AI literacy

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.

Generative artificial intelligence is fundamentally reshaping the cognitive conditions of knowledge innovation. While human–AI collaboration improves the efficiency of knowledge production, it may also induce creators to outsourcing cognitive work to AI systems. This study conceptualized this tendency as task-level metacognitive disengagement, defined as the immediate reduction of planning, monitoring, and reflection within a specific AI-assisted task, and, drawing on metacognition theory, cognitive offloading theory and self-regulated learning theory, examined its impact on knowledge innovation quality, its psychological mechanism, and boundary conditions through four complementary experiments. Experiment 1 showed that higher AI assistance significantly increased metacognitive disengagement. Experiment 2 revealed that cognitive offloading partially mediated the relationship between AI assistance and metacognitive disengagement. Experiment 3 confirmed the negative effect of cognitive offloading on knowledge innovation quality, specifically on novelty, usefulness, and developability, with metacognitive disengagement partially mediating this effect. Experiment 4 tested the proposed moderated mediation model and found that task complexity strengthened, whereas individual AI literacy weakened, the negative indirect effect of cognitive offloading on knowledge innovation quality through metacognitive disengagement. These findings reveal a hidden cognitive cost behind the efficiency gains of human–AI collaboration and provide empirical evidence and theoretical implications for cultivating innovative talent and designing human–AI collaborative mechanisms in the era of artificial intelligence.

This phenomenological study explores the lived experiences of Thai Generation Z hikers, thoroughly examining the critical intersection of artificial intelligence (AI) literacy and complex decision-making in wilderness environments. As young adventurers increasingly pursue nature-based eco-experientia for psychological restoration, AI has rapidly evolved into an active, front-facing backcountry companion. Using the Theory of Technological Mediation alongside robust methodological triangulation—including in-depth interviews, focus groups, and interactive discussions with university-aged hikers—this research examines how algorithmic tools profoundly reshape human-nature relationships. The empirical findings clearly show that AI is seamlessly integrated throughout the trekking lifecycle, functioning as a vital digital safety net that mitigates environmental uncertainty. However, this deep integration precipitates a highly complex socio-technical paradox. While participants consistently exhibit exceptional functional AI literacy, an emerging algorithmic dependency actively threatens to erode traditional, intuitive wilderness judgment. Ultimately, AI facilitates a hermeneutic relationship in which pristine nature is interpreted through curated data, fundamentally transforming raw exploration into a mediated digital reality that urgently requires careful preservation of human agency within adventure tourism.

این مطالعه پدیدارشناختی به بررسی تجارب زیسته کوهنوردان نسل Z تایلندی می‌پردازد و به طور جامع به تلاقی حیاتی سواد هوش مصنوعی (AI) و تصمیم‌گیری پیچیده در محیط‌های بکر طبیعی می‌پردازد. با افزایش تمایل جوانان ماجراجو به تجربه‌های طبیعت‌محور برای بازسازی روان‌شناختی، هوش مصنوعی به سرعت به یک همراه فعال و پیشرو در مناطق دورافتاده تبدیل شده است. با بهره‌گیری از نظریه میانجی‌گری فناورانه و تلفیق روش‌شناسی قوی شامل مصاحبه‌های عمیق، گروه‌های کانونی و بحث‌های تعاملی با کوهنوردان در سنین دانشگاهی، این پژوهش بررسی می‌کند که چگونه ابزارهای الگوریتمی به طور عمیق روابط انسان و طبیعت را بازشکل می‌دهند. یافته‌های تجربی به روشنی نشان می‌دهند که هوش مصنوعی در سراسر چرخه حیات کوهنوردی به طور یکپارچه ادغام شده و به عنوان یک شبکه ایمنی دیجیتال حیاتی عمل می‌کند که عدم قطعیت‌های محیطی را کاهش می‌دهد. با این حال، این ادغام عمیق منجر به یک پارادوکس اجتماعی-فناورانه بسیار پیچیده می‌شود. در حالی که شرکت‌کنندگان به طور مداوم سواد عملکردی استثنایی در زمینه هوش مصنوعی از خود نشان می‌دهند، وابستگی فزاینده به الگوریتم‌ها به طور فعال تهدید می‌کند که قضاوت‌های سنتی و شهودی در طبیعت را تضعیف کند. در نهایت، هوش مصنوعی رابطه‌ای هرمنوتیکی را تسهیل می‌کند که در آن طبیعت بکر از طریق داده‌های گزینش‌شده تفسیر می‌شود و کاوش خام را به واقعیتی دیجیتال و میانجی‌گری‌شده تبدیل می‌کند که به طور فوری نیازمند حفظ دقیق عاملیت انسانی در گردشگری ماجراجویانه است.

