سنتز پژوهی شایستگی‌ها و مؤلفه‌های تربیت فناورانه دانش‌آموزان برای تلفیق هدفمند هوش مصنوعی در فرایند یادگیری

مرادی, رحیم

doi:10.22034/jei.2026.513775.3176

سنتز پژوهی شایستگی‌ها و مؤلفه‌های تربیت فناورانه دانش‌آموزان برای تلفیق هدفمند هوش مصنوعی در فرایند یادگیری

مقالات آماده انتشار

نوع مقاله : مقاله پژوهشی

نویسنده

رحیم مرادی

دانشیار گروه علوم تربیتی، دانشکده علوم انسانی، دانشگاه اراک، اراک، ایران

10.22034/jei.2026.513775.3176

چکیده

هدف پژوهش حاضر، شناسایی و تبیین شایستگی‌ها و مؤلفه‌های کلیدی تربیت فناورانه دانش‌آموزان جهت تلفیق هدفمند هوش مصنوعی در فرآیند یادگیری بود. این پژوهش با رویکردی کیفی و با استفاده از روش سنتزپژوهی انجام شد. برای گردآوری داده‌ها، پایگاه‌های اطلاعاتی معتبر بین‌المللی از جمله اسکوپوس، ساینس دایرکت، پروکوئست، اریک، اشپرینگر و گوگل اسکالر به طور نظام‌مند با استفاده از کلیدواژه‌های مرتبط (شایستگی، تربیت فناورانه، هوش مصنوعی) جستجو شدند. در مجموع، 156 پژوهش مرتبط در بازه زمانی 2019 تا 2024 شناسایی شد. پس از بررسی دقیق عناوین و چکیده‌ها، 20 پژوهش که بیشترین انطباق را با معیارهای پژوهش داشتند، برای تحلیل نهایی انتخاب شدند. با استفاده از روش تحلیل مضمون، 45 کد باز و 5 مقوله اصلی استخراج گردید. با فرمول هولستی توافق بین کدگذاران پایایی 79/0 به دست آمد.این مقوله‌ها عبارتند از: 1) شایستگی‌های فنی هوش مصنوعی (شامل دانش فنی، مهارت‌های هوش مصنوعی، یادگیری ماشین، برنامه‌نویسی، دید کامپیوتری، رباتیک، استدلال احتمالی، منطق فازی، شبکه‌های عصبی و پردازش زبان طبیعی)، 2) شایستگی‌های شناختی (شامل تفکر انتقادی، تحلیل، حل مسئله، خودآموزی، تصمیم‌گیری و استدلال)، 3) شایستگی‌های اخلاقی (شامل آگاهی از مسائل امنیتی، اخلاقی، قانونی و محدودیت‌های هوش مصنوعی)، 4) شایستگی‌های کاربردی و خلاقانه (شامل حل مسئله با هوش مصنوعی، تعامل انسان و هوش مصنوعی و همکاری با ابزارهای هوشمند)، و 5) شایستگی‌های یادگیری و انطباقی (شامل یادگیری شخصی، یادگیری تطبیقی، یادگیری سریع، یادگیری مبتنی بر داده، خودارزیابی و آگاهی از اهداف آموزشی). نتایج این پژوهش نشان داد که دانش‌آموزان برای استفاده مؤثر از هوش مصنوعی در فرآیند یادگیری، نیازمند کسب شایستگی‌های فنی، شناختی، اخلاقی، کاربردی و یادگیری انطباقی هستند. بر این اساس، پیشنهاد می‌شود مدارس با فراهم‌سازی زیرساخت‌های لازم و ارائه آموزش‌های مناسب، دانش‌آموزان را برای بهره‌مندی از ظرفیت‌های هوش مصنوعی آماده سازند.

کلیدواژه‌ها

آموزش

تربیت فناروانه

سنتزپژوهی

شایستگی‌ها

هوش مصنوعی و یادگیری

عنوان مقاله English

A Synthesis Study of Competencies and Components of Students' Technological Education for the Purposeful Integration of Artificial Intelligence in the Learning Process

نویسنده English

Rahim Moradi

Associate Professor, Department of Educational Sciences, Faculty of Humanities, Arak University, Arak, Iran

