Explaining the role of artificial intelligence literacy in enhancing pre-service teachers' higher-order thinking skills through the mediation of behavioral engagement and peer interaction

Document Type : Original Article

Author

Assistant Professor, Department of Educational Administration, Farhangian University, Tehran, Iran

Abstract

The rapid and widespread advancement of artificial intelligence technology in the 21st century has led to the emergence of the concept of AI literacy.The present study purposed to explain the role of artificial intelligence literacy in enhancing the higher-order thinking skills of pre-service teachers, mediated by behavioral engagement and peer interaction, and was conducted using a descriptive correlational method.  The statistical population of the study  included  all male and female pre-service teachers at Farhangian University in Chaharmahal and Bakhtiari Province, totaling 2003 individuals, from whom 322 individuals were selected using the stratified random sampling method based on the Krejcie and Morgan table. Data were collected using four questionnaires: Artificial Intelligence Literacy (Wang et al., 2023), Behavioral Engagement (Lu et al., 2024), Peer Interaction (Hwang et al., 2018), and Higher-Order Thinking Skills (Hwang et al., 2018).  Content validity of the questionnaires was assessed and confirmed using the Content Validity Ratio (CVR) and the Content Validity Index (CVI). Convergent and discriminant validity of the questionnaires were evaluated and confirmed using the Average Variance Extracted (AVE) and the Fornell-Larcker test, respectively. Reliability of the questionnaires was also examined using Cronbach's alpha and composite reliability, with all values obtained being above 0.70.  Data analysis was conducted using structural equation modeling (SEM) techniques  and SPSS and Amos software. The research findings indicated that artificial intelligence literacy has a positive and significant effect on the higher-order thinking skills of pre-service teachers, both directly and indirectly (through behavioral engagement and peer interaction).  Accordingly, serious planning and appropriate investment to develop artificial intelligence literacy in all pre-service teachers appear to be important and necessary.

Keywords

Full Text

مقدمه

پیشرفت سریع و پذیرش گسترده فناوری هوش مصنوعی[1] در قرن 21، تغییرات بی‌سابقه‌ای را در زندگی شخصی و حرفه‌ای افراد به ارمغان آورده است (آیانواله و همکاران[2]، 2024).  هوش مصنوعی به عنوان یک عامل دگرگون‌کننده با پیامدهای گسترده در بخش‌های مختلف عصر حاضر ظهور کرده است (آسیو[3]، 2024). هوش مصنوعی تقریباً در هر جنبه‌ای از زندگی نفوذ کرده است و این نفوذ گسترده و فراگیر، تجربیات زندگی، یادگیری و کار افراد را بهبود می‌بخشد (نگ[4] و همکاران، 2022). آموزش یکی از حوزه‌هایی است که کاربرد فناوری‌های هوش مصنوعی در آن مورد توجه زیادی قرار گرفته است و این امر، منجر به ظهور یک حوزة مطالعاتی رو به گسترش در دنیا تحت عنوان هوش مصنوعی در آموزش[5] شده است (هولمز[6] و همکاران، 2023). یکی از کاربردهای مهم هوش مصنوعی در آموزش، به قابلیت این فناوری در شخصی‌سازی تجربیات یادگیری بر اساس نیازهای فردی یادگیرنده، مربوط می‌شود (باجاج و شارما[7]، 2018). الگوریتم‌های هوش مصنوعی با تجزیه و تحلیل داده‌های یادگیرنده، شناسایی نقاط قوت و ضعف وی و تنظیم محتوا بر این اساس، می‌توانند مسیرهای یادگیری سفارشی‌شده ایجاد کنند که تجربه یادگیری را برای یادگیرنده جذاب‌تر نموده و اثربخشی آموزشی را افزایش می‌دهد (هوانگ[8] و همکاران، 2021).

ورود گستردة هوش مصنوعی به حوزه‌های مختلف (از جمله آموزش) باعث ظهور مفهوم «سواد هوش مصنوعی»[9] شده است (نگ و همکاران، 2021). این مفهوم، بیانگر دانش و مهارت‌های اساسی می‌باشد که افراد برای استفاده مؤثر از هوش مصنوعی به عنوان ابزاری در جهت یادگیری و پیشرفت در دنیای دیجیتال امروز، به آن نیاز دارند (نگ و همکاران، 2021؛ آسیو، 2024). سواد هوش مصنوعی را می‌توان به عنوان مجموعه‌ای از شایستگی‌ها تعریف کرد که افراد را قادر می‌سازد تا فناوری‌های هوش مصنوعی را به طور انتقادی ارزیابی کنند؛ به طور مؤثر با هوش مصنوعی ارتباط برقرار نموده و همکاری کنند؛ و از هوش مصنوعی به عنوان ابزاری مؤثر، در محیط‌های مختلف نظیر پلتفرم‌های آنلاین، خانه و محل‌های کار استفاده نمایند (لانگ و ماجرکو[10]، 2020). مطابق نظر محققان، سواد هوش مصنوعی از چهار بُعد تشکیل می‌گردد که عبارتند از: آگاهی از هوش مصنوعی[11]/ شناخت و درک هوش مصنوعی[12]، استفاده از هوش مصنوعی[13] / بکارگیری هوش مصنوعی[14]، ارزیابی هوش مصنوعی[15] و اخلاق هوش مصنوعی[16] (کنگ[17] و همکاران، 2021؛ ژائو[18] و همکاران، 2022؛ وانگ[19] و همکاران، 2023؛ پلاتگیل و گولر[20]، 2023؛ چلبی[21] و همکاران، 2023؛ لو[22] و همکاران، 2024). حاجی‌انوری و رمضانی (1403) چهار بُعد توانایی استفاده از هوش مصنوعی، ارزیابی انتقادی، سواد متقاعدسازی هوش مصنوعی و اخلاق هوش مصنوعی را برای سواد هوش مصنوعی معرفی نمودند. در پژوهش حاضر چارچوب وانگ و همکاران (2023) مشتمل بر 4 بُعد آگاهی از هوش مصنوعی، استفاده از هوش مصنوعی، ارزیابی هوش مصنوعی و اخلاق هوش مصنوعی برای سواد هوش مصنوعی درنظر گرفته شده است. آگاهی از هوش مصنوعی (شناخت و درک هوش مصنوعی) یک فرآیند شناختی است که قبل از استفاده از یک فناوری خاص رخ می‌دهد (وانگ و همکاران، 2023) و به طور کلّی به دانش و اطلاعات و نگرش‌هایی که برای شناخت فناوری هوش مصنوعی نیاز است اشاره دارد و توانایی شناسایی و درک فناوری‌های هوش مصنوعی، و همچنین تکنیک‌ها و مفاهیم اساسی پشت آنها در فرآیند استفاده از برنامه‌ها و خدمات مرتبط با هوش مصنوعی را دربرمی‌گیرد (وانگ و همکاران، 2023؛ لو و همکاران، 2024). به عبارت دیگر، سواد هوش مصنوعی در درجة اول به عنوان توانایی شناخت تکنیک‌ها و مفاهیم اساسی هوش مصنوعی که در برنامه‌ها و خدمات مختلفِ مرتبط با هوش مصنوعی تعبیه شده است، تعریف می‌گردد (آیانواله و همکاران، 2024). در واقع این بُعد از سواد هوش مصنوعی بیانگر این نکته است که کاربران برنامه‌های هوش مصنوعی باید به جای استفادة تصادفی و بدون قصد قبلی از رویکردهای هوش مصنوعی، یادگیری دانش نظری هوش مصنوعی را در اولویت قرار دهند (ژائو و همکاران، 2022). آگاهی هوش مصنوعی همچنین به خودپنداره و توانایی‌های درک‌شده، اعتماد به نفس و آمادگی افراد برای یادگیری هوش مصنوعی مرتبط است (ژائو و همکاران، 2022؛ لو و همکاران، 2024). استفاده از هوش مصنوعی (بکارگیری هوش مصنوعی) به توانایی استفاده و بهره‌برداری از فناوری هوش مصنوعی برای انجام ماهرانة وظایف اشاره دارد (وانگ و همکاران، 2023). این سازه بر سطوح عملیاتی، از جمله دسترسی آسان به برنامه‌ها و ابزارهای هوش مصنوعی، تسلط در کار با برنامه‌ها و ابزارهای هوش مصنوعی و ادغام مناسب انواع مختلف برنامه‌ها و ابزارهای هوش مصنوعی تمرکز دارد (همان منبع). ارزیابی هوش مصنوعی به توانایی تجزیه و تحلیل، انتخاب، و ارزیابی انتقادی برنامه‌ها و خروجی‌ها و نتایج هوش مصنوعی و درک محدودیت‌های آن اشاره دارد و کاربران را قادر می‌سازد تا استفادة مناسب‌تر و مؤثرتری از فناوری‌های هوش مصنوعی داشته باشند (درنتی و کوربین[23]، 2022؛ وانگ و همکاران، 2023). ارزیابی مستلزم این است که یک کاربر نظرات درست و دقیقی در مورد برنامه‌ها و محصولات هوش مصنوعی داشته باشد (ژائو و همکاران، 2022؛ لو  و همکاران، 2024). در نهایت، اخلاق هوش مصنوعی به آگاهی از مسئولیت‌ها و خطرات مرتبط با استفاده از فناوری‌های هوش مصنوعی و توجه به ملاحظات اخلاقی، مانند سوگیری در هوش مصنوعی، مسئولیت قانونی و مالکیت معنوی، اشاره دارد و نیاز به ایمنی و دستورالعمل‌های اخلاقی در استفاده و طراحی فناوری‌های هوش مصنوعی را برجسته می‌کند (وانگ و همکاران، 2023؛ آیانواله و همکاران، 2024). اخلاق هوش مصنوعی به کاربران کمک می‌کند تا در هنگام استفاده از هوش مصنوعی، مسئولانه تصمیم بگیرند (اُساسونا[24] و همکاران، 2024 ).

