یادگیری شخصی‌سازی‌شده با پشتیبانی هوش مصنوعی

یادگیری شخصی‌سازی‌شده با پشتیبانی هوش مصنوعی

تأثیرات هوش مصنوعی بر یادگیری و آموزش

یادآوری یافته‌های گارزون و همکاران (۲۰۲۵)

در زمینه تأثیرات هوش مصنوعی بر یادگیری و آموزش خلاصهٔ نظام‌مند یافته‌های گارزون و همکاران (۲۰۲۵) پیش‌تر در این پایگاه منتشر گردیده است. در آن نوشتار، مشروحاً به مزایای یکپارچه‌سازی هوش مصنوعی در آموزش (شامل بهبود پیامدهای یادگیری، آموزش شخصی‌سازی‌شده و افزایش انگیزهٔ دانش‌آموزان) و نیز چالش‌های سه‌گانهٔ آن (استفادهٔ اخلاقی، مقاومت معلمان و وابستگی دیجیتال) پرداخته شد. همچنین تأکید گردید که موفقیت هوش مصنوعی در آموزش، مشروط به پیاده‌سازی دقیق و همکاری بین‌افزاری است تا نتایجی معنادار و عادلانه حاصل شود. مطالعهٔ حاضر، با اتکا به آن پیش‌زمینه، به بررسی عمیق‌تر یکی از کاربست‌های مشخص هوش مصنوعی در آموزش می‌پردازد و ابعاد روان‌شناختی و تربیتی آن را کالبدشکافی می‌کند.

چارچوب مفهومی پژوهش الیکال و راجاموهان (۲۰۲۵)

پژوهش الیکال و راجاموهان (۲۰۲۵) با عنوان «یادگیری شخصی‌سازی‌شده با پشتیبانی هوش مصنوعی: توانمندسازی دانشجویان مدیریت برای بهبود مشارکت و عملکرد تحصیلی» در نشریهٔ Vilakshan - XIMB Journal of Management منتشر شده است. این پژوهش از حیث چارچوب نظری، بر پایهٔ نظریهٔ خودتعیین‌گری (Self-Determination Theory) استوار است که آن را از سایر مطالعات مشابه در این حوزه متمایز می‌سازد.

نظریهٔ خودتعیین‌گری (SDT)

نظریهٔ خودتعیین‌گری که توسط دسی و رایان (۱۹۸۵) ارائه شده است، یکی از تأثیرگذارترین نظریه‌های انگیزش در روان‌شناسی معاصر به شمار می‌رود. بر اساس این نظریه، هر انسانی سه نیاز روان‌شناختیِ فطری دارد که ارضای آن‌ها منجر به انگیزهٔ درونی، بهزیستی روانی و عملکرد مطلوب می‌شود:

خودمختاری (Autonomy): نیاز به تجربهٔ انتخاب و اراده در اعمال خود. هنگامی که فرد احساس کند بر فرایند یادگیری خود کنترل و عاملیت دارد، به احتمال بیشتری درگیر و باانگیزه خواهد بود. در بستر یادگیری شخصی‌سازی‌شده با پشتیبانی هوش مصنوعی، این نیاز از طریق ارائهٔ گزینه‌های متنوع در مسیر، سرعت و محتوای یادگیری ارضا می‌شود.

شایستگی (Competence): نیاز به احساس توانمندی و کارآمدی در انجام وظایف. زمانی که دانش‌آموزان موفقیت‌های خود را در یادگیری مشاهده کنند و بازخورد مثبت و به‌هنگام دریافت نمایند، تمایل بیشتری به ادامهٔ یادگیری خواهند داشت.  AIPL با تحلیل داده‌های عملکردی و ارائهٔ چالش‌های متناسب با سطح دانش‌آموز، این نیاز را تقویت می‌کند.

