artificial intelligence in education

The development of artificial intelligence in education opens up opportunities to support learning while also raising ethical issues related to academic integrity and students’ digital responsibility. This article aims to analyze the role of character education as a foundation for guiding the use of artificial intelligence in relation to these two aspects. The study employs a literature review using a descriptive-qualitative approach. The findings indicate that the values of ṣidq and amanah provide a conceptual foundation for transparency in AI use, recognition of intellectual contributions, adherence to assignment guidelines, and accountability for learning processes and outcomes. Meanwhile, the values of tabayyun, respect for others, and a focus on the common good underpin digital responsibility in the form of information verification, privacy protection, respect for intellectual property, and consideration of the social impacts of AI use. Strengthening these two aspects requires educators to lead by example, clear institutional guidelines, family support, and reflective learning grounded in ethical dilemmas. This article concludes that the integration of character education and AI literacy should be directed toward developing students who are proficient in using technology while also being able to make decisions honestly and responsibly. The resulting conceptual framework still requires empirical testing according to educational levels and contexts.

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.

Educational transformation in the digital era requires a shift in the learning paradigm that emphasizes not only mastery of subject matter but also the development of students' creativity, critical thinking, digital literacy, and other essential competencies. The implementation of the Merdeka Curriculum provides greater flexibility for educational institutions and teachers to design learning activities according to students' needs while utilizing technological developments. Within this context, the integration of digital technology and Artificial Intelligence (AI) has the potential to accelerate the transformation of learning practices. This study aims to analyze the transformation of the Merdeka Curriculum through the integration of technology and Artificial Intelligence in learning, while identifying its impacts, opportunities, challenges, and implications for the roles of teachers and students' learning experiences. This research employs a qualitative approach using a literature review method. Data were obtained through the examination of books, scholarly journal articles, educational policy documents, and academic publications relevant to the Merdeka Curriculum, educational technology, and Artificial Intelligence in education. The data were analyzed using a descriptive-analytical approach by identifying, classifying, comparing, and synthesizing relevant findings from the literature. The results indicate that the integration of technology and AI can broaden access to learning resources, support more personalized and adaptive learning, assist teachers in developing instructional materials and assessments, and facilitate project-based learning and the development of twenty-first-century skills. Nevertheless, this transformation also presents several challenges, including unequal access to technology, disparities in teachers' digital competencies, the reliability of AI-generated information, data privacy concerns, potential student dependency on technology, and ethical issues related to academic integrity. Therefore, the integration of technology and AI within the Merdeka Curriculum should be positioned as a pedagogical instrument that supports educational objectives rather than as a replacement for teachers. Sustainable curriculum transformation requires strengthening teachers' digital and pedagogical competencies, establishing clear policies for the responsible use of AI, developing students' AI literacy, and implementing technology in ways that remain oriented toward human development and educational needs.

تحول آموزشی در عصر دیجیتال مستلزم تغییر در پارادایم یادگیری است که نه تنها بر تسلط بر محتوای درسی تأکید دارد، بلکه بر توسعهٔ خلاقیت، تفکر انتقادی، سواد دیجیتال و سایر شایستگی‌های اساسی دانش‌آموزان نیز تمرکز می‌کند. اجرای برنامهٔ درسی مردکا انعطاف‌پذیری بیشتری را برای مؤسسات آموزشی و معلمان فراهم می‌کند تا فعالیت‌های یادگیری را متناسب با نیازهای دانش‌آموزان و با بهره‌گیری از پیشرفت‌های فناوری طراحی کنند. در این زمینه، ادغام فناوری دیجیتال و هوش مصنوعی (AI) پتانسیل تسریع تحول در شیوه‌های یادگیری را دارد. هدف این پژوهش، تحلیل تحول برنامهٔ درسی مردکا از طریق ادغام فناوری و هوش مصنوعی در آموزش و شناسایی تأثیرات، فرصت‌ها، چالش‌ها و پیامدهای آن برای نقش معلمان و تجارب یادگیری دانش‌آموزان است. این پژوهش با رویکرد کیفی و با استفاده از روش مرور ادبیات انجام شده است. داده‌ها از طریق بررسی کتاب‌ها، مقالات علمی-پژوهشی، اسناد سیاست‌گذاری آموزشی و انتشارات دانشگاهی مرتبط با برنامهٔ درسی مردکا، فناوری آموزشی و هوش مصنوعی در آموزش گردآوری شده‌اند. داده‌ها با رویکرد توصیفی-تحلیلی و از طریق شناسایی، طبقه‌بندی، مقایسه و تلفیق یافته‌های مرتبط از منابع مورد بررسی قرار گرفتند. نتایج نشان می‌دهد که ادغام فناوری و هوش مصنوعی می‌تواند دسترسی به منابع یادگیری را گسترش دهد، از یادگیری شخصی‌سازی‌شده و تطبیقی حمایت کند، به معلمان در توسعهٔ مواد آموزشی و ارزشیابی‌ها یاری رساند و یادگیری مبتنی بر پروژه و توسعهٔ مهارت‌های قرن بیست‌ویکم را تسهیل کند. با این حال، این تحول با چالش‌هایی نیز همراه است؛ از جمله دسترسی نابرابر به فناوری، تفاوت در شایستگی‌های دیجیتال معلمان، پایایی اطلاعات تولیدشده توسط هوش مصنوعی، نگرانی‌های مربوط به حریم خصوصی داده‌ها، احتمال وابستگی دانش‌آموزان به فناوری و مسائل اخلاقی مرتبط با صداقت علمی. بنابراین، ادغام فناوری و هوش مصنوعی در برنامهٔ درسی مردکا باید به عنوان ابزاری آموزشی در خدمت اهداف تربیتی و نه جایگزین معلم تلقی شود. تحول پایدار برنامهٔ درسی مستلزم تقویت شایستگی‌های دیجیتال و آموزشی معلمان، تدوین سیاست‌های شفاف برای استفادهٔ مسئولانه از هوش مصنوعی، توسعهٔ سواد هوش مصنوعی در دانش‌آموزان و به‌کارگیری فناوری به گونه‌ای است که همچنان بر رشد انسانی و نیازهای آموزشی متمرکز باشد.

