نوع مقاله : مقاله پژوهشی

نویسندگان

• فرزانه دیمه کار حقیقی ¹
• علیرضا حیدری ²
• پریسا یزدان دوست ²
• بهاره خیاطی ²

¹ گروه مدیریت و برنامه ریزی آموزشی دانشگاه شیراز

² دانشگاه شیراز

چکیده

هدف کلی از این پژوهش، ارائه مدل توسعه سواد علم داده با استفاده از هوش مصنوعی در دانش آموزان مبتنی بر پیشایند، فرایند و پیامد با رویکرد سنتزپژوهی و روش فراترکیب نظریه‌ساز بود. بر این اساس، واژه های کلیدی «علم داده»، «سواد علم داده»، «سواد داده»، «هوش مصنوعی»، «هوش ماشینی»، «پشتیبانی هوشمند» «واقعیت مجازی» در مطالعات مرتبط در پایگاه‌های لاتین مانند Wiley، Science Direct، Taylor & Francis، Pro-Quest، Scopus، Emerald و فارسی مگیران، نورمگز و SID، شناسایی و پس از ارزیابی و غربالگری مقالات، نهایتاً تعداد 77 مقاله برای استفاده در پژوهش انتخاب تحلیل شدند. شیوه تحلیل داده‌ها بر مبنای نظریه داده‌بنیاد و شامل کدگذاری باز، محوری و انتخابی بود. یافته‌های پژوهش نشان داد که پیشایندهای توسعه سواد علم داده مبتنی بر هوش مصنوعی در دانش‌آموزان در سه کد محوری چارچوب‌های نظری و راهبردی برنامه درسی، شایستگی‌های معلم و شایستگی‌های دانش‌آموزان و 59 کد باز دسته‌بندی می‌شوند. فرآیند توسعه سواد علم داده در دانش‌آموزان نیز در هشت کد محوری از طریق 13 کد باز (ابزارها و پلتفرم‌های دیجیتال) پشتیبانی می‌گردند، همچینن پیامدهای توسعه سواد علم داده مبتنی بر هوش مصنوعی در دانش‌آموزان در سه کد محوری پیامدهای تحصیلی، فرامعرفتی و عاطفی، و اجتماعی دسته‌بندی می‌شود که در 15 کد باز گسترش یافته‌اند. نتایج بیانگر آن است که توسعه سواد علم داده مبتنی بر هوش مصنوعی دانش‌آموزان را برای مشارکت آگاهانه و مسئولانه در جامعه داده‌محور توانمند می‌کند و ضرورت طراحی برنامه‌های درسی داده‌محور و حمایت از توسعه حرفه‌ای معلمان برای تحقق سواد علم داده مورد تاکید قرار می‌گیرد.

کلیدواژه‌ها

• سواد علم داده
• هوش مصنوعی
• دانش آموزان

موضوعات

• مدیریت اطلاعات و دانش

عنوان مقاله [English]

Developing a Model for AI-Driven Data Science Literacy in Students: A Meta-Synthesis Approach

نویسندگان [English]

• Farzane Deimehkar Haghighi ¹
• alireza heidari ²
• parisa yazdandoust ²
• bahareh khayatti ²

¹ shiraz university

² shiraz university

چکیده [English]

The primary objective of this study was to develop a comprehensive model for fostering AI-driven data science literacy among students. Utilizing a meta-synthesis approach and a theory-building qualitative method, the research integrates precursors, processes, and outcomes into a unified framework. A systematic search was conducted using keywords such as "data science literacy," "artificial intelligence," and "machine intelligence" across prominent international databases (Wiley, ScienceDirect, Taylor & Francis, ProQuest, Scopus, and Emerald) as well as Persian databases (Magiran, Noormags, and SID). Following a rigorous screening process, 77 articles were selected for final analysis. Data were analyzed through grounded theory using open and axial coding. The findings revealed that the precursors of AI-driven data science literacy comprise three main themes: theoretical and strategic curriculum frameworks, teacher competencies, and student competencies (encompassing 59 open codes). The process of literacy development is structured into seven main themes supported by eight specific categories of digital tools and platforms. Additionally, the outcomes are classified into three core dimensions: academic-cognitive, metacognitive-affective, and social-ethical (spanning 15 open codes). The results indicate that this model empowers students for informed and responsible participation in a data-driven society. Ultimately, the study emphasizes that achieving robust data science literacy necessitates data-centric curricula and sustained professional development for teachers to transition from traditional roles to AI-augmented learning facilitators.

کلیدواژه‌ها [English]

• Data Science Literacy
• Artificial Intelligence
• Students