فصلنامه مطالعات میان‌رشته‌ای در علوم انسانی

سناریوپردازی درباره آینده آموزش و پرورش در ایران با در نظر گرفتن قابلیت‌های رو به رشد هوش مصنوعی

مقالات آماده انتشار

نوع مقاله : مقاله علمی ـ پژوهشی

نویسندگان

امید خدابخشیان 1
علی اصغر پورعزت 2
ابراهیم مزاری 3

1 دانشگاه تهران

2 دانشکدگان مدیریت دانشگاه تهران

3 دانشکده حکمرانی دانشکدگان مدیریت دانشگاه تهران

10.22035/isih.2026.5542.5159
چکیده
در این مقاله با هدف بررسی سناریو‌های آینده آموزش و پرورش در ایران با در نظر گرفتن قابلیت‌های رو به رشد هوش مصنوعی تلاش شده تا تصاویر روشنی از آینده ی این فناوری در سطح آموزش و پرورش کشور تصویرسازی گردد.جامعه مشارکت کنندگان ازبین صاحب نظران، اساتید وخبرگان علمی‌از طریق روش نمونه گیری غیراحتمالی هدفمند انتخاب شدند.روش گردآوری اطلاعات نیز بر اساس مطالعات کتابخانه ای و میدانی بوده است.دراین مقاله،در گام نخست،۳۵ پیشران از طریق مطالعات کتابخانه‌ای شناسایی شد.سپس با بهره‌گیری از ابزارهای تحلیل ادبیات،مقیاس لیکرت،مصاحبه با خبرگان و نرم‌افزار میک‌مک، ۱۸ پیشران به ‌عنوان پیشران‌های اثرگذارو4 مورد از آن‌ها به‌عنوان پیشران‌های کلیدی تشخیص داده شدند.که پس از تعیین میزان اهمیت و عدم قطعیت این پیشران‌ها،در نهایت دو پیشران «یادگیری تعاملی» و«همکاری معلم و دانش‌آموز»به‌عنوان محورهای اصلی سناریونویسی انتخاب شدند.بر این اساس،چهار سناریو با عناوین «روزگار هوشمند»،«انتخاب‌های محافظه‌کارانه»، «انسان‌زدایی بی‌پروا»و«انسان بیگانه‌شده» به روش GBN تدوین گردید.در سناریوی «روزگار هوشمند» ، آموزش و پرورش ایران با بهره‌گیری از یادگیری تعاملی و مشارکت فعال انسانی، به بستری برای پرورش خلاقیت،تقویت تفکر انتقادی و تحقق عدالت آموزشی تبدیل می‌شود. در مقابل، سناریوهای«انسان‌زدایی بی‌پروا» و «انسان بیگانه‌شده» هشدارهایی جدی درباره حذف تدریجی نقش انسان،گسست ارتباطی و غلبه رویکردهای ماشینی در فرآیند آموزش ارائه می‌دهند. سناریوی «انتخاب‌های محافظه‌کارانه» نیز نشان می‌دهد که حتی در صورت بهره‌گیری از فناوری و تعامل آموزشی،در غیاب همکاری انسانی، تحول واقعی در نظام آموزشی رخ نخواهد داد؛ موضوعی که با واقعیت‌های کنونی آموزش و پرورش ایران، جایی که نوآوری‌ها اغلب با احتیاط، تأخیر و مقاومت فرهنگی مواجه‌اند،هم‌خوانی دارد.

