Grammar

The emergence of generative artificial intelligence (Generative AI), such as ChatGPT, has brought significant changes to higher education, including Arabic language learning for non-native speakers (Arabic as a Foreign Language). Writing skills (Maharah al-Kitabah) are considered a relatively complex productive skill. Learners are required not only to master word formation (Sarf) and Arabic grammar (Nahwu), but also to organize ideas coherently and logically. This article employs a Systematic Literature Review (SLR) approach based on the PRISMA 2020 standards to map the use of ChatGPT in Arabic writing, examine the reliability of AI in Arabic grammar, and identify research gaps that remain underexplored. The review findings indicate that ChatGPT can serve as a useful writing partner (human-AI co-writer), particularly for generating ideas, enriching vocabulary, and correcting basic grammatical errors. However, AI still frequently produces errors or “hallucinations” when dealing with morphologically complex words, variations in Arabic dialects, and unvocalized texts. As a result, AI-generated writing may appear linguistically polished on the surface while containing grammatical inaccuracies. Furthermore, excessive reliance on AI may pose risks to academic integrity, while AI detection tools themselves often produce inaccurate results when identifying Arabic-language texts (false positives). This review also finds that existing research remains overly focused on English, tends to examine only the final writing outcomes without investigating students’ cognitive processes, and has paid limited attention to AI models specifically developed for the Arab region, such as ALLaM and Jais. Therefore, the approach to AI-assisted learning needs to shift from merely using AI toward purposeful and reflective utilization through frameworks such as the Spiral Learning Model and Genre-Based Pedagogy, so that AI functions as a scaffold without diminishing students’ autonomy and critical thinking.

This study aims to analyze language errors and problems in the presentation of materials in the latest edition of Al Muyassar Fii ‘Ilmin Nahwi, Volume 2. This study is based on the importance of accuracy in Arabic grammar textbooks and previous findings of errors in Volume 1, which show the need to evaluate the following volume. This research uses a descriptive qualitative approach with content analysis. The data were collected by examining the texts, examples, tables, and exercises in Volume 2 of Al Muyassar. The data were then classified according to the types of errors and compared with the previous edition to identify patterns and changes. The results show that syntactic errors were the most common, accounting for 34% of the findings. Spelling (imlā’) and morphological errors each accounted for 19%, semantic errors accounted for 8%, and other types of errors accounted for 20%. In addition to language errors, the study also found problems related to the completeness of the materials, the classification of examples, the accuracy of quotations from the Qur’an and hadith, and the presentation of the content. A comparison with the previous edition showed that approximately 57% of the findings in the latest edition were not found in the earlier version. This indicates the need for stricter checks during text reproduction, editing, and digitization. These findings suggest that each volume of Al Muyassar needs to be evaluated separately because the problems found in each volume are not entirely the same. This study recommends a multi-stage editing and verification process covering syntax, morphology, spelling, semantics, material presentation, and source quotations to ensure that Volume 2 is more accurate and suitable for use as an Arabic grammar textbook.

This design case describes the development and iterative refinement of an instructional method for teaching the Spanish prepositions por and para, which are a persistent challenge for learners to master, even at advanced levels. This instructional design is a visually based mnemonic system that uses color-coded images to facilitate the memorization and contextual understanding of 14 distinct usage rules. Initially created from classroom necessity and refined over multiple semesters, the design combines visual aids, student interaction, and a novel “color reveal” step that retroactively assigns color categories—black-and-white for por and color for para—to previously memorized images. This delayed categorization allows learners to chunk and sort abstract grammar rules efficiently, reducing cognitive load and improving retention. The method was implemented in second-semester Spanish courses at a large Midwestern university and later adapted for asynchronous instruction. Only after developing the design did the theoretical underpinnings—dual coding, information processing theory, and schema formation—become clear. This case illustrates to the designer the value of practice-driven innovation and the role of cognitive theory in shaping effective instructional tools.

This study examined the reported levels of reading skills, writing skills, academic success, and challenges in literacy development among Grade 5 and Grade 6 learners. The study was conducted in selected public elementary schools in Lutayan, Sultan Kudarat during the School Year 2025–2026. A quantitative descriptive-correlational research design was employed. The respondents were 56 learners selected through proportionate sampling. Data were collected using a researcher-developed 40-item questionnaire covering reading skills (comprehension, vocabulary, and fluency); writing skills (syntax, grammar, and morphology); academic success; and challenges in reading and writing. The instrument obtained a mean validity score of 4.36 and a Cronbach’s alpha of 0.762, indicating acceptable internal consistency. Mean, standard deviation, and Pearson Product-Moment Correlation Coefficient were used to analyze the data. The findings showed that learners reported a very high level of reading skills (M = 4.40) and writing skills (M = 4.51). Academic success was reported as Very Satisfactory (M = 4.50), while challenges in developing literacy skills were reported as Challenged (M = 3.71). The correlation analysis showed a negligible positive relationship between reading skills and academic success (r = 0.119) and a negligible negative relationship between writing skills and academic success (r = -0.097). Neither relationship was statistically significant at the 0.05 level. The findings suggest that although learners reported high levels of reading and writing skills, these skills alone were not significantly related to their reported academic success. Other factors may also contribute to learners’ academic development.

Introduction This study evaluates interactive digital practice modules for grammar acquisition in German as a foreign language, focusing on verb-complement patterns involving verb meaning, complement selection, case marking, and prepositional choice. Drawing on construction-based pedagogy, it examines digitally supported retrieval practice, self-paced learning, response checking, and structured comparison. Methods The study analyzed an archived dataset of 61 Arabic-speaking university learners who participated in a six-week quasi-experimental pretest-posttest design. The experimental group used interactive digital modules, while the control group received conventional instruction. Because the recovered test forms differed in length, scores were converted into percentages, although this adjustment could not ensure measurement equivalence. Results Both groups demonstrated statistically significant improvements in percentage scores from pretest to posttest. However, the difference in learning gains between the experimental and control groups was not statistically significant. Discussion The findings suggest that grammar learning improved under both instructional conditions without establishing a significant advantage for the digital modules. Because digital delivery and pedagogical organization varied simultaneously, their independent contributions could not be determined. Furthermore, percentage-based score conversion did not address potential differences in test difficulty, content coverage, or measurement precision. The study highlights the importance of comparable assessment instruments, transparent outcome measures, and designs capable of distinguishing technological effects from pedagogical effects in digitally mediated second language grammar instruction.

The revitalization of Qur’anic education has become increasingly important in responding to the broader educational needs of contemporary society. This study examines how Rumah Qur’an Al-Azhar Al-Syarif in Indonesia revitalizes Qur’anic education through BARAKAT (Bimbingan Ragam Kreativitas dan Asah Talenta), a program designed to develop students’ interests and talents beyond conventional Qur’anic learning. The program encompasses six areas: Qur’anic recitation (tilawah), Islamic devotional performance (habsyi), calligraphy, Arabic grammar and morphology (nahwu-sharaf), archery, and karate. Using a qualitative case study approach, this research explores the program’s educational contributions based on participants’ experiences and reported changes in learning behavior and social engagement. The findings indicate that BARAKAT is perceived to support students’ learning motivation, reflected in more consistent attendance, greater discipline, increased enthusiasm for practice, and reported improvements in Qur’anic memorization. The program is also associated with enhanced social readiness, particularly confidence in public performance, teamwork, empathy, solidarity, and respect for differences. These findings suggest that integrating interest- and talent-based activities into Qur’anic education may broaden its educational role beyond religious knowledge acquisition to include personal development and social competencies. This study contributes to discussions on the revitalization of non-formal Islamic education by highlighting the potential of structured extracurricular programs to connect Qur’anic learning with students’ broader developmental needs.

