتههای Xiao et al. (2025) همراستا است که struggles اولیه برنامهنویسان تازهکار را در تولید پرامپتهای آموزشی مستند کردند. مطالعه ما فرایند توسعه مشابهی را در یادگیرندگان کارشناسی یافت، جایی که استفاده منفعل یا اکتشافی اولیه از ابزارهای هوش مصنوعی به رویکرد عمدی و فراشناختیتر به نوشتن مبتنی بر هوش مصنوعی تکامل یافت.
۲۲. پیشنهادهای عملی
بر اساس یافتههای کمی و کیفی، این مطالعه چند توصیه عملی برای ادغام ابزارهای هوش مصنوعی مولد در آموزش عالی به شیوههایی که از انگیزه و یادگیری خودتنظیم حمایت کنند (نه صرفاً اتوماسیون) ارائه میدهد:
۱. جفتکردن وظایف مبتنی بر هوش مصنوعی با پرامپتهای تأملی ساختارمند:
· تأمل فردی و/یا گروهی که همراستایی هدف را هدایت کند.
· مرزهای هوش مصنوعی بهعنوان دستیار (نه نویسنده جانشین) را روشن کند.
· نظارت فراشناختی بر استفاده از هوش مصنوعی را پرورش دهد.
۲. ارائه آموزش صریح سواد هوش مصنوعی و پرامپت:
· چگونه پرامپتهای خاص، لایهای و پیگیری بنویسیم.
· چگونه پرامپتها را بهصورت تکراری پالایش کنیم.
· برای پشتیبانی از یادگیری استراتژیک و خودمختار بهجای جستجوی پاسخ سطحی.
۳. آموزش ارزیابی انتقادی و تأیید خروجیهای هوش مصنوعی:
· دقت، لحن، تعمیم بیشازحد را بررسی کنید.
· دانشجویان را ملزم کنید اطلاعات را با منابع خارجی مقابله کنند.
· پاسخها را بهصورت سطحی نپذیرند.
۴. تأکید بر استفاده اخلاقی از هوش مصنوعی بهعنوان یک مهارت سواد دیجیتال هستهای:
· حفظ صدای اصیل دانشجویان.
· اجتناب از استفادههای «میانبر» که یادگیری را دور میزنند.
· پایبندی به دستورالعملهای استفاده قابل قبول واضح و مناسب با تکلیف.
۵. توالیبندی و داربستبندی ادغام هوش مصنوعی و تأمل در فعالیتهای یادگیری:
· دانشجویان بهتدریج از وابستگی اولیه به استفاده عمدی و متوازن از هوش مصنوعی در طول زمان حرکت کنند.
· تأمل را بهعنوان «قاببندی» (Bookend) قبل و بعد از وظایف هوش مصنوعی ساختاردهی کنید.
۶. طراحی برای عاملیت یادگیرنده، نه صرفاً دسترسی:
· ارزش آموزشی هوش مصنوعی از پشتیبانی آموزشی، تأمل و انتخاب یادگیرنده ناشی میشود، نه صرفاً از در دسترس قرار دادن ابزار.
۲۳. محدودیتهای پژوهش
۱. زمینه خاص:
· این مطالعه در کلاسهای کارشناسی ویتنامی با طرح کلاس دستنخورده انجام شد.
· نتایج ممکن است بدون اعتبارسنجی بیشتر به زمینهها یا گروههای سنی دیگر تعمیمپذیر نباشد.
۲. شرایط مرزی نسخه رایگان چتجیپیتی:
· استفاده از نسخه رایگان چتجیپیتی که فاقد ویژگیهای پیشرفته مانند حافظه گفتوگوی پایدار، تولید افزوده با بازیابی (RAG) و پردازش فایلهای منبع خارجی است.
· پژوهشهای آینده با LLMهای پیشرفتهتر ممکن است الگوهای مشاهدهشده را بهطور معناداری تقویت یا حتی تغییر دهند.
۳. عدم تعامل آماری معنادار:
· اگرچه تعامل آماری بین تأمل و هوش مصنوعی معنادار نبود، مطالعات آینده با مدت طولانیتر یا ردیابی طولی ممکن است روندهای توسعهای عمیقتری را ثبت کنند.
