Challenges and opportunities of using artificial intelligence in elementary education: from the perspective of new teachers

Document Type : Original Article

Authors

1 Master's student in Educational Technology, Allameh Tabatabai University, Tehran, Iran.

2 Associate Professor, Department of Educational Technology, Allameh Tabatabai University, Tehran, Iran.

Abstract

In the present era, marked by significant technological advancements, artificial intelligence (AI) has emerged as one of humanity's most innovative achievements, garnering attention across numerous fields. Education, as a cornerstone of societal development, has not been exempt from these transformations. AI, as a novel tool, offers new opportunities to enhance the quality of education at various levels, particularly in primary education, which forms the foundation for learning and talent development. This study explores the challenges and opportunities associated with the use of AI in primary education from the perspective of novice teachers. The research method is descriptive and correlational in nature. The target population consisted of 260 novice teachers enrolled at the Tabriz Farhangian University in the academic year 2019. The sample size was determined to be 155 individuals using Cochran’s formula. A researcher-developed questionnaire comprising 32 items was used to collect data. The data were analyzed using PLS 4 software and structural equation modeling. The findings reveal that, despite being aware of AI's potential benefits in education, novice teachers encounter several challenges in utilizing it in the classroom. These challenges include the loss of independent and creative thinking, AI's limitations in understanding and responding to needs, reduced human interaction, difficulties in detecting cheating, the need for appropriate professional development and training, the requirement for AI-related knowledge and expertise, and the production of inaccurate or misleading content. However, novice teachers also recognize multiple opportunities for leveraging AI to improve the quality of primary education. Ultimately, this article provides recommendations for overcoming the challenges and effectively utilizing AI in elementary education.

Keywords

Full Text

مقدمه

هوش مصنوعی[1] توانایی یک ماشین یا سیستم کامپیوتری برای شبیه‌سازی و انجام وظایفی مانند استدلال منطقی، یادگیری و حل مسئله است که معمولاً به هوش انسانی نیاز دارند و با کاربرد الگوریتم‌ها و فناوری‌های یادگیری ماشینی به ماشین‌ها توانایی اعمال برخی مهارت‌های شناختی و انجام وظایف به‌صورت خودکار یا نیمه‌خودکار را می‌دهد (موراندین-آهورما[2], 2022) هوش مصنوعی فرصت‌های متعددی را برای بهبود و تحول آموزش فراهم می‌کند. یکی از مهم‌ترین این فرصت‌ها، امکان ارائه تجربیات یادگیری شخصی‌سازی‌شده است. سیستم‌های یادگیری انطباقی مبتنی بر هوش مصنوعی قادرند محتوا، سرعت و سطح دشواری مطالب آموزشی را بر اساس نیازهای منحصربه‌فرد هر دانش‌آموز تنظیم کنند، به این ترتیب مشارکت و بهبود نتایج تحصیلی را افزایش دهند (پدرو و همکاران[3], 2019). همچنین تجربیات یادگیری تعاملی‌تر و غوطه‌ورکننده‌تری ایجاد کنند. مربیان مجازی و چت‌بات‌های هوشمند قادرند با دانش‌آموزان تعامل داشته و بازخورد فوری ارائه دهند. بازی‌ها و شبیه‌سازی‌های آموزشی مبتنی بر هوش مصنوعی روش‌های جذابی برای یادگیری فراهم می‌کنند (چیما ابیبولا ادن[4] و همکاران, 2024). این ظرفیت هوش مصنوعی پتانسیل بالایی برای تحول در حوزه‌های مختلف آموزش ، به‌خصوص در مقطع ابتدائی، می‌تواند ترسیم کند. در این میان، نومعلمان به‌عنوان نقش‌آفرینان کلیدی در خط مقدم آموزش، نقشی اساسی در مواجهه با این تحولات و بهره‌مندی از فرصت‌ها و غلبه بر چالش‌های پیش روی آن ایفا می‌کنند (لامپو[5], 2023). پلتفرم‌های مبتنی بر هوش مصنوعی می‌توانند با تحلیل الگوهای یادگیری و نقاط قوت و ضعف دانش‌آموزان، محتوای آموزشی را به‌گونه‌ای سفارشی‌سازی کنند که هر دانش‌آموز متناسب با نیازهای فردی خود آموزش‌های لازم را دریافت کند. این شخصی‌سازی تضمین می‌کند که همه دانش‌آموزان، بدون توجه به نقطه شروع خود، فرصت برابر برای پیشرفت و موفقیت داشته ( روشنایی و همکاران[6], 2023) و با تطبیق آموزش با سبک‌های یادگیری فردی، مشارکت دانش‌آموزان و مطلوبیت نتایج تحصیلی را افزایش دهد (چیما ابیبولا ادن و همکاران, 2024). به‌این‌ترتیب، می‌توان از پتانسیل‌های هوش مصنوعی برای ایجاد محیط‌های آموزشی عادلانه، فراگیر و مؤثر بهره‌برداری کرد. با توجه به این فرصت‌ها، انجام تحقیقاتی جامع و دقیق در این زمینه ضروری است تا بتوان راهکارهای مناسبی برای استفاده مؤثر و مسئولانه از هوش مصنوعی در آموزش ابتدائی ارائه داد. این تحقیقات می‌توانند به سیاست‌گذاران، معلمان و دانش‌آموزان کمک کنند تا از مزایای هوش مصنوعی بهره‌مند شوند و درعین‌حال با چالش‌های آن به‌طور مؤثر مقابله نمایند (کرامپتون و همکاران[7], 2022; خوزه و خوزه[8], 2024;لامپو, 2023; پدرو و همکاران, 2019). این فناوری می‌تواند وظایف اداری را خودکار کرده و به معلمان اجازه دهد تا زمان بیشتری را به برنامه‌ریزی دروس و بهبود آموزش اختصاص دهند (چیما ابیبولا ادن و همکاران, 2024). یادگیری شخصی‌سازی‌شده و انطباقی، خودکارسازی وظایف اداری، تسهیل یادگیری الکترونیکی، افزایش شمولیت، تصمیم‌گیری مبتنی بر داده، گیمیفیکیشن و افزایش تعامل، تحلیل و پیش‌بینی رفتار و بهبود ارزیابی، فرصت‌هایی است که نمی‌توان آن‌ها را نادیده گرفت (ایواناشکو و همکاران[9], 2024). همچنین، هوش مصنوعی می‌تواند انگیزه یادگیرندگان را افزایش دهد، ایجاد قالب‌های یادگیری را بهبود  و بنماید و به‌عنوان تسهیل‌کننده و کمک‌آموزشی استفاده شود (ایواناشکو و همکاران, 2024). از سویی، یادگیری انفرادی، افزایش سرعت تدریس، ارائه بازخورد و کاهش هزینه‌های نظام آموزشی را به همراه دارد(جعفری و همکاران, 1402). استفاده از هوش مصنوعی در آموزش ابتدائی در بهبود فرایندهای آموزشی، ارتباط با معلمان و دانش‌آموزان، و ایجاد امکاناتی برای افراد معلول مناسب است (بابائی و همکاران, 1402).  