Against the background of artificial intelligence (AI) reshaping the labor market, employment anxiety among higher vocational college students is becoming increasingly prominent. Grounded in Career Construction Theory, this study aims to explore the relationship between AI literacy and employment anxiety among Chinese higher vocational college students, with a specific focus on the chain mediating roles of career planning and future time perspective. A total of 1,234 students from five industry-featured higher vocational colleges in Jiangxi Province, China, were surveyed using self-report scales measuring AI literacy, employment anxiety, career planning, and future time perspective. The relationships among these variables were tested using the PROCESS macro (Model 6) for SPSS. The results indicated that (1) all variables were significantly correlated with one another; (2) AI literacy exhibited a significant positive total association with employment anxiety, which decomposed into a substantial positive direct association and a negative total indirect association; (3) AI literacy exerted a significant negative indirect association on employment anxiety through three pathways, namely, the independent mediating roles of career planning and future time perspective, and their chain mediating role, while the total association remained positive. These findings suggest that while higher AI literacy may heighten students’ awareness of labor-market disruptions, its negative indirect associations with employment anxiety operate through enhanced career planning and future orientation. It is recommended that higher vocational colleges consider integrating AI literacy education into career guidance programs, strengthening students’ career planning competencies, and cultivating a long-term future orientation, so as to potentially strengthen the anxiety-buffering pathway associated with AI literacy.

در بستر تحول بازار کار توسط هوش مصنوعی (AI)، اضطراب شغلی در میان دانشجویان آموزش عالی فنی و حرفه‌ای به طور فزاینده‌ای برجسته می‌شود. این مطالعه که مبتنی بر نظریه ساخت شغلی است، با هدف بررسی رابطه بین سواد هوش مصنوعی و اضطراب شغلی در میان دانشجویان آموزش عالی فنی و حرفه‌ای چینی انجام شده است و به طور خاص بر نقش‌های میانجی زنجیره‌ای برنامه‌ریزی شغلی و چشم‌انداز زمانی آینده تمرکز دارد. در این پژوهش، مجموعاً ۱۲۳۴ دانشجو از پنج کالج آموزش عالی فنی و حرفه‌ای با ویژگی‌های صنعتی در استان جیانگشی چین با استفاده از مقیاس‌های خودگزارشی سنجش سواد هوش مصنوعی، اضطراب شغلی، برنامه‌ریزی شغلی و چشم‌انداز زمانی آینده مورد بررسی قرار گرفتند. روابط میان این متغیرها با استفاده از ماکروی PROCESS (مدل ۶) در نرم‌افزار SPSS آزمون شد. نتایج نشان داد که (۱) تمامی متغیرها با یکدیگر همبستگی معناداری داشتند؛ (۲) سواد هوش مصنوعی ارتباط کلی مثبت معناداری با اضطراب شغلی نشان داد که به یک ارتباط مستقیم مثبت قابل توجه و یک ارتباط غیرمستقیم کلی منفی تجزیه شد؛ (۳) سواد هوش مصنوعی از طریق سه مسیر، یعنی نقش‌های میانجی مستقل برنامه‌ریزی شغلی و چشم‌انداز زمانی آینده و نقش میانجی زنجیره‌ای آن‌ها، تأثیر غیرمستقیم منفی معناداری بر اضطراب شغلی داشت، در حالی که ارتباط کلی همچنان مثبت باقی ماند. این یافته‌ها نشان می‌دهد که اگرچه سواد بالاتر هوش مصنوعی ممکن است آگاهی دانشجویان از اختلالات بازار کار را افزایش دهد، اما ارتباطات غیرمستقیم منفی آن با اضطراب شغلی از طریق تقویت برنامه‌ریزی شغلی و جهت‌گیری به آینده عمل می‌کند. توصیه می‌شود که کالج‌های آموزش عالی فنی و حرفه‌ای، آموزش سواد هوش مصنوعی را در برنامه‌های راهنمایی شغلی ادغام کرده، شایستگی‌های برنامه‌ریزی شغلی دانشجویان را تقویت نموده و جهت‌گیری بلندمدت به آینده را پرورش دهند تا بتوانند مسیر کاهش اضطراب مرتبط با سواد هوش مصنوعی را تقویت نمایند.

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.