علیرغم گسترش روزافزون توجه به موضوع هوش مصنوعی در آموزش و مفهوم سواد هوش مصنوعی، پژوهشگران  معتقدند تحقیقات تجربی در خصوص تأثیر سواد هوش مصنوعی بر نتایج یادگیری دانشجویان محدود می‌باشد  و پاسخ به این سؤال که سواد هوش مصنوعی چه نتایج یادگیری را برای دانشجویان به همراه دارد و چگونه این نتایج را رقم می‌زند، مبهم باقی مانده است (پروما[25] و همکاران، 2025؛ لو و همکاران، 2021الف). مهارت‌های تفکر مرتبه بالاتر[26]، یکی از مهمترین نتایج یادگیریِ موردانتظار برای دانشجویان در دنیای امروز است (لو  و همکاران، 2021ب؛ هوانگ[27] و همکاران، 2022) که مربیان و محققان بر اهمیت فزایندة آن تأکید نموده‌اند (کالینز[28]، 2014؛ کنگ و همکاران، 2014؛ دی[29] و همکاران، 2019؛ الفکی[30]، 2019؛ لو و همکاران، 2021الف). مهارت‌های تفکر مرتبه بالاتر در دنیای امروز به عنوان الزامات اساسی در کلاس درس و محل کار درنظر گرفته می‌شوند (دی و همکاران، 2019). توسعه این مهارت‌ها برای عملکرد مؤثر دانشجویان چه از نظر تحصیلی و چه از نظر حرفه‌ای ضروری است (راموس[31] و همکاران، 2013؛ کیم[32] و همکاران، 2020) و از جمله اهداف آموزشی مؤسسات آموزش عالی به شمار می‌رود (هوانگ و همکاران، 2022). مهارت‌های تفکر مرتبه بالاتر شامل سه بُعد حلّ مسئله[33]، تفکر انتقادی[34] و خلاقیت[35] می‌باشد (هوانگ[36] و همکاران، 2018؛ لو و همکاران، 2021الف، لو و همکاران، 2021ب؛ هوانگ و همکاران، 2022). حلّ مسئله به توانایی شناسایی یک مسئله، جمع‌آوری و تجزیه و تحلیل اطلاعات مرتبط، پیشنهاد راه‌حل‌های احتمالی و انتخاب و اجرای مؤثرترین راه‌حل برای مسئله اشاره دارد (هوانگ و لای[37]، 2017؛ هوانگ و همکاران، 2018؛ هوانگ و همکاران، 2022). تفکر انتقادی به توانایی تجزیه و تحلیل اطلاعات به صورت عینی، شفاف و منطقی اندیشیدن و اتخاذ قضاوت‌های معقول و منطقی اشاره دارد (هوانگ و همکاران، 2022؛ لو و همکاران، 2021الف). خلاقیت به توانایی ایجاد یک شیء جدید و توسعه ایده‌ها و روش‌های نوآورانه از طریق شرح و توضیح، پالایش و اصلاح، و تجزیه و تحلیل و ارزیابی ایده‌ها و روش‌ها و موارد موجود اشاره دارد (هوانگ و همکاران، 2018؛ هوانگ و همکاران، 2022).      

پژوهشگران بر این باورند که سواد هوش مصنوعی می‌تواند به تقویت مهارت‌های تفکر مرتبه بالاتر در دانشجویان کمک نماید (لو و همکاران، 2024). به نظر پژوهشگران، هوش مصنوعی نه تنها به عنوان ابزاری برای ارائه محتوا می‌باشد، بلکه می‌تواند پرسشگری، تجزیه و تحلیل و تفکر عمیق درباره اطلاعات ارائه شده را نیز تشویق نماید (وان‌دن‌برگ و پلسیس[38]، 2023) به عنوان مثال، سیستم‌های هوش مصنوعی می‌توانند مشکلات و سناریوهای پیچیده‌ای را ارائه دهند که از دانشجویان می‌خواهند از مهارت‌های تفکر مرتبه بالاتر مانند تجزیه و تحلیل، ارزیابی و ایجاد، برای انتخاب مناسب‌ترین سناریو از بین گزینه‌های پیچیده استفاده کنند (دیلکر[39] و همکاران، 2024). به عبارت دیگر، هوش مصنوعی چالش‌هایی ایجاد می‌کند که دانشجویان را وادار می‌سازد تا از مهارت‌های تفکر مرتبه بالاتر ِ خود برای حل مسئله استفاده نمایند. بنابراین داشتن سواد هوش مصنوعی برای دانشجویان به منظور استفاده از این فناوری و بهره‌مندی از مزایای مذکور بسیار مهم است (لو و همکاران، 2024). در همین راستا نتایج برخی مطالعات نشان می‌دهد سواد هوش مصنوعی بر مهارت‌های تفکر سیستمی و تفکر شهودی و مهارت حلّ مسئله در دانشجویان تأثیرگذار است (ِاستنکو و دوتسکو،[40] 2021؛ پروما و همکاران، 2025). بر این اساس، می‌توان این فرضیه را درنظرگرفت که سواد هوش مصنوعی بر مهارت‌های تفکر مرتبه بالاتر در دانشجویان اثر می‌گذارد. به علاوه، از آنجا که یافته‌های برخی پژوهشگران از تأثیر مثبت سواد هوش مصنوعی بر دو عامل درگیری رفتاری (فُسناشت[41]، 2020؛ برگدال[42] و همکاران، 2020؛ اَوکی و اِرگون[43]، 2022) و تعامل همتایان (توگتکین و کوک[44]، 2020؛ لو و همکاران، 2024) در میان دانشجویان حمایت می‌کند و یافته‌های مطالعات دیگر نیز حاکی از تأثیر مثبت درگیری رفتاری[45] (لای و هوانگ[46]، 2014؛ لین[47] و همکاران، 2016؛ گو[48] و همکاران، 2016؛ کیم و همکاران، 2020؛ هوانگ و همکاران، 2022) و تعامل همتایان[49] (کنگ، 2014؛ لو و هکاران، 2021الف؛ لو و همکاران، 2021ب؛ هوانگ و همکاران، 2018) بر مهارت‌های تفکر مرتبه بالاتر در دانشجویان می‌باشد لذا به نظر می‌رسد متغیرهای درگیری رفتاری و تعامل همتایان، نقش میانجی را در تأثیر سواد هوش مصنوعی بر مهارت‌های تفکر مرتیه بالاتر ایفا می‌نمایند.

درگیری رفتاری یکی از انواع مهم درگیری در یادگیری به شمار می‌رود و به توجه، تلاش و پشتکار و مشارکت و حضور پررنگ دانشجویان در فعالیت‌های یادگیریِ داخل و خارج از کلاس درس (نظیر پرسیدن سؤالات، شرکت در بحث‌ها و خودآموزی) اشاره دارد ( فردریکز[50] و همکاران، 2004؛ هوانگ و همکاران، 2022). محققان معتقدند دانشجویان با بهره‌گیری از فناوری هوش مصنوعی می‌توانند در هر زمان و هر مکان و با روش‌هایی جدید و نوآورانه، با محتوا و مواد آموزشی تعامل داشته و درگیر شوند و از این طریق در فعالیت‌های یادگیری مشارکت بیشتری داشته باشند (نگوین[51] و همکاران، 2024). تعامل همتایان به تعامل بین دانشجویان در پرداختن به وظایف یادگیری اشاره دارد (جونز[52] و همکاران، 2013) و شکلی از یادگیری مشارکتی است که ارزش تعامل دانشجو به دانشجو را افزایش می‌دهد و منجر به مزایای مختلفی در نتایج یادگیری می‌شود (کریستوداسون[53]، 2025). تعامل همتایان شامل دو بُعد می‌باشد که عبارتند از: ارتباط[54] و همکاری[55](هوانگ و همکاران، 2018؛ لو و همکاران، 2021الف). ارتباط، به توانایی یادگیرنده برای بیان مؤثر افکار و ایده‌ها در زمینه‌های مختلف با استفاده از مهارت‌های ارتباطیِ کلامی، نوشتاری و غیرکلامی اشاره دارد. همکاری، به توانایی دو یا چند نفر برای کار با هم و به اشتراک گذاشتن دیدگاه‌ها و ایده‌های خود در راستای دستیابی به اهداف یادگیری یا تکمیل وظایف یادگیری اشاره دارد (فریزیر و رینولدز[56]، 2012). پژوهشگران معتقدند هوش مصنوعی، ایجاد فضاهای یادگیری مجازی را تسهیل می‌کند و دانشجویان را قادر می‌سازد تا به راحتی جلسات آنلاین را با همتایان خود از هر مکانی آغاز کنند. این شرایط، فرصت‌های ارتباط و همکاری بین دانشجویان را افزایش می‌دهد (سات‌وُرث[57] و همکاران، 2023). ابزارهای مبتنی بر هوش مصنوعی همچنین دانشجویان را تشویق می‌کنند تا دانش خود را به وضوح بیان کنند، به طور مؤثر از آن استفاده کنند و با استفاده از ابزارهای دیجیتال برای حلّ چالش‌های دنیای واقعی با یکدیگر همکاری نمایند (نگ و همکاران، 2023). طبیعتاً برخورداری از سواد هوش مصنوعی می‌تواند به بهره‌مندی بیشتر دانشجویان از مزایای مذکور کمک نماید.

با عنایت به نظرات پژوهشگران و یافته‌های مطالعات قبلی که تاکنون به آنها اشاره شد می‌توان چنین فرض کرد که سواد هوش مصنوعی هم به صورت مستقیم و هم به صورت غیرمستقیم و با میانجیگری درگیری رفتاری و تعامل همتایان بر مهارت‌های تفکر مرتبه بالاتر دانشجومعلمان تأثیر می‌گذارد. بنابراین توجه به این عامل (سواد هوش مصنوعی) و توسعة آن در دانشجومعلمان به منظور تقویت مهارت‌های تفکر مرتبه بالاتر آنها مهم و ضروری به نظر می‌رسد (آیانواله و همکاران، 2024؛ لو و همکاران، 2024). انجام مطالعات و پژوهش‌ها در این زمینه می‌تواند با برجسته‌سازی اهمیت نقش سواد هوش مصنوعی در توسعة مهارت‌های تفکر مرتبه بالاتر، دانشجومعلمان را به تلاش و برنامه‌ریزی فردی برای افزایش سواد هوش مصنوعی خویش و سیاستگذاران را به تدوین و اجرای برنامه‌ها و اقدامات لازم در راستای توسعة سواد هوش مصنوعی دانشجومعلمان برانگیزد. در همین راستا پروما و همکاران (2025) اظهار می‌دارند ادغام سریع هوش مصنوعی در حوزه‌های مختلف، نیاز به انجام مطالعات برای درک تأثیر سواد هوش مصنوعی بر مهارت‌های شناختی و حلّ مسئله در دانشجویان را افزایش داده است. مطابق نظر لو و همکاران (2024) نیز انجام پژوهش‌ها با هدف درک رابطه بین سواد هوش مصنوعی و مهارت‌های تفکر مرتبه بالاتر برای مربیان و محققان و سیاستگذاران به منظور توجه بیشتر به پرورش سواد هوش مصنوعی دانشجویان که به نوبة خود مهارت‌های تفکر مرتبه بالاتر را بهبود می‌بخشد، بسیار مهم است. با این حال، طبق نظر پژوهشگران، مطالعات تجربی در خصوص تأثیر سواد هوش مصنوعی بر مهارت‌های تفکر مرتبه بالاتر هنوز محدود می‌باشد (لاپیچلر[58] و همکاران، 2022؛ آیانواله و همکاران، 2024؛ پروما و همکاران، 2025). در داخل کشور نیز وضعیت مشابهی از این لحاظ برقرار است و بررسی ادبیات داخلی پژوهش حاکی از فقدان وجود پژوهشی در زمینة تأثیر سواد هوش مصنوعی بر مهارت‌های تفکر مرتبه بالاتر می‌باشد. بر این اساس، پژوهش حاضر با هدف تبیین نقش سواد هوش مصنوعی در تقویت مهارت‌های تفکر مرتبه بالاتر دانشجومعلمان با درنظرگرفتن نقش میانجی درگیری رفتاری و تعامل همتایان انجام شد. به این ترتیب، فرضیات به صورت زیر تدوین گردید و مدل مفهومی پژوهش به صورت شکل شماره (1) ترسیم شد.