استفاده از هوش مصنوعی در آموزش ابتدائی می‌تواند تجربه‌های یادگیری را بهبود بخشد و به دانش‌آموزان کمک کند تا مهارت‌های قرن بیست و یکم را کسب کنند (راتور و همکاران[10], 2023)؛ و با ارائه آموزش‌های شخصی‌سازی‌شده، منابع آموزشی فراوان و بازخوردهای به‌موقع، نتایج یادگیری را بهبود بخشد (گوان[11], 2023). همچنین، می‌تواند به بهینه‌سازی محتوا، روش‌های تدریس و تسهیل سبک‌های تدریس چندگانه کمک کند و خلاقیت، نوآوری و مهارت‌های حل مسئله را افزایش دهد (رضوی[12], 2023).

باوجود پتانسیل‌های فراوان هوش مصنوعی در آموزش ابتدائی، چالش‌های متعددی نیز وجود دارد که نیازمند بررسی و حل هستند. ازجمله این چالش‌ها می‌توان به محدودیت‌های مالی، عدم‌حمایت سیاستی کافی، نگرانی‌های مربوط به حریم خصوصی، تفاوت در پذیرش معلمان و نبود استانداردهای یکپارچه اشاره کرد (گوان, 2023). همچنین، مسائل اخلاقی و امنیت داده‌ها نیز ازجمله نگرانی‌های مهم در استفاده از هوش مصنوعی در آموزش هستند. این چالش‌ها می‌توانند مانع از بهره‌برداری کامل از پتانسیل‌های هوش مصنوعی در آموزش ابتدائی شوند و نیازمند توجه و بررسی دقیق هستند (چلیک و همکاران[13], 2022). به‌منظور بهره‌برداری کامل از پتانسیل هوش مصنوعی در آموزش ابتدائی، لازم است که سیاست‌گذاران، نهادهای آموزشی و عموم مردم آمادگی لازم را برای این تحول فناوری داشته باشند و فرهنگ جدیدی از کیفیت آموزشی و آمادگی برای نیروی کار را ترویج دهند (خوزه و خوزه, 2024). از سوی دیگر، چالش‌هایی نظیر نگرانی‌های اخلاقی، کمبود مهارت‌های فناوری در میان معلمان و دانش‌آموزان، و نگرانی از جایگزینی معلمان توسط هوش مصنوعی وجود دارد (کرامپتون و برک[14], 2020; خوزه و خوزه, 2024). انتخاب مقطع ابتدایی به‌عنوان زمینه اجرای این پژوهش، به دلیل اهمیت بنیادین این مرحله در شکل‌گیری مهارت‌ها، نگرش‌ها و سبک‌های یادگیری دانش‌آموزان است. آموزش ابتدایی نقش زیربنایی در توسعه شایستگی‌های قرن بیست‌و‌یکم مانند تفکر انتقادی، خلاقیت و سواد دیجیتال دارد؛ بنابراین، بررسی چگونگی به‌کارگیری فناوری‌هایی نظیر هوش مصنوعی در این دوره می‌تواند تأثیرات گسترده‌ای در نظام آموزشی آینده داشته باشد. از سوی دیگر، تمرکز بر نومعلمان (دانش‌آموختگان جدید دانشگاه فرهنگیان) به‌دلیل ویژگی‌های منحصربه‌فرد این گروه است؛ نومعلمان در آستانه ورود به حرفه تدریس قرار دارند و نگرش‌ها و آمادگی آن‌ها نسبت به فناوری‌های نوین آموزشی، نقش کلیدی در نحوه به‌کارگیری مؤثر این ابزارها در کلاس درس خواهد داشت. تحلیل دیدگاه‌ها و تجربیات آنان می‌تواند بازتاب‌دهنده ظرفیت‌ها و چالش‌های عملی پیاده‌سازی هوش مصنوعی در محیط‌های واقعی آموزش ابتدایی باشد. نتایج حاصل از این پژوهش می‌تواند دلالت‌های ارزشمندی برای سیاست‌گذاران آموزشی، طراحان برنامه درسی و مسئولان تربیت معلم داشته باشد؛ به‌گونه‌ای که در طراحی برنامه‌های آموزشی، توسعه زیرساخت‌ها و آموزش معلمان در مسیر هوشمندسازی مدارس، از شواهد پژوهشی بهره گرفته شود (ژوان وو[15], 2024).

به‌روزرسانی برنامه‌های درسی با زیرساخت هوش مصنوعی، پذیرش تکنیک‌های تدریس انطباقی و توسعه معیارهای ارزیابی جدید، حریم خصوصی و امنیت داده‌ها، تعصب، کمبود درک و شفافیت چالش قابل تاملی است (ژوان وو, 2024). شکاف پژوهشی موجود در این حوزه، فرصت‌های پژوهشی بسیاری را پیش روی محققان قرار می‌دهد. پژوهشگران می‌توانند با تمرکز بر مؤلفه‌های طراحی آموزشی مانند تشخیص مساله، ایجاد شایستگی، اهداف، محتواسازی، راهبردهای یادگیری، تکنولوژی و رسانه‌ها، روش‌تدریس و سنجش و ارزشیابی محیط یادگیری، به طراحی و توسعه ابزارها و پلتفرم‌های هوش مصنوعی بپردازند که به‌طور خاص برای نیازهای دانش‌آموزان ابتدائی طراحی‌شده باشند. همچنین، پژوهش در این حوزه می‌تواند به تدوین چارچوب‌های نظری و مدل‌های طراحی آموزشی مبتنی بر هوش مصنوعی کمک کند. مقاله حاضر باهدف شناسایی چالش‌ها و فرصت‌های استفاده از هوش مصنوعی در آموزش ابتدایی و بررسی میزان همسویی و اعتبار مؤلفه‌های استخراج‌شده از دیدگاه نومعلمان می‌باشد. در این راستا دو سوال زیر مطرح می‌شود:

  1. چه چالش‌ها و فرصت‌هایی در استفاده از هوش مصنوعی در آموزش ابتدایی وجود دارد؟
  2. مؤلفه‌های استخراج‌شده از مرور نظام‌مند منابع تا چه میزان از دیدگاه نومعلمان معتبر و قابل پذیرش هستند؟

 

 

 

روش

پژوهش حاضر از نوع آمیخته اکتشافی است که در دو فاز کیفی و کمی به اجرا درآمده است. انتخاب این نوع روش به‌دلیل ماهیت مسئله پژوهش و نیاز به شناسایی ابعاد پنهان و عمیق پدیده مورد مطالعه (چالش‌ها و فرصت‌های استفاده از هوش مصنوعی در آموزش ابتدایی) انجام شده است.

