Bridging (networking)

This study explored strategies for bridging AI-mediated educational inequalities in Open and Distance eLearning (ODeL) using Zimbabwe Open University as a case study. The study was grounded in the Capability Approach, which emphasises individuals’ ability to access and effectively utilise resources to achieve valued outcomes. A qualitative instrumental case study design was employed to gain an in-depth understanding of the interventions required to promote equitable participation in AI-enabled learning among geographically diverse student populations. Data were generated through semi-structured interviews with seven lecturers and one quality assurance coordinator, as well as focus group discussions with 14 students from diverse geographical and socioeconomic backgrounds. The data were analysed using Braun and Clarke's six-phase thematic analysis approach. The findings revealed four major strategies for bridging AI -mediated educational inequalities: digital infrastructure development, AI and digital literacy capacity building, inclusive institutional policies and support systems, and multi-stakeholder partnership and resource mobilisation. The study found that these strategies have the potential to enhance equitable access to AI-enabled learning resources, strengthen students’ digital capabilities, improve participation in AI-supported learning environments and reduce disparities between urban and rural learners. However, the effectiveness of these strategies may be constrained by limited financial resources, inadequate technological infrastructure, uneven digital literacy levels and policy implementation challenges. The study concludes that bridging AI-mediated educational inequalities requires a holistic approach that combines technological investment, capacity development, institutional commitment, and collaborative partnership. The study contributes to the emerging literature by showing that AI-mediated educational inequality extends beyond conventional digital access to include differences in AI literacy, institutional support, and students’ capabilities to convert AI resources into meaningful learning opportunities. The study recommends that ODeL institutions adopt inclusive AI integration frameworks that prioritise equitable access, digital empowerment, and targeted support for disadvantaged learners to ensure that the benefits of AI are accessible to all students regardless of geographical location.

این مطالعه به بررسی راهبردهایی برای پل زدن بر نابرابری‌های آموزشی مبتنی بر هوش مصنوعی در آموزش باز و از راه دور الکترونیکی (ODeL) با استفاده از دانشگاه باز زیمبابوه به عنوان مطالعه موردی پرداخت. این پژوهش بر رویکرد قابلیت استوار بود که بر توانایی افراد در دسترسی و بهره‌برداری مؤثر از منابع برای دستیابی به پیامدهای ارزشمند تأکید دارد. از طرح مطالعه موردی ابزاری کیفی برای درک عمیق مداخلات مورد نیاز جهت ارتقای مشارکت برابر در یادگیری مبتنی بر هوش مصنوعی در میان جمعیت دانشجویی با پراکندگی جغرافیایی مختلف استفاده شد. داده‌ها از طریق مصاحبه‌های نیمه‌ساختاریافته با هفت مدرس و یک هماهنگ‌کننده تضمین کیفیت و همچنین بحث‌های گروهی متمرکز با ۱۴ دانشجو از پیشینه‌های جغرافیایی و اجتماعی-اقتصادی متنوع گردآوری شد. داده‌ها با استفاده از رویکرد تحلیل تماتیک شش‌مرحله‌ای Braun و Clarke تحلیل شدند. یافته‌ها چهار راهبرد اصلی برای پل زدن بر نابرابری‌های آموزشی مبتنی بر هوش مصنوعی را آشکار ساخت: توسعه زیرساخت دیجیتال، توانمندسازی سواد دیجیتال و هوش مصنوعی، سیاست‌ها و نظام‌های حمایتی فراگیر در سطح نهادی، و مشارکت چندذینفعی و بسیج منابع. پژوهش نشان داد که این راهبردها می‌توانند دسترسی برابر به منابع یادگیری مبتنی بر هوش مصنوعی را ارتقا دهند، قابلیت‌های دیجیتال دانشجویان را تقویت کنند، مشارکت در محیط‌های یادگیری پشتیبانی‌شده توسط هوش مصنوعی را بهبود بخشند و شکاف میان دانشجویان شهری و روستایی را کاهش دهند. با این حال، اثربخشی این راهبردها ممکن است با محدودیت منابع مالی، زیرساخت فناوری ناکافی، سطوح نابرابر سواد دیجیتال و چالش‌های اجرای سیاستی مواجه شود. این مطالعه نتیجه می‌گیرد که پل زدن بر نابرابری‌های آموزشی مبتنی بر هوش مصنوعی نیازمند رویکردی جامع است که سرمایه‌گذاری فناورانه، توسعه ظرفیت، تعهد نهادی و مشارکت همکاری‌جویانه را تلفیق کند. این پژوهش با نشان دادن اینکه نابرابری آموزشی مبتنی بر هوش مصنوعی فراتر از دسترسی صرف به فناوری دیجیتال بوده و تفاوت‌هایی در سواد هوش مصنوعی، حمایت نهادی و قابلیت‌های دانشجویان برای تبدیل منابع هوش مصنوعی به فرصت‌های یادگیری معنادار را نیز در بر می‌گیرد، به ادبیات نوظهور این حوزه کمک می‌کند. مطالعه حاضر توصیه می‌کند که مؤسسات ODeL چارچوب‌های ادغام فراگیر هوش مصنوعی را اتخاذ کنند که دسترسی برابر، توانمندسازی دیجیتال و حمایت هدفمند از دانشجویان محروم را در اولویت قرار دهد تا اطمینان حاصل شود که منافع هوش مصنوعی برای همه دانشجویان صرف‌نظر از موقعیت جغرافیایی در دسترس باشد.