Teachers’ self-regulated learning profiles in artificial intelligence contexts: implications for differentiated professional development
نمایه‌های یادگیری خودتنظیمی معلمان در زمینه‌های هوش مصنوعی: پیامدها برای توسعه حرفه‌ای تفکیک‌شده
چکیده
Introduction The rapid integration of artificial intelligence (AI) into education requires teachers to develop new competencies and manage their own learning. While research has examined teachers’ AI attitudes, acceptance, and literacy, less is known about how they regulate their learning in AI contexts. This study examined teachers’ self-regulated learning (SRL) profiles and their associations with demographic characteristics and AI-related experience. Methods In a descriptive survey, 213 in-service teachers completed the Artificial Intelligence Self-Regulated Learning Scale for Teachers (AI-SRLS). Two-Step Cluster Analysis was conducted using five dimensions: task planning, self-monitoring, help seeking, institutional support, and self-evaluation. Results Two profiles emerged: High Strategic Learners, who scored consistently higher across all five dimensions, and Limited Strategy Users, who reported comparatively lower strategy use. Profile membership was significantly associated with prior AI experience and AI-related training. Gender, age, and professional experience did not significantly differentiate the profiles. Discussion Teachers’ AI-related SRL strategies co-occur in distinct profiles, supporting a differentiated approach to professional development. Teachers with limited strategy use may benefit from structured guidance, scaffolded AI learning opportunities, and stronger institutional support, while highly strategic learners may benefit from more autonomous and advanced learning opportunities.
مقدمه: ادغام سریع هوش مصنوعی (AI) در آموزش و پرورش، معلمان را ملزم می‌کند تا شایستگی‌های جدیدی را توسعه دهند و یادگیری خود را مدیریت کنند. در حالی که پژوهش‌ها نگرش‌ها، پذیرش و سواد هوش مصنوعی معلمان را بررسی کرده‌اند، اطلاعات کمتری درباره نحوه تنظیم یادگیری آن‌ها در زمینه‌های هوش مصنوعی وجود دارد. این مطالعه به بررسی نمایه‌های یادگیری خودتنظیمی (SRL) معلمان و ارتباط آن‌ها با ویژگی‌های جمعیت‌شناختی و تجربه مرتبط با هوش مصنوعی پرداخت. روش‌ها: در یک پژوهش توصیفی-پیمایشی، 213 معلم شاغل مقیاس یادگیری خودتنظیمی هوش مصنوعی برای معلمان (AI-SRLS) را تکمیل کردند. تحلیل خوشه‌ای دو مرحله‌ای با استفاده از پنج بُعد شامل برنامه‌ریزی وظیفه، خودنظارتی، کمک‌خواهی، حمایت نهادی و خودارزیابی انجام شد. یافته‌ها: دو نمایه شناسایی شد: یادگیرندگان راهبردی بالا که در تمامی ابعاد پنج‌گانه به طور مداوم امتیاز بالاتری کسب کردند و کاربران راهبرد محدود که استفاده نسبتاً کمتری از راهبردها را گزارش دادند. عضویت در نمایه به طور معناداری با تجربه قبلی هوش مصنوعی و آموزش مرتبط با هوش مصنوعی ارتباط داشت. جنسیت، سن و سابقه حرفه‌ای تفاوت معناداری میان نمایه‌ها ایجاد نکرد. بحث: راهبردهای یادگیری خودتنظیمی معلمان مرتبط با هوش مصنوعی در نمایه‌های متمایز همزمان رخ می‌دهد و از رویکرد تفکیک‌شده در توسعه حرفه‌ای حمایت می‌کند. معلمانی که استفاده محدودی از راهبردها دارند، ممکن است از راهنمایی ساختاریافته، فرصت‌های یادگیری هوش مصنوعی با پشتیبانی و حمایت نهادی قوی‌تر بهره‌مند شوند، در حالی که یادگیرندگان بسیار راهبردی می‌توانند از فرصت‌های یادگیری خودگردان و پیشرفته‌تر سود ببرند.