Torebay Turmambekov

Artificial intelligence (AI) is increasingly being integrated into higher education, yet empirical evidence on its pedagogical use in university physics remains fragmented. This systematic review synthesized empirical research on the applications, reported learning and pedagogical outcomes, methodological quality, challenges, and educational implications of AI-supported university physics education. We used six search sources: SpringerLink, Scopus, Web of Science, ScienceDirect, Google Scholar, and ERIC. The searches in the five original sources were updated through September 2026, and ERIC was added as an additional search source. Eligibility criteria were defined using the PICOS framework, study selection followed PRISMA 2020, and methodological quality was appraised using the 2018 Mixed Methods Appraisal Tool (MMAT). Eleven empirical studies met the inclusion criteria and were synthesized narratively. Across the included studies, AI was used for tutoring and explanations, formative feedback and scaffolding, collaborative problem solving, simulation and modeling, instructional design, and developing AI literacy. Reported outcomes were mixed and context-dependent. Some studies identified favorable short-term or task-specific outcomes related to feedback, learning performance, simulation-based activities, and AI-related competencies, whereas others reported limitations in transfer to independent performance, the pedagogical quality of AI-generated materials, and students’ ability to recognize scientifically inaccurate AI-generated responses. Cross-study patterns suggested that instructional structure, alignment between AI-supported activities and learning tasks, students’ disciplinary knowledge, and opportunities to critically evaluate AI outputs shaped the educational use of AI. The current evidence does not support a general conclusion that AI is uniformly effective in university physics education. Rather, its educational value appears to depend on how AI is integrated into learning activities and on the extent to which students and instructors retain responsibility for reasoning, evaluation, and pedagogical decision-making. Given the small and heterogeneous evidence base, larger longitudinal and multi-institutional studies are needed to examine the durability and transferability of reported outcomes.

هوش مصنوعی (AI) به طور فزاینده‌ای در آموزش عالی ادغام می‌شود، اما شواهد تجربی درباره کاربرد آموزشی آن در فیزیک دانشگاهی همچنان پراکنده است. این مرور نظام‌مند، پژوهش‌های تجربی درباره کاربردها، پیامدهای یادگیری و آموزشی گزارش‌شده، کیفیت روش‌شناختی، چالش‌ها و پیامدهای آموزشی آموزش فیزیک دانشگاهی مبتنی بر هوش مصنوعی را سنتز کرده است. شش منبع جستجو مورد استفاده قرار گرفت: SpringerLink، Scopus، Web of Science، ScienceDirect، Google Scholar و ERIC. جستجوها در پنج منبع اصلی تا سپتامبر ۲۰۲۶ به‌روزرسانی شد و ERIC به عنوان منبع جستجوی اضافی افزوده شد. معیارهای شایستگی با استفاده از چارچوب PICOS تعریف شد، انتخاب مطالعات بر اساس PRISMA 2020 انجام گرفت و کیفیت روش‌شناختی با ابزار ارزیابی روش‌های ترکیبی ۲۰۱۸ (MMAT) سنجیده شد. یازده مطالعه تجربی معیارهای ورود را داشتند و به صورت روایی سنتز شدند. در مطالعات وارد شده، AI برای آموزش و توضیح، بازخورد تکوینی و پشتیبانی، حل مسئله گروهی، شبیه‌سازی و مدل‌سازی، طراحی آموزشی و توسعه سواد هوش مصنوعی به کار رفته بود. پیامدهای گزارش‌شده متنوع و وابسته به زمینه بودند. برخی مطالعات پیامدهای مثبت کوتاه‌مدت یا خاص وظیفه مرتبط با بازخورد، عملکرد یادگیری، فعالیت‌های مبتنی بر شبیه‌سازی و شایستگی‌های مرتبط با AI را شناسایی کردند، در حالی که برخی دیگر به محدودیت‌هایی در انتقال به عملکرد مستقل، کیفیت آموزشی مواد تولیدشده توسط AI و توانایی دانشجویان در تشخیص پاسخ‌های علمی نادرست تولیدشده توسط AI اشاره کردند. الگوهای میان‌مطالعه‌ای نشان داد که ساختار آموزشی، هم‌راستایی میان فعالیت‌های مبتنی بر AI و وظایف یادگیری، دانش تخصصی دانشجویان و فرصت‌های ارزیابی انتقادی خروجی‌های AI، استفاده آموزشی از هوش مصنوعی را شکل می‌دهد. شواهد موجود از نتیجه‌گیری کلی مبنی بر اثربخشی یکنواخت AI در آموزش فیزیک دانشگاهی حمایت نمی‌کند؛ بلکه ارزش آموزشی آن به نحوه ادغام AI در فعالیت‌های یادگیری و میزان حفظ مسئولیت استدلال، ارزیابی و تصمیم‌گیری آموزشی توسط دانشجویان و مدرسان بستگی دارد. با توجه به شواهد اندک و ناهمگون، مطالعات طولی و چندنهادی بزرگ‌تر برای بررسی پایداری و انتقال‌پذیری پیامدهای گزارش‌شده مورد نیاز است.