Bu karma yöntemli çalışma, yapay zeka destekli, öğrenci odaklı bir sınıf rutinini değerlendirir; yapay zeka destekli sorgulama, akran tartışması, öğretmen açıklaması ve öz değerlendirmeyi içerir. Çalışma, kendi bildirimde bulunan akademik öz-kavram ve iletişim yetkinliğine odaklanmakta ve sınıf tekrarını kolaylaştıracak yeterli prosedürel detay sunmaktadır.
Araştırma makalesi
Yapay Zeka Destekli Öğrenci Merkezli Eğitim ve Ergenlerin Akademik Öz-Kavramı ve İletişim Yetkinliği: Karma Yöntemlerli Bir Çalışma
Bu makalede
Özet
Özet
Bu sınıf temelli karma yöntemlerli yarı-deneysel çalışma, yapay zeka destekli öğrenci odaklı eğitimin, ergenlerin akademik benlik kavramı ve kendi bildirdiği iletişim yetkinliğindeki değişikliklerle ilişkili olup olmadığını inceledi. Altı sağlam sınıf ya yapay zeka destekli eğitime ya da olağan öğrenci odaklı eğitim koşuluna atandı. Müdahale, yapay zeka destekli promptları bireysel sorgulama, akran tartışması, öğretmen açıklaması ve öz değerlendirmeden oluşan yapılandırılmış bir öğrenme döngüsüne entegre etti. 186 öğrenciden 174'ü nicel analiz için tutuldu. Akademik öz-kavram ve kendi bildirimde iletişim yetkinliği, başlangıçta, müdahaleden hemen sonra ve önceden belirlenmiş kısa vadeli bir takipte değerlendirildi. Müdahale sonrası etkileşim kalitesi, öz değerlendirme ve öğrenci katılımı ölçüldü ve 36 öğrenci yarı yapılandırılmış mülakatlara katıldı. Alışılmış eğitim grubuna kıyasla, yapay zeka destekli grup, müdahale sonrası ve takip sürecinde hem başlangıç düzeyinde ayarlanmış sonuçlarda daha büyük artışlar gösterdi. Keşif süreci analizleri, yapay zeka destekli grupta daha yüksek etkileşim kalitesi, öz değerlendirme ve öğrenci katılımını gösterdi; nitel bulgular ise yapay zeka destekli promptların öğrencilerin açıklamaları doğrulamasına, yanıtları gözden geçirmesine ve öz değerlendirmeyi akran tartışması ve öğretmen rehberliğiyle birleştirildiğinde daha açık hale getirmesine yardımcı olduğunu gösterdi. Katılımcılar sınıf düzeyinde atandığı ve sonuçlar esas olarak kendi raporlarının yapıldığı için, bulgular akademik performansta nedensel bir iyileşmenin kesin kanıtı değil, sınıf temelli ilişkiler olarak yorumlanmalıdır.
Giriş
Yapay zeka (YZE) eğitim ortamlarında giderek yaygınlaşmıştır. Ancak, öğretim değeri tutarsız kalır; çünkü sadece teknolojik bir araca erişim doğası gereği bir öğrenme süreci oluşturmaz. İncelemeler eğitimsel yapay zekadaki ilerlemeleri vurgulasa da, öğretmenin rolü ve sınıf etkileşimleri genellikle göz ardı edilir. Bu, yetkin yargıları oluşturan ve akranlarıyla fikirleri test eden ergenler için kritik öneme sahiptir. Bu nedenle, yapay zeka destekli öğrenme, sadece teknolojik bir deneyim olarak değil, öğrencilerin sorgulama, değerlendirme ve tartışma biçimlerini şekillendiren kasıtlı bir pedagojik düzenleme olarak uygulanmalıdır.
Öğrenci odaklı eğitim, bu zorluğun üstesinden gelmek için sağlam bir çerçeve sağlar. Öğrencileri pasif alımdan uzaklaştırarak, bu yaklaşım aktif katılımı, görev katılımını, akranlar arası açıklamayı ve özerk karar vermeyi önceliklendirir. Meta-analitik araştırmalar, problem çözme ve öğrenci katılımıyla karakterize edilen aktif öğrenme ortamlarının, geleneksel derslere kıyasla akademik performansı önemli ölçüde artırabileceğinidoğrulamaktadır 1. Yine de, öğrenci odaklı eğitim doğası gereği etkili değildir. Katılımı yönlendirecek kadar yapılandırılmış, ancak öğrencileri fikirleri açıklamaya, karşılaştırmaya ve gözden geçirmeye teşvik edecek kadar esnek öğretim görevleri gerektirir. Bu dinamik, yapay zeka destekli sınıflarda daha da karmaşık hale gelir. Yapay zeka hızla örnekler, açıklamalar ve öneriler üretebilse de, öğretmen rehberliği ve akran değerlendirmesinin olmaması öğrencilerin bu çıktıları eleştirisizsiz kabul etmelerine ve onları daha derin düşünme için ham materyal olarak değil, bilişsel kestirme yolları olarak ele almasına yol açabilir.
Akademik benlik kavramı, bu bağlamda öğrencilerin akademik yetenekleri hakkında alan spesifik inançlarını yansıtan son derece ilgili bir sonuç olarak hizmet eder. Önceki araştırmalar, akademik benlik kavramının statik bir kişilik özelliği olmadığını, başarı ve devam eden öğrenme deneyimleriyle yakından iç içe geçmiş dinamik bir yapı olduğunuortaya koymuştur 2. Bu çalışma, öğrencilerin işlerini geliştirme yeteneklerine olan güvenlerini değerlendirmek için akademik öz-kavramı değerlendirmektedir. İletişim yetkinliği ikincil bir sonuç olarak hizmet eder; müdahale öğrencilerin gerekçeleri ifade etmelerini ve yapılandırılmış akran geri bildirimiyle açıklamaları geliştirmelerini gerektirir.
Geri bildirim ve öz değerlendirme, bu hedeflenmiş öğrenme sonuçlarına yapay zeka desteğini bağlayan kritik öğretim köprüsünü oluşturur. Etkili biçimlendirici değerlendirme, öğrencilerin ilerlemeyi aktif olarak izlemesini, standartlara göre ölçmesini ve performans farklılıklarına göre hareket etmelerinigerektirir 3,4. Yapay zeka destekli, öğrenci odaklı bir sınıfta, yapay zeka önerileri alternatif açıklamalar veya tekrarlama ipuçları oluşturabilir. Ancak, bu önerilerin gerçek eğitim değeri, öğrencilerin çıktıyı inceleyip tartışmadıklarına, akranlarıyla tartışmalarına ve bunu daha ince bir yanıta dönüştürüp çevirmelerine bağlıdır. Sonuç olarak, bu çalışmadaki öz değerlendirme belirsiz bir tutum olarak değil, öğrenme boşluklarını belirlemeye ve revizyonlar yapmaya yönelik somut, gözlemlenebilir bir sınıf davranışı olarak uygulanmaktadır.
Öğrenci katılımı da bu öğrenme döngüsünde aynı derecede hayati bir rol oynar. Çok boyutlu bir yapı olarak kabul edilen bu etkileşim, davranışsal katılım, duygusal katılım ve bilişsel yatırımıkapsar. Bu çok boyutluluk özellikle ergenler için önemlidir, çünkü yüzeysel uyum derin bilişsel işlemeyi garanti etmez. Bir öğrenci, temel gerekçeyi analiz etmeden mekanik olarak bir çalışma sayfasını tamamlayabilirken, diğeri daha az soru sorabilir ama sürekli kendini izleme ve gözden geçirerek derinlemesine ilgilenebilir. Yapay zekanın tanıtılması, karşılaştırma ve sorgulama için zengin materyal sağlayarak teorik olarak etkileşimi artırabilir; Buna karşılık, öğrenciler otomatik çıktılara zahmetsizce güvenirlerse, bu da etkileşimi zayıflatabilir. Buna göre, bu çalışma, öğrenci katılımını etkileşim kalitesi ve öz değerlendirme ile birlikte bağlamlaştırıyor ve yapay zeka kullanımının izole bir sınıf olayı olarak ele almaktan kasıtlı olarak kaçınıyor.
Eğitimsel büyük dil modelleri etrafındaki tartışmalar, bireysel yardım ile katı sınırlar olmadan uygulandığında aşırı bağımlılık veya çabanın azalması gibi riskler arasındaki gerilimi gözler önüne seriyor. Sonuç olarak, öğrenme rutininin pedagojik koreografisi, yapay zeka teknolojisinin kendisi kadar önemlidir. Mevcut çalışma, yapay zeka destekli önerileri tutarlı, beş adımlı bir sınıf dizisi içine yerleştirdi: öğretmen bilgilendirmesi, bireysel sorgulama, akran tartışması, tüm sınıf açıklaması ve kendi değerlendirme. Bu özel tasarım, yapay zeka çıktısını kasıtlı olarak konumlandırıyor, kusursuz bir nihai cevap olarak değil, titiz doğrulama ve revizyona tabi ön materyal olarak konumlandırıyor.
Karma yöntemli bir araştırma tasarımı, yalnızca nicel anket verilerinin öğrencilerin yaşanmış öğrenme deneyimlerinin inceliklerini yeterince yakalayamaması nedeniyle benimsendi. Karma yöntemler yaklaşımları, sonuç yollarının katılımcı deneyimleri, uygulama koşulları ve gelişen sınıf dinamikleri fonunda yorumlanması gerektiğinde özellikledeğerlidir 6. Mevcut araştırmada, nicel bileşen akademik benlik kavramı ve iletişim yetkinliğindeki gelişimsel değişiklikleri takip etmiştir. Aynı zamanda, nitel bileşen öğrencilerin etkileşim kalitesini, öz değerlendirme uygulamalarını, görev katılımını ve müdahale sırasında algılanan engelleri nasıl karakterize ettiklerini inceledi. Bu iki kanıt akışı, gözlemlenen nicel puan kalıplarının öğrencilerin zemin düzeyindeki sınıf deneyimleriyle örtüşüp örtüşmediğini değerlendirmek için daha sonra entegre edildi.
Bu çalışma ayrıca yapay zeka destekli öğretim literatüründe önemli bir pratik açığı da ele almaktadır. Birçok çalışma yapay zeka kaynaklı sonuçları değerlendirse de, nispeten azı prompt kullanımı, akran iskeleleri, kontrol grubu karşılaştırmaları, isabet izleme ve karma yöntemlerle veri entegrasyonunu detaylandıran şeffaf, tekrarlanabilir bir sınıf protokolü sunmaktadır. Akran etkileşimi üzerine onlarca yıllık araştırmalar, öğrencilerin kavramları açıkladıklarında, akran geri bildirimleri aldıklarında ve diyalog yoluyla anlayışlarını sürekli geliştirdiklerinde önemli ölçüde faydasağladıklarını göstermektedir. 7. Mevcut çalışma, bu temel mantığın üzerine inşa etmekte olup, yapay zeka tarafından oluşturulan soruların, öğretmen rehberliği ve akran iş birliğinin vazgeçilmez rollerini devralmadan bu diyalog yapısına başarılı bir şekilde entegre edilip eğnenemeyeceğini araştırıyor.
