طراحی و اعتباریابی مدل مدرسه آینده مبتنی بر نقش هوش مصنوعی در مدارس ابتدایی (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
هدف: هدف از این پژوهش، طراحی و اعتباریابی مدل مدرسه آینده مبتنی بر نقش هوش مصنوعی در مدارس ابتدایی بود. روش شناسی: این پژوهش از روش تحقیق کیفی استفاده کرده و در دو بخش طراحی و اعتباریابی اجرا شده است. در بخش طراحی، از روش داده بنیاد و نمونه گیری گلوله برفی برای انتخاب ۱۸ خبره در زمینه هوش مصنوعی و آموزش استفاده شد. در بخش اعتباریابی، ۲۰ خبره از اساتید دانشگاه و مدیران آموزش و پرورش استان گلستان با روش نمونه گیری هدفمند انتخاب شدند. تحلیل داده ها در بخش کیفی با استفاده از کدگذاری باز، محوری و انتخابی و در بخش اعتباریابی با روش دلفی طی سه مرحله انجام شد. یافته ها: مدل طراحی شده شامل ۱۲ طبقه اصلی و ۲۴ مقوله فرعی بود که در پنج محور اصلی طبقه بندی شدند: شرایط علی (آمادگی فرهنگی، زیرساخت ها و تعاملات خانواده محور با هوش مصنوعی)، شرایط زمینه ای (شبکه های مجازی و مراودات اجتماعی مبتنی بر هوش مصنوعی)، شرایط مداخله ای (چالش های فنی و نهادی)، راهبردها (ارزیابی مبتنی بر هوش مصنوعی و یادگیری خلاقانه)، و پیامدها (بهبود کیفیت و سرعت آموزش، افزایش عدالت آموزشی و انگیزش تحصیلی). نتایج نشان داد که هوش مصنوعی می تواند به بهبود قابل توجهی در کیفیت یادگیری و عدالت آموزشی منجر شود. نتیجه گیری: پژوهش حاضر نشان داد که هوش مصنوعی پتانسیل بالایی برای ارتقای فرآیندهای آموزشی و ایجاد عدالت تحصیلی در مدارس ابتدایی دارد. با این حال، موفقیت اجرای این فناوری نیازمند فراهم سازی زیرساخت های مناسب، آماده سازی فرهنگی و مدیریتی است. این پژوهش به ارائه راهکارهایی برای مواجهه با چالش های نهادی و فنی در مسیر هوشمندسازی مدارس پرداخت.Design and Validation of a Future School Model Based on the Role of Artificial Intelligence in Elementary Schools
Purpose: The objective of this study was to design and validate a future school model based on the role of artificial intelligence (AI) in elementary schools. Methodology: This research employed a qualitative methodology, conducted in two phases: design and validation. In the design phase, grounded theory and snowball sampling were used to select 18 experts in AI and education. In the validation phase, 20 experts, including university professors and senior education managers from Golestan Province, were selected through purposive sampling. Data analysis in the qualitative phase involved open, axial, and selective coding, while the Delphi method was used for validation over three stages. Findings: The designed model included 12 main categories and 24 subcategories, classified into five key components: causal conditions (cultural readiness, AI infrastructure, and family-centered interactions with AI), contextual conditions (AI-based virtual networks and social interactions), intervening conditions (technical and institutional challenges), strategies (AI-based evaluation and creative learning), and outcomes (improvement in the quality and speed of education, increased educational equity, and enhanced academic motivation). The results indicated that AI can significantly improve learning quality and educational equity. Conclusion: This study demonstrated that AI has strong potential to enhance educational processes and promote equity in elementary schools. However, the successful implementation of AI requires adequate infrastructure, cultural readiness, and proper management. The research provided solutions for addressing institutional and technical challenges in the path toward smart schooling.
تبلیغات
