<?xml version="1.0" encoding="UTF-8"?>
<ArticleSet>
  <Article>
    <Journal>
      <PublisherName></PublisherName>
      <JournalTitle>یادگیری، تربیت و آموزش مدارس در هزاره سوم</JournalTitle>
      <Issn></Issn>
      <Volume>2</Volume>
      <Issue>پیاپی 6</Issue>
      <PubDate PubStatus="epublish">
        <Year>1404</Year>
        <Month>12</Month>
        <Day>01</Day>
      </PubDate>
    </Journal>
    <ArticleTitle>Designing a Conceptual Framework for AI-Based Adaptive Curriculum Planning with Emphasis on Learning Analytics and Students’ Individual Differences: An Exploratory Mixed-Methods Study</ArticleTitle>
    <VernacularTitle>طراحی چارچوب مفهومی برنامه‌ریزی درسی انطباقی مبتنی بر هوش مصنوعی با تأکید بر تحلیل داده‌های یادگیری و تفاوت‌های فردی دانش‌آموزان: مطالعه آمیخته اکتشافی</VernacularTitle>
    <FirstPage>1</FirstPage>
    <LastPage>26</LastPage>
    <ELocationID EIdType="doi">10.61838/jltestm.104</ELocationID>
    <Language>FA</Language>
    <AuthorList>
      <Author>
        <FirstName>علی</FirstName>
        <LastName>رادمهر</LastName>
        <Affiliation>هیئت علمی، دانشگاه پیام نور، واحد شهر بابک، کرمان، ایران.</Affiliation>
      </Author>
    </AuthorList>
    <PublicationType>Journal Article</PublicationType>
    <History>
      <PubDate PubStatus="received">
        <Year>1404</Year>
        <Month>09</Month>
        <Day>19</Day>
      </PubDate>
    </History>
    <Abstract>&lt;p&gt;This study aimed to design and validate a conceptual framework for AI-based adaptive curriculum planning with emphasis on learning analytics and students’ individual differences. An exploratory sequential mixed-methods design was employed. In the qualitative phase, 20 experts in curriculum planning, educational technology, artificial intelligence in education, educational measurement and assessment, and learning analytics in Tehran were selected through purposive sampling. Data were collected through semi-structured interviews and analyzed using thematic analysis. Based on the qualitative findings, a researcher-developed questionnaire was constructed and its face and content validity were examined. In the quantitative phase, the questionnaire was administered to 400 upper-secondary students in Tehran selected through multistage cluster sampling. Quantitative analyses included internal consistency reliability, composite reliability, average variance extracted, and confirmatory factor analysis. Model fit was assessed using χ²/df, GFI, AGFI, CFI, TLI, NFI, IFI, RMSEA, and SRMR. The qualitative analysis identified 10 major components: data-driven curriculum infrastructure, learning analytics, identification of individual differences, learner-profile modeling, adaptation of learning objectives and instructional content, adaptation of teaching strategies and learning activities, intelligent assessment and continuous feedback, AI-based decision-making, teacher supervision, and ethical, security, and supportive requirements. In the quantitative phase, standardized factor loadings ranged from 0.67 to 0.91 and Cronbach’s alpha coefficients ranged from 0.86 to 0.92. Composite reliability values ranged from 0.89 to 0.94, while average variance extracted ranged from 0.61 to 0.71. Model-fit indices indicated satisfactory fit: χ²/df=2.19, GFI=0.91, CFI=0.95, TLI=0.94, NFI=0.92, IFI=0.95, RMSEA=0.055, and SRMR=0.046. The findings demonstrated that AI-based adaptive curriculum planning is a multidimensional, dynamic, and data-driven system in which learning analytics and individual differences provide the basis for dynamic learner profiling and intelligent adaptation of curriculum components. Teacher supervision and ethical safeguards function as essential regulatory mechanisms. The acceptable psychometric properties and model-fit indices support the proposed framework as a valid foundation for the development of intelligent and personalized curriculum-planning systems.&lt;/p&gt;</Abstract>
