This study examined the associations of self-regulation, self-esteem, and digital literacy with students' perceived learning achievement at Ariya Metta Vocational High School, Tangerang. The quantitative ex post facto study included 154 students drawn from a population of 250 through proportional stratified random sampling. Online questionnaire responses were analysed using multiple linear regression in SPSS version 27. Self-regulation (B = 1.349; β = 0.494; t = 6.739; p < .001) and self-esteem (B = 0.624; β = 0.345; t = 4.113; p < .001) were positively associated with perceived achievement after adjustment for the other predictors. Digital literacy showed no significant unique association (B = 0.040; β = 0.019; t = 0.248; p = .804). The model accounted for 63.0% of the observed variation (R² = .630; adjusted R² = .622). Although digital literacy was significant in a simple regression, the association did not persist in the full model, indicating overlapping explanatory information among predictors. The findings support attention to learning management and students' evaluations of themselves while encouraging academically purposeful uses of digital resources. Because achievement was self-reported and the design was observational, the results do not establish causality.
This conceptual article explores practical ways in which college and university instructors can leverage artificial intelligence (AI) to support assessment as learning and develop students’ feedback literacy. Traditional assessment practices often focus on assessment for learning (informing instruction) or of learning (measuring outcomes), while assessment as learning—when students actively monitor and reflect on their own learning—receives less attention. AI can help instructors leverage assessment as a learning tool by generating work samples for student analysis and providing timely, actionable feedback that students can use to revise their work. When combined with instructor modeling, peer dialogue, and scaffolds such as guiding questions or graphic organizers, AI-supported feedback promotes metacognition, self-directed learning, and critical evaluation skills. The article provides practical guidance, including prompts and strategies for using AI to enhance student engagement with feedback, helping instructors create more efficient, effective, and student-centered practices that utilize assessments as learning tools.
این مقاله مفهومی به بررسی راهکارهای عملی می‌پردازد که اساتید دانشگاه‌ها و مؤسسات آموزش عالی می‌توانند از هوش مصنوعی (AI) برای حمایت از ارزشیابی به عنوان یادگیری و توسعه سواد بازخورد دانشجویان بهره‌مند شوند. شیوه‌های سنتی ارزشیابی عمدتاً بر ارزشیابی برای یادگیری (اطلاع‌رسانی به تدریس) یا ارزشیابی از یادگیری (سنجش پیامدها) تمرکز دارند، در حالی که ارزشیابی به عنوان یادگیری—زمانی که دانشجویان به طور فعال یادگیری خود را پایش و بازتاب می‌کنند—کمتر مورد توجه قرار گرفته است. هوش مصنوعی می‌تواند به اساتید کمک کند تا ارزشیابی را به عنوان ابزاری برای یادگیری به کار گیرند؛ از طریق تولید نمونه‌های کاری برای تحلیل دانشجویان و ارائه بازخورد به‌موقع و قابل اقدام که دانشجویان بتوانند برای بازنگری کار خود از آن استفاده کنند. هنگامی که این بازخورد مبتنی بر هوش مصنوعی با الگو‌سازی استاد، گفت‌وگوی همتایان و حمایت‌هایی مانند سؤالات راهنما یا سازمان‌دهنده‌های تصویری ترکیب شود، موجب ارتقای فراشناخت، یادگیری خودراهبر و مهارت‌های ارزیابی انتقادی می‌شود. این مقاله راهنمایی‌های عملی، از جمله نمونه‌های پرسش و راهبردهایی برای استفاده از هوش مصنوعی جهت افزایش مشارکت دانشجویان با بازخورد ارائه می‌دهد و به اساتید کمک می‌کند تا شیوه‌هایی کارآمدتر، مؤثرتر و دانشجو‌محورتر را که از ارزشیابی به عنوان ابزار یادگیری بهره می‌برند، ایجاد کنند.