Buna göre, bu çalışma, yapay zeka destekli, öğrenci odaklı öğretimi, yapay zeka aracına basit bir maruz kalmak yerine yapılandırılmış bir sınıf protokolü olarak inceledi. Önerilen öğretim yolu, yapay zeka destekli promptların önce sorgulama ve karşılaştırma için materyal sağlayacağıydı; Akran tartışması ve öğretmen açıklaması ise öğrencilerin bu materyali doğrulamasını, gerekçelendirmesini ve revizyonunu gerektiriyordu; ve son öz değerlendirme adımı, öğrencilerin ilerlemeyi ve çözülmemiş boşlukları fark etmelerine yardımcı olurdu. Bu yol içinde, etkileşim kalitesi, öz değerlendirme ve öğrenci katılımı, doğrulanmış arabulucular olarak değil, öğrencilerin öğretim rutinini nasıl deneyimlediklerini açıklamaya yardımcı olabilecek keşif süreci değişkenleri olarak ele alınmıştır.
Birincil araştırma soruları şöyleydi: Yapay zeka destekli öğrenci odaklı protokol, akademik benlik kavramı ve kendi bildirilen iletişim yetkinliğinde olağan öğrenci merkezli eğitimden daha büyük değişiklikler mi üretiyor? Yapay zeka destekli durumda müdahale sonrası etkileşim kalitesi, öz değerlendirme ve öğrenci katılımı daha mı yüksek? İkincil keşif soruları şöyleydi: Bu süreç değişkenleri sonuç değişim puanlarıyla ilişkili mi? Nitel röportaj temaları nicel bulgularla örtüşüyor, genişletiyor mu yoksa karmaşıklaştırıyor mu? Bireysel öğrenciler yerine sağlam sınıflar koşullara atandığı için, tüm bulgular nedensel çıkarım ve sınıf düzeyinde kümelenme konusunda açıkça temkinli yorumlandı.
Protokol
İnsan katılımcıları içeren tüm yöntemler, kurumsal yönergeler ve Helsinki Bildirgesi doğrultusunda gerçekleştirildi. Çalışma protokolü, Guangzhou şehir inşaat koleji kurumsal inceleme kurulu tarafından incelenip onaylandı (IRB onay no. GZCJ2026A016; onay tarihi: 2 Ocak 2026). Onaylanan çalışma başlığı "yapay zeka destekli öğrenci odaklı eğitim ve ergenlerin akademik benlik kavramı ve iletişim yetkinliği: karma yöntemlerli bir çalışma" idi. Çalışma uygulamadan önce katılımcı okuldan yazılı izin alındı. Yazılı bilgilendirilmiş onay ebeveynlerden veya yasal vasilerden alındı ve tüm katılımcı öğrencilerden yazılı onay alındı. Öğrencilere katılımın gönüllü olduğu ve akademik ceza olmadan istedikleri zaman çalışmadan çekilebilecekleri bildirildi. Yapay zeka botbot platformuna herhangi bir isim, iletişim bilgileri, okul tanımlayıcıları, notlar veya doğrudan tanımlanabilir başka bilgiler girilmedi veya kamuya açık veri setine dahil edilmedi. Tüm çalışma prosedürleri onaylı çalışma dönemi boyunca 2 Ocak 2026'dan 2 Ocak 2027'ye kadar gerçekleştirilmiştir. Bu çalışmada kullanılan tüm araçlar ve platformlar Malzemeler Tablosu'nda listelenmiştir
Çalışma tasarımı ve sınıf ataması
Bu çalışma, iki öğretim koşuluyla yarı-deneysel, karma yöntemlerli bir sınıf tasarımı kullandı: yapay zeka destekli, öğrenci odaklı bir eğitim grubu ve sıradan öğrenci odaklı bir eğitim grubu. Uzunlamasına ölçümler üç zaman noktasında yapıldı: müdahaleden önceki başlangıç (T1), son eğitim oturumundan hemen sonra (T2) ve önceden tanımlanmış kısa vadeli takip değerlendirmesinde (T3). T2–T3 aralığı çalışma günlüğüne kaydedildi ve el yazması, veri seti, analiz senaryoları ve şekil etiketleri arasında tutarlı tutuldu. Şekil 1 , işe alım, sınıf atama, değerlendirme zamanlaması, dışlamalar ve nitel örnekleme konularını özetlemektedir. İdari ve ekolojik kısıtlamalar bireysel rastgeleleştirmeyi engellediği için, sınıf düzeyinde altı sağlam sınıf atandı; üç sınıf yapay zeka destekli durumda, üç sınıf ise karşılaştırma koşullarında. Her sınıf nihai analiz örneğine 29 öğrenci katkı sağladı. Sınıf seviyesi, konu alanı, ders dizilisi, oturum süresi, sınıf görevleri, değerlendirme programı ve öğretmen iletişim süresi koşullar arasında karşılaştırılabilir tutuldu. Küme duyarlı istatistiksel kontroller için sınıf tanımlayıcıları korundu.
Katılımcı katılımı ve uygunluk taraması
Katılımcılar, doğrudan katılan sağlam sınıflardan seçildi. Öğrenciler ve ebeveynleri veya yasal vasileri, çalışma amacı, sınıf prosedürleri, yapay zeka destekli etkinlikler, anket programları, isteğe bağlı mülakat bileşeni, gizlilik korumaları, çekilme hakları ve veri depolama planlarını içeren ayrıntılı bir bilgi formu aldı. Öğrenciler, katılımcı sınıflardan birine kayıtlı oldukları, düzenli sınıf eğitimine katıldıkları, yazılı onay almışlar, yazılı ebeveyn veya vasi onayı almışlarsa ve ilk oturumdan önce temel anketi doldurmuşlarsa çalışmaya dahil edilirlerdi. Buna karşılık, öğrenciler okuldan transfer oldukları, müdahale oturumlarının %25'inden fazlasını kaçıranlarsa, geçersiz anket kayıtları gönderirse veya veri kullanımı iznini geri çektilerse nihai analiz örneğinden çıkarıldı. Her dışlanan katılımcı için bir temel dışlanma nedeni belgelendi. Veri girişinden önce, her uygun katılımcıya benzersiz bir çalışma tanımlama kodu atandı. İlgili demografik ve eğitim kovaryantları kaydedildi; yaş, cinsiyet, sınıf tanımlayıcı, temel akademik performans bandı, yapay zeka destekli öğrenmeye önceki deneyim ve temel dijital öğrenme aşinalığı dahil. İstatistiksel takip için, öğretim grubu değişkeni karşılaştırma koşulu için 0, yapay zeka destekli koşul için ise 1 olarak kodlandı.
Eğitim materyalleri ve müdahale sunumu
Uygulamadan önce altı oturumlu bir öğretim birimi (Ek Tablo 1) geliştirildi ve her sınıf oturumu 40–45 dakika sürdü. Her iki eğitim koşullarında da aynı öğrenme hedefleri, ders konuları, çalışma kağıtları, akran tartışma görevleri, öz değerlendirme formları ve yansıtma önerileri uygulandı. Anket yapısı, puanlama yönleri, ters puanlanan öğeler ve nihai ölçek seviyesi değişkenleri, Tablo 1'deki kilitli puanlama haritasını takip etti. Tekrarlanabilirlik materyalleri arasında ders planları (Ek Tablo 1), yapay zeka prompt sayfaları (Ek Tablo 2), öğretmen istri sayfaları (Ek Tablo 3), öğrenci çalışma sayfaları (Ek Tablo 4), öz değerlendirme formları (Ek Tablo 5), gözlem kontrol listeleri (Ek Tablo 6), teknik olay kayıtları (Ek Tablo 7), mülakat rehberleri (Ek Tablo 8) ve niteliksel kod kitabı (Ek Tablo 9). Katılımcı öğretmen, oturum dizilimi, yapay zeka kullanım sınırları, karşılaştırma grup prosedürleri, gizlilik gereksinimleri ve sadakat kontrol listelerini kapsayan yazılı bir sunum rehberi kullanarak eğitimi tamamladı. Çalışma dışı öğrencilerle bir prova yapılarak etkinlik zamanlaması, cihaz erişimi, çalışma sayfası netliği ve görev zorluğu doğrulandı. Yapay zeka aracı, GPT-4 mimarisi kullanan kurumsal onaylı ChatGPT tabanlı bir sohbet botuydu. Sınıf kullanımı için sohbet geçmişi, profil belleği, web gezinme, eklentiler, görsel oluşturma ve otomatik derecelendirme devre dışı bırakıldı. El yazması, tanıtıcı dilden kaçınmak için ilk bahsedildikten sonra genel bir terim olan "AI chatbot platformu" olarak kullanılıyor. Müdahaleden önce prompt-tasarım ilkeleri sabitlendi ve yapay zeka kullanımı açıklama, örnek oluşturma, açıklama karşılaştırması, hedefli revizyon desteği ve öz değerlendirme ipuçlarıyla sınırlandı. Temsilci sorular, örnek yapay zeka çıktıları ve öğretmen moderasyon örnekleri tekrarlanabilirlik materyallerinin bir parçası olarak tutuldu.
Her yapay zeka destekli oturum beş yapılandırılmış aşamada gerçekleştirildi. İlk olarak, öğrenme hedeflerini belirtmek, görevleri açıklamak, yapılandırılmış yapay zeka sohbet botu platformunu belirlemek ve öğrencilere yapay zeka çıktılarının yetkili cevaplar değil, geçici istekler olduğunu hatırlatmak için 5 dakikalık bir öğretmen bilgilendirmesi yapıldı. Öğrencilere platforma herhangi bir tanımlanabilir kişisel bilgi girmemeleri konusunda kesin talimat verildi. İkinci olarak, öğrencilerin hazırlanan prompt sayfasını kullanarak açıklamalar, örnekler, alternatif açıklamalar veya düzeltme önerileri istedikleri 10 dakikalık bireysel yapay zeka destekli bir sorgulama etkinliği gerçekleşti. Her öğrenci kullanılan prompt kategorisini, bir faydalı yapay zeka destekli fikri, doğrulama gerektiren bir noktayı ve nihai benimseme kararını kaydetti. Üçüncü olarak, öğrencilerin küçük gruplarda yapay zeka destekli fikirlerini karşılaştırdığı, yanlışlıkları tespit ettiği ve çalışmalarını işbirlikle revize ettiği 12–15 dakikalık bir akran tartışması etkinliği gerçekleştirildi. Bu aşamada, öğretmen sınıfta standart bir moderasyon kuralı uygulamak için dolaştı; bu da öğrencilerin ders kriterlerine göre revizyonlarını sözlü olarak gerekçelendirmelerini ve nihai değerlendirmeden önce hatalı ya da kendine güvenen yapay zeka çıktılarını düzeltmelerini sağladı. Dördüncü olarak, yaygın yanlış anlamaları ele almak ve olgusal hataları düzeltmek için 5–8 dakikalık tüm sınıf açıklama oturumu yapıldı. Son olarak, 5 dakikalık bir öz değerlendirme etkinliği oturumu sona erdirdi; bu süreçte öğrenciler anlayışlarını değerlendirdi, somut bir gelişme kaydetti ve çözülmemiş bir soruyu not etti. Bu tam operasyonel dizi tüm müdahale sınıflarında korundu. Basılı prompt sayfaları teknik yedekleme olarak hizmet veriyor ve sınıfın üçte birinden fazlasını etkileyen teknik sapmalar açıkça kaydediliyordu. Anonimleştirilmiş temsilci prompt-çıktı-moderasyon örnekleri Ek Tablolar 2, 3'te korunmuş ve belgelenmiştir.