This study aims to test and analyze the effectiveness of the Problem-Based Learning (PBL) Model in improving argumentation writing skills in elementary school students, and to determine any significant differences between the group taught using PBL and the group taught using the conventional model. The background of this study is the low ability of sixth-grade students to construct logical, evidence-supported arguments, which is suspected to be due to a lack of critical thinking stimulation in the conventional learning process. This study uses a quantitative approach with a quasi-experimental design (Quasi-Experimental Design) model of Non Equivalent Control Group Design. The subjects of the study were sixth grade students of SDN 12 Bilah Barat, Labuhanbatu Regency, Academic Year 2025-2026, which were divided into two groups, namely the Experimental Group (taught with PBL, N = 25) and the Control Group (taught with conventional models, N = 25). The instrument used was a test of argumentative text writing skills in the form of a pretest and posttest. Data were analyzed using the t-Independent Sample T-Test. The results of the prerequisite test showed that the data were normally distributed and had homogeneous variance. The results of the hypothesis test showed that the t-count of the posttest score (2.850) was greater than the t-table (2.011) with a significance value of P of 0.007 (less than 0.05). In addition, there was an increase in the average (Gain Score) in the experimental group of 1.60, much greater than the control group of 0.32. These results confirm a significant difference in argumentative writing skills between the two groups. The problem-based learning (PBL) model encourages students to identify problems, conduct investigations, and develop arguments based on evidence, which directly supports their argumentative writing skills. It is recommended that teachers implement PBL as an alternative learning model capable of stimulating students'

هدف این پژوهش، آزمون و تحلیل اثربخشی مدل یادگیری مبتنی بر مسئله (Problem-Based Learning یا PBL) در بهبود مهارت‌های نگارش استدلالی در دانش‌آموزان دبستان و تعیین تفاوت معنادار بین گروه آموزش‌دیده با PBL و گروه آموزش‌دیده با مدل متداول است. زمینه این پژوهش، پایین بودن توانایی دانش‌آموزان پایه ششم در ساخت استدلال‌های منطقی و مبتنی بر شواهد است که علت آن کمبود تحریک تفکر انتقادی در فرایند یادگیری متداول فرض می‌شود. این پژوهش با رویکرد کمی و با طرح شبه‌آزمایشی (Quasi-Experimental Design) از نوع Non Equivalent Control Group Design انجام شده است. جامعه پژوهش شامل دانش‌آموزان پایه ششم دبستان SDN 12 Bilah Barat، شهرستان Labuhanbatu، سال تحصیلی 2025-2026 بود که به دو گروه تقسیم شدند: گروه آزمایش (آموزش با PBL، N = 25) و گروه کنترل (آموزش با مدل متداول، N = 25). ابزار مورد استفاده، آزمون مهارت نگارش متن استدلالی به صورت پیش‌آزمون و پس‌آزمون بود. داده‌ها با استفاده از آزمون t مستقل (Independent Sample T-Test) تحلیل شدند. نتایج آزمون پیش‌نیازها نشان داد داده‌ها دارای توزیع نرمال و واریانس همگن هستند. نتایج آزمون فرضیه نشان داد که مقدار t محاسبه‌شده برای نمره پس‌آزمون (2.850) بزرگ‌تر از مقدار t جدول (2.011) با مقدار معناداری P برابر با 0.007 (کمتر از 0.05) است. همچنین، افزایش میانگین (Gain Score) در گروه آزمایش برابر با 1.60 بود که به‌مراتب بیشتر از گروه کنترل با مقدار 0.32 است. این نتایج تفاوت معنادار در مهارت نگارش استدلالی بین دو گروه را تأیید می‌کند. مدل یادگیری مبتنی بر مسئله (PBL) دانش‌آموزان را به شناسایی مسئله، انجام تحقیق و توسعه استدلال مبتنی بر شواهد ترغیب می‌کند که مستقیماً از مهارت‌های نگارش استدلالی آن‌ها حمایت می‌کند. توصیه می‌شود معلمان از PBL به عنوان یک مدل یادگیری جایگزین که قادر به تحریک تفکر انتقادی دانش‌آموزان است، استفاده کنند.

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.

Artificial intelligence (AI) is increasingly embedded in second language (L2) learning, yet the cognitive demands of AI-mediated environments, particularly for logographic languages such as Chinese, remain underexplored. This study investigated the interrelationships among executive function (EF), reading-related linguistic skills, AI literacy, and Chinese L2 reading comprehension in 155 Form 4 Southeast Asian ethnic minority students in Hong Kong. Using a quantitative design, we validated a three-factor EF model (working memory, cognitive flexibility, inhibitory control) and examined how these components, together with orthographic and morphological skills, relate to L2 reading outcomes. Structural equation modeling showed that all three EF components significantly predicted reading comprehension, underscoring the importance of executive control for processing a complex logographic script. AI literacy significantly supported both foundational reading skills and overall reading comprehension. A key finding of the integrated model is that cognitive flexibility significantly predicted AI literacy, which in turn significantly predicted reading comprehension, indicating an indirect pathway from EF to reading via AI literacy. This pattern highlights the cognitive underpinnings of digital engagement in L2 learning. The study extends the Reading Systems Framework by positioning AI literacy as an external scaffold that interacts with learners’ cognitive resources, and offers practical implications for designing cognitively supportive, AI-enhanced Chinese L2 instruction for ethnic minority learners.

