AI-assisted learning

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.

Background The emergence of Generative Artificial Intelligence (GenAI), particularly ChatGPT, offers new possibilities for mathematics learning in higher education. Although ChatGPT can provide explanations, examples, guiding questions, and feedback, its use in Abstract Algebra courses has largely been limited to answering questions and verifying mathematical answers or proofs. This study analyses pre-service mathematics teachers’ mathematical communication when interacting with ChatGPT through seven indicators, including: interpreting formal definitions; using mathematical terms, symbols, variables, and notation appropriately; constructing examples, non-examples, and counter-examples; explaining relationships between algebraic objects and their properties; justifying arguments or proofs; evaluating the validity of mathematical responses; and formulating coherent conclusions. Method A qualitative case study involved 18 pre-service mathematics teachers enrolled in an Abstract Algebra course in the department of mathematics education at a public university in Bandung City, West Java, Indonesia. Data comprised written dialogues between the pre-service mathematics teachers and ChatGPT while solving Abstract Algebra problems and were analysed using the seven indicators. Results The findings indicate that the pre-service mathematics teachers’ mathematical communication generally ranged from developing to adequate. They performed relatively well in using terminology and notation, constructing examples or counter-examples, and explaining relationships among algebraic objects and properties. However, justification, critical evaluation of ChatGPT responses, and independent conclusion-making remained weak. While some pre-service mathematics teachers accepted inaccurate AI responses, others identified and connected them. Conclusion The findings suggest that GenAI should serve as a dialogue partner and scaffolding, rather than an authority on mathematical truth. Mathematics course should emphasise verification, justification, critical evaluation, and argument reconstruction to foster independent mathematical communication skills.

زمینه و هدف: ظهور هوش مصنوعی مولد (GenAI)، به‌ویژه ChatGPT، امکانات جدیدی را برای یادگیری ریاضیات در آموزش عالی فراهم کرده است. اگرچه ChatGPT می‌تواند توضیحات، مثال‌ها، پرسش‌های راهنما و بازخورد ارائه دهد، اما استفاده از آن در درس جبر مجرد عمدتاً به پاسخ‌گویی به سؤالات و تأیید پاسخ‌ها یا اثبات‌های ریاضی محدود شده است. این پژوهش به تحلیل ارتباط ریاضی معلمان ریاضی پیش‌خدمت هنگام تعامل با ChatGPT بر اساس هفت شاخص می‌پردازد که عبارت‌اند از: تفسیر تعاریف رسمی؛ استفاده مناسب از اصطلاحات، نمادها، متغیرها و نشانه‌گذاری ریاضی؛ ساخت مثال، غیرمثال و مثال نقض؛ توضیح روابط بین اشیاء جبری و ویژگی‌های آن‌ها؛ توجیه استدلال‌ها یا اثبات‌ها؛ ارزیابی روایی پاسخ‌های ریاضی؛ و صورت‌بندی نتیجه‌گیری منسجم. روش: این مطالعه کیفی موردی با مشارکت ۱۸ معلم ریاضی پیش‌خدمت که در درس جبر مجرد در گروه آموزش ریاضی یکی از دانشگاه‌های دولتی شهر باندونگ، جاوه غربی، اندونزی ثبت‌نام کرده بودند، انجام شد. داده‌ها شامل مکالمات مکتوب بین معلمان ریاضی پیش‌خدمت و ChatGPT هنگام حل مسائل جبر مجرد بود که با استفاده از هفت شاخص تحلیل گردید. یافته‌ها: نتایج نشان داد که ارتباط ریاضی معلمان ریاضی پیش‌خدمت عموماً در بازه در حال توسعه تا قابل قبول قرار داشت. آن‌ها در استفاده از اصطلاحات و نشانه‌گذاری، ساخت مثال یا مثال نقض، و توضیح روابط بین اشیاء جبری و ویژگی‌ها عملکرد نسبتاً خوبی داشتند. با این حال، توجیه، ارزیابی انتقادی پاسخ‌های ChatGPT و نتیجه‌گیری مستقل همچنان ضعیف باقی ماند. در حالی که برخی معلمان ریاضی پیش‌خدمت پاسخ‌های نادرست هوش مصنوعی را پذیرفتند، برخی دیگر آن‌ها را شناسایی و به هم مرتبط کردند. نتیجه‌گیری: یافته‌ها نشان می‌دهد که GenAI باید به عنوان شریک گفت‌وگو و پشتیبان مورد استفاده قرار گیرد، نه مرجع حقیقت ریاضی. دروس ریاضی باید بر تأکید بر صحت‌سنجی، توجیه، ارزیابی انتقادی و بازسازی استدلال‌ها جهت پرورش مهارت‌های ارتباط ریاضی مستقل تمرکز کنند.

