Kujifunza kwa Kujidhibiti

Tafsiri ya kiotomatiki ya ukurasa huu wa Kiingereza, ambayo haijakaguliwa na mzungumzaji mzawa.

Kujifunza kwa Kujidhibiti (SRL) huelezea wanafunzi kama washiriki wenye nguvu ambao wanaweza kuunda na kukuza hatua zao za kiakili na za tabia kwa njia ya mafanikio. Zana za AI zinaweza ama kutoa ngazi za msaada kwa maendeleo ya SRL au bila kukusudia kuvuruga mchakato huo kwa kuondoa mahitaji ya kujidhibiti yanayojenga utaalam.(Designing a mobile chatbot-based learning journaling system for intrinsic motivation and engagement)(The Evidence Base on AI in K-12: A 2026 Review) Ushahidi wa muda mrefu unaweka tofauti hii kwa uwazi: matumizi ya kutafakari yanayozunguka zana ya AI yalitabiri ufikiri mahususi (β = 0.43) lakini si kupata maarifa, na upatikanaji wa zana peke yake haukubadilisha lolote.(Generative AI and Learning Dynamics in Higher Education: A Longitudinal Empirical Study)

Maswali ya Kutafakari

• SRL inaelezea wanafunzi wanaodhibiti kujifunza kwao kwa njia ya nguvu kupitia awamu tatu: fikira ya awali (kuweka malengo, kupanga, uwezo binafsi), utendaji (mkakati, kujichunguza), na kutafakari (tathmini, kubadilika). Kabla usome, ni awamu ipi unayoifanya vizuri kweli — na ni ipi unayoiruka licha ya kujua bora zaidi?
• Msisongo wa msongo wa mawazo wa ukurasa huu: AI inaweza kutoa ngazi za msaada kwa kujidhibiti au kuvuruga mchakato huo kwa kuondoa mahitaji ya kujidhibiti yanayojenga utaalam. Je, zana inayofanya kazi kuwa rahisi inawezaje kukufanya mdhibiti dhaifu zaidi wa kujifunza kwako — na unaweza kuuhisi tofauti huo katika matumizi yako mwenyewe?
• Wanafunzi mara nyingi wanaonyesha "upungufu wa uzalishaji": wanamiliki maarifa ya kujidhibiti lakini hawayawezi kuyatumia bila kuhimizwa — wakimwomba chatbot "kutoa mawazo makuu" na kuruka kupanga na kufuatilia kabisa. Je, umewahi kujikuta ukifanya kile kinachofanana na hiki kiakili, hata ukitambua mkakati bora zaidi?
• Msaada unapokuwepo, hukumu yako mwenyewe inaweza kutoweka: katika utafiti mmoja wa data ya uchunguzi, msaada uliopatikana — si usahihi wa kimetaji wa mwanafunzi — ndio ulioamua mkakati wa marekebisho uliochaguliwa. Ikiwa msaada wa nje unaibatilisha mtazio wako juu ya kujifunza kwako, ni hukumu ipi ungeihifadhi kwa makusudi mikononi mwako?
• Utafiti uligundua pengo la "miscalibration": wanafunzi wanaweza kuhisi wanajifunza zaidi na GenAI hata wanapohifadhi kidogo — wakipendelea AI kuliko kuchukua maelezo licha ya uhifadhi dhaifu. Ukihisi unajitengenezea tija unapotumia zana, ungegunduaje kweli kwamba hufanyi zaidi ya kujifunza?
• Iwe GenAI itafanya kazi kama ngazi za msaada, njia ya mkato, au mshirika, inategemea zaidi uwezo wa kujidhibiti wa mwanafunzi kuliko zana yenyewe. Lakini ukurasa huu pia unaonyesha kuwa kujidhibiti kunapunguza — lakini hakukomeshi — madhara ya kupunguza mzigo wa kiakili kwa kiwango kikubwa. Je, onyo hilo la "kupunguza lakini hakukomeshi" lina maana gani kwa kubuni zana bora za AI?
• Weka lengo kabla ya kusoma: chagua kazi moja unayotumia AI kwake kwa kawaida, na amua mapema ni awamu ipi ya tatu ya SRL (fikira ya awali, utendaji, kutafakari) utailinda kwa makusudi isiotekelezwe kiotomatiki. Ni matokeo yapi yatakuonyesha kuwa imefanikiwa?

