نوع مقاله : مقاله پژوهشی

نویسندگان

• سجاد رضائیان ¹
• قاسم سلیمی ¹
• مهدی محمدی ¹
• الهام حیدری ¹
• علیرضا نیک سرشت ²

¹ گروه مدیریت و برنامه‌ریزی آموزشی، دانشکده علوم تربیتی و روانشناسی، دانشگاه شیراز، شیراز، ایران

² گروه علم اطلاعات و دانش‌شناسی ، دانشکده علوم تربیتی و روانشناسی، دانشگاه شیراز، شیراز، ایران

چکیده

پیشینه و اهداف: در سالیان اخیر، تحولات شگرف در فناوری‌های دیجیتال و هوش مصنوعی، ساختار آموزش عالی را به‌صورت بنیادین متحول ساخته است. این دگرگونی، همراه با پیچیدگی‌های فزاینده در محیط‌های آموزشی، چالش‌های جدیدی را در زمینه­ توسعه­ حرفه‌ای اعضای هیأت علمی پدید آورده است. مطالعات نشان می‌دهد که برنامه‌های توسعه­ حرفه‌ای سنتی علی‌رغم سرمایه‌گذاری قابل توجه، با محدودیت‌هایی چون عدم انعطاف‌پذیری زمانی و مکانی، فقدان شخصی‌سازی، محدودیت در بازخورد مستمر و عدم انطباق با نیازهای متغیر آموزشی مواجه بوده‌اند. یادگیری سیار و هوش مصنوعی، با قابلیت‌های تحلیل الگوهای یادگیری، شخصی‌سازی محتوا و ارائه­ بازخورد هوشمند، می‌توانند این چالش‌ها را مرتفع سازند. پژوهش حاضر با هدف طراحی چارچوب مفهومی یادگیری سیار مبتنی بر هوش مصنوعی برای خودبه­سازی شایستگی‌های تدریس انجام شده است.
روش‌ها‌: این پژوهش کاربردی، با ماهیت بین‌رشته‌ای، از رویکرد پژوهش مبتنی بر طراحی استفاده کرد که در چهار چرخه تکراری اجرا شد: (1) تحلیل و شناسایی مسئله از طریق مرور نظام‌مند ادبیات علمی براساس راهنمای پریزما (PRISMA) در سه حوزه یادگیری سیار، هوش مصنوعی، و توسعه­ حرفه‌ای با تمرکز بر شایستگی تدریس که منجر به انتخاب 37 مقاله از پایگاه‌های اطلاعاتی Scopus، Web of Science، ERIC وPubMed  شد؛ (2) طراحی و توسعه­ اولیه چارچوب مفهومی از طریق ترکیب یافته‌های نظری و تجربی با استفاده از تحلیل مضمون؛ (3) اعتبارسنجی با مشارکت 15 متخصص در حوزه­های فناوری آموزشی، هوش مصنوعی و آموزش عالی؛ و (4) بازطراحی و نهایی‌سازی چارچوب. اعتبار و قابلیت اعتماد پژوهش از طریق طراحی مبتنی بر مبانی نظری مستحکم، مثلث‌سازی داده‌ها، اعتبارسنجی متخصصان، و شفافیت در فرایند پژوهش تأمین شد.
یافته‌ها: چارچوب پیشنهادی از چهار بُعد کلیدی و 20 مؤلفه­ فرعی تشکیل شده است که عبارتند از: بُعد ورودی (شناسایی نیازها و ویژگی‌های فردی را برای تدوین مسیرهای توسعه­ شخصی‌سازی‌شده)؛ بُعد پردازش (تحلیل داده­ها با استفاده از الگوریتم‌های هوش مصنوعی)؛ بُعد خروجی ( ارائه­ خدمات و محتوای قابل‌اجرا)؛ و بُعد پشتیبانی (فراهم­سازی زیرساخت‌ها و خدمات مورد نیاز). فرایند خودبه­سازی در این چارچوب به‌صورت چرخه‌ای و مستمر طراحی شده و شامل پنج مرحله­ متمایز است: ارزیابی اولیه، برنامه‌ریزی مسیر توسعه، اجرا و یادگیری، ارزیابی مستمر، و بازاندیشی و اصلاح. نتایج اعتبارسنجی توسط 15 متخصص نشان داد که چارچوب در تمامی شاخص‌های ارزیابی شامل جامعیت، کاربردپذیری، نوآوری و انسجام منطقی به طور معناداری تأیید شده است (001/0p<).
نتیجه‌گیری: چارچوب مفهومی ارائه‌شده، رویکردی جامع، نوآورانه و یکپارچه برای طراحی سیستم‌های یادگیری سیار هوشمند جهت خودبه­سازی شایستگی‌های تدریس اعضای هیأت علمی ارائه می‌دهد. این چارچوب با تلفیق ابعاد چهارگانه در قالب یک فرآیند چرخه‌ای پنج‌مرحله‌ای، تمامی مؤلفه‌های ضروری برای یک سیستم یادگیری هوشمند، انعطاف‌پذیر، و مؤثر را دربرمی‌گیرد. نقاط قوت کلیدی شامل شخصی‌سازی مسیرهای یادگیری، تحلیل هوشمند نیازها و دسترسی انعطاف‌پذیر به منابع آموزشی است. این چارچوب مبنایی عملی برای طراحی و پیاده‌سازی نظام‌ مدیریت یادگیری سیار هوشمند در آموزش عالی ارائه می‌دهد. محدودیت‌های پژوهش شامل اعتباربخشی محدود به 15 متخصص و عدم اجرای آزمایشی برای تأیید اثربخشی عملی است. برای مطالعات آتی، پیشنهاد می‌شود طرح‌های پایلوت در مؤسسات آموزش عالی اجرا شوند و الگوریتم‌های هوشمندی برای تحلیل پویای نیازها و ارائه­ی مسیرهای یادگیری انعطاف‌پذیر طراحی شود.

