learning analytics

This study examines the necessity of developing a metaverse framework within Technical and Vocational Education and Training (TVET) to facilitate Project-Based Learning (PjBL) and enhance 21st-century skills. This research utilized a descriptive quantitative approach, employing a closed-ended questionnaire with a five-point Likert scale, which was distributed online to 100 stakeholders, including lecturers/teachers, TVET students, school or program managers, and educational technology developers. The findings revealed that all principal variables–metaverse-based learning environment, PjBL support, 21st-century skills development, and framework requirements–achieved high to very high mean scores. Stakeholders identified immersive simulation, safe practice spaces, real-world project scenarios, collaboration tools, and curriculum alignment as essential components of metaverse implementation. The results further indicate strong expectations for structured pedagogical design, technological stability, and assessment support through learning analytics. These findings suggest that developing a metaverse framework in TVET is not only technologically feasible but also pedagogically essential for enhancing experiential learning and higher-order competencies. This study offers a comprehensive needs-based perspective that integrates technology, pedagogy, and institutional readiness into a unified framework for immersive vocational education.

این مطالعه به بررسی ضرورت توسعه چارچوب متاورس در آموزش فنی و حرفه‌ای (TVET) به منظور تسهیل یادگیری مبتنی بر پروژه (PjBL) و ارتقای مهارت‌های قرن بیست‌ویکم می‌پردازد. این پژوهش با رویکرد توصیفی-کمی انجام شده و از پرسشنامه بسته با مقیاس لیکرت پنج‌درجه‌ای استفاده کرده است که به صورت آنلاین در اختیار ۱۰۰ نفر از ذی‌نفعان شامل مدرسان/معلمان، دانشجویان TVET، مدیران مدارس یا برنامه‌ها و توسعه‌دهندگان فناوری آموزشی قرار گرفت. یافته‌ها نشان داد که تمامی متغیرهای اصلی شامل محیط یادگیری مبتنی بر متاورس، حمایت از PjBL، توسعه مهارت‌های قرن بیست‌ویکم و الزامات چارچوب، میانگین امتیاز بالا تا بسیار بالا را کسب کردند. ذی‌نفعان، شبیه‌سازی فراگیر، فضاهای تمرین ایمن، سناریوهای پروژه واقعی، ابزارهای همکاری و همسویی با برنامه درسی را به عنوان اجزای اساسی پیاده‌سازی متاورس شناسایی کردند. نتایج همچنین بیانگر انتظارات قوی برای طراحی آموزشی ساختاریافته، پایداری فناوری و حمایت ارزیابی از طریق تحلیل یادگیری است. این یافته‌ها نشان می‌دهد که توسعه چارچوب متاورس در TVET نه تنها از نظر فناوری امکان‌پذیر، بلکه از نظر آموزشی نیز برای ارتقای یادگیری تجربی و شایستگی‌های سطوح بالاتر ضروری است. این مطالعه دیدگاهی جامع مبتنی بر نیازها ارائه می‌دهد که فناوری، آموزش و آمادگی نهادی را در قالب چارچوبی یکپارچه برای آموزش حرفه‌ای فراگیر ادغام می‌کند.

Artificial intelligence (AI) is rapidly reshaping higher education assessment through applications such as automated feedback, adaptive testing, learning analytics, automated scoring, and generative support. Yet scholarship on AI-enabled assessment remains fragmented across technical, pedagogical, ethical, governance, and professional perspectives, limiting the field’s capacity to explain how these dimensions interact in practice and how misalignment among them affects educational legitimacy. This paper develops the AI-Assessment Ecosystem Model, a conceptual ecosystem framework for analysing AI in higher education assessment as a sociotechnical and institutional phenomenon rather than a discrete technical intervention. Drawing on a conceptual synthesis of literature published primarily between 2019 and 2024, and informed by foundational work on assessment validity, feedback, institutional legitimacy, organisational change, inclusive design, and computer-supported collaborative learning, the paper identifies five interdependent domains that shape AI-enabled assessment: technological innovation, pedagogical alignment and learner needs, institutional strategy and governance, faculty and professional readiness, and ethical and inclusive implementation. The paper theorises legitimacy as a relational and contested process through which AI-supported assessment must be justified to students, faculty, institutions, regulators, and other stakeholders as educationally valid, professionally defensible, ethically acceptable, inclusive, and organisationally accountable. The framework argues that AI in assessment cannot be adequately evaluated by technical capability, implementation success, or ethical compliance alone; it must be understood through the relations, tensions, and potential misalignments among educational purpose, organisational conditions, professional practice, student agency, and technological design. The model is offered as a conceptual ecosystem framework for guiding future research, critique, and institutional decision-making.