احیای آموزش قرآنی در پاسخ به نیازهای گسترده‌تر آموزشی جامعه معاصر اهمیت فزاینده‌ای یافته است. این پژوهش بررسی می‌کند که چگونه Rumah Qur’an Al-Azhar Al-Syarif در اندونزی آموزش قرآنی را از طریق برنامه BARAKAT (راهنمایی تنوع خلاقیت و پرورش استعداد)، که با هدف توسعه علاقه‌ها و استعدادهای دانش‌آموزان فراتر از آموزش قرآنی متعارف طراحی شده است، احیا می‌کند. این برنامه شش حوزه را در بر می‌گیرد: تلاوت قرآن (تلاوه)، اجرای عبادی اسلامی (حبشی)، خوشنویسی، دستور و صرف و نحو عربی (نحو-صرف)، تیراندازی با کمان و کاراته. با استفاده از رویکرد مطالعه موردی کیفی، این پژوهش به بررسی مشارکت‌های آموزشی این برنامه بر اساس تجارب شرکت‌کنندگان و تغییرات گزارش‌شده در رفتار یادگیری و تعاملات اجتماعی می‌پردازد. یافته‌ها نشان می‌دهد که BARAKAT به عنوان عاملی در حمایت از انگیزه یادگیری دانش‌آموزان تلقی می‌شود که این امر در حضور منظم‌تر، انضباط بیشتر، اشتیاق افزون‌تر برای تمرین و بهبود گزارش‌شده در حفظ قرآن منعکس شده است. همچنین این برنامه با آمادگی اجتماعی بیشتر، به‌ویژه اعتماد به نفس در اجراهای عمومی، کار گروهی، همدلی، همبستگی و احترام به تفاوت‌ها مرتبط است. این یافته‌ها حاکی از آن است که ادغام فعالیت‌های مبتنی بر علاقه و استعداد در آموزش قرآنی می‌تواند نقش آموزشی آن را فراتر از کسب دانش دینی به توسعه فردی و شایستگی‌های اجتماعی گسترش دهد. این پژوهش با برجسته‌کردن ظرفیت برنامه‌های فوق‌برنامه ساختاریافته برای پیوند آموزش قرآنی با نیازهای توسعه‌ای گسترده‌تر دانش‌آموزان، به بحث‌های مربوط به احیای آموزش اسلامی غیررسمی کمک می‌کند.

The purpose of this literature synthesis was to identify the level of research evidence for specific writing instructional practices and opportunities for next steps in research. Instead of relying on how study authors described their instruction, this synthesis aggregated studies by the effects on specific component skills of writing (spelling, handwriting, grammar, vocabulary, discourse elements, higher-order cognition, and self-regulation). These specific components were chosen based on a comprehensive and empirically derived theoretical framework – the Direct and Indirect Effects Model of Writing. The literature search included studies with a controlled intervention design, resulting in 162 studies (74% in grades K–5). Studies were reviewed for their design quality, instruction provided, proximal outcomes measured, participant characteristics, and instructional context. Robust positive effects were found for explicitly teaching students discourse elements, spelling, handwriting, and multiple components to a variety of students. More research is needed for vocabulary, grammar, typing, higher-order cognition, and implementation. There is promising evidence of effective instruction in the component skills of writing. Future research that better describes instruction and the unique contextual challenges of different populations holds promise for addressing the need for writing instruction.

هدف این سنتز ادبیات، شناسایی سطح شواهد پژوهشی برای روش‌های خاص آموزش نوشتن و فرصت‌های گام‌های بعدی در پژوهش بود. به جای اتکا به توصیف نویسندگان مطالعات از آموزش خود، این سنتز مطالعات را بر اساس تأثیر آن‌ها بر مهارت‌های اجزایی خاص نوشتن (املاء، خوشنویسی، دستور زبان، واژگان، عناصر گفتمان، شناخت مرتبه بالاتر و خودتنظیمی) تجمیع کرد. این اجزای خاص بر اساس یک چارچوب نظری جامع و مبتنی بر شواهد تجربی – مدل اثرات مستقیم و غیرمستقیم نوشتن – انتخاب شدند. جستجوی ادبیات شامل مطالعاتی با طرح مداخله کنترل‌شده بود که منجر به ۱۶۲ مطالعه (۷۴٪ در پایه‌های K–5) شد. مطالعات از نظر کیفیت طرح، آموزش ارائه‌شده، پیامدهای نزدیک اندازه‌گیری‌شده، ویژگی‌های شرکت‌کنندگان و زمینه آموزشی مرور شدند. آثار مثبت قوی برای آموزش صریح عناصر گفتمان، املاء، خوشنویسی و چندین مؤلفه برای انواع مختلفی از دانش‌آموزان مشاهده شد. برای واژگان، دستور زبان، تایپ، شناخت مرتبه بالاتر و اجرا به پژوهش بیشتری نیاز است. شواهد امیدوارکننده‌ای از آموزش مؤثر در مهارت‌های اجزایی نوشتن وجود دارد. پژوهش‌های آینده که آموزش و چالش‌های زمینه‌ای خاص جمعیت‌های مختلف را بهتر توصیف کنند، امیدبخش پاسخگویی به نیاز آموزش نوشتن هستند.

The rapid adoption of generative artificial intelligence (AI) tools such as ChatGPT in second language (L2) writing instruction has produced a fast-growing body of research on AI-generated written corrective feedback. Two recent scoping reviews have mapped this literature broadly, focusing on feedback quality, learner uptake and pedagogical integration. However, neither review specifically examined how this literature treats grammatical and lexical development as distinct, measurable constructs, nor how it addresses the moderating role of learner proficiency over time. This scoping review synthesizes 30 empirical and methodological sources, identified through a targeted, PRISMA-ScR-informed search of Google Scholar, Scopus-indexed journal content and ERIC, together with citation networks, to map the state of longitudinal research on generative-AI-mediated feedback and grammatical-lexical development in L2/EFL writing. The review finds that most intervention studies remain limited to a single semester or shorter, that grammatical accuracy and lexical development are rarely measured as separate, co-tracked outcomes and that only a small number of very recent studies (2025-2026) have applied longitudinal growth-modelling techniques, none of which disentangle grammar from vocabulary or systematically test proficiency level as a moderator of developmental trajectories. No such study appears to have been conducted in the Vietnamese EFL context, based on the sources identified in this review. The review proposes a research agenda for longitudinal, multi-proficiency-level, construct-differentiated research on generative-AI-mediated feedback and outlines implications for instructional design and future primary research.

پذیرش سریع ابزارهای هوش مصنوعی مولد مانند ChatGPT در آموزش نگارش زبان دوم (L2) منجر به رشد سریع پژوهش‌ها در زمینه بازخورد اصلاحی نوشتاری تولیدشده توسط هوش مصنوعی شده است. دو مرور محدوده‌ای اخیر این ادبیات را به طور کلی ترسیم کرده‌اند و بر کیفیت بازخورد، جذب یادگیرنده و ادغام آموزشی تمرکز داشته‌اند. با این حال، هیچ‌یک از این مرورها به طور خاص بررسی نکرده‌اند که این ادبیات چگونه توسعه دستوری و واژگانی را به عنوان سازه‌هایی متمایز و قابل سنجش مورد توجه قرار می‌دهد و یا نقش تعدیل‌کننده سطح مهارت یادگیرنده در طول زمان را چگونه بررسی می‌کند. این مرور محدوده‌ای با ترکیب ۳۰ منبع تجربی و روش‌شناختی، که از طریق جستجوی هدفمند مبتنی بر PRISMA-ScR در Google Scholar، محتوای مجلات نمایه‌شده در Scopus و ERIC، همراه با شبکه‌های ارجاعی شناسایی شده‌اند، وضعیت پژوهش‌های طولی درباره بازخورد مبتنی بر هوش مصنوعی مولد و توسعه دستوری-واژگانی در نگارش زبان دوم/انگلیسی به عنوان زبان خارجی (EFL) را ترسیم می‌کند. یافته‌های مرور نشان می‌دهد که اغلب مطالعات مداخله‌ای به یک ترم یا کمتر محدود می‌شوند، دقت دستوری و توسعه واژگانی به ندرت به عنوان پیامدهایی جداگانه و همزمان سنجیده می‌شوند و تنها تعداد اندکی از مطالعات بسیار جدید (۲۰۲۵-۲۰۲۶) از تکنیک‌های مدل‌سازی رشد طولی استفاده کرده‌اند که هیچ‌یک از آن‌ها دستور زبان را از واژگان تفکیک نکرده یا سطح مهارت را به طور نظام‌مند به عنوان تعدیل‌کننده مسیرهای رشد بررسی نکرده‌اند. بر اساس منابع شناسایی‌شده در این مرور، هیچ مطالعه‌ای از این نوع در زمینه آموزش زبان انگلیسی به عنوان زبان خارجی در ویتنام انجام نشده است. این مرور، دستورکار پژوهشی برای مطالعات طولی، چندسطحی از نظر مهارت و متمایز از نظر سازه‌ای درباره بازخورد مبتنی بر هوش مصنوعی مولد ارائه می‌دهد و پیامدهایی برای طراحی آموزشی و پژوهش‌های اولیه آینده ترسیم می‌کند.