The integration of coding and Artificial Intelligence (AI) into vocational education is essential for equipping students with 21st-century digital competencies, yet implementation in remote and island regions like Bangka Belitung archipelago province remains fragmented and unsustainable. This study employs Developmental Evaluation (DE) a real-time, adaptive, and participatory evaluation approach (Patton, 2011) to analyze policy readiness and strengthen the digital ecosystem for coding and AI instruction across vocational schools in the province. Using qualitative methods, including in- depth interviews (n = 26), focus group discussions, classroom observations, and policy document analysis, the research assesses readiness across five core dimensions: (1) policy & governance, (2) human capacity, (3) digital infrastructure, (4) curriculum relevance, and (5) industry–academia partnerships. Findings reveal a critical policy–practice gap: while national frameworks such as the Grand Design for Vocational School Revitalization and Kurikulum Merdeka promote digital literacy, local implementation lacks binding regional regulations, standardized teacher competency pathways, equitable infrastructure distribution, and context-based curricula. Only 24% of ICT teachers had received AI-related training, and AI concepts were rarely taught in practice. Through DE cycles of exploration, collective sense-making, and prototyping, stakeholders co-designed adaptive solutions including a provincial roadmap for digital vocational education, offline AI learning modules via WhatsApp, and micro-innovation grants for teacher-led experimentation. The study demonstrates DE’s effectiveness in fostering adaptive capacity, surfacing systemic barriers, and enabling locally owned, sustainable digital transformation strategies.

ادغام برنامه‌نویسی و هوش مصنوعی (AI) در آموزش فنی‌وحرفه‌ای برای تجهیز دانش‌آموزان به شایستگی‌های دیجیتال قرن بیست‌ویکم ضروری است، اما اجرای آن در مناطق دورافتاده و جزیره‌ای مانند استان مجمع‌الجزایر بانگکا بلیتونگ همچنان پراکنده و ناپایدار باقی مانده‌است. این مطالعه با بهره‌گیری از رویکرد ارزیابی توسعه‌ای (DE) که یک روش ارزیابی بلادرنگ، تطبیقی و مشارکتی است (Patton, 2011)، به تحلیل آمادگی سیاستی و تقویت زیست‌بوم دیجیتال برای آموزش برنامه‌نویسی و هوش مصنوعی در مدارس فنی‌وحرفه‌ای این استان می‌پردازد. با استفاده از روش‌های کیفی، از جمله مصاحبه‌های عمیق (n = 26)، بحث‌های گروهی متمرکز، مشاهده کلاس درس و تحلیل اسناد سیاستی، پژوهش آمادگی را در پنج بُعد اصلی ارزیابی می‌کند: (۱) سیاست و حکمرانی، (۲) ظرفیت انسانی، (۳) زیرساخت دیجیتال، (۴) ارتباط برنامه‌درسی و (۵) مشارکت صنعت و دانشگاه. یافته‌ها شکاف مهمی میان سیاست و عمل را نشان می‌دهد: در حالی که چارچوب‌های ملی مانند طرح کلان نوسازی مدارس فنی‌وحرفه‌ای و «کریکولوم مردکا» سواد دیجیتال را ترویج می‌کنند، اجرای محلی فاقد مقررات منطقه‌ای الزام‌آور، مسیرهای استاندارد شایستگی معلمان، توزیع عادلانه زیرساخت و برنامه‌درسی مبتنی بر زمینه است. تنها ۲۴٪ از معلمان ICT آموزش مرتبط با AI را دریافت کرده‌اند و مفاهیم AI به ندرت در عمل تدریس می‌شود. از طریق چرخه‌های DE شامل اکتشاف، معنا‌بخشی جمعی و نمونه‌سازی، ذینفعان راه‌حل‌های تطبیقی از جمله نقشه‌راه استانی برای آموزش دیجیتال فنی‌وحرفه‌ای، ماژول‌های یادگیری AI آفلاین از طریق WhatsApp و گرنت‌های خرد نوآوری برای آزمایشگری معلمان را به‌طور مشترک طراحی کردند. این مطالعه اثربخشی DE را در تقویت ظرفیت تطبیقی، آشکارسازی موانع نظام‌مند و امکان‌پذیر ساختن راهبردهای تحول دیجیتال بومی و پایدار نشان می‌دهد.

