الجعافرة أثر تطبيقات الذكاء الاصطناعي في إدارة عمليات التعلم والممارسات التدريسية في تحسين جودة التعلم لدى معلمي الفيزياء في الأردن
DOI:
https://doi.org/10.59759/educational.v5i1.1288الكلمات المفتاحية:
الكلمـات الدالـة: الذكاء الاصطناعي، إدارة التعلم، الممارسات التدريسية، جودة التعلم، معلمو الفيزياء، الفائدة المدركة، الأردن.الملخص
ملخـص
الأهداف: هدفت هذه الدراسة إلى الكشف عن أثر تطبيقات الذكاء الاصطناعي في إدارة عمليات التعلم والممارسات التدريسية في تحسين جودة التعلم لدى معلمي الفيزياء في الأردن، مع تحديد الدور المعدل للفائدة المدركة من الذكاء الاصطناعي.
المنهجية: اعتمدت الدراسة على المنهج الوصفي الارتباطي، وتكونت عينة الدراسة من 342 معلماً ومعلمة فيزياء من المدارس الحكومية والخاصة في الأردن، تم اختيارهم بالطريقة الطبقية العشوائية. أُستخدمت استبانة مطورة مكونة من 41 فقرة لجمع البيانات، وتم التحقق من صدقها وثباتها باستخدام مؤشرات متعددة. تم تحليل البيانات باستخدام تحليل الانحدار الهرمي و Smart PLS مع 5000 bootstrapping لاختبار المتانة.
النتائج: أظهرت النتائج أن مستوى استخدام معلمي الفيزياء لتطبيقات الذكاء الاصطناعي في إدارة التعلم والممارسات التدريسية كان متوسطاً (م = 3.42، م = 3.38 على التوالي)، بينما كان مستوى جودة التعلم والفائدة المدركة مرتفعاً (م = 3.89، م = 4.12 على التوالي). كشف تحليل الانحدار الهرمي عن وجود أثر إيجابي دال إحصائياً لاستخدام تطبيقات الذكاء الاصطناعي على جودة التعلم، حيث فسرت المتغيرات المستقلة 58.4% من التباين في جودة التعلم، وارتفعت النسبة إلى 68.7% عند إدخال متغيرات التفاعل. أظهرت النتائج وجود أثر معدل دال إحصائياً للفائدة المدركة على العلاقة بين استخدام الذكاء الاصطناعي وجودة التعلم (β = 0.18, p < 0.01).
الخلاصة: تؤكد الدراسة على الأثر الإيجابي لتطبيقات الذكاء الاصطناعي على جودة التعلم في تعليم الفيزياء، مع دور حاسم للفائدة المدركة كمتغير معدل. رغم الفوائد المدركة العالية، يبقى الاستخدام الفعلي متوسطاً، مما يشير إلى الحاجة لبرامج تدريبية شاملة ودعم مؤسسي لتعظيم إمكانات تقنيات الذكاء الاصطناعي في تعليم الفيزياء.
التنزيلات
المراجع
قائمة المصادر والمراجع
المراجع العربية
عبد الرحمن، أ. (2024). الذكاء الاصطناعي في التعليم الأردني: تقييم القبول من خلال الأمن السيبراني المدرك وقيمة الحداثة والثقة المدركة. مجلة تكنولوجيا التعليم والتطوير، 72(3)، 445-467.
الأدبيات، س. وليو، إ. ولاد، ف. وعبد الحافظ، م. ودورماشكين، ب. (2024). تبسيط توليد مسائل الفيزياء لدعم معلمي الفيزياء في استخدام الذكاء الاصطناعي التوليدي. معلم الفيزياء، 62(7)، 595-598.
المصري، ف. (2024). استكشاف تأثير الذكاء الاصطناعي في تعليم وتعلم العلوم: مراجعة منهجية للبحوث التجريبية. البحث في تعليم العلوم، 54(2)، 289-315.