ارتباط‌داشتن (Relatedness): نیاز به ارتباط و احساس تعلق با دیگران. تعاملات اجتماعی مثبت و حمایت‌گرانه در محیط یادگیری، انگیزه و مشارکت را افزایش می‌دهد. هرچند هوش مصنوعی یک عنصر غیرانسانی است، اما می‌تواند از طریق شبیه‌سازی تعاملات، ایجاد جو حمایتی، یا اتصال دانش‌آموزان به یکدیگر، این نیاز را تا حدی برآورده سازد.

نوآوری بنیادین پژوهش الیکال و همکاران، اتصال هوش مصنوعی به این چارچوب نظری معتبر است. این پژوهش نشان می‌دهد که موفقیت هوش مصنوعی در آموزش، در نهایت به تأمین نیازهای بنیادین انسان وابسته است و نه صرفاً به دقت الگوریتمی یا پیشرفت‌های فنی.

حوزهٔ کاربرد: آموزش مدیریت

پژوهش الیکال و همکاران به طور خاص بر آموزش مدیریت (Management Education) متمرکز است. این حوزه دارای ویژگی‌های خاصی است که آن را به بستری مناسب برای پیاده‌سازی AIPL تبدیل می‌کند:

- تأکید بر یادگیری مبتنی بر موردکاوی (Case-based) و تصمیم‌گیری در شرایط پیچیده و مبهم؛

- نیاز به شبیه‌سازی محیط‌های کسب‌وکار واقعی برای توسعهٔ مهارت‌های عملی و مدیریتی؛

- اهمیت مهارت‌های نرم از قبیل رهبری، ارتباطات مؤثر، کار تیمی و تفکر انتقادی؛

- وجود مخاطبان بزرگ‌سال و خودراهبر که به طور طبیعی از خودمختاری در یادگیری استقبال می‌کنند.

این ویژگی‌ها باعث می‌شود که یافته‌های این پژوهش را نتوان به سادگی به تمام حوزه‌های آموزشی تعمیم داد. این هم یک محدودیت و هم یک نقطهٔ قوت محسوب می‌شود: دقت بالا و تناسب با زمینهٔ خاص، هرچند تعمیم‌پذیری را محدود می‌کند.

روش‌شناسی پژوهش

الیکال و همکاران در این پژوهش، از رویکردی میان‌رشته‌ای بهره گرفته‌اند که ترکیبی از دیدگاه‌های هوش مصنوعی، علوم تربیتی و روان‌شناسی است. داده‌های پژوهش از طریق پرسشنامه از ۲۰۶ دانشجوی مدیریت در سه دانشگاه دولتی برجستهٔ هند (دانشگاه پوندی‌چری، دانشگاه آلاگاپا و دانشگاه کالیکوت) جمع‌آوری شده است. انتخاب این دانشگاه‌ها بر اساس رتبه‌بندی (NIRF) در ایالت‌های جنوبی هند انجام شده است.

نمونه‌گیری به روش تصادفی طبقه‌ای (Stratified Random Sampling) انجام شده و عواملی چون مقطع تحصیلی (کارشناسی، کارشناسی ارشد، دکتری) و سال تحصیلی در آن لحاظ گردیده است. این رویکرد، تنوع و نمایندگی مناسبی از جامعهٔ آماری را تضمین کرده است. ابزار گردآوری داده‌ها، پرسشنامه‌ای محقق‌ساخته بوده که ابعاد مختلف از جمله ادراک دانشجویان از AIPL، میزان مشارکت، خودمختاری، شایستگی، ارتباط‌داشتن و عملکرد تحصیلی را مورد سنجش قرار داده است.

برای تحلیل داده‌ها، ابتدا از آمار توصیفی برای خلاصه‌سازی ویژگی‌های جمعیت‌شناختی استفاده شده و سپس از تحلیل مسیر (Path Analysis) با نرم‌افزارهای SPSS و AMOS Graphics بهره گرفته شده است. تحلیل مسیر به عنوان شکلی از مدل‌سازی معادلات ساختاری، امکان بررسی روابط علّی و میانجی بین متغیرها را فراهم آورده است.