در فاز نخست، از روش مرور نظام‌مند برای پاسخ به سؤال اول پژوهش (شناسایی چالش‌ها و فرصت‌های استفاده از هوش مصنوعی در آموزش ابتدایی) استفاده شد. روش مطالعه نظام‌مند، گونه‌ای از مطالعات دست‌دوم است که در طیف گسترده‌ای از موضوعات مرتبط با مسئله پژوهشی، به‌صورت بسیار دقیق و با استفاده از روش پالایش داده‌ها و کانالیزه کردن آنان، به بیان داده‌های خلاصه‌شده و پاسخ دقیق سؤالات و یافته‌های برآمده از جمیع پژوهش‌های پیشین می‌پردازد. این روش به دلیل مواجه‌شدن با انبوهی از مسائل و همچنین محتوای چند‌رشته‌ای و میان‌رشته‌ای، به نگرش، تجربه و اصولی در انتخاب، پالایش و تحلیل یافته‌های نهایی نیازمند است. مراحلی که نویسنده برای انجام مرور نظام‌مند استفاده کرده است طبق مراحل پیشنهادی دکتر احسان طوفانی‌نژاد می‌باشد.

مقالات مرتبط از پایگاه‌های اسکوپوس[16]، ساینس‌دایرکت[17] و اریک[18] جمع‌آوری و پس از بررسی معیارهای ورود و خروج، در مجموع 16 مقاله به‌عنوان نمونه نهایی انتخاب شدند. تحلیل محتوای این منابع با رویکرد کیفی انجام گرفت و ابعاد و مؤلفه‌های اصلی استخراج شدند. بر این اساس، ابزاری اولیه برای گردآوری داده‌ها در فاز کمی طراحی گردید.

پژوهش حاضر، سؤالاتی در خصوص آن‌که فرصت‌ها و چالش‌های اصلی استفاده از هوش مصنوعی در آموزش ابتدائی مدارس ابتدائی چیست؟ و نومعلمان چه دیدگاهی نسبت به فرصت‌ها و چالش‌های مطرح شده دارند؟ را درنظر می‌گیرد. لذا این پژوهش می‌کوشد تا ساختاری برای ارائه چالش‌ها و فرصت‌های استفاده از هوش مصنوعی در آموزش ابتدائی در چهارچوب اهداف و سؤالات بیان‌شده ارائه نماید.

  1. راهبرد جستجوی منابع: جهت مشخص کردن مقالات، 3 پایگاه داده اسکوپوس، اریک و ساینس دایرکت به‌عنوان مرجع اصلی انتخاب شدند. جستجوی دستی نیز در گوگل اسکالر[23]برای تکمیل کار صورت گرفت. جهت انجام جستجو از ترکیب کلمات کلیدی مرتبط با آموزش مبتنی بر موبایل و آموزش مقطع ابتدائی در پایگاه داده‌های انگلیسی طبق جدول 1 استفاده شد.

 

جدول 1. کلمات کلیدی در جستجوی نظام‌مند پایگاه‌های داده انگلیسی

OR

AND

OR

AND

OR

AND

OR

“elementary education”

* Opportunity*

* Challenges*

“artificial intelligence”

“elementary school”

* Advantage*

*problem*

“AI”

“elementary student”

*Possibilities*

*difficulty*

 

 

 

  1. معیارهای انتخاب مقالات: جهت تحقق هدف تحقیق دو محدودیت سال انتشار در پنج سال اخیر و نوع شرکت‌کنندگان در تحقیق اعمال شد. به‌غیراز این در مرحله جستجو محدودیت دیگری مانند نوع تحقیق، محل جغرافیایی انجام تحقیق، زبان شرکت‌کنندگان اعمال نگردید. همچنین تمام مقالات فصلنامه‌ها و کنفرانس‌های علمی داوری شده داخل نتایج شد ولی کتاب، گزارش، پایان‌نامه و سرمقاله‌ها از روند جستجو خارج شدند. جدول 2 معیارهای داخل شدن[25] و معیارهای خارج‌شدن[26] مقالات در تمام مراحل بررسی از عنوان تا چکیده تا متن کامل را تا رسیدن به مقالات نهایی جهت تحلیل نشان می‌دهد.

 

جدول 2: معیارهای داخل یا خارج شدن از روند بررسی مقالات در مرور نظام‌مند

 

معیارهای داخل شدن مقالات

معیارهای خارج شدن از مقالات

بازه زمانی

بین 2019 تا 2024

قبل از 2019

روش‌شناسی

کیفی

کمی و آمیخته

هدف

استخراج چالش‌ها و فرصت‌های استفاده از هوش مصنوعی در آموزش ابتدائی

نامرتبط با مسئله چالش‌ها و فرصت‌های استفاده از هوش مصنوعی در آموزش ابتدائی

حوزه‌های مطالعاتی

مرتبط با هوش مصنوعی و آموزش ابتدائی

دارای ارتباط ضعیف بین فرصت‌ها و چالش‌های هوش مصنوعی و آموزش ابتدائی

نوع

مقالات چاپ‌شده در فصلنامه‌ها و همایش‌های علمی داوری شده

کتاب، پایان‌نامه، اسناد و سرمقاله‌ها

زبان

انگلیسی

غیر از انگلیسی

 

 

  1. خروجی جستجوی نظام‌مند: روند جستجو و انتخاب مقالات همان‌گونه که در شکل 1 نشان داده‌شده است، بدین گونه بود که پس از جستجو در تمام پایگاه‌های ذکرشده انگلیسی با کلمات کلیدی مرتبط و محدودیت سال انتشار، 68 مقاله مشخص گردید، تعداد 8 مقاله نیز از طریق جستجوی دستی در گوگل اسکالر اضافه شد که جمع تمام مقالات یافت شده به تعداد 76 مقاله رسید. سپس مقالات تکراری به تعداد 16 مقاله مشخص و حذف گردید. علت وجود مقالات تکراری نمایه شدن یک مقاله در چندین پایگاه داده بود. تعداد 60 مقاله جهت بررسی عنوان و چکیده مشخص گردید. با بررسی عنوان و چکیده تمام مقالات مشخص‌شده، 44 مقاله با توجه به معیارهای انتخاب مقالات (جدول 2) به دلیل عدم ارتباط با آموزش مبتنی بر موبایل یا آموزش مقطع ابتدائی و یا عدم انجام تحقیق به‌صورت کیفی مشخص و از روند بررسی مقالات خارج شد. درنهایت تعداد 16 مقاله با توجه به معیارهای این تحقیق واجد شرایط تحلیل شدند.

 

 

جستجو در پایگاه‌های اطلاعاتی = 76

 

 

خارج شدن به واسطه معیارها = 44

بعد از خارج کردن مقالات مشابه = 60

مقالات داخل شده جهت تحلیل نظام‌مند= 16

خارج کردن مقالات مشابه = 16

 

 

شکل 1: چارت روند انتخاب مقالات

 

در فاز دوم پژوهش، با استفاده از روش توصیفی-پیمایشی، داده‌های کمی گردآوری شد تا به سؤال دوم پژوهش پاسخ داده شود (بررسی میزان همسویی و اعتبار مؤلفه‌های استخراج‌شده از نظر نومعلمان). جامعه آماری این بخش شامل نومعلمان مقطع ابتدایی دانشگاه فرهنگیان تبریز (ورودی 1398) 260 نفر بود. برای برآورد حجم نمونه، از فرمول کوکران استفاده شد که به صورت زیر[27] است. با جایگذاری مقادیر، حجم نمونه برابر با 155 نفر محاسبه شد. ابزار گردآوری داده‌ها پرسشنامه‌ای محقق‌ساخته بود که شامل 32 گویه بود. فرآیند تدوین گویه‌ها بر اساس مؤلفه‌های استخراج‌شده از تحلیل محتوای مقالات علمی انجام گرفت. در این مرحله، هر یک از مؤلفه‌های شناسایی‌شده از فاز کیفی، به گویه‌هایی قابل‌سنجش تبدیل شدند.