هوش مصنوعی (AI) به طور فزاینده‌ای در یادگیری زبان دوم (L2) ادغام می‌شود، اما الزامات شناختی محیط‌های مبتنی بر هوش مصنوعی، به ویژه برای زبان‌های لوگوگرافی مانند چینی، همچنان کمتر مورد بررسی قرار گرفته‌اند. این پژوهش به بررسی روابط متقابل میان کارکرد اجرایی (EF)، مهارت‌های زبانی مرتبط با خواندن، سواد هوش مصنوعی و درک مطلب خواندن زبان چینی به عنوان زبان دوم در ۱۵۵ دانش‌آموز اقلیت قومی جنوب شرق آسیا در پایه چهارم متوسطه در هنگ‌کنگ پرداخت. با استفاده از طرح کمی، یک مدل سه‌عاملی کارکرد اجرایی (حافظه کاری، انعطاف‌پذیری شناختی، کنترل بازداری) اعتبارسنجی شد و بررسی گردید که این مؤلفه‌ها، همراه با مهارت‌های املایی و واژگانی، چگونه با پیامدهای خواندن زبان دوم مرتبط هستند. مدل‌یابی معادلات ساختاری نشان داد که هر سه مؤلفه کارکرد اجرایی به طور معناداری درک مطلب خواندن را پیش‌بینی می‌کنند و اهمیت کنترل اجرایی برای پردازش خط لوگوگرافی پیچیده را برجسته می‌سازند. سواد هوش مصنوعی به طور معناداری از هر دو مهارت پایه‌ای خواندن و درک مطلب کلی حمایت کرد. یافته کلیدی مدل یکپارچه این است که انعطاف‌پذیری شناختی به طور معناداری سواد هوش مصنوعی را پیش‌بینی می‌کند و سواد هوش مصنوعی نیز به طور معناداری درک مطلب خواندن را پیش‌بینی می‌کند، که به یک مسیر غیرمستقیم از کارکرد اجرایی به خواندن از طریق سواد هوش مصنوعی اشاره دارد. این الگو بر بنیان‌های شناختی مشارکت دیجیتال در یادگیری زبان دوم تأکید می‌کند. این پژوهش چارچوب سیستم‌های خواندن را با قرار دادن سواد هوش مصنوعی به عنوان یک تکیه‌گاه بیرونی که با منابع شناختی یادگیرندگان تعامل دارد، گسترش می‌دهد و پیامدهای عملی برای طراحی آموزش زبان چینی به عنوان زبان دوم مبتنی بر هوش مصنوعی و حمایت‌کننده شناختی برای یادگیرندگان اقلیت قومی ارائه می‌دهد.

The expanding integration of digital technologies and artificial intelligence (AI) in higher education has heightened the need to identify learner competencies associated with academic achievement. This study examined the associations of metacognition, self-directed learning ability, and AI literacy with self-reported academic achievement among university students in the Republic of Korea. A descriptive cross-sectional survey was conducted with 175 undergraduates from 11 universities between September 30 and November 1, 2025; 78.3% were enrolled in health-related majors. Metacognition, self-directed learning ability, and AI literacy were measured using the SMI, SDLI, and MAILS, respectively; academic achievement was measured as self-reported cumulative GPA on a 4.5-point scale. Data were analyzed using descriptive statistics, group comparisons, Pearson correlations, and hierarchical multiple regression with HC3 heteroscedasticity-robust standard errors. GPA differed by age, school life satisfaction, and AI-related course experience in unadjusted comparisons. Metacognition (r = .348, p < .001) and self-directed learning ability (r = .377, p < .001) were positively correlated with GPA, whereas AI literacy was not (r = .105, p = .167). In the adjusted six-predictor model, age ( β = .151, p = .023), AI-related course experience ( β = .145, p = .040), and self-directed learning ability ( β = .329, p = .023) were independently associated with GPA; metacognition and AI literacy were not. The model explained 20.0% of the variance (adjusted R 2 = .171). These findings identify self-directed learning ability as the only examined learner competency that remained significantly associated with GPA after adjustment. Longitudinal and intervention studies are needed before causal or mediational conclusions can be drawn.