یافته‌های اصلی پژوهش

ویژگی‌های جمعیت‌شناختی نمونه

از مجموع ۲۰۶ شرکت‌کننده، ۲/۵۹ درصد مرد و ۸/۴۰ درصد زن بودند. از نظر توزیع سنی، بیشترین فراوانی متعلق به گروه سنی ۱۹ تا ۲۲ سال (۳/۵۴ درصد) و پس از آن گروه زیر ۱۸ سال (۴/۲۰ درصد) بود. از نظر مقطع تحصیلی، دانشجویان کارشناسی ارشد با ۴۹ درصد بیشترین سهم را داشتند و دانشجویان کارشناسی و دکتری به ترتیب ۵/۳۲ و ۵/۱۸ درصد را تشکیل می‌دادند. از نظر سال تحصیلی، دانشجویان سال دوم با ۹/۵۲ درصد بیشترین فراوانی را داشتند.

اولویت‌های دانشجویان در استفاده از ابزارهای هوش مصنوعی

جالب‌توجه است که دانشجویان در انتخاب ابزارهای هوش مصنوعی، اولویت‌های مشخصی داشته‌اند:

- واقعیت مجازی و افزوده (VR/AR) با ۶۰ پاسخ، در رتبهٔ نخست قرار گرفته است که نشان‌دهندهٔ تمایل دانشجویان به یادگیری تجربی و غوطه‌ورانه است.

- ربات‌های گفت‌وگو برای کمک شخصی‌سازی‌شده (Chatbots) با ۵۶ پاسخ در رتبهٔ دوم جای گرفته است که بیانگر نیاز دانشجویان به پشتیبانی فوری و شخصی‌سازی‌شده است.

- پردازش زبان طبیعی (NLP) برای یادگیری زبان با ۵۴ پاسخ در رتبهٔ سوم قرار گرفته است.

- سکوهای یادگیری انطباقی با ۴۵ پاسخ در رتبهٔ چهارم.

- سیستم‌های توصیه‌گر مبتنی بر یادگیری ماشین با ۴۲ پاسخ در رتبهٔ پنجم.

- سیستم‌های آموزش هوشمند (ITS) با ۳۹ پاسخ در رتبهٔ ششم.

- عناصر بازی‌وارسازی در سکوهای یادگیری با ۲۱ پاسخ در رتبهٔ آخر قرار گرفته است.

یافتهٔ جالب توجه آنکه عناصر بازی‌وارسازی، علی‌رغم تأییدشدن در برخی پژوهش‌های پیشین (گافنی و همکاران، ۲۰۱۸)، در این مطالعه کمترین جذابیت را برای دانشجویان داشته است. این موضوع نشان می‌دهد که در حوزهٔ آموزش مدیریت، دانشجویان بزرگ‌سال ممکن است رویکردهای جدی‌تر و مبتنی بر حل‌مسئله را به رویکردهای بازی‌محور ترجیح دهند.

تأثیر AIPL بر عملکرد تحصیلی

یافته‌ها نشان می‌دهد که اکثریت قریب‌به‌اتفاق دانشجویان در تمامی مقاطع، بهبودی در عملکرد تحصیلی خود گزارش کرده‌اند:

- در مقطع کارشناسی، ۷/۳۷ درصد بهبود متوسط و ۴/۲۵ درصد بهبود قابل‌توجه را گزارش کردند.

- در مقطع کارشناسی ارشد، ۶/۴۲ درصد بهبود متوسط و ۷/۲۵ درصد بهبود قابل‌توجه را گزارش کردند.

- در مقطع دکتری، ۹/۵۷ درصد بهبود قابل‌توجه را گزارش کردند و هیچ‌یک از دانشجویان دکتری کاهش عملکرد را گزارش نکردند.

آزمون مجذور کای (Chi-Square) نشان داد که رابطهٔ معناداری بین مقطع تحصیلی و ادراک از بهبود عملکرد وجود دارد (۰۱/۰ > p). این بدان معناست که دانشجویان مقاطع بالاتر، بیش از دانشجویان مقاطع پایین‌تر، از تأثیر مثبت AIPL بر عملکرد خود گزارش کرده‌اند. این یافته ممکن است به دلیل مهارت‌های خودراهبری بالاتر، انگیزهٔ درونی بیشتر یا درک عمیق‌تر از ابزارهای فناورانه در دانشجویان تحصیلات تکمیلی باشد.