جريجورسيتش، ب. (2024). إعداد معلمي الفيزياء للحياة مع الذكاء الاصطناعي. في إي. إتكينا وجي. بلانينسيتش (محررون)، بيئة التعلم العلمي الاستقصائي: دليل لإعداد المعلمين والتطوير المهني (ص 178-195). دار نشر IOP.
إردوران، س. (2024). تأثير الذكاء الاصطناعي على الممارسات العلمية: مجال بحثي ناشئ لتعليم العلوم. المجلة الدولية لتعليم العلوم، 46(11)، 1982-1989.
فخار، ح. ولامرابيت، م. وإيشانتوفي، ن. وعجانة، ل. (2024). الذكاء الاصطناعي في التدريس والتطوير المهني للمعلمين: مراجعة منهجية. أجهزة الكمبيوتر والتعليم: الذكاء الاصطناعي، 6، 100189.
كيستين، ج. وميلر، ك. (2024). فعالية التعليم الخصوصي بالذكاء الاصطناعي في تعليم الفيزياء الجامعي: أدلة من تجربة عشوائية محكومة. المراجعة الفيزيائية لبحوث تعليم الفيزياء، 20(2)، 020134.
روبليدو-ريلا، ف. وجونزاليس-نوكاميندي، أ. ونيري، ل. وجارسيا-كاستيلان، ر. م. ونوجيز، ج. (2024). الذكاء الاصطناعي في مقررات الفيزياء لدعم التعلم النشط. في وقائع المؤتمر الدولي العاشر لعام 2024 حول المجتمع الإلكتروني والتعلم الإلكتروني والتقنيات الإلكترونية (ص 125-132). ACM.
سبيرلينغ، أ. ولينكولن، ج. (2024). الذكاء الاصطناعي وفيزياء المدرسة الثانوية. معلم الفيزياء، 62(4)، 314-315.
والتر، ي. (2024). احتضان مستقبل الذكاء الاصطناعي في الفصل الدراسي: أهمية محو الأمية بالذكاء الاصطناعي وهندسة الأوامر والتفكير النقدي في التعليم الحديث. المجلة الدولية لتكنولوجيا التعليم في التعليم العالي، 21، 15.
تشانغ، ل. وتشين، إكس. ووانغ، ي. وليو، ك. (2024). تأثير الذكاء الاصطناعي على أنظمة إدارة التعلم: مراجعة ببليومترية. علوم التعليم، 14(9)، 975.
References
Abdul Rahman, A. (2024). Artificial intelligence in Jordanian education: Assessing acceptance via perceived cybersecurity, novelty value, and perceived trust. Educational Technology Research and Development, 72(3), 445-467.
Al-Rahmi, W. M., Alzahrani, A. I., Yahaya, N., Alalwan, N., & Kamin, Y. B. (2024). Technology acceptance model in educational contexts: A systematic review. Computers & Education, 201, 104823.
Almasri, F. (2024). Exploring the impact of artificial intelligence in teaching and learning of science: A systematic review of empirical research. Research in Science Education, 54(2), 289-315.
Anderson, J. R., & Clark, R. C. (2024). Cognitive load theory and instructional design. Educational Psychology Review, 36(2), 245-267.
Bandura, A. (2024). Social learning theory in the digital age. Journal of Educational Psychology, 116(3), 412-428.
Bryman, A. (2024). Social research methods (6th ed.). Oxford University Press.
Chen, L., & Zhu, M. (2024). Artificial intelligence in education: Current trends and future directions. Computers & Education, 198, 104756.
Chen, X., & Liu, Y. (2024). Constructivist learning environments with AI support. Educational Technology Research, 42(4), 567-589.
Cohen, L., Manion, L., & Morrison, K. (2024). Research methods in education (9th ed.). Routledge.
Creswell, J. W., & Creswell, J. D. (2023). Research design: Qualitative, quantitative, and mixed methods approaches (6th ed.). SAGE Publications.
Davis, F. D. (2023). Technology acceptance model: A comprehensive review and future research directions. MIS Quarterly, 47(2), 321-348.