برای اطمینان از پوشش مناسب ابعاد موضوع، گویه‌ها با نظر جمعی از متخصصان حوزه فناوری آموزشی و طراحی ابزار مورد بازبینی و اصلاح قرار گرفتند. گویه‌های پرسشنامه در قالب سؤالات بسته طراحی شدند و مقیاس پاسخگویی آن‌ها بر اساس طیف پنج‌درجه‌ای لیکرت از «کاملاً مخالفم» (1) تا «کاملاً موافقم» (5) تنظیم گردید.

در ادامه به بررسی پایایی ابزار تحقیق پرداخته‌شده است. آلفای کرونباخ روشی برای محاسبه پایایی پرسشنامه براساس میزان هماهنگی درونی سؤالات می‌باشد. اگر میزان آلفا از 7/0 بیشتر بود یعنی پایایی پرسشنامه قابل‌قبول است. با توجه به حد بحرانی 7/0 پایایی ابزار مطلوب است.

 

جدول 3: پایایی به روش آلفای کرونباخ

مؤلفه

تعداد گویه

سؤالات

آلفای کرونباخ

نمره کل

32

مجموع سؤالات

716/0

 

نظر به این‌که پرسشنامه پژوهش حاضر محقق‌ساخته بوده و مبتنی بر هیچ نظریه پیشین نمی‌باشد، ساختار عاملی آن به‌صورت اکتشافی بررسی شد. ابتدا تحلیل عاملی اکتشافی (EFA) با استفاده از نرم‌افزار SPSS 26 به‌منظور کشف ساختار زیربنایی داده‌ها اجرا گردید. سپس برای تأیید ساختار عاملی شناسایی‌شده، تحلیل عاملی تأییدی (CFA) با نرم‌افزار PLS 4 اجرا شد. در مرحله تحلیل عاملی اکتشافی، شاخص KMO و آزمون بارتلت جهت بررسی کفایت نمونه و معناداری همبستگی بین متغیرها محاسبه شد. مقدار KMO برابر با 0.81 و آزمون بارتلت معنادار بود (p < 0.001) که بیانگر مناسب بودن داده‌ها برای تحلیل عاملی اکتشافی است. در ادامه، تحلیل عاملی تأییدی با استفاده از مدل‌یابی معادلات ساختاری (SEM) در نرم‌افزار PLS انجام شد.

 

 

در تحلیل داده‌های فاز کیفی از روش تحلیل محتوای استقرایی استفاده شد. در فاز کمی، داده‌ها با استفاده از نرم‌افزار PLS 4 و SPSS 26 مورد تحلیل قرار گرفتند و آزمون‌هایی چون همبستگی، تحلیل عاملی و مدل‌یابی معادلات ساختاری به‌کار رفت. همچنین شاخص‌های روایی و پایایی سازه‌ها نیز بررسی شد تا اعتبار مدل پیشنهادی مورد آزمون قرار گیرد.

 

ردیف

ابعاد طراحی

چالش/فرصت

متغیر

نویسنده‌ و سال

1

مساله یابی و شفاف‌سازی مساله

فرصت

ارائه اطلاعات و منابع مرتبط جهت کمک به درک بهتر مسئله

(Cherevatіuk, 2024)

2

ارائه ابزار و چهارچوب جهت ساختارمندتر کردن فرآیند حل‌مسئله

3

چالش

از دست دادن تفکر مستقل و خلاق با تکیه بیش‌ازحد

(Rizvi, 2023)

4

نیاز معلمان به توسعه حرفه‌ای مناسب جهت استفاده مؤثر

5

شایستگی دانش پداگوژی فناورانه

فرصت

توسعه مهارت‌های تدریس مبتنی بر هوش مصنوعی مانند طراحی

(Xuan Vu, 2024)

6

کمک به بهبود کارایی و اثربخشی تدریس با خودکارسازی وظایف

7

چالش

نیاز معلمان به توسعه حرفه‌ای مناسب جهت استفاده مؤثر

(Malik, 2024)

8

مقاومت برخی معلمان در ادغام هوش مصنوعی با تدریس

9

شایستگی دانش محتوای فناورانه

فرصت

افزایش جذابیت و تعامل محتوایی

(Sytnyk & Podlinyayeva, 2024)

10

بهبود کارایی و اثربخشی تولیدمحتوا

11

چالش

نیاز به دانش و تخصص در تولیدمحتوا با استفاده از هوش مصنوعی

(Pandya, 2024)

12

امکان تولید محتوای نادرست و گمراه‌کننده

13

روش‌های تدریس معلم

فرصت

ایجاد طرح درس‌های شخصی‌سازی‌شده با تحلیل داده‌ها

(Crompton et al., 2022)

14

دسترسی به طیف گسترده‌ای از روش تدریس

15

چالش

محدودیت در درک و پاسخ به نیازهای عاطفی و اجتماعی پیچیده

(Roshanaei et al., 2023)

16

تکیه بیش از برای انجام وظایف خود مانند برنامه‌ریزی و ...

17

ارائه تمرین و تکلیف به دانش‌آموزان

فرصت

شخصی‌سازی تمرین و تکلیف با توجه به نیازها و سطح مهارت

(Celik et al., 2022)

18

ایجاد فرصت‌های یادگیری جذاب و تعاملی از طریق شبیه‌سازی

19

چالش

نیاز به دانش و تخصص در ارائه تکلیف با استفاده از هوش مصنوعی

(Guan, 2023)

20

تهدید خلاقیت و استقلال در طراحی تکالیف و تمارین

21

سنجش و ارزشیابی

فرصت

ارزیابی خودکار آزمون‌ها، نوشته‌ها و تکالیف و ارائه بازخورد فوری

(Lydia et al., 2023)

22

تجزیه‌وتحلیل داده‌های ارزشیابی و شناسایی نقاط ضعف و قوت

23

چالش

چالش در تشخیص تقلب در آزمون و تکالیف آنلاین

(Chima Abimbola Eden et al., 2024)

24

نیاز به دانش و تخصص در سنجش با استفاده از هوش مصنوعی

25

درگیرسازی شناختی عاطفی و اجتماعی

فرصت

 

درگیر شدن عمیق‌تر با مطالب‌درسی باتوجه به نیازها و علایق

(Ivanashko et al., 2024)

26

ایجاد فرصت برای همکاری و تعامل در توسعه مهارت اجتماعی

27

چالش

محدودیت در درک و پاسخ به نیازهای عاطفی و اجتماعی پیچیده

(Lampou, 2023)

28

تکیه بیش‌ازحد برای تعامل اجتماعی و فرصت‌های یادگیری

29

همیاری و مشارکت کارگروهی و انجام پروژه

فرصت

ایجاد گروه‌های یادگیری بهینه باتوجه به نقاط قوت و ضعف

(Jose & Jose, 2024)

30

تسهیل همکاری بین اعضا با ابزارهای مدیریت وظایف و ارتباطی

31

چالش

محدودیت در درک و پاسخ به پویایی‌های پیچیده گروه

(Mukti, 2023)

32

نیاز به تخصص در تسهیل همیاری با استفاده از هوش مصنوعی

 

در فاز کمی، هدف بررسی میزان همسویی و اعتبار مؤلفه‌های استخراج‌شده با دیدگاه نومعلمان بود؛ که در پاسخ به سوال دوم پژوهش نتایج زیر ارائه می‌گردد.