Generative AI tools that condense texts into summaries have become a routine part of student reading routines, and educators increasingly worry that convenient summaries displace the effortful processing on which deep comprehension depends. This study drew on cognitive offloading theory and the levels-of-processing framework to test a moderated mediation model in which elaborative processing statistically links generative AI summarization tool use to deep reading comprehension, and reading motivation moderates the negative association between tool use and processing. Undergraduate students ( N = 608; 53.6% female; mean age 19.9 years) from three universities in Changchun, China, completed a six-item scale of generative AI summarization tool use, an eight-item elaborative processing scale adapted from the deep-processing subscale of the R-SPQ-2F, a seven-item reading motivation measure adapted from the Motivation for Reading Questionnaire, and a researcher-developed deep reading comprehension test. Scale reliabilities were satisfactory (Cronbach alpha = 0.88, 0.87, and 0.86). Tool use correlated negatively with elaborative processing ( r = −0.41) and comprehension ( r = −0.24); elaborative processing correlated positively with comprehension ( r = 0.59). PROCESS analyses (Model 7) with 5,000 bootstrap resamples showed that tool use negatively predicted elaborative processing ( b = −0.310, p < 0.001) and that this association weakened as reading motivation rose (interaction b = 0.433, p < 0.001). Elaborative processing, in turn, predicted comprehension ( b = 10.097, p < 0.001), whereas the residual direct path of tool use did not reach significance. The indirect effect of tool use on comprehension through elaborative processing was significant and negative at low (−6.142, 95% BC CI [−7.353, −5.091]) and average (−3.130, [−3.851, −2.497]) reading motivation but nonsignificant at high reading motivation (−0.117, [−0.876, 0.629]); the index of moderated mediation was 4.374 [3.428, 5.402]. These results are consistent with an account in which elaborative processing statistically links summary reliance to lower deep reading, with reading motivation associated with a weaker negative indirect association; given the cross-sectional design, the modeled paths represent associations rather than established causal effects. They suggest that motivation-oriented reading instruction should accompany, rather than follow, the integration of AI tools into academic reading.

ابزارهای هوش مصنوعی مولد که متون را به خلاصه‌هایی تبدیل می‌کنند، به بخشی عادی از روال‌های مطالعه دانشجویان تبدیل شده‌اند و نگرانی فزاینده‌ای در میان آموزشگران وجود دارد که این خلاصه‌های آسان، جایگزین پردازش پرزحمت و عمیقی می‌شوند که لازمه درک عمیق است. این پژوهش با تکیه بر نظریه برون‌سپاری شناختی و چارچوب سطوح پردازش، یک مدل میانجی‌گری تعدیل‌شده را آزمون کرد که در آن پردازش بسط‌یافته به طور آماری استفاده از ابزار خلاصه‌سازی هوش مصنوعی مولد را به درک عمیق خواندن پیوند می‌دهد و انگیزش خواندن، ارتباط منفی بین استفاده از ابزار و پردازش را تعدیل می‌کند. دانشجویان کارشناسی (N = 608؛ ۵۳/۶٪ زن؛ میانگین سن ۱۹/۹ سال) از سه دانشگاه در شهر چانگ‌چون چین، یک مقیاس شش‌سؤالی استفاده از ابزار خلاصه‌سازی هوش مصنوعی مولد، یک مقیاس هشت‌سؤالی پردازش بسط‌یافته اقتباس‌شده از زیرمقیاس پردازش عمیق R-SPQ-2F، یک ابزار هفت‌سؤالی انگیزش خواندن اقتباس‌شده از پرسشنامه Motivation for Reading Questionnaire و یک آزمون درک عمیق خواندن توسعه‌یافته توسط پژوهشگر را تکمیل کردند. پایایی مقیاس‌ها رضایت‌بخش بود (آلفای کرونباخ = ۰/۸۸، ۰/۸۷ و ۰/۸۶). استفاده از ابزار با پردازش بسط‌یافته (r = −۰/۴۱) و درک (r = −۰/۲۴) همبستگی منفی داشت؛ پردازش بسط‌یافته با درک همبستگی مثبت داشت (r = ۰/۵۹). تحلیل‌های PROCESS (مدل ۷) با ۵۰۰۰ نمونه‌گیری بوت‌استرپ نشان داد که استفاده از ابزار به طور منفی پردازش بسط‌یافته را پیش‌بینی می‌کند (b = −۰/۳۱۰, p < ۰/۰۰۱) و این ارتباط با افزایش انگیزش خواندن تضعیف می‌شود (برهم‌کنش b = ۰/۴۳۳, p < ۰/۰۰۱). پردازش بسط‌یافته به نوبه خود درک را پیش‌بینی می‌کند (b = ۱۰/۰۹۷, p < ۰/۰۰۱)، در حالی که مسیر مستقیم باقیمانده استفاده از ابزار معنادار نبود. اثر غیرمستقیم استفاده از ابزار بر درک از طریق پردازش بسط‌یافته در سطوح پایین (−۶/۱۴۲, ۹۵٪ BC CI [−۷/۳۵۳, −۵/۰۹۱]) و متوسط (−۳/۱۳۰, [−۳/۸۵۱, −۲/۴۹۷]) انگیزش خواندن معنادار و منفی بود اما در سطح بالای انگیزش خواندن (−۰/۱۱۷, [−۰/۸۷۶, ۰/۶۲۹]) معنادار نبود؛ شاخص میانجی‌گری تعدیل‌شده ۴/۳۷۴ [۳/۴۲۸, ۵/۴۰۲] بود. این نتایج با تبیینی سازگار است که در آن پردازش بسط‌یافته به طور آماری اتکای به خلاصه را به کاهش درک عمیق خواندن پیوند می‌دهد و انگیزش خواندن با تضعیف ارتباط غیرمستقیم منفی همراه است؛ با توجه به طرح مقطعی، مسیرهای مدل‌شده نشان‌دهنده ارتباط هستند نه اثرات علّی اثبات‌شده. این یافته‌ها نشان می‌دهند که آموزش خواندن مبتنی بر انگیزش باید همزمان با ادغام ابزارهای هوش مصنوعی در خواندن دانشگاهی انجام شود، نه پس از آن.