ادغام فزاینده فناوری‌های دیجیتال و هوش مصنوعی (AI) در آموزش عالی، نیاز به شناسایی شایستگی‌های یادگیرندگان مرتبط با پیشرفت تحصیلی را افزایش داده است. این مطالعه ارتباط‌های فراشناخت، توانایی یادگیری خودراهبر، و سواد هوش مصنوعی را با پیشرفت تحصیلی خودگزارش‌شده در میان دانشجویان دانشگاهی در جمهوری کره بررسی کرد. یک پیمایش توصیفی مقطعی با ۱۷۵ دانشجوی کارشناسی از ۱۱ دانشگاه بین ۳۰ سپتامبر تا ۱ نوامبر ۲۰۲۵ انجام شد؛ ۷۸٫۳٪ در رشته‌های مرتبط با سلامت تحصیل می‌کردند. فراشناخت، توانایی یادگیری خودراهبر، و سواد هوش مصنوعی به‌ترتیب با استفاده از SMI، SDLI و MAILS سنجیده شدند؛ پیشرفت تحصیلی به‌صورت معدل تجمعی خودگزارش‌شده در مقیاس ۴٫۵ نمره‌ای اندازه‌گیری شد. داده‌ها با استفاده از آمار توصیفی، مقایسه‌های گروهی، همبستگی پیرسون و رگرسیون چندگانه سلسله‌مراتبی با خطاهای استاندارد مقاوم به ناهمگنی واریانس HC3 تحلیل شدند. معدل (GPA) در مقایسه‌های بدون تعدیل بر اساس سن، رضایت از زندگی دانشگاهی و تجربه گذراندن دوره‌های مرتبط با هوش مصنوعی متفاوت بود. فراشناخت (r = .348, p < .001) و توانایی یادگیری خودراهبر (r = .377, p < .001) با معدل رابطه مثبت داشتند، در حالی که سواد هوش مصنوعی چنین نبود (r = .105, p = .167). در مدل شش‌پیش‌بین تعدیل‌شده، سن (β = .151, p = .023)، تجربه گذراندن دوره‌های مرتبط با هوش مصنوعی (β = .145, p = .040)، و توانایی یادگیری خودراهبر (β = .329, p = .023) به طور مستقل با معدل مرتبط بودند؛ فراشناخت و سواد هوش مصنوعی مرتبط نبودند. این مدل ۲۰٫۰٪ از واریانس را تبیین کرد (R² تعدیل‌شده = .171). این یافته‌ها توانایی یادگیری خودراهبر را به عنوان تنها شایستگی یادگیرنده بررسی‌شده که پس از تعدیل همچنان با معدل ارتباط معنادار داشت، شناسایی می‌کند. پیش از نتیجه‌گیری علّی یا میانجی‌گرانه، مطالعات طولی و مداخله‌ای مورد نیاز است.

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.

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.

Artificial intelligence (AI) chatbots are increasingly embedded in adolescents’ daily lives, yet developmental science research struggles to keep pace with adoption. This mixed-methods study gathered developmental expert perspectives via a survey ( n = 141 researchers studying youth and technology and adjacent professionals) and semi-structured interviews ( n = 15) to inform a coordinated research and policy agenda on adolescent AI use. The study aims were to identify (1) priority AI use cases for future study, (2) priority research questions and methods, as well as barriers to future research, and (3) societal guardrails that developmental professionals recommend enacting now, while research is underway. Participants cautioned against vague “screen time” measures and agreed that nearly all use cases merit study but prioritized those with severe or irreversible immediate-term harms, AI literacy, AI as a social/relational actor, AI-generated (mis)information, and overreliance. Participants emphasized that methodological pluralism and triangulation, including within individual studies, are essential, agreeing that different methods can be complementary to address distinct research questions. Key barriers included the rapid pace of change in AI technology and use relative to academic timelines, limited industry transparency, funding gaps, and misaligned academic incentives. Proposed solutions included shared infrastructure, interdisciplinary consortia, and community partnerships. Participants underscored that responsibility for safe AI should not rest primarily on adolescents and families and identified three immediate guardrails: enforceable youth-centered regulation, developmentally informed design, and multidimensional AI literacy. Findings clarify a preliminary direction for the field and emphasize that coordination among researchers and between sectors is needed.