کلیدواژه‌ها

آینده پژوهی
سناریو پردازی
هوش مصنوعی
آموزش و پرورش

موضوعات

احمدی ‌پاکروان، پروین؛ و آذرشاهی، صدف (1402). اولویت‌بندی پیشران‌های به‌کارگیری هوش مصنوعی در آموزش‌وپرورش با استفاده از روش مایرکا (مطالعه‌ی موردی: استان همدان).دوفصلنامه کاوش‌هایی نوین در هوشمندی استراتژیک کسب‌وکار, 1(1), 121-105.  doi: 10.22034/nesib.2024.443976.1005
حسینی‌مقدم، محمد؛ و حمیدی، مهرداد (1401). آینده‌پژوهی توسعهٔ دانش‌های میان‌رشته‌ای در آموزش عالی: بررسی تجارب دانشگاه‌های علوم پزشکی ایران. فصلنامه مطالعات میان‌رشته‌ای در علوم انسانی ایران، 14(3)، 87-122. doi: 10.22035/isih.2022.4642.4586
دبیرخانه شورای عالی انقلاب فرهنگی (1390). سند تحول بنیادین نظام تربیت رسمی و عمومی جمهوری اسلامی ایران در افق چشم‌انداز. برگرفته از https://sce.ir/media
رضایان، احد؛ مرزبان، احسان؛ رضایان، علی‌حسین؛ و مرزبان، مصطفی (1401). تحلیل ساختاری مؤلفه‌ها و شناسایی پیشران‌های سازندهٔ آیندهٔ آیین‌نامهٔ ارتقای مرتبهٔ اعضای هیئت علمی مراکز آموزش عالی در ایران در افق 1414. فصلنامه مطالعات میان‌رشته‌ای در علوم انسانی، 14(3)،123-155. doi: 10.22035/isih.2022.4663.4603
رهسپار، زهره؛ صالحی، کیوان؛ عزتی، میترا؛ و ذولفقاززاده کرمانی، محمدمهدی (1398). شناسایی و تحلیل ساختاری تأثیر متقابل پیشرانهای تغییر در حوزة آموزش وپرورش. نوآوری‌های آموزشی، 18(2)،101-126. doi: 10.22034/jei.2019.92888
کلباسی، ثمین (1398). سناریوهای آینده آموزش و یادگیری در ایران با تأکید بر نقش وب 3. پایان‌نامه کارشناسی ارشد، دانشگاه تهران، تهران، ایران.
کنعانی، فاطمه؛ رسولیان، پریسا؛ حافظی، رضا؛ و آهنگری، سعیده السادات (1402). تحلیل بوم سازگان هوش مصنوعی ایران و شناسایی خلاءهای نهادی و کارکردی آن. سیاست علم و فناوری،16(2)، 59-77.doi: 10.22034/jstp.2023.11303.1648
یوسفی همدانی، الهام؛ نصراصفهانی، احمدرضا؛ عابدینی، یاسمین؛ و طاهری دمنه، محسن (1402). سناریوهای بدیل برنامه درسی دوره ابتدایی در افق 1415: رویکردی آینده‌نگارانه. مطالعات برنامه درسی، 18(71)، 1-28. doi: 10.22034/jcs.2024.166898
Adams Becker, S., Cummins, M., Davis, A., Freeman, A., Hall Giesinger, C., & Ananthanarayanan, V. (2017). NMC Horizon Report: 2017 Higher Education Edition. New Media Consortium.‌ https://www.learntechlib.org/p/182080
Adjerid, I., & Kelley, K. (2018). Big data in psychology: A framework for research advancement. American Psychologist, 73(7), 899-917. doi:10.1037/amp0000190
Albin-Clark, A., Howard, T. L. J., & Anderson, B. (2011). Real-time computer graphics simulation of blockplay in early childhood. Computers & Education, 57(4), 2496-2504. doi:10.1016/j.compedu.2011.07.004
Bajaj, R., & Sharma, V. (2018). Smart Education with artificial intelligence based determination of learning styles. Procedia computer science, 132, 834-842. doi:10.1016/j.procs.2018.05.095
Bell, W. (1996). An overview of futures studies. The knowledge base of futures studies: Foundations, 1, 28-56.
‌Bessen, J. (2019). 10. Artificial Intelligence and Jobs: The Role of Demand. In A. Agrawal, J. Gans, & A. Goldfarb, The Economics of Artificial Intelligence: An Agenda (pp. 291-308), Chicago: University of Chicago Press. doi:10.7208/9780226613475-012
Chassignol, M., Khoroshavin, A., Klimova, A., & Bilyatdinova, A. (2018). Artificial Intelligence trends in education: a narrative overview. Procedia Computer Science, 136, 16-24.‌ doi:10.1016/j.procs.2018.08.233
Chen, X., Zou, D., Xie, H., Cheng, G., & Liu, C. (2022). Two decades of artificial intelligence in education. Educational Technology & Society, 25(1), 28-47. ‌
