مقدمه

هوش مصنوعی ([1]AI)، به‌عنوان یک فناوری پیشگام، با قابلیت ایجاد تغییرات سریع در ابعاد مختلف جوامع بشری، ظهور کرده و پیشرفت‌های چشمگیری را به‌دنبال داشته است (Papagiannidis et al, 2025). آموزش و پرورش به‌عنوان رکن اساسی توسعه پایدار، با چالش ارتقای کیفیت آموزش ریاضیات در مقطع ابتدایی روبه‌روست که نقشی محوری در موفقیت آتی دانش‌آموزان دارد (Alsharidah & Alkramiti, 2024). در این راستا، باورهای خودکارآمدی معلمان‌ از جمله عواملی هستند که می‌توانند تأثیر زیادی بر کیفیت تدریس و پیشرفت دانش‌آموزان داشته باشند. شواهد جهانی نشان می‌دهند که بسیاری از دانش‌آموزان در درک مفاهیم پایۀ ریاضی با دشواری مواجه هستند. برای نمونه، بر اساس نتایج آخرین دورۀ برنامۀ ارزیابی دانش‌آموزان بین‌المللی، میانگین تعداد دانش‌آموزانی که در مهارت‌های پایۀ ریاضی عملکردی ضعیف داشته‌اند در کشورهای عضو سازمان توسعه و همکاری اقتصادی به حدود ۳۱ درصد رسیده است .(OECD, 2022) در ایران نیز بر اساس تحلیل نتایج آزمون‌های بین‌المللی تیمز، حدود ۳۲ درصد از دانش‌آموزان پایۀ چهارم ابتدایی در دستیابی به حداقل معیارهای پیشرفت در ریاضیات با چالش مواجه هستند (کریمی و همکاران، 1399). هوش‌مصنوعی ابزاری کارآمد است که در پردازش داده‌ها و شناسایی الگوها توانایی بالایی دارد (Tayfun et al, 2025). ظهور الگوریتم‌های یادگیری عمیق و قابلیت‌های پردازش سریع و دقیق داده‌ها، کارایی سیستم‌ها و خدمات مختلف را به میزان قابل‌توجهی بهبود بخشیده است (Panday-Shukla, 2025). هوش مصنوعی می‌تواند با تنظیم محتوای آموزشی بر اساس الگوهای خطای هر دانش‌آموز نرخ یادگیری را تا 35 درصد افزایش دهد و به معلمان کمک کند تا به‌طور مؤثرتری با چالش‌های تدریس روبه‌رو شوند (Roll & Wylie, 2016). از این رو، هوش مصنوعی در حال تبدیل شدن به جزء جدایی‌ناپذیر از فناوری‌های آموزشی معاصر است (Watson-Huggins & Trotman, 2025). با وجود پتانسیل‌های مذکور، اثربخشی این فناوری‌ها به‌طور مستقیم به آمادگی معلمان و باورهای خودکارآمدی آنان در به‌کارگیری ابزارهای دیجیتال بستگی دارد (Akdeniz & Özdinç, 2021; Tayfun et al, 2025). بنابراین، هدف این پژوهش تبیین نقش پیش‌بینی‌کنندگی ادراک از هوش مصنوعی و آمادگی معلمان در تبیین باورهای خودکارآمدی تدریس ریاضی ابتدایی است تا از این طریق پیشنهادهای کاربردی برای سیاست‌گذاران آموزشی ارائه گردد.

هوش مصنوعی اکنون نقش مهمی در ایجاد مسیرهای یادگیری فردی برای هر دانش‌آموز در آموزش ریاضی ایفا می‌کند. این فناوری می‌تواند حجم زیادی از داده‌ها را با در نظر گرفتن نیازها و توانایی‌های فردی تجزیه و تحلیل و پردازش کند و مطالب آموزشی شخصی‌سازی‌شده و وظایفی را که نیازهای خاص را برآورده می‌کنند پیشنهاد دهد (Zavalevskyi et al, 2024). Sajid (2023) مزایای AI در ریاضی را شامل بهبود درک مفاهیم، افزایش مشارکت دانش‌آموزان، بهبود درک ریاضی، تطبیق منابع آموزشی، تحریک پرسشگری و تفکر انتقادی می‌داند (Alsharidah & Alkramiti, 2024). در محیط‌های آموزشی معمولاً چهار ابزار مبتنی بر هوش مصنوعی مانند چت‌بات‌ها، سیستم‌های تدریس هوشمند، داشبوردها و سیستم‌های ارزیابی خودکار وجود دارند (Celik et al, 2022؛ Celik, 2024). مطالعۀ Dao & Le (2023) نشان داد ChatGPT برای مفاهیم پایۀ ریاضی مفید، اما محدود است (Alsharidah & Alkramiti, 2024). سیستم‌های تدریس هوشمند حجم کاری معلمان را کاهش می‌دهند، و بنابراین، زمان بیشتری در طول آموزش صرفه‌جویی می‌شود (Mohamed & Lamia, 2018). هوش مصنوعی قواعد بازی را در بسیاری از زمینه‌ها، از جمله ریاضی، تغییر داده است. برنامه‌هایی مانند Photomath و GeoGebra برای حل گام‌به‌گام و عمیق مسائل ابتدایی ریاضی بسیار مفیدند (Smodin, 2023؛ Alsharidah & Alkramiti, 2024). ابزارهایی مانند ChatGPT، Photomath و Gemini فرصت‌هایی را برای تعامل پویا، از جمله حل مسئله و تجربیات یادگیری شخصی‌سازی‌شده، ارائه می‌دهند. با این حال، اتکای بیش از حد به این ابزارها می‌تواند تهدیدی برای تفکر انتقادی معلمان و دانش‌آموزان به شمار آید Watson-Huggins & Trotman, 2025)).

شکل1. مدل کارکردهای هوش مصنوعی در کیفیت‌بخشی تدریس آموزش ریاضی دانش‌آموزان (فتحی هفشجانی و سعادت­طلب، 1403)

آمادگی معلمان مفهومی چندبعدی است که بر اساس مدل «دانش محتوای آموزشی فناوری» تعریف می‌شود. این مدل تقاطع دانش محتوایی (ریاضی ابتدایی)، پداگوژی (روش‌های تدریس و مدیریت کلاس درس) و فناوری هوش مصنوعی را ضروری می‌داند. بنابراین، درک دانش این مدل در مورد ادغام ابزارهای مبتنی بر AI در آموزش مهم است. نقش دانش فناوری و آموزشی در ادغام مؤثر آموزش با ابزارهای مبتنی بر هوش مصنوعی حیاتی است. بنابراین معلمان بدون دانش فنی قوی از فرصت‌های آموزشی بهره‌مند نمی‌شوند. به عبارت دیگر، معلمانی که از شایستگی دانش محتوای آموزشی بالاتری برخوردارند قادر به استفاده از فناوری‌ها برای انجام روش‌های آموزشی خاص برای محتوا هستند (Mishra & Koehler, 2006؛ Celik, 2024). آمادگی، وضعیت شناختی، عاطفی و رفتاری انجام یک رفتار یا استفاده از یک فناوری است (Ramazanoglu & Akın, 2025). Panday-Shukla (2025) گزارش داد که معلمان در تولید محتوا، برنامه‌ریزی درسی و ترسیم اشکال و تصاویر فوری از AI کمک گرفته‌اند. بنابراین معلمانی که آموزش هوش مصنوعی ندیده‌اند ممکن است در تشخیص مزایای آن مشکل داشته باشند. در همین راستا، تقویت آمادگی معلمان و رفع نگرانی‌های آنان می‌تواند باورهای خودکارآمدی آن‌ها را در استفاده از هوش مصنوعی، به‌ویژه در تدریس ریاضی ابتدایی، افزایش دهد. ادغام موفق هوش مصنوعی در آموزش، نیازمند ترکیبی از حمایت حرفه‌ای، تجربه عملی، و تقویت اعتماد معلمان به توانایی‌های خود در به‌کارگیری این فناوری در تدریس است (Kayıran et al, 2026) . لذا، برنامه‌های توسعه حرفه‌ای معلمان باید با تمرکز بر مدیریت حالات هیجانی و کاهش اضطراب تدریس، به ارتقای باورهای خودکارآمدی معلمان باشد تا از این طریق، ضمن حمایت از معلمان آسیب‌پذیر، زمینه لازم برای تلفیق اثربخش آمادگی روانی و مهارتی در عرصه تدریس ریاضی ابتدایی و انطباق آن با تحولات نوین آموزشی به شکلی پایدار فراهم گردد Göçer & Özeren, 2025)).

