آینده پژوهی ادغام هوش مصنوعی در سیستم آموزش و پرورش: تحلیل تاثیرات متقابل با روش MICMAC و تدوین چارچوب سیاست گذاری

رشد فزاینده فناوری های هوش مصنوعی آن ها را به عاملی تحول ساز در نظام های آموزشی به ویژه در مقطع ۱۲-K تبدیل کرده است. این پژوهش با رویکردی آینده نگر و با استفاده از روش تحلیل تاثیرات متقابل ساختاری (MICMAC)، وضعیت موجود، متغیرهای کلیدی پیشران و وابسته و چارچوب های سیاستی مبتنی بر شواهد برای ادغام هوش مصنوعی در اکوسیستم آموزشی استان زنجان را بررسی می کند. شش بعد اصلی مورد تحلیل قرار گرفت (۱ زیرساخت، فناوری (۲ ادغام در برنامه درسی (۳) پذیرش معلمان (۴) تجربه دانش آموزان (۵ کیفیت محتوا و (۶ کاربردهای عملیاتی. داده ها از ۳۸۴ معلم و مدیر از طریق یک پرسشنامه ۷۲ گویه ای معتبر ضریب آلفای کرونباخ ۰,۹۱۴ جمع آوری شد. نتایج آزمون t تک نمونه ای حاکی از شکاف های آماری معنادار در تمامی ابعاد بود؛ به طوری که زیرساخت فناوری (انحراف استاندارد = ۰,۷۲، میانگین = ۱,۸۷) و ادغام در برنامه درسی (انحراف استاندارد = ۰,۶۸، میانگین = ۱,۹۱) بیشترین فاصله را از نقطه میانی نظری (۳) داشتند. تحلیل MICMAC با نرم افزار Mica ۱۵ متغیر کلیدی با نمرات تاثیر وابستگی بالا را شناسایی و در چهار خوشه دسته بندی کرد: پیشران مانند توسعه شایستگی های حرفه ای معلمان، رله مانند دسترسی به محتوای دیجیتال، وابسته مانند کاهش وابستگی به آموزش حضوری و مستقل مانند بودجه محدود استان. سه سناریوی محتمل آینده ادغام شتابان، رکودی و پراکنده با استفاده از تحلیل ریخت شناختی (۵) عدم قطعیت کلیدی × ۳ حالت = ۲۴۳ ترکیب تدوین شد. پیشنهادات سیاستی در چارچوب حکمرانی چندسطحی بر عدالت، زیرساختی، گواهینامه سواد هوش مصنوعی برای معلمان و ایجاد آزمایشگاه های استانی هوش مصنوعی تاکید دارد. این مطالعه الگویی تلفیقی از آینده پژوهی، تحلیل ساختاری و سیاست گذاری برای تسهیل پذیرش هوش مصنوعی در نظام های آموزشی با منابع محدود ارائه می دهد. یافته ها با مطالعات جهانی مانند Vieriu و Petra (۲۰۲۵) همخوانی دارد که نشان می دهد هوش مصنوعی شخصی سازی یادگیری را تا ۸۳٫۵ درصد بهبود می بخشد، اما ریسک کاهش تفکر انتقادی و تقلب تحصیلی را نیز به همراه دارد.

Keywords:

هوش مصنوعی , آینده پژوهی , تحلیل MICMAC , چارچوب سیاست گذاری , عدالت دیجیتال