بررسی کارکردهای هوش مصنوعی از منظر روانشناسی تربیتی در تحقق عدالت آموزشی
محورهای موضوعی : روانشناسی مثبت نگر اسلامی
فاطمه فرامرزی
1
*
,
هستی عبدالشاهی راد
2
1 - دانشجوی دانشگاه فرهنگیان، سمنان، ایران
2 - دانشجوی دانشگاه فرهنگیان، سمنان، ایران
کلید واژه: عدالت آموزشی, هوش مصنوعی, شکاف دیجیتال, آموزش شخصی‌سازی‌شده, روانشناسی تربیتی.,
چکیده مقاله :
نقش هوش مصنوعی در تحقق عدالت آموزشی از منظر روانشناسی تربیتی در دو استان تهران و سمنان انجام شد. عدالت آموزشی به معنای فراهم‌سازی فرصت‌های برابر یادگیری، فارغ از موقعیت جغرافیایی طبقه اجتماعی یا دسترسی به منابع فناورانه است و شامل ارتقای کیفیت یادگیری، شناسایی تفاوت‌های فردی و تقویت انگیزش و خودکارآمدی دانش‌آموزان می‌شود. پژوهش حاضر با رویکرد کیفی و روش مطالعه موردی تطبیقی، داده‌ها را از طریق مصاحبه‌های نیمه‌ساختاریافته با ۲۰ نفر از معلمان، مدیران و کارشناسان فناوری آموزشی جمع‌آوری کرده و با روش تحلیل مضمون بررسی کرده است. یافته‌ها نشان داد که در استان تهران، دسترسی گسترده به زیرساخت‌ها و منابع فناورانه موجب استفاده مؤثر از ابزارهای هوش مصنوعی مانند تحلیل‌گرهای عملکرد درسی و سیستم‌های آموزش شخصی‌سازی‌شده شده و به تقویت عدالت فردمحور، ارتقای کیفیت آموزش و حمایت از دانش‌آموزان با نیازهای خاص کمک کرده است. در مقابل، در استان سمنان، محدودیت‌های زیرساختی، فقدان آموزش و پشتیبانی نهادی، مانع بهره‌برداری عادلانه از هوش مصنوعی شده و شکاف دیجیتال و نابرابری آموزشی را تشدید کرده است. همچنین تفاوت در سیاست‌های مدرسه‌ای و سطح آگاهی معلمان، از عوامل کلیدی در نابرابری دسترسی به فناوری شناسایی شد. نتایج نشان می‌دهد که تحقق عدالت آموزشی از طریق هوش مصنوعی، مستلزم سیاست‌گذاری هدفمند، توانمندسازی معلمان و توسعه متوازن زیرساخت‌ها است و تنها در صورت توجه به جنبه‌های روان‌شناختی و تربیتی می‌توان از ظرفیت کامل هوش مصنوعی بهره برد.
This study aimed to comparatively examine the role of artificial intelligence (AI) in promoting educational justice from the perspective of educational psychology in Tehran and Semnan provinces. Educational justice refers to providing equal learning opportunities regardless of geographical location, social class, or access to technological resources, encompassing the enhancement of learning quality, recognition of individual differences, and the promotion of students’ motivation and self-efficacy. Employing a qualitative approach and a comparative case study method, data were collected through semi-structured interviews with 20 teachers, school administrators, and educational technology experts and analyzed using thematic analysis. The findings revealed that in Tehran, wider access to infrastructure and technological resources enabled effective use of AI tools such as learning analytics and personalized educational systems, contributing to individual-centered educational justice, improved learning quality, and support for students with special needs. In contrast, in Semnan, infrastructural limitations, lack of training, and insufficient institutional support hindered equitable utilization of AI, exacerbating the digital divide and educational inequality. Differences in school policies and teacher awareness were also identified as key factors in unequal access to technology. The results indicate that achieving educational justice through AI requires targeted policy-making, teacher empowerment, and balanced infrastructure development, and that only by considering psychological and educational aspects can the full potential of AI be realized.
• Braun, V., & Clarke, V. (2006). Using thematic analysis in psychology. Qualitative Research in Psychology, 3(2), 77–101.
• Denzin, N. K., & Lincoln, Y. S. (2018). The SAGE Handbook of Qualitative Research (5th ed.). SAGE Publications.
• Holmes, W., Bialik, M., & Fadel, C. (2019). Artificial Intelligence in Education: Promises and Implications for Teaching and Learning. Center for Curriculum Redesign.
https://curriculumredesign.org/wp-content/uploads/AI-in-Education.pdf
• Lee, K., Cho, H., & Kim, J. (2021). Teachers’ digital readiness in rural schools: Opportunities and constraints. Computers & Education, 160, 104034.
https://doi.org/10.1016/j.compedu.2020.104034
• Luckin, R., Holmes, W., Griffiths, M., & Forcier, L. B. (2016). Intelligence Unleashed: An Argument for AI in Education. Pearson.
• Russell, S., & Norvig, P. (2021). Artificial Intelligence: A Modern Approach (4th ed.). Pearson.
• Selwyn, N. (2019). Should Robots Replace Teachers? AI and the Future of Education. Polity Press.
https://politybooks.com/bookdetail/?isbn=9781509528967
• UNESCO. (2020). Global Education Monitoring Report 2020: Inclusion and Education – All Means All.
• Williamson, B., & Piattoeva, N. (2022). Education governance and datafication: Reassembling knowledge infrastructures through digital technologies. European Educational Research Journal, 21(1), 3–19.
https://journals.sagepub.com/doi/full/10.1177/14749041211054325
• Yin, R. K. (2018). Case Study Research and Applications: Design and Methods (6th ed.). SAGE Publications.
• Zawacki-Richter, O., Marín, V. I., Bond, M., & Gouverneur, F. (2019). Systematic review of research on artificial intelligence applications in higher education. International Journal of Educational Technology in Higher Education, 16(1), 1–27. https://educationaltechnologyjournal.springeropen.com/articles/10.1186/s41239-019-0171-0
• تقی‌زاده، م. (۱۳۹۹). بررسی موانع به‌کارگیری هوش مصنوعی در آموزش متوسطه از دیدگاه معلمان. فصلنامه پژوهش در برنامه‌ریزی درسی ایران، ۱۶(۶)، ۱۱۵–۱۳۲. https://www.jicsr.ir/article_107321.html
• رحمانی، ف. (۱۴۰۰). چالش‌ها و فرصت‌های عدالت آموزشی در عصر فناوری. فصلنامه سیاست‌گذاری و برنامه‌ریزی در آموزش و پرورش، ۱۲(۳)، ۵۱–۷۰.
• کاظمی، س. (۱۳۹۸). تحلیل نابرابری آموزشی در ایران: تأثیر ساختار اقتصادی-اجتماعی. فصلنامه اقتصاد آموزش، ۵(۱)، ۶۵–۸۴.
• کریمی، ن. (۱۴۰۰). نقش فناوری‌های هوشمند در بهبود یادگیری دانش‌آموزان مناطق محروم. فصلنامه آموزش و توسعه انسانی، ۷(۲)، ۸۹–۱۰۵.
• میرزایی، م. (۱۴۰۱). بررسی تأثیر سیستم‌های آموزش هوشمند بر کاهش شکاف یادگیری در مدارس روستایی. فصلنامه نوآوری‌های آموزشی، ۱۰(۴)، ۷۷–۹۵.