  1. سواد هوش مصنوعی به صورت مستقیم بر مهارت‌های تفکر مرتبه بالاتر تأثیر می‌گذارد.
  2. درگیری رفتاری، تأثیر سواد هوش مصنوعی بر مهارت‌های تفکر مرتبه بالاتر را میانجی‌گری می‌کند.
  3. تعامل همتایان، تأثیر سواد هوش مصنوعی بر مهارت‌های تفکر مرتبه بالاتر را میانجی‌گری می‌کند.

 

 

شکل 1ـ مدل مفهومی پژوهش

 

 

روش

پژوهش حاضر بر اساس پارادایم فرا اثبات‌گرایی و با رویکرد کمّی انجام شده است (کرسول، 1394: 27). این پژوهش از لحاظ هدف، یک پژوهش کاربردی بوده و روش انجام آن، توصیفی از نوع همبستگی مبتنی بر استراتژی مدل‌سازی معادلات ساختاری می‌باشد (همان منبع: 38). جامعه آماری پژوهش شامل کلیة دانشجومعلمان دختر و پسر دانشگاه فرهنگیان استان چهارمحال و بختیاری به تعداد  2003 نفر (1188 پسر و 815 دختر) می‌باشد. حجم نمونه با استفاده از جدول مورگان 322 نفر تعیین شد که با روش نمونه‌گیری تصادفی طبقه‌ای (191 پسر و 131 دختر) انتخاب شدند. ابزار گردآوری اطلاعات در این پژوهش 4 پرسشنامه به شرح زیر می‌باشد: الف) پرسشنامه استاندارد سواد هوش مصنوعی (وانگ و همکاران، 2023) که شامل چهار مؤلفه (آگاهی از هوش مصنوعی، استفاده از هوش مصنوعی، ارزیابی هوش مصنوعی و اخلاق هوش مصنوعی) و 12 گویه می‌باشد. این پرسشنامه توسط وانگ و همکاران (2023) طراحی و اعتباریابی شد و روایی و پایایی (α= 0/83) آن تأیید گردید. پرسشنامه مذکور در پژوهش‌های دیگر از جمله پلاتگیل و گولر (2023) و  چلبی و همکاران (2023) استفاده و روایی و پایایی آن مجددا با استفاده از تحلیل عاملی تأییدی و آلفای کرونباخ بررسی و تأیید گردیده است. آلفای کرونباخ پرسشنامه مذکور در پژوهش‌های پلاتگیل و گولر (2023) و  چلبی و همکاران (2023) به ترتیب 939/0 و 85/0 بدست آمده است. ب) مقیاس درگیری رفتاری (لو و همکاران، 2024) که شامل سه گویه می‌باشد و روایی آن در پژوهش لو و همکاران (2024) بر روی دانشجویان بررسی و تأیید گردید و پایایی آن نیز با آلفای کرونباخ محاسبه و 811/0 بدست آمد. ج) پرسشنامه تعامل همتایان (هوانگ و همکاران، 2018) که شامل دو مؤلفه (ارتباط و همکاری) و 11 گویه می‌باشد و روایی آن توسط هوانگ و همکاران (2018) با استفاده از تحلیل عاملی اکتشافی و تأییدی بررسی و تأیید و پایایی آن با آلفای کرونباخ 89/0 محاسبه گردید. این پرسشنامه در پژوهش‌های لو و همکاران (2021الف، 2021ب) مورد استفاده قرار گرفته و روایی آن مجدداً بررسی و تأیید شده و پایایی آن در هر دو پژوهش، بالای 80/0 بدست آمده است. د) پرسشنامه مهارت‌های تفکر مرتبه بالاتر (هوانگ و همکاران، 2018) که شامل سه مؤلفه (حلّ مسئله، تفکر انتقادی و خلاقیت) و 11 گویه می‌باشد و روایی آن توسط هوانگ و همکاران (2018) با استفاده از تحلیل عاملی اکتشافی و تأییدی بررسی و تأیید و پایایی آن با آلفای کرونباخ 86/0 محاسبه گردید. این پرسشنامه در پژوهش‌های لو و همکاران (2021الف) و هوانگ و همکاران (2022) استفاده و روایی و پایایی آن مجدداً بررسی و تایید شده است.   

گویه‌ها در هر 4 پرسشنامة مورد استفاده در پژوهش حاضر با استفاده از طیف لیکرت پنج گزینه‌ای (از کاملاً مخالفم = 1 تا کاملاً موافقم = 5) درجه‌بندی شده‌اند. از کلّ گویه‌های هر 4 پرسشنامه، تنها 3 گویه در پرسشنامة سواد هوش مصنوعی به صورت معکوس نمره‌گذاری شده است که هر کدام مربوط به یکی از سه مؤلفة آگاهی از هوش مصنوعی، استفاده از هوش مصنوعی و اخلاق هوش مصنوعی می‌باشند. برای بررسی روایی محتوایی پرسشنامه‌ها  نظرات 10 نفر از اساتید و متخصصان مربوط به هر پرسشنامه در خصوص میزان ضروری بودن و مرتبط، واضح و ساده بودن هر گویه در پرسشنامة مربوطه، دریافت گردید و بر اساس آن نسبت روایی محتوا (CVR) و شاخص روایی محتوا (CVI) برای هر پرسشنامه محاسبه شد که مقادیر به دست آمده برای هر یک از گویه‌ها به ترتیب بالاتر از 62/0 و 79/0 بود و بر این اساس، ضروری بودن و نیز مرتبط، واضح و ساده بودن تمامی گویه‌ها در هر 4 پرسشنامه تأیید شد.  روایی سازه پرسشنامه‌ها نیز با استفاده از معیار میانگین واریانس استخراج شده (AVE)[59] برای بررسی روایی همگرا و آزمون فورنل و لارکر[60] برای بررسی روایی واگرا بررسی و تأیید شد (چوی، جانگ و کیم[61]، 2023) که نتایج آن در جداول شماره 3 و 4 در قسمت یافته‌ها ارائه شده است. پایایی پرسشنامه‌ها نیز با استفاده از آلفای کرونباخ و پایایی ترکیبی (CR) بررسی شد که نتایج آن در جدول شمارة 3 ارائه شده است و بر اساس آن مقدار آلفای کرونباخ برای همة مؤلفه‌های متغیرهای پژوهش بالاتر از 7/0 و قابل قبول می‌باشد. همچنین مقادیر پایایی ترکیبی برای تمامی متغیرهای پژوهش بالاتر از 7/0 گزارش شده است. بنابراین با توجه به مقادیر آلفای کرونباخ و پایایی ترکیبی، پایایی متغیرهای پژوهش تأیید می‌گردد.

برای تجزیه و تحلیل داده‌های پژوهش از روش‌های آمار توصیفی (میانگین و انحراف استاندارد) و آمار استنباطی (همبستگی پیرسون و مدل معادلات ساختاری) و نرم‌افزارهای SPSS26 و Amos24 استفاده گردید.

جهت اطمینان از مناسب بودن داده‌ها برای تحلیل عاملی، آزمون کفایت حجم نمونه (KMO) و کرویت بارتلت انجام شد که نتایج آن در جدول شمارة 1 ارائه شده است.

 

جدول1. آزمون KMO و کرویت بارتلت

متغیرهای پژوهش

آزمون KMO

آزمون کرویت بارتلت

مجذور کای

سطح معناداری

سواد هوش مصنوعی

92/0

54/1673

0001/0

درگیری رفتاری

90/0

69/1655

0001/0

تعامل همتایان

91/0

91/1547

0001/0

مهارت‌های تفکر مرتبه بالاتر

93/0

88/1694

0001/0

 

با توجه به جدول فوق، هر دو آزمون آماری، مناسب بودن داده‌ها برای تحلیل عاملی را به ترتیب با KMO بزرگتر از 7/0 برای هر یک از 4 پرسشنامة مورد استفاده در این پژوهش و معنادار بودن آزمون بارتلت (0001/0P < ) نشان می‌دهد.

 

یافته‌ها

در این قسمت نتایج تجزیه و تحلیل داده‌های پژوهش ارائه می‌گردد. جدول شماره 2 آماره‌های مرکزی و پراکندگی متغیرهای پژوهش را نشان می‌دهد:

 



جدول 2. آماره‌های مرکزی و پراکندگی متغیرهای پژوهش

متغیر

مؤلفه

میانگین

انحراف معیار

چولگی

کشیدگی

مقدار

انحراف استاندارد

مقدار

انحراف استاندارد

سواد هوش مصنوعی

آگاهی از هوش مصنوعی

10/3

38/0

56/0

22/0

49/0

24/0

استفاده از هوش مصنوعی

98/2

59/0

72/0

54/0

60/0

34/0

ارزیابی هوش مصنوعی

03/3

63/0

84/0-

62/0

99/0

74/0

اخلاق هوش مصنوعی

91/2

44/0

32/0

19/0

56/0

29/0

میانگین کل متغیر

97/2

51/0

70/0-

55/0

59/0-

45/0

درگیری رفتاری

53/3

57/0

89/0-

60/0

65/0

44/0

تعامل همتایان

همکاری

69/3

82/0

44/0-

25/0

40/0

32/0

ارتباط

87/3

77/0

32/0-

25/0

30/0

22/0

میانگین کل متغیر

78/3

71/0

42/0-

35/0

38/0

26/0

مهارت‌های تفکر مرتبه بالاتر

حل مسئله

56/3

83/0

52/0-

40/0

55/0-

47/0

تفکر انتقادی

49/3

76/0

97/0-

69/0

37/0-

41/0

خلاقیت

80/3

88/0

57/0

34/0

89/0

62/0

میانگین کل متغیر

61/3

74/0

65/0

39/0

87/0

72/0

 

 

با توجه به نتایج جدول شمارة 2، در متغیرهای این پژوهش مقدار نسبت چولگی به خطای استاندارد و مقدار نسبت کشیدگی به خطای استاندارد در بازه (2 تا 2-) قرار دارد، بنابراین می‌توان گفت کلیه متغیرهای مطرح شده در این پژوهش دارای توزیع نرمال و متقارن می‌باشند.

در ادامه، نتایج بررسی برازش مدل‌های اندازه‌گیری پژوهش با استفاده از 4 معیار ضرایب بارهای عاملی، ضرایب آلفای کرونباخ، پایایی ترکیبی (CR) و میانگین واریانس استخراج شده (AVE) در جدول شماره 3 ارائه شده است.