چت‌بات‌های هوش مصنوعی (AI) به طور فزاینده‌ای در زندگی روزمره نوجوانان جای گرفته‌اند، اما پژوهش‌های علم رشد با سرعت پذیرش این فناوری همگام نیستند. این مطالعه با روش ترکیبی، دیدگاه‌های متخصصان رشد را از طریق یک پیمایش (n = 141 پژوهشگر حوزه نوجوانان و فناوری و حرفه‌ای‌های مرتبط) و مصاحبه‌های نیمه‌ساختاریافته (n = 15) گردآوری کرد تا دستورکار هماهنگ پژوهشی و سیاستی درباره استفاده نوجوانان از هوش مصنوعی را تدوین کند. اهداف مطالعه عبارت بودند از: (1) شناسایی موارد اولویت‌دار استفاده از هوش مصنوعی برای پژوهش‌های آتی، (2) شناسایی پرسش‌ها و روش‌های پژوهشی اولویت‌دار و همچنین موانع پژوهش‌های آینده، و (3) تعیین چارچوب‌های محافظتی اجتماعی که متخصصان رشد توصیه می‌کنند همزمان با انجام پژوهش‌ها، اجرایی شوند. شرکت‌کنندگان نسبت به سنجش‌های مبهم «زمان استفاده از صفحه‌نمایش» هشدار دادند و توافق داشتند که تقریباً همه موارد استفاده شایسته مطالعه هستند، اما مواردی با آسیب‌های شدید یا غیرقابل بازگشت در کوتاه‌مدت، سواد هوش مصنوعی، نقش اجتماعی/ارتباطی هوش مصنوعی، اطلاعات (نادرست) تولیدشده توسط هوش مصنوعی و اتکای بیش از حد را در اولویت قرار دادند. شرکت‌کنندگان تأکید کردند که کثرت‌گرایی روشی و مثلث‌سازی، حتی در درون یک مطالعه، ضروری است و توافق داشتند که روش‌های مختلف می‌توانند برای پاسخ به پرسش‌های پژوهشی متفاوت، مکمل یکدیگر باشند. موانع کلیدی شامل سرعت بالای تغییرات فناوری و استفاده از هوش مصنوعی نسبت به زمان‌بندی‌های دانشگاهی، شفافیت محدود صنعت، کمبود منابع مالی و عدم تطابق مشوق‌های دانشگاهی بود. راه‌حل‌های پیشنهادی شامل زیرساخت مشترک، کنسرسیوم‌های میان‌رشته‌ای و مشارکت‌های اجتماعی بود. شرکت‌کنندگان تأکید کردند که مسئولیت ایمنی هوش مصنوعی نباید عمدتاً بر دوش نوجوانان و خانواده‌ها باشد و سه چارچوب فوری را شناسایی کردند: مقررات قابل اجرا با محوریت نوجوانان، طراحی مبتنی بر رشد و سواد چندبعدی هوش مصنوعی. یافته‌ها جهت‌گیری مقدماتی این حوزه را روشن می‌کند و بر ضرورت هماهنگی میان پژوهشگران و بین بخش‌ها تأکید دارد.

The rapid emergence of Artificial Intelligence (AI), is reshaping higher education through real-time tutoring, personalised learning, and advanced knowledge synthesis. In Uganda, the adoption of Competence-Based Education (CBE) emphasises learner-centered pedagogy, critical thinking, and practical skill development. While AI presents opportunities to strengthen CBE, its unstructured use may undermine independent inquiry, critical thinking, and authentic competency development. The study investigated how institutional readiness, stakeholder perceptions, and AI use patterns relate to learner achievement within a competence-based curriculum in an AI-powered environment. It further identified strategies for integrating AI to support competency attainment, academic performance, assessment outcomes, and learning outcomes while preserving the principles of CBE in Ugandan higher education institutions. A cross-sectional quantitative design was employed, involving academic staff ( n = 52) and students ( n = 513) from public and private universities in Uganda. Participants were recruited through convenience sampling using online platforms. Data were collected using structured questionnaires measuring institutional readiness, stakeholder perceptions, AI usage patterns, learner achievement, and pedagogical strategies for AI integration. Both descriptive and inferential statistics were analysed using the JASP statistical tool and Python-based data analysis tools. The findings revealed moderate institutional readiness for AI adoption, with technology recording the highest readiness (M = 3.2), followed by pedagogy (M = 2.9), while policy and governance readiness remained low (M = 2.4). Stakeholders perceived AI as supporting competency achievement (M = 4.1, 85%) and self-directed learning (M = 4.0, 80%), although concerns were raised regarding independent problem-solving (M = 3.6, 65%) and assessment authenticity (M = 3.8, 70%). Students reported frequent use of AI tools, particularly ChatGPT (81.1%), Gemini (56.8%), and Copilot (38.8%), primarily for concept clarification (89.2%), research (81.1%), and idea generation (70.3%). Correlation analysis revealed a moderate positive relationship between AI use frequency and academic performance ( r = 0.544), while chi-square analysis confirmed a significant association between AI use and academic performance (χ 2 = 241.898, p < 0.001). The study concludes that effective AI integration in CBE requires AI literacy training, lecturer capacity building, institutional policy frameworks, and competency-oriented assessment approaches to enhance learner achievement while preserving the integrity of competency development.