۴. محدودیت در دادههای ردپا:
· همانطور که Boulahmel et al. (2025) برجسته کردند، پژوهشهای آینده میتوانند دادههای ردپا را از این پلتفرمهای پیشرفته ادغام کنند تا اندازهگیریهای عینیتر و در زمان واقعی از این پیشرفت تنظیمی ارائه دهند.
۲۴. پیشنهادهای پژوهشهای آینده
۱. اثرات بلندمدت:
· بررسی اثرات بلندمدت ترکیب تأمل-هوش مصنوعی بر رشد SRL.
۲. تفاوتهای رشتهای:
· بررسی تفاوتهای رشتهای در استراتژیهای یادگیری مبتنی بر هوش مصنوعی.
۳. داربستهای تأملی خودکار:
· بررسی طراحی داربستهای تأملی خودکار که مستقیماً در ابزارهای هوش مصنوعی ادغام شدهاند.
۴. کاوش کیفی گستردهتر:
· گسترش کاوش کیفی به نگرانیهای عاطفی و اخلاقی دانشجویان در مورد استفاده از هوش مصنوعی.
۵. LLMهای پیشرفتهتر:
· بررسی LLMهای پیشرفتهتر با قابلیتهای حافظه پایدار، RAG و پردازش فایل.
۶. دادههای ردپا:
· ادغام دادههای ردپا از پلتفرمهای پیشرفته برای اندازهگیریهای عینیتر و در زمان واقعی.
۲۵. نتیجهگیری نهایی
در نهایت، این مطالعه نشان میدهد که ارزش آموزشی واقعی ابزارهای هوش مصنوعی نه از اتوماسیون، بلکه از سازماندهی متفکرانه آنها در چارچوب آموزش مبتنی بر تأمل و یادگیرندهمحور ناشی میشود که به پتانسیل گستردهتر هوش مصنوعی در آموزش که توسط Banihashem et al. (2025) و Jin et al. (2023) بحث شده است، میپردازد.
پیام کلیدی: هوش مصنوعی بهتنهایی معجزه نمیکند؛ تأمل (بهویژه گروهی) و آموزش سواد هوش مصنوعی هستند که یادگیری خودتنظیم را واقعاً تقویت میکنند.
جمعبندی: چطور همه اینها به هم وصل میشوند؟
text
Copy
Download
مبانی نظری:
خودتنظیمی یادگیری (SRL) + نظریه خودتعیینگری (SDT) + خودمختاری یادگیرنده
↓
روششناسی:
طرح ترکیبی متوالی تبیینی (کمی ← کیفی)
طرح آزمایشی فاکتوریل ۲×۲ (n=288)
↓
نحوه استفاده از هوش مصنوعی (منبع اطلاعات / همکار نوشتن)
+
نوع تأمل (فردی / گروهی)
↓
خودتنظیمی تحصیلی (SRL)
↓
چهار نوع تنظیم: بیرونی ← درونفکنیشده ← شناساییشده ← درونی
↓
یافتهها:
• تأمل گروهی ← تنظیم شناساییشده را تقویت کرد
• همکار نوشتن ← هر چهار نوع تنظیم را تقویت کرد
• تعامل آماری معنادار نبود، اما توالی زمانی مهم است
• دسترسی ≠ عاملیت؛ سواد هوش مصنوعی حیاتی است
↓
نتیجهگیری:
• تأیید SDT
• بسط پژوهشهای قبلی
• پیشنهادهای عملی برای مربیان
• محدودیتها و پژوهشهای آینده
نکات کاربردی
برای معلمان:
· فقط گفتن «از چتجیپیتی استفاده نکنید» کارساز نیست. باید راهنمایی ساختارمند و چارچوب فراشناختی بدهید.
· از دانشجویان بخواهید بعد از هر بار استفاده از هوش مصنوعی، تأمل کنند: چه چیزی یاد گرفتم؟ کجا اشتباه کرد؟ چطور بهتر استفاده کنم؟
· تأمل گروهی را جدی بگیرید؛ چون باعث درونیسازی اهداف و مسئولیتپذیری میشود.
· توالیبندی تأمل و هوش مصنوعی: تأمل را بهعنوان «قاببندی» (Bookend) ساختاردهی کنید — قبل از استفاده از هوش مصنوعی برای آمادهسازی عمدیت و بعد از آن برای بررسی وابستگی.