Chin, D. B., Dohmen, I. M., & Schwartz, D. L. (2013). Young children can learn scientific reasoning with teachable agents. IEEE Transactions on Learning Technologies, 6(3), 248-257. doi:10.1109/TLT.2013.24
Chin, D. B., Dohmen, I. M., Cheng, B. H., Oppezzo, M. A., Chase, C. C., & Schwartz, D. L. (2010). Preparing students for future learning with teachable agents. Educational Technology Research and Development, 58, 649-669.‌ doi:10.1007/s11423-010-9154-5
Chou, C. Y., Chan, T. W., & Lin, C. J. (2003). Redefining the learning companion: the past, present, and future of educational agents. Computers & Education, 40(3), 255-269. doi:10.1016/S0360-1315(02)00130-6
Cutumisu, M., & Guo, Q. (2019). Using topic modeling to extract pre-service teachers’ understandings of computational thinking from their coding reflections. IEEE Transactions on Education, 62(4), 325-332. ‌doi:10.1109/TE.2019.2925253
De Melo, F. R., Flôres, E. L., De Carvalho, S. D., De Teixeira, R. A. G., Loja, L. F. B., & de Sousa Gomide, R. (2014). Computational organization of didactic contents for personalized virtual learning environments. Computers & Education, 79, 126-137. ‌doi:10.1016/j.compedu.2014.07.012
Dean, M. (2019). Scenario planning: A literature review. A report of project, (769276-2).  doi:10.13140/RG.2.2.12629.24802
Dehcordi, A. M., & Alavi, S. A. (2019). Structural analysis of Iranian educational technologies. Journal of Global Entrepreneurship Research, 9, 1-18. doi: 10.1186/s40497-018-0130-6
‌Du Boulay, B. (2019). Escape from the Skinner Box: The case for contemporary intelligent learning environments. British Journal of Educational Technology, 50(6), 2902-2919.‌ doi:10.1111/bjet.12860
El-Alfy, E. S. M., & Abdel-Aal, R. E. (2008). Construction and analysis of educational tests using abductive machine learning. Computers & Education, 51(1), 1-16. doi:10.1016/j.compedu.2007.03.003
Fitria, T. N. (2021, December). Artificial intelligence (AI) in education: Using AI tools for teaching and learning process. In Prosiding Seminar Nasional & Call for Paper STIE AAS (pp. 134-147).‌
Gobert, J. D., & Sao Pedro, M. A. (2016). Digital assessment environments for scientific inquiry practices. The Wiley handbook of cognition and assessment: Frameworks, methodologies, and applications (pp. 508-534). doi:10.1002/9781118956588. ch21
Goharinezhad, S., Maleki, M., Baradaran, H. R., & Ravaghi, H. (2016). Futures of elderly care in Iran: A protocol with scenario approach. Medical journal of the Islamic Republic of Iran, 30, 416.
González-Calatayud, V., Prendes-Espinosa, P., & Roig-Vila, R. (2021). Artificial intelligence for student assessment: A systematic review. Applied sciences, 11(12), 5467.‌doi:10.3390/app11125467
Hew, K. F., Hu, X., Qiao, C., & Tang, Y. (2020). What predicts student satisfaction with MOOCs: A gradient boosting trees supervised machine learning and sentiment analysis approach. Computers & Education,145,103724. doi: 10.1016/j.compedu.2019.103724
Huang, S. P. (2018). Effects of using artificial intelligence teaching system for environmental education on environmental knowledge and attitude. Eurasia Journal of Mathematics, Science and Technology Education, 14(7), 3277-3284. doi:10.29333/ejmste/91248
Hwang, G. J., Spikol, D., & Li, K. C. (2018). Guest editorial: Trends and research issues of learning analytics and educational big data. Journal of Educational Technology & Society, 21(2), 134-136. doi:10.12973/eu-jer.10.3.1139