شناخت نگرش‌ها و دیدگاه‌های معلمان در مورد آموزش هوش مصنوعی بسیار مهم است، زیرا آن‌ها نقش مهمی در ایجاد مسیرهای آموزشی خلاقانه و آوردن نوآوری به کلاس درس دارند. تحقیقات مجمع جهانی اقتصاد که در سال ۲۰۲۴ منتشر شد نشان داد برخی معلمان هوش مصنوعی را نادیده می‌گیرند، اما تحقیقات نشان داده‌اند که ادغام آن با آموزش، استعدادهای معلمان را حفظ می‌کند و برای معلمان جدید وسوسه‌انگیز است (et al, 2024 Asanre). تأثیر عمیق هوش مصنوعی در آموزش نیز از طریق ابزارهای مبتنی بر AI مانند آموزش هوشمند و سیستم‌های نمره‌دهی خودکار وجود دارد (Wang & Zhao, 2020؛ Celik, 2024). با این حال، پتانسیل هوش مصنوعی هنوز به‌طور کامل در آموزش مورد استفاده قرار نگرفته است (Luckin et al, 2022). بر این اساس، می‌توان نیازهای شناختی و عاطفی یادگیرندگان را با کمک هوش مصنوعی شناسایی کرد. از نظر معلمان AI می‌تواند ارزیابی مؤثر تکوینی و پایانی دانش پیچیدۀ دانش‌آموزان را تسهیل کند (Chen, 2021). برای اینکه معلمان بتوانند از فرصت‌های AI در آموزش به‌طور کامل بهره‌مند شوند باید از سهم آموزشی ابزارهای مبتنی بر AI آگاه باشند (Xu, 2020). از سوی دیگر، باورهای معلم یکی از عناصر محوری در تصمیم‌گیری‌های آموزشی و کیفیت فرایند یاددهی و یادگیری است؛ به‌طوری‌که این باورها نه‌تنها به‌طور مستقیم رفتارهای آموزشی معلمان را جهت می‌دهند، بلکه خود نیز تحت تأثیر انگیزه و خودکارآمدی آنان شکل می‌گیرند Li & Ma, 2025)). شناسایی باورهای خودکارآمدی تدریس ریاضی در زمینه توسعه معلم و تأثیر آنها بر محیط‌های یادگیری می‌تواند از طریق ابزارهای مختلف آموزش معلم و همچنین حمایت هدفمند از معلمان با خودکارآمدی پایین ممکن شود Göçer & Özeren, 2025)). تحقیقات قبلی مانند Cavalcanti et al, (2021) و Chen (2021) نشان دادند که ابزارهای مبتنی بر AI به معلمان در ارزیابی فرایند تدریس کمک می‌کنند و برنامه‌ریزی و اجرای درس را تسهیل می‌کنند (Celik et al, 2022). علاوه بر این، مشخص شده است که ادراکات و توانایی‌های معلمان نیز بر تمایل آن‌ها به استفاده از برنامه‌ها تأثیر می‌گذارد (Link et al, 2014؛ Tayfun et al, 2025). استفاده مؤثر از AI در آموزش ارتباط مستقیمی با مشارکت فعال معلمان در این فرایند دارد (Kalafat, 2022؛ Tayfun et al, 2025). اگر معلمان دانش بیشتری از AI داشته باشند، قادر خواهند بود نقش و پتانسیل‌های مختلف AI را در فرایندهای آموزشی بهتر درک کنند و از این ابزارها به‌طور مؤثرتر در تدریس، ارزیابی و شخصی‌سازی یادگیری استفاده نمایند (Alsharidah & Alkramiti, 2024). به طور کلی، «آمادگی» و «اعتمادبه‌نفس»، دو بال پرواز برای پذیرش هوش مصنوعی هستند که اگر به‌صورت نظام‌مند در برنامه‌های توسعه حرفه‌ای معلمان و اساتید دانشگاه گنجانده شوند، باورهای خودکارآمدی آنان را در مدیریت کلاس‌های ریاضیِ هوشمند به شکل چشمگیری بهبود خواهند بخشید Liu, 2025)).

در حالیکه معلمان معتقدند AI می‌تواند فرایندهای آموزشی را بهبود بخشد، نگرانی‌هایی در خصوص امنیت داده‌ها و اهمال‌کاری احتمالی دانش‌آموزان وجود دارد (Çetin & Yıldız Baklavacı, 2024؛ Tayfun et al, 2025). Küçükkara et al (2024) شواهد پژوهشی نشان می‌دهد که معلمان با دلایلی نظیر صرفه‌جویی در زمان تدریس و کمک به توسعۀ مهارت‌های دانشی از پتانسیل‌های AI بهره می‌برند. علی‌رغم فرصت‌هایی که فناوری‌های مبتنی بر AI برای آموزش و یادگیری دارند، مسائل اخلاقی‌ای نیز دارا می‌باشند (Shin, 2020). به‌طور خاص، معلمان باید در مورد چگونگی در نظر گرفتن عدالت بین یادگیرندگان توسط سیستم‌های AI مخصوصاً برای گروه‌های محروم یا آسیب‌پذیر آگاهی داشته باشند (Celik، 2024). پژوهش‌ها نشان می‎دهند که میزان آشنایی معلمان با فناوری‌های نوین، نگرش آن‌ها نسبت به کاربرد فناوری و مهارت‌های عملی در استفاده از ابزارهای دیجیتال اثر مستقیمی بر کیفیت آموزش و مشارکت فعال دانش آموزان دارد. عدم آمادگی کافی معلمان می‌تواند موجب ناکارآمدی استفاده از فناوری و کاهش اثربخشی یادگیری شود (کدخدایی و همکاران، 1404). Alwaqdani (2024) نیز اظهار داشت که معلمان AI را در زمینه‌هایی مانند صرفه‌جویی در زمان، طراحی فعالیت و شخصی‌سازی تجربیات یادگیری مثبت می‌دانند. با این حال، برخی بی‌اعتمادی‌ها و تردیدها در مورد ارتقای خلاقیت و مهارت‌های تفکر انتقادی وجود دارد (Tayfun et al, 2025). دانش فنی و آموزشی خاص معلمان در حوزۀ AI مهم است و معلمان باید دانش لازم برای ارزیابی تصمیمات مبتنی بر AI را داشته باشند (Celik, 2024). از طرف دیگر در پژوهشی نشان داده شد که موفقیت در استفاده از هوش مصنوعی در تدریس ریاضی ابتدایی، تنها به دانش فنی وابسته نیست، بلکه نیازمند یک ساختار حمایتی برای ارتقای مستمر خودکارآمدی معلمان است تا آنان با تکیه بر منابع و پشتیبانی سازمان، هوش مصنوعی را به بخشی جدایی‌ناپذیر از رفتارهای تدریس خود تبدیل کنند (Ayanwale et al, 2025). تقویت دانش نظری و عملی معلمان درباره هوش مصنوعی باید همراه با تغییر در باورها و نگرش‌ها باشد تا به افزایش خودکارآمدی و استفاده واقعی از این فناوری منجر شود. وقتی معلمان درک بهتری از هوش مصنوعی پیدا می‌کنند و نگرش مثبتی نسبت به آن شکل می‌دهند، احتمال بیشتری دارد که بتوانند آن را به‌صورت مداوم و مؤثر در کلاس درس به کار گیرند (Kazmaci et al, 2025). نتایج پژوهشی که Celik (2024) با موضوع «دانش حرفه‌ای معلمان»، انجام داد نشان داد که تا زمانی که معلمان دانش بیشتری برای تعامل با ابزارهای مبتنی بر هوش مصنوعی داشته باشند، درک بهتری از سهم آموزشی هوش مصنوعی خواهند داشت. علاوه بر این، دانش فناوری ([2]TK) به معلمان اجازه می‌دهد تا تصمیمات هوش مصنوعی را بهتر ارزیابی کنند. دانش فنی زمانی معنادار است که با دانش آموزشی ([3]PK) ترکیب شود.

مطالعات مختلف بر نقش AI در آموزش تأکید کرده‌اند، اما دیدگاه‌ها و یافته‌های آن‌ها از جنبه‌های مختلف متفاوت است (Aldarayseh, 2023). در همین راستا مطالعات Aldarayseh (2023) نشان داد که معلمان علوم استفاده از AI درکلاس درس را با همبستگی مثبت با خودکارآمدی، سهولت استفاده، مزایای مورد انتظار و نگرش‌ها و نیات رفتاری می‌پذیرند. این یافته‌ها نشان‌دهندۀ تمایل معلمان به استفاده از AI به‌عنوان ابزاری مفید است، اما همچنان چالش‌هایی همچون نگرانی از اهمال‌کاری دانش‌آموزان و مسائل امنیتی وجود دارد (Çetin & Yıldız Baklavacı, 2024). در حالی که Shin (2020) معتقد است که AI در تدریس ریاضی مفید است، با این حال او بر نقش معلم در ارائۀ بازخورد عاطفی و ارزیابی تأکید دارد و معتقد است که AI می‌تواند ارزیابی‌های استاندارد و یادگیری طوطی‌وار را تسهیل کند (Alsharidah & Alkramiti, 2024). از سوی دیگر،  Khawaji (2024) به بررسی مهارت‌های دیجیتال معلمان پرداخت و نشان داد که عملکرد معلمان در استفاده از AI در آموزش متوسط است که نشان‌دهندۀ شکافی در آموزش‌های لازم برای تسلط به این فناوری است. علاوه بر این، Asanre et al  (2024)نشان دادند که برداشت معلمان از ادغام AI در تدریس ریاضیات در دورۀ متوسطه بسیار مثبت بوده است، اما چالش‌هایی نظیر کمبود زیرساخت‌ها، مشکلات فنی و دسترسی محدود به منابع وجود دارد که می‌تواند مانع از استفاده مؤثر از AI در کلاس‌های درس شود. در راستای بررسی عوامل مؤثر بر پذیرش فناوری‌های نوین، Zhao et al, (2025)  در پژوهشی جامع پیرامون ادغام هوش مصنوعی در آموزش ریاضیات ابتدایی، از چارچوب «آمادگی فناورانه-تربیتی[4]»، استفاده کردند. یافته‌های این مطالعه نشان داد که برخلاف تصور رایج، عواملی نظیر فشارهای بیرونی یا سواد فناورانه دانش‌آموزان نقش مستقیمی در به‌کارگیری هوش مصنوعی ندارند؛ بلکه متغیرهای درون‌فردی معلمان، یعنی «دانش فناورانه-تربیتی-محتوایی[5]» و «نگرش نسبت به هوش مصنوعی»، پیش‌ران‌های اصلی و تعیین‌کننده در ادغام موفق این فناوری در کلاس درس هستند. این پژوهش با شناسایی چهار الگوی کاربردی (تجسم‌سازی مفاهیم انتزاعی، شخصی‌سازی آموزش، تعامل مشارکتی و بهینه‌سازی داده‌محور)، بر این نکته تأکید می‌ورزد که ارتقای آمادگی روانی معلمان (اعم از اعتمادبه‌نفس و نگرش مثبت) در کنار دانش تخصصی، پیش‌شرط ضروری برای تبدیل پتانسیل‌های هوش مصنوعی به نتایج ملموس آموزشی است. لذا نتایج این مطالعه بر ضرورت گذار از آموزش‌های فنیِ صرف، به سوی مدل‌های توسعه حرفه‌ایِ هدفمندی دلالت دارد که ابعاد روان‌شناختی و تربیتی معلمان را در اولویت قرار می‌دهند.