· طراحی آموزشی باید از فرسایش خودکارآمدی دانشجو جلوگیری کند و عاملیت انسانمحور را تقویت کند.
· وظایفی طراحی کنید که مشارکت انتقادی را الزامی کنند و به دانشجویان کمک کنند قضاوت ارزیابی خود را پرورش دهند.
· برای اطمینان از وفاداری رویهای، از دانشجویان بخواهید اسکرینشات تعاملاتشان با هوش مصنوعی را مستند کنند.
· مدل مکمل: از تأمل فردی برای عمق و از تأمل گروهی برای انگیزه استفاده کنید — و این دو را توالیبندی کنید.
· آموزش سواد هوش مصنوعی را در برنامه درسی بگنجانید: مهندسی پرامپت، تأیید انتقادی، استفاده اخلاقی.
برای دانشجویان:
· چتجیپیتی را فقط «ماشین جوابدهی» نبینید. اگر آن را همکار نوشتن در نظر بگیرید، یادگیری عمیقتری تجربه میکنید.
· به پاسخهای چتجیپیتی اعتماد کورکورانه نکنید. همیشه راستیآزمایی کنید.
· مهارت پرامپتنویسی را یاد بگیرید؛ این مهارت بهمرور زمان استفاده شما را هوشمندانهتر میکند.
· بعد از هر جلسه مطالعه با هوش مصنوعی، چند دقیقه تأمل فردی یا گفتوگو با همکلاسی داشته باشید.
· اول تأمل کنید، بعد از هوش مصنوعی استفاده کنید — این توالی به شما کمک میکند از هوش مصنوعی بهعنوان ابزار اجرای ایدههای خودتان استفاده کنید، نه اینکه برای شما فکر کند.
· هدف نهایی حرکت از وابستگی به ادغام هدفمند هوش مصنوعی در فرایند یادگیری است.
· مراقب تخلیه شناختی باشید: هوش مصنوعی باید داربست باشد، نه عصا.
· مرزها را تعیین کنید: هوش مصنوعی دستیار شماست، نه نویسنده شما.
برای طراحان آموزشی:
· در فعالیتهای مبتنی بر هوش مصنوعی، سواد هوش مصنوعی و مهارتهای فراشناختی را بهصورت رسمی بگنجانید.
· ترکیب کار با هوش مصنوعی + تأمل را بهعنوان یک الگوی آموزشی استاندارد در نظر بگیرید.
· به جنبههای شناختی و عاطفی یادگیری مبتنی بر هوش مصنوعی همزمان توجه کنید.
· یافتههای این پژوهش میتواند به طراحی آموزشی، توسعه نظری مدلهای خودتنظیمی تقویتشده با فناوری و ارائه توصیههای عملی کمک کند.
· رویکرد انسان-در-حلقه را در طراحی وظایف مبتنی بر هوش مصنوعی بگنجانید تا یادگیرنده تصمیمگیرنده باقی بماند.
· از طرحهای ترکیبی برای درک عمیقتر پدیدههای آموزشی استفاده کنید.
· آموزش سواد صریح را در کنار دسترسی به ابزار در اولویت قرار دهید تا از مصرف منفعل جلوگیری کنید.
· توالی تأمل را بهعنوان یک اصل طراحی در برنامههای درسی ادغامشده با هوش مصنوعی بگنجانید.
· طراحی برای عاملیت، نه صرفاً دسترسی: ارزش آموزشی هوش مصنوعی از پشتیبانی آموزشی، تأمل و انتخاب یادگیرنده ناشی میشود.
جمعبندی یکخطی
هوش مصنوعی بهتنهایی معجزه نمیکند؛ تأمل (بهویژه گروهی) و آموزش سواد هوش مصنوعی هستند که یادگیری خودتنظیم را واقعاً تقویت میکنند. این پژوهش با تکیه بر چارچوبهای نظری SRL، SDT و خودمختاری یادگیرنده و با استفاده از یک طرح ترکیبی متوالی تبیینی (شامل آزمایش فاکتوریل ۲×۲، پرسشنامه SRQ-A، ژورنالهای تأملی و مصاحبههای نیمهساختارمند) نشان میدهد که:
1. تأمل گروهی ← تنظیم شناساییشده را تقویت میکند (درونیسازی اهداف).
2. همکار نوشتن ← هر چهار نوع تنظیم را تقویت میکند (از بیرونی تا درونی).