Ibrahim, L. A., & Fekete, I. (2018). What Machine Learning Can Tell Us About the Role of Language Dominance in the Diagnostic Accuracy of German LITMUS Non-word and Sentence Repetition Tasks. Frontiers in psychology, 9. doi:10.3389/fpsyg.2018.02757
Ijaz, K., Bogdanovych, A., & Trescak, T. (2017). Virtual worlds vs books and videos in history education. Interactive Learning Environments, 25(7), 904-929. doi: 10.1080/10494820.2016.1225099
Istrate, A. M. (2019). The Impact of the Virtual Assistant (VA) on Language Classes. In The International Scientific Conference eLearning and Software for Education (vol. 1, pp. 296–301). "Carol I" National Defence University, Bucharest. doi:10.12753/2066-026X-19-040
Ivanashko, O., Kozak, A., Knysh, T., & Honchar, K. (2024). The role of artificial intelligence in shaping the future of education: opportunities and challenges. Futurity Education, 4(1), 126-146.
Jonassen, D., Davidson, M., Collins, M., Campbell, J., & Haag, B. B. (1995). Constructivism and computer‐mediated communication in distance education. American journal of distance education, 9(2), 7-26. doi:10.1080/08923649509526885
Kabudi, T., Pappas, I., & Olsen, D. H. (2021). AI-enabled adaptive learning systems: A systematic mapping of the literature. Computers and Education: Artificial Intelligence, 2, 100017.‌doi:10.1016/j.caeai.2021.100017
Kamalov, F., Santandreu Calonge, D., & Gurrib, I. (2023). New era of artificial intelligence in education: Towards a sustainable multifaceted revolution. Sustainability, 15(16), 12451. doi:10.48550/arXiv.2305.18303
Kardan, A. A., Sadeghi, H., Ghidary, S. S., & Sani, M. R. F. (2013). Prediction of student course selection in online higher education institutes using neural network. Computers & Education, 65, 1-11. doi:10.1016/j.compedu.2013.01.015
Kessler, G. (2018). Technology and the future of language teaching. Foreign Language Annals, 51(1), 205-218. doi:10.1111/flan.12318
Lameras, P., & Arnab, S. (2021). Power to the teachers: an exploratory review on artificial intelligence in education. Information,13(1), 14. doi:10.3390/info13010014
Lee, D., & Yeo, S. (2022). Developing an AI-based chatbot for practicing responsive teaching in mathematics. Computers & Education, 191, 104646.‌ doi:10.1016/j. compedu.2022.104646
Lin, H. C. K., Wang, C. H., Chao, C. J., & Chien, M. K. (2012). Employing textual and facial emotion recognition to design an affective tutoring system. Turkish Online Journal of Educational Technology-TOJET, 11(4), 418-426.
Luan, H., Geczy, P., Lai, H., Gobert, J., Yang, S. J., Ogata, H., ... & Tsai, C. C. (2020). Challenges and future directions of big data and artificial intelligence in education. Frontiers in psychology, 11, 580820. doi:10.3389/fpsyg. 2020. 580820
Luckin, R., Holmes, W., Griffiths, M., & Forcier, L. B. (2016). Intelligence unleashed. An argument for AI in education. London: Pearson.
Lykourentzou, I., Giannoukos, I., Nikolopoulos, V., Mpardis, G., & Loumos, V. (2009). Dropout prediction in e-learning courses through the combination of machine learning techniques. Computers & Education, 53(3), 950-965. doi:10.1016/j.compedu. 2009.05.010
Minn, S. (2022). AI-assisted knowledge assessment techniques for adaptive learning environments. Computers and Education: Artificial Intelligence, 3, 100050. doi:10.1016/j.caeai.2022.100050