 

جدول 5: جدول ویژگی‌های توصیفی متغیرهای پژوهش

ابعاد

فرصت/چالش

کمترین

بیشترین

میانگین

انحراف معیار

واریانس

k-s

p

مساله‌یابی و شفاف‌سازی مسئله

 

فرصت

00/3

00/5

4925/4

51854/0

269/0

239/0

000/0

چالش

00/1

00/3

5448/1

52028/0

271/0

221/0

000/0

روش تدریس و ایجاد شایستگی دانش محتوای فناورانه

 

فرصت

25/3

00/5

3582/4

46917/0

220/0

195/0

000/0

چالش

00/1

50/3

7239/1

53146/0

282/0

191/0

000/0

ارائه تکلیف و سنجش

 

فرصت

00/2

00/5

0448/4

66387/0

441/0

204/0

000/0

چالش

00/1

00/4

7836/1

70294/0

494/0

166/0

000/0

درگیر سازی شناختی_ عاطفی_ اجتماعی و مشارکت در کارگروهی

 

فرصت

67/2

00/5

1393/4

63338/0

401/0

139/0

003/0

چالش

00/1

50/3

8507/1

62167/0

386/0

162/0

000/0

 

طبق جدول 5 بیشترین فراوانی مربوط به متغیرهای "مساله‌یابی و شفاف‌سازی مسئله"، " روش تدریس و ایجاد شایستگی دانش محتوای فناورانه"، " ارائه تکلیف و سنجش" و " درگیرسازی شناختی_ عاطفی_ اجتماعی و مشارکت در کارگروهی" می‌ باشد.

 

جدول 6: ماتریس همبستگی خرده مقیاس‌های پرسشنامه

متغیرها

۱

۲

۳

۴

5

6

7

8

مساله‌یابی و شفاف‌سازی مسئله

۱

 

 

 

 

 

 

 

چالش در مساله‌یابی و شفاف‌سازی مسئله

**490/۰-

۱

 

 

 

 

 

 

روش تدریس و ایجاد شایستگی دانش محتوای فناورانه

**502/۰

**230/۰-

1

 

 

 

 

 

چالش در روش تدریس و ایجاد شایستگی دانش محتوای فناورانه

**392/۰-

**415/۰

**346/۰-

1

 

 

 

 

ارائه تکلیف و سنجش

**302/۰

035/۰-

**434/۰

**315/۰-

1

 

 

 

چالش ارائه تکلیف و سنجش

**295/۰-

039/۰-

**542/۰-

**263/۰

**520/۰-

1

 

 

درگیرسازی شناختی_ عاطفی_ اجتماعی و مشارکت در کارگروهی

**526/۰

011/۰

**569/۰

**379/۰-

**565/۰

**601/۰-

1

 

چالش درگیرسازی شناختی_ عاطفی_ اجتماعی و مشارکت در کارگروهی

**180/۰-

185/۰

**405/۰-

**515/۰

**289/۰-

**488/۰

**421/۰-

1

 

 

بارهای عاملی از طریق محاسبه مقدار ارتباط گویه‌های یک سازه با آن سازه محاسبه می‌شوند که اگر این مقدار برابر و یا بیشتر از مقدار 3/0 شود، مؤید این مطلب است که واریانس بین سازه و شاخص‌های آن از واریانس خطای اندازه‌گیری آن سازه بیشتر بوده و پایایی در مورد آن مدل اندازه‌گیری قابل‌قبول است. همچنین اگر مقدار t-values برای بارهای عاملی پژوهش از مقداری بحرانی ۹۶/۱ بیشتر باشد بنابراین با احتمال ۹۵ درصد سؤالات مناسب بوده است و مورد تائید قرار می‌گیرد.

 

 

جدول 7: بارهای عاملی به همراه مقادیر T در مدل چالش‌ها

مسیر

نمونه‌های اصلی

میانگین نمونه

انحراف استاندارد

آماره T

مقادیر P

q11 <- چالش در روش تدریس و ایجاد شایستگی دانش محتوای فناورانه

496/0

470/0

315/0

978/1

048/0

q12 <- چالش در روش تدریس و ایجاد شایستگی دانش محتوای فناورانه

854/0

798/0

212/0

026/4

021/0

q23 <- چالش ارائه تکلیف و سنجش

858/0

848/0

081/0

639/1

001/0

q24 <- چالش ارائه تکلیف و سنجش

890/0

874/0

096/0

241/9

035/0

q28 <- چالش درگیرسازی شناختی_ عاطفی_ اجتماعی و مشارکت در کارگروهی

841/0

833/0

101/0

352/8

040/0

q3 <- چالش در مساله‌یابی و شفاف‌سازی مسئله

419/0

459/0

443/0

987/1

039/0

q31 <- چالش درگیرسازی شناختی_ عاطفی_ اجتماعی و مشارکت در کارگروهی

779/0

751/0

163/0

778/4

010/0

 

 

نتایج نشان‌می‌دهد تمام بارهای عاملی بزرگ‌تر از 30/0 هستند. همچنین آماره تی محاسبه‌شده بالاتر از 96/1 است؛ که این نشان از وضعیت مطلوب در این شاخص و بارهای عاملی برآورد شده است.

 

 

جدول 8: بارهای عاملی به همراه مقادیر T در مدل فرصت‌ها

مسیر

نمونه‌های اصلی

میانگین نمونه

انحراف استاندارد

آماره T

مقادیر P

q10 <- روش تدریس و ایجاد شایستگی دانش محتوای فناورانه

805/0

728/0

206/0

900/3

011/0

q13 <- روش تدریس و ایجاد شایستگی دانش محتوای فناورانه

767/0

717/0

198/0

884/3

004/0

q14 <- روش تدریس و ایجاد شایستگی دانش محتوای فناورانه

749/0

681/0

200/0

754/3

005/0

q17 <- ارائه تکلیف و سنجش

997/0

756/0

404/0

476/2

014/0

q22 <- ارائه تکلیف و سنجش

350/0

474/0

389/0

900/1

044/0

q25 <- درگیرسازی شناختی_ عاطفی_ اجتماعی و مشارکت در کارگروهی

859/0

838/0

128/0

715/6

020/0

q29 <- درگیرسازی شناختی_ عاطفی_ اجتماعی و مشارکت در کارگروهی

870/0

832/0

124/0

037/7

015/0

q30 <- درگیرسازی شناختی_ عاطفی_ اجتماعی و مشارکت در کارگروهی

764/0

740/0

159/0

789/4

009/0

 

 

نتایج نشان ‌می‌دهد تمام بارهای عاملی بزرگ‌تر از 30/0 هستند. همچنین آماره تی محاسبه‌شده بالاتر از 96/1 است؛ که این نشان از وضعیت مطلوب در این شاخص و بارهای عاملی برآورد شده است.