نتایج تحلیل مسیر (مدل AI-SDPM)

مهم‌ترین بخش یافته‌های این پژوهش، نتایج تحلیل مسیر است که در قالب مدل خودتعیین‌گریِ تقویت‌شده با هوش مصنوعی (AI-SDPM) ارائه شده است.

 شاخص‌های برازش مدل، نشان‌دهندهٔ برازش عالی است:

شاخص	مقدار	معیار قابل‌قبول
نسبت مجذور کای به درجهٔ آزادی	۰۵/۵	نزدیک به ۱
شاخص برازش تطبیقی (CFI)	۹۹۰/۰	بیشتر از ۹۰/۰
شاخص توکر-لوئیس (TLI)	۹۶۱/۰	بیشتر از ۹۰/۰
شاخص برازش نرم‌شده (NFI)	۹۵۵/۰	بیشتر از ۹۰/۰
شاخص برازش افزایشی (IFI)	۹۹۱/۰	بیشتر از ۹۰/۰
ریشهٔ میانگین مربعات خطای تقریب (RMSEA)	۰۳۸/۰	کمتر از ۰۵/۰

نتایج آزمون فرضیه‌ها به شرح زیر است:

فرضیه	مسیر	ضریب استاندارد	نسبت بحرانی	معنی‌داری	نتیجه
H1	AIPL  ← خودمختاری	۰۷۱/۰	۲۲۹/۲	۰۲۶/۰	تأیید
H2	AIPL ←  شایستگی	۰۸۹/۰	۹۷۹/۲	۰۰۳/۰	تأیید
H3	AIPL ←  ارتباط‌داشتن	۱۵۲/۰	۹۹۱/۳	۰۰۰/۰	تأیید
H4	خودمختاری ← مشارکت	۱۷۶/۰	۸۷۸/۲	۰۰۴/۰	تأیید
H5	شایستگی ← مشارکت	۰۶۹/۰-	۰۵۱/۱-	۲۹۳/۰	رد
H6	ارتباط‌داشتن ← مشارکت	۱۴۰/۰-	۸۰۵/۲-	۰۰۵/۰	تأیید (معکوس)
H7	مشارکت ← عملکرد تحصیلی	۴۶۸/۰	۹۷۰/۳	۰۰۰/۰	تأیید

تحلیل و تفسیر یافته‌ها

تأثیر مثبت AIPL بر نیازهای روان‌شناختی

یافته‌ها نشان می‌دهد که AIPL به طور معناداری هر سه نیاز روان‌شناختی بنیادین (خودمختاری، شایستگی و ارتباط‌داشتن) را تقویت می‌کند. بیشترین تأثیر مربوط به ارتباط‌داشتن (۱۵۲/۰ = β) است که نشان می‌دهد با وجود ماهیت فنی AIPL، این سیستم‌ها توانسته‌اند حس تعلق و ارتباط با دیگران را در دانشجویان تقویت کنند. این یافته با پژوهش‌های پیشین دربارهٔ نقش هوش مصنوعی در تسهیل تعاملات اجتماعی همسو است (دو وردی و همکاران، ۲۰۲۱؛ چیو، ۲۰۲۲).

نقش کلیدی خودمختاری

خودمختاری با ضریب ۱۷۶/۰، قوی‌ترین پیش‌بینی‌کنندهٔ مشارکت در میان سه نیاز روان‌شناختی است. این یافته به ویژه در زمینهٔ آموزش مدیریت که یادگیرندگان بزرگ‌سال و خودراهبر هستند، معنادار است. دانشجویانی که احساس می‌کنند بر فرایند یادگیری خود کنترل دارند (انتخاب موضوع، تعیین سرعت، انتخاب مسیر یادگیری)، با انگیزهٔ درونی بیشتری در فعالیت‌های تحصیلی شرکت می‌کنند.