Utangulizi

SRL ni mchakato ambao kupitia wake wanafunzi wanadhibiti kujifunza kwao kwa njia ya nguvu kupitia awamu tatu zinazohusiana:

1. Fikira ya awali: Kuweka malengo, kupanga kwa mkakati, imani za Uwezo Binafsi
2. Utendaji: Utekelezaji wa mkakati, kujichunguza, kuzingatia umakini
3. Kutafakari: Tathmini Binafsi, upatikanaji wa sababu, kubadilika

Wanafunzi wenye uwezo wa kujidhibiti hutumia mikakati ya kiakili ili kuboresha mafanikio na kutumia Metaji (Kufikiri Kuhusu Kufikiri) ili kuboresha mchakato wao wa kujifunza kwa kuendelea.(Designing a mobile chatbot-based learning journaling system for intrinsic motivation and engagement)

Kazi ya kiuchunguzi katika kozi inayoendeshwa na teknolojia inathibitisha viungo vya awamu: katika utafiti wa wiki nane wa stochastik inayobadilika (wanafunzi 194), thamani ya kazi, uwezo binafsi, mwelekeo wa malengo, na hisia chanya katika awamu ya kabla ya hatua zilitabiri tabia ya kujidhibiti ya hatua huku hisia hasi zikizuiwa, na kuridhika baada ya hatua kulituma mbele katika awamu inayofuata ya kabla ya hatua (Mejeh & Fromm (2026)).

Ramani ya kimfumo ya masudio 84 ya AI–SRL iligundua utafiti ukizingatia wanafunzi wa elimu ya juu na vipimo vya kimetaji na vya kiakili vya kujidhibiti, huku kipimo cha motisha kikichunguzwa kidogo na zaidi ya theluthi moja ya masudio bila kubainisha nadharia yoyote ya SRL kabisa (Banihashem et al. (2025)).

Kwa ujumla, SRL inayozunguka AI inaundwa na mtazio pamoja na tabia: Yilmaz et al. wanaonyesha kuwa iwapo wanafunzi wanahisi maoni yanatoka kwa AI au kwa binadamu huathiri kwa kiasi kikubwa kujifunza kwao kwa kujidhibiti na tabia ya marekebisho — ukumbusho kuwa muundo wa kijamii wa AI, si maudhui yake tu, hubadilisha jinsi wanafunzi wanavyojidhibiti wanapozunguka.

Njia moja ya kushindwa ipo kabla ya kujidhibiti kuanza: ucheleweshaji wa kujifunza kwa msaada wa GenAI — kuchelewa bila haja kuanza kazi inayosaidiwa na GenAI licha ya nia halisi ya kuitumia. Miongoni mwa wanafunzi 1,243 wa chuo kikuu wa Kichina, matumizi ya GenAI ya mara nyingi zaidi yalihusishwa na kiwango kidogo ya huo (β = −0.195), na wasiwasi wa kujifunza GenAI uliimarisha kiungo cha nia-kuchelewa (Li et al. (2026)).

Mahali GenAI inapoingia katika mzunguka ndipo huamua athari yake: kwa kupanga awamu za fikira ya awali, utendaji, na kutafakari za Zimmerman katika miktadha inayoendeshwa na AI, mfumo wa wakala-wengi unadai kuwa sehemu ya kuingia huamua iwapo zana inaimarisha au inaharibu hisia ya udhibiti ya mwanafunzi, na kuwa kupunguza mzigo husaidia kujifunza kwa kubadilika tu wakati uamuzi ni wa kukusudia badala ya ya kawaida (Poudyal (2026)).

Utafiti wa msalaba wa wanafunzi 434 wa elimu ya mahususi unapima mlolongo mmoja kama huo: ujuzi wa GenAI ulihusishwa kwa njia chanya na tabia za kujifunza kwa kujidhibiti zinazosaidiwa na GenAI (B ya jumla = 0.701), ukipita hasa kupitia wakala wa kujifunza (B = 0.345) badala ya hisia za changamoto (B = 0.061) (Yang et al. (2026)).

Msaada wa Kidijitali kwa SRL

Dihari za Kujifunza

Dihari za kujifunza ni uingiliaji wa SRL unaowekea tumaini: kwa kutafakari juu ya michakato yao ya kujifunza, wanafunzi huongeza ufahamu wa mchakato wa kiakili na kuimarisha uwezo wa kujidhibiti. Mambo muhimu ya kubuni:

• Muundo ni muhimu: Dihari za wazi mara nyingi huzalisha maingizo ya kina kidogo; ilani zilizo na mwongozo na mifano ya kufuatilia huongeza kina
• Kupungua kwa motisha: Programu za dihari za simoni mara nyingi huona ushirikiano ukishuka kwa kasi baada ya siku chache
• Ubadilishanaji wa ngazi za msaada: Msaada wa AI unaoandikia wanafunzi maandiko ya kutafakari unaharibu mazoezi ya SRL; msaada unaopanga ilani bila kuandika maudhui unahifadhi mazoezi hiyo