   



جدول 3. پارامترهای مدل اندازه‌گیری پژوهش در تحلیل عاملی تأییدی

متغیر

مؤلفه‌ها

شماره گویه‌

بار عاملی گویه

سطح ‌معناداری

بار عاملی مؤلفه‌

سطح ‌معناداری

مقدار آلفا

سواد هوش مصنوعی

آگاهی از هوش مصنوعی

1

61/0

0001/0

64/0

0001/0

75/0

2

60/0

0001/0

3

66/0

0001/0

استفاده از هوش مصنوعی

1

62/0

0001/0

66/0

0001/0

76/0

2

68/0

0001/0

3

65/0

0001/0

ارزیابی هوش مصنوعی

1

71/0

0001/0

69/0

0001/0

78/0

2

68/0

0001/0

3

63/0

0001/0

اخلاق هوش مصنوعی

1

58/0

0001/0

63/0

0001/0

79/0

2

61/0

0001/0

3

66/0

0001/0

کل

پایایی ترکیبی (CR)

میانگین واریانس استخراجی (AVE)

79/0

69/0

تعامل همتایان

ارتباط

1

69/0

0001/0

71/0

0001/0

77/0

2

73/0

0001/0

3

75/0

0001/0

4

66/0

0001/0

5

76/0

0001/0

6

70/0

0001/0

همکاری

1

77/0

0001/0

76/0

0001/0

79/0

2

71/0

0001/0

3

68/0

0001/0

4

75/0

0001/0

5

64/0

0001/0

کل

پایایی ترکیبی (CR)

میانگین واریانس استخراجی (AVE)

80/0

65/0

مهارت‌های تفکر مرتبه بالاتر

حلّ مسئله

1

62/0

0001/0

64/0

0001/0

76/0

2

66/0

0001/0

3

63/0

0001/0

4

60/0

0001/0

تفکر انتقادی

1

67/0

0001/0

63/0

0001/0

77/0

2

61/0

0001/0

3

66/0

0001/0

4

70/0

0001/0

خلاقیت

1

81/0

0001/0

78/0

0001/0

80/0

2

79/0

0001/0

3

83/0

0001/0

کل

پایایی ترکیبی (CR)

میانگین واریانس استخراجی (AVE)

80/0

67/0

درگیری رفتاری

مؤلفه ندارد

1

69/0

0001/0

مقدار آلفا

(CR)

(AVE)

2

65/0

0001/0

75/0

76/0

63/0

3

62/0

0001/0

 

 

با توجه به نتایج جدول شمارة 3، بارهای عاملی اکثر گویه‌ها بالاتر از 6/0 بوده و بیانگر آن است که گویه‌های هر سازه برای اندازه‌گیری سازة موردنظر از دقت لازم برخوردارند. همچنین مقادیر ضریب آلفای کرونباخ و پایایی ترکیبی، از (70/0) بالاتر می‌باشد که نشان‌دهندة پایایی قابل قبول متغیرهای پژوهش می‌باشد (چوی، جانگ و کیم 2023). برای بررسی روایی همگرا از میانگین واریانس استخراج شده (AVE) استفاده شد (چوی، جانگ و کیم، 2023) که مقادیر آن برای همة متغیرهای پژوهش بالای 50/0 بوده و درنتیجه روایی همگرای متغیرهای پژوهش تأیید می‌گردد (فورنل و لارکر، 1981). در مجموع، مقادیر بیان شده برای تمام معیارها با استانداردها تطبیق داشته و برازش مدل‌های اندازه‌گیری پژوهش با استفاده از 4 معیار ضرایب بارهای عاملی، ضرایب آلفای کرونباخ، پایایی ترکیبی (CR) و میانگین واریانس استخراج شده (AVE) در حد مطلوب می‌باشد.

به منظور بررسی روایی واگرای مدل‌های اندازه‌گیری پژوهش از معیار فورنل و لارکر استفاده شد که نتایج آن در جدول شماره 4 گزارش شده است.

 

جدول 4. نتایج ارزیابی روایی واگرا

متغیرها

1

2

3

4

سواد هوش مصنوعی

83/0

 

 

 

درگیری رفتاری

50/0

79/0

 

 

تعامل همتایان

57/0

68/0

80/0

 

مهارت‌های تفکر مرتبه بالاتر

61/0

45/0

70/0

81/0

 

 

با توجه به نتایج جدول شمارة 4 جذر AVE برای هر 4 متغیر پژوهش از ضرایب همبستگی بین آنها و سایر متغیرهای پژوهش بیشتر می‌باشد که روایی واگرای مناسب را نشان می‌دهد (فورنل و لارکر، 1981).

شکل شمارة 2 و جدول شمارة 5، نتایج بررسی فرضیات پژوهش و آزمون مدل مفهومی پژوهش با استفاده از مدل‌سازی معادلات ساختاری را نشان می‌دهد:

 



شکل 2ـ مدل نهایی پژوهش

 

 

جدول 5. نتایج آزمون فرضیه‌های پژوهش (ضرایب تأثیر مستقیم و غیرمستقیم در مدل ساختاری پژوهش)

فرضیه‌های پژوهش

اثر مستقیم

اثر غیرمستقیم

نسبت بحرانی

(C.R)

R2

سطح معناداری

(Sig)

تأثیر سواد هوش مصنوعی بر مهارت‌های تفکر مرتبه بالاتر (H1)

63/0

***

83/7

46/0

0001/0

تأثیر سواد هوش مصنوعی با میانجیگری درگیری رفتاری بر مهارت‌های تفکر مرتبه بالاتر (H2)

***

24/0

59/6

***

0001/0

تأثیر سواد هوش مصنوعی با میانجیگری تعامل همتایان بر مهارت‌های تفکر مرتبه بالاتر (H3)

***

40/0

70/6

***

0001/0

 

 

با توجه به مدل فوق و خروجی وزن‌های استاندارد شده رگرسیونی (ضریب تأثیرات رگرسیونی) در مدل می‌توان دریافت که تأثیر مستقیم سواد هوش مصنوعی بر مهارت‌های تفکر مرتبه بالاتر برابر با 63/0 و مثبت و معنادار (C.R=7.83 >1.96 و P=0.0001 <0.05) می‌باشد. ضریب تعیین R2  آن نیز برابر با 46/0 بوده و بیانگر آنست که 46 درصد واریانس متغیر وابسته (مهارت‌های تفکر مرتبه بالاتر) توسط متغیر مستقل (سواد هوش مصنوعی) تبیین شده است. نتایج اثرات غیرمستقیم سواد هوش مصنوعی بر مهارت‌های تفکر مرتبه بالاتر نشان می‌دهد که تأثیر غیرمستقیم سواد هوش مصنوعی بر مهارت‌های تفکر مرتبه بالاتر به واسطه متغیرهای درگیری رفتاری (24/0P=0.0001 <0.05, ß=) و تعامل همتایان (40/0P=0.0001 <0.05, ß=) معنادار می‌باشد. با توجه به آزمون بوت‌استرپ یا خودگردان‌سازی که در ارزیابی این مدل استفاده گردیده است و همچنین با توجه به اصول حاکم بر بحث میانجیگری در مدل‌سازی معادلات ساختاری به طور کلی می‌توان استنباط نمود که در این مدل چون هر دو اثر مستقیم و غیرمستقیم سواد هوش مصنوعی بر مهارت‌های تفکر مرتبه بالاتر معنادار گزارش شده است، لذا میانجیگری وجود دارد و متغیرهای درگیری رفتاری و تعامل همتایان دارای نقش میانجی جزئی در تأثیر سواد هوش مصنوعی بر مهارت‌های تفکر مرتبه بالاتر می‌باشند و فرضیه‌های دوم و سوم پژوهش مبنی بر اینکه سواد هوش مصنوعی با میانجیگری درگیری رفتاری و تعامل همتایان بر مهارت‌های تفکر مرتبه بالاتر تأثیر مثبت و غیرمستقیم دارد نیز تأیید می‌گردد.

نتایج ارزیابی برازش مدل در جدول شماره 6 ارائه شده است.

 

جدول 6. شاخص‌های برازش مدل پژوهش

شاخص‌ برازش

حد مطلوب

مقدار به‌دست آمده

CMIN/DF

کوچک‌تر از 5

53/3

RMSEA

کوچک‌تر از 08/0

06/0

CFI

بزرگ‌تر از 90/0

95/0

TLI

بزرگ‌تر از 90/0

94/0

PCFI

بزرگ‌تر از 50/0

55/0

PNFI

بزرگ‌تر از 50/0

53/0

 

با توجه به نتایج جدول شماره 6، مقادیر شاخص‌های برازش همگی در دامنة قابل قبول بوده و برازش خوب مدل را نشان می‌دهد (عبدالهی و طاهری، 1398: 58؛ پهلوان شریف و شریف‌نیا، 1403: 152).

 

