Agency (philosophy)

Introduction Educational automation is increasingly used in teaching, but its implications for teachers' tasks, responsibilities, and professional agency remain insufficiently synthesised across educational levels. This review examined how automated and intelligent technologies are transforming the teaching role. Methods Empirical studies indexed in Scopus and Web of Science from 2020 to 2024 were reviewed following PRISMA 2020. Eligibility was structured using PICO, and methodological quality was appraised with the 2018 Mixed Methods Appraisal Tool (MMAT). Results Fifty-eight studies met the eligibility and quality threshold: 41 quantitative, eight qualitative, and nine mixed-methods studies. Three domains emerged: teachers' adoption perspectives and constraints; technology-mediated models that redistribute teaching work; and educational outcomes conditioned by teacher competence, institutional support, and governance. Twenty-four studies met five MMAT criteria, 20 met four, and 14 met three. Sensitivity analysis retained the three domains but reduced confidence in claims about performance, motivation, and inclusion. Discussion Educational automation primarily redistributes teaching tasks rather than replacing teachers. Its educational value depends on teacher competence and agency, institutional support, and governance.

مقدمه: خودکارسازی آموزشی به طور فزاینده‌ای در آموزش مورد استفاده قرار می‌گیرد، اما پیامدهای آن برای وظایف، مسئولیت‌ها و عاملیت حرفه‌ای معلمان در سطوح مختلف آموزشی به طور کافی تلفیق نشده است. این مرور بررسی کرد که چگونه فناوری‌های خودکار و هوشمند در حال دگرگون‌سازی نقش تدریس هستند. روش‌ها: مطالعات تجربی نمایه‌شده در Scopus و Web of Science از سال ۲۰۲۰ تا ۲۰۲۴ بر اساس دستورالعمل PRISMA 2020 مرور شدند. معیارهای شمول با استفاده از PICO ساختاردهی شد و کیفیت روش‌شناختی با ابزار ارزیابی مطالعات روش‌های مختلط ۲۰۱۸ (MMAT) سنجیده شد. نتایج: پنجاه‌و‌هشت مطالعه معیارهای شمول و کیفیت را احراز کردند: ۴۱ مطالعه کمی، هشت مطالعه کیفی و نه مطالعه با روش‌های مختلط. سه حوزه اصلی شناسایی شد: دیدگاه‌ها و محدودیت‌های پذیرش معلمان؛ مدل‌های مبتنی بر فناوری که کار تدریس را بازتوزیع می‌کنند؛ و پیامدهای آموزشی که به شایستگی معلم، حمایت نهادی و حکمرانی وابسته است. بیست‌و‌چهار مطالعه هر پنج معیار MMAT، بیست مطالعه چهار معیار و چهارده مطالعه سه معیار را احراز کردند. تحلیل حساسیت سه حوزه را حفظ کرد اما اطمینان نسبت به ادعاهای مربوط به عملکرد، انگیزش و شمول را کاهش داد. بحث: خودکارسازی آموزشی عمدتاً وظایف تدریس را بازتوزیع می‌کند و جایگزین معلمان نمی‌شود. ارزش آموزشی آن وابسته به شایستگی و عاملیت معلم، حمایت نهادی و حکمرانی است.

This scoping review intends to identify, map and synthesize the scholarly literature on neoliberalism and English Language Teaching Education (ELTE) in Türkiye, highlighting key concepts, research trends, methodological approaches, and emerging knowledge gaps. This review is guided by Joanna Briggs Institute (JBI) methodology for scoping reviews and is reported regarding the PRISMA-ScR guidelines. A broad search is conducted across major electronic databases, and followed by extraction, charting and summarization of the data by using descriptive and thematic analyses through a theory-informed conceptual framework. The findings indicate that scholars in Türkiye largely conceptualize neoliberalism in ELTE as a process that restructures teacher professionalism by prioritizing competencies, accountability, effectiveness, and technical expertise while diminishing teachers’ critical, political and transformative roles. This restructuring reflects broader neoliberal governance, in which policy discourse, audit culture, and accountability mechanisms redefine teachers as technical implementers of externally prescribed policies rather than autonomous professionals.

این مرور گسترده با هدف شناسایی، ترسیم و تلفیق ادبیات علمی مرتبط با نئولیبرالیسم و آموزش زبان انگلیسی (ELTE) در ترکیه انجام شده است و مفاهیم کلیدی، روندهای پژوهشی، رویکردهای روش‌شناختی و شکاف‌های دانشی نوظهور را برجسته می‌کند. این مرور بر اساس روش‌شناسی مؤسسه Joanna Briggs (JBI) برای مرورهای گسترده هدایت شده و مطابق با دستورالعمل‌های PRISMA-ScR گزارش شده است. جستجوی گسترده‌ای در پایگاه‌های داده الکترونیکی اصلی صورت گرفته و سپس استخراج، ترسیم و خلاصه‌سازی داده‌ها با استفاده از تحلیل‌های توصیفی و تماتیک در چارچوبی مفهومی مبتنی بر نظریه انجام شده است. یافته‌ها نشان می‌دهد که پژوهشگران در ترکیه عمدتاً نئولیبرالیسم در ELTE را به عنوان فرایندی مفهوم‌سازی می‌کنند که حرفه‌ای‌گری معلمان را از طریق اولویت‌بخشی به شایستگی‌ها، پاسخگویی، اثربخشی و تخصص فنی بازساخت می‌کند و در عین حال نقش‌های انتقادی، سیاسی و تحول‌آفرین معلمان را کاهش می‌دهد. این بازساخت بازتابی از حکمرانی نئولیبرال گسترده‌تر است که در آن گفتمان سیاستی، فرهنگ ممیزی و سازوکارهای پاسخگویی، معلمان را به عنوان مجریان فنی سیاست‌های تجویز شده از بیرون، نه حرفه‌ای‌های مستقل، بازتعریف می‌کند.

