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.v5i1.1288Keywords:
Keywords: Artificial Intelligence, Learning Management, Teaching Practices, Learning Quality, Physics Teachers, Perceived Usefulness, Jordan.Abstract
ABSTRACT
Objectives: This study aimed to investigate the impact of artificial intelligence applications in learning management and teaching practices on improving learning quality among physics teachers in Jordan, while determining the moderating role of perceived usefulness of artificial intelligence.
Methods: The study adopted a descriptive correlational approach with a stratified random sample of 342 physics teachers from public and private schools in Jordan. A developed questionnaire consisting of 41 items was used for data collection, and its validity and reliability were verified using multiple indicators. Data were analyzed using hierarchical regression analysis and Smart PLS with 5000 bootstrapping for robustness testing.
Results: The results showed that the level of physics teachers' use of artificial intelligence applications in learning management and teaching practices was moderate (M = 3.42, M = 3.38, respectively), while the level of learning quality and perceived usefulness was high (M = 3.89, M = 4.12, respectively). Hierarchical regression analysis revealed a statistically significant positive impact of artificial intelligence applications use on learning quality, where independent variables explained 58.4% of the variance in learning quality, rising to 68.7% when interaction variables were included. The results showed a statistically significant moderating effect of perceived usefulness on the relationship between artificial intelligence use and learning quality (β = 0.18, p < 0.01).
Conclusions: The study confirms the positive impact of AI applications on learning quality in physics education, with perceived usefulness playing a crucial moderating role. Despite high perceived benefits, actual usage remains moderate, indicating the need for comprehensive training programs and institutional support to maximize the potential of AI technologies in physics education.
Downloads
References
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.