چکیده English

The present study aimed to identify and explain the key competencies and components of students' technological education for the purposeful integration of artificial intelligence in the learning process. This research was conducted with a qualitative approach and using the synthesis research method. To collect data, reputable international databases, including Scopus, ScienceDirect, ProQuest, ERIC, Springer, and Google Scholar, were systematically searched using relevant keywords (competencies, technological education, artificial intelligence). In total, 156 related studies were identified in the period from 2019 to 2024. After carefully reviewing the titles and abstracts, 20 studies that best matched the research criteria were selected for final analysis. Using the thematic analysis method, 45 open codes and 5 main categories were extracted. These categories include: 1) technical competencies of artificial intelligence (including technical knowledge, artificial intelligence skills, machine learning, programming, computer vision, robotics, probabilistic reasoning, fuzzy logic, neural networks, and natural language processing), 2) cognitive competencies (including critical thinking, analysis, problem-solving, self-learning, decision-making, and reasoning), 3) ethical competencies (including awareness of security, ethical, legal issues, and limitations of artificial intelligence), 4) practical and creative competencies (including problem-solving with artificial intelligence, human-artificial intelligence interaction, and collaboration with intelligent tools), and 5) learning and adaptive competencies (including personalized learning, adaptive learning, fast learning, data-driven learning, self-assessment, and awareness of educational goals). The results of this study showed that students need to acquire technical, cognitive, ethical, practical, and adaptive learning competencies to effectively use artificial intelligence in the learning process.

کلیدواژه‌ها English

Competencies

Technological Education

Artificial Intelligence

Education

درتاج، فریبا، و الله کرمی، آزاد. (1404). تأثیر کاربرد هوش مصنوعی در تدریس بر توانمندسازی و خودکارآمدی معلمان ابتدایی. پژوهش و نوآوری در آموزش ابتدایی، 7(2)، 183-204. https://reek.cfu.ac.ir/article_4407.html

رسولی، بهنام، عباسی، حسین، و مرادی، رحیم. (1404). اثربخشی درس اصول و روش‌های تدریس مبتنی بر هوش مصنوعی بر درگیری تحصیلی و پیشرفت تحصیلی دانشجویان دانشگاه فرهنگیان. فناوری و دانش پژوهی در تعلیم و تربیت، 5، 27-38. https://doi.org/10.30473/t-edu.2025.74700.1282

میررحیمی، مهدیه السادات. (1404). تحلیل و شناسایی ابعاد سواد هوش مصنوعی معلمان دوره ابتدایی. پژوهش و نوآوری در آموزش ابتدایی، 8(1)، 90-112. https://doi.org/10.48310/reek.2026.20902.1754

Agarry, R. O., Omolafe, E. V., Animashaun, V. O., & Babalola, E. O. (2022). Primary education undergraduates’ competency in the use of artificial intelligence for learning in Kwara State. ASEAN Journal of Educational Research and Technology, 1(2), 111-118. https://ejournal.bumipublikasinusantara.id/index.php/ajert/article/view/55/52

Ahn, Y. H., & Oh, E. Y. (2024). Effects of the international training program for enhancing intelligent capabilities through blended learning on computational thinking, artificial intelligence competencies, and core competencies for the future society in graduate students. Applied Sciences, 14(3), Article 991. https://doi.org/10.3390/app14030991

Batten, G., Oakes, P. M., & Alexander, T. (2013). Factors associated with social interactions between deaf children and their hearing peers: A systematic literature review. Journal of deaf studies and deaf education, 19(3), 285-302. https://doi.org/10.1093/deafed/ent052

Çalışkan, S. A., Demir, K., & Karaca, O. (2022). Artificial intelligence in medical education curriculum: An e-Delphi study for competencies. PLoS ONE, 17(7), Article e0271872. https://doi.org/10.1371/journal.pone.0271872

Carney, M., Webster, B., Alvarado, I., Phillips, K., Howell, N., Griffith, J., Jongejan, J., Pitaru, A., & Chen, A. (2020). Teachable machine: Approachable web-based tool for exploring machine learning classification. In Proceedings of the 2020 CHI Conference on Human Factors in Computing Systems (pp. 1–8). https://doi.org/10.1145/3334480.3382839

Chao, P. J., Hsu, T. H., Liu, T. P., & Cheng, Y. H. (2021). Knowledge of and competence in artificial intelligence: Perspectives of Vietnamese digital-native students. Ieee Access, 9, 75751-75760. https://doi.org/10.1109/ACCESS.2021.3081749

Cooper, H. (2017). Research synthesis and meta-analysis: A step-by-step approach (5th ed.). SAGE Publications. https://doi.org/10.4135/9781071878644

Dergunova, Y., Aubakirova, R., Yelmuratova, B., Gulmira, T., Yuzikovna, P., & Antikeyeva, S. (2022). Artificial intelligence awareness levels of students. International Journal of Emerging Technologies in Learning (iJET), 17(18), 26-37. https://doi.org/10.3991/ijet.v17i18.32195

Dixon, R. A., Eitel, K., Cohn, T., Carter, M., & Seven, K. (2021). Identifying Essential Fisheries Competencies to Link to School Curriculum: Supporting Nez Perce Students' STEM Identity. Journal of Research in Technical Careers, 5(1), 66-77. https://doi.org/10.9741/2578-2118.1097