هوش مصنوعی (AI) به‌سرعت در حال بازشکل‌دهی ارزیابی در آموزش عالی از طریق کاربردهایی همچون بازخورد خودکار، آزمون‌های تطبیقی، تحلیل یادگیری، نمره‌دهی خودکار و پشتیبانی مولد است. با این حال، پژوهش‌ها درباره ارزیابی مبتنی بر هوش مصنوعی در میان دیدگاه‌های فنی، پداگوژیک، اخلاقی، حاکمیتی و حرفه‌ای پراکنده باقی مانده‌اند و این امر ظرفیت حوزه را برای تبیین نحوه تعامل این ابعاد در عمل و چگونگی تأثیر عدم‌همسویی میان آن‌ها بر مشروعیت آموزشی محدود می‌کند. این مقاله مدل اکوسیستم ارزیابی مبتنی بر هوش مصنوعی را توسعه می‌دهد؛ چارچوب مفهومی اکوسیستم برای تحلیل هوش مصنوعی در ارزیابی آموزش عالی به‌مثابه یک پدیده اجتماعی‌فنی و نهادی، نه صرفاً یک مداخله فنی مجزا. با اتکا به سنتز مفهومی ادبیات منتشرشده عمدتاً بین سال‌های ۲۰۱۹ تا ۲۰۲۴ و با الهام از آثار بنیادی درباره روایی ارزیابی، بازخورد، مشروعیت نهادی، تغییر سازمانی، طراحی فراگیر و یادگیری مشارکتی رایانه‌محور، مقاله پنج حوزه وابسته به‌هم را که شکل‌دهنده ارزیابی مبتنی بر هوش مصنوعی هستند شناسایی می‌کند: نوآوری فناورانه، همسویی پداگوژیک و نیازهای یادگیرنده، راهبرد و حاکمیت نهادی، آمادگی اعضای هیئت علمی و حرفه‌ای، و اجرای اخلاقی و فراگیر. مقاله، مشروعیت را به‌مثابه فرایندی رابطه‌ای و مورد مناقشه نظریه‌پردازی می‌کند که طی آن ارزیابی پشتیبانی‌شده با هوش مصنوعی باید برای دانشجویان، اعضای هیئت علمی، نهادها، ناظران و سایر ذی‌نفعان به‌عنوان آموزشی معتبر، حرفه‌ای قابل دفاع، اخلاقاً پذیرفتنی، فراگیر و سازمانی پاسخگو توجیه شود. این چارچوب استدلال می‌کند که هوش مصنوعی در ارزیابی را نمی‌توان صرفاً بر اساس قابلیت فنی، موفقیت اجرا یا انطباق اخلاقی به‌طور کافی ارزیابی کرد؛ بلکه باید آن را از رهگذر روابط، تنش‌ها و عدم‌همسویی‌های بالقوه میان هدف آموزشی، شرایط سازمانی، عمل حرفه‌ای، عاملیت دانشجو و طراحی فناورانه فهمید. این مدل به‌عنوان چارچوب مفهومی اکوسیستم برای هدایت پژوهش‌های آتی، نقد و تصمیم‌گیری نهادی ارائه می‌شود.

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.

Mentoring is increasingly recognized as a critical determinant of academic achievement, professional identity formation, career advancement, and well-being in health professions education. Conventional mentor-mentee models, typically centered on a single assigned faculty mentor, may be inadequate to address the diverse and evolving needs of contemporary dental learners and early-career faculty. The transition towards competency-based dental education (CBDE) under emerging National Dental Commission (NDC) reforms further underscores the need to enhance mentoring approaches that support competency attainment, reflective practice, research engagement, and career development. Recent mentoring literature advocates the development of mentoring networks and individualized mentoring pathways that extend beyond conventional dyadic relationships. Concurrently, advances in artificial intelligence (AI), machine learning, and learning analytics offer new opportunities to deliver personalized educational support at scale. This perspective explores the potential of AI-enabled mentoring networks as a strategy to strengthen mentoring and competency development in Indian dental education. Drawing on established mentoring theories, health professions education literature, and emerging educational technologies, we propose a conceptual framework integrating learner profiling, faculty profiling, intelligent mentor matching, dynamic mentoring road-maps, and longitudinal competency tracking. AI-enabled mentoring systems have the potential to enhance CBDE implementation and support the improvement of competent, adaptable, and future-ready oral health professionals. Future work should focus on ethical implementation, faculty preparedness, and evaluation of educational outcomes associated with technology-enhanced mentoring ecosystems.