3. تعامل آماری معنادار نیست، اما توالی زمانی حیاتی است: تأمل باید قبل یا بعد از هوش مصنوعی رخ دهد، نه همزمان.
4. دسترسی ≠ عاملیت: خودتنظیمی واقعی تنها با سواد پرامپت، تأیید انتقادی و تأمل فراشناختی ظهور میکند.
تعامل پیچیده بین سبک استفاده از هوش مصنوعی، نوع تأمل و خودتنظیمی تحصیلی نیازمند راهنمایی معلم و چارچوبهای فراشناختی در وظایف مبتنی بر هوش مصنوعی است تا دانشجویان از وابستگی اولیه به استقلال استراتژیک منتقل شوند و هوش مصنوعی بهعنوان داربست برای تفکر مستقل (نه عصا برای تخلیه شناختی) عمل کند. ارزش آموزشی واقعی هوش مصنوعی نه از اتوماسیون، بلکه از سازماندهی متفکرانه آن در چارچوب آموزش مبتنی بر تأمل و یادگیرندهمحور ناشی میشود.
## مشخصات مقاله
### عنوان
**Beyond Automation: Cultivating Self-Regulated Learning through AI and Reflective Practice**
### نویسندگان
- **Anh-Hong Dang** (نویسنده اول)
- **Van-Son Huynh**
- **Duc-Danh Nguyen**
- **Youngkyun Baek** (نویسنده مسئول)
### وابستگی سازمانی
- **Anh-Hong Dang, Van-Son Huynh, Duc-Danh Nguyen:** دانشگاه آموزش هوشیمین، هوشیمین، ویتنام
- **Youngkyun Baek:** دانشگاه ایالتی بویزی، آیداهو، ایالات متحده
### مجله
**Technology, Knowledge and Learning**
### سال انتشار
**2026** (پذیرش شده / در حال انتشار)
### DOI
**10.1007/s10758-026-09970-x**
### نوع انتشار
**مقاله داوریشده (Peer-reviewed Article)**
### روش پژوهش
**Mixed-Methods Study** (پژوهش ترکیبی) با طرح **Explanatory Sequential Mixed-Methods Design**
### طرح آزمایشی
**2×2 Factorial Design** با دو متغیر مستقل:
- نوع تأمل (گروهی در مقابل فردی)
- سبک استفاده از هوش مصنوعی (منبع اطلاعات در مقابل همکار نوشتن)
### نمونه آماری
**288 دانشجوی کارشناسی** ویتنامی (از 360 نفر اولیه)
### مدت مداخله
**پنج هفته**
### ابزارهای اندازهگیری
- **Academic Self-Regulation Questionnaire (SRQ-A):** ۳۲ آیتم، ۴ زیرمقیاس (تنظیم بیرونی، درونفکنیشده، شناساییشده، انگیزه درونی)
- **Reflective Journals** (n=26)
- **Semi-structured Interviews** (n=8)
### تحلیل آماری
**ANCOVA** (تحلیل کوواریانس) با **SPSS نسخه ۲۹**
### چکیده
این پژوهش ترکیبی تأثیر سبک استفاده از هوش مصنوعی (چتجیپیتی بهعنوان منبع اطلاعات در مقابل همکار نوشتن) و نوع تأمل (گروهی در مقابل فردی) را بر خودتنظیمی تحصیلی دانشجویان بررسی میکند. تحلیل ANCOVA نشان داد نوع تأمل بهطور معناداری بر تنظیم شناساییشده اثر گذاشت (تأمل گروهی درونیسازی اهداف را تقویت کرد)، و سبک استفاده از هوش مصنوعی بر هر چهار نوع تنظیم اثر معنادار داشت. تعامل معنادار بین گروهها یافت نشد، اگرچه مضامین کیفی مکملبودن احتمالی را نشان دادند.
### کلمات کلیدی
Self-Regulated Learning, Artificial Intelligence, ChatGPT, Reflective Practice, Group Reflection, Individual Reflection, Academic Self-Regulation, AI Literacy
**توضیح:** این مقاله در مجله **Technology, Knowledge and Learning** (انتشارات Springer) منتشر شده و در پایگاههای Semantic Scholar، Scopus، SpringerLink و وبسایت دانشگاه ایالتی بویزی indexed شده است .