human-AI collaboration

Against the backdrop of deepening industry-education integration in vocational education and AI-driven digital transformation, productive teaching projects face not only the perennial challenge of transforming authentic production tasks into teachable activities, but also new challenges such as rapid resource obsolescence, heterogeneous learner foundations, and insufficient evidence for process-based assessment. Taking the “Deployment and Maintenance of a Navigation Data Storage Platform” task from the Yangtze River Trunk-Line Ship Water Pollutant Joint Supervision and Service Information System as a case, this study builds on the six-stage process of Select→Deconstruct→Define→Transform→Integrate→Extend and develops a human–AI collaborative mechanism characterized by real projects as the carrier, job competencies as the main line, and AI-supported cognition as the support. To strengthen AI empowerment across project development and implementation, AI is embedded in project selection, work-process deconstruction, competency definition, teaching-task transformation, curriculum integration, and resource expansion, and is integrated with IDEAL project-based learning, multi-stakeholder whole-process assessment, “dual-teacher + AI assistant” collaboration, and a blended virtual–real training environment. This study provides a reference for IT-related programs seeking to build replicable and iteratively improvable AI-empowered productive teaching projects.

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.

Abstract As autonomous systems become increasingly capable, the deployment of Human‐Multi‐Agent Teams (HMATs) offers immense potential for executing complex, decentralized tasks. However, realizing this potential is constrained by a critical bottleneck: the cognitive and supervisory capacity of the human operator. While foundational fan‐out models established crucial groundwork for predicting this capacity, they are structurally limited to sequential, one‐to‐one interactions and rely on ambiguous variables that often produce overly optimistic predictions in real‐world environments. This article synthesizes a multi‐year empirical research program to present a comprehensive, new framework for modeling human‐autonomy scalability. First, we deconstruct the variables of legacy models into human and robot elements, demonstrating that true scalability is a relational property driven by human‐robot alignment rather than raw machine autonomy. We then validate the necessity of a mathematically bounded architecture to ensure predictive stability under operational uncertainty. Finally, we extend this framework to mathematically capture the paradigm shift toward group‐based, one‐to‐many teaming. By analyzing the results of a complex, multi‐agent simulation, we reveal the fundamental, quantifiable trade‐off between increasing team scale and maintaining human oversight, providing AI system designers with a validated blueprint for optimizing the next generation of human‐autonomy teams.

چکیده: با افزایش توانمندی سامانه‌های خودمختار، به‌کارگیری تیم‌های انسان-چندعامل (HMATs) ظرفیت چشمگیری برای اجرای وظایف پیچیده و غیرمتمرکز فراهم می‌کند. با این حال، تحقق این ظرفیت با یک گلوگاه اساسی محدود می‌شود: ظرفیت شناختی و نظارتی اپراتور انسانی. اگرچه مدل‌های بنیادین fan-out زیرساخت مهمی برای پیش‌بینی این ظرفیت فراهم کرده‌اند، اما این مدل‌ها به‌طور ساختاری به تعاملات متوالی و یک‌به‌یک محدود هستند و به متغیرهای مبهمی متکی‌اند که اغلب منجر به پیش‌بینی‌های بیش از حد خوش‌بینانه در محیط‌های واقعی می‌شوند. این مقاله با تلفیق یک برنامه پژوهشی تجربی چندساله، چارچوبی جامع و نوین برای مدل‌سازی مقیاس‌پذیری انسان-خودمختاری ارائه می‌دهد. نخست، متغیرهای مدل‌های پیشین به عناصر انسانی و رباتیکی تجزیه می‌شوند و نشان داده می‌شود که مقیاس‌پذیری واقعی یک ویژگی رابطه‌ای است که توسط هم‌راستایی انسان-ربات هدایت می‌شود و نه صرفاً خودمختاری ماشین. سپس، ضرورت وجود معماری با مرزهای ریاضی برای تضمین پایداری پیش‌بینی در شرایط عدم قطعیت عملیاتی اعتبارسنجی می‌شود. در نهایت، این چارچوب برای مدل‌سازی ریاضی تغییر پارادایم به سوی تیم‌سازی گروهی و یک‌به‌چند گسترش می‌یابد. با تحلیل نتایج یک شبیه‌سازی پیچیده چندعامله، مبادله اساسی و قابل سنجش میان افزایش مقیاس تیم و حفظ نظارت انسانی آشکار می‌شود و الگویی معتبر برای بهینه‌سازی نسل آینده تیم‌های انسان-خودمختاری در اختیار طراحان سامانه‌های هوش مصنوعی قرار می‌گیرد.