Dashibodi zinazowasilisha profaili za SRL kwa walimu

Mejia-Domenzain et al. (2026) wanapanua msaada wa kidijitali wa SRL upande wa mwalimu: dashibodi yao ya Takwimu za Kujifunza (DashED) inawasilisha profaili za kujifunza kwa kujidhibiti zilizotokana na ML kwa walimu katika madarasa yaliyochanganywa, na jinsi walimu wanavyotenda kulingana na profaili hizo inategemea muktadha. Katika matumizi, walimu wa darasa la kugeuza (chuo kikuu) walifuata uchunguzi wa mlolongo na wakapendelea mabadiliko ya ngazi ya kozi na kuonyesha dashibodi darasani, wakati walimu wa ufundi walirudia kurasa za muhtasari na kutumia zana hasa kwa vikao vya mafunzo ya kibinafsi. Hatua walimu walizopendekeza ziliundwa na maudhui yaliyowakilishwa na ngazi yao ya kufundisha badala ya aina ya chati — walimu wa chuo kikuu walipendelea majaribio ya kila wiki na mabadiliko ya kozi, walimu wa ufundi mafunzo ya moja kwa moja na ya kibinafsi. Hii inaweka dashibodi kama ngazi za msaada kwa udhibiti wa mwalimu wa mafunzo, na mahitaji ya kubuni yanayotofautiana kwa miktadha badala ya kiolesura kimoja bora zaidi.

Kipengele kinachomkabili mwanafunzi ni cha uhaba mkubwa zaidi: dashibodi iliyoonyesha wanafunzi 46 wa sekondari ilani zao za GenAI na mwingiliano wa maandishi yao na majibu ya mfano ilifunguliwa na theluthi moja tu ya darasa, hivyo kuifanya maelezo ya hiari — badala ya uonyeshaji mwenyewe — kiwezuio kikuu (Fong et al. (2026)).

Jaribio la 2×2 la Scheu et al. (2026)

Katika jaribio la kubahatisha la uwanja la wanafunzi 179 kwa siku 22, kanuni mbili za kubuni zililinganishwa:

Ufahamu muhimu: Kozi iliboresha ujuzi wa SRL na motisha ya kiasili kupitia uhamisho wa ujuzi, huku msaidizi akiimarisha ushirikiano bila kuathiri motisha.(Designing a mobile chatbot-based learning journaling system for intrinsic motivation and engagement)

Zana za AI na Mzunguko wa Uhusiano wa SRL–Motisha

Kanuni msingi ya nadharia ya SRL ni kwamba ujuzi wa kujidhibiti na Motisha huunda uhusiano wa pande mbili:

• SRL bora zaidi → kujifunza kwa mafanikio zaidi → uwezo binafsi wa juu zaidi → motisha yenye nguvu zaidi
• Motisha ya juu zaidi → ushirikiano wenye juhudi zaidi → mazoezi bora zaidi ya SRL

Zana za AI zinaweza kuingia katika mzunguko huu katika sehemu tofauti:

• Ubuni wa SRL-kwanza (mfano, kozi zilizopangwa, vidokezo vilivyo na ngazi, ilani za kutafakari): Huimarisha mzunguko kwa kujenga ujuzi halisi
• Ubuni wa ushirikiano-kwanza (mfano, kukamilisha kiotomatiki, kuzalisha maudhui): Inaweza kuongeza ushirikiano wa tabia bila kuingia katika mzunguko wa motisha, ikitia hatarini utegemezi wa zana

Udhibiti wa Mkakati wa GenAI kama SRL

Kim (2026) anafikiria upya matumizi yenye ufanisi ya GenAI katika uandishi wa kitaaluma kama udhibiti wa mkakati — mazoezi ya SRL yanayotekelezwa ya kuhakiki, kurekebisha, kukubali kwa uteuzi, au kukataa matokeo ya AI. Katika utafiti wa mbinu mchanganyiko wa wanafunzi 107, wasiwasi wa AI wa juu zaidi ulihusishwa kwa njia chanya na kuhakiki na marekebisho (β=.24), huku uwezo wa kutathmini ukitabiri marekebisho yenye nguvu na uunganishaji wa uteuzi (β=.46). Wanafunzi walijikusanya katika aina nne za kujidhibiti — Utegemezi bila Ukosoaji (18.7%), Uunganishaji wa Uteuzi (34.6%), Mabadiliko ya Kutathmini (31.8%), na Kukataa kwa Mkakati (14.9%) — yakionyesha kuwa Ujuzi wa AI katika Elimu ya Juu hufanya kazi si kama kukubali bali kama uwezo wa kujidhibiti unaotegemea Hukumu ya Kutathmini na wajibu wa kimaadili. Hii inaweka SRL kama mbinu kuu inayotofautisha matumizi ya uhakiki na yale bila uhakiki ya AI.