کلیدواژه‌ها

• چارچوب مفهومی
• یادگیری سیار
• هوش مصنوعی
• خودبه‌سازی حرفه‌ای
• شایستگی تدریس

موضوعات

• فناوری آموزش - هوش مصنوعی

عنوان مقاله [English]

A conceptual framework for AI-based mobile learning management to support faculty members' self-improvement of teaching competencies

نویسندگان [English]

• S. Rezaeian ¹
• G. Salimi ¹
• M. Mohammadi ¹
• E. Heidari ¹
• A.R. Nikseresht ²

¹ Department of Educational Administration and Planning, Faculty of Education and Psychology, Shiraz University, Shiraz, Iran

² Department of Knowledge & Information Sciences, Faculty of Education and Psychology, Shiraz University, Shiraz, Iran

چکیده [English]

Background and Objectives: In recent years, significant advancements in digital technologies and artificial intelligence (AI) have fundamentally revolutionized the structure of higher education. This transformation, coupled with increasing complexities in educational environments, has created new challenges in the professional development of faculty members. Recent empirical studies and theoretical investigations indicate that traditional professional development programs, despite substantial financial investment and institutional commitment, have encountered significant limitations, including a lack of temporal and spatial flexibility, an absence of personalization, limited continuous feedback, and failure to adapt to evolving educational needs. Mobile learning technologies and AI systems, with their advanced capabilities for analyzing complex learning patterns, personalizing educational content based on individual preferences, and providing intelligent real-time feedback, can effectively address these multifaceted challenges. This research aims to design an innovative conceptual framework for AI-based mobile learning tailored to support the systematic self-improvement of faculty teaching competencies in higher education institutions.
Methods: This applied, interdisciplinary study employed a design-based research approach implemented through four iterative cycles: (1) Problem analysis and identification through systematic literature review based on PRISMA guidelines across three domains: mobile learning, artificial intelligence, and professional development with a focus on teaching competencies, resulting in the selection of 37 articles from Scopus, Web of Science, ERIC, and PubMed databases; (2) Design and development of the conceptual framework through synthesis of theoretical and empirical findings using thematic analysis; (3) Validation involving 15 experts in educational technology, artificial intelligence, and higher education fields; and (4) Redesign and finalization of the framework. Research validity and reliability were ensured through a design grounded in robust theoretical foundations, data triangulation, expert validation, and transparency in the research process.
Findings: The proposed framework comprises four key dimensions and 20 sub-components: Input dimension (identifying individual needs and characteristics for developing personalized pathways); Processing dimension (analyzing data using artificial intelligence algorithms); Output dimension (delivering actionable services and content); and Support dimension (providing necessary infrastructure and services). The self-improvement process is designed as a cyclical and continuous framework encompassing five distinct phases: initial assessment, development pathway planning, implementation and learning, continuous evaluation, and reflection and modification. Validation results from 15 experts demonstrated that the framework was significantly supported across all evaluation indicators, including comprehensiveness, applicability, innovation, and logical coherence (p < 0.001).
Conclusion: The presented conceptual framework provides a comprehensive, innovative, and integrated approach for designing intelligent mobile learning systems to support faculty members' self-improvement in teaching competencies. By integrating the four dimensions within a five-stage cyclical process, this framework encompasses all essential components for an intelligent, flexible, and effective learning system. Key strengths include personalized learning pathways, intelligent needs analysis, and flexible access to educational resources. This framework provides a practical foundation for designing and implementing an intelligent mobile learning management system in higher education. Research limitations include validation limited to 15 experts and a lack of experimental implementation to confirm practical effectiveness. For future studies, it is recommended that pilot projects be conducted in higher education institutions and intelligent algorithms be designed for dynamic needs analysis and provision of flexible learning pathways.

کلیدواژه‌ها [English]

• Conceptual Framework
• Mobile Learning
• AI
• Professional Self-Improvement Teaching Competency

COPYRIGHTS 
© 2026 The Author(s).  This is an open-access article distributed under the terms and conditions of the Creative Attribution-NonCommercial 4.0 International (CC BY-NC 4.0) (https://creativecommons.org/licenses/by-nc/4.0/)