Karşılaştırma şartı, aynı oturum süresi, öğrenme hedefleri, konu dizisi, çalışma sayfaları, akran tartışma aralıkları, öz değerlendirme formları ve öğretmen geri bildirim pencereleri kullanılarak sunuldu. Ancak, yapay zeka destekli sorular, öğrencilerin temel kavramları açıklamalarını, örnekleri karşılaştırmalarını, zayıflıklarını belirlemelerini ve çalışmalarını gözden geçirmelerini öğreten standartlaştırılmış, öğretmenler tarafından hazırlanan rehber önerilerle değiştirildi. Brifing, bireysel sorgu, akran tartışması, tüm sınıf açıklaması ve nihai öz değerlendirmeyi içeren aynı beş adımlı yapı sıkı sıkıya korundu. Her iki durumda da ek ders verme, sınıf dışı ödevler, uzun geri bildirim dönemleri veya farklı değerlendirme görevleri sağlanmadı. Sınıf katılımı, davranışsal bozulmalar, öğretmen değişiklikleri ve eksik bileşenler her iki grup için aynı günlük formatıyla belgelendi.
Veri toplama, sadakat izleme ve nicel analiz
Değerlendirme anketleri, üç ölçüm dalgasında tutarlı madde ifadeleri, yanıt ölçekleri ve puanlama kuralları kullanılarak başlangıç, müdahale sonrası ve takip aralıklarında uygulandı. Araçlar, akademik benlik kavramı, iletişim yetkinliği, etkileşim kalitesi, öz değerlendirme ve öğrenci katılımını değerlendiren doğrulanmış ölçeklerden oluşuyordu. Yanıtlar, 1'den (güçlü anlaşmazlık) 5'e (güçlü anlaşmazlık) kadar değişen standart 5 puanlık Likert tipi bir ölçekle toplandı; yüksek puanlar hedef yapının daha yüksek seviyelerini gösteriyordu. Bireysel ölçek puanları, gerekli ters kodlamadan sonra geçerli öğelerin aritmetik ortalaması olarak hesaplandı. Eksik eşya değerleri, aynı ölçek ve dalga içindeki öğrencinin ortalama puanıyla değiştirildi, ancak öğelerin %20'sinden fazla eksik olmaması şartıyla belirtildi. %20'den fazla eksik olan ölçekler eksik olarak kabul edildi ve tamamen eksik bir değerlendirme dalgasından elde edilen veriler hesablanmadı. İstatistiksel analizden önce, ham veri seti aralık ihlalleri, tekrarlanan girişler, düz çizgili yanıt kalıpları ve anormal tamamlanma süreleri açısından dikkatle denetlenmiştir. Kayıtlar, imkansız sayısal değerler, tüm maddelerde değişmez yanıtlar veya tamamlanma süreleri ortaca sürenin üçte birinin altında varsa, geçersiz olarak işaretlendi ve hariç tutuldu; açık sınıf kayıtları doğrulanmadıkça. Ana müdahale sonrası ve takip analizleri, geçerli başlangıç puanları ve karşılık gelen müdahale sonrası veya takip sonuç verileri sunan öğrencileri içeriyordu; böylece kısmen tamamlanmış programlar için tek taraflı listeye göre silinmeyi önlediler. Veri girişinden önce, değişken isimlerini, etiketlerini, yanıt aralıklarını, eksik değer kodlarını, ters puanlama kurallarını, dalga tanımlayıcılarını ve nihai ölçek düzeyindeki yapıları tanımlamak için kilitli bir veri sözlüğü oluşturuldu. Anket verileri geniş formatta girildi; öğrenci başına tek bir satır ve ölçüm dalgalarını ayırt etmek için dalga ekleri (_T1, _T2, _T3) kullanıldı. Sayısal aralıklar ve benzersiz katılımcı kayıtları hesaplamalı olarak doğrulandı, eksiklik kalıpları ise gruplar, sınıflar ve dalgalar arasında ana katılım günlüğüne göre incelendi.
Her eğitim oturumunda uygulama isabetliliğini izlemek için standartlaştırılmış bir sınıf gözlem kontrol listesi kullanıldı. Her pedagojik bileşen 0 (tamamlanmamış), 1 (kısmen tamamlanmış) veya 2 (tam tamamlanmış) olarak puanlandırılmıştır. Değerlendirilen bileşenler, öğretmen bilgilendirmesi, bireysel sorgulama, akran tartışması, sınıf çapında açıklama ve kendi değerlendirme kayıtlarının tamamlanması gibi beş aşamalı eğitim dizisiyle sıkı bir şekilde uyumluydu. Genel seans sadakat yüzdesi, gözlemlenen puanın mümkün maksimum puana bölünmesiyle hesaplandı. %70 isabet eşiğinin altına düşen herhangi bir oturum protokol sapması olarak kaydedildi. Değerlendiriciler arasında güvenilirliği sağlamak için, ikinci eğitimli bir gözlemci toplam oturumların en az %20'sini bağımsız olarak değerlendirdi. Tüm maddeler için yüzde anlaşma hesaplandı ve ilk anlaşma %80'in altına düştüğünde derecelendirme tutarsızlıkları uzlaşı tartışmasıyla çözüldü. Donanım veya yazılım teknik arızaları, talimatların doğruluk sorunlarından ayırt etmek için ayrı kayıtlara kaydedildi.
İstatistiksel analizler, rastgele tohumun herhangi bir örnekleme veya hassasiyet kontrolünden önce sabitlendiği tekrarlanabilir, script tabanlı bir iş akışı kullanılarak gerçekleştirildi. Tüm istatistiksel testler iki kuyrukluydu ve anlamlılık p < 0.05 olarak belirlendi. Sürekli değişkenler ortalama ve standart sapmalar olarak özetlenirken, kategorik değişkenler sıklık ve yüzdeler olarak ifade edildi. Kohortlar arasındaki temel eşdeğerlik, sürekli veriler için bağımsız örneklem t-testleri ve kategorik dağılımlar için ki-kare testleri kullanılarak betimleyici olarak değerlendirildi. İçsel tutarlılık, Cronbach alfa kullanılarak ölçüldü; genel ölçekler için α ≥ 0.70, birincil sonuç ölçütleri için α ≥ 0.80 eşikleri ve düzeltilmiş toplam madde korelasyonları uygulandı. Temel olarak ayarlanmış ANCOVA birincil analitik yaklaşım olarak hizmet verdi. Her ana sonuç için ayrı modeller uyguldu; müdahale sonrası veya takip puanı bağımlı değişken, öğretim grubu ana tahmin edici olarak ve ilgili başlangıç puanı zorunlu kovaryat olarak belirtildi. Ek kovaryatlar (cinsiyet, başlangıç akademik performans bandı ve önceki yapay zeka maruziyeti) temel dengesizlikleri veya bunların teorik önemini kontrol etmek için dahil edildi ve ayarlanmış ortalama farkları, %95 güven aralıkları, standart hatalar ve model R2 değerleri raporlandı. Değişim puanı karşılaştırmaları (T2–T1 ve T3–T1), bağımsız örneklemlerden Welch'in t-testleri kullanılarak ikincil analizler olarak yapıldı; etki boyutları Cohen'in d testi kullanılarak nicele edildi. Keşif süreci analizleri, süreç değişkenleri ve sonuç değişiklikleri arasındaki Pearson korelasyonlarını değerlendirdi; çoklu kollineerliği kontrol etmek için varyans enflasyon faktörü (VIF) izleme ile çoklu öngörücü doğrusal regresyonlarla desteklendi. Son olarak, altı sağlam sınıf içindeki öğrencilerin iç içe yapısını hesaba katmak için küme duyarlı kontroller uygulandı. Koşulsuz sınıf içi korelasyon katsayıları (ICC) tahmin edildi, sonuç değişiklikleri sınıf düzeyinde toplanıp karşılaştırıldı ve birincil ANCOVA hesaplamaları, keşif hassasiyeti kontrolü olarak küme-sağlam standart hatalarla tekrarlandı.
Niteliksel örnekleme, kodlama ve karışık yöntemler entegrasyonu
Müdahale sonrası anketin hemen ardından, yarı yapılandırılmış mülakatlar için 36 öğrenciden oluşan amaçlı bir alt seçme seçildi. Bu nitel grup, akademik benlik kavramı veya iletişim yetkinliğinde yüksek, orta veya düşük değişim puanları gösteren her iki eğitim koşumundan katılımcıları içeriyordu. Yarı yapılandırılmış mülakat rehberi, sınıf etkileşimi, fikirleri açıklamadaki özgüven, kendini değerlendirme davranışları, görev katılımı ve iletişim istekliliği gibi deneyimleri, hedefli öneriler kullanarak revizyon anlarını, belirsiz geri bildirimlere verilen yanıtları ve katılım farklılıklarını inceledi. Mülakatlar yalnızca ebeveyn onayı ve öğrenci onayı alındıktan sonra sesli kaydedildi; aksi takdirde, yapılandırılmış yazılı notlar alındı. Tüm kişisel isimler, sınıf numaraları ve tanımlama bilgileri transkripsiyon sırasında kaldırıldı ve tutanaklar ilgili nicel tanımlayıcılarla bağlandı. Başlangıçtaki nitel kodlama çerçevesi, etkileşim kalitesi, öz değerlendirme ve öğrenen katılımı yapılarından tümselisel olarak türetilmiş, tümevarımsal tematik kodlar yalnızca veri temel çerçeveye uymadığında eklenmiştir. İki bağımsız kodlayıcı, güvenilirliği doğrulamak için transkriptlerin en az %20'sini analiz etti. Cohen'in kappa katsayıları değerlendirildi; 0.61–0.80 arasındaki değerler önemli uyum olarak, 0.80'in üzerindeki değerler ise güçlü uyum olarak değerlendirildi. Kod kitabı tanımları geliştirildi ve ilk kappa 0.61'in altına düştüğünde çift kodlama tekrarlandı; nihai tanımlar ve ortaya çıkan nitel kod frekans matrisi arşivlendi (Ek Tablolar 9 ve 10).