یافتهٔ غیرمنتظره: تأثیر منفی شایستگی و ارتباط‌داشتن بر مشارکت

دو یافتهٔ جالب و تا حدی غیرمنتظره در این پژوهش، رد فرضیهٔ H5 (تأثیر شایستگی بر مشارکت) و تأیید معکوس فرضیهٔ H6 (تأثیر منفی ارتباط‌داشتن بر مشارکت) است.

در مورد شایستگی، یافته نشان می‌دهد که صرفاً احساس توانمندی، به خودی خود منجر به مشارکت بیشتر نمی‌شود. این یافته با برخی پژوهش‌های پیشین در حوزهٔ SDT که رابطهٔ مستقیمی بین شایستگی و مشارکت گزارش کرده‌اند، در تعارض است. تبیین احتمالی این است که در بستر AIPL، احساس شایستگی ممکن است به خودکفایی و کاهش نیاز به مشارکت فعال منجر شود. دانشجویی که احساس می‌کند به تنهایی و با کمک هوش مصنوعی می‌تواند مسائل را حل کند، ممکن است از تعامل با دیگران در محیط آموزشی فاصله بگیرد.

در مورد ارتباط‌داشتن، یافته نشان می‌دهد که افزایش احساس ارتباط با دیگران، به طور paradoxal با کاهش مشارکت همراه است. این یافته که در نگاه اول شگفت‌آور به نظر می‌رسد، ممکن است چند تبیین داشته باشد:

نخست: در برخی زمینه‌ها، احساس ارتباط قوی با همکلاسی‌ها یا معلمان ممکن است به اتکا یا وابستگی بیش از حد منجر شود و انگیزهٔ فردی را کاهش دهد. به عبارت دیگر، دانشجویی که احساس می‌کند اعضای گروه کار را انجام می‌دهند، ممکن است از مشارکت فردی بکاهد.

دوم: وجود احساس تعلق خاطر، ممکن است به ایجاد فضایی امن و آرامش‌بخش منجر شود که در آن، ضرورت تلاش و کوشش فردی کمرنگ می‌شود. این پدیده را می‌توان نوعی «راحت‌طلبی در گروه» (Social Loafing) در نظر گرفت.

سوم: در محیط‌های یادگیری آنلاین و مبتنی بر هوش مصنوعی، ممکن است ارتباط‌داشتن به شکل‌های سطحی و غیرتعاملی (مانند مشاهدهٔ پروفایل دیگران یا خواندن پیام‌ها بدون مشارکت فعال) تجربه شود که نمی‌تواند جای تعاملات عمیق و سازنده را پر کند.

این یافته‌های غیرمنتظره، اهمیت توجه به بافت و زمینه را در پژوهش‌های آینده برجسته می‌کند. صرفاً وجود ارتباط یا شایستگی، تضمین‌کنندهٔ مشارکت نیست؛ بلکه کیفیت و نوع این تجارب نیز حائز اهمیت است.

رابطهٔ قوی مشارکت با عملکرد تحصیلی

قوی‌ترین رابطه در مدل، مربوط به تأثیر مشارکت بر عملکرد تحصیلی با ضریب ۴۶۸/۰ است. این یافته با انبوهی از پژوهش‌های پیشین در حوزهٔ روان‌شناسی تربیتی که مشارکت فعال را قوی‌ترین پیش‌بینی‌کنندهٔ موفقیت تحصیلی معرفی کرده‌اند، همسو است. دانشجویانی که به طور فعال در فرایند یادگیری درگیر می‌شوند، به طور معناداری عملکرد تحصیلی بهتری از خود نشان می‌دهند.

مقایسهٔ تطبیقی با یافته‌های گارزون و همکاران

حال که یافته‌های پژوهش الیکال و همکاران به تفصیل بررسی شد، می‌توان ارتباط آن را با خلاصهٔ منتشرشدهٔ پیشین از گارزون و همکاران (۲۰۲۵) به روشنی ترسیم کرد.

