generative AI in education

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.

Generative artificial intelligence (AI) has intensified longstanding questions about teachers' roles and the pedagogical conditions under which technology supports learner autonomy. This qualitatively driven embedded mixed-methods study examined practices reported and represented by Israeli teachers during an eight-week professional development program on AI, self-regulated learning, and learner-centered pedagogy. The primary qualitative strand drew on reflections, open-ended questionnaire responses, lesson plans, and pedagogical artifacts and used a hybrid deductive-inductive analysis. An exploratory quantitative strand compared 61 consenting pre-program submissions with 26 consenting post-program submissions. Because submissions were anonymous and unlinked, Welch independent-samples tests were used. Post-program means were descriptively higher for reflective teaching, AI-supported planning, and inquiry-oriented design, and essentially unchanged for differentiated instruction; none of the four comparisons was statistically significant after Holm adjustment. Qualitative analysis generated five interconnected dimensions: designing for learner agency, self-regulated teaching and reflection, AI-supported learning design, designing for capability development, and critical AI literacy. The findings support a dual-layer interpretation in which teachers' reflective regulation and critical judgment mediate the design of opportunities intended to support learner agency and capability. Because the study measured teachers' reports and artifacts rather than students' experiences or outcomes, its contribution concerns pedagogical intentions and professional learning, not demonstrated gains in learner agency.

هوش مصنوعی مولد، پرسش‌های دیرینه‌ای را درباره نقش معلمان و شرایط آموزشی‌ای که در آن فناوری از خودمختاری یادگیرنده حمایت می‌کند، تشدید کرده است. این پژوهش با رویکرد کیفی و روش ترکیبی تعبیه‌شده، به بررسی رویکردهایی پرداخت که معلمان اسرائیلی در طول یک برنامه توسعه حرفه‌ای هشت‌هفته‌ای درباره هوش مصنوعی، یادگیری خودتنظیمی و آموزش یادگیرنده‌محور گزارش و ارائه کردند. بخش اصلی کیفی پژوهش مبتنی بر بازتاب‌ها، پاسخ‌های پرسشنامه باز، طرح‌های درس و مصنوعات آموزشی بود و از تحلیل ترکیبی استقرایی-قیاسی بهره گرفت. بخش کمّی اکتشافی، ۶۱ مورد ارسالی پیش از برنامه را با ۲۶ مورد ارسالی پس از برنامه (با رضایت شرکت‌کنندگان) مقایسه کرد. با توجه به ناشناس و غیرمرتبط بودن داده‌ها، از آزمون‌های مستقل Welch استفاده شد. میانگین‌های پس از برنامه به طور توصیفی برای تدریس تأملی، برنامه‌ریزی با حمایت هوش مصنوعی و طراحی مبتنی بر پژوهش بالاتر بود و برای آموزش تفکیک‌شده تقریباً بدون تغییر باقی ماند؛ هیچ‌یک از چهار مقایسه پس از اصلاح Holm از لحاظ آماری معنادار نبود. تحلیل کیفی پنج بُعد به‌هم‌پیوسته را شناسایی کرد: طراحی برای عاملیت یادگیرنده، تدریس و بازتاب خودتنظیمی، طراحی یادگیری با حمایت هوش مصنوعی، طراحی برای توسعه قابلیت و سواد انتقادی هوش مصنوعی. یافته‌ها از تفسیر دو‌لایه‌ای حمایت می‌کنند که در آن تنظیم تأملی و قضاوت انتقادی معلمان، واسطه طراحی فرصت‌هایی است که با هدف حمایت از عاملیت و قابلیت یادگیرنده انجام می‌شود. از آنجا که این مطالعه گزارش‌ها و مصنوعات معلمان را سنجیده و نه تجربه‌ها یا پیامدهای دانش‌آموزان را، سهم آن به نیت‌های آموزشی و یادگیری حرفه‌ای مربوط می‌شود، نه بهبود اثبات‌شده عاملیت یادگیرنده.