Introduction The rapid integration of artificial intelligence (AI) into education requires teachers to develop new competencies and manage their own learning. While research has examined teachers’ AI attitudes, acceptance, and literacy, less is known about how they regulate their learning in AI contexts. This study examined teachers’ self-regulated learning (SRL) profiles and their associations with demographic characteristics and AI-related experience. Methods In a descriptive survey, 213 in-service teachers completed the Artificial Intelligence Self-Regulated Learning Scale for Teachers (AI-SRLS). Two-Step Cluster Analysis was conducted using five dimensions: task planning, self-monitoring, help seeking, institutional support, and self-evaluation. Results Two profiles emerged: High Strategic Learners, who scored consistently higher across all five dimensions, and Limited Strategy Users, who reported comparatively lower strategy use. Profile membership was significantly associated with prior AI experience and AI-related training. Gender, age, and professional experience did not significantly differentiate the profiles. Discussion Teachers’ AI-related SRL strategies co-occur in distinct profiles, supporting a differentiated approach to professional development. Teachers with limited strategy use may benefit from structured guidance, scaffolded AI learning opportunities, and stronger institutional support, while highly strategic learners may benefit from more autonomous and advanced learning opportunities.

مقدمه: ادغام سریع هوش مصنوعی (AI) در آموزش و پرورش، معلمان را ملزم می‌کند تا شایستگی‌های جدیدی را توسعه دهند و یادگیری خود را مدیریت کنند. در حالی که پژوهش‌ها نگرش‌ها، پذیرش و سواد هوش مصنوعی معلمان را بررسی کرده‌اند، اطلاعات کمتری درباره نحوه تنظیم یادگیری آن‌ها در زمینه‌های هوش مصنوعی وجود دارد. این مطالعه به بررسی نمایه‌های یادگیری خودتنظیمی (SRL) معلمان و ارتباط آن‌ها با ویژگی‌های جمعیت‌شناختی و تجربه مرتبط با هوش مصنوعی پرداخت. روش‌ها: در یک پژوهش توصیفی-پیمایشی، 213 معلم شاغل مقیاس یادگیری خودتنظیمی هوش مصنوعی برای معلمان (AI-SRLS) را تکمیل کردند. تحلیل خوشه‌ای دو مرحله‌ای با استفاده از پنج بُعد شامل برنامه‌ریزی وظیفه، خودنظارتی، کمک‌خواهی، حمایت نهادی و خودارزیابی انجام شد. یافته‌ها: دو نمایه شناسایی شد: یادگیرندگان راهبردی بالا که در تمامی ابعاد پنج‌گانه به طور مداوم امتیاز بالاتری کسب کردند و کاربران راهبرد محدود که استفاده نسبتاً کمتری از راهبردها را گزارش دادند. عضویت در نمایه به طور معناداری با تجربه قبلی هوش مصنوعی و آموزش مرتبط با هوش مصنوعی ارتباط داشت. جنسیت، سن و سابقه حرفه‌ای تفاوت معناداری میان نمایه‌ها ایجاد نکرد. بحث: راهبردهای یادگیری خودتنظیمی معلمان مرتبط با هوش مصنوعی در نمایه‌های متمایز همزمان رخ می‌دهد و از رویکرد تفکیک‌شده در توسعه حرفه‌ای حمایت می‌کند. معلمانی که استفاده محدودی از راهبردها دارند، ممکن است از راهنمایی ساختاریافته، فرصت‌های یادگیری هوش مصنوعی با پشتیبانی و حمایت نهادی قوی‌تر بهره‌مند شوند، در حالی که یادگیرندگان بسیار راهبردی می‌توانند از فرصت‌های یادگیری خودگردان و پیشرفته‌تر سود ببرند.

This systematic review integrates empirical studies published from 2020 to 2025 to analyze the impact of teacher workload and pedagogical innovations on cognition, motivation, and burnout within Arab educational settings. Teacher well-being is increasingly acknowledged as a pivotal factor influencing instructional quality, while in the Arab region, swift educational reforms converge with socio-cultural intricacies, resulting in distinctive challenges. In accordance with the PRISMA 2020 guidelines, a systematic search was executed across ERIC, Scopus, Web of Science, and Google Scholar, encompassing peer-reviewed empirical and review articles pertaining to K–12 or higher education teachers in Arab countries. Thematic synthesis of the 59 studies that met the inclusion criteria revealed three dominant themes: (a) excessive workload, encompassing both instructional and administrative demands, consistently predicted teacher burnout and cognitive strain; (b) teacher motivation functioned as a mediating resource, buffering or amplifying the effects of workload on well-being; and (c) pedagogical innovations, including educational technology and artificial intelligence, were perceived as both enablers of efficiency and sources of additional stress when poorly supported. The results show that teacher workload is the main thing that hurts motivation and causes burnout in the Arab world. Pedagogical innovations can help relieve stress, but they only work if they are supported by the system and fit with strategies for managing workload. To make sure that educational reforms work in the long run, policy and practice should put teacher well-being first.