Generative artificial intelligence (GenAI) is increasingly embedded in English as a Foreign Language (EFL) instruction, with self-regulated learning (SRL) and learner autonomy positioned as key outcomes of interest. A growing evidence base reports positive effects of GenAI on self-regulatory strategies, alongside a parallel and largely separate literature warning that GenAI use may foster dependency, cognitive offloading and the externalization of self-monitoring. This scoping review maps this apparent paradox, in which GenAI appears simultaneously as scaffolding and as substitution, across the SRL and learner-autonomy literature, with particular attention to its implications for EFL learners. Following a PRISMA-ScR-informed approach, 12 empirical and review studies published between 2025 and 2026 were thematically synthesized alongside four foundational theoretical works. As a result, four thematic clusters emerged: (1) evidence of GenAI functioning as scaffolding for SRL; (2) evidence of GenAI functioning as substitution, fostering dependency and cognitive offloading; (3) design and timing features that moderate which role GenAI plays; and (4) existing reviews and meta-analyses, together with their methodological limitations. Across clusters, a consistent pattern emerges, in that nearly all studies rely on short-term or cross-sectional designs, and several recent reviews explicitly call for research measuring learners’ delayed, unsupported performance so as to distinguish durable internalization from temporary dependency. No identified study has applied a longitudinal design incorporating a structured AI-withdrawal phase to directly test this distinction among EFL learners. This review argues for such a design and outlines its theoretical and methodological implications for Vietnamese EFL contexts.

هوش مصنوعی مولد (GenAI) به طور فزاینده‌ای در آموزش زبان انگلیسی به‌عنوان زبان خارجی (EFL) به‌کار گرفته می‌شود و یادگیری خودتنظیمی (SRL) و خودمختاری یادگیرنده به‌عنوان پیامدهای کلیدی مورد توجه قرار گرفته‌اند. شواهد رو به رشدی از تأثیرات مثبت GenAI بر راهبردهای خودتنظیمی گزارش شده است، در حالی که ادبیات موازی و عمدتاً مجزایی هشدار می‌دهد که استفاده از GenAI ممکن است وابستگی، واگذاری شناختی و برون‌سپاری خودنظارتی را تقویت کند. این مرور گستره‌ای به ترسیم این پارادوکس ظاهری می‌پردازد که در آن GenAI به طور همزمان به‌عنوان داربست و جایگزین در ادبیات یادگیری خودتنظیمی و خودمختاری یادگیرنده ظاهر می‌شود، با تمرکز ویژه بر پیامدهای آن برای یادگیرندگان EFL. با پیروی از رویکرد مبتنی بر PRISMA-ScR، ۱۲ مطالعه تجربی و مروری منتشرشده بین سال‌های ۲۰۲۵ تا ۲۰۲۶ به همراه چهار اثر نظری بنیادی به‌صورت موضوعی ترکیب شدند. در نتیجه، چهار خوشه موضوعی پدیدار شد: (۱) شواهدی از عملکرد GenAI به‌عنوان داربست برای SRL؛ (۲) شواهدی از عملکرد GenAI به‌عنوان جایگزین که منجر به وابستگی و واگذاری شناختی می‌شود؛ (۳) ویژگی‌های طراحی و زمان‌بندی که نقش GenAI را تعدیل می‌کنند؛ و (۴) مرورها و فراتحلیل‌های موجود به همراه محدودیت‌های روش‌شناختی آن‌ها. در میان خوشه‌ها، الگوی ثابتی مشاهده می‌شود به‌طوری‌که تقریباً همه مطالعات بر طرح‌های کوتاه‌مدت یا مقطعی تکیه دارند و چندین مرور اخیر به‌صراحت خواستار پژوهش‌هایی شده‌اند که عملکرد یادگیرندگان را در شرایط تأخیری و بدون حمایت اندازه‌گیری کنند تا تمایز بین درونی‌سازی پایدار و وابستگی موقت مشخص شود. هیچ مطالعه‌ای که شناسایی شد، از طرح طولی با گنجاندن مرحله ساختارمندِ قطع استفاده از هوش مصنوعی برای آزمون مستقیم این تمایز در میان یادگیرندگان EFL بهره نبرده است. این مرور بر ضرورت چنین طرحی تأکید می‌کند و پیامدهای نظری و روش‌شناختی آن را برای بافت‌های آموزش زبان انگلیسی در ویتنام ترسیم می‌کند.

This study investigates the alignment between human judgment and artificial intelligence (AI) in IELTS speaking assessment to inform effective pedagogical practices. Through a comparative analysis of 30 Indonesian EFL learners’ performances evaluated by two experienced human raters and three AI systems (ChatGPT, Otter AI, Claude AI), we identified systematic and significant differences that varied considerably across individual AI systems. When AI scores were averaged, human evaluators assigned higher scores than the automated systems overall (mean difference = 0.522, p < .001), with a moderate positive correlation ( r = .497, p = .005). However, disaggregating the AI systems revealed that this overall pattern was driven primarily by two of the three tools: ChatGPT scores did not differ significantly from one of the two human raters, while Otter AI and, in particular, Claude AI diverged substantially from both human raters. Beyond quantifying these differences, this paper explores their profound implications for language teaching and learning. The findings reveal AI’s superior consistency in measuring technical accuracy (e.g., pronunciation, grammar) and human raters’ strength in assessing communicative effectiveness. We argue that this complementarity presents a critical opportunity rather than a problem. The research concludes by proposing a practical hybrid pedagogical framework where AI is leveraged for low-stakes practice, instantaneous feedback, and freeing up teacher time for high-value instruction on pragmatic and interactive speaking skills. This model positions AI not as a replacement for human judgment but as a transformative tool to enhance teaching efficiency and student learning outcomes in preparation for high-stakes speaking assessment.

