Michael Spanier

Introduction Promoting scientific argumentation in the context of socio-scientific issues remains a major challenge in science education. Artificial intelligence offers new opportunities to provide adaptive feedback on students’ written arguments; however, little is known about learners’ perceptions of hybrid learning environments that combine AI-supported feedback with peer feedback under authentic classroom conditions. This study presents the development and pilot evaluation of SMOKEChem, a web-based learning environment designed to foster scientific argumentation through AI-supported and collaborative feedback processes. Methods An exploratory mixed-methods design was employed to investigate learners’ perceptions of SMOKEChem during regular chemistry lessons. A total of 130 secondary school students (mean age = 15 years) participated in the study. Quantitative data were collected using questionnaires assessing technology acceptance, cognitive load, and chatbot usability, while qualitative responses explored students’ perceptions of peer feedback. Results The findings indicate that SMOKEChem was perceived as useful, user-friendly, and cognitively balanced, with low levels of extraneous cognitive load and high levels of germane cognitive load. Furthermore, students perceived AI-supported and peer feedback as fulfilling complementary functions: acceptance and usability data indicate that AI provided immediate, structured guidance for revising arguments, while qualitative data on peer feedback point to dialogic reflection, perspective-taking, and collaborative knowledge construction. Discussion The findings provide initial empirical evidence that hybrid feedback designs combining AI-supported and peer feedback can effectively support scientific argumentation in socio-scientific contexts. The complementary strengths of both feedback sources highlight the potential of integrating AI into collaborative learning environments rather than replacing peer interaction. These results provide practical implications for the design of AI-supported argumentation environments and inform future research on hybrid feedback approaches in science education.

مقدمه: ارتقای استدلال علمی در زمینه مسائل اجتماعی-علمی همچنان یکی از چالش‌های عمده در آموزش علوم به‌شمار می‌رود. هوش مصنوعی فرصت‌های جدیدی را برای ارائه بازخورد تطبیقی بر استدلال‌های نوشتاری دانش‌آموزان فراهم می‌کند؛ با این حال، اطلاعات اندکی درباره ادراک یادگیرندگان از محیط‌های یادگیری ترکیبی که بازخورد مبتنی بر هوش مصنوعی را با بازخورد همتایان در شرایط واقعی کلاس درس تلفیق می‌کنند، وجود دارد. این مطالعه به معرفی توسعه و ارزیابی اولیه SMOKEChem، یک محیط یادگیری مبتنی بر وب که با هدف تقویت استدلال علمی از طریق فرآیندهای بازخورد مبتنی بر هوش مصنوعی و همکاری طراحی شده است، می‌پردازد. روش‌ها: یک طرح اکتشافی آمیخته برای بررسی ادراک یادگیرندگان از SMOKEChem در جریان کلاس‌های معمول شیمی به‌کار گرفته شد. در مجموع ۱۳۰ دانش‌آموز دبیرستانی (میانگین سنی = ۱۵ سال) در این پژوهش شرکت کردند. داده‌های کمی از طریق پرسشنامه‌هایی درباره پذیرش فناوری، بار شناختی و قابلیت استفاده چت‌بات گردآوری شد و پاسخ‌های کیفی به بررسی ادراک دانش‌آموزان از بازخورد همتایان پرداخت. یافته‌ها: نتایج نشان داد که SMOKEChem به‌عنوان ابزاری مفید، کاربرپسند و دارای تعادل شناختی ادراک شد و سطوح بار شناختی بیرونی پایین و بار شناختی سازنده بالایی را نشان داد. افزون بر این، دانش‌آموزان بازخورد مبتنی بر هوش مصنوعی و بازخورد همتایان را دارای کارکردهای مکمل تلقی کردند: داده‌های پذیرش و قابلیت استفاده نشان داد که هوش مصنوعی راهنمایی فوری و ساختاریافته‌ای برای بازنگری استدلال‌ها ارائه می‌دهد، در حالی که داده‌های کیفی درباره بازخورد همتایان به بازتاب گفت‌وگویی، دیدگاه‌پذیری و ساخت دانش مشارکتی اشاره داشت. بحث: یافته‌ها شواهد تجربی اولیه‌ای ارائه می‌دهند که طراحی بازخورد ترکیبی با ادغام بازخورد مبتنی بر هوش مصنوعی و بازخورد همتایان می‌تواند به‌طور مؤثری از استدلال علمی در زمینه‌های اجتماعی-علمی حمایت کند. نقاط قوت مکمل هر دو منبع بازخورد، پتانسیل ادغام هوش مصنوعی در محیط‌های یادگیری مشارکتی به‌جای جایگزینی تعامل همتایان را برجسته می‌کند. این نتایج پیامدهای عملی برای طراحی محیط‌های استدلال مبتنی بر هوش مصنوعی داشته و پژوهش‌های آتی درباره رویکردهای بازخورد ترکیبی در آموزش علوم را هدایت می‌کند.