Ha-Kyeong Jo

The expanding integration of digital technologies and artificial intelligence (AI) in higher education has heightened the need to identify learner competencies associated with academic achievement. This study examined the associations of metacognition, self-directed learning ability, and AI literacy with self-reported academic achievement among university students in the Republic of Korea. A descriptive cross-sectional survey was conducted with 175 undergraduates from 11 universities between September 30 and November 1, 2025; 78.3% were enrolled in health-related majors. Metacognition, self-directed learning ability, and AI literacy were measured using the SMI, SDLI, and MAILS, respectively; academic achievement was measured as self-reported cumulative GPA on a 4.5-point scale. Data were analyzed using descriptive statistics, group comparisons, Pearson correlations, and hierarchical multiple regression with HC3 heteroscedasticity-robust standard errors. GPA differed by age, school life satisfaction, and AI-related course experience in unadjusted comparisons. Metacognition (r = .348, p < .001) and self-directed learning ability (r = .377, p < .001) were positively correlated with GPA, whereas AI literacy was not (r = .105, p = .167). In the adjusted six-predictor model, age ( β = .151, p = .023), AI-related course experience ( β = .145, p = .040), and self-directed learning ability ( β = .329, p = .023) were independently associated with GPA; metacognition and AI literacy were not. The model explained 20.0% of the variance (adjusted R 2 = .171). These findings identify self-directed learning ability as the only examined learner competency that remained significantly associated with GPA after adjustment. Longitudinal and intervention studies are needed before causal or mediational conclusions can be drawn.

ادغام فزاینده فناوری‌های دیجیتال و هوش مصنوعی (AI) در آموزش عالی، نیاز به شناسایی شایستگی‌های یادگیرندگان مرتبط با پیشرفت تحصیلی را افزایش داده است. این مطالعه ارتباط‌های فراشناخت، توانایی یادگیری خودراهبر، و سواد هوش مصنوعی را با پیشرفت تحصیلی خودگزارش‌شده در میان دانشجویان دانشگاهی در جمهوری کره بررسی کرد. یک پیمایش توصیفی مقطعی با ۱۷۵ دانشجوی کارشناسی از ۱۱ دانشگاه بین ۳۰ سپتامبر تا ۱ نوامبر ۲۰۲۵ انجام شد؛ ۷۸٫۳٪ در رشته‌های مرتبط با سلامت تحصیل می‌کردند. فراشناخت، توانایی یادگیری خودراهبر، و سواد هوش مصنوعی به‌ترتیب با استفاده از SMI، SDLI و MAILS سنجیده شدند؛ پیشرفت تحصیلی به‌صورت معدل تجمعی خودگزارش‌شده در مقیاس ۴٫۵ نمره‌ای اندازه‌گیری شد. داده‌ها با استفاده از آمار توصیفی، مقایسه‌های گروهی، همبستگی پیرسون و رگرسیون چندگانه سلسله‌مراتبی با خطاهای استاندارد مقاوم به ناهمگنی واریانس HC3 تحلیل شدند. معدل (GPA) در مقایسه‌های بدون تعدیل بر اساس سن، رضایت از زندگی دانشگاهی و تجربه گذراندن دوره‌های مرتبط با هوش مصنوعی متفاوت بود. فراشناخت (r = .348, p < .001) و توانایی یادگیری خودراهبر (r = .377, p < .001) با معدل رابطه مثبت داشتند، در حالی که سواد هوش مصنوعی چنین نبود (r = .105, p = .167). در مدل شش‌پیش‌بین تعدیل‌شده، سن (β = .151, p = .023)، تجربه گذراندن دوره‌های مرتبط با هوش مصنوعی (β = .145, p = .040)، و توانایی یادگیری خودراهبر (β = .329, p = .023) به طور مستقل با معدل مرتبط بودند؛ فراشناخت و سواد هوش مصنوعی مرتبط نبودند. این مدل ۲۰٫۰٪ از واریانس را تبیین کرد (R² تعدیل‌شده = .171). این یافته‌ها توانایی یادگیری خودراهبر را به عنوان تنها شایستگی یادگیرنده بررسی‌شده که پس از تعدیل همچنان با معدل ارتباط معنادار داشت، شناسایی می‌کند. پیش از نتیجه‌گیری علّی یا میانجی‌گرانه، مطالعات طولی و مداخله‌ای مورد نیاز است.