Schairer-Kessler (2025) در پژوهشی با موضوع «هوش مصنوعی مولد و آماده‌سازی معلم: مهار ابزارها برای بهبود تدریس»، که به‌صورت پیمایشی انجام شد، نشان دادند که ۷۵ درصد از معلمان AI را ابزاری مفید برای آماده‌سازی تدریس می‌دانند، زیرا این فناوری زمان برنامه‌ریزی درس را تا ۴۰-۶۰ درصد کاهش می‌دهد و به شخصی‌سازی یادگیری کمک می‌کند. با این حال، چالش‌هایی مانند کمبود آموزش‌های تخصصی، نگرانی‌های اخلاقی و فنی و نابرابری‌های دسترسی (به‌ویژه در مناطق روستایی یا مدارس کم‌درآمد) وجود دارد که مانع استفاده کامل معلمان از AI می‌شود. در پژوهشی که Usta et al (2026)، با هدف بررسی تأثیر آموزش مبتنی بر ابزارهای دیجیتال بر مهارت‌های طراحی و ارتقای باورهای خودکارآمدی معلمان آینده، بود. مطالعه‌ای شبه‌آزمایشی را با طرح پیش‌آزمون-پس‌آزمون بر روی ۴۵ دانشجو-معلم رشته آموزش ریاضی اجرا نمودند. محور اصلی این تحقیق، سنجش میزان اثربخشی این فناوری‌ها بر سطح آمادگی معلمان در زمینه تولید محتوای آموزشی و همچنین توانمندی آن‌ها در ارزیابی و تشخیص خطاهای یادگیری دانش‌آموزان بود. یافته‌های به‌دست‌آمده حاکی از آن است که بهره‌گیری از پلتفرم‌های دیجیتال نه‌تنها موجب ارتقای چشمگیر باورهای خودکارآمدی معلمان در به‌کارگیری فناوری‌های نوین آموزشی می‌گردد، بلکه مهارت‌های ارزیابی عملکرد دانش‌آموزان و دانش محتوای تربیتی-فناورانه آنان را نیز به طور معناداری بهبود می‌بخشد. در نهایت، نتایج این مطالعه بر ضرورت اجتناب‌ناپذیر ادغام فناوری‌های نوین در برنامه‌های جامع تربیت معلم تأکید دارد تا از این طریق، بستر مناسبی برای توسعه حرفه‌ای پایدار و بهبود مستمر کیفیت تدریس ریاضی ابتدایی فراهم گردد.  Göçer & Özeren (2025) هم در پژوهشی با هدف واکاوی عوامل روان‌شناختی مؤثر بر کیفیت آموزشی، به بررسی نقش متغیرهایی نظیر کنجکاوی و اضطراب در شکل‌گیری باورهای خودکارآمدی معلمان پرداختند؛ این مطالعه کمی و مقطعی که بر روی ۸۹۳ معلم مقطع ابتدایی انجام شده است، یافته‌های کلیدی حاکی از آن است که کنجکاوی و اضطراب تدریس، پیش‌بینی‌کننده‌های قدرتمندی برای باورهای خودکارآمدی معلمان محسوب می‌شوند و در کمال تعجب، سطوح پایین و کنترل‌شده اضطراب می‌تواند اثری مثبت بر احساس توانمندی معلمان داشته باشد. این نتایج با مقوله ادغام نوآوری‌ها در آموزش پیوندی ناگسستنی دارد؛ چراکه معلمانی با کنجکاوی علمی بالاتر و اضطراب کمتر، احتمالاً از آمادگی معلمان بالاتری برای پذیرش و به‌کارگیری فناوری‌های نوینی نظیر هوش مصنوعی در کلاس درس برخوردارند. در مطالعه دیگر Li & Ma (2025)، رابطه میان باورهای معلم، انگیزه، خودکارآمدی و رفتارهای تدریس را بررسی کردند که نتایج نشان داد که انگیزه و خودکارآمدی معلمان پیش‌بین‌های مهمی برای باورهای آنان هستند و باورهای معلم نیز نقش میانجی معناداری در ارتباط میان این دو متغیر و رفتارهای تدریس ایفا می‌کند. به بیان دیگر، هرچه سطح انگیزه و خودکارآمدی معلم بالاتر باشد، باورهای حرفه‌ای او تقویت شده و این امر به رفتارهای تدریس مؤثرتر و سازگارتر منجر می‌شود. در پژوهشی Ayanwale et al, (2025) که به مطالعه سنجش آمادگی معلمان برای پذیرش هوش مصنوعی در آموزش یاضی، پرداختند. در این مدل، معلمان در چهار گروه دسته‌بندی شده‌اند: افراد ناآگاه، افراد آگاه اما مردد، پذیرندگان هوش مصنوعی و کسانی که استفاده از آن را متوقف کرده‌اند. تحلیل‌های دقیق این پژوهش نشان می‌دهد که انتقال سریع از مرحله آگاهی به مرحله پذیرش، نقشی کلیدی در شتاب‌دهی به استفاده از هوش مصنوعی دارد، اما پایداری در به‌کارگیری این فناوری، به شدت به در دسترس بودن منابع و حمایت‌های نهادی وابسته است. یافته‌های این مطالعه بر این نکته تأکید دارند که سیاست‌گذاران آموزشی باید فراتر از ایجاد صرفِ آگاهی، بر تأمین منابع پایدار و ایجاد زیرساخت‌های حمایتی تمرکز کنند تا از بازگشت معلمان به وضعیت عدم استفاده (توقف) جلوگیری شود. Kayıran et al, (2026) در پژوهشی با موضوع برداشت معلمان از هوش مصنوعی در ادغام برنامه درسی: فرصت‌ها، نگرانی‌ها و نیازهای توسعه حرفه‌ای؛ که به صورت کیفی و نیمه‌ساختاریافته با 30 معلم شاغل در مدارس دولتی در ترکیه انجام شد. یافته‌ها نشان داد که معلمان نسبت به هوش مصنوعی دیدگاهی «محتاطانه اما باز»، دارند. یافته‌ها حاکی از آن است که معلمان هوش مصنوعی را ابزاری مفید برای افزایش کارآمدی تدریس، ساده‌سازی توضیح مفاهیم پیچیده، تسهیل ارزشیابی و تقویت رشد شناختی دانش‌آموزان می‌دانند؛ با این حال، در کنار این فرصت‌ها، نگرانی‌هایی نیز درباره آسیب‌های احتمالی آن بر رشد عاطفی، کاهش تعامل انسانی، و وابستگی بیش از حد به فناوری مطرح کرده‌اند. این مطالعه نشان می‌دهد که پذیرش هوش مصنوعی در آموزش، صرفاً به دسترسی به فناوری وابسته نیست، بلکه به نگرش، آمادگی حرفه‌ای و درک اخلاقی معلمان نیز ارتباط دارد. نهایتاَ در پژوهشی که Liu (2025) با موضوع بررسی عوامل مؤثر بر پذیرش فناوری هوش مصنوعی توسط اساتید دانشگاه: نقش واسطه‌ای اعتماد به نفس و آمادگی هوش مصنوعی، مطالعه کرد. یافته‌های این پژوهش نشان می‌دهد که هنجارهای ذهنی (تأثیرات اجتماعی و انتظارات محیطی) نه‌تنها به‌طور مستقیم بر تمایل معلمان به استفاده از هوش مصنوعی اثر می‌گذارند، بلکه این اثرگذاری از طریق دو مسیر میانجی‌گرِ «اعتمادبه‌نفس» و «آمادگی برای هوش مصنوعی» نیز تقویت می‌شود. جالب‌توجه‌ترین بخش نتایج، کشف یک «اثر میانجی‌گری زنجیره‌ای»، است؛ به این معنا که فشارهای مثبت محیطی و هنجاری ابتدا اعتمادبه‌نفس معلمان را افزایش داده و در پی آن آمادگی آن‌ها را برای پذیرش هوش مصنوعی ارتقا می‌دهد که در نهایت منجر به تصمیم عملی برای استفاده از این فناوری می‌شود. فتحی هفشجانی و سعادت طلب (1403) نشان دادند که AI می‌تواند با غنی‌سازی محیط یادگیری و توانمندسازی حرفه‌ای معلمان کیفیت تدریس ریاضی را بهبود بخشد. درویشی و همکاران (1403) نشان دادند که آگاهی معلمان از AI پایین است و عواملی چون کمبود آموزش‌های تخصصی و محدودیت‌های زیرساختی بر این آگاهی تأثیر دارند. عزیزپورعربی و همکاران (1404) نشان دادند که آمادگی دیجیتال معلمان در سطح متوسط است و نیاز به آموزش‌های تخصصی برای مدیریت کلاس آنلاین و تولید محتوای دیجیتال دارند. این یافته‌ها شکاف‌هایی را در آمادگی معلمان برای استفاده از AI و توسعۀ مهارت‌های الکترونیکی برجسته می‌کنند.