نقاط اشتراک

هر دو پژوهش بر اهمیت شخصی‌سازی در یادگیری تأکید دارند. گارزون و همکاران «آموزش شخصی‌سازی‌شده» را به عنوان یکی از سه مزیت اصلی هوش مصنوعی در آموزش معرفی می‌کنند و الیکال و همکاران با ارائهٔ شواهد تجربی، این مزیت را در حوزهٔ آموزش مدیریت به اثبات می‌رسانند.

همچنین، هر دو پژوهش بر نقش هوش مصنوعی در تقویت انگیزش تأکید دارند. گارزون و همکاران «افزایش انگیزهٔ دانش‌آموزان» را به عنوان یکی از مزایا ذکر می‌کنند و الیکال و همکاران نشان می‌دهند که این افزایش انگیزه از طریق ارضای نیازهای روان‌شناختی بنیادین (به ویژه خودمختاری) محقق می‌شود.

نقاط افتراق

سطح تحلیل: گارزون و همکاران در سطحی کلان و سیستمی به مسئله نگاه می‌کنند و بر چالش‌های اجرایی، اخلاقی و مدیریتی تأکید دارند. الیکال و همکاران در سطحی خرد و روان‌شناختی به مسئله می‌پردازند و سازوکارهای انگیزشی اثر هوش مصنوعی را کالبدشکافی می‌کنند.

چارچوب نظری: پژوهش گارزون و همکاران فاقد چارچوب نظری مشخص است و بر مرور نظام‌مند تکیه دارد. پژوهش الیکال و همکاران بر پایهٔ نظریهٔ خودتعیین‌گری استوار است که قدرت تبیین‌کنندگی بالایی دارد.

تأکید بر چالش‌ها در برابر فرصت‌ها: گارزون و همکاران تأکید بیشتری بر چالش‌ها دارند (مقاومت معلمان، وابستگی دیجیتال، استفادهٔ اخلاقی) و رویکردی هشداردهنده اتخاذ می‌کنند. الیکال و همکاران بیشتر بر فرصت‌ها متمرکز هستند و رویکردی خوش‌بینانه دارند، هرچند یافته‌های غیرمنتظرهٔ آنان نشان می‌دهد که مسیر تأثیر هوش مصنوعی بر یادگیری، خطی و ساده نیست.

حوزهٔ کاربرد: گارزون و همکاران دامنهٔ وسیعی را پوشش می‌دهند، اما الیکال و همکاران به طور خاص بر آموزش مدیریت متمرکز هستند.

نقاط مکمل

این دو پژوهش در واقع مکمل یکدیگرند و یک تصویر جامع‌تر از هوش مصنوعی در آموزش ارائه می‌دهند:

- گارزون و همکاران _چیستی_ مزایا و چالش‌ها را نشان می‌دهند.

- الیکال و همکاران _چرایی_ و _چگونگی_ اثر هوش مصنوعی بر یادگیری را توضیح می‌دهند.

به عبارت دیگر، اگر گارزون و همکاران به ما می‌گویند که «هوش مصنوعی چه مزایا و چالش‌هایی دارد»، الیکال و همکاران نشان می‌دهند که «این مزایا چگونه و از چه مکانیسمی محقق می‌شوند». چالش «وابستگی دیجیتال» که گارزون و همکاران مطرح می‌کنند، در یافتهٔ غیرمنتظرهٔ الیکال و همکاران دربارهٔ تأثیر منفی ارتباط‌داشتن بر مشارکت، مصداق عینی پیدا می‌کند. همچنین، چالش «استفادهٔ اخلاقی» که گارزون و همکاران به آن اشاره دارند، با یافتهٔ الیکال و همکاران دربارهٔ تأثیر منفی شایستگی بر مشارکت (که می‌تواند ناشی از اتکای بیش از حد به هوش مصنوعی باشد) ارتباط مفهومی پیدا می‌کند.