نتیجه‌گیری و بحث

با توجه به اهمیت مهارت‌های تفکر مرتبه بالاتر (کنگ و همکاران، 2014؛ الفکی، 2019؛ دی و همکاران، 2019؛ کیم و همکاران، 2020؛ لو و همکاران، 2021ب) و گسترش روزافزون توجه نسبت به موضوع هوش مصنوعی در آموزش و یادگیری (مطلبی‌نژاد و همکاران، 1402؛ یائو و وانگ[62]، 2024) و سواد هوش مصنوعی در دانشجویان (آیانواله و همکاران، 2024؛ آسیو، 2024) درک روابط بین سواد هوش مصنوعی و مهارت‌های تفکر مرتبه بالاتر دانشجویان اهمیت می‌یابد (پروما و همکاران، 2025). پژوهش حاضر با هدف تبیین نقش سواد هوش مصنوعی در تقویت مهارت‌های تفکر مرتبه بالاتر دانشجومعلمان با میانجیگری درگیری رفتاری و تعامل همتایان انجام شد. نتایج بررسی فرضیه اول تحقیق نشان داد سواد هوش مصنوعی تأثیر مستقیم، مثبت و معناداری بر مهارت‌های تفکر مرتبه بالاتر دانشجومعلمان دارد. همراستا با این نتیجه، نتایج مطالعه پروما و همکاران (2025) نیز نشان داد سواد هوش مصنوعی، رابطه مثبت و معناداری با مهارت‌های تفکر سیستمی، مهارت‌های تفکر شهودی و مهارت حلّ مسئله دانشجویان دارد. لاپیچلر و همکاران (2022) نیز دریافتند که سواد هوش مصنوعی به طور قابل توجهی عملکرد و تصمیم‌گیری در زمینه‌هایی که نیاز به تحلیل عمیق داده‌ها دارند را بهبود می‌بخشد. به طور مشابه، بُزیک و پولا[63] (2023) نیز نشان دادند که رابطة مثبتی بین مهارت در استفاده از ابزارهای هوش مصنوعی و مهارت حلّ مسئله وجود دارد. در تبیین یافتة پژوهش حاضر می‌توان به این نکته اشاره نمود که سواد هوش مصنوعی می‌تواند به دانشجویان در تشخیص ارتباطات متقابل بین عوامل مختلف کمک نموده و درنتیجه منجر به توسعه راه‌حل‌های خلاقانه و مؤثر توسط آنان گردد (پروما و همکاران، 2025). علاوه بر آن، سیستم‌های هوش مصنوعی که به پایگاه‌های داده وسیع و قابلیت‌های تحلیلی مجهز می‌باشند، محیط یادگیری پیچیده‌تر و پویاتری را نسبت به موقعیت‌های یادگیری سنتی به دانشجویان ارائه می‌دهند. به عنوان مثال، هوش مصنوعی می‌تواند تجربیات یادگیری را با سبک‌ها و توانایی‌های فردی دانشجویان تطبیق دهد. این شخصی‌سازی به گونه‌ای صورت می‌گیرد که نه تنها محتوا را با سطح توان هر دانشجو مطابقت می‌دهد، بلکه دانشجو را وادار می‌کند تا توانایی‌های شناختی خود را گسترش دهد (دیلکر و همکاران، 2024). همچنین، با توجه به پیچیدگی و به روزرسانی‌های مکرر برنامه‌های هوش مصنوعی، دانشجویان باید مهارت‌ها را در نسخه‌های مختلف نرم‌افزار تطبیق داده و منتقل کنند. چنین سناریوهایی مستلزم استفاده از تفکر انتقادی، حل مسئله و سایر مهارت‌های تفکر مرتبه بالاتر است و دانشجویان را برای پیمایش و حلّ مؤثر مسائل به چالش می‌کشد (مُثمینا[64] و همکاران، 2022). بدیهی است که داشتن سواد هوش مصنوعی بویژه در بُعد استفاده از هوش مصنوعی به بهره‌مندی دانشجویان از مزایای مذکور کمک می‌کند. در ادامة تبیین یافتة پژوهش حاضر همچنین می‌توان به برخی ابعاد سواد هوش مصنوعی نظیر ارزیابی هوش مصنوعی، استفاده از هوش مصنوعی و اخلاق هوش مصنوعی توجه نمود. از آنجایی که ارزیابی هوش مصنوعی به توانایی انتخاب، تجزیه و تحلیل و ارزیابی انتقادی برنامه‌ها و نتایج هوش مصنوعی اشاره دارد، ارزیابی را می‌توان اساساً یک زیربُعد از مهارت‌های تفکر مرتبه بالاتر درنظرگرفت (هوانگ و همکاران، 2018). با ارزیابی فعال برنامه‌های هوش مصنوعی، دانشجویان فراتر از استفاده منفعل از فناوری می‌روند و به کاربرانی انتقادی تبدیل می‌شوند که می‌توانند نقاط قوت و محدودیت‌های ابزارهای هوش مصنوعی را ارزیابی کنند. این رویکرد نه‌تنها مهارت‌های تفکر مرتبه بالاتر آنها را افزایش می‌دهد، بلکه آنها را برای فرآیندهای تصمیم‌گیری پیچیده‌ای که در زمینه‌های آکادمیک و حرفه‌ای با آن مواجه خواهند شد، آماده می‌کند (لو و همکاران، 2024). علاوه بر آن استفاده از ابزارهای هوش مصنوعی می‌تواند با ارائة دانش و اطلاعات مؤثر و روش‌ها و راه‌حل‌های خلاقانه و نوآورانه به دانشجو، الهام‌بخش افکار و ایده‌های نو برای دانشجو باشد و وی را در تولید راهکارهای جدید، متنوع و مؤثر در حلّ مسئله یاری نماید. تحقیقات نیز حاکی از آن است که آموزش ابزارهای هوش مصنوعی به دانشجویان، آنان را قادر می‌سازد تا به مسائل پیچیده بهتر رسیدگی کنند (رُبرت[65] و همکاران، 2024). اخلاق هوش مصنوعی، بُعد دیگری از سواد هوش مصنوعی است که می‌تواند به منظور تبیین تأثیر سواد هوش مصنوعی بر مهارت‌های تفکر مرتبه بالاتر مورد توجه قرار گیرد. در همین راستا نتایج مطالعة لو و همکاران (2024) یک همبستگی منفی و معنادار بین بُعد استفاده از هوش مصنوعی و مهارت‌های تفکر مرتبه بالاتر را نشان می‌دهد که با یافتة پژوهش حاضر در خصوص تأثیر مثبت و معنادار سواد هوش مصنوعی بر مهارت‌های تفکر مرتبه بالاتر ناهمسو می‌باشد. این همبستگی منفی را می‌توان به تکیة بیش از حد و وابستگی بی‌رویة دانشجویان به هوش مصنوعی در انجام تکالیف و فعالیت‌های یادگیری خویش نسبت داد که می‌تواند منجر به کاهش تلاش‌های شناختی دانشجو شده و مانع پرورش مهارت‌های تفکر مرتبه بالاتر وی گردد (لو و همکاران، 2024). با این حال، توجه به بُعد اخلاق هوش مصنوعی و استفادة مناسب، مسئولانه و متعادل از این فناوری با درنظر گرفتن ملاحظات اخلاقی و مالکیت معنوی و ایفای نقش و مسئولیت خویش در انجام تکالیف و فعالیت‌های مذکور، می‌تواند تأثیر منفی استفاده از فناوری هوش مصنوعی بر مهارت‌های تفکر مرتبه بالاتر را خنثی نموده و اتفاقاً این تهدید را به فرصت‌های خوبی برای دانشجویان جهت شرکت در تلاش‌های شناختی معنادار مانند تجزیه و تحلیل، تفکر انتقادی و حلّ مسئله تبدیل نماید (ایگبوکوه[66]، 2023؛ لو و همکاران، 2024؛ آیانواله و همکاران، 2024) و با الهام بخشیدن ایده‌های واگرا و گسترش دیدگاه‌های یادگیرنده از جنبه‌های مختلف، خلاقیت دانشجو را بهبود بخشد (هوانگ و همکاران، 2022). بر این اساس، ناهمسویی نتایج مطالعة لو و همکاران (2024) و پژوهش حاضر را احتمالاً می‌توان به بافت اجتماعی و فرهنگی جامعة آماری پژوهش حاضر نسبت داد. از آنجا که پژوهش حاضر بر روی دانشجومعلمان دانشگاه فرهنگیان استان چهارمحال و بختیاری انجام شده است و این دانشجومعلمان عمدتاً از مناطق کمتر برخوردار و با تلاش فردی و بدون اتکا به حمایت‌های مادی و مالی خانواده به دانشگاه راه یافته‌اند و اکثراً موفقیت و پیشرفت تحصیلی را به نوعی تنها راه تغییر طبقة اجتماعی و حتی اقتصادی خویش می‌‌بینند، لذا انگیزة زیادی برای دستیابی به این هدف دارند و سعی می‌کنند با تلاش واقعی و درگیر شدن در مفاهیم و محتوای آموزشی برای یادگیری، به موفقیت و پیشرفت تحصیلی موردنظر دست یابند که بالتبع چنین تلاشی با اتکا و وابستگی بیش از حد و غیرمسئولانه به هوش مصنوعی همخوانی ندارد. در مجموع، با توجه به بافت اجتماعی و فرهنگی جامعه آماری پژوهش، تلاش و پشتکار در زندگی عمدتاً به یک رویه و رفتار نهادینه شده در این دانشجومعلمان تبدیل شده است و گویی از موفقیتی لذت می‌برند که حاصل دسترنج و تلاش واقعی خودشان باشد و این‌ها نکاتی است که پژوهشگر خود بارها از نزدیک آن را در دانشجومعلمان خویش مشاهده نموده است. به این ترتیب می‌توان احتمال داد که دانشجومعلمان نمونة پژوهش حاضر به گونه‌ای منصفانه و مسئولانه از هوش مصنوعی در انجام تکالیف و فعالیت‌های یادگیری خویش استفاده می‌نمایند و بنابراین احتمالاً تأثیر مثبت سواد هوش مصنوعی بر مهارت‌های تفکر مرتبه بالاتر در پژوهش حاضر و ناهمسویی این نتیجه با یافتة لو و همکاران (2024) را می‌توان به نظام ارزشی و رفتاری ناشی از بافت اجتماعی و فرهنگی جامعة آماری پژوهش حاضر نسبت داد. مضافاً بر اینکه تفاوت سطح محدودیت‌های جامعه آماری دو پژوهش مذکور در دسترسی آسان به برنامه‌های و محصولات مختلف هوش مصنوعی به دلایل مختلف (نظیر مسائل مربوط به اینترنت یا عدم پوشش زبان فارسی در انواعی از برنامه‌های هوش مصنوعی و ...) نیز ممکن است در این ناهمسویی نتایج تأثیرگذار بوده باشد. چرا که بعضاً این محدودیت‌ها خود ممکن است استفادة بی‌رویه و اتکا نامناسب دانشجویان به هوش مصنوعی را تعدیل نماید.

نتایج بررسی فرضیه دوم پژوهش حاضر حاکی از آن است که سواد هوش مصنوعی به صورت غیرمستقیم و از طریق تقویت درگیری رفتاری نیز بر مهارت‌های تفکر مرتبه بالاتر دانشجومعلمان تأثیر مثبت و معناداری دارد. محققان معتقدند پیشرفت‌های فناوری اطلاعات با ایجاد فرصت‌ها و انعطاف‌پذیری بیشتر برای درگیرشدن یادگیرندگان در یادگیری خودراهبر و مشارکتی، زمینة پرورش توانایی‌های شناختی و فکری دانشجویان را فراهم نموده است (هوانگ و همکاران، 2018). همراستا با یافتة پژوهش حاضر، نتایج برخی مطالعات، با تأثیرگذاریِ مثبت سواد هوش مصنوعی بر درگیری رفتاری همسو و سازگار می‌باشد و یافته‌های برخی مطالعات دیگر نیز از ارتباط مثبت و معنادار درگیری رفتاری با مهارت‌های تفکر مرتبه بالاتر حمایت می‌نماید که در ادامه به این نتایج و یافته‌ها اشاره می‌گردد. لو و همکاران (2024) به این نتیجه رسیدند که سواد هوش مصنوعی بر درگیری رفتاری در میان دانشجویان تأثیر مثبت می‌گذارد. نتایج برخی مطالعات نیز به طور ضمنی از تأثیر سواد هوش مصنوعی بر درگیری رفتاری حمایت می‌کنند. به عنوان مثال مطالعات قبلی نشان داده‌اند که سواد اطلاعاتی دانش‌آموزان می‌تواند درگیری در یادگیری را پیش‌بینی کند (برگدال و همکاران، 2020؛ اَوکی و اِرگون، 2022). در تبیین تأثیر سواد هوش مصنوعی بر درگیری رفتاری باید گفت دانشجویانی که از سواد هوش مصنوعی بالاتری برخوردارند برای استفاده از هوش مصنوعی در انجام فعالیت‌های یادگیری خود و بهره‌گیری از این فناوری به منظور خودآموزی و ارتقا سطح عملکرد تحصیلی خویش، احساس خودکارآمدی و انگیزة بیشتری دارند (بیورسدورف [67] و همکاران، 2025) که درنتیجه بر میزان بکارگیری و استفادة آنها از هوش مصنوعی در این راستا تأثیر مثبت می‌گذارد (لی[68] و همکاران، 2023؛ هویا[69] و همکاران، 2024). با توجه به تعریف درگیری رفتاری مبنی بر تلاش و پشتکار و مشارکت فعال در فعالیت‌های یادگیری داخل و خارج از کلاس (فردریکز و همکاران، 2004؛ هوانگ و همکاران، 2022) می‌توان گفت اقدام دانشجویان به استفاده از هوش مصنوعی برای ارتقاء سطح یادگیری و انجام فعالیت‌های یادگیری، خود در واقع نوعی درگیری رفتاری محسوب می‌گردد. با عنایت به آنچه بیان شد، سواد هوش مصنوعی احتمال خودآموزی و مشارکت در فعالیت‌های یادگیری با استفاده از هوش مصنوعی یا به عبارت دیگر درگیری رفتاری را افزایش می‌دهد. به علاوه، پژوهشگران معتقدند یادگیریِ شخصی‌سازی شدة مبتنی بر هوش مصنوعی، فعالیت‌ها را با نیازها و توانایی‌های فردی یادگیرندگان تطبیق می‌دهد و محتوا و سرعت را با توجه به پیشرفت یادگیرنده تنظیم می‌کند. این سفارشی‌سازی می‌تواند به طور قابل توجهی درگیری رفتاری را تسهیل نماید (سات‌وُرث و همکاران، 2023). طبیعتاً برخورداری دانشجویان از سواد هوش مصنوعی می‌تواند به بهره‌مندیِ بیشتر آنان از مزایای مذکور و درنتیجه تقویت درگیری رفتاری‌شان کمک نماید. از سوی دیگر، محققان معتقدند درگیری رفتاری بر تقویت مهارت‌های تفکر مرتبه بالاتر یادگیرندگان تأثیرگذار است (کیم و همکاران، 2020؛ روس ـ کاساس[70] و همکاران، 2020). نتایج مطالعة هوانگ و همکاران (2022) نیز حاکی از آن است که کلاس درس معکوس به عنوان رویکردی دانشجو ـ محور به یادگیری که درگیری دانشجویان در یادگیری را افزایش می‌دهد، مهارت‌های تفکر مرتبه بالاتر دانشجویان را تقویت می‌نماید. مطابق نظر این پژوهشگران، درگیر کردنِ دانشجویان در فعالیت‌های یادگیری برای تحریک توسعة مهارت‌های تفکر مرتبه بالاتر ضروری است. تأثیر درگیری رفتاری بر مهارت‌های تفکر مرتبه بالاتر را می‌توان به جنبه‌های مربوط به متغیر درگیری رفتاری نظیر پرسشگری و جستجوی اطلاعات جدید و تلاش برای بسط و تحلیل و سازماندهی این اطلاعات در راستای انجام تکالیف آکادمیک و فعالیت‌های یادگیری موردنظر نسبت داد (نگوین و همکاران، 2018) که تبعاً برای توسعه مهارت‌های فکری نظیر حلّ مسئله، تفکر انتقادی و خلاقیت مفید است (لو و همکاران، 2024).