ظهور سریع هوش مصنوعی (AI)، آموزش عالی را از طریق آموزش در لحظه، یادگیری شخصی‌سازی‌شده و ترکیب پیشرفته دانش دگرگون می‌کند. در اوگاندا، پذیرش آموزش مبتنی بر شایستگی (CBE) بر آموزش یادگیرنده‌محور، تفکر انتقادی و توسعه مهارت‌های عملی تأکید دارد. در حالی که هوش مصنوعی فرصت‌هایی برای تقویت CBE فراهم می‌کند، استفاده بدون ساختار از آن ممکن است پژوهش مستقل، تفکر انتقادی و توسعه واقعی شایستگی را تضعیف کند. این مطالعه بررسی کرد که آمادگی نهادی، ادراک ذینفعان و الگوهای استفاده از هوش مصنوعی چگونه با پیشرفت یادگیرندگان در چارچوب برنامه درسی مبتنی بر شایستگی در محیطی مبتنی بر هوش مصنوعی مرتبط است. همچنین راهبردهایی را برای ادغام هوش مصنوعی به منظور حمایت از دستیابی به شایستگی، عملکرد تحصیلی، نتایج ارزیابی و نتایج یادگیری، در عین حفظ اصول CBE در مؤسسات آموزش عالی اوگاندا شناسایی کرد. یک طرح کمی مقطعی به کار گرفته شد که شامل اعضای هیئت علمی (n = 52) و دانشجویان (n = 513) از دانشگاه‌های دولتی و خصوصی اوگاندا بود. شرکت‌کنندگان از طریق نمونه‌گیری در دسترس با استفاده از بسترهای آنلاین جذب شدند. داده‌ها با استفاده از پرسشنامه‌های ساختاریافته که آمادگی نهادی، ادراک ذینفعان، الگوهای استفاده از هوش مصنوعی، پیشرفت یادگیرندگان و راهبردهای آموزشی برای ادغام هوش مصنوعی را اندازه‌گیری می‌کرد، جمع‌آوری شد. هر دو آمار توصیفی و استنباطی با استفاده از ابزار آماری JASP و ابزارهای تحلیل داده مبتنی بر Python تحلیل شدند. یافته‌ها آمادگی متوسط نهادی برای پذیرش هوش مصنوعی را نشان داد، به طوری که فناوری بالاترین آمادگی (M = 3.2) و پس از آن آموزش (M = 2.9) را داشت، در حالی که آمادگی سیاست و حکمرانی پایین باقی ماند (M = 2.4). ذینفعان هوش مصنوعی را در حمایت از دستیابی به شایستگی (M = 4.1، ۸۵٪) و یادگیری خودراهبر (M = 4.0، ۸۰٪) مؤثر دانستند، اگرچه نگرانی‌هایی در مورد حل مسئله مستقل (M = 3.6، ۶۵٪) و اصالت ارزیابی (M = 3.8، ۷۰٪) مطرح شد. دانشجویان استفاده مکرر از ابزارهای هوش مصنوعی، به ویژه ChatGPT (۸۱.۱٪)، Gemini (۵۶.۸٪) و Copilot (۳۸.۸٪) را عمدتاً برای شفاف‌سازی مفاهیم (۸۹.۲٪)، پژوهش (۸۱.۱٪) و تولید ایده (۷۰.۳٪) گزارش کردند. تحلیل همبستگی رابطه مثبت متوسطی بین فراوانی استفاده از هوش مصنوعی و عملکرد تحصیلی (r = 0.544) نشان داد، در حالی که تحلیل کای-دو ارتباط معناداری بین استفاده از هوش مصنوعی و عملکرد تحصیلی (χ2 = 241.898، p < 0.001) را تأیید کرد. مطالعه نتیجه می‌گیرد که ادغام مؤثر هوش مصنوعی در CBE مستلزم آموزش سواد هوش مصنوعی، توانمندسازی اعضای هیئت علمی، چارچوب‌های سیاست نهادی و رویکردهای ارزیابی مبتنی بر شایستگی است تا پیشرفت یادگیرندگان را در عین حفظ یکپارچگی توسعه شایستگی ارتقا دهد.