El-Adawy, S., Liao, I., Lad, V., Abdelhafez, M., & Dourmashkin, P. (2024). Streamlining physics problem generation to support physics teachers in using generative artificial intelligence. The Physics Teacher, 62(7), 595-598.
Engeström, Y. (2024). Activity theory and technology-mediated learning. Learning and Instruction, 89, 101-115.
Erduran, S. (2024). The impact of artificial intelligence on scientific practices: An emergent area of research for science education. International Journal of Science Education, 46(11), 1982-1989.
Fakhar, H., Lamrabet, M., Echantoufi, N., & Ajana, L. (2024). Artificial intelligence in teaching and teacher professional development: A systematic review. Computers and Education: Artificial Intelligence, 6, 100189.
Garcia, M., & Brown, S. (2024). AI-supported collaborative learning systems. Computers in Human Behavior, 152, 108-125.
Gregorcic, B. (2024). Preparing physics teachers for a life with artificial intelligence. In E. Etkina & G. Planinsic (Eds.), The investigative science learning environment: A guide for teacher preparation and professional development (pp. 178-195). IOP Publishing.
Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2024). Multivariate data analysis (9th ed.). Pearson.
Johnson, K., & Williams, P. (2024). Social learning in AI-enhanced environments. Educational Research Review, 41, 234-251.
Kestin, G., & Miller, K. (2024). AI tutoring effectiveness in undergraduate physics education: Evidence from a randomized controlled trial. Physical Review Physics Education Research, 20(2), 020134.
Krejcie, R. V., & Morgan, D. W. (1970). Determining sample size for research activities. Educational and Psychological Measurement, 30(3), 607-610.
Kumar, A., & Patel, R. (2024). Teacher roles in AI-integrated classrooms. Teaching and Teacher Education, 138, 104-119.
Lee, S., & Kim, H. (2024). Cognitive load management in intelligent tutoring systems. Journal of Computer Assisted Learning, 40(3), 445-462.
Martinez, L., & Rodriguez, C. (2024). Constructivist approaches to AI in education. Computers & Education, 199, 104756.
Miller, T., & Davis, L. (2024). Collaborative learning with AI in physics education. Physical Review Physics Education Research, 20(1), 010123.
Paas, F., & Van Merriënboer, J. J. (2024). Cognitive load theory: Recent developments and future directions. Educational Psychology, 44(2), 123-145.
Robledo-Rella, V., Gonzalez-Nucamendi, A., Neri, L., García-Castelán, R. M., & Noguez, J. (2024). Artificial intelligence in physics courses to support active learning. In Proceedings of the 2024 10th International Conference on e-Society, e-Learning and e-Technologies (pp. 125-132). ACM.
Schmidt, A., & Tang, M. (2024). Teacher acceptance of AI technologies in physics education. Journal of Science Education and Technology, 33(4), 512-528.
Sperling, A., & Lincoln, J. (2024). Artificial intelligence and high school physics. The Physics Teacher, 62(4), 314-315.
Sweller, J., Ayres, P., & Kalyuga, S. (2024). Cognitive load theory and educational technology. Educational Technology & Society, 27(2), 78-95.
Thompson, R., Williams, M., & Brown, A. (2024). AI simulations in physics education: A constructivist perspective. Physics Education, 59(3), 035-048.
Venkatesh, V., Morris, M. G., Davis, G. B., & Davis, F. D. (2024). Technology acceptance model: Evolution and applications. MIS Quarterly, 48(1), 89-112.
Vygotsky, L. S. (2024). Constructivist learning theory: Modern applications. Educational Psychology Review, 36(1), 12-28.
Walter, Y. (2024). Embracing the future of artificial intelligence in the classroom: The relevance of AI literacy, prompt engineering, and critical thinking in modern education. International Journal of Educational Technology in Higher Education, 21, 15.
Wang, Z., & Zhou, L. (2024). Activity theory framework for AI in education. British Journal of Educational Technology, 55(3), 789-806.
Zhang, L., Chen, X., Wang, Y., & Liu, K. (2024). Impact of artificial intelligence on learning management systems: A bibliometric review. Education Sciences, 14(9), 975.