Djokic, I., Milicevic, N., Djokic, N., Malcic, B., & Kalas, B. (2024). Students' perceptions of the use of Artificial Intelligence in Educational Services. Amfiteatru Economic, 26(65), 294-310. https://ideas.repec.org/a/aes/amfeco/v26y2024i65p294.html

Djoub, Z. (2021). Preparing Students for Research: Reflecting Their Needs and Concerns. In T. Jenkins (Ed.), Reshaping Graduate Education Through Innovation and Experiential Learning (pp. 23-42). IGI Global Scientific Publishing. https://doi.org/10.4018/978-1-7998-4836-3.ch002

Hornberger, M., Bewersdorff, A., & Nerdel, C. (2023). What do university students know about Artificial Intelligence? Development and validation of an AI literacy test. Computers and Education: Artificial Intelligence, 5(1), Article 100165. https://doi.org/10.1016/j.caeai.2023.100165

Huang, X. (2021). Aims for cultivating students’ key competencies based on artificial intelligence education in China. Education and Information Technologies, 26(5), 5127-5147. https://doi.org/10.1007/s10639-021-10530-2

Ketamo, H., Moisio, A., Passi-Rauste, A., & Alamäki, A. (2019). Mapping the future curriculum: Adopting artificial intelligence and analytics in forecasting competence needs. In M. Sargiacomo (Ed.), Proceedings of the 10th European Conference on Intangibles and Intellectual Capital (ECIIC) (pp. 54–89). Academic Conferences and Publishing International. https://urn.fi/URN:NBN:fi-fe2019053117966

Lin, P., & Van Brummelen, J. (2021). Engaging teachers to co-design integrated AI curriculum for K-12 classrooms. In Proceedings of the 2021 CHI conference on human factors in computing systems (pp. 1-12). https://doi.org/10.1145/3411764.3445377

Mertala, P., Fagerlund, J., & Calderon, O. (2022). Finnish 5th and 6th grade students' pre-instructional conceptions of artificial intelligence (AI) and their implications for AI literacy education. Computers and Education: Artificial Intelligence, 3, Article 100095. https://doi.org/10.1016/j.caeai.2022.100095

Michaeli, T., Romeike, R., & Seegerer, S. (2023). What students can learn about artificial intelligence – recommendations for K-12 computing education. In T. Keane, C. Lewin, T. Brinda, & R. Bottino (Eds.), Towards a collaborative society through creative learning: WCCE 2022. IFIP advances in information and communication technology (Vol. 685, pp. 196–208). Springer. https://doi.org/10.1007/978-3-031-43393-1_19

Mikeladze, T., Meijer, P. C., & Verhoeff, R. P. (2024). A comprehensive exploration of artificial intelligence competence frameworks for educators: A critical review. European Journal of Education, 59(3), Article 12663. https://doi.org/10.1111/ejed.12663

Park, W., & Kwon, H. (2024). Implementing artificial intelligence education for middle school technology education in Republic of Korea. International journal of technology and design education, 34(1), 109-135. https://doi.org/10.1007/s10798-023-09812-2

Sanusi, I. T., Olaleye, S. A., Oyelere, S. S., & Dixon, R. A. (2022). Investigating learners’ competencies for artificial intelligence education in an African K-12 setting. Computers and Education Open, 3, Article 100083. https://doi.org/10.1016/j.caeo.2022.100083

Sandelowski, M., Barroso, J., & Voils, C. I. (2007). Using qualitative metasummary to synthesize qualitative and quantitative descriptive findings. Research in nursing & health, 30(1), 99-111. https://doi.org/10.1016/j.caeo.2024.100159

Stolpe, K., & Hallström, J. (2024). Artificial intelligence literacy for technology education. Computers and Education Open, 6, Article 100159. https://doi.org/10.1016/j.caeo.2024.100159

Touretzky, D., Gardner-McCune, C., Martin, F., & Seehorn, D. (2019). Envisioning AI for K-12: What should every child know about AI? Proceedings of the AAAI conference on artificial intelligence, 33(1), 9795-9799. https://doi.org/10.1609/aaai.v33i01.33019795

Von Wangenheim, C. G., Marques, L. S., & Hauck, J. C. (2020). Machine Learning for All–Introducing Machine Learning in K-12. https://osf.io/download/wj5ne

Yang, W. (2022). Artificial Intelligence education for young children: Why, what, and how in curriculum design and implementation. Computers and Education: Artificial Intelligence, 3, Article 100061. https://doi.org/10.1016/j.caeai.2022.100061