در دنیای امروز AI به یکی از ابزارهای قدرتمند به‌ویژه در آموزش ریاضی تبدیل شده و فرایندهای یادگیری را تعاملی‌تر، مؤثرتر و شخصی‌سازی‌تر کرده است (درویشی و همکاران، 1403). علی‌رغم پیشرفت‌های AI، ادغام آن در کلاس‌های ابتدایی با موانعی روبرو است. گزارش‌های اخیر در خصوص آمادگی معلمان برای استفاده از AI نشان می‌دهند که درصد بالایی از معلمان در سطح جهانی نیاز به آموزش‌های بیشتر برای استفاده مؤثر از AI در تدریس دارند (Miao, 2023). مشکلات خاص ریاضی ابتدایی شامل انتزاعی بودن مفاهیم (مانند کسرها و هندسه) و کلاس‌های شلوغ (متوسط 30 دانش‌آموز در کلاس‌های ایرانی) است. AI می‌تواند با شبیه‌سازی‌های تعاملی، این موانع را حل کند، اما بدون آمادگی معلمان که شامل آموزش دانش محتوای آموزشی فناوری است این ابزارها به حاشیه رانده می‌شوند (Watson-Huggins & Trotman, 2025). در مطالعه‌ای Celik (2024) نشان داد که معلمان با آمادگی پایین، AI را به‌عنوان «تهدید» می‌بینند نه «فرصت» که کیفیت تدریس را 20% کاهش می‌دهد. یکی از مهم‌ترین شاخص‌های کاربردهای AI که برای بهبود کیفیت، اثربخشی و موفقیت دانش‌آموزان با بهینه‌سازی فرایندهای آموزشی استفاده می‌شود، آمادگی است. مقیاس آمادگی معلمان برای کاربردهای AI دارای ابعاد خودکارآمدی فناوری، تعامل با دانش‌آموزان و آگاهی اخلاقی است. مقیاس آمادگی معلمان یک ابزار اندازه‌گیری معتبر و قابل‌اعتماد برای تعیین آمادگی معلمان برای کاربردهای AI است (Ramazanoglu & Akın, 2025). آمادگی معلمان برای استفاده از فناوری‌های نوین آموزشی یکی از عوامل کلیدی در موفقیت فرایند یادگیری و ارتقای کیفیت آموزش محسوب می‌شود. با گسترش فناوری های دیجیتال و ابزارهای آموزشی نوین نقش معلم نه‌تنها به انتقال محتوا محدود نمی‌شود، بلکه به هدایت یادگیری، ایجاد انگیزه و توسعۀ مهارت‌های دیجیتال دانش‌آموزان نیز گسترش یافته است (کدخدایی و همکاران، 1404). Schairer-Kessler et al (2025) در مورد آمادگی معلمان معتقدند که برنامه‌های آموزشی معلمان باید AI را به‌عنوان ابزاری برای بهبود تدریس و افزایش کارایی ادغام کنند، نه اینکه آن‌ها را نادیده بگیرند.

گزارش هوش مصنوعی مدیران در سال ۲۰۲۴ از مطالعه‌ای در مورد ادراکات، شیوه‌ها و پتانسیل‌ها در آموزش نشان می‌دهد که دوران ممنوعیت ChatGPT و سایر ابزارهای AI به پایان رسیده است. در این مطالعه ۵ درصد از مدیران قصد دارند این فناوری را ممنوع کنند، در حالی که تقریباً دو سوم ادعا کردند که AI تأثیر مثبتی بر آموزش خواهد گذاشت (Watson-Huggins & Trotman, 2025). بنابراین AI، به‌عنوان یکی دیگر از ابزارهای ریاضی، می‌تواند برای کمک به ادغام ریاضی و فناوری مورد استفاده قرار گیرد. بنابراین، به‌جای اینکه AI را به‌عنوان جایگزین معلمان ببینیم، بهتر است آن را به‌عنوان کمکی برای معلمان در نظر بگیریم (Watson-Huggins & Trotman, 2025). در این راستا، بررسی عوامل تأثیرگذار بر آمادگی معلمان برای بهره‌گیری از فناوری‌های نوین، از جمله مهارت‌های فنی، نگرش مثبت نسبت به فناوری، دسترسی به منابع و حمایت‌های سازمانی اهمیت ویژه‌ای دارد. مطالعات نشان می‌دهند که معلمان با آموزش‌های هدفمند، فرصت‌های تمرین عملی و حمایت‌های مدیریتی آمادگی بیشتری برای به‌کارگیری فناوری در فرایند یادگیری پیدا می‌کنند. علاوه بر این، نگرش مثبت به یادگیری دیجیتال و تجربۀ موفق استفاده از فناوری‌های نوین انگیزۀ معلمان را برای توسعۀ مهارت‌های دیجیتال و طراحی فعالیت‌های آموزشی نوآورانه افزایش می‌دهد (کدخدایی و همکاران، 1404). هوش مصنوعی پتانسیل بالایی برای ادغام در آموزش و پرورش برای بهبود شیوه‌های تدریس و یادگیری دارد. با این حال، دستیابی به استفاده مؤثر و پایدار از ابزارهای هوش مصنوعی در آموزش ابتدایی از دانش، باورها و نگرش‌های معلمان بسیار مهم است   (Kazmaci et al, 2025). در بین کارشناسان آموزشی در مورد اهمیت AI در تحقیقات علمی و آموزش، به‌ویژه در آموزش ریاضیات، توافق وجود دارد که در آن می‌توان از AI برای خلاصه کردن متون پیچیده، گسترش دانش مفهومی از مفاهیم ریاضی، تجزیه و تحلیل داده‌ها و ایجاد ادعاها، انجام وظایف اداری تکراری و وقت‌گیر و غیره استفاده کرد (Mohamed & Lamia, 2018). در همین راستا، تحقیقات بیشتر هم به نیاز برنامه‌های آماده‌سازی معلمان برای تمرکز بر توسعۀ معلمان در تدریس یک موضوع خاص (ریاضی/علوم) با فناوری در هر ترم اشاره کرد (Kimmons et al, 2020؛ Hamilton, 2024).

بنابراین، ضرورت و چرایی اصلی این پژوهش از تقاطع یک چالش مهم آموزشی و یک فرصت فناورانه نشئت می‌گیرد. از یک سو، ضعف عملکرد دانش‌آموزان ابتدایی در یادگیری مفاهیم انتزاعی ریاضی نیازمند مداخلات نوین است و از سوی دیگر، هوش مصنوعی ظرفیت بی‌نظیری برای شخصی‌سازی این آموزش‌ها ارائه می‌دهد. با این حال، حلقه مفقوده در این گذار فناورانه، نقش کلیدی معلم است؛ زیرا تا زمانی که ادراک معلمان از هوش مصنوعی اصلاح نشود و آمادگی لازم (دانش محتوایی، پداگوژیک و فناورانه)، در آن‌ها شکل نگیرد، ابزارهای مبتنی بر AI نه تنها کیفیت تدریس را ارتقا نمی‌دهند، بلکه ممکن است به عنوان یک تهدید، موجب کاهش خودکارآمدی آنان شوند. از طرف دیگر، علی‌رغم مطالعات متعدد در زمینۀ کاربردهای هوش مصنوعی در آموزش که عمدتاً بر مقاطع عالی و متوسطه متمرکز بوده‌اند، شکاف و خلأ پژوهشی عمیقی در مقطع حساس ابتدایی احساس می‌شود. این شکاف‌ها شامل فقدان اطلاعات کافی پیرامون چگونگی تعاملات انسانی و سازمانی، چالش‌های پیاده‌سازی فناوری‌های جدید، لزوم ارزیابی دقیق‌تر آمادگی معلمان و همچنین بررسی ارتباطات میان ادراک AI، آمادگی معلمان و تأثیرات آن بر کیفیت تدریس ریاضی در این مقطع است. از این رو، اهمیت و ضرورت مطالعه حاضر در این است که با پوشش این خلأها و تبیین روابط میان متغیرهای مذکور، مسیر را برای طراحی برنامه‌های هدفمندِ تربیت و توانمندسازی معلمان ریاضی ابتدایی هموار ‌سازد؛ در همین راستا، پژوهش حاضر در پی پاسخ به این پرسش کلیدی است که آیا ادراک معلمان از هوش مصنوعی و سطح آمادگی آنان می‌تواند پیش‌بینی‌کنندۀ باورهای خودکارآمدی معلمان در تدریس ریاضی ابتدایی باشد؟

روش‌شناسی پژوهش

این پژوهش از نوع کمی-کاربردی است که با روش پیمایشی و تحلیل توصیفی–همبستگی انجام شد. جامعۀ آماری این پژوهش شامل تمامی معلمان استان آذربایجان غربی است که طبق آمار آموزش و پرورش استان در سال ۱۴۰۴ تعداد آنان ۴۵۰۰ نفر بوده است. حجم نمونه بر اساس جدول کوکران ۳۸۰ نفر در نظر گرفته شد. نمونه‌گیری به روش تصادفی طبقه‌ای انجام شد. در این روش ابتدا جامعۀ بر اساس جنسیت و سابقۀ تدریس تقسیم شد. سپس از هر طبقه با استفاده از نمونه‌گیری تصادفی ساده، سهم هر طبقه به‌طور متناسب با درصد آن در جامعۀ آماری انتخاب شد تا نمایندگی جامعه به‌طور کامل حفظ شود. برای جمع‌آوری داده‌های پژوهش حاضر از سه پرسش‌نامه استفاده گردید:

پرسش‌نامۀ ادراک از هوش مصنوعی: این پرسش‌نامه با اقتباس از پرسش‌نامۀ الشریده و الکرمیتی (2024) گرفته شد که دارای ۹ گویه و ۳ مؤلفۀ مناسب‌بودن و اثربخشی (گویه‌های ۱، ۲، ۷)، شخصی‌سازی (۳، ۴، ۶) و تمایل و عدالت (۵، ۸، ۹) است. شیوۀ نمره‌گذاری برای این پرسش‌نامه بر اساس طیف لیکرت پنج‌درجه‌ای (از کاملاً مخالفم: ۱ تا کاملاً موافقم: ۵) بود. پایایی آلفای کرونباخ در مطالعۀ الشریده و الکرمیتی (2024) 88/0 به دست آمده بود و در این پژوهش هم 87/0 گزارش شد. لازم به توضیح است این پرسش‌نامه‌ از منبع معتبر ترجمه و بومی‌سازی شده‌ است. لذا، با توجه به ماهیت بین‌المللی ابزار، فرایند بومی‌سازی از طریق ترجمه و انطباق فرهنگی و محتوایی زیر نظر اساتید روان‌شناسی و علوم تربیتی با تغییرات جزئی انجام شد.