Utawala wa zana yenyewe ni kipimo kinachopimika: uthibitishaji wa viwawili viwili na wanafunzi wa EFL wa Kichina (EFA N = 305; CFA N = 342) kinatenganisha vipimo sita vya kujidhibiti na kuweka jina udhibiti wa mazingira — kukagua matokeo yaliyozalishwa kwa usahihi, kuchuja nyenzo zinazopendekezwa, na kuweka mipaka ya utegemezi — kama kipimo kimoja cha pekee (Wang, Zhang na Zhang (2026)).

Gawa kabla ya kukabidhi: Tsim na Gutoreva (2025) wanabadilisha kujidhibiti kuwa itifaki ya kila kazi — weka lebo kila kazi ndogo Kubadilisha, Kukamilisha, Kusaidia au Haiwezi Kupunguzwa, thibitisha kwa dokezo fupi la kimetaji, na hifadhi rekodi ya ukaguzi ya ilani, rasimu na marekebisho ya binadamu — huku mzunguka ukirudiwa ili kazi moja ya ugawaji iarifu inayofuata. Mwingiliano wenyewe kama kitu cha kudhibitiwa. Brunnström na Palmqvist (2026) wanarekodi mahitaji ya udhibiti yale yale kutoka upande mwingine: katika maelezi ya mizunguko nane yanayotumia chatbot kuandaa jibu la mtihani wa nyumbani, matokeo ya chaguo-msingi ya AI yalibaki katika mwisho wa kiidadi, multistruktura wa taksonomia ya SOLO — yaliyopangwa vizuri, tayari kuwasilishwa na nyembamba kieledu — na yalifikia mzunguko wa kujifunza wa hatua tatu unaotumika tu baada ya mabadiliko ya ngazi ya meta yanayorudiwa ("hili ni mengi sana, unaweza kulifupisha?"). Hitimisho lao ni kuwa matumizi yenye tija yalihitaji "ujuzi halisi wa kujidhibiti ambao zana ilitarajiwa kusaidia": mwanafunzi lazima aweke malengo ya kuongezeka, ombe marekebisho ya ugumu, na kutafakari juu ya ambacho bado hakitafahamika, juu ya maudhui ya taaluma yenyewe. Wanaweka jina uwezo huu ujuzi wa mwingiliano wa AI na kuchukulia kuacha kutumia zana kama uamuzi halisi wa kujidhibiti badala ya kushindwa kuendelea (Metaji (Kufikiri Kuhusu Kufikiri)).

• Kuridhika si kujidhibiti. Liang et al. (2026) walichunguza wanafunzi 689 wa kozi za viwanda-elimu na kupima mfano wa upatanishi wa mlolongo ambao upatikanaji unaohisiwa wa maudhui yaliyozalishwa na AI huongeza Uwezo Binafsi ya AIGC (beta = 0.583) na, kupitia hayo, motisha ya kujifunza (beta = 0.565) na kujifunza kwa kujidhibiti (beta = 0.250), huku motisha ikiwa mtabiri mkuu mmoja wa SRL (beta = 0.527). Matokeo hasi yenye uzito yapo pamoja na njia hizo: ubora wa maoni ya tathmini ya AI ulitabiri kuridhika kwa nguvu (beta = 0.712) lakini si uwezo binafsi (beta = 0.131), na kuridhika hakukuwa na athari ya kiwango cha kuthibitisha juu ya kujifunza kwa kujidhibiti (beta = 0.032). Msaidizi anayependwa na anayefanya kazi vizuri kwa hivyo si ushahidi kwamba udhibiti uliboreshwa — mbinu hupita kupitia ujasiri na motisha, si kupitia uzoefu wa mwanafunzi wa zana.