Nicel veri analizi ve nitel kodlama çerçeveleri, karma yöntemler entegrasyonu başlatılmadan önce bağımsız olarak tamamlandı. Üç nicel süreç değişkenini karşılık gelen niteliksel temalarla bağlamak için yapısal olarak uyumlu bir ortak gösteri oluşturuldu. Entegre bulgular, sistematik olarak yakınsamaya (anket kalıpları ve mülakat temalarının örtüştüğü), genişleme (nitel anlatıların nicel eğilimlerin altında yatan mekanizmaları açıkladığı) veya ayrışma (röportajların nicel kalıpları karmaşıklaştıran benzersiz engeller veya eşit olmayan katılım ortaya çıkardığı yerler) olarak sınıflandırıldı. Nitel bulgular, sınıf süreçlerini bağlamlandırmak için kullanıldı; öğrenci katılım puanlarını aktif sorgulama ve akran tartışması temalarıyla ilişkilendirdi ve öz değerlendirme puanlarını boşluk farkındalığı ve stratejik ayarlamalarla ilişkilendirdi.
Sonuçlar
Katılımcı akışı ve temel özellikler
Çalışmaya altı sağlam sınıftan 186 öğrencilik ilk grup seçildi. Uygunluk taraması, katılım doğrulaması ve yanıt kalitesi kontrollerinin ardından, 174 öğrenci nihai nicel analiz için görevlendirildi. Bu katılımcılar eşit şekilde dağıtıldı; 87 kişi yapay zeka destekli öğrenci odaklı eğitim grubuna, 87 kişi ise olağan öğrenci odaklı eğitim grubuna atandı. Şekil 1 , işe alım akışını, sınıf atamalarını, üç dalgalı değerlendirme zaman çizelgesini, dışlama kriterlerini ve niteliksel alt örneklemi detaylandırmaktadır.
Tablo 2, öğretim grubu ve ölçüm dalgası bazında tanımlayıcı birincil sonuç puanlarını özetlemektedir. Müdahaleden önce, akademik öz-kavram seviyeleri iki grup arasında benzerdi (yapay zeka destekli: 3,00 ± 0,37; karşılaştırma: 3,05 ± 0,43). Ancak, yapay zeka destekli grup, temel iletişim yetkinliğine (2.85 ± 0.40) sahip oldu, bu da normal öğretim grubuna (3.04 ± 0.38) göre daha düşüktü. Atama, bireysel rastgeleleştirme yoluyla değil, sağlam sınıf düzeyinde gerçekleştiği için, bu temel farklılıklar müdahale etkileri yerine potansiyel önceden var olan sınıf farklılıkları olarak ele alındı. Başlangıç sonuç puanları tüm birincil modellerde kovaryatlar olarak korundu ve iletişim yetkinliği bulguları ortalamaya gerilenme riskine dikkat edilerek yorumlandı. Hiyerarşik veri yapısını ele almak için, sınıf tanımlayıcıları gruplama değişkeni olarak kullanıldığında tek yönlü rastgele etkili ANOVA modellerinden koşulsuz sınıf içi korelasyon katsayıları (ICC[1]) tahmin edilmiştir. Kullanılan formül şuydu:
(1)
burada MSbetween sınıflar arasındaki ortalama kareyi temsil eder, içindeki MS sınıflar içindeki ortalama kareyi temsil eder ve m sınıf büyüklüğünü gösterir. Son veri seti, eşit büyüklükte altı sınıfı içeriyordu (k = 6; m = 29). Birincil gözlem puanları için ICC'ler 0.007 ile 0.105 arasında değişiyordu ve birincil değişim puanları için ICC'ler ASC T2–T1 = 0.152, ASC T3–T1 = 0.160, CC T2–T1 = 0.105 ve CC T3–T1 = 0.165 idi. Bu değerler, sınıf düzeyinde önemsiz bir bağımlılığı göstermiştir. Sadece altı seviye-2 kümesi mevcut olduğundan, tam çok katmanlı bir modelin yerleştirilmesi kararsız sayıldı; bu nedenle, ICC'ler, sınıf düzeyinde özetler ve küme sağlam hassasiyet kontrolleri, çok seviyeli onaylayıcı tahminler yerine tanısal kanıt olarak kullanıldı.
Uygulama izleme kayıtları, analitik veri setiyle birlikte incelendi. Altı sınıfın tamamı altı oturumlu birimi tamamladı ve katılım maruziyeti koşullar arasında karşılaştırılabilirdi (ortalama katılım oranı: yapay zeka destekli = 0.934; normal eğitim = 0.936). Hiçbir tutulan katılımcı önceden belirlenen maruz kalma eşiğinin altına düşmedi. Uygulama isabetliliğini izlemek için oturum düzeyinde kontrol listeleri ve teknik olay kayıtları kullanıldı; ikinci bağımsız gözlemci oturumların en az %20'sini değerlendirdi. Bu gözlemler, eğitmene anında geri bildirim sağlamak için biçimlendirici, yerinde bir kalite güvence mekanizması olarak hizmet etti, toplamsal bir ölçüm değil. Ana hedef gerçek zamanlı pedagojik düzeltme olduğundan, toplam istatistiksel metrikler (ortalama sadakat puanları veya dereceleyiciler arası güvenilirlik katsayıları gibi) geriye dönük analiz için kalıcı olarak arşivlenmedi. Buna rağmen, bu biçimlendirici kontroller büyük protokol sapmalarının gerçekleşmediğini doğruladı ve temel öğretim dizisi tutarlı şekilde korundu.
Çalışma ölçütlerinin iç tutarlılığı
Tablo 3 , kilitli puanlama haritasında tanımlanan eşya sayıları kullanılarak ölçülen tüm yapılar için iç tutarlılık tahminlerini bildirir. Akademik öz-kavram, hem müdahale sonrası hem de takip aşamalarında kabul edilebilir güvenilirlik gösterdi ve sırasıyla 0.828 ve 0.876 olan Cronbach alfa değerleri elde edildi. İletişim yetkinliği de benzer şekilde, bu sonraki değerlendirme dalgalarında kabul edilebilir güvenilirliği korudu; alfa değerleri 0.877 ve 0.897 oldu.
Akademik benlik kavramı (α = 0.676) ve iletişim yetkinliği (α = 0.683) için temel güvenilirlik tahminleri tercih edilen 0.70 eşiğinin altındaydı. Ancak, bu tahminler önceden belirlenmiş puanlama yapısını korumak için korunmuştur, ancak daha fazla temel ölçüm hatasını gösterir ve temel uyarlanmış tahminleri zayıflatabilir veya istikrarsızlaştırabilir. Müdahale sonrası süreçle ilgili ölçekler kabul edilebilir iç tutarlılık sergiledi; etkileşim kalitesi için 0.760, öz değerlendirme için 0.808 ve öğrenci katılımı için 0.806 alfa değerleri vardı.
Akademik öz-kavram sonuçları
Her iki grup da zaman içinde akademik benlik kavramında bir artış yaşadı, ancak yapay zeka destekli grup belirgin şekilde daha büyük bir kazanç gösterdi. Başlangıçtan müdahale sonrası hemen değerlendirmeye kadar, yapay zeka destekli grubun ortalama puanı 3,00 ± 0,37'den 3,51± 0,48'e yükseldi. Buna karşılık, karşılaştırma grubu 3,05 ± 0,43'ten 3,19 ± 0,60'a kadar ılımlı bir artış gösterdi. Bu, yapay zeka destekli kohort için ortalama T2–T1 değişimi 0,51 ± 0,44 ve karşılaştırma kohortunda 0,14 ± 0,46 olmasına yol açtı. Değişim puanındaki gruplar arası fark 0,37 (%95 GA [0,24, 0,50]) olup, büyük büyüklükte istatistiksel olarak anlamlı bir etki temsil ediyor (Welch t = 5,28, p < 0,001, Cohen's d = 0,80).
Bu avantaj, takip değerlendirmesinde de korundu. Akademik öz-kavram puanı, yapay zeka destekli grupta 3,57 ± 0,60'a ulaşırken, olağan öğretim grubunda 3,20 ± 0,63'e ulaştı. Ortalama T3–T1 değişimi, yapay zeka destekli grup için 0,57 ± 0,54, olağan eğitim grubu için ise 0,15 ± 0,48 idi. Gruplar arası değişim farkı biraz artarak 0,42'ye (%95 GA [0,27, 0,57]) ulaştı ve güçlü istatistiksel anlamlılığı korudu (Welch t = 5,46, p < 0,001, Cohen's d = 0,83). Bu üç dalgalı boyuna yörüngeler Şekil 2A'da gösterilmekte, tam değişim-puan karşılaştırmaları ise Tablo 4'te sunulmaktadır.
Tablo 5 , başlangıç düzeyine göre ayarlanmış ANCOVA sonuçlarını sunmaktadır. Başlangıç puanları ve ilgili kovaryatlar kontrol edildikten sonra, öğretim grubu ataması daha yüksek müdahale sonrası akademik benlik kavramıyla ilişkilendirildi (B = 0.328, %95 GA [0.193, 0.463], SE = 0.069, t = 4.77, p < 0.001, model R2 = 0.395). Bu ilişki takipte de gözlemlenmiştir (B = 0.401, %95 GA [0.246, 0.556], SE = 0.079, t = 5.07, p < 0.001, model R2 = 0.384). Temel akademik benlik kavramı, her iki analitik modelde de önemli bir kovaryattırdı.
İletişim yetkinliği sonuçları
Yapay zeka destekli durumdaki öğrenciler iletişim yetkinliğinde daha belirgin bir gelişme gösterdiler. Başlangıç ve müdahale sonrası ölçümler arasında, yapay zeka destekli grup 2,85 ± 0,40'tan 3,22 ± 0,63'e yükselirken, karşılaştırma grubu 3,04 ± 0,38'den 3,12 ± 0,62'ye kadar ılımlı bir artış gösterdi. Ortalama T2–T1 değişimi yapay zeka destekli katılımcılar için 0,37 ± 0,45, karşılaştırma katılımcıları için ise 0,08 ± 0,46 idi. Bu, gruplar arası değişimde istatistiksel olarak anlamlı bir fark olarak 0,29 (%95 GA [0,15, 0,43]) vermiştir ve orta-büyük bir etki boyutuna karşılık gelir (Welch t = 4,14, p < 0,001, Cohen's d = 0,63).
Takip aşamasında, iletişim yetkinliği puanları yapay zeka destekli grupta 0,71 ± 3,41'e, karşılaştırma grubunda ise 3,12 ± 0,69'a yükseldi. Ortalama T3–T1 değişimi müdahale durumunda 0,57 ± 0,56 iken, karşılaştırma durumunda 0,09 ± 0,57 olarak kaydedildi. Bu değişim puanlarındaki fark 0,48 (%95 GA [0,31, 0,65]) olup, büyük etki boyutuna sahip istatistiksel olarak anlamlı bir sonucu temsil ediyordu (Welch t = 5,61, p < 0,001, Cohen's d = 0,85). Şekil 2B bu yöneleri göstermekte olup , Tablo 4 kapsamlı değişim puanı verilerini sunmaktadır.