این مطالعه به بررسی همسویی میان قضاوت انسانی و هوش مصنوعی (AI) در ارزیابی مهارت گفتاری آیلتس با هدف اطلاع‌رسانی به شیوه‌های آموزشی مؤثر می‌پردازد. از طریق تحلیل مقایسه‌ای عملکرد ۳۰ زبان‌آموز EFL اندونزیایی که توسط دو ارزیاب انسانی باتجربه و سه سامانه هوش مصنوعی (ChatGPT، Otter AI، Claude AI) ارزیابی شدند، تفاوت‌های نظام‌مند و معناداری شناسایی شد که به طور قابل توجهی میان سامانه‌های مختلف هوش مصنوعی متفاوت بود. زمانی که نمرات هوش مصنوعی به طور میانگین محاسبه شد، ارزیابان انسانی به طور کلی نمرات بالاتری نسبت به سامانه‌های خودکار اختصاص دادند (تفاوت میانگین = ۰٫۵۲۲، p < ۰٫۰۰۱)، با همبستگی مثبت متوسط (r = ۰٫۴۹۷، p = ۰٫۰۰۵). با این حال، تجزیه سامانه‌های هوش مصنوعی نشان داد که این الگوی کلی عمدتاً ناشی از دو ابزار از سه ابزار بود: نمرات ChatGPT تفاوت معناداری با یکی از دو ارزیاب انسانی نداشت، در حالی که Otter AI و به ویژه Claude AI به طور قابل توجهی از هر دو ارزیاب انسانی فاصله داشتند. فراتر از کمی‌سازی این تفاوت‌ها، این مقاله به بررسی پیامدهای عمیق آن‌ها برای آموزش و یادگیری زبان می‌پردازد. یافته‌ها نشان می‌دهد که هوش مصنوعی در سنجش دقت فنی (مانند تلفظ، دستور زبان) از ثبات بالاتری برخوردار است و ارزیابان انسانی در ارزیابی اثربخشی ارتباطی قوی‌تر عمل می‌کنند. استدلال می‌شود که این مکمل بودن، فرصتی حیاتی به شمار می‌رود نه یک مشکل. پژوهش با ارائه چارچوب آموزشی ترکیبی عملی به پایان می‌رسد که در آن از هوش مصنوعی برای تمرین کم‌خطر، بازخورد فوری و آزادسازی زمان معلم برای آموزش باارزش در مهارت‌های گفتاری کاربردی و تعاملی بهره گرفته می‌شود. این مدل، هوش مصنوعی را جایگزین قضاوت انسانی نمی‌داند، بلکه آن را ابزاری تحول‌آفرین برای ارتقای کارایی آموزش و نتایج یادگیری دانشجویان در آمادگی برای ارزیابی مهارت گفتاری با ریسک بالا معرفی می‌کند.

This study examined the impact of an artificial intelligence (AI)-enhanced multimodal instructional approach on students' grammatical knowledge and motivation. Therefore, 70 Omani English as a Foreign Language (EFL) learners were divided into a control group (in-class training and feedback) and an experimental group (AI feedback), with 35 students in each group. The researcher used grammar tests and a motivation questionnaire adapted from Li et al. (2025) to collect data. After a five-week treatment period, the posttest findings showed that both groups increased their scores, but the experimental group performed significantly better than the control group. In the delayed posttest, the control group showed no progress, but the experimental group increased their scores and significantly outperformed the control group. Additionally, the experimental group was the only group in which the motivation questionnaire was administered, and it was found that their motivation levels were considerably positive. The findings of the study are helpful for teachers, syllabus designers, students, and policymakers by suggesting that integrating an AI-enhanced multimodal instructional approach into grammar teaching could be a viable method to improve educational outcomes, enhance student engagement, provide personalized feedback, and also inform subsequent curriculum planning and the implementation of educational strategies.

این پژوهش تأثیر رویکرد آموزشی چندوجهی تقویت‌شده با هوش مصنوعی (AI) را بر دانش دستوری و انگیزش دانش‌آموزان بررسی کرد. بدین منظور، ۷۰ زبان‌آموز عمانی زبان انگلیسی به عنوان زبان خارجی (EFL) به دو گروه کنترل (آموزش و بازخورد کلاسی) و آزمایش (بازخورد مبتنی بر هوش مصنوعی) تقسیم شدند که هر گروه شامل ۳۵ نفر بود. پژوهشگر برای گردآوری داده‌ها از آزمون‌های دستور زبان و پرسشنامه انگیزش اقتباس‌شده از Li و همکاران (۲۰۲۵) استفاده کرد. پس از یک دوره درمانی پنج‌هفته‌ای، یافته‌های پس‌آزمون نشان داد که هر دو گروه نمرات خود را افزایش دادند، اما گروه آزمایش به طور معناداری عملکرد بهتری نسبت به گروه کنترل داشت. در پس‌آزمون تأخیری، گروه کنترل پیشرفتی نشان نداد، اما گروه آزمایش نمرات خود را افزایش داد و به طور معناداری از گروه کنترل پیشی گرفت. همچنین، تنها در گروه آزمایش پرسشنامه انگیزش اجرا شد و مشخص شد که سطح انگیزش آن‌ها به طور قابل توجهی مثبت است. یافته‌های این پژوهش برای معلمان، طراحان برنامه درسی، دانش‌آموزان و سیاست‌گذاران مفید است و پیشنهاد می‌کند که ادغام رویکرد آموزشی چندوجهی تقویت‌شده با هوش مصنوعی در آموزش دستور زبان می‌تواند روشی مؤثر برای بهبود نتایج آموزشی، افزایش مشارکت دانش‌آموزان، ارائه بازخورد شخصی‌سازی‌شده و همچنین اطلاع‌رسانی برای برنامه‌ریزی درسی و اجرای راهبردهای آموزشی باشد.

Reflective freewriting holds a distinctive place in ESL writing pedagogy as a low-stakes, exploratory practice in which learners articulate tentative thinking before it is shaped by evaluative demands. The rapid integration of generative AI (GenAI) into second language (L2) writing now threatens to absorb reflective freewriting into a wider regime of AI-mediated production, reducing reflection to one more output to be generated, polished or summarised. This article argues that this loss is not only pedagogical but ontological. Drawing on Biesta’s theory of subjectification, the article conceptualises reflective freewriting as subjectifying writing, functioning as a site of existential encounter with the world, where the learner uses language to respond in their own name. The article introduces the construct of algorithmic foreclosure to describe the structural tendency of GenAI systems to short-circuit this existential response, substituting generated text for the indeterminate work of subjectification. Together, these constructs support a case for protecting reflective freewriting as a non-AI-mediated space within L2 writing pedagogy.

نوشتار آزاد تأملی جایگاهی متمایز در آموزش نگارش زبان انگلیسی به عنوان زبان دوم دارد و به عنوان یک تمرین کم‌خطر و اکتشافی، به زبان‌آموزان امکان می‌دهد تا اندیشه‌های اولیهٔ خود را پیش از آن‌که تحت تأثیر الزامات ارزشیابی قرار گیرد، بیان کنند. ادغام سریع هوش مصنوعی مولد (GenAI) در نگارش زبان دوم (L2) اکنون تهدید می‌کند که نوشتار آزاد تأملی را در یک نظام گسترده‌تر تولید مبتنی بر هوش مصنوعی جذب کند و تأمل را به یکی دیگر از خروجی‌هایی که باید تولید، ویرایش یا خلاصه شود، تقلیل دهد. این مقاله استدلال می‌کند که این فقدان نه تنها آموزشی بلکه وجودی است. با بهره‌گیری از نظریهٔ سوژه‌سازی بیستا (Biesta)، مقاله نوشتار آزاد تأملی را به عنوان نوشتاری سوژه‌ساز مفهوم‌پردازی می‌کند که به عنوان عرصه‌ای برای مواجههٔ وجودی با جهان عمل می‌کند، جایی که زبان‌آموز با زبان به نام خود پاسخ می‌دهد. مقاله سازهٔ «انسداد الگوریتمی» را معرفی می‌کند تا گرایش ساختاری سامانه‌های GenAI را برای کوتاه‌کردن این پاسخ وجودی و جایگزینی متن تولیدشده به جای کار نامعین سوژه‌سازی توصیف کند. این مفاهیم در مجموع از ضرورت حفظ نوشتار آزاد تأملی به عنوان فضایی غیرمبتنی بر هوش مصنوعی در آموزش نگارش زبان دوم حمایت می‌کنند.

Abstract Discreteness of representations is a core commitment of classical generative phonology. However, one of the biggest arguments levelled against discreteness has come from the phenomenon of incomplete neutralisation – where the output of some phonological process on a feature [F] is phonetically distinct from underived [±F]. A sizeable body of work has contended that incomplete neutralisation crucially undermines the sufficiency of discrete representations, arguing instead for the inclusion of gradient representations. In this article, we investigate backness harmony in Uyghur, evaluating recent claims of incomplete neutralisation. Results from two production studies replicate findings from previous work on the language, but we show that, with proper experimental controls, the pattern is derivable without recourse to gradient phonological representations. We then discuss the conceptual and theoretical challenges for gradient representations along with criteria for true phonologically relevant gradience.