این مرور نظام‌مند با ادغام مطالعات تجربی منتشرشده از سال ۲۰۲۰ تا ۲۰۲۵، تأثیر بار کاری معلمان و نوآوری‌های آموزشی را بر شناخت، انگیزش و فرسودگی شغلی در محیط‌های آموزشی عربی تحلیل می‌کند. بهزیستی معلمان به طور فزاینده‌ای به عنوان عاملی محوری در کیفیت تدریس شناخته می‌شود، در حالی‌که در منطقه عرب، اصلاحات سریع آموزشی با پیچیدگی‌های اجتماعی‌فرهنگی تلاقی یافته و چالش‌های منحصربه‌فردی را ایجاد کرده است. بر اساس دستورالعمل‌های PRISMA 2020، جستجوی نظام‌مند در پایگاه‌های ERIC، Scopus، Web of Science و Google Scholar انجام شد و مقالات تجربی و مروری داوری‌شده مرتبط با معلمان آموزش K–12 یا آموزش عالی در کشورهای عربی را دربر گرفت. سنتز موضوعی ۵۹ مطالعه واجد شرایط سه مضمون غالب را آشکار ساخت: (الف) بار کاری بیش از حد، شامل الزامات آموزشی و اداری، به طور مستمر پیش‌بینی‌کننده فرسودگی شغلی معلمان و فشار شناختی بود؛ (ب) انگیزش معلمان به عنوان منبعی میانجی عمل می‌کرد که می‌توانست اثرات بار کاری بر بهزیستی را تعدیل یا تقویت کند؛ و (ج) نوآوری‌های آموزشی، از جمله فناوری آموزشی و هوش مصنوعی، هم به عنوان تسهیل‌کننده کارایی و هم منبع استرس اضافی در صورت نبود حمایت کافی تلقی می‌شدند. نتایج نشان می‌دهد که بار کاری معلمان عامل اصلی تضعیف انگیزش و ایجاد فرسودگی شغلی در جهان عرب است. نوآوری‌های آموزشی می‌توانند به کاهش استرس کمک کنند، اما تنها زمانی مؤثر هستند که از حمایت نظام‌مند برخوردار بوده و با راهبردهای مدیریت بار کاری همسو باشند. برای تضمین موفقیت بلندمدت اصلاحات آموزشی، سیاست و عمل باید بهزیستی معلمان را در اولویت قرار دهند.

This systematic review integrates empirical studies published from 2020 to 2025 to analyze the impact of teacher workload and pedagogical innovations on cognition, motivation, and burnout within Arab educational settings. Teacher well-being is increasingly acknowledged as a pivotal factor influencing instructional quality, while in the Arab region, swift educational reforms converge with socio-cultural intricacies, resulting in distinctive challenges. In accordance with the PRISMA 2020 guidelines, a systematic search was executed across ERIC, Scopus, Web of Science, and Google Scholar, encompassing peer-reviewed empirical and review articles pertaining to K–12 or higher education teachers in Arab countries. Thematic synthesis of the 59 studies that met the inclusion criteria revealed three dominant themes: (a) excessive workload, encompassing both instructional and administrative demands, consistently predicted teacher burnout and cognitive strain; (b) teacher motivation functioned as a mediating resource, buffering or amplifying the effects of workload on well-being; and (c) pedagogical innovations, including educational technology and artificial intelligence, were perceived as both enablers of efficiency and sources of additional stress when poorly supported. The results show that teacher workload is the main thing that hurts motivation and causes burnout in the Arab world. Pedagogical innovations can help relieve stress, but they only work if they are supported by the system and fit with strategies for managing workload. To make sure that educational reforms work in the long run, policy and practice should put teacher well-being first.

این مرور نظام‌مند با ادغام مطالعات تجربی منتشرشده از سال ۲۰۲۰ تا ۲۰۲۵، تأثیر بار کاری معلمان و نوآوری‌های آموزشی را بر شناخت، انگیزش و فرسودگی شغلی در محیط‌های آموزشی عربی تحلیل می‌کند. بهزیستی معلمان به طور فزاینده‌ای به عنوان عاملی محوری در کیفیت تدریس شناخته می‌شود، در حالی‌که در منطقه عرب، اصلاحات سریع آموزشی با پیچیدگی‌های اجتماعی‌فرهنگی تلاقی یافته و چالش‌های منحصربه‌فردی را ایجاد کرده است. بر اساس دستورالعمل‌های PRISMA 2020، جستجوی نظام‌مند در پایگاه‌های ERIC، Scopus، Web of Science و Google Scholar انجام شد و مقالات تجربی و مروری داوری‌شده مرتبط با معلمان آموزش K–12 یا آموزش عالی در کشورهای عربی را دربر گرفت. سنتز موضوعی ۵۹ مطالعه واجد شرایط سه مضمون غالب را آشکار ساخت: (الف) بار کاری بیش از حد، شامل الزامات آموزشی و اداری، به طور مستمر پیش‌بینی‌کننده فرسودگی شغلی معلمان و فشار شناختی بود؛ (ب) انگیزش معلمان به عنوان منبعی میانجی عمل می‌کرد که می‌توانست اثرات بار کاری بر بهزیستی را تعدیل یا تقویت کند؛ و (ج) نوآوری‌های آموزشی، از جمله فناوری آموزشی و هوش مصنوعی، هم به عنوان تسهیل‌کننده کارایی و هم منبع استرس اضافی در صورت نبود حمایت کافی تلقی می‌شدند. نتایج نشان می‌دهد که بار کاری معلمان عامل اصلی تضعیف انگیزش و ایجاد فرسودگی شغلی در جهان عرب است. نوآوری‌های آموزشی می‌توانند به کاهش استرس کمک کنند، اما تنها زمانی مؤثر هستند که از حمایت نظام‌مند برخوردار بوده و با راهبردهای مدیریت بار کاری همسو باشند. برای تضمین موفقیت بلندمدت اصلاحات آموزشی، سیاست و عمل باید بهزیستی معلمان را در اولویت قرار دهند.

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.