بر اساس یافته‌های حاصل از بررسی فرضیه سوم پژوهش، علاوه بر درگیری رفتاری، تعامل همتایان نیز می‌تواند رابطة سواد هوش مصنوعی و مهارت‌های تفکر مرتبه بالاتر را میانجیگری نماید. در همین راستا پریور[71] و همکاران (2016) به این نتیجه رسیدند که سواد دیجیتال[72] اثرات مثبتی بر تعامل همتایان در بین دانشجویان دارد. نتایج یک مطالعة دیگر نیز نشان می‌دهد سواد رسانه‌ای نوین[73] به طور مثبت و معناداری بر مهارت‌های ارتباطی دانشجویان تأثیر می‌گذارد (توگتکین و کوک، 2020). از طرف دیگر یافته‌های برخی مطالعات نیز بیانگر تأثیر مثبت تعامل همتایان بر مهارت‌های تفکر مرتبه بالاتر در دانشجویان می‌باشد (کنگ، 2014؛ لو و هکاران، 2021الف؛ لو و همکاران، 2021ب؛ هوانگ و همکاران، 2018). مجموع این نتایجِ مطالعات قبلی در کنار یکدیگر، از یافتة پژوهش حاضر مبنی بر نقش میانجی تعامل همتایان در رابطة سواد هوش مصنوعی و مهارت‌های تفکر مرتبه بالاتر حمایت می‌کند. با عنایت به نزدیکی مفاهیم سواد هوش مصنوعی و سواد دیجیتال اظهارات زیر را می‌توان در تبیین تأثیر سواد هوش مصنوعی بر تعامل همتایان مدنظر قرار داد: مطابق نظر مارتین (2006) سواد دیجیتال به مواردی نظیر آگاهی، نگرش و توانایی افراد برای استفادة مناسب از ابزارها و امکانات دیجیتال به منظور شناسایی، دسترسی، مدیریت، ادغام و ارزیابی منابع دیجیتال و ساخت دانش جدید اشاره دارد که به نظر پژوهشگران، موارد مذکور می‌تواند دانشجویان را برای تعامل با همکلاسی‌های خود در طول فرایند یادگیری، غنی و مجهز نموده و درنتیجه به افزایش تعامل همتایان در میان دانشجویان منجر گردد (پریور و همکاران، 2016). در همین راستا گرین و بورلسون[74] (2003) معتقدند که ارتباط و تعامل، یک فرایند خودبه‌خودی نیست، بلکه یک عملکرد اجتماعی ماهرانه است و افراد باید مهارت‌های ارتباطی لازم برای شروع و مدیریت این فرایند را داشته باشند. از جمله مهارت‌های ارتباطی، می‌توان به مهارت‌های اساسی در تعامل نظیر مهارت در ارتباطات کلامی و غیرکلامی، تولید و دریافت پیام و مدیریت برداشت و همچنین مهارت‌های ارتباطیِ متمرکز بر عملکرد مانند اطلاع‌رسانی و توضیح، استدلال، ترغیب و مدیریت تعارض اشاره نمود (گرین و بورلسون، 2003) که به عقیدة پژوهشگران استفاده از فناوری‌های نوین اطلاعاتی هم با فراهم کردن منابع اطلاعات و هم با ایجاد فضای ارتباطی برای بحث و گفتگو، توانایی‌ها و مهارت‌های ارتباطی افراد را افزایش می‌دهد (تورگوت[75] و همکاران، 2018). به همین منوال، دانشجویانِ دارای سواد هوش مصنوعی نیز می‌توانند با بکارگیری این فناوری، محدودة دانش و اطلاعات خود را افزایش داده و از ظرفیت اطلاعاتی بیشتری برای تعامل با همتایان در جریان فعالیت‌های یادگیری برخوردار گردند. به علاوه، دانشجویانِ دارای سواد هوش مصنوعی به دلیل شناخت و آگاهی بیشتری که از این فناوری دارند، احتمال بیشتری دارد که در مورد موضوعات مرتبط با هوش مصنوعی و کاربردهای آن در حوزة آموزش و یادگیری و در زمینة فعالیت‌های تحصیلی‌شان با همتایان و همکلاسی‌های خود صحبت و گفتگو کنند که بدیهی است چنین گفتگوهایی تعامل همتایان را افزایش می‌دهد. همانگونه که پیشتر نیز اشاره شد، مطابق یافته‌های حاصل از بررسی فرضیه سوم پژوهش حاضر، تعامل همتایان به نوبة خود مهارت‌های تفکر مرتبه بالاتر دانشجویان را پرورش می‌دهد. در واقع هنگامی که دانشجویان با همتایان خود تعامل می‌کنند، در معرض دیدگاه‌های متنوع قرار می‌گیرند و اغلب تشویق می‌شوند که افکار و ایده‌های خود را بیان و از آنها دفاع کنند. این جنبة اجتماعی یادگیری، پردازش شناختیِ عمیق‌تر را ارتقا می‌دهد و مهارت‌هایی مانند تحلیل انتقادی، ترکیب اطلاعات و حلّ مسئلة خلاقانه که اجزای کلیدی مهارت‌های تفکر مرتبه بالاتر به شمار می‌روند را تقویت می‌نماید (لو و همکاران، 2024). هوانگ و همکاران (2018) نیز معتقدند تعامل با همتایان و بحث و تبادل نظر با اعضای گروه، یادگیرندگان را درگیر ارزیابی و قضاوت می‌نماید و تفکر انتقادی آنها را پرورش می‌دهد. همچنین هنگاهی که فراگیران با یکدیگر در فعالیت‌های یادگیری همکاری می‌کنند، در فرایند تجزیه و تحلیل مشکلات و ایده‌پردازی و ارائة راه‌حل برای مسائل با هم سهیم می‌شوند و از یکدیگر یاد می‌گیرند و این تجربیات، خلاقیت و توانایی حلّ مسئلة آنان را افزایش می‌دهد (هوانگ و همکاران، 2018). ارتباط و همکاری دانشجویان با یکدیگر در جریان فرایند یادگیری، فرصتی برای درگیر شدن در خوداندیشی و کاوش عمیق دانش و توسعه مهارت‌های تفکر مرتبه بالاتر دانشجویان فراهم می‌نماید (چئونگ و لاو[76]، 2013). مطابق نظر لو و همکاران (2021الف) نیز هنگامی که دانشجویان برای انجام فعالیت‌های یادگیری به طور فعال با یکدیگر ارتباط برقرار می‌کنند و همکاری می‌نمایند، با احتمال بیشتری مهارت‌های تفکر انتقادی، حلّ مسئله و خلاقیت خود را به کار می‌گیرند و درنتیجه، آن را بهبود می‌بخشند.

با توجه به اینکه بر مبنای نتایج پژوهش حاضر، سواد هوش مصنوعی (چه به صورت مستقیم و چه به صورت غیرمستقیم از طریق درگیری رفتاری و تعامل همتایان) در توسعه مهارت‌های تفکر مرتبه بالاتر دانشجومعلمان نقش دارد، لذا ارتقای سواد هوش مصنوعی دانشجومعلمان باید بیشتر مورد توجه سیاستگذاران و مسئولان دانشگاه فرهنگیان قرار گیرد. در این راستا پیشنهاد می‌گردد دوره‌های آموزشی بلندمدت و جامع در زمینة هوش مصنوعی که از مراحل مقدماتی تا پیشرفتة سواد هوش مصنوعی را دربرمی‌گیرد، برای دانشجومعلمان برگزار شود. چنین دوره‌هایی می‌تواند به رفع نابرابری‌ها و تفاوت‌ها در سطح آشنایی دانشجومعلمان مختلف با فناوری‌ هوش مصنوعی و ابزارها و کاربردهای آن در حوزة تحصیلی و حرفه‌ای‌شان کمک نموده و فرصت برابر برای استفاده و بهره‌مندی از مزایای این فناوری را برای همة دانشجومعلمان فراهم نماید. برنامه‌ریزان و سیاستگذاران دانشگاه فرهنگیان می‌توانند برای جایگزینیِ چنین دوره‌ای با جلسات آموزشی کوتاه‌مدت، منفرد و پراکنده در زمینة هوش مصنوعی، برنامه‌ریزی و سرمایه‌گذاری نمایند. همچنین بازنگری برنامه درسی دانشجومعلمان به منظور ادغام سواد هوش مصنوعی در آن نیز می‌تواند مدنظر قرار گیرد. به علاوه، پیشنهاد می‌گردد راه‌اندازی و تأسیس یک مرکز آموزشی اختصاصی در زمینة آموزش هوش مصنوعی برای اساتید و دانشجویان در وزارت علوم، تحقیقات و فناوری مورد نقد و بررسی قرار گیرد. ایجاد چنین مرکزی در صورت امکان، به عنوان مرجعی معتبر و باکیفیت جهت دریافت آموزش‌های مورد نیاز، می‌تواند دسترسی اساتید و دانشجویان در هر زمان به این آموزش‌ها را راحت‌تر نموده و تصمیم‌گیری و اقدام آنان در این راستا را سرعت و کیفیت بخشد. همچنین، انجام تحقیقات بیشتر در زمینة مفهوم و ابعاد سواد هوش مصنوعی در حوزة آموزش و یادگیری می‌تواند به توسعة ادبیات داخلی پژوهش در این زمینه کمک نماید که خود مبنایی برای ارتقاء سطح دانش اساتید و دانشجویان کشور در این زمینه می‌باشد. .