چکیده: گسستگی بازنمایی‌ها یکی از تعهدات اصلی واج‌شناسی زایشی کلاسیک است. با این حال، یکی از مهم‌ترین انتقادها به گسستگی، از پدیده خنثی‌سازی ناقص ناشی می‌شود؛ جایی که خروجی برخی فرایندهای واجی بر روی یک ویژگی [F] از لحاظ آوایی با [±F] غیرمشتق تفاوت دارد. حجم قابل توجهی از پژوهش‌ها استدلال کرده‌اند که خنثی‌سازی ناقص، کفایت بازنمایی‌های گسسته را به طور اساسی زیر سؤال می‌برد و در عوض، بر ضرورت گنجاندن بازنمایی‌های گرادیانی تأکید می‌کنند. در این مقاله، هماهنگی پسین در زبان اویغوری را مورد بررسی قرار می‌دهیم و ادعاهای اخیر درباره خنثی‌سازی ناقص را ارزیابی می‌کنیم. نتایج حاصل از دو مطالعه تولیدی، یافته‌های پژوهش‌های پیشین در این زبان را تکرار می‌کند، اما نشان می‌دهیم که با کنترل‌های آزمایشی مناسب، این الگو بدون نیاز به بازنمایی‌های واجی گرادیانی قابل استخراج است. سپس، چالش‌های مفهومی و نظری بازنمایی‌های گرادیانی و همچنین معیارهای گرادیان واقعی مرتبط با واج‌شناسی را مورد بحث قرار می‌دهیم.

With the widespread integration of Generative Artificial Intelligence (GAI) into higher education, its relationship with students’ creativity has become a growing focus of scholarly inquiry. Drawing on data from 424 survey responses and in-depth interviews with eight students, this study constructs and examines a chain path model of Exploration–Exploitation–Co-Creation–Reflection to investigate how GAI-assisted learning processes are associated with students’ creativity. Quantitative analyses indicate that exploratory and exploitative behaviors are positively associated with creativity, and these associations are observed alongside perceived cognitive stimulation. Furthermore, co-creation and reflection are significantly associated with flow experience and creative self-efficacy, which are related to students’ creative performance. The qualitative findings complement the quantitative results by showing that students’ engagement in exploration, knowledge utilization, collaborative co-creation, and reflection during GAI-assisted learning is accompanied by cognitive inspiration and psychological engagement. Overall, this study provides insight into how GAI-assisted learning processes may be associated with creativity development in higher education through the interplay of behavioral, cognitive, and psychological mechanisms, offering implications for educational practice and theoretical advancement.

با ادغام گسترده هوش مصنوعی مولد (GAI) در آموزش عالی، رابطه آن با خلاقیت دانشجویان به کانون توجه فزاینده پژوهش‌های علمی تبدیل شده است. این مطالعه با استفاده از داده‌های ۴۲۴ پرسشنامه و مصاحبه‌های عمیق با هشت دانشجو، یک مدل مسیر زنجیره‌ای اکتشاف–بهره‌برداری–هم‌آفرینی–تأمل را ساخته و بررسی می‌کند تا چگونگی ارتباط فرایندهای یادگیری با کمک GAI با خلاقیت دانشجویان را مورد مطالعه قرار دهد. تحلیل‌های کمی نشان می‌دهد که رفتارهای اکتشافی و بهره‌بردارانه با خلاقیت رابطه مثبت دارند و این ارتباطات همراه با تحریک شناختی ادراک‌شده مشاهده می‌شوند. افزون بر این، هم‌آفرینی و تأمل به طور معناداری با تجربه جریان و خودکارآمدی خلاقانه مرتبط هستند که این عوامل نیز با عملکرد خلاقانه دانشجویان ارتباط دارند. یافته‌های کیفی، نتایج کمی را تکمیل می‌کند و نشان می‌دهد که مشارکت دانشجویان در اکتشاف، بهره‌گیری از دانش، هم‌آفرینی مشارکتی و تأمل در طول یادگیری با کمک GAI با الهام شناختی و درگیری روان‌شناختی همراه است. در مجموع، این مطالعه بینشی درباره چگونگی ارتباط فرایندهای یادگیری با کمک GAI با رشد خلاقیت در آموزش عالی از طریق تعامل سازوکارهای رفتاری، شناختی و روان‌شناختی ارائه می‌دهد و پیامدهایی برای عمل آموزشی و پیشرفت نظری مطرح می‌کند.

Abstract It is generally assumed that children and adults learn language through fundamentally different mechanisms: Children predominantly rely on implicit learning, and adults utilize more explicit strategies (Lichtman, 2016). However, little is known about when and how learners begin to benefit from explicit instruction over the course of language development. Addressing this gap, the present study responds to DeKeyser's (2012, 2013) call to investigate age–treatment interactions (ATIs) under highly controlled experimental conditions. Using a cross‐situational learning (CSL) paradigm, we trained 150 learners aged 8 to 13 to acquire both vocabulary and grammar in a complex artificial language under two instructional conditions: implicit and explicit. Results indicated that, in this task, 12‐to‐13‐year‐old children showed clearer benefits from explicit instruction than younger children, particularly for grammatical information related to word order. These findings shed light on the developmental stage at which explicit instruction may become beneficial for children's nonnative language (L2) learning.

چکیده: به طور کلی فرض می‌شود که کودکان و بزرگسالان زبان را از طریق سازوکارهای بنیاداً متفاوتی فرا می‌گیرند: کودکان عمدتاً به یادگیری ضمنی متکی هستند و بزرگسالان از راهبردهای آشکار بیشتری استفاده می‌کنند (Lichtman, 2016). با این حال، اطلاعات اندکی دربارهٔ زمان و چگونگی بهره‌مندی یادگیرندگان از آموزش آشکار در طول فرایند رشد زبانی وجود دارد. پژوهش حاضر در پاسخ به درخواست DeKeyser (2012, 2013) برای بررسی تعاملات سن–درمان (ATIها) در شرایط آزمایشی بسیار کنترل‌شده انجام شده است. با استفاده از الگوی یادگیری میان‌موقعیتی (CSL)، تعداد ۱۵۰ یادگیرنده در بازهٔ سنی ۸ تا ۱۳ سال برای فراگیری واژگان و دستور زبان در یک زبان مصنوعی پیچیده تحت دو شرایط آموزشی ضمنی و آشکار آموزش دیدند. نتایج نشان داد که در این تکلیف، کودکان ۱۲ تا ۱۳ ساله نسبت به کودکان کم‌سن‌تر، به ویژه در زمینهٔ اطلاعات دستوری مربوط به ترتیب واژه‌ها، از آموزش آشکار سود بیشتری بردند. این یافته‌ها به روشن شدن مرحلهٔ رشدی که در آن آموزش آشکار می‌تواند برای یادگیری زبان دوم (L2) کودکان مفید واقع شود، کمک می‌کند.