Moon, M. K., Jahng, S. G., & Kim, T. Y. (2011). A computer-assisted learning model based on the digital game exponential reward system. Turkish Online Journal of Educational Technology-TOJET, 10(1), 1-14.
Munawar, S., Toor, S. K., Aslam, M., & Hamid, M. (2018). Move to smart learning environment: Exploratory research of challenges in computer laboratory and design intelligent virtual laboratory for eLearning technology. EURASIA Journal of Mathematics, Science and Technology Education, 14(5), 1645-1662.‌ doi:10.29333/ejmste/85036
Nalbant, K. G. (2021). The importance of artificial intelligence in education: a short review. Journal of Review in science and engineering,  1-15.‌
Nazlabadi, E., Maknoon, R., Moghaddam, M. R. A., & Daigger, G. T. (2023). A novel MICMAC approach for cross impact analysis with application to urban water/wastewater management. Expert Systems with Applications, 230, 120667. doi:10.1016/j.eswa.2023.120667
Normadhi, N. B. A., Shuib, L., Nasir, H. N. M., Bimba, A., Idris, N., & Balakrishnan, V. (2019). Identification of personal traits in adaptive learning environment: Systematic literature review. Computers & Education, 130, 168-190. doi:10.1016/j.compedu.2018.11.005
Perez, S., Massey-Allard, J., Butler, D., Ives, J., Bonn, D., Yee, N., & Roll, I. (2017). Identifying productive inquiry in virtual labs using sequence mining. In Artificial Intelligence in Education: 18th International Conference, AIED 2017, Wuhan, China, June 28–July 1, 2017, Proceedings 18 (pp. 287-298). Springer International Publishing. doi:10.1007/978-3-319-61425-0_24
Rasul, T., Nair, S., Kalendra, D., Robin, M., de Oliveira Santini, F., Ladeira, W. J., ... & Heathcote, L. (2023). The role of ChatGPT in higher education: Benefits, challenges, and future research directions. Journal of Applied Learning and Teaching, 6(1), 41-56.‌ doi:10.37074/jalt.2023.6.1.29
Renz, A., Krishnaraja, S., & Gronau, E. (2020). Demystification of Artificial Intelligence in Education–How much AI is really in the Educational Technology?. International Journal of Learning Analytics and Artificial Intelligence for Education (iJAI), 2(1), 14.‌ doi: 10.3991/ijai.v2i1.12675
Rudolph, J., Tan, S., & Tan, S. (2023). ChatGPT: Bullshit spewer or the end of traditional assessments in higher education?. Journal of Applied Learning and Teaching, 6(1), 342-363. doi:10.37074/jalt.2023.6.1.9
Russell S., & Norvig P., (2016). Artificial Intelligence: A Modern Approach. Pearson Education Limited.
Saleh, M., Agami, N., Omran, A., & El-Shishiny, H. (2008, March). A survey on futures studies methods. In Proceedings of the 6th International Conference on Informatics and Systems, Cairo, Egypt (pp. 27-29).‌ doi: 10.57125/FED.2024.03.25.08
Salehi, K., & Habib Zadeh Khiyaban, S. (2025). AI and crime prevention in the academic literature: An integrative review of AI applications in crime prevention. Code, Cognition and Society, 1(1), 164–177. doi:10.22034/ccsr.2025.546552.1016
Salehi, K., Habib Zadeh Khiyaban, S., & Sabbar, S. (2025). Artificial Intelligence and the Future of International Law and Power. Journal of World Sociopolitical Studies, 9(4), 923-958. doi:10.22059/wsps.2025.401951.1552  
Schunk, D. H., & Zimmerman, B. J. (2012). Self‐regulation and learning. Handbook of Psychology. doi:10.1002/9781118133880.hop207003
Shah, M. A., & Santandreu Calonge, D. (2019). Frugal MOOCs: an adaptable contextualized approach to MOOC designs for refugees. International Review of Research in Open and Distributed Learning, 20(5), 1-9. doi:10.19173/irrodl.v20i4.3350