Ham değişim puanlarıyla tutarlı olarak, başlangıç düzeltmesi ANCOVA, grup atamasının müdahale sonrası iletişim yetkinliğiyle ilişkili olduğunu gösterdi (B = 0.301, %95 GA [0.158, 0.444], SE = 0.073, t = 4.14, p < 0.001, model R2 = 0.488). Bu ilişki takip sırasında da devam etti (B = 0,516, %95 GA [0,340, 0,692], SE = 0,090, t = 5,72, p < 0,001, model R2 = 0,388). Temel iletişim yetkinliği, her iki uyarlanmış modelde de önemli bir tahminci olarak kaldı; bu durum Tablo 5'te detaylandırıldı.
Etkileşim kalitesi, öz değerlendirme ve öğrenci katılımıyla keşfedici ilişkiler
Müdahale sonrası ölçümler, yapay zeka destekli grupta etkileşim kalitesi, öz değerlendirme ve öğrenci katılımının daha yüksek olduğunu ortaya koydu. Doğrusal modelleme, grup atamasının etkileşim kalitesi (B = 0.344, SE = 0.075, t = 4.62, p < 0.001, model R2 = 0.133), öz değerlendirme (B = 0.291, SE = 0.082, t = 3.57, p < 0.001, model R2 = 0.118) ve öğrenen katılımı (B = 0.361, SE = 0.081, t = 4.43, p < 0.001, model R2 = 0.129) ile olumlu ilişkilendirildiğini gösterdi.
Tablo 6, süreçle ilgili ilişkileri sonuç değişiklikleriyle inceleyen keşif regresyon modellerini özetlemektedir. Etkileşim kalitesi, öz değerlendirme ve öğrenci katılımı grup atamasıyla birlikte girildiğinde, öğretim grubu akademik benlik kavramındaki değişikliklerle ilişkilendirildi (B = 0.299, SE = 0.078, t = 3.85, p < 0.001, model R2 = 0.191). Ancak, etkileşim kalitesi bu modelde akademik öz-kavram değişikliğiyle bağımsız bir ilişki göstermedi (B = 0.014, SE = 0.073, t = -0.20, p = 0.844). Hem öz değerlendirme (B = 0.108, SE = 0.065, t = 1.66, p = 0.099) hem de öğrenci katılımı (B = 0.061, SE = 0.066, t = 0.93, p = 0.355) olumlu ancak istatistiksel olarak anlamlı olmayan eğilimler gösterdi. Bu modeller resmi arabuluculuk testleri olarak yorumlanmadı.
İletişim yetkinliğindeki değişiklikler için paralel bir desen ortaya çıktı. Grup ataması çoklu öngörücü modelde anlamlı kaldı (B = 0.252, SE = 0.082, t = 3.09, p = 0.002, model R2 = 0.141). Etkileşim kalitesi (B = 0.131, SE = 0.075, t = 1.75, p = 0.082) ve öz değerlendirme (B = 0.111, SE = 0.066, t = 1.68, p = 0.094) olumlu ama anlamsız ilişkiler gösterdi. Öğrenci katılımı da benzer şekilde anlamsızdı (B = -0.083, SE = 0.066, t = -1.25, p = 0.214).
Nitel kodlama ve karma yöntemler entegrasyonu
Nicel bulguları tamamlamak için, 36 öğrenciden oluşan amaçlı bir alt seçme nitel analizden geçti. Kodlanmış temalar dört ana alan etrafında yapılandırıldı: etkileşim kalitesi, öz değerlendirme, öğrenci katılımı ve uygulama engelleri. Şekil 3A , bu temaların öğretim koşullarına göre dağılımını göstermektedir.
Yapay zeka destekli grup içinde, en sık kodlanmış temalar yapay zeka destekli akran açıklaması (15 kodlanmış vaka), aktif sorgulama (14), yapay zeka destekli bilgiyi kontrol etme (14), boşluk farkındalığı (13), revizyon akıl yürütme (12) ve görev kalıcılığı (11) idi. Uygulama engelleri daha az sıktı ancak yine de gözlemlendi; bunlar arasında sığ kullanım (5) ve teknik engeller (4) vardı. Karşılaştırma grubunda, yapay zeka destekli akran açıklaması tasarım gereği yoktu, oysa eşleştirilmiş prompt rutiniyle ilgili akran açıklaması 10 kodlu durumda ortaya çıktı; 9 vakada aktif sorgulama, 8'er vakada boşluk farkındalığı ve görev kalıcılığı, 7 vakada revizyon akıl yürütme ve 2 vakada yüzeysel kullanım ortaya çıktı. Teknik engeller ve yapay zeka destekli bilgileri kontrol etmek karşılaştırma koşulunda 0 olarak kodlanmıştı. Bu sayılar, mülakat alt örneklemindeki kodlanmış vaka sayısını ifade eder, nüfus değil.
Nicel ve nitel verilerin entegrasyonu (Şekil 3B) iki alanda yakınsamayı ortaya koydu. İlk olarak, yapay zeka destekli grupta kaydedilen daha yüksek etkileşim kalitesi puanları, yapay zeka destekli akran açıklaması ve yapay zeka destekli bilgilerin kontrol edilmesi için sıkça kullanılan niteliksel kodlarla örtüşüyordu. İkinci olarak, müdahale grubundaki daha yüksek öz değerlendirme puanları, boşluk farkındalığı ve revizyon akıl yürütmeyi vurgulayan nitel anlatılarla uyumludur. Nitel temalar ayrıca, aktif katılımın algılanan görev özgünlüğü, öğretmen moderasyonu ve yüzeysel yapay zeka kullanımından kaçınmaya bağlı olduğunu göstererek katılım bulgularını genişletti.
Bulguların özeti
Özetle, entegre sonuçlar, yapay zeka destekli promptları yapılandırılmış, öğrenci odaklı bir öğrenme döngüsüne yerleştirmenin, daha yüksek öz-bildirimli akademik öz-kavram ve iletişim yetkinliğiyle ilişkili olduğunu göstermektedir. Keşif süreci verileri ve niteliksel anlatılar, öğrencilerin öğrenme deneyimlerini desteklediği bir sınıf rutiniyle tutarlıydı; burada akran açıklaması, yapay zeka çıktılarının doğrulanması ve yapılandırılmış öz değerlendirme ile destekleniyordu. Bu bulgular, yalnızca yapay zeka maruziyetinin gözlemlenen kazanımları sağladığına dair kanıt olarak değil, pedagojik olarak yapılandırılmış bir yapay zeka rutini için birleşen karma yöntemler kanıtı olarak yorumlanmalıdır.
VERİ ERIŞILEBILIRLIĞI:
Dergi gönderiminden önce, tamamen anonimleştirilmiş ham veri seti, değişken sözlüğü (Ek Tablo 11), puanlama özellikleri (Ek Tablo 12), veri temizleme spesifikasyonları (Ek Tablo 13), istatistiksel analiz benekleri ve spesifikasyonları (Ek Tablo 14 ve 15) ile tablolar ve şekiller için kaynak verileri (Ek Tablo 16) içeren kapsamlı bir tekrarlanabilirlik paketi hazırlanmıştır). Gizlilik uyumunu sağlamak için, doğrudan veya dolaylı olarak tanımlanabilir tüm öğrenci kayıtları, ham onay formları ve özel sohbet geçmişleri hariç tutuldu. Yapılandırılmış tablolar ayrı düzenlenebilir tablo dosyaları olarak hazırlanmış, şekiller ise ana el yazması içinde korunan farklı dosyalar halinde sunulmuştur. Temel kimlik dışı veri seti ve tekrarlanabilirlik materyalleri, puanlanmış öğe matrisi ve nitel kod frekans matrisi dahil olmak üzere, Zenodo deposunda (https://zenodo.org/records/20609465) kamuya açık olarak mevcuttur. Analiz veri seti, raporlanan analizler için kullanılan sınıf tanımlayıcıları, grup kodlaması, katılım oranları, ölçek puanları ve sonuç değişim puanlarını içerir.
Şekil 1: Sınıf çalışma akışı ve katılımcı alımı. Bu şekil, işe alım sürecini, sınıf atamasını, üç dalgalı değerlendirme programını, dışlanma kriterlerini ve nitel mülakat örneklemesini göstermektedir. Son nicel analitik örneklem, altı sağlam sınıftan 174 öğrenciden oluşuyordu. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.
Şekil 2: Akademik benlik kavramı ve iletişim yetkinliğinin üç dalgalı yörüngeleri. (A) Akademik benlik kavramında temel ölçü, müdahale sonrası ve takip değerlendirmeleri arasında uzunlamasına değişiklikler. (B) İlgili değerlendirme dalgaları arasında iletişim yetkinliğinde boylamasına değişiklikler. Hata çubukları, ortalamanın standart hatasını temsil eder; grafikli etiketler ortalama değerleri ve SEM'i SD/sqrt(n) olarak hesaplanır; her dalgada grup başına n = 87 olur. Kısaltmalar: SEM = ortalamanın standart hatası; SD = standart sapma. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.
Şekil 3: Niteliksel tema dağılımı ve karışık yöntemler entegrasyonu. (A) Öğretim grubuna göre nitel tema frekansları. (B) Nitel temaların nicel süreç alanlarıyla yapısal uyumu. Düzeltilmiş tema sayıları, Ek Tablo 10'daki niteliksel kod frekans matrisine dayanır ve "yapay zeka destekli bilgiyi kontrol etme" (AI destekli = 14; karşılaştırma = 0) içerir. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.