پرسش‌نامۀ آمادگی معلمان: این پرسش‌نامه با اقتباس از پرسش‌نامۀ رمضان‌اوغلو و آکین (2025)‌ گرفته شد که دارای ۱۲ گویه و ۳ مؤلفۀ خودکارآمدی فنی (۱، ۲، ۳، ۶، ۱۰)، تعامل با دانش‌آموز (۴، ۵، ۷) و آگاهی اخلاقی (۸، ۹، ۱۲)‌ است. شیوۀ نمره‌گذاری برای این پرسش‌نامه بر اساس طیف لیکرت پنج‌درجه‌ای (از کاملاً مخالفم: ۱ تا کاملاً موافقم: ۵) بود. پایایی آلفای کرونباخ در مطالعۀ رمضان‌اوغلو و آکین (2025)‌ 89/0‌ به دست آمده بود و در این پژوهش 89/0‌ گزارش گردید. این پرسش‌نامه‌ هم از منابع معتبر ترجمه و بومی‌سازی شد و، با توجه به ماهیت بین‌المللی ابزار، فرایند بومی‌سازی از طریق ترجمه و انطباق فرهنگی و محتوایی زیر نظر اساتید روان‌شناسی و علوم تربیتی انجام شد.

پرسش‌نامۀ باورهای خودکارآمدی در کیفیت تدریس: این پرسش‌نامه برگرفته از پرسش‌نامۀ اینوکس و همکاران (2000)‌ می‌باشد که دارای ۱۱ گویه و ۲ مؤلفۀ کارآمدی شخصی (۱، ۳، ۵، ۷، ۱۱) و خروجی تدریس (۲، ۴، ۶، ۸، ۹، ۱۰)‌ است. شیوۀ نمره‌گذاری این پرسش‌نامه هم بر اساس طیف لیکرت پنج‌درجه‌ای (از کاملاً مخالفم: ۱ تا کاملاً موافقم: ۵)‌ بود. پایایی آلفای کرونباخ این پرسش‌نامه در مطالعه فرمانی و خامسان (1390)‌ 73/0 به دست آمده بود. اما در این پژوهش‌ پایایی پرسش‌نامه برابر با 85/0 به‌دست آمد. دلایل این تفاوت احتمالاً نمونۀ متفاوت در پژوهش، اصلاحات گویه‌ها جهت درک بهتر معلمان، شرایط اجرای متفاوت و نظارت دقیق پژوهشگر در اجرای میدانی است. در همین راستا، برای بهبود پایایی پرسش‌نامه‌ها، گویه‌هایی که دارای پایایی پایین بودند اصلاح، و درک محتوا برای معلمان بومی‌تر شد تا درک بهتری از سؤالات داشته باشند.

لازم به ذکر است برای گویه‌های منفی در هر سه پرسش‌نامه‌ نمره‌گذاری معکوس انجام شد تا همخوانی با جهت‌گیری سؤالات حفظ شود؛ این رویکرد برای بررسی متغیرهای مستقل (ادراک از هوش مصنوعی و آمادگی معلمان) و وابسته (باورهای خودکارآمدی در تدریس ریاضی ابتدایی) مناسب است، زیرا امکان تعمیم‌پذیری نتایج به جامعۀ بزرگ‌تر را فراهم می‌آورد و روابط همبستگی میان متغیرها را بر اساس مدل‌های آماری معتبر آزمون می‌کند. در ضمن برای بررسی روایی محتوایی از روش شاخص روایی محتوایی ([6]CVR) استفاده شد. این ابزارها توسط سه استاد روان‌شناسی و علوم تربیتی و یک متخصص تحقیقات آموزشی ارزیابی شدند و شاخص‌های CVR برای تمامی گویه‌ها بالاتر از 78/0 بود که نشان‌دهندۀ روایی محتوایی مناسب آن‌ها است. برای پایایی از ضریب آلفای کرونباخ استفاده گردید و پایایی کل مربوط به هر سه پرسش‌نامه در جدول ۱ آمده است.

جدول 1. متغیرها و تعداد گویه‌ها و پایایی مربوط به هر یک از سازه‌ها

جدول 1 خلاصه‌ای از ساختار ابزارهای پژوهش را ارائه می‌دهد که نشان‌دهندۀ ثبات درونی بالای ابزارهاست که اعتبار نتایج را تضمین می‌کند (مقادیر بالای 7/0 قابل قبول‌اند). در همین راستا، جمع‌آوری داده‌ها در دو مرحله انجام شد؛ در مرحلۀ مقدماتی (مهر ماه ۱۴۰۴)، ابزار پژوهش بر روی ۵۰ معلم اجرا شد تا پایایی اولیۀ ابزار سنجیده شود. در مرحلۀ اصلی (آذر ماه 1404)، توزیع پرسش‌نامه در مدارس انتخابی انجام گرفت. نتایج پایایی اولیه با پایایی نهایی در مرحلۀ اصلی مقایسه شد و هیچ تفاوت معنی‌داری مشاهده نشد که نشان‌دهندۀ ثبات ابزار در هر دو مرحله است. در نهایت تجزیه و تحلیل داده‌ها با نرم‌افزار SPSS.v.22 پردازش شدند. در سطح آمار توصیفی از میانگین و انحراف استاندارد (برای بررسی ویژگی‌های جمعیت‌شناختی) و در سطح آمار استنباطی از ضریب همبستگی پیرسون و رگرسیون چندگانۀ همزمان (برای بررسی روابط بین متغیرهای مستقل و وابسته) استفاده شد. پیش از اجرای تحلیل رگرسیون، پیش‌فرض‌های آماری شامل نرمال بودن داده‌ها (آزمون کلموگروف-اسمیرنوف)، عدم هم‌خطی (VIF[7]) و استقلال خطاها (آزمون دوربین-واتسون) مورد بررسی و تأیید قرار گرفت.

یافته‌ها پژوهش

ویژگی‌های توصیفی افراد نمونه در جدول ۲ ارائه شده است که بر اساس ویژگی‌های کلیدی نشان می‌دهد که ۶۰% نمونه زن هستند و در سنْ گروه ۳۰-۴۰ سال، و سابقۀ گروه ۵-۱۰ سال، و در توزیع نوع مدرسه (۷۵ % دولتی) و مکان (۷۰ % شهری) و بر اساس تجربۀ هوش مصنوعی، گروه کم بیشترین فراوانی را داشتند.

جدول 2. توزیع فراوانی افراد نمونه برحسب ویژگی‌های جمعیت‌شناختی

روش رگرسیون چندگانه به‌عنوان ابزار اصلی تحلیل استنباطی برای پیش‌بینی کیفیت تدریس بر اساس متغیرهای مستقل (ادراک AI و آمادگی) استفاده می‌شود. این روش بر اساس مدل خطی کلی (Y = β₀ + β₁X₁ + β₂X₂ + ε) روابط را مدل‌سازی می‌کند و فرضیه‌های پژوهش (مانند نقش آمادگی معلمان در رابطۀ ادراک AI و خودکارآمدی تدریس) را آزمون می‌کند (فیلد، 2024). رابطۀ رگرسیونی بین مؤلفه‌ها به روش رگرسیون چندگانۀ ورود همزمان بررسی شد. قبل از اجرای تحلیل رگرسیون، مفروضه‌های این تحلیل مورد بررسی قرار گرفت. این مفروضه‌ها شامل: ۱) نرمال بودن متغیرها، ۲) استقلال خطاها و ۳) عدم وجود هم‌خطی چندگانه بود. برای بررسی نرمال بودن توزیع متغیرها از روش محاسبۀ چولگی و کشیدگی و آزمون کلموگروف-اسمیرنوف استفاده شد که در جدول ۳ نتایج این آزمون گزارش شده است.

جدول 3. مقدار میانگین و انحراف استاندارد، چولگی و کشیدگی و آزمون نرمال بودن متغیرها

جدول ۳ شاخص‌های توصیفی و نتایج آزمون نرمال بودن متغیرها و مؤلفه‌های پژوهش را نشان می‌دهد که برای اعتبار رگرسیون چندگانه ضروری است (مفروضۀ نرمال بودن باقیمانده‌ها). براساس یافته‌ها، میانگین متغیر آمادگی معلمان 88/3، باورهای خودکارآمدی 75/3 و ادراک از هوش مصنوعی 52/3 می‌باشد. میانگین بالاتر از حد متوسط مقیاس (۳) قرار دارد که نشان‌دهندۀ وضعیت مطلوب این سازه‌ها در میان معلمان است. جهت بررسی مفروضۀ نرمال بودن داده‌ها از آزمون کولموگروف-اسمیرنوف و چولگی و کشیدگی استفاده شد. نتایج آزمون کولموگروف-اسمیرنوف برای هر سه متغیر اصلی در سطح 05/0 p< معنادار نبود که نشان‌دهندۀ پیروی توزیع داده‌ها از الگوی نرمال است. علاوه بر این، مقادیر چولگی و کشیدگی برای تمامی متغیرها و مؤلفه‌ها در بازۀ استاندارد [2+ , 2-] قرار دارند. طبق دیدگاه فیلد (2024)، زمانی که حجم نمونه بالا باشد و این شاخص‌ها در بازۀ مذکور قرار گیرند، توزیع داده‌ها متقارن و نرمال تلقی شده و استفاده از روش‌های آمار استنباطی پارامتریک (نظیر رگرسیون) مجاز و معتبر است.

