collaborative problem solving

Introduction Collaborative problem solving has become a key educational competence, yet existing observational instruments often assess only selected aspects of collaboration, rely on labor-intensive micro-analytic coding, or are tied to specific task contexts. To address these limitations, this study developed and validated the Collaborative Problem Solving Observation Grid (CPS-OG), an evidence-based observational instrument designed to provide a comprehensive, task-independent, macro-level assessment of collaboration quality. The instrument is grounded in four empirically derived dimensions of CPS: socio-cognitive exchange, socio-emotional exchange, task regulation, and group regulation. Method Validation was conducted with 84 groups of secondary school students working in triads ( N = 73) or dyads ( N = 11) on scientific and civic literacy tasks. The psychometric evaluation included analyses of interrater reliability, internal consistency, construct validity, and criterion-related validity. Results Across both task domains, the CPS-OG demonstrated excellent interrater reliability, good internal consistency, and preliminary support for the internal coherence of the four-conceptual dimensions, consistent with findings from a recent systematic review of CPS quality. The four dimensions included in the instrument showed meaningful associations with Mercer's dialogue types and group product quality, providing further evidence of criterion validity. The consistency of findings across scientific and civic literacy tasks indicates the instrument's robustness in different task contexts. Discussion Overall, the findings suggest that the CPS-OG is a reliable and promising observational instrument. It offers a comprehensive approach to monitoring and assessing collaborative problem solving, providing researchers and practitioners with a practical tool for evaluating collaboration across diverse educational tasks.

The United Nations Sustainable Development Goal 4 (SDG 4) position creativity as a critical competency in 21st -century STEAM education, highlighting the urgency of cultivating students’ capacity to navigate complex transdisciplinary challenges. Although problem-based learning (PBL) has become a prevalent instructional approach, empirical evidence regarding its specific efficacy for fostering creative thinking remains inconclusive. This systematic review and meta-analysis investigated whether PBL is associated with improved creativity outcomes among undergraduate STEAM students, with particular relevance to international education contexts. Following PRISMA guidelines, fifteen peer-reviewed articles (2015–2025) were included, with six providing sufficient data for meta-analysis (k = 6). The pooled effect size (Hedges’ g = 1.64, 95% CI: 0.96–2.32) suggests a positive association between PBL and creativity outcomes compared to traditional instruction. However, given the small study count and substantial heterogeneity (I² = 88.5%), these results should be interpreted as preliminary and exploratory. Assessment priorities diverge across disciplinary contexts, with arts and humanities foregrounding aesthetic originality and self-expression, while science and engineering fields emphasise solution feasibility and collaborative problem-solving. Pure PBL and its variants demonstrate relevance for creative skill development, though subgroup comparisons remain descriptive due to limited study numbers. Notably, the included studies employed diverse, non-standardized creativity instruments across different disciplines, which significantly limits comparability and generalizability. These findings offer preliminary empirical insights for educators, and curriculum designers, yet the high heterogeneity and measurement variability underscore the need for future research with validated standardized assessments.

هدف چهارم توسعه‌ی پایدار سازمان ملل متحد (SDG 4) خلاقیت را به‌عنوان یکی از شایستگی‌های حیاتی در آموزش STEAM قرن بیست‌ویکم مطرح می‌کند و بر ضرورت پرورش توانایی دانشجویان برای مواجهه با چالش‌های پیچیده‌ی میان‌رشته‌ای تأکید دارد. اگرچه یادگیری مبتنی بر مسئله (PBL) به رویکردی رایج در آموزش تبدیل شده است، شواهد تجربی درباره‌ی اثربخشی خاص آن در پرورش تفکر خلاق همچنان نامشخص باقی مانده است. این مرور نظام‌مند و فراتحلیل بررسی می‌کند که آیا PBL با بهبود پیامدهای خلاقیت در میان دانشجویان مقطع کارشناسی STEAM مرتبط است یا خیر، با تأکید ویژه بر زمینه‌های آموزش بین‌المللی. مطابق با دستورالعمل‌های PRISMA، پانزده مقاله‌ی داوری‌شده (۲۰۱۵–۲۰۲۵) وارد مطالعه شدند که شش مورد از آن‌ها داده‌های کافی برای فراتحلیل فراهم کردند (k = 6). اندازه‌ی اثر تجمیعی (Hedges’ g = 1.64، فاصله‌ی اطمینان ۹۵٪: 0.96–2.32) نشان‌دهنده‌ی ارتباط مثبت بین PBL و پیامدهای خلاقیت در مقایسه با آموزش سنتی است. با این حال، با توجه به تعداد اندک مطالعات و ناهمگنی قابل توجه (I² = 88.5%)، این نتایج باید مقدماتی و اکتشافی تلقی شوند. اولویت‌های ارزیابی در زمینه‌های مختلف رشته‌ای متفاوت است؛ به‌طوری که هنر و علوم انسانی بر اصالت زیباشناختی و خودابرازی تأکید دارند، در حالی که حوزه‌های علوم و مهندسی بر امکان‌پذیری راه‌حل و حل مسئله‌ی مشارکتی تمرکز می‌کنند. PBL خالص و گونه‌های آن برای توسعه‌ی مهارت‌های خلاقانه اهمیت دارند، هرچند مقایسه‌های زیرگروهی به دلیل محدودیت تعداد مطالعات، صرفاً توصیفی باقی می‌ماند. شایان ذکر است که مطالعات واردشده از ابزارهای متنوع و غیر استاندارد سنجش خلاقیت در رشته‌های مختلف استفاده کرده‌اند که این امر مقایسه‌پذیری و تعمیم‌پذیری را به طور قابل توجهی محدود می‌کند. این یافته‌ها بینش‌های تجربی مقدماتی برای مدرسان و طراحان برنامه‌ی درسی فراهم می‌آورد، اما ناهمگنی بالا و تنوع ابزارهای سنجش بر ضرورت پژوهش‌های آتی با ارزیابی‌های استاندارد و معتبر تأکید می‌کند.

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.