| Yapı / kayıt | Öğe kodu aralığı | Öğeler / kayıtlar | Ölçüm dalgası | Yanıt aralığı | Müzik yönü | Ters puanlı öğeler | Eksik veri kuralı | Son değişken | Analitik kullanım | ||
| Akademik benlik kavramı | ASC1–ASC6 | 6 Ürün | T1, T2, T3 | 1–5 | Daha yüksek = daha güçlü akademik benlik kavramı | ASC3, ASC5 | ≥5 madde geçerli olduğunda ölçek puanını hesaplayın; aksi takdirde o dalga için eksik ayarlanır | ASC_T1, ASC_T2, ASC_T3 | Birincil sonuç; temel ayarlanmış ANCOVA; T2–T1 ve T3–T1 değişim puanı analizi | ||
| Komün- Kasyon yetkinliği | CC1–CC6 | 6 Ürün | T1, T2, T3 | 1–5 | Daha yüksek = daha güçlü iletişim yetkinliği | CC4 | ≥5 madde geçerli olduğunda ölçek puanını hesaplayın; aksi takdirde o dalga için eksik ayarlanır | CC_T1, CC_T2, CC_T3 | Birincil sonuç; temel ayarlanmış ANCOVA; T2–T1 ve T3–T1 değişim puanı analizi | ||
| Etkileşim kalitesi | IQ1–IQ5 | 5 ürün | T2 | 1–5 | Daha yüksek = daha güçlü algılanan sınıf etkileşim kalitesi | Hiçbiri yok | ≥4 madde geçerli olduğunda ölçek puanını hesaplayın; aksi takdirde eksik set | IQ_T2 | Süreç değişkeni; keşif amaçlı regresyon; Karma yöntemler entegrasyonu | ||
| Kendi değerlendirme | SE1–SE5 | 5 ürün | T2 | 1–5 | Daha yüksek = öğrenme sırasında daha güçlü öz değerlendirme | SE2 | ≥4 madde geçerli olduğunda ölçek puanını hesaplayın; aksi takdirde eksik set | SE_T2 | Süreç değişkeni; keşif amaçlı regresyon; Karma yöntemler entegrasyonu | ||
| Öğrenci katılımı | LE1–LE6 | 6 Ürün | T2 | 1–5 | Daha yüksek = daha güçlü öğrenen katılımı | LE5 | ≥5 madde geçerli olduğunda ölçek puanını hesaplayın; aksi takdirde eksik set | LE_T2 | Süreç değişkeni; keşif amaçlı regresyon; Karma yöntemler entegrasyonu | ||
| Semiyet kaydı | ATT1–ATT6 | 6 oturum kaydı | Her oturum | Mevcut / yok | Daha yüksek katılım = daha fazla maruz kalma | Geçerli değil | Oturumların %25'inden fazlası kaçırılırsa nihai analiz örneklemesinden dışlanın. | Katılım _rate | Pozlama testi; Dışlama taraması | ||
| Sadakatlilik kontrol listesi | FID1–FID6 | 6 oturum düzeyinde puan | Her oturum | Bileşen başına 0–2 | Daha yüksek = daha güçlü protokol sadıklığı | Geçerli değil | Her gözlemlenen oturumu puanlayın; Seans düzeyinde sapmayı işaretle, eğer sadakatte %<70% | fidelity_ yüzdesi | Protokol sapma kaydı; Duyarlılık Yorumu | ||
| Teknik olay günlüğü | TECH1–TECH6 | Oturum düzeyinde rekor | Her oturum | Kategorik log | Geçerli değil | Geçerli değil | Bir olayın sınıftaki öğrencilerin üçte birinden fazlasını etkileyip etkilemediğini kaydedin | technical_ sapma | Teknik sapma kaydı; Duyarlılık Yorumu | ||
| Niteliksel röportaj | INT1–INT5 | Yarı yapılandırılmış alanlar | Müdahale sonrası | Metin / ses notları | Kodlanmış alan ile tema frekansı | Geçerli değil | Yalnızca geçerli onay ve anonim kimlik içeren transkriptler veya yapılandırılmış notlar kullanın | qualitative_ code_matrix | Etkileşim kalitesi, öz değerlendirme ve öğrenci katılımının karma yöntemlerle açıklanması | ||
Tablo 1: Anket yapısı, puanlama kuralları ve analitik kullanım. Bu tablo, veri temizliği ve analizinden önce oluşturulan kilitli puanlama haritasını tanımlar. T1 başlangıç değerlendirmesini, T2 müdahale sonrası hemen yapılan değerlendirmeyi, T3 ise takip değerlendirmesini ifade eder. Ölçek puanları, ters kodlama prosedürleri izleyerek geçerli öğelerin aritmetik ortalaması olarak hesaplanır. Tamamen eksik değerlendirme dalgaları hesaba katılmaz.
| Ölçü | Dalga | Grup | N | Acımasız | SD |
| Akademik benlik kavramı | T1 temel çizgisi | Genellikle öğrenci odaklı | 87 | 3.05 | 0.43 |
| Akademik benlik kavramı | T1 temel çizgisi | Yapay zeka destekli, öğrenci odaklı eğitim | 87 | 3 | 0.37 |
| Akademik benlik kavramı | T2 müdahale sonrası | Genellikle öğrenci odaklı | 87 | 3.19 | 0.6 |
| Akademik benlik kavramı | T2 müdahale sonrası | Yapay zeka destekli, öğrenci odaklı eğitim | 87 | 3.51 | 0.48 |
| Akademik benlik kavramı | T3 devamı | Genellikle öğrenci odaklı | 87 | 3.2 | 0.63 |
| Akademik benlik kavramı | T3 devamı | Yapay zeka destekli, öğrenci odaklı eğitim | 87 | 3.57 | 0.6 |
| İletişim yetkinliği | T1 temel çizgisi | Genellikle öğrenci odaklı | 87 | 3.04 | 0.38 |
| İletişim yetkinliği | T1 temel çizgisi | Yapay zeka destekli, öğrenci odaklı eğitim | 87 | 2.85 | 0.4 |
| İletişim yetkinliği | T2 müdahale sonrası | Genellikle öğrenci odaklı | 87 | 3.12 | 0.62 |
| İletişim yetkinliği | T2 müdahale sonrası | Yapay zeka destekli, öğrenci odaklı eğitim | 87 | 3.22 | 0.63 |
| İletişim yetkinliği | T3 devamı | Genellikle öğrenci odaklı | 87 | 3.12 | 0.69 |
| İletişim yetkinliği | T3 devamı | Yapay zeka destekli, öğrenci odaklı eğitim | 87 | 3.41 | 0.71 |
Tablo 2: Grup ve dalga bazında tanımlayıcı birincil sonuç puanları. Bu tablo, hem yapay zeka destekli öğrenci odaklı öğretim grubunda hem de olağan öğrenci odaklı eğitim grubunda akademik öz-kavram ve iletişim yetkinliği için tanımlayıcı metrikleri sunmaktadır. Kısaltmalar: SD = standart sapma.
| Yapı | Ürünler | Cronbach'ın alfası | Karar |
| Akademik benlik kavramı, T1 | 6 | 0.676 | Sınır; önceden belirlenmiş puanlama haritasına göre korunur |
| Akademik benlik kavramı, T2 | 6 | 0.828 | Kabul edilebilir |
| Akademik benlik kavramı, T3 | 6 | 0.876 | Kabul edilebilir |
| İletişim yetkinliği, T1 | 6 | 0.683 | Sınır; önceden belirlenmiş puanlama haritasına göre korunur |
| İletişim yetkinliği, T2 | 6 | 0.877 | Kabul edilebilir |
| İletişim yetkinliği, T3 | 6 | 0.897 | Kabul edilebilir |
| Etkileşim kalitesi, T2 | 5 | 0.76 | Kabul edilebilir |
| Kendi değerlendirme, T2 | 5 | 0.808 | Kabul edilebilir |
| Öğrenci katılımı, T2 | 6 | 0.806 | Kabul edilebilir |
Tablo 3: Çalışma ölçümleri için iç tutarlılık tahminleri. Bu tablo, birincil sonuç ölçekleri ve süreçle ilgili ölçekler için Cronbach alfa değerlerini gösterir. Sınır taban güvenilirlik tahminleri, önceden belirlenmiş puanlama haritasına sıkı sıkı şekilde uyulmak için korundu.
| YZ destekli değişim anlamına gelir | Yapay zeka destekli değişim SD | Karşılaştırma değişim ortalaması | Karşılaştırma değişikliği SD | Ortalama fark | Fark için %95 CI | Welch t | p değeri | Cohen'in d |
| 0.51 | 0.44 | 0.14 | 0.46 | 0.37 | [0.24, 0.50] | 5.28 | <0.001 | 0.8 |
| 0.57 | 0.54 | 0.15 | 0.48 | 0.42 | [0.27, 0.57] | 5.46 | <0.001 | 0.83 |
| 0.37 | 0.45 | 0.08 | 0.46 | 0.29 | [0.15, 0.43] | 4.14 | <0.001 | 0.63 |
| 0.57 | 0.56 | 0.09 | 0.57 | 0.48 | [0.31, 0.65] | 5.61 | <0.001 | 0.85 |
Tablo 4: Sonuç değişim puanlarında gruplar arası farklılıklar. Bu tablo, akademik öz-kavram ve iletişim yetkinliği için T2–T1 ve T3–T1 değişim puanlarını bildirmektedir. Gruplar arası farklar Welch'in t testleri kullanılarak değerlendirildi; %95 güven aralıkları ve Cohen'in d testleri şeffaflık açısından bildirildi. Kısaltmalar: CI = güven aralığı; SD = standart sapma.
| Sonuç | N | B Grubu | Grup B için %95 CI | SE | t | p değeri | Temel Sonuç B | Temel p değeri | Model R² |
| Akademik benlik kavramı, T2 | 174 | 0.328 | [0.193, 0.463] | 0.1 | 5 | <0.001 | 0.748 | <0.001 | 0.395 |
| Akademik benlik kavramı, T3 | 174 | 0.401 | [0.246, 0.556] | 0.1 | 5 | <0.001 | 0.827 | <0.001 | 0.384 |
| İletişim yetkinliği, T2 | 174 | 0.301 | [0.158, 0.444] | 0.1 | 4 | <0.001 | 1.116 | <0.001 | 0.488 |
| İletişim yetkinliği, T3 | 174 | 0.516 | [0.340, 0.692] | 0.1 | 6 | <0.001 | 1.095 | <0.001 | 0.388 |
Tablo 5: Birincil sonuçlar için başlangıç olarak ayarlanmış ANCOVA sonuçları. Bu tablo, grup katsayıları, %95 güven aralıkları, standart hatalar, p değerleri ve model R2 değerleri dahil olmak üzere, müdahale sonrası ve takip akademik öz-kavram ve iletişim yetkinliği için temel uyarlanmış ANCOVA modellerini sunmaktadır. Öğretim grubu değişkeni, olağan öğrenci odaklı eğitim için 0, yapay zeka destekli öğrenci odaklı eğitim için ise 1 olarak kodlandı. Kısaltmalar: CI= güven aralığı; SE= standart hata.
| Sonuç değişikliği | Tahminci | B | SE | t | p değeri | Model R2 | Yorum |
| Akademik öz-kavram değişikliği | Öğretim grubu | 0.299 | 0.078 | 3.85 | <0.001 | 0.191 | Grup birliği korundu |
| Akademik öz-kavram değişikliği | Etkileşim kalitesi | -0.014 | 0.073 | -0.20 | 0.844 | Bağımsız olarak önemli değil | |
| Akademik öz-kavram değişikliği | Kendi değerlendirme | 0.108 | 0.065 | 1.66 | 0.099 | Pozitif, anlamsız eğilim | |
| Akademik öz-kavram değişikliği | Öğrenci katılımı | 0.061 | 0.066 | 0.93 | 0.355 | Bağımsız olarak önemli değil | |
| İletişim yetkinliği değişikliği | Öğretim grubu | 0.252 | 0.082 | 3.09 | 0.002 | 0.141 | Grup birliği korundu |
| İletişim yetkinliği değişikliği | Etkileşim kalitesi | 0.131 | 0.075 | 1.75 | 0.082 | Pozitif, anlamsız eğilim | |
| İletişim yetkinliği değişikliği | Kendi değerlendirme | 0.111 | 0.066 | 1.68 | 0.094 | Pozitif, anlamsız eğilim | |
| İletişim yetkinliği değişikliği | Öğrenci katılımı | -0.083 | 0.066 | -1.25 | 0.214 | Bağımsız olarak önemli değil |
Tablo 6: Sonuçta değişiklikler için keşif amaçlı regresyon ve sınıf düzeyinde tanı sonuçları. Bu tablo, öğretim grubu, etkileşim kalitesi, öz değerlendirme, öğrenci katılımı ve sonuç değişimi puanları arasındaki keşfedici doğrusal ilişkileri ve sınıf düzeyinde ICC tanılarını sunmaktadır. Bu modeller onaylayıcı arabuluculuk testleri olarak yorumlanmadı. Kısaltmalar: SE = standart hata.