جدول 4. نتایج بررسی استقلال خطاها و هم‌خطی چندگانه در تحلیل رگرسیون

جدول ۴ مفروضه‌های استقلال خطاها و عدم هم‌خطی را برای مدل رگرسیون چندگانه آزمون می‌کند که اعتبار پیش‌بینی کیفیت تدریس را تضمین می‌کند. آمارۀ دوربین-واتسون (98/1، نزدیک به ۲) نشان‌دهندۀ ناهمبستگی باقی‌مانده‌ها (خطاها مستقلند، 05/0 p<) است. بنابراین در پژوهش حاضر، وجود استقلال خطاها برای اجرای تحلیل رگرسیون چندمتغیره تأیید شد. همچنین، حداکثر مقدار شاخص تورم واریانس (VIF)  برابر با 42/1 به ‌دست آمد که، با توجه به معیار کمتر از ۱۰، نشان‌دهندۀ عدم وجود هم‌خطی چندگانه میان متغیرهای پیش‌بین است. از این رو، می‌توان نتیجه گرفت که در این مطالعه هم‌خطی چندگانه میان متغیرهای پیش‌بین مشاهده نمی‌شود و مدل رگرسیون چندمتغیره از اعتبار لازم برای تحلیل برخوردار است. قبل از انجام رگرسیون، ضریب همبستگی پیرسون بین متغیرهای پیش‌بین (هوش مصنوعی و آمادگی معلمان) با متغیر ملاک (خودکارآمدی) محاسبه شد که در جدول 5 آماده است.

جدول 5. ماتریس همبستگی پیرسون متغیرهای پژوهش

**P<0/001

نتایج جدول 5 نشان می‌دهد که هر دو متغیر پیش‌بین هوش مصنوعی (45/0) و آمادگی معلمان (63/0) همبستگی مثبت و معناداری در سطح آماری 1 درصد و با اطمینان 99 درصد با خودکارآمدی معلمان دارند (P<0/001)؛ این امر توجیه‌کنندۀ انجام رگرسیون چندمتغیره است. با توجه به این موارد می‌توان گفت که هرچه معلمان دانش AI و آمادگی بیشتری داشته باشند، خودکارآمدی معلمان نیز بالاتر خواهد بود. با توجه به این موارد، می‌توان از تحلیل رگرسیون استفاده نمود. جهت پاسخ به فرضیۀ پژوهش و پیش‌بینی باورهای خودکارآمدی معلمان در تدریس ریاضی، از تحلیل رگرسیون چندگانه به روش همزمان استفاده شد. این روش با هدف شناسایی سهم خالص هر متغیر و اولویت‌بندی پیش‌بین‌ها اجرا گردید.

جدول 5. خلاصۀ مدل رگرسیون همزمان برای پیش‌بینی باورهای خودکارآمدی معلمان در تدریس

جدول ۵ مدل رگرسیون چندگانه را برای پیش‌بینی باورهای کارآمدی در کیفیت تدریس ریاضی ابتدایی بر اساس ادراک از هوش مصنوعی و آمادگی معلمان نشان می‌دهد، با ورود همزمان متغیرها برای آزمون فرضیه‌های پژوهش (001/0 p<؛ 26/8=t، 45/12=B)،  پایه مدل را مثبت و معنادار می‌کند. برای ادراک از  AI، (001/0 p<؛ 52/4=t، 30/0=β)، 39/0=B، هوش مصنوعی نشان‌دهنده تأثیر مثبت 39/0 واحدی بر خودکارآمدی معلمان در تدریس ریاضی است (یعنی هر واحد افزایش ادراک از هوش مصنوعی، خودکارآمدی معلمان را ۰.39 واحد بهبود می‌بخشد)، و 39% واریانس را توضیح می‌دهد. از طرف دیگر، متغیر آمادگی معلمان، قوی‌تر است (001/0 p<؛ 89/5=t، 36/0=β)، 45/0=B، یعنی هر واحد آمادگی، خودکارآمدی معلمان را 45/0 واحد افزایش می‌دهد و 36 درصد واریانس را پوشش می‌دهد. در ضمن 62/0R= و 46/0R²=، است، یعنی؛ هوش مصنوعی و آمادگی معلمان با هم 46 درصد خودکارآمدی معلمان در تدریس ریاضی ابتدایی، را پیش‌بینی و تبیین می‌کنند، به طوری‌که 6/45F= کل مدل را معنادار می‌کند. بنابراین می‌توان گفت که آمادگی معلمان (β بالاتر) نقش کلیدی‌تری در کیفیت تدریس ریاضی ابتدایی دارد، و پیشنهاد می‌شود آموزش آمادگی معلمان در اولویت سیاست‌ها آموزشی قرار بگیرد.

بحث و نتیجه‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌گیری

در تحقیق حاضر به بررسی نقش هوش مصنوعی و آمادگی معلمان در ارتقای خودکارآمدی معلمان در تدریس ریاضی ابتدایی در میان معلمان استان آذربایجان غربی پرداخته شد. نتایج حاکی از آن بود که از میان دو متغیر پیش‌بین ادراک از هوش مصنوعی و آمادگی معلمان، سهم هر دو در تبیین باورهای کارآمدی تدریس ریاضی ابتدایی معنادار است، با این تفاوت که سهم «آمادگی معلمان» قوی‌تر و تعیین‌کننده‌تر از «ادراک از هوش مصنوعی» است. به‌عبارتی با افزایش ادراک مثبت از هوش مصنوعی و آمادگی معلمان، باورهای خودکارآمدی تدریس ریاضی پیش‌بینی می‌شود؛ این یافته با نتایج تحقیق Alsharidah & Alkramiti (2024)، Celik (2024)، Ramazanoglu & Akın (2025)،,Watson-Huggins & Trotman (2025)  Tayfun et al (2025) و فتحی هفشجانی و سعادت طلب (۱۴۰۳)، همسو و همخوان است، اما سهم ادراک از هوش مصنوعی به‌تنهایی در پیش‌بینی کیفیت تدریس، بدون آمادگی معلمان، محدود است که با تحقیق et al Asanre (2024) همخوان بود. هوش مصنوعی نقش مهمی در ایجاد مسیرهای یادگیری فردی برای هر دانش‌آموز در آموزش ریاضی ایفا می‌کند. این فناوری می‌تواند حجم زیادی از داده‌ها را با در نظر گرفتن نیازها و توانایی‌های فردی تجزیه و تحلیل و پردازش کند (Zavalevskyi et al, 2024). در زمینۀ ریاضی ابتدایی، جایی که کلاس‌های شلوغ چالش اصلی است، ادراک مثبت از این فناوری به‌عنوان یک بازوی کمکی، و نه یک عامل تهدیدکننده، به معلمان اجازه می‌دهد تا از ابزارهای کمک‌آموزشی برای حل گام‌به‌گام مسائل پیچیدۀ ریاضی بهره ببرند (Roll & Wylie, 2016). هوش‌مصنوعی ابزاری کارآمد است که در پردازش داده‌ها و شناسایی الگوها توانایی بالایی دارد (Tayfun et al, 2025). هوش مصنوعی می‌تواند با تنظیم محتوای آموزشی بر اساس الگوهای خطای هر دانش‌آموز نرخ یادگیری را تا 35 درصد افزایش دهد و به معلمان کمک کند تا به‌طور مؤثرتری با چالش‌های تدریس روبه‌رو شوند (Roll & Wylie, 2016). از این رو، هوش مصنوعی در حال تبدیل شدن به جزء جدایی‌ناپذیر از فناوری‌های آموزشی معاصر است (Watson-Huggins & Trotman, 2025). مزایای AI در ریاضی را می‌توان بهبود درک مفاهیم، افزایش مشارکت دانش‌آموزان، بهبود درک ریاضی، تطبیق منابع آموزشی، تحریک پرسشگری و تفکر انتقادی دانست (Alsharidah & Alkramiti, 2024). فتحی هفشجانی و سعادت طلب (1403) هم نشان دادند که AI می‌تواند با غنی‌سازی محیط یادگیری و توانمندسازی حرفه‌ای معلمان کیفیت تدریس ریاضی را بهبود بخشد.Kalafat  (2022) معتقد است استفادۀ مؤثر از AI در آموزش، ارتباط مستقیمی با مشارکت فعال معلمان در این فرایند دارد (Tayfun et al, 2025). با این حال، ادراک بدون آمادگی کافی، پتانسیل AI را محدود می‌کند، جایی که معلمان با دانش پایین فناوری و اطلاعات، AI را به حاشیه می‌رانند و کارآمدی تدریس ریاضی را کاهش می‌دهند (Celik, 2024). در همین راستا، یافته‌های این پژوهش نشان می‌دهد که در گذار به کلاس‌های درس هوشمند، «آمادگی فناورانه»، معلمان هسته‌ی مرکزیِ تحول در آموزش ریاضی ابتدایی است. تحلیل‌ها نشان داد که سهم «آمادگی معلمان»، در تبیین خودکارآمدی، به‌مراتب تعیین‌کننده‌تر از ادراکِ صرف از هوش مصنوعی است. این یافته همسو با نظریه  (Mishra & Koehler (2006، در مدل TPACK است که تأکید می‌کند فناوری به‌تنهایی کارساز نیست، بلکه ترکیب دانش محتوایی و عملی با ابزارهای نوین است که بر عملکرد معلم اثر می‌گذارد. در واقع، صرفِ داشتن «نگرش مثبت»، برای افزایش کیفیت تدریس کافی نیست و این «شایستگیِ اجرایی و عملی»، است که معلم را از یک کاربر ساده به یک «معمار یادگیری»، در کلاس درس تبدیل می‌کند Zhao et al, 2025) ؛ Celik, 2024). از منظر پیامدهای علمی، ادغام هوش مصنوعی در ریاضیات ابتدایی نیازمند تغییر پارادایم از «ابزارمحوری»، به «شایستگی‌محوری»، است. در محیط‌های آموزشی که با چالش‌هایی نظیر انتزاعی بودن مفاهیم ریاضی مواجه‌اند، هوش مصنوعی می‌تواند به‌عنوان یک «دگرگونی شناختی»، عمل کند (Luckin et al., 2026)؛ مشروط بر اینکه معلمان آمادگی مدیریت اخلاقی و فنی این ابزارها را داشته باشند. این پژوهش تأکید می‌کند که سیاست‌گذاری آموزشی نباید تنها به تأمین سخت‌افزار محدود شود، بلکه باید بر «توسعه حرفه‌ای مستمر»، تمرکز کند که در آن، مهارت‌های فنی با مؤلفه‌های روان‌شناختی (مانند خودکارآمدی)، در هم آمیخته است  Kayıran et al, 2026)؛ Göçer & Özeren, 2025).

