تحلیل سناریویی آینده یادگیری هوشمند و حکمرانی داده در نظام‌های مدیریتی
کلمات کلیدی:
یادگیری هوشمند, حکمرانی داده, سناریونویسی, آینده‌پژوهی, تحلیل مضمون, مدیریت آموزشیچکیده
هدف این پژوهش شناسایی مضامین کلیدی و طراحی سناریوهای آینده‌نگر در پیوند میان یادگیری هوشمند و حکمرانی داده در نظام‌های مدیریتی است. این پژوهش به روش مرور نظام‌مند کیفی و با بهره‌گیری از تحلیل مضمون انجام شده است. داده‌ها از طریق مرور ۱۲ مقاله علمی منتخب از میان منابع منتشرشده بین سال‌های ۲۰۱8 تا ۲۰۲۵ در پایگاه‌های معتبر علمی گردآوری شد. انتخاب مقالات تا رسیدن به اشباع نظری ادامه یافت. تحلیل داده‌ها با استفاده از نرم‌افزار NVivo نسخه 14 و از طریق کدگذاری باز، محوری و مضامین انجام شد. رویکرد مطالعه آینده‌نگر و بر پایه سناریونویسی مفهومی بوده است. سه مضمون اصلی شامل "تحول یادگیری هوشمند"، "حکمرانی داده در نظام‌های مدیریتی"، و "آینده‌پژوهی و سناریونویسی مدیریتی" شناسایی شد. هر مضمون دارای چندین زیرمضمون و مفاهیم باز بود که در مجموع چارچوبی منسجم برای تحلیل سناریوهای آتی ارائه داد. این مضامین نشان دادند که یادگیری هوشمند در آینده مبتنی بر شخصی‌سازی داده‌محور، ارزیابی پیش‌بین، و محیط‌های تعاملی خواهد بود و حکمرانی داده نیز نیازمند مدل‌هایی شفاف، اخلاق‌محور و منعطف است. یافته‌ها حاکی از آن است که تلفیق یادگیری هوشمند با حکمرانی داده، مستلزم رویکردی یکپارچه و آینده‌نگر است. طراحی سناریوهای چندگانه می‌تواند ابزاری راهبردی برای مدیریت عدم قطعیت‌ها و حرکت به سوی توسعه پایدار در نظام‌های مدیریتی باشد. این پژوهش می‌تواند مبنایی برای توسعه سیاست‌ها، برنامه‌ریزی‌های آموزشی و تقویت سواد داده‌ای مدیران فراهم آورد.
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.