Steenbergen-Hu, S., & Cooper, H. (2014). A meta-analysis of the effectiveness of intelligent tutoring systems on college students’ academic learning. Journal of educational psychology, 106(2), 331. doi:10.1037/a0034752
Sung, Y. T., Liao, C. N., Chang, T. H., Chen, C. L., & Chang, K. E. (2016). The effect of online summary assessment and feedback system on the summary writing on 6th graders: The LSA-based technique. Computers & Education, 95, 1-18. doi:10.1016/j. compedu.2015.12.003
Tan, D. P., Ji, S. M., & Jin, M. S. (2012). Intelligent computer-aided instruction modeling and a method to optimize study strategies for parallel robot instruction. IEEE Transactions on Education, 56(3), 268-273. doi:10.1109/TE.2012.2212707
Thomas, J. M., & Young, R. M. (2010). Annie: Automated generation of adaptive learner guidance for fun serious games. IEEE Transactions on Learning Technologies, 3(4), 329-343. doi:10.1109/TLT.2010.32
Tsai, S. C., Chen, C. H., Shiao, Y. T., Ciou, J. S., & Wu, T. N. (2020). Precision education with statistical learning and deep learning: a case study in Taiwan. International Journal of Educational Technology in Higher Education, 17, 1-13. ‌doi:10.1186/s41239-020-00186-2
VanRullen, R. (2017). Perception science in the age of deep neural networks. Frontiers in Psychology, 8, 249164. doi:10.3389/fpsyg.2017.00142
Wang, B., Wang, J., & Hu, G. (2017). College English Classroom Teaching Evaluation Based on Particle Swarm Optimization-Extreme Learning Machine Model. International Journal of Emerging Technologies in Learning, 12(5). doi: 10.3991 /ijet.v12i05.6782
Yang, X., Zhu, X., & Chen, D. (2023). Discourses regarding education governance in the digital age at K-12 level: Possibilities, risks, and strategies. Teaching and Teacher Education, 132, 104261.‌ doi:10.1016/j.tate.2023.104261
Yuzhou, Q. I. A. N. (2024). Societal Impacts of Artificial Intelligence: Ethical, Legal, and Governance Issues. Societal Impacts, 100040. doi:10.1016/j.socimp.2024.100040
Zawacki-Richter, O., Marín, V. I., Bond, M., & Gouverneur, F. (2019). Systematic review of research on artificial intelligence applications in higher education–where are the educators?. International Journal of Educational Technology in Higher Education, 16(1), 1-27.‌ doi:10.1186/s41239-019-0171-0
Zhai, X., Chu, X., Chai, C. S., Jong, M. S. Y., Istenic, A., Spector, M., ... & Li, Y. (2021). A Review of Artificial Intelligence (AI) in Education from 2010 to 2020. Complexity,  1-18.‌doi:10.1155/2021/8812542
Zhai, X., Fang, Q., Dong, Y., Wei, Z., Yuan, J., Cacciolatti, L., & Yang, Y. (2018). The effects of biofeedback‐based stimulated recall on self‐regulated online learning: A gender and cognitive taxonomy perspective. Journal of Computer Assisted Learning, 34(6), 775-786.‌doi:10.1111/jcal.12284
 
ارسال نظر در مورد این مقاله
نام را وارد کنید.
نشانی پست الکترونیکی را به درستی وارد کنید.
وابستگی سازمانی را به درستی وارد کنید.
توضیحات را وارد کنید (حداقل 50 حرف)
CAPTCHA Image
شناسه امنیتی را به درستی وارد کنید.
فصلنامه مطالعات میان‌رشته‌ای در علوم انسانی

مقالات آماده انتشار، پذیرفته شده
انتشار آنلاین از 25 بهمن 1404

  • تاریخ دریافت 15 خرداد 1404
  • تاریخ بازنگری 08 دی 1404
  • تاریخ پذیرش 25 بهمن 1404

صفحه اصلی

هیئت تحریریه

اصول اخلاقی

راهنمای داوران

ارسال مقاله

تماس با ما