جامعة آماری پژوهش حاضر محدود به دانشجومعلمان دانشگاه فرهنگیان استان چهارمحال و بختیاری می‌باشد که می‌تواند تعمیم‌پذیری نتایج به کلّ دانشجومعلمان کشور از استان‌های مختلف یا دانشجویان سایر دانشگاه‌های کشور را با محدودیت مواجه نماید. از این رو پیشنهاد می‌گردد تحقیقات بعدی، نتایج پژوهش حاضر را در جوامع آماری متفاوت و وسیع‌تر مورد بررسی قرار دهد. محدودیت دیگر این پژوهش به رویکرد کمّی آن و جمع‌آوری داده‌های خودگزارشی با ابزار پرسشنامه مربوط می‌گردد که انجام پژوهش‌های کیفی در این خصوص و واکاوی تجربیات، ادراکات و دیدگاه‌های عمیق دانشجومعلمان در زمینة موضوع پژوهش می‌تواند مدنظر محققان در آینده قرار گیرد.      

 

تشکر و قدردانی

بدین‌وسیله از تمامی دانشجومعلمان شرکت‌کننده در این پژوهش صمیمانه تشکر و قدردانی می‌گردد.

ملاحظات اخلاقی

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

حامی‌مالی

این مقاله هیچگونه حامی مالی نداشته 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 چا پ نشده است

 

[1] artificial intelligence (AI)

[2] Ayanwale

[3] Asio

[4] Ng

[5] AI in Education (AIED)

[6] Holmes

[7] Bajaj & Sharma

[8] Huang

[9] artificial intelligence literacy

[10] Long & Magerko

[11] artificial intelligence awareness

[12] Knowing and Understanding AI

[13] artificial intelligence usage

[14] Applying AI

[15] artificial intelligence evaluation

[16] artificial intelligence ethics

[17] Kong

[18] Zhao

[19] Wang

[20] Polatgil & Guler

[21] Celebi

[22] Lu

[23] Deranty & Corbin

[24] Osasona

[25] Promma

[26] higher-order thinking skills (HOTS)