Kutafakari kunakojua GenAI kama SRL

Mfumo wa Kutafakari wa 5P (Kadel et al. 2026) unaweka tena kutafakari kunakopangwa katika enzi ya GenAI kama mazoezi ya SRL yanayotekelezwa. Kwa sababu wanafunzi wanazidi kuunda maana pamoja na AI, miundo ya jadi ya kutafakari inashindwa kuthibitisha kutafakari kwa mwanafunzi, hivyo mfumo wa 5P (Kusudi, Mchakato, Bidhaa, Mitego, Mpango) huunganisha kuweka malengo kunakoelekezwa na fikira ya awali, kutafakari-wakati-wa-kitendo (kurekodi ilani na mizunguko), kutafakari-juu-ya-kitendo (kuthibitisha matokeo ya uwezekano dhidi ya vyanzo vya nje), awamu wazi ya mitego kwa kutunga vitu visivyokuwepo, wizi wa kitaaluma, na utegemezi kupita kiasi, na mpango unaoelekea mbele — huku ukifuatilia hisia kila sehemu. Falsafa yake ya "mchakato juu ya bidhaa" huchukulia nyaraka zilizopangwa za mwingiliano wa binadamu–AI kama mahitaji ya kujidhibiti ambayo huhifadhi uhalisi, Wakala wa Mwanafunzi, na kina cha kimetaji, huku ikiweka kutafakari kunakojua GenAI kama ngazi za msaada kwa kujidhibiti badala ya mbadala wake.

Uhusiano na Ubuni Mahususi wa Mafunzo ya Kibinafsi

AI ya mafunzo ya kibinafsi mahususi inalingana na ubuni wa SRL-kwanza: hutoa ngazi za msaada zilizo na viwango ambazo huhifadhi Wakala wa Mwanafunzi na kuhitaji kujidhibiti kwa mkakati. AI ya matumizi ya jumla mara nyingi huondoa mahitaji ya kujidhibiti kabisa.(The Evidence Base on AI in K-12: A 2026 Review)

Kwa mfano:

• Chatbot ya mafunzo ya kibinafsi mahususi ya Bastani et al. ilihifadhi mantiki ya hatua kwa hatua (mahitaji ya SRL)
• Toleo la GPT la matumizi ya jumla lilitoa majibu tu (kupitisha SRL)