This study explored strategies for bridging AI-mediated educational inequalities in Open and Distance eLearning (ODeL) using Zimbabwe Open University as a case study. The study was grounded in the Capability Approach, which emphasises individuals’ ability to access and effectively utilise resources to achieve valued outcomes. A qualitative instrumental case study design was employed to gain an in-depth understanding of the interventions required to promote equitable participation in AI-enabled learning among geographically diverse student populations. Data were generated through semi-structured interviews with seven lecturers and one quality assurance coordinator, as well as focus group discussions with 14 students from diverse geographical and socioeconomic backgrounds. The data were analysed using Braun and Clarke's six-phase thematic analysis approach. The findings revealed four major strategies for bridging AI -mediated educational inequalities: digital infrastructure development, AI and digital literacy capacity building, inclusive institutional policies and support systems, and multi-stakeholder partnership and resource mobilisation. The study found that these strategies have the potential to enhance equitable access to AI-enabled learning resources, strengthen students’ digital capabilities, improve participation in AI-supported learning environments and reduce disparities between urban and rural learners. However, the effectiveness of these strategies may be constrained by limited financial resources, inadequate technological infrastructure, uneven digital literacy levels and policy implementation challenges. The study concludes that bridging AI-mediated educational inequalities requires a holistic approach that combines technological investment, capacity development, institutional commitment, and collaborative partnership. The study contributes to the emerging literature by showing that AI-mediated educational inequality extends beyond conventional digital access to include differences in AI literacy, institutional support, and students’ capabilities to convert AI resources into meaningful learning opportunities. The study recommends that ODeL institutions adopt inclusive AI integration frameworks that prioritise equitable access, digital empowerment, and targeted support for disadvantaged learners to ensure that the benefits of AI are accessible to all students regardless of geographical location.

این مطالعه به بررسی راهبردهایی برای پل زدن بر نابرابری‌های آموزشی مبتنی بر هوش مصنوعی در آموزش باز و از راه دور الکترونیکی (ODeL) با استفاده از دانشگاه باز زیمبابوه به عنوان مطالعه موردی پرداخت. این پژوهش بر رویکرد قابلیت استوار بود که بر توانایی افراد در دسترسی و بهره‌برداری مؤثر از منابع برای دستیابی به پیامدهای ارزشمند تأکید دارد. از طرح مطالعه موردی ابزاری کیفی برای درک عمیق مداخلات مورد نیاز جهت ارتقای مشارکت برابر در یادگیری مبتنی بر هوش مصنوعی در میان جمعیت دانشجویی با پراکندگی جغرافیایی مختلف استفاده شد. داده‌ها از طریق مصاحبه‌های نیمه‌ساختاریافته با هفت مدرس و یک هماهنگ‌کننده تضمین کیفیت و همچنین بحث‌های گروهی متمرکز با ۱۴ دانشجو از پیشینه‌های جغرافیایی و اجتماعی-اقتصادی متنوع گردآوری شد. داده‌ها با استفاده از رویکرد تحلیل تماتیک شش‌مرحله‌ای Braun و Clarke تحلیل شدند. یافته‌ها چهار راهبرد اصلی برای پل زدن بر نابرابری‌های آموزشی مبتنی بر هوش مصنوعی را آشکار ساخت: توسعه زیرساخت دیجیتال، توانمندسازی سواد دیجیتال و هوش مصنوعی، سیاست‌ها و نظام‌های حمایتی فراگیر در سطح نهادی، و مشارکت چندذینفعی و بسیج منابع. پژوهش نشان داد که این راهبردها می‌توانند دسترسی برابر به منابع یادگیری مبتنی بر هوش مصنوعی را ارتقا دهند، قابلیت‌های دیجیتال دانشجویان را تقویت کنند، مشارکت در محیط‌های یادگیری پشتیبانی‌شده توسط هوش مصنوعی را بهبود بخشند و شکاف میان دانشجویان شهری و روستایی را کاهش دهند. با این حال، اثربخشی این راهبردها ممکن است با محدودیت منابع مالی، زیرساخت فناوری ناکافی، سطوح نابرابر سواد دیجیتال و چالش‌های اجرای سیاستی مواجه شود. این مطالعه نتیجه می‌گیرد که پل زدن بر نابرابری‌های آموزشی مبتنی بر هوش مصنوعی نیازمند رویکردی جامع است که سرمایه‌گذاری فناورانه، توسعه ظرفیت، تعهد نهادی و مشارکت همکاری‌جویانه را تلفیق کند. این پژوهش با نشان دادن اینکه نابرابری آموزشی مبتنی بر هوش مصنوعی فراتر از دسترسی صرف به فناوری دیجیتال بوده و تفاوت‌هایی در سواد هوش مصنوعی، حمایت نهادی و قابلیت‌های دانشجویان برای تبدیل منابع هوش مصنوعی به فرصت‌های یادگیری معنادار را نیز در بر می‌گیرد، به ادبیات نوظهور این حوزه کمک می‌کند. مطالعه حاضر توصیه می‌کند که مؤسسات ODeL چارچوب‌های ادغام فراگیر هوش مصنوعی را اتخاذ کنند که دسترسی برابر، توانمندسازی دیجیتال و حمایت هدفمند از دانشجویان محروم را در اولویت قرار دهد تا اطمینان حاصل شود که منافع هوش مصنوعی برای همه دانشجویان صرف‌نظر از موقعیت جغرافیایی در دسترس باشد.

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.