Nature exploration fosters children’s cognitive development and environmental awareness; however, kindergarten curricula are often constrained by limited resources and repetitive interaction, leaving children’s observations only weakly integrated into structured understanding and expression. We present Botune, an AI-supported creative-expression tool for kindergarten planting activities that integrates plant observation, drawing, spoken narration, and animation-based sharing. We conducted an exploratory, fixed-order within-participant study in kindergarten planting classes with 27 children and three educators; 24 complete cases were analysed after excluding data from three children who did not complete the drawing task. The traditional activity preceded the Botune-supported activity by seven days. The proportion of activity time spent observing and teacher-rated involvement scores during sharing were higher in the later session. The later narrations contained significantly more actions and character interactions; character counts were descriptively higher but did not remain statistically significant after Holm correction, and state- or emotion-related expressions did not differ significantly. These semantic counts index narrative elaboration rather than overall narrative quality or general narrative ability. These differences cannot be attributed to Botune alone. Scientific knowledge and conceptual understanding were not directly assessed by these measures. The study offers exploratory observations and design considerations for AI-supported narrative expression in kindergarten nature learning.
کاوش در طبیعت به رشد شناختی و آگاهی زیست‌محیطی کودکان کمک می‌کند؛ با این حال، برنامه‌های درسی مهدکودک‌ها اغلب به دلیل منابع محدود و تعاملات تکراری، با محدودیت مواجه‌اند و مشاهدات کودکان به‌طور ضعیفی درک و بیان ساختاریافته را شکل می‌دهد. در این پژوهش، Botune، یک ابزار خلاقیت‌محور مبتنی بر هوش مصنوعی برای فعالیت‌های کاشت در مهدکودک معرفی می‌شود که مشاهده‌ی گیاه، نقاشی، روایت شفاهی و به‌اشتراک‌گذاری مبتنی بر پویانمایی را یکپارچه می‌کند. یک مطالعه‌ی اکتشافی با طرح درون‌گروهی با ترتیب ثابت در کلاس‌های کاشت مهدکودک با حضور ۲۷ کودک و سه مربی انجام شد؛ پس از حذف داده‌های سه کودک که وظیفه‌ی نقاشی را کامل نکردند، ۲۴ مورد کامل مورد تحلیل قرار گرفت. فعالیت سنتی هفت روز پیش از فعالیت پشتیبانی‌شده با Botune انجام شد. نسبت زمان صرف‌شده برای مشاهده و امتیازهای مشارکت از دید مربی در زمان به‌اشتراک‌گذاری در جلسه‌ی دوم بالاتر بود. روایت‌های جلسه‌ی دوم به‌طور معناداری شامل کنش‌ها و تعاملات شخصیتی بیشتری بودند؛ شمار شخصیت‌ها به‌صورت توصیفی بالاتر بود اما پس از اصلاح Holm از لحاظ آماری معنادار باقی نماند و بیان‌های مرتبط با وضعیت یا هیجان تفاوت معناداری نداشتند. این شمارش‌های معنایی شاخص بسط روایت هستند و نه کیفیت کلی روایت یا توانایی عمومی روایت‌گری. این تفاوت‌ها را نمی‌توان صرفاً به Botune نسبت داد. دانش علمی و درک مفهومی به‌طور مستقیم با این سنجه‌ها ارزیابی نشد. این مطالعه مشاهدات اکتشافی و ملاحظات طراحی برای بیان روایی پشتیبانی‌شده با هوش مصنوعی در یادگیری طبیعت در مهدکودک ارائه می‌دهد.
Abstract Authentic assessment has been a recognized aspiration in higher education for nearly four decades, yet its implementation at the undergraduate level has remained constrained by the procedural demands of professional-level work. Generative artificial intelligence reshapes the implementation calculus by lowering the entry barriers that previously confined authentic assessment to capstone courses, professional programs, and elite institutional contexts. This paper presents a single-semester case study of an AI-integrated qualitative research methods course taught to undergraduates in a child and adolescent development program at a regional public university. Twenty-one students used a custom AI class companion without restriction to produce full-length qualitative research manuscripts. The analytic backbone is a five-dimensional model of authentic assessment, with its physical-context dimension extended to require AI inclusion in fields where professional practice now incorporates the technology. Three rubric-proximal proxy indicators were estimated across the corpus: methods specificity, claim-evidence coupling, and theory-interpretation linkage density. The methods specificity proxy compresses toward the upper bound of its scale, indicating that AI scaffolding supports structural elements of qualitative writing effectively. The two judgment-dependent proxies retain wide dispersion. Process tracing of four contrasting cases identifies three pathways that distinguish stronger from weaker outcomes: criteria-based orchestration, irreducible input supply, and substantive iteration. The boundary-condition pattern indicates that authentic assessment in AI-integrated courses remains diagnostic where it needs to be and is supported where it needed support.
چکیده ارزشیابی اصیل نزدیک به چهار دهه است که به عنوان یک آرمان شناخته‌شده در آموزش عالی مطرح بوده است، اما اجرای آن در سطح کارشناسی به دلیل الزامات رویه‌ای کار حرفه‌ای محدود باقی مانده است. هوش مصنوعی مولد با کاهش موانع ورود، محاسبات اجرایی را دگرگون می‌کند؛ موانعی که پیش‌تر ارزشیابی اصیل را به دروس پایانی، برنامه‌های حرفه‌ای و زمینه‌های نهادی ممتاز محدود می‌کردند. این مقاله مطالعه موردی یک‌ترمی از یک درس روش‌های تحقیق کیفی با ادغام هوش مصنوعی را ارائه می‌دهد که برای دانشجویان کارشناسی رشته رشد کودک و نوجوان در یک دانشگاه دولتی منطقه‌ای تدریس شده است. بیست‌ویک دانشجو بدون محدودیت از یک همراه هوش مصنوعی سفارشی در کلاس برای تولید مقالات کامل تحقیق کیفی استفاده کردند. ستون فقرات تحلیلی پژوهش، مدل پنج‌بعدی ارزشیابی اصیل است که بعد زمینه فیزیکی آن به گونه‌ای گسترش یافته است که گنجاندن هوش مصنوعی را در حوزه‌هایی که اکنون عمل حرفه‌ای فناوری را دربرمی‌گیرد، الزامی می‌سازد. سه شاخص جانشین نزدیک به روبریک در کل مجموعه برآورد شد: ویژگی روش‌ها، پیوند ادعا-شواهد و تراکم پیوند تفسیر-نظریه. شاخص جانشین ویژگی روش‌ها به سمت حد بالایی مقیاس خود فشرده می‌شود که نشان می‌دهد چارچوب‌دهی هوش مصنوعی به طور مؤثری از عناصر ساختاری نوشتار کیفی حمایت می‌کند. دو شاخص مبتنی بر قضاوت دامنه پراکندگی وسیعی را حفظ می‌کنند. ردیابی فرایند چهار مورد متضاد سه مسیر را شناسایی می‌کند که نتایج قوی‌تر را از نتایج ضعیف‌تر متمایز می‌سازد: سازماندهی مبتنی بر معیار، تأمین ورودی غیرقابل تقلیل و تکرار معنادار. الگوی شرایط مرزی نشان می‌دهد که ارزشیابی اصیل در دروس ادغام‌شده با هوش مصنوعی همچنان در جایی که باید تشخیصی باشد، تشخیصی باقی می‌ماند و در جایی که نیاز به حمایت دارد، حمایت می‌شود.