Ushahidi katika Miktadha Mbalimbali

• Ushahidi mchanganyiko na pengo la miscalibration. Mapitio ya haraka ya utafiti wa GenAI wa PreK-12 yanagundua mapato ya kimetaji wakati wa kazi zinazosaidiwa mara nyingi hayaendelei wakati msaada unapoondolewa, na kuwa GenAI inaweza kuongeza kujifunza kunakohisiwa hata pale kujifunza kwa kudumu hakupo (pengo la miscalibration — wanafunzi walipendelea GenAI kuliko kuchukua maelezo licha ya uhifadhi dhaifu). Wanafunzi wanahitaji mafunzo ya wazi na yanayofaa kwa awamu ili kuamua nini cha kukabidhi na wakati uwe juhudi huria unafaa.(Young People, Learning, and Generative AI: A Rapid Literature Review and Implications for PreK-12 Education)
• Uwakala wa nia dhidi ya msisongo wa kujidhibiti. Woollaston et al. (2026) wanabainisha kuwa kadiri mawakala wanavyozidi kiotomatisha kazi, kadiri kazi kidogo ya kiakili ya kujidhibiti inayofanywa na mwanafunzi — hivyo miundo inapaswa kuwapa wanafunzi udhibiti wa kuanzisha mawakala (ngazi za msaada zinazopungua kwa mtiririko) ili kuhifadhi uwezo wa kujidhibiti badala ya kuukabidhi nje.
• Kujidhibiti huunda matumizi ya msaidizi wa kodi ya AI. Utafiti wa wasaidizi wa kodi ya AI uligundua wanafunzi wenye Fikra za Kihesabu wa juu kuonyesha muundo thabiti zaidi wa kujidhibiti (kupanga-utekelezaji-kutafakari) na kutumia AICA kwa ufahamu wa kodi, huku wanafunzi wenye CT ya chini wakiitumia kwa upatikanaji wa haraka wa majibu.
• SRL hutokea pamoja na kuchanganyikiwa kidogo na kidijitali katika kujifunza mtandaoni. Shi et al. (2026), wakitumia uchimbaji wa data bila usimamizi kwa wanafunzi 530 wa chuo kikuu, waligundua mikakati ya SRL — kuweka malengo, kupanga mazingira, na usimamizi wa muda — ikitokea kwa uthabiti zaidi na kuchanganyikiwa kidogo na kidijitali katika kujifunza mtandaoni, pamoja na ushirikiano wa mwanafunzi-mkufunzi na wa mwanafunzi-maudhui. Utafiti huweka mafunzo halisi ya SRL kama uingiliaji wa manufaa makubwa kwa masomo ya mtandaoni yanayozingatia umakini.
• Ufahamu wa kimetaji, si upatikanaji wa zana, ni mwendeshaji mwenye nguvu zaidi wa utendaji unaobadilika wa STEM. Alatoai na Alshahri (2026) walijenga na kuthibitisha AI-STEM-MLCS kwa wanafunzi 649 wa sekondari nchini Saudi Arabia (CFI = 0.983, RMSEA = 0.019; McDonald's ω = 0.888 hadi 0.905) na waligundua vipimo vyake vinne vikielezea 68% ya tofauti katika utendaji wa kujifunza kwa kujidhibiti (R² = 0.68). Ufahamu wa kimetaji unaotegemea AI ulikuwa mtabiri mwenye nguvu zaidi (β = 0.38, p < 0.001), ukifuatiwa na uhamisho wa kiakili na uwezo wa kubadilika (β = 0.29, p = 0.008) na kujifunza kwa kujidhibiti kunakoboreshwa na AI (β = 0.21, p = 0.040), huku ufikiri wa ubunifu na wa uhakiki wa AI-STEM usikitabiri kigezo (β = 0.14, p = 0.135). Waandishi wanasoma mpangilio huo kama ushahidi kuwa maoni ya kubadilika yanapandisha utendaji wa STEM hasa kwa kuwahimiza wanafunzi kuchunguza makosa, kurekebisha upimaji, na kutumia tena mikakati, hivyo kifaa kinafanya kazi bora zaidi kama uchunguzi unaopata pengo za kujifunza-meta kuliko alama moja ya jumla. Ni kipimo cha kujitangaza kilichothibitishwa katika mfumo mmoja wa kitaifa, hivyo viwango ni vya muda.
• Msaada wa nje unaweza kupitisha hukumu ya kimetaji ya mwanafunzi mwenyewe. Iqbal et al. (2026) walifuatilia wanafunzi 87 wa EFL wakirekebisha insha chini ya msaada wa GenAI (ChatGPT 4.0), mtaalamu-wa-binadamu, au bila msaada. Hali ya msaada ilikuwa kinachohusiana kwa nguvu zaidi na mkakati wa marekebisho aliochagua mwanafunzi (Cramér's V = 0.668), mbele ya kubeba kutoka kwa kazi ya uandishi iliyotangulia (V = 0.333), huku usahihi wa hukumu ya kimetaji (p = 0.172), ujuzi wa uandishi (p = 0.261) na Motisha (p = 0.683) visivyohusishwa. Hukumu ya kimetaji ilifuatilia mkakati tu wakati hakuna msaada uliopatikana (mtihani wa mbadala p = 0.0460). Wanafunzi wenye msaada wa GenAI walipata zaidi (takribani pointi 4 kwa wastani chini ya mkakati wa kupunguza-utafutaji-wa-msaada, dhidi ya pointi −0.5 kwa mkakati huo huo chini ya msaada wa mtaalamu wa binadamu), hata hivyo hakuna mkakati wa marekebisho uliohusishwa na mabadiliko ya alama (H(3) = 3.895, p = 0.273), hivyo mapato yalitoka kwa zana badala ya kwa kujidhibiti bora zaidi. Mwelekeo wa waandishi ni kuwa GenAI inapaswa kuhimiza kutafakari juu ya mkakati wa marekebisho wa mwanafunzi badala ya kutoa msaada wa moja kwa moja.
• Matumizi ya kutafakari hufuatilia ufikiri mahususi, si kupata maarifa. Melanou et al. (2026) walifuatilia madarasa matatu yanayosindana ya wanafunzi wa taarifa za biashara (N = 87) kwa kozi ya wiki tisa, huku maarifa yakipanda katika kila kikundi (F(1, 50) = 29.87, p < 0.001, η²p = 0.374) na bila faida ya AI, bila mwingiliano wa Muda × Kikundi, na bila athari ya Matthew (F(1, 48) = 2.46, p = 0.124; BF01 = 8.70). Matumizi ya kutafakari (kukagua vyanzo na kuthibitisha matokeo ya AI kabla ya kuyakubali) yalikuwa juu zaidi kwa kiasi kikubwa katika hali ya AI (3.72 dhidi ya 2.82; F(1, 40) = 20.21, p < 0.001) na yalitabiri ufikiri mahususi (β = 0.43, p < 0.001) lakini si kupata maarifa, ambayo mzigo wa kiakili unaofaa ulitabiri (β = 0.51, p = 0.001). Usomaji wa vitendo ni kwamba upatikanaji wa AI yenyewe si uingiliaji, na kuwa faida yake ya kimetaji hutokea katika ubora wa mantiki kabla ya kutokea katika alama za majaribio.
• Muundo, si AI peke yake, huongoza faida za SRL. Kuweka awamu za Zimmerman juu ya mafunzo ya mseto yanayotegemea mradi na AI kama ngazi za msaada za metaji kulizalisha N-Gain ya 0.72 dhidi ya 0.28 kwa mafunzo ya kawaida (t = 8.47, p < 0.001, Priyambudi na wenzake (2026)), ambao wanadai kuwa AI inaimarisha kujidhibiti tu ndani ya muundo wa kazi — matumizi bila muundo yana hatari ya uvivu wa metaji.