آمادگی معلمان نقش مهم‌تری در ارتقای خودکارآمدی تدریس ریاضی ایفا می‌کند و آمادگی معلمان سهم تعیین‌کننده‌تری در پیش‌بینی خودکارآمدی تدریس ایفا می‌کند. این نتایج با مدل (Mishra & Koehler, 2006) همخوانی دارد. چرا که آمادگی فنی، تعامل هوشمند با دانش‌آموز و آگاهی از الزامات اخلاقی به معلمان اعتمادبه‌نفس لازم برای گذار از تدریس سنتی به هدایت‌گری خلاقانه را می‌بخشد. در مقابل، چنانچه ادراک مثبت با آمادگی مهارتی همراه نباشد، پتانسیل‌های تحولی هوش مصنوعی در سطح علاقۀ نظری باقی مانده و به کیفیت عملی تدریس منجر نخواهد شد (Celik, 2024). از طرف دیگر، این آمادگی شامل خودکارآمدی فنی (مانند حل مشکلات ابزارهای AI در کلاس)، تعامل با دانش‌آموز (مانند طراحی فعالیت‌های گروهی با ChatGPT برای حل مسائل فرهنگی ایرانی) و آگاهی اخلاقی (مانند حفظ حریم خصوصی در ارزیابی عدالت روستایی-شهری) باورهای کارآمدی معلمان را تقویت می‌کند و کیفیت تدریس را از انتقال محتوا به هدایت خلاقانه تغییر می‌دهد که با پژوهش Ramazanoglu &Akın (2025) هم‌راستا است. Schairer-Kessler et al (2025) نیز آمادگی معلمان را کلید تحول می‌دانند و یافته‌ها نشان می‌دهند که بدون آن، ادراک از AI (مانند علاقه به ابزارهای رایگان) به کیفیت تبدیل نمی‌شود. اگر معلمان دانش بیشتری از AI داشته باشند، قادر خواهند بود نقش و پتانسیل‌های مختلف AI را در فرایندهای آموزشی بهتر درک کنند و از این ابزارها به‌طور مؤثرتر در تدریس، ارزیابی و شخصی‌سازی یادگیری استفاده نمایند(Alsharidah & Alkramiti, 2024). نتایج پژوهش‌ها نشان می‌دهند که ادراک معلمان از هوش مصنوعی، به‌عنوان ابزاری برای شخصی‌سازی و تعمیق یادگیری، مستقیماً با تحول در آموزش ریاضی هم‌راستا است، جایی که AI مفاهیم انتزاعی مانند کسرها و هندسه را، از طریق شبیه‌سازی‌های تعاملی، ملموس می‌سازد و بازخورد فوری ارائه می‌دهد (Alsharidah & Alkramiti, 2024). کدخدایی و همکاران (1404) نیز معتقدند که میزان آشنایی معلمان با فناوری‌های نوین نگرش آن‌ها نسبت به کاربرد فناوری و مهارت‌های عملی در استفاده از ابزارهای دیجیتال اثر مستقیمی بر کیفیت آموزش و مشارکت فعال معلمان و دانش آموزان دارد. در همین راستا Schairer-Kessler (2025) در نتایج پژوهشی با موضوع «هوش مصنوعی و آماده‌سازی معلم برای بهبود تدریس» که به‌صورت پیمایشی انجام داد، نشان داد که ۷۵ درصد از معلمان AI را ابزاری مفید برای آماده‌سازی تدریس می‌دانند، زیرا این فناوری زمان برنامه‌ریزی درس را تا ۴۰-۶۰ درصد کاهش می‌دهد و به شخصی‌سازی یادگیری کمک می‌کند. Mohamed & Lamia (2018) معتقدند که سیستم‌های تدریس هوشمند حجم کاری معلمان را کاهش می‌دهند و بنابراین زمان بیشتری را در طول آموزش صرفه‌جویی می‌شود. کدخدایی و همکاران (1404) بر این باورند که معلمان با آموزش‌های هدفمند، فرصت‌های تمرین عملی و حمایت­های مدیریتی می‌توانند آمادگی بیشتری برای به‌کارگیری فناوری در فرایند یادگیری پیدا کنند. فتحی هفشجانی و سعادت طلب (۱۴۰۳) هم غنی‌سازی محیط یادگیری و توانمندسازی حرفه‌ای را برجسته می‌کنند. در ضمن، عدم تفاوت جنسیتی در باورهای کارآمدی کیفیت تدریس ریاضی با یافته‌های Tayfun et al (2025) همخوانی دارد که نشان‌دهندۀ یک رویکرد مثبت همگانی میان معلمان زن و مرد نسبت به پذیرش فناوری‌های نوظهور است. Mishra & Koehler (2006) معتقدند که معلمان به‌عنوان منابع بادوام و غیرقابل جایگزین در کلاس درس ابتدایی به شمار می‌آیند که قادرند ابزارهای AI را در جهت درست به کار گیرند و کلاس را در تحقق اهداف یادگیری ریاضی سوق دهند. در نهایت، تحول آموزش ریاضی فرایندی مشروط است. اگر آمادگی معلمان ارتقا نیابد، ابزارهای هوشمند ممکن است نه به‌عنوان تسهیل‌گر، بلکه به عنوان «موانع شناختی» عمل کنند که منجر به کاهش عاملیت معلم می‌شود .بنابراین، پیشنهاد می‌شود برنامه‌های تربیت معلم به‌سوی مدل‌های «آمادگیِ چندبعدی» حرکت کنند که در آن، آگاهی از سوگیری‌های الگوریتمی و عدالت آموزشی، بخشی از هویت حرفه‌ای معلم ریاضی باشد .(Zawacki-Richter et al., 2019) این رویکرد، بستر را برای گذار از تدریس سنتی به هدایت‌گریِ نوآورانه در کلاس‌های ریاضی فراهم می‌آورد. بنابراین، پژوهش حاضر فراتر از تأیید روابط آماری میان متغیرها، پیامدهای علمی و راهبردی مهمی برای نظام آموزشی به همراه دارد. یافته‌ها نشان می‌دهند که تحول در آموزش ریاضی ابتدایی تنها با ورود ابزارهای مبتنی بر هوش مصنوعی به کلاس درس محقق نمی‌شود، بلکه تحقق این امر نیازمند ارتقای «آمادگی فناورانه-آموزشی»، معلمان است؛ این آمادگی به‌عنوان پیش‌شرط اساسی برای تبدیل پتانسیل‌های بالقوه هوش مصنوعی به نتایج ملموس آموزشی عمل می‌کند .(Zhao et al, 2025) در واقع، آمادگی معلمان، به‌ویژه در ابعاد خودکارآمدی فنی و آگاهی اخلاقی، نقش دگرگونی را در تغییر پارادایم آموزش ریاضی از انتقال یک‌طرفه و انتزاعی دانش، به هدایت‌گری خلاقانه، تعاملی و شخصی‌سازی‌شده ایفا می‌کند Ramazanoglu & Akın, 2025) ؛ (Celik, 2024. از منظر سیاست‌گذاری آموزشی، پیامد علمی این پژوهش حاکی از آن است که سرمایه‌گذاریِ صرف در تأمین زیرساخت‌های دیجیتال، بدون توجه به آمادگی روانی و مهارتی معلمان، باعث می‌شود این نوآوری‌ها به حاشیه رانده شده و حتی به‌عنوان یک تهدید درک شوند  (Watson-Huggins & Trotman, 2025؛  .(Celik, 2024سیاست‌گذاران و برنامه‌ریزان آموزشی باید گذار معلمان از مرحله «آگاهی»، به مرحله «پذیرش پایدار»، را از طریق ایجاد زیرساخت‌های حمایتیِ نهادی و تأمین منابع مستمر تسهیل کنند؛ چرا که پایداری در به‌کارگیری هوش مصنوعی در تدریس ریاضی، به شدت به این حمایت‌های سیستماتیک وابسته است ( .(Ayanwale et al, 2025به‌علاوه، مدل‌های توسعه حرفه‌ای معلمان باید از آموزش‌های فنیِ صِرف فراتر رفته و با تمرکز بر هنجارهای مثبت محیطی، اعتمادبه‌نفس و باورهای خودکارآمدی آنان را ارتقا دهند ( .(Liu, 2025در نهایت، سیاست‌گذاری‌های کلان باید به سمت بازنگری در برنامه‌های تربیت معلم حرکت کنند تا هوش مصنوعی نه به‌عنوان جایگزین معلم، بلکه به‌عنوان یک دستیار آموزشیِ توانمند در جهت بهبود پایدار کیفیت آموزش ریاضی نهادینه شود (Usta et al, 2026؛ فتحی هفشجانی و سعادت‌طلب، 1403).