مشاوره به طور فزاینده‌ای به عنوان یکی از عوامل تعیین‌کننده مهم در موفقیت تحصیلی، شکل‌گیری هویت حرفه‌ای، پیشرفت شغلی و بهزیستی در آموزش حرفه‌های سلامت شناخته می‌شود. مدل‌های سنتی مشاور-دانشجو که معمولاً بر یک عضو هیئت علمی اختصاص‌یافته متمرکز هستند، ممکن است برای پاسخگویی به نیازهای متنوع و در حال تحول دانشجویان دندانپزشکی معاصر و اعضای هیئت علمی در ابتدای مسیر شغلی کافی نباشند. گذار به سمت آموزش دندانپزشکی مبتنی بر شایستگی (CBDE) در چارچوب اصلاحات نوظهور کمیسیون ملی دندانپزشکی (NDC) بیش از پیش بر ضرورت ارتقای رویکردهای مشاوره‌ای که از کسب شایستگی، تمرین تأملی، مشارکت پژوهشی و توسعه شغلی حمایت می‌کنند، تأکید دارد. ادبیات اخیر مشاوره توسعه شبکه‌های مشاوره‌ای و مسیرهای مشاوره فردی‌شده را که فراتر از روابط دوتایی سنتی هستند، توصیه می‌کند. همزمان، پیشرفت‌های هوش مصنوعی (AI)، یادگیری ماشین و تحلیل‌های یادگیری فرصت‌های جدیدی را برای ارائه حمایت آموزشی شخصی‌سازی‌شده در مقیاس وسیع فراهم می‌آورد. این مقاله دیدگاهی را درباره ظرفیت شبکه‌های مشاوره مبتنی بر هوش مصنوعی به عنوان راهبردی برای تقویت مشاوره و توسعه شایستگی در آموزش دندانپزشکی هند ارائه می‌دهد. با بهره‌گیری از نظریه‌های مشاوره‌ای تثبیت‌شده، ادبیات آموزش حرفه‌های سلامت و فناوری‌های آموزشی نوظهور، چارچوب مفهومی‌ای را پیشنهاد می‌کنیم که شامل نمایه‌سازی دانشجو، نمایه‌سازی اعضای هیئت علمی، تطبیق هوشمند مشاور، نقشه‌راه‌های پویا برای مشاوره و پیگیری طولی شایستگی است. سامانه‌های مشاوره مبتنی بر هوش مصنوعی این پتانسیل را دارند که اجرای CBDE را ارتقا دهند و از تربیت متخصصان سلامت دهان توانمند، سازگار و آماده برای آینده حمایت کنند. پژوهش‌های آینده باید بر اجرای اخلاقی، آمادگی اعضای هیئت علمی و ارزیابی پیامدهای آموزشی مرتبط با اکوسیستم‌های مشاوره‌ای مبتنی بر فناوری تمرکز کنند.

Community-engaged Work-Integrated Learning (WIL) is increasingly positioned as a mechanism for advancing graduate employability and social responsibility, yet the frameworks used to evaluate it remain anchored to countable proxies: employment rates, satisfaction scores, and placement completions. This provocation argues that these metrics are structurally misaligned with what WIL practitioners actually know about placement quality: knowledge that is relational, contextually rich, and routinely invisible in institutional reporting. As Generative AI enters WIL evaluation, this misalignment becomes urgent. Automating existing frameworks will not resolve their limitations, and risks further marginalising the evidence that most reliably signals whether community-engaged WIL is working. Drawing on research into practitioner agency in learning analytics, this provocation calls for evaluation frameworks that legitimise practitioner judgement, centre community partner perspectives, and deploy GenAI in service of relational knowledge rather than as a substitute for it. Effective WIL evaluation is not primarily a measurement problem, it is a question of whose evidence counts.

یادگیری تلفیقی با کار (WIL) مبتنی بر مشارکت جامعه، به طور فزاینده‌ای به عنوان سازوکاری برای ارتقای اشتغال‌پذیری فارغ‌التحصیلان و مسئولیت اجتماعی مطرح می‌شود، اما چارچوب‌هایی که برای ارزیابی آن به کار می‌روند همچنان به شاخص‌های قابل شمارش مانند نرخ اشتغال، امتیازات رضایت و تکمیل دوره‌های کارورزی متکی هستند. این مقاله استدلال می‌کند که این سنجه‌ها به طور ساختاری با آنچه متخصصان WIL درباره کیفیت دوره‌های کارورزی می‌دانند، ناسازگار است؛ دانشی که رابطه‌محور، غنی از زمینه و اغلب در گزارش‌های نهادی نامرئی است. با ورود هوش مصنوعی مولد به ارزیابی WIL، این ناسازگاری فوریت می‌یابد. خودکارسازی چارچوب‌های موجود، محدودیت‌های آن‌ها را رفع نخواهد کرد و خطر به حاشیه راندن بیشتر شواهدی را دارد که به طور قابل اعتماد نشان می‌دهد آیا WIL مبتنی بر جامعه مؤثر است یا خیر. با استناد به پژوهش‌ها درباره عاملیت متخصصان در تحلیل یادگیری، این مقاله خواستار چارچوب‌های ارزیابی است که داوری متخصصان را مشروعیت ببخشد، دیدگاه‌های شرکای جامعه را در مرکز قرار دهد و از هوش مصنوعی مولد در خدمت دانش رابطه‌ای بهره گیرد، نه به عنوان جایگزین آن. ارزیابی مؤثر WIL در درجه اول مسئله اندازه‌گیری نیست، بلکه پرسشی است درباره اینکه شواهد چه کسانی اهمیت دارد.