SRL Inayoendeshwa na LLM: Ngazi za Msaada, Njia ya Mkato, au Mshirika?

Kundi la masudio ya Learning Letters (2026) linakubaliana juu ya msisongo mmoja wa msongo: GenAI inaweza kutoa ngazi za msaada, kuvuruga, au kushirikiana na kujidhibiti kulingana na ubuni na jinsi wanafunzi wanavyodhibiti matumizi yake. Ushahidi unaonyesha SRL yenyewe — si zana — kama kibadilika cha kuamua.

• Viberg et al. wanagundua kuwa LLM zimesokwa katika mfumo wa tabaka za Kutafuta Msaada badala ya kuchukua nafasi ya msaada wa binadamu: wanafunzi hujaribu kazi peke yao kwanza, kisha washauriane na ChatGPT kama hatua ya kwanza ya vizingiti vidogo, marika kwa majadiliano ya dhana, na walimu kwa masuala ya hatari kubwa. Wanapendelea utafutaji wa msaada wa zana (vidokezo, mwongozo wa hatua kwa hatua) kuliko utafutaji wa msaada wa uendeshaji (suluhisho za moja kwa moja), wakitumia Uaminifu kwa uteuzi na kuthibitisha matokeo dhidi ya nyenzo za kozi — mchakato wa hatua nne (kuamua iwapo msaada unahitajika, kuchagua nani wa kuulizwa, kuamua aina ya msaada, kuhukumu msaada uliopokelewa) ambao unaweza kupimwa na kufundishwa.
• Atif & Dickson-Deane wanaweka matumizi ya GenAI kama Kupunguza Mzigo wa Kiakili ambayo inaweza kuwa imejaa ngazi za msaada (wanafunzi wanakataa na kubadilisha matokeo ya AI, wakihifadhi Wakala wa Mwanafunzi na kuelewa) au ya kubadilisha (wanafunzi wanakubali matokeo kwa uthibitisho mdogo, wakihamisha udhibiti kwa zana). Katika utafiti wa wanafunzi 67 wa chuo kikuu cha IT, zana hiyo hiyo inaweza kutoa ngazi za msaada au njia ya mkato kwa SRL kulingana na mkakati wa mwanafunzi — watumiaji wenye uaminifu walionyesha wakala katika kuweka malengo na kufuatilia; watumiaji wenye uaminifu mdogo waliona GenAI kama njia ya mkato au tabia mbaya.
• Lim & Bannert wanaonyesha hatari kwa uwazi: wanafunzi walitumia chatbot ya genAI kwa hiari (73%) na walipata alama za juu kwa insha, lakini walipunguza mzigo wa ufahamu na muunganisho (wakimwomba chatbot "kutoa tu mawazo makuu") na hawakufanya kupanga au kufuatilia karibu kabisa — wakikabidhi nje maamuzi muhimu ya kujidhibiti. Hii inaakisi upungufu wa uzalishaji: wanafunzi wanamiliki maarifa ya SRL lakini hawayawezi kuyatumia bila kuhimizwa, hivyo zana za genAI zinapaswa kuhimiza kutafakari (ngazi za msaada za kufuatilia) wakati maswali yanaonyesha kupunguza mzigo.
• Song et al. wanaonyesha kuwa SRL ni uwezo thabiti na hali inayobadilika: mistari ya msingi ya mtu binafsi ni thabiti, lakini maarifa ya kimetaji na Ustawi hushuka kwa mfumo katika kipindi cha muhula, yakichochewa na tarehe za tathmini. Wanaonyesha GenAI inaweza kufanya kazi kama mshirika wa kujifunza anayejua muktadha inapopewa data ya kibinafsi, ya muda, na ya muktadha — kuwasaidia wanafunzi bila kuchukua nafasi ya juhudi zao. Hii inapinga ubinafsishaji wa "moja-kwa-wote-kwa-mara-moja" unaotegemea uwezo wa msingi peke yake.
• de Barba anapanua SRL kwa nadharia, akidai uwanja umepungua kwa kujidhibiti kwa kazi na kwa vigezo vya tabia vinavyoweza kuboreshwa katika teknolojia ya elimu. Karatasi inapendekeza akaunti ya kuvuka viwango vya wakala wa mwanafunzi — kujidhibiti (ndani ya kazi), ujumuishaji (kupitia muda na miktadha), na kuweka nafasi (kwa uhakiki kuhusu masharti yanayounga mkono kujifunza) — kama mwelekeo wa kubuni kwa miktadha inayoendeshwa kwa algoriti.
• Kujidhibiti hupunguza lakini hakukomeshi madhara ya kupunguza mzigo. Chen (2026) anaonyesha kuwa uandishi wa kujidhibiti hupunguza — lakini haiondoi — uhusiano hasi kati ya kupunguza mzigo wa Kupunguza Mzigo wa Kiakili kwa kina na matokeo huria bila AI katika uandishi unaosaidiwa na GenAI: mwingiliano wa kupunguza-mzigo-kwa-SRL ulikuwa chanya (B = 0.22), ukipunguza madhara kutoka mteremko wa −0.54 (SRL ya chini) hadi −0.33 (SRL ya juu) lakini bila kuukomesha. Hali ya msaada ulio na mipaka inayoweka pamoja vikomo vya kukabidhi na kutafakari kwa lazima ilizalisha utendaji huria wenye nguvu zaidi, ushahidi kwamba kujidhibiti kwa kimetaji hulinda wanafunzi kwa sehemu lakini hakuwezi kufidia kikamilifu kukabidhi kazi yenyewe ya kiakili.