 

 

جدول 9: مقادیر مدل اندازه‌گیری

متغیر

آلفا کرونباخ

rho_A

پایایی مرکب

AVE

ارائه تکلیف و سنجش

795/0

801/0

862/0

558/0

درگیرسازی شناختی_ عاطفی_ اجتماعی و مشارکت در کارگروهی

780/0

803/0

871/0

693/0

روش تدریس و ایجاد شایستگی دانش محتوای فناورانه

746/0

757/0

832/0

555/0

مساله‌یابی و شفاف‌سازی مسئله

000/1

00/1

000/1

000/1

چالش ارائه تکلیف و سنجش

792/0

798/0

866/0

764/0

چالش در روش تدریس و ایجاد شایستگی دانش محتوای فناورانه

820/0

763/0

840/0

588/0

چالش در مساله‌یابی و شفاف‌سازی مسئله

800/0

827/0

984/0

556/0

چالش درگیرسازی شناختی_ عاطفی_ اجتماعی و مشارکت در کارگروهی

780/0

887/0

793/0

657/0

 

 

 

پایایی ترکیبی[1] یا قابلیت اطمینان ترکیبی زمانی وجود دارد که CR از ۰.۷ بزرگ‌تر باشد. پایایی ترکیبی با استفاده از فرمولی که توسط یورسکاگ ارائه‌شده نیز قابل‌محاسبه است. ضریب Rho نیز برای سنجش پایایی درونی سازه‌ها است. ضریب Rho نسبت به آلفای کرونباخ از اطمینان بیشتری برخوردار است. به ضریب Rho گاهی ضریب دایلون-گولداشتین[2] نیز گفته می‌شود. مقدار این ضریب باید بیش از ۰/۷ باشد. همچنین مقدار AVE چون از 05/0 بالاتر بود نشان از وضعیت مناسب روایی پرسشنامه داشت.

 

 

 

 

جدول 10: برازش مدل کلی در مدل فرصت‌ها و چالش‌ها

شاخص

حد بحرانی

مقدار برآورد شده مدل فرصت‌ها

مقدار برآورد شده مدل فرصت‌ها

شاخص نیکویی برازش

36/0

482/0

399/0

ریشه میانگین مربعات باقیمانده استاندارد

کمتر از 08/0

07/0

06/0

شاخص بنتلر-بونت

بالای 9/0

925/0

901/0

تتای ریشه میانگین مربعات

کمتر از 12/0

010/0

011/0

 

 

همان‌طور که در جدول فوق مشاهده می‌شود مقدار به‌دست‌آمده شاخص GOF برای مدل چالش‌ها برابر با 482/۰ و برای مدل فرصت‌ها برابر با 399/0 است و این نشان از برازش مطلوب مدل کلی تحقیق دارد.



نتیجه‌گیری

پژوهش حاضر با هدف شناسایی چالش‌ها و فرصت‌های استفاده از هوش مصنوعی در آموزش ابتدایی انجام شد. یافته‌های فاز کیفی پژوهش نشان داد که استفاده از هوش مصنوعی در آموزش ابتدایی می‌تواند فرصت‌هایی همچون ارتقای کیفیت آموزش، شخصی‌سازی یادگیری، تقویت مهارت‌های فناورانه دانش‌آموزان و تسهیل فرآیند ارزشیابی را به همراه داشته باشد. برای نمونه، ابزارهای هوش مصنوعی قادرند محتوای آموزشی متناسب با سطح یادگیری هر دانش‌آموز تولید کنند، تکالیف را به‌صورت خودکار ارزیابی کنند و بازخوردهای هدفمند ارائه دهند. همچنین، محیط‌های یادگیری تعاملی مبتنی بر هوش مصنوعی می‌توانند به تقویت تعامل و همکاری میان دانش‌آموزان کمک کنند. این نتایج نشان می‌دهند که هوش مصنوعی می‌تواند به عنوان ابزاری قدرتمند در ارتقاء کیفیت آموزش در مدارس ابتدایی عمل کند. با ارائه محتوای شخصی‌سازی‌شده و ارزیابی خودکار، هوش مصنوعی توانایی کاهش بار کاری معلمان و فراهم آوردن فرصتی برای توجه بیشتر به نیازهای خاص هر دانش‌آموز را دارد. در

عین حال، چالش‌هایی نیز در مسیر استفاده از این فناوری وجود دارد. از جمله این چالش‌ها می‌توان به امکان بروز خطا در تشخیص نیازهای یادگیری، کاهش تعامل انسانی میان معلم و دانش‌آموز، نابرابری در دسترسی به زیرساخت‌های فناورانه و نگرانی‌هایی درباره کاهش نقش شهود و خلاقیت معلمان اشاره کرد.

داده‌های حاصل از فاز کمی پژوهش نیز در راستای یافته‌های کیفی، نشان‌دهنده تأیید نومعلمان نسبت به مؤلفه‌های شناسایی‌شده به‌عنوان فرصت‌ها و چالش‌های اصلی در زمینه استفاده از هوش مصنوعی در آموزش ابتدایی بود. نتایج تحلیل عاملی تأییدی نیز برازش مناسب مدل پیشنهادی را نشان داد.

 

یافته‌ها با پژوهش‌های پیشین همخوانی دارد که بیان کرده‌اند، استفاده از هوش مصنوعی در آموزش ابتدائی می‌تواند به‌طور قابل‌توجهی تجربه‌های یادگیری را بهبود بخشد و دانش‌آموزان را برای مهارت‌های قرن بیست و یکم آماده کند. این فناوری با ارائه آموزش‌های شخصی‌سازی‌شده، منابع آموزشی فراوان و بازخوردهای به‌موقع، می‌تواند نتایج یادگیری را بهبود بخشد و به بهینه‌سازی محتوا و روش‌های تدریس کمک کند

همچنین، هوش مصنوعی می‌تواند خلاقیت، نوآوری و مهارت‌های حل مسئله را در دانش‌آموزان تقویت کند.

به‌طور کلی، یافته‌های این پژوهش می‌تواند به سیاست‌گذاران و برنامه‌ریزان آموزشی در طراحی چارچوب‌های بهره‌برداری مؤثر از هوش مصنوعی در آموزش ابتدایی یاری رساند و ضرورت توجه به ملاحظات فناورانه، آموزشی و انسانی را در این مسیر یادآوری کند. چالش‌ها و محدودیت‌ها بیان‌شده نشان‌دهنده این است که استفاده از هوش مصنوعی بدون ملاحظات صحیح و استراتژی‌های مشخص ممکن است تأثیرات منفی به همراه داشته باشد. به‌ویژه کاهش تعامل انسانی می‌تواند باعث تضعیف ابعاد عاطفی و اجتماعی یادگیری شود که در آموزش ابتدایی از اهمیت بالایی برخوردار است.