Rapid technological improvements present both opportunities and difficulties for teaching and learning, elevating digital media to the forefront of vocational education discussions. This study investigates the evolution of digital media research in vocational education to determine its impact on current and future educational practices. The Scopus database was used to conduct a bibliometric analysis of 28 publications published between 2005 and 2024. Despite rare oscillations, the main research trend is steadily increasing, particularly after 2020. The analysis identified four key research areas: (1) innovative digital learning via virtual reality, simulation, and e-learning platforms; (2) technological adaptation and teacher preparedness; (3) industry relevance and employability enhancement; and (4) inclusive and ethical digital transformation. Co-authorship and keyword network studies show that developing nations have contributed very little to this field's research, which is still largely regional in scope. The focus of recent research has switched to data analytics, immersive learning, and artificial intelligence (AI)-driven personalization, which reflects the intersection of emerging technologies and digital pedagogy. This paper proposes the Digital Media Integration Framework for Vocational Education Transformation, which links digital media platforms, AI integration, pedagogical innovation, and institutional preparation, based on the findings presented. The findings highlight the need for inclusive, interdisciplinary, and policy-supported strategies to assist the digital transformation of vocational learning and provide valuable insights about how digital media is changing in Technical and Vocational Education and Training (TVET).

پیشرفت‌های سریع فناوری فرصت‌ها و چالش‌هایی را برای آموزش و یادگیری ایجاد کرده و رسانه‌های دیجیتال را به محور بحث‌های آموزش فنی و حرفه‌ای تبدیل کرده است. این مطالعه به بررسی تحول پژوهش‌های رسانه‌های دیجیتال در آموزش فنی و حرفه‌ای می‌پردازد تا تأثیر آن را بر رویه‌های آموزشی کنونی و آینده مشخص کند. برای انجام تحلیل کتاب‌سنجی، از پایگاه داده Scopus استفاده شد و ۲۸ مقاله منتشرشده بین سال‌های ۲۰۰۵ تا ۲۰۲۴ مورد بررسی قرار گرفت. با وجود نوسانات اندک، روند اصلی پژوهش‌ها به طور پیوسته رو به افزایش است، به ویژه پس از سال ۲۰۲۰. این تحلیل چهار حوزه کلیدی پژوهشی را شناسایی کرد: (۱) یادگیری دیجیتال نوآورانه از طریق واقعیت مجازی، شبیه‌سازی و بسترهای آموزش الکترونیکی؛ (۲) سازگاری فناورانه و آمادگی معلمان؛ (۳) ارتباط با صنعت و ارتقای قابلیت اشتغال؛ و (۴) تحول دیجیتال فراگیر و اخلاق‌مدار. مطالعات هم‌نویسندگی و شبکه کلیدواژه‌ها نشان می‌دهد که کشورهای در حال توسعه سهم بسیار اندکی در این حوزه پژوهشی داشته‌اند و این حوزه همچنان عمدتاً منطقه‌ای باقی مانده است. تمرکز پژوهش‌های اخیر به تحلیل داده‌ها، یادگیری فراگیر و شخصی‌سازی مبتنی بر هوش مصنوعی (AI) تغییر یافته است که بازتابی از تلاقی فناوری‌های نوظهور و آموزش دیجیتال است. این مقاله چارچوب «ادغام رسانه‌های دیجیتال برای تحول آموزش فنی و حرفه‌ای» را بر اساس یافته‌های ارائه‌شده پیشنهاد می‌کند که پیوند میان بسترهای رسانه دیجیتال، ادغام هوش مصنوعی، نوآوری آموزشی و آمادگی نهادی را برقرار می‌سازد. یافته‌ها بر ضرورت راهبردهای فراگیر، میان‌رشته‌ای و مبتنی بر سیاست برای حمایت از تحول دیجیتال یادگیری فنی و حرفه‌ای تأکید می‌کند و بینش‌های ارزشمندی درباره چگونگی تغییر رسانه‌های دیجیتال در آموزش و تربیت فنی و حرفه‌ای (TVET) ارائه می‌دهد.

Teacher preparation programs have quickly adopted artificial intelligence tools, but the ethical, social, and environmental dimensions of that adoption receive comparatively little attention in how future educators are trained. This conceptual analysis addresses that gap by asking how AI competence, sustainability education, and ethical technology use can be integrated into teacher preparation as a single coherent framework rather than three parallel add-ons. Drawing on critical digital pedagogy, domain-specific cognition theory, and Mezirow's transformative learning theory, we synthesize policy documents and peer-reviewed literature on AI in education, sustainability education, and teacher preparation to develop the SAGE Model (Sustainability and AI for Global Educators). SAGE organizes teacher preparation around three interconnected pillars: Critical Integration, which addresses how AI systems reflect the assumptions and biases of their design; Applied Problem-Solving, which situates AI and sustainability literacy in authentic classroom and systems-level challenges; and Reflexive Praxis, which asks candidates to examine their own judgment and positionality when using AI tools. The model treats AI as an instrument that can extend, not replace, educator judgment in addressing complex sustainability and equity problems in practice. This is a conceptual contribution: SAGE has not yet been implemented or empirically validated in a teacher preparation program, and the paper closes by outlining what that validation would require. The paper examines ethical considerations and challenges of AI in education, presents the SAGE Model and its theoretical grounding with illustrative applications across K–12 and higher education, and discusses implications for practice, policy, and future research.

