نقش هوش مصنوعی بر یادگیری و یاددهی دروس عملی رشته تربیت بدنی

چکیده پژوهش حاضر از نوع کاربردی و به روش توصیفی–پیمایشی، با هدف مقایسه ارزیابی اساتید تربیت‌بدنی از راهبردهای یاددهی–یادگیری در دو وضعیت سنتی و مبتنی بر هوش مصنوعی در تدریس واحدهای عملی انجام شد. جامعه آماری شامل مربیان و اعضای هیئت‌علمی تربیت‌بدنی و علوم ورزشی بود؛ ??? پرسشنامه توزیع شد که در نهایت داده‌های ??? نفر به‌صورت سالم و قابل تحلیل به‌عنوان نمونه پژوهش مورد استفاده قرار گرفت. ابزار گردآوری داده‌ها پرسشنامه پژوهشگرساخته راهبردهای یاددهی–یادگیری متناسب با ویژگی‌های نسلی دانشجویان بود که شامل ?? گویه در هفت بُعد الکترونیکی، خودراهبر، حل مسئله، مشارکتی، پروژه‌محور، بدیعه‌پردازی و دیالوگ در دو وضعیت سنتی و مبتنی بر هوش مصنوعی بود. نتایج توصیفی نشان داد بیشتر مشارکت‌کنندگان دارای مدرک دکتری، سابقه تدریس نسبتاً طولانی و غلبه گرایش مدیریت ورزشی هستند و اغلب آن‌ها سطح آشنایی دست‌کم متوسط با هوش مصنوعی و تجربه استفاده از ابزارهای مبتنی بر آن را گزارش کردند. برای تحلیل داده‌ها از آمار توصیفی، آزمون شاپیرو–ویلک، و سپس آزمون t زوجی و آزمون ناپارامتریک ویلکاکسون برای مقایسه دو وضعیت استفاده شد و داده‌ها با استفاده از نرم‌افزار تحلیل شدند. یافته‌ها نشان داد میانگین نمرات راهبردهای مبتنی بر هوش مصنوعی در ابعاد الکترونیکی، خودراهبر، حل مسئله، مشارکتی، پروژه‌محور و بدیعه‌پردازی به‌طور معناداری بالاتر از وضعیت سنتی است، در حالی‌که در بُعد دیالوگ تفاوت معناداری بین دو روش مشاهده نشد. نتایج آزمون t زوجی و ویلکاکسون این الگو را در شش بُعد به نفع رویکرد مبتنی بر هوش مصنوعی و عدم تفاوت در بُعد دیالوگ تأیید کرد. این نتایج حاکی از آن است که از دیدگاه اساتید، به‌کارگیری هوش مصنوعی می‌تواند کیفیت اغلب ابعاد راهبردهای یاددهی–یادگیری در واحدهای عملی تربیت‌بدنی را ارتقا دهد، هرچند در سطح تعامل دیالوگی تفاوت چشمگیری نسبت به روش‌های سنتی گزارش نمی‌شود.? کلیدواژه‌ها: هوش مصنوعی، راهبردهای یاددهی–یادگیری، تربیت‌بدنی، واحدهای عملی، آموزش عالی.

Abstract

Abstract The present applied study employed a descriptive–survey method with the aim of comparing physical education instructors’ evaluations of teaching–learning strategies in two conditions: traditional and artificial intelligence–based approaches in teaching practical courses. The statistical population consisted of coaches and faculty members in physical education and sport sciences; ۱۲۰ questionnaires were distributed, and finally the data of ۱۰۸ participants were obtained in a complete and analyzable form and used as the study sample. The data collection tool was a researcher-made questionnaire on teaching–learning strategies appropriate to students’ generational characteristics, comprising ۴۷ items in seven dimensions—electronic, self-directed, problem-solving, collaborative, project-based, creativity, and dialogue—measured in both traditional and AI-based conditions. Descriptive results indicated that most participants held a PhD degree, had relatively long teaching experience, predominantly specialized in sport management, and generally reported at least a moderate level of familiarity with artificial intelligence and experience using AI-based tools. For data analysis, descriptive statistics, the Shapiro–Wilk test, and subsequently paired t-test and the nonparametric Wilcoxon test were used to compare the two conditions, and the data were analyzed using software. Findings showed that the mean scores of AI-based strategies in the electronic, self-directed, problem-solving, collaborative, project-based, and creativity dimensions were significantly higher than in the traditional condition, whereas in the dialogue dimension no significant difference was observed between the two approaches. The results of the paired t-test and Wilcoxon test confirmed this pattern in six dimensions in favor of the AI-based approach and the absence of difference in the dialogue dimension. These results suggest that, from the instructors’ perspective, the use of artificial intelligence can enhance the quality of most dimensions of teaching–learning strategies in practical physical education courses, although at the level of dialogic interaction it does not show a remarkable advantage over traditional methods. Keywords: Artificial intelligence, teaching–learning strategies, physical education, practical courses, higher education.