می‌توان گفت که استفاده از هوش مصنوعی در آموزش ابتدائی پتانسیل این را دارد که به‌طور قابل‌توجهی کیفیت آموزش را ارتقا دهد؛ اما برای دستیابی به این هدف، ضروری است که به‌طورجدی به چالش‌های مربوط به استفاده از هوش مصنوعی پرداخته شود و راهکارهای مناسبی برای غلبه بر آن‌ها ارائه شود. در طراحی چارچوب‌های بهره‌برداری از هوش مصنوعی، توجه به ملاحظات انسانی و آموزشی از اهمیت بالایی برخوردار است. برنامه‌ریزان باید برای بهبود کیفیت آموزش و کاهش چالش‌های ناشی از استفاده نادرست از این فناوری، به‌طور همزمان به زیرساخت‌های فناورانه و نیازهای انسانی دانش‌آموزان و معلمان توجه کنند.

 

به‌کارگیری هوش مصنوعی در آموزش ابتدایی، فرصتی نوین و در عین حال چالش‌برانگیز است. با وجود ظرفیت‌های بالقوه این فناوری در بهبود کیفیت یادگیری، مسائل اخلاقی و اجتماعی مرتبط با آن باید با دقت مورد توجه قرار گیرند تا از بروز تأثیرات منفی بر دانش‌آموزان و معلمان جلوگیری شود.

نقش معلمان نیز در این میان بسیار حائز اهمیت است. برای بهره‌برداری مؤثر از فناوری‌های مبتنی بر هوش مصنوعی، لازم است معلمان آموزش‌های لازم را دریافت کرده و از آگاهی کافی نسبت به کاربردها، محدودیت‌ها و پیامدهای آن برخوردار باشند.

برای استفاده‌ی کامل از ظرفیت‌های هوش مصنوعی در آموزش ابتدایی، ضروری است که سیاست‌گذاران، نهادهای آموزشی و عموم جامعه آمادگی لازم را برای این تحول فناورانه داشته باشند. این آمادگی شامل ترویج فرهنگی نوین در زمینه کیفیت آموزشی، ارتقاء مهارت‌های دیجیتال، و آماده‌سازی نسل آینده برای ورود به بازار کار آینده‌محور است.

همچنین، توسعه‌ی سیستم‌های هوش مصنوعی باید با رعایت اصول اخلاقی، شفافیت در جمع‌آوری و استفاده از داده‌ها، و توجه به حقوق دانش‌آموزان انجام گیرد. با رعایت این ملاحظات، می‌توان از فرصت‌های این فناوری در آموزش ابتدایی بهره‌برداری کرد و در عین حال، چالش‌های آن را نیز به‌طور مؤثر مدیریت نمود.

یافته‌های پژوهش حاضر در مورد استفاده از هوش مصنوعی در آموزش ابتدائی، به گسترش مرزهای دانش در حوزه‌های مختلف از جمله علوم کامپیوتر، علوم شناختی، علوم تربیتی، علوم اجتماعی، علوم مهندسی و سایر علوم مرتبط کمک می‌کند. این پژوهش‌ها نه تنها به بهبود کیفیت آموزش کمک می‌کنند بلکه به توسعه فناوری‌های جدید و ایجاد فرصت‌های شغلی جدید نیز منجر می‌شوند.

محدودیت‌های پژوهش حاضر در حوزه استفاده از هوش مصنوعی در آموزش ابتدائی به شرح زیر است:

  1. محدودیت در دامنه جامعه آماری: جامعه آماری پژوهش تنها محدود به نومعلمان ورودی استان خاصی بود که این موضوع باعث کاهش قابلیت تعمیم نتایج به سایر مناطق و معلمان دیگر استان‌ها شد.
  2. عدم تسلط نومعلمان به تکنیک‌های پرامپت‌نویسی: نومعلمان به دلیل عدم آشنایی کافی با تکنیک‌های پرامپت‌نویسی، نتوانستند به‌طور مؤثر از ابزارهای هوش مصنوعی بهره‌برداری کنند که این مسئله به محدودیت‌های نتایج پژوهش افزوده است.
  3. محدودیت زمانی پژوهش: پژوهش حاضر در یک بازه زمانی کوتاه انجام شد و نتایج آن ممکن است تحت تأثیر عوامل زمانی قرار گرفته باشند که نیازمند مطالعات بلندمدت و مقایسه‌ای است.
  4. عدم پوشش کامل پیچیدگی‌های تعامل انسان و ماشین: پژوهش حاضر به‌طور کامل پیچیدگی‌های تعامل انسان و ماشین در محیط‌های آموزشی را پوشش نداد و نتایج آن تنها بخشی از این ابعاد را در بر می‌گیرد.

برای رفع این محدودیت‌ها، پیشنهاد می‌شود که پژوهش‌های آینده بر روی موارد زیر تمرکز کنند:

  1. محدودیت در جامعه آماری: این پژوهش تنها بر روی نومعلمان ورودی سال 98 دانشگاه فرهنگیان تبریز انجام شده است که ممکن است نتایج آن قابل تعمیم به سایر معلمان با سابقه بیشتر، معلمان سایر مناطق کشور یا معلمانی که از دانشگاه‌های دیگر فارغ‌التحصیل شده‌اند، نباشد.
  2. محدودیت‌های روش‌شناختی: استفاده از پرسشنامه محقق‌ساخته به‌عنوان تنها ابزار جمع‌آوری داده‌ها، ممکن است نتواند درک عمیقی از نگرش‌ها و تجارب واقعی معلمان در استفاده عملی از هوش مصنوعی در کلاس درس ارائه دهد. ترکیب روش‌های کیفی مانند مصاحبه و مشاهده می‌توانست به غنای داده‌ها بیفزاید.
  3. محدودیت زمانی و تحولات سریع فناوری: با توجه به سرعت تغییر و تحول در حوزه هوش مصنوعی، یافته‌های این پژوهش ممکن است در بازه زمانی کوتاهی نیازمند بازنگری باشد، زیرا ابزارها و قابلیت‌های هوش مصنوعی به‌سرعت در حال تغییر و گسترش هستند که این امر می‌تواند نگرش معلمان و چالش‌های پیش رو را نیز تغییر دهد.

 

در نهایت، به‌منظور درک بهتر و ارائه راهکارهای عملی برای استفاده مؤثر از هوش مصنوعی در آموزش ابتدائی، نیاز به پژوهش‌های بیشتر و جامع‌تر در زمینه‌های مختلف نظری، عملی، سیاست‌گذاری و اخلاقی است. همچنین، انجام تحقیقات با مشارکت ذینفعان مختلف، ازجمله معلمان، مدیران، والدین و دانش‌آموزان، می‌تواند به درک بهتر نیازها و تجربیات دنیای واقعی و در نتیجه، اثرگذاری بیشتر پژوهش‌ها کمک کند.