This study examines human–AI collaboration in Qur’anic interpretation by reconsidering the epistemological role of the mufassir within the emerging ecosystem of algorithmic religious knowledge. The development of generative artificial intelligence, particularly large language models (LLMs), has transformed how Qur’anic knowledge is accessed, produced, and disseminated. Although AI demonstrates significant capabilities in generating coherent interpretations, synthesizing information, and retrieving textual references, its outputs raise critical questions concerning interpretive authority, methodological validity, source reliability, and epistemic accountability. This study employs a qualitative approach with an analytical-comparative design to investigate the relationship between AI-generated interpretations and established classical and contemporary Qur’anic exegesis. Data are analyzed through three interconnected stages: AI interpretation generation, human critical evaluation, and exegetical validation. The study argues that AI should not be positioned as a replacement for the mufassir, but rather as a computational instrument that facilitates textual exploration, source retrieval, and interpretive synthesis. Accordingly, this research proposes the concept of Human-Centered Algorithmic Tafsir, which repositions the mufassir as an epistemic validator, contextualizer, curator, and ethical supervisor. This framework emphasizes that technological efficiency cannot independently establish interpretive legitimacy, as Qur’anic interpretation requires methodological competence, contextual awareness, and human responsibility.

این پژوهش به بررسی همکاری انسان و هوش مصنوعی در تفسیر قرآن با بازنگری نقش معرفت‌شناختی مفسر در اکوسیستم نوظهور دانش دینی الگوریتمی می‌پردازد. توسعه هوش مصنوعی مولد، به‌ویژه مدل‌های زبانی بزرگ (LLMs)، شیوه‌های دسترسی، تولید و انتشار دانش قرآنی را دگرگون کرده است. اگرچه هوش مصنوعی توانمندی‌های قابل توجهی در تولید تفسیرهای منسجم، تلفیق اطلاعات و بازیابی منابع متنی از خود نشان می‌دهد، اما خروجی‌های آن پرسش‌های مهمی درباره مرجعیت تفسیری، روایی روشی، پایایی منابع و مسئولیت معرفتی ایجاد می‌کند. این پژوهش با رویکرد کیفی و طراحی تحلیلی-مقایسه‌ای، به بررسی رابطه میان تفسیرهای تولیدشده توسط هوش مصنوعی و تفسیرهای کلاسیک و معاصر قرآن می‌پردازد. داده‌ها در سه مرحله به‌هم‌پیوسته تحلیل می‌شوند: تولید تفسیر توسط هوش مصنوعی، ارزیابی انتقادی انسانی و اعتبارسنجی تفسیری. پژوهش استدلال می‌کند که هوش مصنوعی نباید جایگزین مفسر تلقی شود، بلکه باید به‌عنوان ابزاری محاسباتی برای تسهیل کاوش متنی، بازیابی منابع و تلفیق تفسیری مورد استفاده قرار گیرد. بر این اساس، این پژوهش مفهوم «تفسیر الگوریتمی انسان‌محور» را پیشنهاد می‌کند که در آن مفسر به‌عنوان اعتبارسنج معرفتی، زمینه‌ساز، گزینشگر و ناظر اخلاقی بازتعریف می‌شود. این چارچوب تأکید می‌کند که کارآمدی فناورانه به‌تنهایی نمی‌تواند مشروعیت تفسیری را تثبیت کند، چراکه تفسیر قرآن مستلزم شایستگی روشی، آگاهی زمینه‌ای و مسئولیت انسانی است.