Background Against the backdrop of digital empowerment, generative artificial intelligence has been widely applied in school-age children’s reading education, and digital reading has become one of the primary types of environmental exposure for school-age children. However, school-age children face challenges such as insufficient age-appropriate content and uncontrollable physical and mental strain. There is an urgent demand for a public health intervention model that balances reading-related health benefits, prevents and controls digital exposure risks, avoids physical and mental health impairments, and adapts to school-age children from diverse socioeconomic backgrounds. Methods A retrospective control study design was used in this study. A total of 100 cases of school-age children aged 6–12 were collected from the standardized intervention archive of our institution from September 2025 to December 2025. According to the intervention plan actually accepted in the archive records, they were divided into the collaborative intervention group and the AI-only reading group with 50 cases in each group. In the AI-only reading group, the recorded intervention is purely generative AI independent reading intervention (college students are only responsible for equipment operation and maintenance, and do not participate in reading guidance and emotional intervention), while in the collaborative intervention group, the recorded intervention is the structured auxiliary collaborative intervention of the whole process of generative AI voice multi-round interactive reading combined with standardized training for college students. The intervention period is 12 weeks, three times a week, and each time is 20–25 min. Retrospective analysis of longitudinal data at baseline, 6 weeks of intervention, 12 weeks of follow-up and 4 weeks of follow-up, with the comprehensive score of early reading as the only preset main outcome index, repeated measurement analysis of variance, independent sample t -test and chi-square test were used to analyze the inter-group and time effects, Cohen’s d was used to evaluate the effect, and the test level was α = 0.05. Results Retrospective archive data shows that, after intervention, the collaborative intervention group achieved significantly higher composite early reading scores, phonological awareness, vocabulary comprehension accuracy, reading attention duration and reading interest scores than the AI-only reading group ( p < 0.05). The main effects of group, time and the group-time interaction were all highly statistically significant ( p < 0.01), with an effect size of Cohen’s d = 0.50 representing a moderate intervention effect. The collaborative intervention group also showed significantly higher intervention adherence rate, AI interaction completion rate, reading task completion rate and frequency of active participation than the AI-only reading group ( p < 0.05). In terms of digital health-related outcomes, the collaborative intervention group had significantly lower incidence of adverse psychological states, incidence of prodromal signs of visual fatigue and digital eye strain symptoms, and study dropout rate ( p < 0.05). Among the digital health-related safety indicators, the incidence of negative emotions, visual fatigue and research dropout rate were significantly lower than those of the AI-only reading group ( p < 0.05). The archived records showed that the whole screen duration was strictly in compliance, and there was no privacy leakage and serious adverse events. The 10% lost visit rate was controllable, and the complete rate of informed consent and the qualified rate of implementation were all 100%, and there was no privacy leakage and serious adverse events. Conclusion The generative AI interaction mode paired with college student auxiliary support is associated with sustained improvement school-age children’s core early reading ability via cumulative short-term follow-up effects. Meanwhile, this collaborative model enables effective management of digital environmental exposure risks and may reduce risks related to visual and psychological health among school-age children. The intergroup differences remained stable with reliable effect sizes. This intervention model can be may provide a reference for future implementation as a digital public health intervention targeting school-age children’s early reading, and provides preliminary empirical evidence for the standardized application of AI-supported education for school-age children. This retrospective study only reflects the differences between groups of compound intervention programs in archived cases, and cannot establish strong causal inference.

زمینه: در بستر توانمندسازی دیجیتال، هوش مصنوعی مولد به طور گسترده‌ای در آموزش خواندن کودکان سن مدرسه به کار گرفته شده است و خواندن دیجیتال به یکی از انواع اصلی مواجهه‌ی محیطی برای کودکان سن مدرسه تبدیل شده است. با این حال، کودکان سن مدرسه با چالش‌هایی مانند کمبود محتوای متناسب با سن و فشارهای جسمی و روانی غیرقابل کنترل مواجه هستند. نیاز فوری به یک الگوی مداخله‌ی سلامت عمومی وجود دارد که منافع سلامت مرتبط با خواندن را متعادل کند، خطرات مواجهه‌ی دیجیتال را پیشگیری و کنترل نماید، از آسیب‌های سلامت جسمی و روانی جلوگیری کند و با کودکان سن مدرسه از زمینه‌های اجتماعی-اقتصادی متنوع سازگار باشد. روش‌ها: در این مطالعه از طرح کنترل گذشته‌نگر استفاده شد. در مجموع ۱۰۰ مورد از کودکان سن مدرسه ۶ تا ۱۲ ساله از آرشیو مداخله‌ی استانداردشده‌ی مؤسسه‌ی ما از سپتامبر ۲۰۲۵ تا دسامبر ۲۰۲۵ جمع‌آوری شد. بر اساس برنامه‌ی مداخله‌ای که واقعاً در سوابق آرشیو پذیرفته شده بود، آن‌ها به دو گروه مداخله‌ی مشارکتی و گروه خواندن صرفاً با هوش مصنوعی تقسیم شدند که هر گروه شامل ۵۰ نفر بود. در گروه خواندن صرفاً با هوش مصنوعی، مداخله‌ی ثبت‌شده صرفاً مداخله‌ی خواندن مستقل با هوش مصنوعی مولد بود (دانشجویان دانشگاه فقط مسئول راه‌اندازی و نگهداری تجهیزات بودند و در راهنمایی خواندن و مداخله‌ی عاطفی شرکت نداشتند)، در حالی که در گروه مداخله‌ی مشارکتی، مداخله‌ی ثبت‌شده، مداخله‌ی ساختاریافته‌ی کمکی مشارکتی در کل فرایند خواندن تعاملی چندمرحله‌ای صوتی با هوش مصنوعی مولد همراه با آموزش استانداردشده برای دانشجویان دانشگاه بود. دوره‌ی مداخله ۱۲ هفته، سه بار در هفته و هر بار ۲۰ تا ۲۵ دقیقه بود. تحلیل گذشته‌نگر داده‌های طولی در خط پایه، ۶ هفته مداخله، ۱۲ هفته پیگیری و ۴ هفته پیگیری انجام شد و امتیاز جامع خواندن اولیه به عنوان تنها شاخص اصلی از پیش تعیین‌شده در نظر گرفته شد. برای تحلیل اثرات بین‌گروهی و زمانی از تحلیل واریانس اندازه‌گیری مکرر، آزمون t مستقل و آزمون کای-دو استفاده شد، اندازه‌ی اثر با Cohen’s d ارزیابی شد و سطح آزمون α = ۰٫۰۵ بود. نتایج: داده‌های آرشیوی گذشته‌نگر نشان داد که پس از مداخله، گروه مداخله‌ی مشارکتی در امتیاز ترکیبی خواندن اولیه، آگاهی واجی، دقت درک واژگان، مدت زمان توجه به خواندن و امتیاز علاقه به خواندن به طور معناداری بالاتر از گروه خواندن صرفاً با هوش مصنوعی بود (p < 0.05). اثرات اصلی گروه، زمان و تعامل گروه-زمان همگی از نظر آماری بسیار معنادار بودند (p < 0.01) و اندازه‌ی اثر Cohen’s d = 0.50 نشان‌دهنده‌ی اثر مداخله‌ای متوسط بود. گروه مداخله‌ی مشارکتی همچنین نرخ پایبندی به مداخله، نرخ تکمیل تعامل با هوش مصنوعی، نرخ تکمیل وظیفه‌ی خواندن و فراوانی مشارکت فعال به طور معناداری بالاتری نسبت به گروه خواندن صرفاً با هوش مصنوعی نشان داد (p < 0.05). از نظر پیامدهای مرتبط با سلامت دیجیتال، گروه مداخله‌ی مشارکتی شیوع معناداری کمتری از وضعیت‌های روانی نامطلوب، نشانه‌های پیش‌درآمد خستگی بینایی و علائم خستگی چشمی دیجیتال و نرخ ترک تحصیل داشت (p < 0.05). در میان شاخص‌های ایمنی مرتبط با سلامت دیجیتال، شیوع هیجانات منفی، خستگی بینایی و نرخ ترک پژوهش به طور معناداری کمتر از گروه خواندن صرفاً با هوش مصنوعی بود (p < 0.05). سوابق آرشیوی نشان داد که مدت زمان کل استفاده از صفحه نمایش کاملاً مطابق با مقررات بوده و هیچ نشتی حریم خصوصی و رویداد نامطلوب جدی وجود نداشته است. نرخ مراجعه‌ی از دست رفته ۱۰٪ قابل کنترل بود و نرخ کامل بودن رضایت آگاهانه و نرخ اجرای واجد شرایط هر دو ۱۰۰٪ بود و هیچ نشتی حریم خصوصی و رویداد نامطلوب جدی وجود نداشت. نتیجه‌گیری: شیوه‌ی تعاملی هوش مصنوعی مولد همراه با حمایت کمکی دانشجویان دانشگاه با بهبود پایدار توانایی خواندن اولیه‌ی هسته‌ای کودکان سن مدرسه از طریق اثرات تجمعی پیگیری کوتاه‌مدت مرتبط است. در عین حال، این مدل مشارکتی امکان مدیریت مؤثر خطرات مواجهه با محیط دیجیتال را فراهم می‌کند و ممکن است خطرات مرتبط با سلامت بینایی و روانی کودکان سن مدرسه را کاهش دهد. تفاوت‌های بین‌گروهی با اندازه‌های اثر قابل اعتماد پایدار باقی ماندند. این مدل مداخله می‌تواند به عنوان مرجعی برای اجرای آینده به عنوان یک مداخله‌ی سلامت عمومی دیجیتال با هدف خواندن اولیه‌ی کودکان سن مدرسه مورد استفاده قرار گیرد و شواهد تجربی مقدماتی برای کاربرد استاندارد آموزش مبتنی بر هوش مصنوعی برای کودکان سن مدرسه فراهم می‌کند. این مطالعه‌ی گذشته‌نگر فقط تفاوت‌های بین گروه‌های برنامه‌های مداخله‌ی ترکیبی در موارد آرشیوی را منعکس می‌کند و نمی‌تواند استنباط علّی قوی ایجاد کند.