Ek Tablo 1: Altı oturumlu sınıf ders rehberi. Öğrenme hedeflerini, pedagojik aşama tahsisatlarını ve analiz için tutulan kanıtları özetler. Bu dosyayı indirmek için lütfen buraya tıklayın.
Ek Tablo 2: Müdahale grubu için yapay zeka prompt sayfası. İzin verilen işlevleri, yasaklı kullanımları ve zorunlu öğrenci kayıtlarını belirtir. Bu dosyayı indirmek için lütfen buraya tıklayın.
Ek Tablo 3: Karşılaştırma grubu için öğretmen soru sayfası. Bu konu, yapay zeka destekli grubun öğretim yapısına uymak için kullanılan standartlaştırılmış öğretmen rehberliğindeki soruları özetliyor. Bu dosyayı indirmek için lütfen buraya tıklayın.
Ek Tablo 4: Öğrenci çalışma sayfası şablonu. Gerekli alanları, formatları ve veri toplama durumunu sağlar. Bu dosyayı indirmek için lütfen buraya tıklayın.
Ek Tablo 5: Kendi değerlendirme formu. Yansıtma öğelerini, yanıt formatlarını ve ilgili kodlama kurallarını özetler. Bu dosyayı indirmek için lütfen buraya tıklayın.
Ek Tablo 6: Sınıf gözlemi ve sadakat kontrol listesi. 0'dan 2'ye kadar bileşene özgü puanlama rubrikleri sağlar. Bu dosyayı indirmek için lütfen buraya tıklayın.
Ek Tablo 7: Teknik olay kaydı. Olay türlerini, etkilenen öğrenci sayılarını ve protokol sapma kodlarını belgeler. Bu dosyayı indirmek için lütfen buraya tıklayın.
Ek Tablo 8: Yarı yapılandırılmış mülakat rehberi. Nitel alanlar, temel sorular, isteğe bağlı araştırmalar ve bağlı yapıları detaylandırır. Bu dosyayı indirmek için lütfen buraya tıklayın.
Ek Tablo 9: Niteliksel kod kitabı. Alan alanlarını, dahil etme ve dışlama kurallarını ve belirli kanıt kaynaklarını tanımlar. Bu dosyayı indirmek için lütfen buraya tıklayın.
Ek Tablo 10: Nitel kod frekans matrisi. Her iki öğretim grubundaki kodlanmış vaka sayısını raporlar. Bu dosyayı indirmek için lütfen buraya tıklayın.
Ek Tablo 11: Veri Sözlüğü. Değişken isimlerini, etiketlerini, izin verilen değerleri, eksik değer kurallarını ve analiz kullanımlarını tanımlar. Bu dosyayı indirmek için lütfen buraya tıklayın.
Ek Tablo 12: Puanlama özellikleri. Her yapı için tersine kodlanmış öğeleri, minimum geçerli eşya gereksinimlerini, ölçek formüllerini ve çıktı değişkenlerini detaylandırır. Bu dosyayı indirmek için lütfen buraya tıklayın.
Ek Tablo 13: Veri temizleme spesifikasyonları. Veri seti doğrulaması için temizlik adımlarını, kuralları ve oluşturulan çıktı kayıtlarını özetler. Bu dosyayı indirmek için lütfen buraya tıklayın.
Ek Tablo 14: İstatistiksel analiz spesifikasyonları. Birincil ve ikincil analizler için analitik prosedürleri, modelleri ve karar eşiklerini özetler. Bu dosyayı indirmek için lütfen buraya tıklayın.
Ek Tablo 15: Küme duyarlı analiz spesifikasyonları. Sınıf düzeyinde toplama ve protokol sapma incelemeleri için prosedürleri ve yorumlama kurallarını tanımlar. Bu dosyayı indirmek için lütfen buraya tıklayın.
Ek Tablo 16: Kaynak veri indeksi. Nihai çıktı tablolarını ve şekilleri gerekli istatistiklere, kaynak dosyalarına ve el yazması konumlarına bağlar. Bu dosyayı indirmek için lütfen buraya tıklayın.
Tartışma
Bu çalışma, öğrenci odaklı öğretime yapay zeka destekli araçların entegre edilmesinin, ergenlerin akademik benlik kavramı ve kendi bildirdiği iletişim yetkinliğindeki değişikliklerle ilişkili olup olmadığını inceledi. Üç dalgalı gözlem dönemi boyunca, yapay zeka destekli gruptaki öğrenciler, her iki sonuçta da normal öğrenci odaklı eğitim alanlara göre daha büyük bir artış gösterdi. Bu yörünge, ham skor kalıpları, değişim puanı metrikleri ve başlangıç olarak ayarlanmış ANCOVA modelleri arasında tutarlıydı. Ancak, tasarım sağlam sınıflar, kendi bildirilen sonuçlar ve az sayıda sınıf kümesi kullandığı için, bu bulgular akademik performansın kesin nedensel kanıtı yerine umut vadeden sınıf temelli ilişkiler olarak yorumlanmalıdır.
Akademik benlik kavramındaki gözlemlenen gelişme, öğrencilerin akademik yetenekleri hakkındaki inançlarının birikimli görev deneyimleri ve sürekli geri bildirimle şekillendiği varsayımıyla tutarlıdır. Akademik öz-kavram, genelleştirilmiş bir özsaygı duygusu olarak değil, belirli öğrenme faaliyetleri sırasında algılanan yetkinlik düzeyine yanıt veren alana özgü bir yapı olarak çalışır. Müdahale, öğrencilerin ilk açıklamalar oluşturmasını, yapay zeka tarafından oluşturulan önerileri eleştirel incelemesini, bu fikirleri akranlarıyla tartışmasını ve nihai yanıtlarını geliştirmelerini gerektirdi. Bu yinelemeli döngüler, öğrencilere gözle görülür ilerleme kanıtı sunmuş olabilir ve gözlemlenen akademik benlik kavramıdesenine makul bir açıklama sunmuş olabilir 8.
İletişim yetkinliğiyle ilgili sonuçlar benzer bir sınıf sürecine işaret eder. Yapay zeka destekli grup sadece ek bilgilere maruz kalmadı; Öğretim tasarımı, öğrencilerin akran etkileşimleri sırasında kavramları ifade etmesini, karşılaştırmasını ve gerekçelendirmesini gerektiriyordu. Bu nedenle geri bildirim, yapay zeka önerileri, akran yanıtları ve hedefe yönelik öğretmen açıklamalarının sürekli bir dizisi olarak işlev gördü. Bu diyalogsal yapı, takip sırasında gözlemlenen kendi bildirimli iletişim yetkinliğindeki sürekli artışı açıklamaya yardımcı olabilir. Günümüz bağlamında, en büyük gelişimsel kalıplar, öğrencilerin geri bildirimi pasif olarak emmek yerine revize edilmiş sözlü açıklamalara çevirmeleri gerektiğinde ortayaçıktı.
Nitel tematik analiz, bu nicel yollar için temel bağlam sağlar. Yapay zeka destekli grubun röportaj anlatımları ağırlıklı olarak yapay zeka destekli akran açıklamaları, belirsiz çıktıların titiz gerçeklik kontrolü ve şeffaf öz değerlendirme uygulamaları gibi anlatımları içeriyordu. Bu temalar, yapay zeka tarafından oluşturulan metnin, kesin gerçeklik yerine eleştirel değerlendirme için ham madde olarak konumlandırıldığı müdahalenin amaçlanan yapısını yansıtıyor. Bu epistemolojik çerçeveleme önemlidir çünkü yapay zekanın gerçek eğitim faydası tamamen öğrenenlerin çıktıyla nasıl etkileşime girdiğine bağlıdır. Öğrenciler yapay zeka yanıtlarını sadece kopyaladığında, bilişsel süreç sınırlı kalır. Buna karşılık, çıktılar eleştirel olarak sorgulandığında, karşılaştırıldığında ve yineleme olarak revize edildiğinde, daha aktif bir açıklama sürecini destekleyebilirler. Gözlemlenen dinamikler, basit bir teknoloji-maruz kalma etkisi yerine rehberli bir kendini açıklama paradigmasına benzer.
Kendi kendini değerlendirme, keşif amaçlı regresyon modelleri onu bağımsız bir arabulucu olarak kesin olarak tanımlamasa da, başka bir kritik sınıf süreci olarak ortaya çıktı. Yapay zeka destekli durumdaki öğrenciler yüksek öz değerlendirme puanları bildirdi ve nitel kodlama, bilgi açıklarını fark etmek ve revizyonları rasyonel hale getirmekle ilgili davranışların daha sık olduğunu vurguladı. Ancak, grup ataması ve diğer mekanizma değişkenleriyle birlikte çoklu tahmin modeline girildiğinde, öz değerlendirme sonuç değişikliğinin bağımsız bir öngörücüsü olarak istatistiksel anlamlılık kazanamadı. Ölçülü bir yoruma göre, öz değerlendirme öğrenme rutininin ayrılmaz bir parçası olsa da, etkisinin etkileşim kalitesi, öğretmenin açıklaması ve genel görev katılımıyla iç içe geçtiği yönündedir. Bu sinerjik görüş, kendi kendini düzenlemeli öğrenmenin, geri bildirim, standart belirleme, sürekli izleme ve performans açıklarını kapatmak için yapılandırılmış fırsatların bütüncül birleşimi yoluyla olgunlaştığını iddia eden biçimlendirici değerlendirme çerçeveleriyle iyi uyumsağlar 11.
Benzer derecede yorumlayıcı tedbirli, öğrenci katılımına da uygulanmalıdır. Yapay zeka destekli grup, aktif sorgulama ve görev süremi gibi niteliksel anlatımlarla desteklendiği gibi genel katılımın daha yüksek olduğunu gösterse de, katılım tüm grup boyunca eşit şekilde sağlam değildi. Mülakat verileri, gerçek katılımın algılanan görev özgünlüğü ve öğretmen moderasyonunun etkinliğine büyük ölçüde bağlı olduğunu ortaya koydu. Bu değişkenlik teorik olarak tutarlıdır; Katılım, tek bir davranış değil, davranışsal, duygusal ve bilişsel yönleri kapsayan çok boyutlu bir yapıdır ve hepsi sınıfın anlık bağlamsal değişimlerine derinduyarlıdır 12. Bu nedenle, bu sonuçlar yapay zeka entegrasyonunun öğrenci katılımını otomatik olarak artırdığı anlamına gelmez. Bunun yerine, yapay zeka destekli sorgulama, gerçek görevler, yapılandırılmış akran diyalogu ve aktif öğretmen denetimiyle sıkı bir şekilde birleştirildiğinde etkileşimin optimize edildiğini belirtirler.