[27] Huang

[28] Collins

[29] Di

[30] Elfeky

[31] Ramos

[32] Kim

[33] Problem‑solving

[34] Critical thinking

[35] Creativity

[36] Hwang

[37] Hwang & Lai

[38] van den Berg & Plessis

[39] Delcker

[40] Stancu & Dutescu

[41] Fosnacht

[42] Bergdahl

[43] Avcı & Ergun

[44] Tugtekin & Koc

[45] Behavioral Engagement

[46] Lai & Hwang

[47] Lein

[48] Guo

[49] Peer Interaction

[50] Fredricks

[51] Nguyen

[52] Jones

[53] Christudason

[54] communication

[55] collaboration

[56] Frazier & Reynolds

[57] Southworth

[58] Laupichler

[59] average variance extracted

[60] Fornell & Larcker

[61] Choi, Jang & Kim

[62]Yao & Wang

[63] Bozic & Poola

[64] Muthmainnah

[65] Robert

[66] Igbokwe

[67] Bewersdorff

[68] Li

[69] Hoya

[70] Rus-Casas

[71] Prior

[72] digital literacy

[73] new media literacy

[74] Greene and Burleson

[75] Turgut

[76] Cheung and Lau

References

Abdollahi, Abbas, & Taheri, Azadeh. (2019). Model-sazi-ye Mo’adele-haye Sakhtari be Komak-e Software AMOS. Tehran: Sazman-e Jahad-e Daneshgahi-ye Tehran [In Persian]
Asio, J. M. R. (2024). AI literacy, self-efficacy, and self-competence among college students: variances and interrelationships among variables. MOJES: Malaysian Online Journal of Educational Sciences, 12(3), 44-60.‏ https://doi.org/10.22452/aldad.
Avcı, Ü & Ergün, E. (2022). Online students’ LMS activities and their effect on engagement, information literacy and academic performance. Interactive Learning Environments, 30(1), 71-84.‏ https://doi.org/10.1080/10494820.2019.1636088
Ayanwale, M. A. Adelana, O. P. Molefi, R. R. Adeeko, O & Ishola, A. M. (2024). Examining artificial intelligence literacy among pre-service teachers for future classrooms. Computers and education open, 6, 100179.‏ https://doi.org/10.1016/j.caeo.2024.100179
Bajaj, R & Sharma, V. (2018). Smart Education with artificial intelligence based determination of learning styles. Procedia computer science, 132, 834-842.‏ https://doi.org/10.1016/j.procs.2018.05.095
Bergdahl, N. Nouri, J & Fors, U. (2020). Disengagement, engagement and digital skills in technologyenhanced learning. Education and Information Technologies, 25(2), 957–983. https://doi.org/10.1007/s10639-019-09998-w.
Bewersdorff, A. Hornberger, M. Nerdel, C & Schiff, D. S. (2025). AI advocates and cautious critics: How AI attitudes, AI interest, use of AI, and AI literacy build university students' AI self-efficacy. Computers and Education: Artificial Intelligence, 8, 100340.‏ https://doi.org/10.1016/j.caeai.2024.100340
Celebi, C. Yılmaz, F. Demir, U & Karakus, F. (2023). Artificial intelligence literacy: An adaptation study. Instructional Technology and Lifelong Learning, 4(2), 291-306.‏ https://doi.org/10.52911/itall.1401740
Cheung, P. C & Lau, S. (2013). A tale of two generations: Creativity growth and gender differences over a period of education and curriculum reforms. Creativity Research Journal, 25(4), 463-471.‏ https://doi.org/10.1080/10400419.2013.843916
Choi, S. Jang, Y & Kim, H. (2023). Influence of pedagogical beliefs and perceived trust on teachers’ acceptance of educational artificial intelligence tools. International Journal of Human–Computer Interaction, 39(4), 910-922. ‏ https://doi.org/10.1080/10447318.2022.2049145
Christudason, A. (n. d.). What is peer interaction/learning. Retrieved January 3, 2025, from What is Peer Interaction/Learning | IGI Global Scientific Publishing
Collins, R. (2014). Skills for the 21st Century: teaching higher-order thinking. Curriculum  & Leadership Journal, 12(14), 1-8.‏
Delcker, J. Heil, J. Ifenthaler, D. Seufert, S & Spirgi, L. (2024). First-year students AI-competence as a predictor for intended and de facto use of AI-tools for supporting learning processes in higher education. International Journal of Educational Technology in Higher Education, 21(1), 18.‏ https://doi.org/10.1186/s41239-024-00452-7
Deranty, J. P & Corbin, T. (2024). Artificial intelligence and work: a critical review of recent research from the social sciences. Ai  & Society, 39(2), 675-691.‏ https://doi.org/10.1007/s00146-022-01496-x
Di, W. Danxia, X & Chun, L. (2019). The effects of learner factors on higher-order thinking in the smart classroom environment. Journal of Computers in Education, 6(4), 483-498.‏ https://doi.org/10.1007/s40692-019-00146-4
Elfeky, A. I. M. (2019). The effect of personal learning environments on participants’ higher order thinking skills and satisfaction. Innovations in Education and Teaching International, 56(4), 505–516. https://doi.org/10.1080/14703297.2018.1534601
Fornell, C & Larcker, D. F. (1981). Structural equation models with unobservable variables and measurement error: Algebra and statistics. Journal of Marketing Research, 18(3), 382–388. https://doi.org/10.2307/3150980
Fosnacht, K. (2020). Information literacy ’ s influence on undergraduates’ learning and development: Results from a large multi-institutional study. College  & Research Libraries, 18(2), 272–287. https://doi.org/10.5860/crl.81.2.272
Frazier, K & Reynolds, E. (2012). Power up your creative mind. Pieces of Learning.‏
Fredricks, J. A. Blumenfeld, P. C & Paris, A. H. (2004). School engagement: Potential of the concept, state of the evidence. Review of educational research, 74(1), 59-109.‏ https://doi.org/10.3102/00346543074001059
Greene, J. O & Burleson, B. R. (Eds.). (2003). Handbook of communication and social interaction skills. UK, LONDON: Routledge.‏
Guo, F. Yao, M. Wang, C. Yan, W & Zong, X. (2016). The effects of service learning on student problem solving: The mediating role of classroom engagement. Teaching of Psychology, 43(1), 16-21.‏  https://doi.org/10.1177/0098628315620064
Haji-Anvari, Ladan, & Ramazani, Abbas. (2024). Barrasi-ye Vaz’iyat-e Savad, Karbast va ‘Avamel-e Mo’asser bar Pazirash-e Hosh-e Masno’i dar Beyn-e A’za-ye Hay’at-e Elmi. Nameh-ye Amoozesh-e Aali, 17(68), 106–131. https://doi.org/10.22034/hel.2024.2036769.1985 [In Persian]
Holmes, W. Bialik, M & Fadel, C. (2023). Artificial Intelligence in Education. Globethics Publications, 621-653.
https://doi.org/10.58863/20.500.12424/4276068
Hoya, F. Mah, D. K. Prilop, C. N. Jacobsen, L. J & Weber, K. E. (2024). Pre-service teachers’ AI usage: The effects of perceived usefulness, subjective norm, behavioral intention, and self-efficacy.‏ https://doi.org/10.31219/osf.io/284gk
https://doi.org/10.1007/s11423-024-10434-1
Huang, J. Saleh, S & Liu, Y. (2021). A review on artificial intelligence in education. Academic Journal of Interdisciplinary Studies, 10(3),‏   206-217. https://doi.org/10.36941/ajis-2021-0077
Huang, Y. M. Silitonga, L. M & Wu, T. T. (2022). Applying a business simulation game in a flipped classroom to enhance engagement, learning achievement, and higher-order thinking skills. Computers  & Education, 183, 104494.‏ https://doi.org/10.1016/j.compedu.2022.104494
Hwang, G. J & Lai, C. L. (2017). Facilitating and bridging out-of-class and in-class learning: An interactive e-book-based flipped learning approach for math courses. Journal of Educational Technology  & Society, 20(1), 184-197.‏
Hwang, G. J. Lai, C. L. Liang, J. C. Chu, H. C & Tsai, C. C. (2018). A long-term experiment to investigate the relationships between high school students’ perceptions of mobile learning and peer interaction and higher-order thinking tendencies. Educational Technology Research and Development, 66, 75-93.‏ https://doi.org/10.1007/s11423-017-9540-3
Igbokwe, I. C. (2023). Application of artificial intelligence (AI) in educational management. International Journal of Scientific and Research Publications, 13(3), 300-307.‏ DOI: http://dx.doi.org/10.29322/IJSRP.13.03.2023.p13536
Jones, A. C. Scanlon, E & Clough, G. (2013). Mobile learning: Two case studies of supporting inquiry learning in informal and semiformal settings. Computers  & Education, 61, 21–32. https://doi.org/10.1016/j.compedu.2012.08.008
Kim, H. J. Yi, P & Hong, J. I. (2020). Students’ academic use of mobile technology and higher-order thinking skills: The role of active engagement. Education Sciences, 10(3), 47.‏ https://doi.org/10.3390/educsci10030047
Kong, S. C. (2014). Developing information literacy and critical thinking skills through domain knowledge learning in digital classrooms: An experience of practicing flipped classroom strategy. Computers  & Education, 78, 160–173. https://doi.org/10.1016/j.compedu.2014.05.009
Kong, S. C. Chan, T. W. Griffin, P. Hoppe, U. Huang, R. Kinshuk & Yu, S. (2014). E-learning in school education in the coming 10 years for developing 21st century skills: Critical research issues and policy implications. Journal of Educational Technology  & Society, 17(1), 70-78.‏ https://www.jstor.org/stable/jeductechsoci.17.1.70
Kong, S. C. Cheung, W. M. Y & Zhang, G. (2021). Evaluation of an artificial intelligence literacy course for university students with diverse study backgrounds. Computers and Education: Artificial Intelligence, 2, 100026.‏ https://doi.org/10.1016/j.caeai.2021.100026
Kresol, John W. (2015). Tarh-e Pazhuhesh (Ravesh-ha-ye Kammi, Keyfi va Shive-ye Tarkeebi) (Hassan Danaei-Fard & Ali Salehi, Trans.). Tehran: Mo’assese-ye Ketab Mehraban Nashr [In Persian]
Lai, C. L & Hwang, G. J. (2014). Effects of mobile learning time on students' conception of collaboration, communication, complex problem–solving, meta–cognitive awareness and creativity. International Journal of Mobile Learning and Organisation, 8(3-4), 276-291.‏ https://doi.org/10.1504/IJMLO.2014.067029
Laupichler, M. C. Aster, A. Schirch, J & Raupach, T. (2022). Artificial intelligence literacy in higher and adult education: A scoping literature review. Computers and Education: Artificial Intelligence, 3, 100101.‏ https://doi.org/10.1016/j.caeai.2022.100101
Lein, A. E. Jitendra, A. K. Starosta, K. M. Dupuis, D. N. Hughes-Reid, C. L & Star, J. R. (2016). Assessing the relation between seventh-grade students’ engagement and mathematical problem solving performance. Preventing School Failure: Alternative Education for Children and Youth, 60(2), 117-123.‏ https://doi.org/10.1080/1045988X.2015.1036392
Li, H. Zhu, S. Wu, D. Yang, H. H & Guo, Q. (2023). Impact of information literacy, self-directed learning skills, and academic emotions on high school students’ online learning engagement: A structural equation modeling analysis. Education and information technologies, 28(10), 13485-13504.‏ https://doi.org/10.1007/s10639-023-11760-2
Long, D & Magerko, B. (2020, April). What is AI literacy? Competencies and design considerations. In Proceedings of the 2020 CHI conference on human factors in computing systems (pp. 1-16).‏
Lu, K. Pang, F & Shadiev, R. (2021b). Understanding the mediating effect of learning approach between learning factors and higher order thinking skills in collaborative inquiry-based learning. Educational Technology Research and Development, 69(5), 2475-2492.‏ https://doi.org/10.1007/s11423-021-10025-4
Lu, K. Yang, H. H. Shi, Y & Wang, X. (2021a). Examining the key influencing factors on college students’ higher-order thinking skills in the smart classroom environment. International Journal of Educational Technology in Higher Education, 18, 1-13.‏ https://doi.org/10.1186/s41239-020-00238-7
Lu, K. Zhu, J. Pang, F & Shadiev, R. (2024). Understanding the relationship between colleges students’ artificial intelligence literacy and higher order thinking skills using the 3P model: the mediating roles of behavioral engagement and peer interaction. Educational technology research and development, 1-24.‏
Martin, A. (2006). A European framework for digital literacy. Nordic Journal of Digital Literacy, 1(2), 151-161.‏ https://doi.org/10.18261/ISSN1891-943X-2006-02-06
Matlabi-Nejad, Alireza, Fazeli, Farzaneh, & Nava’i, Elham. (2023). Barrasi-ye Nezammand-e Navidha va Chalesh-haye Hosh-e Masno’i baraye Mo’alleman, Fanavari va Danesh-Pazhuhesh dar Taalim va Tarbiyat. Taalim va Tarbiyat, 3(1), 23–44. https://doi.org/10.30473/t-edu.2023.68819.1101 [In Persian]
Muthmainnah, Ibna Seraj, P. M & Oteir, I. (2022). Playing with AI to Investigate Human‐Computer Interaction Technology and Improving Critical Thinking Skills to Pursue 21st Century Age. Education Research International, 2022(1), 6468995.‏ https://doi.org/10.1155/2022/6468995
Ng, D. T. K. Leung, J. K. L. Chu, S. K. W & Qiao, M. S. (2021). Conceptualizing AI literacy: An exploratory review. Computers and Education: Artificial Intelligence, 2, 100041.‏ https://doi.org/10.1016/j.caeai.2021.100041
Ng, D. T. K. Leung, J. K. L. Su, M. J. Yim, I. H. Y. Qiao, M. S & Chu, S. K. W. (2022). AI literacy in K-16 classrooms.  Switzerland: Springer.‏
Ng, D. T. K. Su, J. Leung, J. K. L & Chu, S. K. W. (2024). Artificial intelligence (AI) literacy education in secondary schools: a review. Interactive Learning Environments, 32(10), 6204-6224.‏ https://doi.org/10.1080/10494820.2023.2255228
Nguyen, A. Kremantzis, M. Essien, A. Petrounias, I & Hosseini, S. (2024). Enhancing student engagement through artificial intelligence (AI): Understanding the basics, opportunities, and challenges. Journal of University Teaching and Learning Practice, 21(6), 1-13.‏ https://orcid.org/0000-0002-0759-9656
Nguyen, T. D. Cannata, M & Miller, J. (2018). Understanding student behavioral engagement: Importance of student interaction with peers and teachers. The journal of educational research, 111(2), 163-174.‏ https://psycnet.apa.org/doi/10.1080/00220671.2016.1220359
Osasona, F. Amoo, O. O. Atadoga, A. Abrahams, T. O. Farayola, O. A & Ayinla, B. S. (2024). Reviewing the ethical implications of AI in decision making processes. International Journal of Management  & Entrepreneurship Research, 6(2), 322-335.‏ https://doi.org/10.51594/ijmer.v6i2.773
Pahlavan Sharif, Saeed, & Sharif-Nia, Seyed Hamid. (2024). Tahlil-e ‘Amel va Model-sazi-ye Mo’adele-haye Sakhtari ba Software SPSS va AMOS. Tehran: Entesharat-e Jame’-Negar [In Persian]
Polatgil, M & Guler, A. (2023). Adaptation of artificial intelligence literacy scale into Turkish. Sosyal Bilimlerde Nicel Araştırmalar Dergisi, 3(2), 99-114.
Prior, D. D. Mazanov, J. Meacheam, D. Heaslip, G & Hanson, J. (2016). Attitude, digital literacy and self efficacy: Flow-on effects for online learning behavior. The Internet and Higher Education, 29, 91-97.‏ http://dx.doi.org/10.1016/j.iheduc.2016.01.001
Promma, W. Imjai, N. Usman, B & Aujirapongpan, S. (2025). The influence of AI literacy on complex problem-solving skills through systematic thinking skills and intuition thinking skills: An empirical study in Thai gen Z accounting students. Computers and Education: Artificial Intelligence, 100382.‏ https://doi.org/10.1016/j.caeai.2025.100382
Ramos, J. L. S. Dolipas, B. B & Villamor, B. B. (2013). Higher order thinking skills and academic performance in physics of college students: A regression analysis. International Journal of Innovative Interdisciplinary Research, 4(1), 48-60.‏ https://www.researchgate.net/publication/333506487_Higher_Order_Thinking_Skills_and_Academic_Performance_in_Physics_of_College_Students_A_Regression_Analysis
Robert, A. Potter, K & Frank, L. (2024). The impact of artificial intelligence on students' learning experience. Wiley Interdisciplinary Reviews: Computational Statistics, 2(01), 1-16. http://dx.doi.org/10.2139/ssrn.4716747
Rus-Casas, C. Eliche-Quesada, D. Aguilar-Peña, J. D., Jiménez-Castillo, G & La Rubia, M. D. (2020). The impact of the entrepreneurship promotion programs and the social networks on the sustainability entrepreneurial motivation of engineering students. Sustainability, 12(12), 4935.‏ https://doi.org/10.3390/su12124935
Southworth, J. Migliaccio, K. Glover, J. Glover, J. N. Reed, D. McCarty, C. & Thomas, A. (2023). Developing a model for AI Across the curriculum: Transforming the higher education landscape via innovation in AI literacy. Computers and Education: Artificial Intelligence, 4, 100127.‏ https://doi.org/10.1016/j.caeai.2023.100127
Stancu, M. S & Dutescu, A. (2021). The impact of the Artificial Intelligence on the accounting profession, a literature’s assessment. In Proceedings of the International Conference on Business Excellence (Vol. 15, No. 1, pp. 749-758). Sciendo.‏ http://dx.doi.org/10.2478/picbe-2021-0070
Tugtekin, E. B & Koc, M. (2020). Understanding the relationship between new media literacy, communication skills, and democratic tendency: Model development and testing. New media  & society, 22(10), 1922-1941.‏ https://doi.org/10.1177/1461444819887705
Turgut, M. Kutlu, G & Mut, S. (2018). Determination of the relationship between communication skills and social media use of health management department students. The Journal of Business Science, 6(1), 185-205.‏ https://doi.org/10.22139/jobs.361049
van den Berg, G & du Plessis, E. (2023). ChatGPT and generative AI: Possibilities for its contribution to lesson planning, critical thinking and openness in teacher education. Education Sciences, 13(10), 998.‏ https://doi.org/10.3390/educsci13100998
Wang, B. Rau, P. L. P & Yuan, T. (2023). Measuring user competence in using artificial intelligence: validity and reliability of artificial intelligence literacy scale. Behaviour  & information technology, 42(9), 1324-1337.‏ https://doi.org/10.1080/0144929X.2022.2072768
Yao, N & Wang, Q. (2024). Factors influencing pre-service special education teachers’ intention toward AI in education: Digital literacy, teacher self-efficacy, perceived ease of use, and perceived usefulness. Heliyon, 10(14), 1-13. ‏ https://doi.org/10.1016/j.heliyon.2024.e34894
Zhao, L. Wu, X & Luo, H. (2022). Developing AI literacy for primary and middle school teachers in China: Based on a structural equation modeling analysis. Sustainability, 14(21), 14549.‏ https://doi.org/10.3390/su142114549

Files

History

  • Receive Date: 02 April 2025
  • Revise Date: 03 May 2025
  • Accept Date: 07 June 2025
  • First Publish Date: 22 June 2025
  • Publish Date: 22 June 2025

Share

How to cite

Statistics