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.

Background Artificial intelligence (AI) is rapidly changing education through generative AI, adaptive learning systems, automated assessment, intelligent teaching, and data-driven learning support. More and more AI-powered systems are mediating learning, communication, information searching, and, in some cases, emotional support. These technologies offer great promise for enhancing access, personalization, efficiency, and learner engagement, but they also present substantial psychological, ethical, and developmental problems. These challenges are exacerbated in Sub-Saharan Africa by inequalities in digital access, inadequate regulatory capacity, insufficient data-protection systems, language and cultural under-representation, and uneven institutional preparation. Policy and implications In this policy brief, we look at AI in education from the perspective of educational psychology, with a special emphasis on student well-being, learner agency, and resilience. It proposes that AI governance should extend beyond considerations of technology adoption and academic efficiency to explore how AI impacts autonomy, motivation, critical thinking, creativity, social relationships, psychological safety, and autonomous learning. The report emphasizes the importance of learner-centered national AI policies, age-appropriate safeguards, increased teacher capacity, inclusion of AI literacy in curricula, safeguarding of learner data, equal access to digital technology, culturally relevant artificial intelligence systems, and meaningful student participation in AI governance. Policies should ensure that AI is used to promote learning, yet safeguard student well-being, autonomy, privacy, dignity, and cognitive growth. It also underscores the need for African-led research and cross-sector collaboration to generate context-specific information on the long-term implications of AI for learners. Recommendations The brief argues that the success of AI integration in Sub-Saharan African education should be gauged not just by the acceptance of technology, but by its contribution to psychologically healthy, critically thinking, resilient, and autonomous learners. Conclusions A human-centered approach is therefore very important to ensuring that AI is a help and not a hindrance to the developmental and relational underpinnings of education.

زمینه: هوش مصنوعی (AI) به سرعت در حال تغییر آموزش از طریق هوش مصنوعی مولد، سامانه‌های یادگیری تطبیقی، ارزیابی خودکار، آموزش هوشمند و پشتیبانی یادگیری مبتنی بر داده است. سامانه‌های مبتنی بر هوش مصنوعی به طور فزاینده‌ای واسطه یادگیری، ارتباطات، جستجوی اطلاعات و در برخی موارد، حمایت عاطفی می‌شوند. این فناوری‌ها نویدبخش ارتقای دسترسی، شخصی‌سازی، کارآمدی و مشارکت یادگیرنده هستند، اما همچنین مشکلات روان‌شناختی، اخلاقی و تحولی قابل توجهی را به همراه دارند. این چالش‌ها در آفریقای زیرصحرایی به دلیل نابرابری در دسترسی دیجیتال، ظرفیت ناکافی مقررات‌گذاری، سامانه‌های ناکافی حفاظت از داده‌ها، کم‌نمایی زبانی و فرهنگی و آمادگی نهادی نامتوازن تشدید می‌شوند. سیاست و پیامدها: در این سیاست‌نامه، به هوش مصنوعی در آموزش از منظر روان‌شناسی تربیتی با تأکید ویژه بر بهزیستی دانش‌آموز، عاملیت یادگیرنده و تاب‌آوری پرداخته می‌شود. پیشنهاد می‌شود که حکمرانی هوش مصنوعی باید فراتر از ملاحظات پذیرش فناوری و کارآمدی علمی باشد و تأثیر هوش مصنوعی بر خودمختاری، انگیزش، تفکر انتقادی، خلاقیت، روابط اجتماعی، امنیت روان‌شناختی و یادگیری خودگردان را بررسی کند. این گزارش بر اهمیت سیاست‌های ملی هوش مصنوعی مبتنی بر یادگیرنده، تدابیر حفاظتی متناسب با سن، افزایش ظرفیت معلمان، گنجاندن سواد هوش مصنوعی در برنامه‌های درسی، حفاظت از داده‌های یادگیرنده، دسترسی برابر به فناوری دیجیتال، سامانه‌های هوش مصنوعی متناسب با فرهنگ و مشارکت معنادار دانش‌آموزان در حکمرانی هوش مصنوعی تأکید می‌کند. سیاست‌ها باید تضمین کنند که هوش مصنوعی برای ارتقای یادگیری به کار گرفته شود، اما بهزیستی، خودمختاری، حریم خصوصی، کرامت و رشد شناختی دانش‌آموزان نیز حفظ گردد. همچنین بر ضرورت پژوهش‌های هدایت‌شده توسط آفریقا و همکاری بین‌بخشی برای تولید اطلاعات متناسب با زمینه در خصوص پیامدهای بلندمدت هوش مصنوعی برای یادگیرندگان تأکید می‌شود. توصیه‌ها: این سیاست‌نامه استدلال می‌کند که موفقیت ادغام هوش مصنوعی در آموزش آفریقای زیرصحرایی باید نه تنها با پذیرش فناوری، بلکه با سهم آن در پرورش یادگیرندگان سالم از نظر روان‌شناختی، منتقد، تاب‌آور و خودمختار سنجیده شود. نتیجه‌گیری: بنابراین رویکرد انسان‌محور برای اطمینان از اینکه هوش مصنوعی به جای مانع، یاری‌رسان بنیان‌های تحولی و ارتباطی آموزش باشد، بسیار مهم است.