برنامه‌های تربیت معلم به سرعت ابزارهای هوش مصنوعی را پذیرفته‌اند، اما ابعاد اخلاقی، اجتماعی و زیست‌محیطی این پذیرش نسبتاً کمتر در آموزش معلمان آینده مورد توجه قرار گرفته است. این تحلیل مفهومی به این خلأ می‌پردازد و می‌پرسد چگونه می‌توان شایستگی هوش مصنوعی، آموزش پایداری و استفاده اخلاقی از فناوری را به عنوان یک چارچوب منسجم و نه سه افزونه موازی در تربیت معلم ادغام کرد. با بهره‌گیری از پداگوژی انتقادی دیجیتال، نظریه شناخت دامنه‌محور و نظریه یادگیری تحولی Mezirow، اسناد سیاستی و ادبیات داوری‌شده درباره هوش مصنوعی در آموزش، آموزش پایداری و تربیت معلم را برای توسعه مدل SAGE (پایداری و هوش مصنوعی برای معلمان جهانی) تلفیق می‌کنیم. مدل SAGE تربیت معلم را حول سه رکن به‌هم‌پیوسته سازمان‌دهی می‌کند: ادغام انتقادی که به چگونگی بازتاب مفروضات و سوگیری‌های طراحی در سیستم‌های هوش مصنوعی می‌پردازد؛ حل مسئله کاربردی که سواد هوش مصنوعی و پایداری را در چالش‌های واقعی کلاس درس و سطح نظام قرار می‌دهد؛ و کنش بازاندیشانه که از داوطلبان می‌خواهد قضاوت و جایگاه خود را هنگام استفاده از ابزارهای هوش مصنوعی بررسی کنند. این مدل، هوش مصنوعی را ابزاری می‌داند که می‌تواند قضاوت معلم را در مواجهه با مسائل پیچیده پایداری و عدالت در عمل گسترش دهد، نه جایگزین آن شود. این مقاله یک مشارکت مفهومی است: مدل SAGE هنوز در برنامه تربیت معلم اجرا یا به طور تجربی اعتبارسنجی نشده است و مقاله با ترسیم الزامات این اعتبارسنجی پایان می‌یابد. مقاله به بررسی ملاحظات و چالش‌های اخلاقی هوش مصنوعی در آموزش، ارائه مدل SAGE و مبانی نظری آن با کاربردهای نمونه در آموزش K–12 و آموزش عالی، و بحث درباره پیامدهای آن برای عمل، سیاست و پژوهش‌های آینده می‌پردازد.

This paper presents an exploratory systematic review of artificial intelligence (AI) in physics education and its alignment with Sustainable Development Goal 4 (SDG 4). Following Preferred Reporting Items for Systematic Reviews and Meta-Analyses 2020 guidelines (Page et al., 2021), a Web of Science search conducted on January 15, 2025, yielded 105 records; after independent dual-reviewer screening (Cohen’s κ = 0.82 on n = 105 title/abstract decisions), 12 empirical studies published between 2013 and 2025 were included and analyzed. Given the small corpus and emergent nature of the field, findings are explicitly characterized as exploratory evidence mapping rather than consolidated empirical conclusions. The corpus spans educational contexts from secondary school to teacher training and engages AI types including intelligent tutoring systems, machine learning, natural language processing, and generative models. Results indicate that AI is used in four pedagogical roles: tutor, evaluator, assistant, and analyst, with documented benefits in conceptual understanding, formative feedback, personalization, and self-regulated learning. Alignment with SDG-4-relevant sustainability competencies (critical thinking, problem solving, collaboration, and digital literacy) was identified through a secondary interpretive analysis by the review authors against Education for Sustainable Development competency frameworks (Rieckmann, 2011; UNESCO, 2017; 2024); this alignment is inferential and design-based rather than directly measured by the primary studies. Ongoing challenges include technical reliability, teacher preparation and acceptance, and ethical concerns regarding transparency, bias, equity, and data protection. The review contributes an initial, disciplinary-specific evidence map at the intersection of AI, physics education, and SDG 4, and identifies six evidence gaps for future empirical research. No protocol was preregistered prior to conducting this review; this absence is acknowledged as a transparency limitation.

این مقاله به ارائه یک مرور نظام‌مند اکتشافی درباره هوش مصنوعی (AI) در آموزش فیزیک و همسویی آن با هدف توسعه پایدار ۴ (SDG 4) می‌پردازد. با پیروی از دستورالعمل‌های Preferred Reporting Items for Systematic Reviews and Meta-Analyses 2020 (Page و همکاران، 2021)، جستجوی Web of Science که در تاریخ ۱۵ ژانویه ۲۰۲۵ انجام شد، ۱۰۵ رکورد را به دست داد؛ پس از غربالگری مستقل توسط دو ارزیاب (ضریب کاپا کوهن κ = 0.82 بر روی n = 105 تصمیم عنوان/چکیده)، ۱۲ مطالعه تجربی منتشرشده بین سال‌های ۲۰۱۳ تا ۲۰۲۵ وارد و تحلیل شدند. با توجه به حجم اندک مطالعات و ماهیت نوظهور این حوزه، یافته‌ها به طور صریح به عنوان نگاشت شواهد اکتشافی و نه نتیجه‌گیری‌های تجربی تثبیت‌شده توصیف می‌شوند. بدنه مطالعات زمینه‌های آموزشی از دبیرستان تا آموزش معلمان را دربر می‌گیرد و انواع هوش مصنوعی شامل سامانه‌های آموزش هوشمند، یادگیری ماشین، پردازش زبان طبیعی و مدل‌های مولد را مورد استفاده قرار می‌دهد. نتایج نشان می‌دهد که هوش مصنوعی در چهار نقش آموزشی شامل معلم، ارزیاب، دستیار و تحلیل‌گر به کار می‌رود و مزایایی چون ارتقای درک مفهومی، بازخورد تکوینی، شخصی‌سازی و یادگیری خودتنظیمی را به همراه دارد. همسویی با شایستگی‌های پایداری مرتبط با SDG-4 (تفکر انتقادی، حل مسئله، همکاری و سواد دیجیتال) از طریق تحلیل تفسیری ثانویه توسط نویسندگان مرور و بر اساس چارچوب‌های شایستگی آموزش برای توسعه پایدار (Rieckmann، ۲۰۱۱؛ یونسکو، ۲۰۱۷؛ ۲۰۲۴) شناسایی شد؛ این همسویی استنباطی و مبتنی بر طراحی است و نه مستقیماً توسط مطالعات اولیه اندازه‌گیری شده باشد. چالش‌های جاری شامل پایایی فنی، آمادگی و پذیرش معلمان و نگرانی‌های اخلاقی درباره شفافیت، سوگیری، عدالت و حفاظت از داده‌ها است. این مرور، نگاشت اولیه و اختصاصی شواهد را در تقاطع هوش مصنوعی، آموزش فیزیک و SDG 4 ارائه می‌دهد و شش شکاف شواهدی برای پژوهش‌های تجربی آینده شناسایی می‌کند. هیچ پروتکلی پیش از انجام این مرور ثبت نشده است؛ این فقدان به عنوان یک محدودیت شفافیت مورد اشاره قرار گرفته است.

