امکان سنجی کاربرد هوش مصنوعی در فرآیند یاددهی_یادگیری دوره ابتدایی

این پژوهش با هدف امکان‌سنجی کاربرد هوش مصنوعی در فرآیند یاددهی-یادگیری دوره ابتدایی انجام شد. روش تحقیق کیفی و از نوع نظریه داده‌بنیاد بود که با مشارکت ۴۰ متخصص در حوزه‌های تکنولوژی آموزشی، علم اطلاعات و برنامهریزی درسی انجام شد. دادهها از طریق مصاحبه‌های نیمه‌ساختاریافته و گروه‌های کانونی جمع‌آوری و با نرم‌افزار MAXQDA تحلیل شدند. یافته‌ها نشان داد که استفاده از هوش مصنوعی در آموزش ابتدایی نیازمند زیرساخت‌های فنی (دسترسی به اینترنت پرسرعت، تجهیزات هوشمند)، آموزش معلمان، فرهنگسازی و حمایت مالی است. همچنین، نقش مدیران در برنامه‌ریزی و تأمین منابع، نقش معلمان در ادغام هوش مصنوعی با روشهای تدریس، و نقش دانش‌آموزان و والدین در پذیرش فعال این فناوری، از عوامل کلیدی موفقیت هستند. چالشهای اصلی شامل کمبود بودجه، مقاومت در برابر تغییر، نگرانی‌های امنیتی و عدم تطابق با برنامه درسی است. راهکارهای پیشنهادی شامل برگزاری کارگاه‌های آموزشی، اجرای پروژه‌های پایلوت، تدوین راهنماهای عملی و همکاری با شرکتهای فناوری است. این پژوهش نشان می‌دهد که هوش مصنوعی می‌تواند یادگیری را شخصی‌سازی کند، اما موفقیت آن مستلزم برنامه‌ریزی جامع، مشارکت ذینفعان و رفع موانع ساختاری است.

Abstract

This study aimed to assess the feasibility of applying artificial intelligence (AI) in primary education teaching-learning processes. Using a qualitative grounded theory approach, data were collected through semi-structured interviews and focus groups with ۴۰ experts in educational technology, information science, and curriculum planning. Thematic analysis was conducted via MAXQDA. Findings revealed that AI integration requires robust technical infrastructure (high-speed internet, smart devices), teacher training, cultural adaptation, and financial support. Key success factors included administrators’ role in resource allocation, teachers’ ability to blend AI with pedagogy, and active engagement of students and parents. Major challenges were budget constraints, resistance to change, privacy concerns, and curriculum misalignment. Proposed solutions encompassed teacher workshops, pilot projects, practical guidelines, and partnerships with tech firms. The study concludes that AI can personalize learning but demands systemic planning, stakeholder collaboration, and structural barrier mitigation for effective implementation