رویکردهای یادگیری خودتنظیمی در عصر هوش مصنوعی مولد
کلمات کلیدی:
یادگیری خودتنظیمی, هوش مصنوعی مولد, بازتاب دیجیتال, محیط‌های یادگیری هوشمند, شخصی‌سازی یادگیری, اخلاق فناوریچکیده
هدف این پژوهش، بررسی و تحلیل رویکردهای نوین یادگیری خودتنظیمی در محیط‌های آموزشی مجهز به هوش مصنوعی مولد و شناسایی ابعاد مفهومی، فناورانه و اخلاقی آن است. این مطالعه از نوع مرور کیفی نظام‌مند است و داده‌ها از طریق تحلیل ۱۲ مقاله علمی منتخب از پایگاه‌های بین‌المللی استخراج شد. فرایند تحلیل با استفاده از نرم‌افزار NVivo نسخه 14 و روش کدگذاری باز، دسته‌بندی زیرمقوله‌ها و مقوله‌ها انجام گرفت تا الگوهای تکرارشونده شناسایی و اشباع نظری حاصل شود. تحلیل داده‌ها نشان داد که هوش مصنوعی مولد موجب بازتعریف مفهومی یادگیری خودتنظیمی، تغییر نقش یادگیرنده و معلم، و ایجاد تعامل شناختی انسان–ماشین شده است. ابزارهای فناوری شامل سیستم‌های مولد هوشمند، محیط‌های یادگیری تطبیقی، عامل‌های آموزشی هوشمند و ابزارهای بازتاب دیجیتال، نقش کلیدی در تقویت خودتنظیمی و شخصی‌سازی مسیر یادگیری دارند. همچنین، چالش‌های اخلاقی مانند حریم خصوصی داده‌ها، سوگیری الگوریتمی و اتکای بیش از حد به فناوری شناسایی شدند که نیازمند چارچوب‌های اخلاقی و آموزشی مناسب است. یادگیری خودتنظیمی در عصر هوش مصنوعی مولد به ترکیبی از خودرهبری انسانی و پشتیبانی فناوری تبدیل شده است که توانایی یادگیرنده را در مدیریت فرایند یادگیری افزایش می‌دهد. بهره‌گیری مؤثر از این فناوری مستلزم رعایت اصول اخلاقی، تقویت سواد دیجیتال و آموزش نقش هدایت‌گرانه معلمان است تا اثرات مثبت آن به حداکثر و اثرات منفی کاهش یابد.
دانلودها
مراجع
Bannert, M., Reimann, P., & Sonnenberg, C. (2022). Supporting self-regulated learning with intelligent systems: A review of recent developments. Computers & Education, 182, 104472.
Greene, J. A., & Azevedo, R. (2022). The future of self-regulated learning in the age of AI. Educational Psychologist, 57(4), 301–317.
Hodges, C., & Wang, Y. (2024). Human–AI collaboration in self-regulated learning: Emerging frameworks and implications. Journal of Educational Technology & Society, 27(1), 45–60.
Holmes, W., Bialik, M., & Fadel, C. (2023). Artificial intelligence in education: Promises and implications for teaching and learning. Center for Curriculum Redesign.
Hwang, G. J., & Chen, C. H. (2023). The role of reflective tools in AI-supported self-regulated learning. British Journal of Educational Technology, 54(2), 356–372.
Li, Y., & Zhao, J. (2023). Immersive learning and self-regulation: The potential of AR and VR technologies. Computers in Human Behavior, 139, 107520.
Luckin, R. (2023). The ethics of AI in education: Self-regulation, autonomy, and the human factor. AI & Society, 38(2), 211–228.
Panadero, E., & Broadbent, J. (2023). Self-regulated learning in the digital era: Revisiting theory and practice. Educational Review, 75(1), 1–21.
Rahimi, M., & Chen, W. (2024). Adaptive intelligent tutoring and learner autonomy: New insights from generative AI systems. Educational Technology Research and Development, 72(3), 455–476.
Roll, I., & Winne, P. H. (2022). Intelligent tutoring and self-regulated learning: Bridging human and artificial intelligence. Learning and Instruction, 78, 101569.
Selwyn, N., & Jandrić, P. (2023). Digital inequality in AI-driven education: A critical perspective. Learning, Media and Technology, 48(4), 401–416.
Siau, K., & Wang, W. (2024). Ethical considerations of generative AI in education. Computers and Education: Artificial Intelligence, 7, 100250.
Sun, Y., Yu, R., & Li, X. (2023). Digital reflection and metacognition in AI-based learning environments. Journal of Computer Assisted Learning, 39(5), 1123–1140.
Williamson, B., & Piattoeva, N. (2022). Datafication, accountability and AI in education policy. Research in Education, 112(1), 1–19.