Large-group lectures (150 students and upwards) remain a central component of healthcare professions education despite longstanding concerns about passivity, limited interaction, and difficulties in providing formative feedback at scale. These concerns have acquired renewed relevance as educators face digitally connected student cohorts, ubiquitous smartphones, and growing concerns about digital distraction. Student response systems (SRS), initially introduced through dedicated “clickers” and now commonly accessed through students’ own digital devices, offer one approach to transforming the large lecture from a predominantly transmission-oriented format into an interactive learning environment. Meta-analytic evidence indicates positive effects of SRS on cognitive and non-cognitive learning outcomes, while research across psychology, nursing, medicine, dentistry, and other higher education settings suggests that their educational value depends less on the technology itself than on the pedagogical processes it enables. In this Perspective , we argue for a shift from viewing SRS primarily as engagement technology towards understanding it as pedagogical infrastructure for retrieval, formative assessment, peer discussion, feedback, self-monitoring, and metacognitive calibration in large lectures. Drawing on nearly two decades of research and educational experience with response technology, we propose an evolution from SRS 1.0 , centred on response and participation, through SRS 2.0 , centred on formative feedback and dialogue, towards SRS 3.0 , where artificial intelligence may enable adaptive questioning, misconception detection, personalised feedback, and instructor decision support. This development creates new opportunities for healthcare professions education, but also requires renewed attention to pedagogy, digital competence, privacy, cognitive offloading, and the role of the educator.

سخنرانی‌های گروهی بزرگ (۱۵۰ دانشجو و بیشتر) همچنان بخش مرکزی آموزش حرفه‌های سلامت را تشکیل می‌دهند، با وجود نگرانی‌های دیرینه درباره انفعالی بودن، تعامل محدود و دشواری در ارائه بازخورد تکوینی در مقیاس وسیع. این نگرانی‌ها با مواجهه مربیان با نسل‌های دانشجویی متصل به فضای دیجیتال، تلفن‌های هوشمند فراگیر و نگرانی‌های فزاینده درباره حواس‌پرتی دیجیتال، اهمیت تازه‌ای یافته‌اند. سامانه‌های پاسخ‌دهی دانشجویی (SRS)، که ابتدا از طریق «کلیکر»های اختصاصی معرفی شدند و اکنون معمولاً از طریق دستگاه‌های دیجیتال شخصی دانشجویان قابل دسترسی هستند، رویکردی برای تبدیل سخنرانی‌های بزرگ از قالب عمدتاً انتقال‌محور به محیط یادگیری تعاملی ارائه می‌کنند. شواهد فراتحلیلی نشان‌دهنده تأثیرات مثبت SRS بر پیامدهای یادگیری شناختی و غیرشناختی است، در حالی که پژوهش‌ها در حوزه‌های روان‌شناسی، پرستاری، پزشکی، دندان‌پزشکی و سایر محیط‌های آموزش عالی حاکی از آن است که ارزش آموزشی این سامانه‌ها بیش از آنکه به خود فناوری وابسته باشد، به فرایندهای آموزشی که امکان‌پذیر می‌سازند بستگی دارد. در این مقاله دیدگاه، ما بر لزوم تغییر نگرش از SRS به‌عنوان فناوری تعامل به‌سوی درک آن به‌عنوان زیرساخت آموزشی برای بازیابی، ارزشیابی تکوینی، بحث همتایان، بازخورد، خودپایشگری و کالیبراسیون فراشناختی در سخنرانی‌های بزرگ تأکید می‌کنیم. با اتکا به نزدیک به دو دهه پژوهش و تجربه آموزشی با فناوری پاسخ‌دهی، سیر تحول از SRS 1.0 با محوریت پاسخ‌دهی و مشارکت، به SRS 2.0 با محوریت بازخورد تکوینی و گفت‌وگو، و نهایتاً به SRS 3.0 که در آن هوش مصنوعی می‌تواند امکان پرسش‌گری تطبیقی، شناسایی سوءبرداشت‌ها، بازخورد شخصی‌سازی‌شده و پشتیبانی تصمیم‌گیری برای مدرس را فراهم کند، پیشنهاد می‌کنیم. این تحول فرصت‌های جدیدی برای آموزش حرفه‌های سلامت ایجاد می‌کند، اما مستلزم توجه مجدد به آموزش، شایستگی دیجیتال، حریم خصوصی، برون‌سپاری شناختی و نقش مدرس نیز هست.