جمع‌بندی: ایده‌های اصلی و پیام‌های کلیدی

پژوهش الیکال و راجاموهان (۲۰۲۵) با بهره‌گیری از نظریهٔ خودتعیین‌گری، نشان می‌دهد که یادگیری شخصی‌سازی‌شده با پشتیبانی هوش مصنوعی (AIPL) با تأمین سه نیاز روان‌شناختی بنیادین (خودمختاری، شایستگی و ارتباط‌داشتن)، مشارکت و انگیزهٔ درونی را تقویت می‌کند و این امر به ویژه در آموزش مدیریت، از طریق افزایش خودمختاری، به بهبود عملکرد تحصیلی و افزایش اعتماد به توانایی یادگیری منجر می‌شود.

اهمیت خودمختاری

خودمختاری، کلیدی‌ترین میانجی در ارتباط بین AIPL و عملکرد تحصیلی است. این یافته، راهنمای عملی برای طراحان سیستم‌های آموزشی هوشمند است: طراحی باید بر افزایش حس انتخاب، کنترل و عاملیت در یادگیرنده متمرکز باشد، نه صرفاً بر دقت الگوریتمی. به عبارت دیگر، موفقیت هوش مصنوعی در آموزش، بیش از آنکه به قدرت محاسباتی یا پیچیدگی الگوریتم‌ها وابسته باشد، به میزانِ توانایی آن در ایجاد حس خودمختاری در یادگیرنده گره خورده است.

هوشمندی در طراحی: فراتر از شایستگی

یافتهٔ غیرمنتظرهٔ این پژوهش دربارهٔ تأثیر منفی شایستگی بر مشارکت، نشان می‌دهد که صرفاً افزایش احساس توانمندی کافی نیست. طراحان آموزشی باید مراقب باشند که هوش مصنوعی، با سهولت‌سازی بیش از حد، به جای توانمندسازی، به «معلول‌سازی» فکری منجر نشود. هوش مصنوعی باید به عنوان «مکمّل» فرایند یادگیری عمل کند، نه «جایگزین» فرایندهای ذهنی و شناختی.

کیفیت ارتباطات، نه صرفاً کمیت آن

تأثیر منفی ارتباط‌داشتن بر مشارکت، زنگ خطری است برای طراحان سکوهای یادگیری مبتنی بر هوش مصنوعی. صرفاً ایجاد امکان ارتباط (نظیر انجمن‌های گفت‌وگو، چت‌های گروهی یا امکان دنبال‌کردن دیگران) برای تقویت مشارکت کافی نیست. آنچه اهمیت دارد، کیفیت تعاملات، عمق بحث‌ها و احساس مسئولیت متقابل در گروه‌های یادگیری است. سکوهای هوش مصنوعی باید به گونه‌ای طراحی شوند که تعاملات عمیق، سازنده و مسئولیت‌محور را تسهیل کنند.

پیوند با یافته‌های گارزون و همکاران

در نهایت، باید یادآوری شود که یافته‌های الیکال و همکاران، در بستر چارچوب کلان‌تری که گارزون و همکاران (۲۰۲۵) ترسیم کرده‌اند، معنا و کاربرد عملی می‌یابد. گارزون و همکاران نشان دادند که موفقیت هوش مصنوعی در آموزش مشروط به پیاده‌سازی دقیق، همکاری جمعی، توجه به عدالت و مدیریت چالش‌های اخلاقی و انسانی است. الیکال و همکاران نشان دادند که در سطح خرد، این موفقیت از طریق ارضای نیازهای روان‌شناختی (به ویژه خودمختاری) محقق می‌شود. بنابراین، ترکیب این دو سطح تحلیل، تصویری جامع از شرایط موفقیت هوش مصنوعی در آموزش ارائه می‌دهد: موفقیت در سطح کلان مستلزم سیاست‌گذاری دقیق، توانمندسازی معلمان و توجه به عدالت است و موفقیت در سطح خرد مستلزم طراحی انسان‌محور، تقویت خودمختاری و ایجاد تعاملات کیفی است.