بنابراین در تبیین این یافته می‌توان گفت که ادراک مثبت از هوش مصنوعی، اگرچه شرط لازم برای ورود به عصر آموزش دیجیتال است، اما به‌هیچ‌وجه کافی نیست. در کلاس‌های شلوغ ریاضی ابتدایی که مدیریت زمان، تفاوت‌های فردی دانش‌آموزان و نوع مدارس، چالشی اساسی است، ادراک مثبت صرفاً باعث می‌شود معلم این فناوری را به‌عنوان یک «دستیار آموزشی»، بپذیرد. عدم تفاوت معنادار در ادراک معلمان زن و مرد نیز نشان‌دهنده پذیرش عمومی و فارغ از جنسیتِ این فناوری‌های نوظهور در جامعه آماری این پژوهش است. با این حال، چنانچه این ادراک مثبت با مهارت و آمادگی عملی همراه نشود، پتانسیل تحولی هوش مصنوعی در حد یک علاقه نظری باقی مانده و به بهبود کیفیت عملی تدریس منجر نخواهد شد. یافته‌های این پژوهش نشان داد که «آمادگی معلمان»، سهمی قوی‌تر و تعیین‌کننده‌تر در پیش‌بینی خودکارآمدی معلمان در تدریس ریاضی داشت. این نتیجه بیانگر آن است که در فرایند ورود هوش مصنوعی به آموزش، صرفِ نگرش مثبت نسبت به فناوری، برای تحول واقعی در عمل تدریس کافی نیست، بلکه آنچه نقش تعیین‌کننده دارد، آمادگی عملی، فنی، پداگوژیکی و اخلاقی معلم برای به‌کارگیری مؤثر این فناوری در کلاس درس است. این برداشت با چارچوب TPACK همسو است؛ زیرا در این چارچوب، اثربخشی فناوری زمانی رخ می‌دهد که دانش فناورانه با دانش محتوایی و روش تدریس درهم‌تنیده شود، نه اینکه به‌صورت یک مهارت جداگانه و سطحی باقی بماند. از منظر تبیینی، می‌توان گفت که ادراک مثبت از هوش مصنوعی بیشتر به مرحله «پذیرش ذهنی»، فناوری اشاره دارد، در حالی که آمادگی معلمان به مرحله «کنش حرفه‌ای و عملی»، مربوط می‌شود. معلمی که از نظر فنی، ارتباطی و اخلاقی آماده‌تر است، هوش مصنوعی را نه به‌عنوان جایگزین نقش خود، بلکه به‌عنوان ابزاری برای تقویت مدیریت کلاس، شخصی‌سازی آموزش و حمایت از یادگیری دانش‌آموزان به کار می‌گیرد. در آموزش ریاضی ابتدایی، که مفاهیم اغلب انتزاعی‌اند و تفاوت‌های فردی دانش‌آموزان چشمگیر است، این آمادگی می‌تواند به کاهش فشار شناختی معلم، بهبود تنظیم آموزشی در کلاس درس و افزایش اعتمادبه‌نفس حرفه‌ای او منجر شود. از منظر کاربردی و سیاست‌گذاری آموزشی، این پژوهش نشان می‌دهد که توسعه آموزش هوش مصنوعی در مدارس نباید به تأمین ابزار و زیرساخت محدود شود. اگر هدف، بهبود واقعی آموزش تدریس ریاضی است، باید هم‌زمان بر توانمندسازی حرفه‌ای معلمان (تقویت هم‌زمان «نگرش» و «مهارت»)، تمرکز شود؛ توانمندسازی‌ای که شامل آموزش کار با ابزارهای AI، ارتقای سواد داده‌ای، آشنایی با ملاحظات اخلاقی و حریم خصوصی، و تقویت توان طراحی فعالیت‌های یادگیرنده‌محور باشد. بنابراین، سیاست‌گذاران آموزشی باید از رویکرد «فناوری‌محور»، به رویکرد «آمادگی‌محور و مهارت محور»، حرکت کنند؛ یعنی پیش از گسترش ابزارهای هوش مصنوعی، بستر انسانی و حرفه‌ای استفاده از آن‌ها را فراهم سازند. در نهایت، می‌توان نتیجه گرفت که هوش مصنوعی در آموزش ریاضی ابتدایی زمانی به ارتقای خودکارآمدی معلم و بهبود کیفیت تدریس منجر می‌شود که در چارچوب آمادگی چندبعدی معلم قرار گیرد. بر این اساس، برنامه‌های تربیت معلم، دوره‌های ضمن خدمت و سیاست‌های نظام آموزشی و مدرسه‌ای باید به‌گونه‌ای طراحی شوند که هم نگرش مثبت نسبت به هوش مصنوعی را تقویت کنند و هم مهارت‌های اجرایی، اخلاقی و روش تدریس معلمان را توسعه دهند. چنین رویکردی می‌تواند زمینه‌ساز گذار از تدریس سنتی به هدایت‌گری حرفه‌ای، انعطاف‌پذیر و مبتنی بر ابزارهای فناوری در آموزش تدریس ریاضی ابتدایی باشد.

محدودیت‌های پژوهش

پژوهش با محدودیت‌هایی روبه‌رو بود که بر تعمیم‌پذیری و عمق یافته‌ها تأثیر می‌گذارد. نخست، تمرکز جغرافیایی بر استان آذربایجان غربی (جامعۀ ۴۵۰۰نفری و نمونۀ ۳۸۰نفری) تعمیم به سطح کشور را محدود می‌کند، زیرا تفاوت‌های فرهنگی-زیرساختی (مانند دسترسی اینترنت در نواحی مرزی و دیگر نقاط کم برخودار کشور) نادیده مانده است. دوم، رویکرد کمی پیمایشی روابط همبستگی را توصیف می‌کند، اما علیت را اثبات نمی‌کند؛ برای مثال، تأثیر مداخلۀ آموزشی AI بر آمادگی معلمان آزمون نشده که پژوهش‌های آزمایشی آینده را ضروری می‌سازد. سوم، تمرکز صرف بر باورهای خودکارآمدی به‌عنوان متغیر وابسته، بدون سنجش خروجی‌های عینی نظیر پیشرفت تحصیلی دانش‌آموزان در درس ریاضی، عمق تحلیلی مطالعه را محدود کرده است؛ از این رو، پیشنهاد می‌شود در مطالعات آتی از روش‌های ترکیبی و با مشاهدۀ کلاس‌ها انجام شود. چهارم، عدم بررسی تعدیل‌کننده‌هایی مانند سن (۵۰ درصد ۳۰-۴۰ سال)، سابقه (متوسط ۱۰ سال) یا نوع مدرسه (۷۵ درصد دولتی) در روابط میان متغیرها تحلیل را کلی و ساده نگه می‌دارد، اما پژوهش‌های پیشرفته‌تر با متغیرهای تعدیل‌کننده لازم است. در نهایت، حضور بخشی از شرکت‌کنندگان (حدود ۳۵ درصد) که فاقد تجربۀ عملی مستقیم در به‌کارگیری هوش مصنوعی در تدریس بودند، اگرچه بازتاب‌دهندۀ واقعیت موجود در مرحلۀ گذار به فناوری‌های نوین در آموزش و پرورش است، اما می‌تواند تعمیم نتایج به محیط‌هایی با سطح بالای یکپارچگی فناوری را محدود سازد.

پیشنهادهای کاربردی و پژوهشی

پیشنهادهای کاربردی: با توجه به یافته‌ها، وزارت آموزش و پرورش باید برنامه‌های آموزشی دانش فناوری را برای اکثر معلمان اعم از دولتی و غیردولتی ابتدایی اجرا کند، با تمرکز روی ابزارهای رایگان فارسی (مانند ChatGPT) و کارگاه‌های عملی برای خودکارآمدی فنی و دانشی که آمادگی معلمان را افزایش می‌دهد. مدیران مدارس دسترسی اینترنت را در کلاس‌هایی با تراکم زیاد (متوسط ۳۰ دانش‌آموز) بهبود بخشند و اپلیکیشن‌های فرهنگی ایرانی (مانند «ریاضی‌بازی» با مثال‌های محلی) را ادغام کنند تا ادراک از AI به عدالت آموزشی منجر شود. نهایتاً سیاست‌گذاران بودجه‌ای را برای آموزش و آمادگی معلمان اختصاص دهند تا باورهای کارآمدی را در معلمان تقویت کنند و پتانسیل AI محقق شود.

پیشنهادهای پژوهشی: پژوهش‌های آتی، آزمون طولی میانجی‌گری آمادگی معلمان را برای تعدیل‌کننده‌هایی مانند سابقۀ تدریس، مدارس روستایی و شهری، برخودار و کم برخودار انجام دهند تا پایداری و روایی روابط را بررسی کنند؛ مطالعات ترکیبی کمی-کیفی با مصاحبۀ معلمان و مشاهدۀ کلاس‌ها عمق یافته‌های ادراک (مانند علاقه به ابزارهای رایگان) را افزایش دهد؛ گسترش نمونه به سطح ملی 1000 نفر برای مقایسۀ استان‌ها تعمیم‌پذیری را بهبود بخشند و تفاوت‌های فرهنگی (مانند دسترسی در مرزی و مناطق کم‌برخودار) را آزمون کند.

ملاحظات اخلاقی

در اجرای این پژوهش، کلیۀ پروتکل‌های اخلاقی رعایت گردید؛ بدین‌ صورت که پیش از توزیع پرسش‌نامه‌ها، ضمن هماهنگی کامل با مدیران مدارس، رضایت آگاهانۀ معلمان جهت شرکت در مطالعه جلب شد و برای همۀ شرکت‌کنندگان محرمانگی داده‌ها (یعنی ناشناس ماندن) تضمین گردید.

تشکر و قدردانی

از همۀ مدیران و معلمان استان آذربایجان ‌غربی که در این پژوهش همکاری نمودند کمال امتنان و تشکر را داریم.

تعارض منافع

«هیچ‌گونه تعارض منافع توسط نویسندگان بیان نشده است.»