Bu özel değişkenlerin ötesinde, bu çalışma eğitimde yapay zeka etrafındaki daha geniş tartışmaya sınıf düzeyinde hedefli bir katkı sunmaktadır. Günümüz tartışmalarının çoğu, araç erişilebilirliği, algoritmik kişiselleştirme, görev otomasyonu veya bilişsel aşırı bağımlılık riski gibi makroskobik konular etrafında yoğunlaşır. Mevcut çalışma, yapay zekayı çok daha kısıtlı bir şekilde kasıtlı olarak kullandı: yalnızca yapılandırılmış bir öğrenme döngüsüne gömülü yinelemeli bir prompt üreticisi olarak hizmet etti. Bu pedagojik ölçü çok önemlidir. Yapay zeka hiçbir zaman öğretmen uzmanlığı veya akran sosyalleşmesi için bir vekil olarak konumlandırılmadı. Yalnızca bilişsel sürtünme yaratmak için kullanılıyordu—öğrencilerin sorgulaması, tartışması ve geliştirmesi gereken materyaller üretiyordu. Böyle bir eğitim düzeni, mevcut yapay zeka eğitiminde yaygın bir sınırlamayı doğrudan ele alır; bu araştırmalar, ham teknolojik yeteneği aşırı vurgularken, bu da özel pedagojik koşulların önüne geçerek kullanılmasınısağlar 13.
Bu bulgular, çeşitli metodolojik sınırlamalar ışığında yorumlanmalıdır. Birincisi, bireysel rastgele atamalar yerine sağlam sınıflara güvenmek, nedensel çıkarımı sınırlar. Yapay zeka destekli grupta daha düşük temel iletişim yetkinliği temel ayarlanmış modellerle ele alınmış olsa da, sınıf düzeyindeki ortalama ve ölçülmemiş farklılıklara geri dönüş göz ardı edilemez. İkinci olarak, sadece altı sınıf kümesi mevcuttu. Birincil değişim puanları için ICC'ler 0.105 ile 0.165 arasında değişiyordu, bu da sınıf düzeyinde bağımlılığı gösteriyordu, ancak az sayıda küme çok katmanlı modelleme ve küme uyarlı çıkarımın istikrarını sınırladı. Üçüncü olarak, takip aralığı nispeten kısaydı (dört hafta), bu da tam akademik dönem boyunca dayanıklılık sonucuna varılmasını engelliyordu. Dördüncüsü, süreç analizleri keşif niteliğindeydi ve doğrulanmış bir nedensel arabuluculuk zinciri oluşturmadı.
Ölçüm ve uygulama kısıtlamaları da dikkate alınmayı hak eder. İki temel güvenilirlik tahmini, tercih edilen eşik eşiğinin altındaydı, bu da temel ölçüm gürültüsü yaratmış olabilir. Sonuçlar çoğunlukla kendi kendine bildirildi ve bu nedenle gerçek akademik performansın, nesnel iletişim davranışının veya bağımsız olarak değerlendirilen başarının iyileşip iyileşmediğini belirlememektedir. Alternatif açıklamalar, yapay zeka kullanımıyla ilişkili yenilik etkileri, öğretmen heyecanı, sınıf kültüründeki çeşitlilik, eşit olmayan dijital aşinalık ve akran grubu iklimindeki farklılıklar gibi gözlemlenen kalıplara katkıda bulunmuş olabilir. Katılım kayıtları, teknik olay kayıtları ve sadakat kontrol listeleri bazı uygulama risklerini azalttı, ancak öğrencilerin yapay zeka önerilerini yorumlama veya kullanma biçimindeki bireysel farklılıkları tam olarak yakalayamıyorlar. 14.
Gelecekteki araştırmalar, bu öğretim mantığını daha geniş bir sınıf kümesi yelpazesinde titizlikle test etmeli ve takip zaman çizelgesini uzatarak boylamasına kalıcılığı değerlendirmelidir. Tamamen rastgele bir küme denemesi, farklı öğretmen ve sınıf düzeyindeki etkilerin daha hassas bir tahminini mümkün kılar. Sonraki araştırmalar ayrıca bu gelişim kalıplarının çeşitli akademik disiplinler, sınıf seviyeleri ve öğrenci yetenek gruplarında tutarlı kalıp kalmadığını da incelemelidir. Ayrıca, belirli yapay zeka destek modalitelerini (örneğin açıklama üretimi, revizyon geri bildirimi ve kendi değerlendirme yönlendirme) çözmek, yapay zeka yardımını ayırtılmış bir müdahale olarak kavramsallaştırmaktan daha kesin içgörüler sağlar. Karma yöntemli tasarımlar, bu araştırma hattını ilerletmek için vazgeçilmez olmaya devam edecektir; çünkü uygulama sadıklığı, öğrenci yorumu ve sınıf etkileşimi arasındaki etkileşim, standart bir müdahalenin farklı eğitim ortamlarında neden başarılı olup da başarısız olduğunu sıklıklabelirler. 15.
Genel olarak, bu çalışma, yapay zeka destekli, öğrenci odaklı eğitimin, teknoloji yapılandırılmış, etkileşimli bir sınıf rutinine entegre edildiğinde, ergenlerin akademik benlik kavramını ve kendi bildirdiği iletişim yetkinliğini destekleyebileceğini öne sürmektedir. Ana ima sadece yapay zekanın öğrenmeyi geliştirdiği anlamına gelmiyor. Bunun yerine, kanıtlar daha ölçülü bir sonucu destekler: YZ promptları, öğrencilerin sürekli öğretmen rehberliği altında yapay zeka tarafından üretilen çıktıları sorgulamaları, tartışmaları, gözden geçirmeleri ve eleştirel değerlendirmeleri gerektiğinde eğitimsel açıdan en faydalı olur. Bu dengeli yaklaşım, akran etkileşimini, öğretmen moderasyonunu ve yansıtıcı insan öğrenimini koruyarak yeni teknolojileri kullanmak isteyen eğitimciler için geçerlidir.
Açıklamalar
Lingyun Deng: Kavramsallaştırma, Metodoloji, Araştırma, Veri küratörlüğü, Formal analiz, Yazma – orijinal taslak.
Shanshan Han: Kavramsallaştırma, Metodoloji, Denetim, Proje Yönetimi, Doğrulama, Yazma – inceleme ve düzenleme.
Fengni Yang: Katılımcı kazanımı, anket veri toplama, yarı yapılandırılmış mülakat kaydı, ek materyal sıralaması ve makale parlaması. Tüm yazarlar el yazmasının yayımlanmış versiyonunu okuyup kabul etti..
Teşekkürler
Yazarlar, katılımcı okula, öğrencilere ve velilere veri toplama sürecinde gösterdikleri iş birliği ve destek için içten teşekkürlerini sunmak ister. Yazarlar ayrıca bu araştırmayı kolaylaştıran akademik ortam ve gerekli kaynakları sağladığı için Kookmin Üniversitesi Eğitim Fakültesi'ne teşekkür etmektedir. Bu çalışmanın geliştirilmesi veya uygulanması için herhangi bir dış fon veya mali destek alınmadı.
Malzemeler
```html
```
| Ad | Şirket | Katalog numarası | Yorumlar |
|---|---|---|---|
| ChatGPT | OpenAI | https://chatgpt.com | Öğrenci sorguları ve istemleri için öğretim bileşeni olarak kullanılan kurumsal olarak onaylanmış platform. |
| Grammarly | Grammarly, Inc. | https://www.grammarly.com | El yazması hazırlama sırasında dil parlatma ve biçimlendirme desteği için kullanılır |
| SPSS | IBM Corp. | SCR_002865 | Temel düzeyde ayarlı ANCOVA, t-testleri, Pearson korelasyonları ve ICC'ler dahil olmak üzere nicel veri analizi için kullanılır. |
| NVivo | Lumivero | https://lumivero.com/products/nvivo | Yarı yapılandırılmış görüşme transkriptlerini kodlamak ve bağımsız kodlayıcılar için Cohen'in kappa'sını hesaplamak için kullanılır. |
| Qualtrics | Qualtrics, LLC | https://www.qualtrics.com | Temel, müdahale sonrası ve takip değerlendirme anketlerini yönetmek için kullanılır. |
Kaynaklar
- Freeman S et al. Active learning increases student performance in science, engineering, and mathematics. Proc Natl Acad Sci U S A. 2014;111(23):8410-8415.
- Marsh HW, Craven RG. Reciprocal effects of self-concept and performance from a multidimensional perspective. Perspect Psychol Sci. 2006;1(2):133-163.
- Hattie J, Timperley H. The power of feedback. Rev Educ Res. 2007;77(1):81-112.
- Nicol DJ, Macfarlane-Dick D. Formative assessment and self-regulated learning: A model and seven principles of good feedback practice. Stud High Educ. 2006;31(2):199-218.
- Fredricks JA, Blumenfeld PC, Paris AH. School engagement: Potential of the concept, state of the evidence. Rev Educ Res. 2004;74(1):59-109.
- Creswell JW, Plano Clark VL. Designing and conducting mixed methods research. 3rd ed. SAGE Publications; Thousand Oaks, CA; 2018.
- Webb NM. The teacher's role in promoting collaborative dialogue in the classroom. Br J Educ Psychol. 2009;79(1):1-28.
- Chi MTH, de Leeuw N, Chiu MH, LaVancher C. Eliciting self-explanations improves understanding. Cogn Sci. 1994;18(3):439-477.
- Zimmerman BJ. Becoming a self-regulated learner: An overview. Theory Pract. 2002;41(2):64-70.
- Ryan RM, Deci EL. Self-determination theory and the facilitation of intrinsic motivation, social development, and well-being. Am Psychol. 2000;55(1):68-78.
- Shute VJ. Focus on formative feedback. Rev Educ Res. 2008;78(1):153-189.
- Lo CK. What is the impact of ChatGPT on education? A rapid review of the literature. Educ Sci. 2023;13(4):410.
- Webb NM. Peer interaction and learning in small groups. Int J Educ Res. 1989;13(1):21-39.
- Hmelo-Silver CE. Problem-based learning: What and how do students learn? Educ Psychol Rev. 2004;16(3):235-266.
- Fàbregues S et al. Use of mixed methods research in intervention studies to increase young people's interest in STEM: A systematic methodological review. Front Psychol. 2022;13:956300.
Yeniden basım ve izinler
Bu JoVE makalesinin metnini veya şekillerini yeniden kullanmak için izin iste
İzin iste