محدودیت‌ها و جهت‌گیری‌های پژوهش آینده

پژوهش الیکال و همکاران، با وجود ارزش‌های قابل‌توجه، با محدودیت‌هایی نیز مواجه است که باید در تفسیر یافته‌ها مد نظر قرار گیرد:

نخست: داده‌ها صرفاً از دانشجویان مدیریت در سه دانشگاه دولتی هند جمع‌آوری شده است. این امر، تعمیم‌پذیری یافته‌ها به سایر حوزه‌های آموزشی و سایر زمینه‌های فرهنگی-جغرافیایی را محدود می‌کند. پژوهش‌های آینده می‌توانند با نمونه‌های متنوع‌تر از نظر فرهنگی و حوزهٔ تحصیلی، اعتبار بیرونی یافته‌ها را افزایش دهند.

دوم: پژوهش بر داده‌های خودگزارشی (Self-reported) تکیه دارد که همواره در معرض سوگیری‌هایی نظیر سوگیری پاسخ‌دهی و مطلوبیت اجتماعی قرار دارند. پژوهش‌های آینده می‌توانند با استفاده از معیارهای عینی (نظیر نمرات واقعی، میزان حضور و غیاب، تعداد تعاملات ثبت‌شده در سکو) به اعتبار یافته‌ها بیفزایند.

سوم: پژوهش به بررسی هم‌زمان (Cross-sectional) متغیرها پرداخته است. این روش، امکان نتیجه‌گیری دربارهٔ روابط علّی را محدود می‌کند. پژوهش‌های طولی (Longitudinal) در آینده می‌توانند سیر تحول تأثیرات AIPL را در طول زمان ترسیم کنند.

چهارم: پژوهش بر جنبه‌های مثبت AIPL متمرکز بوده و پیامدهای منفی احتمالی (مانند افزایش اضطراب فناورانه، کاهش تعاملات چهره‌به‌چهره، یا تشدید شکاف دیجیتال) را کمتر مورد بررسی قرار داده است. پژوهش‌های آینده می‌توانند با رویکردی متوازن‌تر، هر دو روی سکه را بررسی کنند.

پنجم: پژوهش به نقش معلمان در فرایند AIPL کمتر پرداخته است. با توجه به تأکید گارزون و همکاران بر مقاومت معلمان به عنوان یک چالش کلیدی، پژوهش‌های آینده می‌توانند به بررسی نگرش‌ها، مهارت‌ها و نیازهای معلمان در عصر هوش مصنوعی بپردازند و راهکارهایی برای توانمندسازی آنان ارائه دهند.

منابع مهم

Deci, E.L. & Ryan, R.M. (1985). Intrinsic Motivation and Self-Determination in Human Behavior. Springer Science and Business Media. Ellikkal, A. & Rajamohan, S. (2025). AI-enabled personalized learning: empowering management students for improving engagement and academic performance. Vilakshan - XIMB Journal of Management, 22(1), 28-42. Garzón, J., Patiño, E. & Marulanda, C. (2025). Systematic review of artificial intelligence in education: Trends, benefits, and challenges. Multimodal Technologies and Interaction, 9(1), Article 7. Kaswan, K.S., Dhatterwal, J.S. & Ojha, R.P. (2024). AI in personalized learning. In Advances in Technological Innovations (pp. 45-68). Taylor & Francis. Robert, A., Potter, K. & Frank, L. (2024). The impact of artificial intelligence on students' learning experience. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 14(3), e1521. Zhu, Y., Liu, Q. & Zhao, L. (2025). Exploring the impact of generative artificial intelligence on students' learning outcomes: A meta-analysis. Education and Information Technologies. Advance online publication.

مجله اینترنتی روان تنظیم

Online Journal of Ravantanzim

مجله تخصصی روانشناسی تربیتی شناختی

مدیر مسئول: محمود دلیر عبدی نیا

روانشناس تربیتی با دیدگاه شناختی

دانش آموخته دانشگاه تهران

●اولین مربی شناختی در ایران●

لطفا نظرات و پیشنهادات خود را از طریق بخش نظرات مجله اینترنتی روان تنظیم و یا از طریق ایمیل برای ما ارسال کنید.

استفاده از مطالب ارائه شده در این پایگاه، صرفا با ذکر منبع آزاد می باشد.