The swift evolution of Artificial Intelligence (AI) is dramatically changing the landscape of education, especially when it comes to assessment. Traditional methods, which focus heavily on standardized tests and final evaluations, are falling short in capturing the complex cognitive, social, and digital skills that are essential in today’s world. This paper delves into the transformative power of AI in educational assessment and suggests a strategic framework for embracing digital change. By reviewing current literature, the study highlights AI-driven innovations like adaptive testing, automated grading, learning analytics, and competency-based assessment models. It also tackles important challenges such as ethical issues, algorithmic bias, data privacy, and maintaining academic integrity. The paper emphasizes that a comprehensive, policy-oriented, and pedagogically sound approach are crucial for effectively integrating AI into assessment systems. In the end, it offers practical strategies for institutions aiming to update their assessment practices in an AI-enhanced educational environment.

تحول سریع هوش مصنوعی (AI) به طور چشمگیری چشم‌انداز آموزش را، به ویژه در حوزه ارزیابی، دگرگون کرده است. روش‌های سنتی که عمدتاً بر آزمون‌های استاندارد و ارزیابی‌های نهایی تمرکز دارند، در سنجش مهارت‌های پیچیده شناختی، اجتماعی و دیجیتال که در دنیای امروز ضروری هستند، ناکارآمد شده‌اند. این مقاله به بررسی قدرت تحول‌آفرین هوش مصنوعی در ارزیابی آموزشی می‌پردازد و چارچوبی راهبردی برای پذیرش تغییر دیجیتال پیشنهاد می‌کند. با مرور ادبیات موجود، پژوهش به نوآوری‌های مبتنی بر هوش مصنوعی مانند آزمون‌های تطبیقی، نمره‌دهی خودکار، تحلیل یادگیری و مدل‌های ارزیابی مبتنی بر شایستگی می‌پردازد. همچنین به چالش‌های مهمی همچون مسائل اخلاقی، سوگیری الگوریتمی، حریم خصوصی داده‌ها و حفظ سلامت علمی اشاره می‌کند. مقاله تأکید می‌کند که رویکردی جامع، سیاست‌محور و مبتنی بر اصول آموزشی برای ادغام مؤثر هوش مصنوعی در نظام‌های ارزیابی ضروری است. در پایان، راهبردهای عملی برای نهادهایی که قصد به‌روزرسانی شیوه‌های ارزیابی خود در محیط آموزشی تقویت‌شده با هوش مصنوعی را دارند، ارائه می‌دهد.

This study reviews STEM Education: Shaping Future Learning Practices in the Age of AI, edited by Elmas and Akarsu and published by Palgrave Macmillan in 2026. The review examines how the book conceptualizes the transformation of STEM education in the age of artificial intelligence (AI) and evaluates the opportunities and limitations of its approach from the perspective of chemistry education. Consisting of fourteen chapters, the book was examined in terms of context and purpose, relevance to its target audience, timeliness and contribution to the literature, content, and theoretical, methodological, and practical strengths and limitations. The review indicates that the book considers AI not merely as a technological innovation but in relation to teacher education, teacher and student roles, engineering design, assessment, ethics, equity, real-life problems, and socioecological dimensions. AI is positioned as a means of supporting pedagogical and cognitive processes rather than replacing teachers or students. The chapter on teaching chemical reactions particularly illustrates the use of AI in chemistry education. However, a more holistic conceptual framework connecting the chapters and stronger empirical evidence on learning outcomes are needed. Overall, the book provides a timely, multidimensional, and critical reference for STEM, science, and chemistry education.

این مطالعه به بررسی کتاب آموزش STEM: شکل‌دهی به شیوه‌های یادگیری آینده در عصر هوش مصنوعی، به سردبیری Elmas و Akarsu و منتشرشده توسط Palgrave Macmillan در سال ۲۰۲۶ می‌پردازد. این مرور، نحوه مفهوم‌پردازی کتاب از تحول آموزش STEM در عصر هوش مصنوعی (AI) را مورد بررسی قرار داده و فرصت‌ها و محدودیت‌های رویکرد آن را از منظر آموزش شیمی ارزیابی می‌کند. کتاب متشکل از چهارده فصل است و از نظر زمینه و هدف، ارتباط با مخاطبان هدف، به‌هنگام بودن و سهم در ادبیات، محتوا و نقاط قوت و ضعف نظری، روش‌شناختی و عملی مورد بررسی قرار گرفته است. نتایج مرور نشان می‌دهد که کتاب، هوش مصنوعی را صرفاً به عنوان یک نوآوری فناورانه در نظر نمی‌گیرد، بلکه آن را در ارتباط با آموزش معلمان، نقش‌های معلم و دانش‌آموز، طراحی مهندسی، ارزشیابی، اخلاق، عدالت، مسائل واقعی و ابعاد اجتماعی‌ـ‌اکولوژیکی بررسی می‌کند. هوش مصنوعی به عنوان ابزاری برای حمایت از فرایندهای آموزشی و شناختی، نه جایگزینی معلمان یا دانش‌آموزان، مطرح می‌شود. فصل مربوط به آموزش واکنش‌های شیمیایی به طور خاص کاربرد هوش مصنوعی در آموزش شیمی را نشان می‌دهد. با این حال، چارچوب مفهومی جامع‌تر برای پیوند دادن فصل‌ها و شواهد تجربی قوی‌تر درباره پیامدهای یادگیری مورد نیاز است. در مجموع، این کتاب مرجع به‌هنگام، چندبعدی و انتقادی برای آموزش STEM، علوم و شیمی فراهم می‌کند.