This Hypothesis and Theory paper addresses a design problem at the center of AI-assisted research writing: which cognitive demands should AI reduce, and which must remain the writer’s own work. Generative AI can absorb the effort of drafting, organizing, and synthesizing prose, but that same effort is where understanding takes shape. Recent empirical work documents reduced neural engagement, weaker recall of one’s own writing, and a diminished sense of authorship among writers who rely heavily on AI assistance. The paper grounds this problem in cognitive load theory, which distinguishes intrinsic load (the element interactivity a task inherently requires) from extraneous load (demands that do not contribute to learning), and which treats germane processes as the working memory resources a writer allocates to intrinsic load. It draws on productive struggle and generative processing to explain why germane processing cannot be offloaded: when a tool performs the work, the processing does not transfer to the writer; it does not occur. Two research questions are posed. First, which cognitive demands in research writing constitute extraneous load that AI could reduce, and which require germane processing that must remain the writer’s own. Second, how can human-in-the-loop AI collaboration be designed across the phases of research writing so that this distinction is operationalized through human judgment? The contribution is a nine-phase conceptual framework mapped to the sections of a research paper, from curiosity and inquiry through references and submission. Each phase specifies the dominant cognitive demand, the AI role (ranging from minimal involvement to full collaboration), and design guidelines for tools and interactions. The framework addresses research writing from secondary school (grades 9–12) through postdoctoral and professional research, across disciplines. It treats phase-aware AI use as responsive pedagogy applied to research writing: instruction and tool design that respond to the cognitive demands of the task rather than to the tool’s capabilities. The paper draws implications for the design of responsive digital education, including tool selection, assessment, equity, and support for writers with cognitive differences. The framework is intended to preserve the cognitive work that makes research meaningful.

این مقاله از نوع فرضیه و نظریه به یک مسئله طراحی در مرکز نگارش پژوهشی با کمک هوش مصنوعی می‌پردازد: کدام مطالبات شناختی باید توسط هوش مصنوعی کاهش یابد و کدام باید همچنان کار خود نویسنده باقی بماند. هوش مصنوعی مولد می‌تواند تلاش مربوط به پیش‌نویس‌نویسی، سازماندهی و ترکیب نثر را بر عهده گیرد، اما همین تلاش جایی است که فهم شکل می‌گیرد. پژوهش‌های تجربی اخیر کاهش درگیری عصبی، یادآوری ضعیف‌تر نوشته‌های خود و کاهش حس مالکیت نویسندگی را در میان نویسندگانی که به شدت به کمک هوش مصنوعی متکی هستند، مستند کرده‌اند. مقاله این مسئله را در نظریه بار شناختی ریشه‌یابی می‌کند که بار ذاتی (تعامل عناصر مورد نیاز ذاتی یک وظیفه) را از بار زائد (مطالباتی که به یادگیری کمک نمی‌کنند) متمایز می‌سازد و فرایندهای مرتبط را به عنوان منابع حافظه فعال که نویسنده به بار ذاتی اختصاص می‌دهد، تلقی می‌کند. مقاله با بهره‌گیری از مفاهیم تلاش مولد و پردازش مولد توضیح می‌دهد که چرا پردازش مرتبط را نمی‌توان واگذار کرد: زمانی که یک ابزار کار را انجام می‌دهد، پردازش به نویسنده منتقل نمی‌شود؛ بلکه اصلاً رخ نمی‌دهد. دو پرسش پژوهشی مطرح می‌شود. نخست، کدام مطالبات شناختی در نگارش پژوهشی بار زائد محسوب می‌شوند که هوش مصنوعی می‌تواند آن را کاهش دهد و کدام نیازمند پردازش مرتبط است که باید کار خود نویسنده باقی بماند. دوم، چگونه می‌توان همکاری هوش مصنوعی با حضور انسان در حلقه را در مراحل مختلف نگارش پژوهشی به گونه‌ای طراحی کرد که این تمایز از طریق قضاوت انسانی عملیاتی شود؟ دستاورد مقاله، یک چارچوب مفهومی نه‌مرحله‌ای است که با بخش‌های یک مقاله پژوهشی، از کنجکاوی و پرسشگری تا منابع و ارسال، تطبیق یافته است. هر مرحله، مطالبه شناختی غالب، نقش هوش مصنوعی (از حداقل مداخله تا همکاری کامل) و راهنمای طراحی برای ابزارها و تعاملات را مشخص می‌کند. این چارچوب نگارش پژوهشی را از دبیرستان (پایه‌های ۹ تا ۱۲) تا پژوهش‌های فوق‌دکتری و حرفه‌ای، در رشته‌های مختلف پوشش می‌دهد. استفاده مرحله‌محور از هوش مصنوعی را به عنوان آموزش پاسخگو در نگارش پژوهشی تلقی می‌کند: آموزش و طراحی ابزار که به مطالبات شناختی وظیفه پاسخ می‌دهد نه به قابلیت‌های ابزار. مقاله پیامدهایی برای طراحی آموزش دیجیتال پاسخگو، از جمله انتخاب ابزار، ارزیابی، عدالت و حمایت از نویسندگان با تفاوت‌های شناختی ارائه می‌دهد. هدف چارچوب، حفظ کار شناختی است که پژوهش را معنادار می‌کند.

Generative artificial intelligence (GenAI), including large language models and large multimodal models, is increasingly used to support psychological assessment and digital mental health measurement. This review proposes a lifecycle framework for evaluating these uses without weakening psychometric standards. The framework covers construct definition; item, prompt, indicator, or signal generation; evaluation of content, response processes, usability, and data quality; piloting and calibration; validation; fairness and measurement invariance; scoring and interpretation; documentation; and post-deployment monitoring. We argue that digital traces from smartphones, chatbots, ecological momentary assessment, wearables, social media, clinical notes, and multimodal systems should not be treated as psychometric measures by default. They should remain raw data, candidate indicators, or algorithmic scores until their construct interpretation and intended use are theoretically specified, technically verified, empirically calibrated, and validated with human data. GenAI may help generate candidate items, refine wording, classify open-text responses, extract structured information, support multimodal integration, and assist scoring under explicit rules. These uses may improve efficiency and scale, but they do not establish validity, objectivity, fairness, or clinical meaning. We distinguish two complementary facets: GenAI for psychometrics, in which models support measurement development and scoring, and psychometrics for GenAI, in which psychometric methods evaluate model behavior when LLMs are part of measurement workflows. Key risks include construct drift, face validity without structural validity, compressed variability in synthetic respondents, algorithmic bias, lack of invariance, prompt sensitivity, model drift, automation bias, data-security and privacy failures, and loss of subjectivity and disagreement. Responsible use requires human oversight, transparent reporting, validation with human data, fairness evaluation, secure data governance, and continuous monitoring. GenAI should augment, not replace, psychometric science.