    <OtherAbstract Language="FA">&lt;p&gt;هدف پژوهش حاضر طراحی و اعتبارسنجی چارچوب مفهومی برنامه‌ریزی درسی انطباقی مبتنی بر هوش مصنوعی با تأکید بر تحلیل داده‌های یادگیری و تفاوت‌های فردی دانش‌آموزان بود. این پژوهش با رویکرد آمیخته اکتشافی متوالی انجام شد. در مرحله کیفی، ۲۰ نفر از متخصصان برنامه‌ریزی درسی، تکنولوژی آموزشی، هوش مصنوعی در آموزش، سنجش و اندازه‌گیری و تحلیل داده‌های یادگیری در تهران با روش نمونه‌گیری هدفمند انتخاب شدند و داده‌ها از طریق مصاحبه‌های نیمه‌ساختاریافته گردآوری و با روش تحلیل مضمون بررسی شدند. بر اساس یافته‌های کیفی، پرسشنامه محقق‌ساخته تدوین و پس از بررسی روایی صوری و محتوایی، در مرحله کمی روی ۴۰۰ دانش‌آموز دوره دوم متوسطه شهر تهران که با روش نمونه‌گیری خوشه‌ای چندمرحله‌ای انتخاب شده بودند، اجرا شد. تحلیل داده‌های کمی شامل بررسی پایایی درونی، پایایی ترکیبی، میانگین واریانس استخراج‌شده و تحلیل عاملی تأییدی بود و برازش مدل با استفاده از شاخص‌های χ²/df، GFI، AGFI، CFI، TLI، NFI، IFI، RMSEA و SRMR ارزیابی شد. تحلیل کیفی به شناسایی ۱۰ مؤلفه اصلی شامل زیرساخت داده‌محور برنامه درسی، تحلیل داده‌های یادگیری، شناسایی تفاوت‌های فردی، مدل‌سازی پروفایل یادگیرنده، انطباق اهداف و محتوای آموزشی، انطباق راهبردهای تدریس و فعالیت‌های یادگیری، ارزشیابی هوشمند و بازخورد مستمر، تصمیم‌گیری مبتنی بر هوش مصنوعی، نقش معلم و الزامات اخلاقی، امنیتی و حمایتی منجر شد. در مرحله کمی، بارهای عاملی استانداردشده بین 0.67 تا 0.91 و ضرایب آلفای کرونباخ بین 0.86 تا 0.92 بود. پایایی ترکیبی بین 0.89 تا 0.94 و میانگین واریانس استخراج‌شده بین 0.61 تا 0.71 به دست آمد. شاخص‌های برازش نیز مناسب بودند: χ²/df=2.19، GFI=0.91، CFI=0.95، TLI=0.94، NFI=0.92، IFI=0.95، RMSEA=0.055 و SRMR=0.046. یافته‌ها نشان داد که برنامه‌ریزی درسی انطباقی مبتنی بر هوش مصنوعی ساختاری چندبعدی، داده‌محور و پویا دارد که در آن تحلیل داده‌های یادگیری و شناسایی تفاوت‌های فردی، مبنای شکل‌گیری پروفایل پویا و تصمیم‌گیری هوشمند برای انطباق عناصر برنامه درسی قرار می‌گیرند و نقش معلم و الزامات اخلاقی به‌عنوان سازوکارهای کنترلی و حمایتی عمل می‌کنند. برازش مناسب مدل نیز قابلیت استفاده از چارچوب پیشنهادی را به‌عنوان مبنایی برای طراحی و توسعه سامانه‌های برنامه‌ریزی درسی هوشمند تأیید کرد.&lt;/p&gt;</OtherAbstract>
    <ObjectList>
      <Object Type="keyword">
        <Param Name="value">Adaptive Curriculum Planning</Param>
      </Object>
      <Object Type="keyword">
        <Param Name="value">Artificial Intelligence</Param>
      </Object>
      <Object Type="keyword">
        <Param Name="value">Learning Analytics</Param>
      </Object>
      <Object Type="keyword">
        <Param Name="value">Individual Differences</Param>
      </Object>
      <Object Type="keyword">
        <Param Name="value">Personalized Learning</Param>
      </Object>
      <Object Type="keyword">
        <Param Name="value">Intelligent Curriculum</Param>
      </Object>
      <Object Type="keyword">
        <Param Name="value"> Exploratory Mixed-Methods Study</Param>
      </Object>
      <Object Type="keyword">
        <Param Name="value">برنامه‌ریزی درسی انطباقی</Param>
      </Object>
      <Object Type="keyword">
        <Param Name="value"> هوش مصنوعی</Param>
      </Object>
      <Object Type="keyword">
        <Param Name="value">تحلیل داده‌های یادگیری</Param>
      </Object>
      <Object Type="keyword">
        <Param Name="value">تفاوت‌های فردی</Param>
      </Object>
      <Object Type="keyword">
        <Param Name="value">یادگیری شخصی‌سازی‌شده</Param>
      </Object>
      <Object Type="keyword">
        <Param Name="value">برنامه درسی هوشمند</Param>
      </Object>
      <Object Type="keyword">
        <Param Name="value"> مطالعه آمیخته اکتشافی</Param>
      </Object>
    </ObjectList>
    <ArchiveCopySource DocType="pdf">https://jltestm.com/index.php/jltestm/article/download/104/52</ArchiveCopySource>
  </Article>
</ArticleSet>