 

 

 

تشکر و قدردانی

بدین‌وسیله نویسندگان از تمامی‌شرکت‌کنندگان در این پژوهش و صمیمانه تشکر و قدردانی می‌کنیم.

ملاحظات اخلاقی

در جریان اجرای این پژوهش و تهیه مقاله کلیه قوانین کشوری و اصول اخلاق حرفه‌ای مرتبط با پژوهش رعایت شده است.

حامی‌مالی

کلیه هزینه‌های پژوهش حاضر توسط نویسندگان مقاله تأمین شده است.

تعارض منافع

بنابر اظهار نویسندگان، مقاله حاضر فاقد هرگونه تعارض منافع بوده است. این مقاله قبلاً در هیچ نشریه‌ای اعم از داخلی یا خارجی چاپ نشده است.

 

[1] Composite Reliability  (CR)

[2] Dillon-Goldstein

[1] AI

[2] Morandín-Ahuerma

[3] Pedro et al

[4] Chima Abimbola Eden

[5] Lampou

[6] Roshanaei et al

[7] Crompton et al

[8] Jose & Jose

[9] Ivanashko et al

[10] Rathore et al

[11] Guan

[12] Rizvi

[13] Celik et al

[14] Crompton & Burke

[15] Xuan Vu

[16] scopus

[17] Sience direct

[18] eric

[23] Google scholar

[25]  Inclusion factors

[26] Exclusion factors

[27]

References

Akgun, S & Greenhow, C. (2022). Artificial intelligence in education: Addressing ethical challenges in K-12 settings. AI and Ethics, 2. https://doi.org/10.1007/s43681-021-00096-7
Babaei, P, Ali Mohammadi, S, Shiripour, S, Forouzan, L & Hosseini, R. (2023). Challenges and opportunities of using artificial intelligence in education. 17th International Conference on Psychology, Counseling, and Educational Sciences [In Persian]
Celik, I. Dindar, M. Muukkonen, HJärvelä S (2022). The Promises and Challenges of Artificial Intelligence for Teachers: A Systematic Review of Research. TechTrends, 66, 3. https://doi.org/10.1007/s11528-022-00715-y
Cherevatіuk, V. (2024)The use of artificial intelligence tools in art education: challenges and opportunities. Вісник Національної Академії Образотворчого Мистецтва і Архітектури, 1, 89–94. https://doi.org/10.32782/naoma-bulletin-2024-1-13
Chima Abimbola Eden, Onyebuchi Nneamaka Chisom & Idowu Sulaimon Adeniyi. (2024). Integrating AI in education: Opportunities, challenges, and ethical considerations. Magna Scientia Advanced Research and Reviews, 10(2), 006–013. https://doi.org/10.30574/msarr.2024.10.2.0039
Crompton, H & Burke, D. (2020). Mobile learning and pedagogical opportunities: A configurative systematic review of PreK-12 research using the SAMR framework. Computers & Education, 156, 103945. https://doi.org/10.1016/j.compedu.2020.103945
Crompton, H. Jones, M & Burke, D. .(2022) Affordances and challenges of artificial intelligence in K-12 education: A systematic review. Journal of Research on Technology in Education, 56, 1–21. https://doi.org/10.1080/15391523.2022.2121344
Ghafourian, M. (2024). Artificial intelligence and new technologies in educational systems: Opportunities and challenges. 7th International Conference on Psychology, Educational Sciences, and Social Studies, Hamedan [In Persian]
Guan, H. (2023). Advantages and Challenges of Using Artificial Intelligence in Primary and Secondary School Education. Journal of Education, Humanities and Social Sciences, 22, 377–383. https://doi.org/10.54097/ehss.v22i.12469
Ivanashko, O. Kozak, A. Knysh, T Honchar, K. (2024). The Role of Artificial Intelligence in Shaping the Future of Education: Opportunities and Challenges. Futurity Education, 4(1), Article 1. https://doi.org/10.57125/FED.2024.03.25.08
Jose, J & Jose, B. (2024). Educators Academic Insights on Artificial Intelligence: Challenges and Opportunities. Electronic Journal of E-Learning, 00–00. https://doi.org/10.34190/ejel.21.5.3272
Lampou, R. (2023). The Integration of Artificial Intelligence in Education: Opportunities and Challenges. Review of Artificial Intelligence in Education, 4, e015. https://doi.org/10.37497/rev.artif.intell.educ.v4i00.15
Lydia, E. G. P. Vidhyavathi & P. Malathi (2023). A Sudy on "ai in education: opportunities and challenges for personalized learning. Industrial engineering journal, 52(05), 750–759. https://doi.org/10.36893/IEJ.2023.V52I05.750-759
Malik, P. K. (2024). The Role of Artificial Intelligence in Education: Opportunities and Challenges. Interantional journal of scientific research in engineering and management, 08(06), 1–5. https://doi.org/10.55041/IJSREM35475##
Morandín-Ahuerma, F. (2022). What is Artificial Intelligence? International Journal of Research Publication and Reviews, 03(12), 1947–1951. https://doi.org/10.55248/gengpi.2022.31261
Mukti, F. (2023). DTransformation of education in elementary schools: utilization of artificial intelligence-based learning media in the digital era. Dirasatul ibtidaiyah, 3(2), 229–240. https://doi.org/10.24952/ibtidaiyah.v3i2. 200
Pandya, K. T. (2024). The role of artificial intelligence in education 5.0: Opportunities and challenges. SDGs Studies Review, 5, e011. https://doi.org/10.37497/sdgs.v5igoals.11
Pedro, F. Subosa, M. Rivas, A & Valverde, P (2019). Artificial intelligence in education: Challenges and opportunities for sustainable development..
Rathore, A. Sultana, N. Jawad Zareen SAhmed, A. Hons, B. Jammu, A, Kashmir, P., & Kashmir, J .(2023). Artificial Intelligence and Curriculum Prospects for Elementary School. Pakistan Journal of Humanities and Social. Sciences, 11, 4635 https://doi.org/10.52131/pjhss.2023.v11i4.1909
Rizvi, M. (2023). Exploring the landscape of artificial intelligence in education: Challenges and opportunities. 01–03. https://doi.org/10.1109/HORA58378.2023.10156773
Roshanaei, M. Olivares, H & Lopez, R. (2023). Harnessing AI to Foster Equity in Education: Opportunities, Challenges, and Emerging Strategies. Journal of Intelligent Learning Systems and Applications, 15, 123–143. https://doi.org/10.4236/jilsa.2023.154009
Sytnyk, L & Podlinyayeva, O. (2024). AI in education: Main possibilities and challenges. InterConf, 45(201), 569–579. https://doi.org/10.51582/interconf.19-20.05.2024.058
Xuan Vu, H. (2024). The implications of artificial intelligence for educational. systems: Challenges, opportunities, and transformative potential. The American Journal of Social Science and Education Innovations, 06(03), 101–111. https://doi.org/10.37547/tajssei/Volume06Issue03-17

Files

History

  • Receive Date: 11 January 2025
  • Revise Date: 09 February 2025
  • Accept Date: 13 March 2025
  • First Publish Date: 21 March 2025
  • Publish Date: 21 March 2025

Share

How to cite

Statistics