هوش مصنوعی مولد (GenAI)، شامل مدل‌های زبانی بزرگ و مدل‌های چندوجهی بزرگ، به طور فزاینده‌ای برای پشتیبانی از ارزیابی روان‌شناختی و سنجش سلامت روان دیجیتال مورد استفاده قرار می‌گیرد. این مرور، چارچوبی مبتنی بر چرخه عمر را برای ارزیابی این کاربردها بدون تضعیف استانداردهای روان‌سنجی پیشنهاد می‌کند. این چارچوب شامل تعریف سازه؛ تولید ماده، محرک، شاخص یا سیگنال؛ ارزیابی محتوا، فرآیندهای پاسخ‌دهی، قابلیت استفاده و کیفیت داده؛ اجرای آزمایشی و کالیبراسیون؛ روایی؛ انصاف و ناوریانس سنجش؛ نمره‌گذاری و تفسیر؛ مستندسازی؛ و پایش پس از استقرار است. ما استدلال می‌کنیم که ردپاهای دیجیتال از تلفن‌های هوشمند، چت‌بات‌ها، ارزیابی لحظه‌ای بوم‌شناختی، پوشیدنی‌ها، شبکه‌های اجتماعی، یادداشت‌های بالینی و سامانه‌های چندوجهی نباید به طور پیش‌فرض به عنوان مقیاس‌های روان‌سنجی تلقی شوند. آن‌ها باید تا زمانی که تفسیر سازه‌ای و کاربرد مورد نظرشان به طور نظری مشخص، به لحاظ فنی تأیید، به طور تجربی کالیبره و با داده انسانی روایی‌یابی نشده‌اند، به عنوان داده خام، شاخص‌های پیشنهادی یا نمرات الگوریتمی باقی بمانند. GenAI می‌تواند در تولید مواد پیشنهادی، اصلاح واژگان، طبقه‌بندی پاسخ‌های متنی باز، استخراج اطلاعات ساختاریافته، پشتیبانی از ادغام چندوجهی و کمک به نمره‌گذاری بر اساس قواعد صریح نقش‌آفرینی کند. این کاربردها ممکن است کارایی و مقیاس را بهبود بخشند، اما روایی، عینیت، انصاف یا معنای بالینی را تضمین نمی‌کنند. ما دو جنبه مکمل را متمایز می‌کنیم: GenAI برای روان‌سنجی، که در آن مدل‌ها از توسعه سنجش و نمره‌گذاری پشتیبانی می‌کنند، و روان‌سنجی برای GenAI، که در آن روش‌های روان‌سنجی رفتار مدل را زمانی که LLMها بخشی از جریان‌های کاری سنجش هستند، ارزیابی می‌کنند. مخاطرات کلیدی شامل رانش سازه، روایی صوری بدون روایی ساختاری، کاهش تنوع در پاسخ‌دهندگان مصنوعی، سوگیری الگوریتمی، فقدان ناوریانس، حساسیت به محرک، رانش مدل، سوگیری اتوماسیون، شکست‌های امنیت و حریم خصوصی داده و از دست رفتن ذهنیت و اختلاف نظر است. استفاده مسئولانه مستلزم نظارت انسانی، گزارش‌دهی شفاف، روایی‌یابی با داده انسانی، ارزیابی انصاف، حاکمیت امن داده و پایش مستمر است. GenAI باید مکمل علم روان‌سنجی باشد، نه جایگزین آن.

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.

Teacher Professional Identity is critical for rural teacher recruitment and retention, but effective pathways for its construction remain limited. This study examines whether and how a holistically designed English pedagogy course, integrating theoretical learning and micro-teaching practices with guided reflective discourses, shapes the professional identities of rural pre-service teachers. A longitudinal study spanning one academic year was conducted with three rural pre-service teachers enrolled in the Excellent Teacher Program at a normal university in western China. Data were collected through semi-structured interviews and reflective journals. Drawing on Varghese et al.'s identity-in-practice and identity-in-discourse as a conceptual lens, and Wenger's three modes of belonging as explanatory tools, our dual-layered framework reveals two key transformations. First, the course significantly transformed participants' initially underdeveloped Teacher Professional Identity (self-doubt, narrow grammar and vocabulary focus) into a broader, more confident and committed identity. Two patterns of change were identified: broadening of pedagogical vision from discrete skills to holistic design, and affective repositioning from fear and doubt to confidence and clarity. Second, the course functioned as a discourse-rich community of practice wherein three mechanisms operated to facilitate identity (re)formation: engagement through micro-teaching and peer collaboration, imagination through exposure to contemporary theories, and alignment through guided reflections linking practice to professional standards. The study demonstrates that a campus-based, holistically designed pedagogy course can serve as an effective pathway for the professional identity construction of rural pre-service teachers, particularly in contexts where quality field placements are not feasible. It also highlights the need to integrate such on-campus training with authentic rural experiences (e.g., short-term placements) to translate identity gains into sustained commitment to rural teaching. These findings offer insights for teacher education policy and practice, with implications for addressing global challenges in rural teacher retention.

هویت حرفه‌ای معلم برای جذب و نگهداشت معلمان روستایی اهمیت حیاتی دارد، اما مسیرهای مؤثر برای ساخت آن همچنان محدود است. این پژوهش بررسی می‌کند که آیا و چگونه یک دوره آموزش زبان انگلیسی با طراحی کل‌نگر، که یادگیری نظری و تمرین‌های تدریس خرد را با گفتمان‌های بازتابی هدایت‌شده ادغام می‌کند، هویت حرفه‌ای معلمان پیش‌خدمت روستایی را شکل می‌دهد. یک مطالعه طولی به مدت یک سال تحصیلی با سه معلم پیش‌خدمت روستایی که در برنامه معلم ممتاز در یک دانشگاه تربیت معلم در غرب چین ثبت‌نام کرده بودند، انجام شد. داده‌ها از طریق مصاحبه‌های نیمه‌ساختاریافته و ژورنال‌های بازتابی گردآوری شد. با بهره‌گیری از چارچوب مفهومی هویت در عمل و هویت در گفتمان Varghese و همچنین سه شیوه تعلق Wenger به عنوان ابزارهای تبیینی، چارچوب دو‌لایه ما دو تحول کلیدی را آشکار می‌کند. نخست، این دوره هویت حرفه‌ای معلمی اولیه و کمتر توسعه‌یافته شرکت‌کنندگان (شک به خود، تمرکز محدود بر دستور زبان و واژگان) را به هویتی گسترده‌تر، با اعتماد به نفس و تعهد بیشتر تبدیل کرد. دو الگوی تغییر شناسایی شد: گسترش چشم‌انداز آموزشی از مهارت‌های مجزا به طراحی کل‌نگر و بازموضع‌یابی عاطفی از ترس و تردید به اعتماد به نفس و شفافیت. دوم، این دوره به عنوان یک جامعه عمل غنی از گفتمان عمل کرد که در آن سه سازوکار برای تسهیل (باز)شکل‌گیری هویت فعال بود: درگیری از طریق تدریس خرد و همکاری با همتایان، تخیل از طریق مواجهه با نظریه‌های معاصر و همسویی از طریق بازتاب‌های هدایت‌شده که عمل را به استانداردهای حرفه‌ای پیوند می‌داد. این مطالعه نشان می‌دهد که یک دوره آموزش معلمی مبتنی بر دانشگاه با طراحی کل‌نگر می‌تواند به عنوان مسیری مؤثر برای ساخت هویت حرفه‌ای معلمان پیش‌خدمت روستایی عمل کند، به ویژه در زمینه‌هایی که امکان کارورزی میدانی با کیفیت وجود ندارد. همچنین بر ضرورت ادغام چنین آموزش‌های دانشگاهی با تجارب اصیل روستایی (مانند کارورزی‌های کوتاه‌مدت) برای تبدیل دستاوردهای هویتی به تعهد پایدار به تدریس در مناطق روستایی تأکید می‌کند. این یافته‌ها بینش‌هایی برای سیاست‌گذاری و عمل در آموزش معلم ارائه می‌دهد و پیامدهایی برای مواجهه با چالش‌های جهانی در نگهداشت معلمان روستایی دارد.