Mahali kukodisha unakaa ndani ya mifano ya Winne. de Barba (2026) anapanga mbinu juu ya SRL kama shughuli zinazofanywa na mfumo mahali pa mwanafunzi: kugundua, kufuatilia na hukumu ya kutathmini hufanywa na zana, kizuizi huelekezwa na utafutaji badala ya chaguo la If-Then, Else ya mwanafunzi mwenyewe, na viwango ambavyo mwanafunzi hukemia navyo hukopwa badala ya kujengwa. Uwezo ambao mwanafunzi anaamini anaouweka huku zana ikiwa nao — kukodisha kwa siri — huzuia ishara ya hitilafu ambayo vinginevyo ingehimiza kujidhibiti, na maazimio kumi yanabainisha nini cha kupima, ikijumuisha gharama kubwa zaidi katika kuzoea taaluma na viwango kuelekea sehemu za kurejelea za mfano mwenyewe.

Somo la pamoja: SRL ni mbinu kuu inayotofautisha matumizi ya uhakiki na yale bila uhakiki ya AI. Iwe GenAI itafanya kazi kama ngazi za msaada, njia ya mkato, au mshirika, inategemea uwezo wa kujidhibiti wa wanafunzi na iwapo zana zimebuniwa kuhifadhi (badala ya kuondoa) mahitaji ya kujidhibiti yanayojenga utaalam.

Ni msaada upi unaochukua nafasi huamua mpatanishi yupi anayebeba uhusiano: miongoni mwa walimu 3,003 wa awali-wa-huduma wa Kichina, msaada wa zana ya AI unaohisiwa ulipata uwezo wa ubunifu hasa kupitia Uwezo Binafsi ya AI (60.88% ya athari ya jumla ya njia hiyo), huku msaada wa mazingira ya akili ya shule unaohisiwa ukipita hasa kupitia kujifunza kwa kujidhibiti (29.64% dhidi ya 18.60%) (Liu et al. (2026)).

Athari

• Kwa zana za dihari/chatbot: Unganisha mafunzo ya SRL (yanayotegemea kozi) na msaada wa hiari wa uandishi ili kupata mapato ya motisha na ya ushirikiano
• Kwa wabuni wa zana: Fanya tathmini hatua inayohitajika, si ya hiari. Iqbal et al. waligundua kuwa msaada uliopatikana — si hukumu ya kimetaji ya mwanafunzi — ndio ulioamua mkakati wa marekebisho waliotumia wanafunzi na kuwa mapato ya alama ya GenAI hayakutoka kwa kujidhibiti bora zaidi, huku Melanou et al. wakigundua matumizi ya kutafakari yalitabiri ufikiri mahususi ambapo upatikanaji wa zana peke yake haukufanya. Mwingiliano unaowauliza wanafunzi kuhakiki, kulinganisha, na kupanga upya ni yale yanayobeba thamani ya kujifunza.
• Kwa walimu: Chukulia ufahamu wa kimetaji unaotegemea AI kama kigezo cha kwanza na kikague kwa uwazi. Alatoai na Alshahri waligundua ni mtabiri mwenye nguvu zaidi wa utendaji unaobadilika wa STEM (β = 0.38) na kuwa uhamisho na uwezo wa kubadilika vilikuja pili (β = 0.29), hivyo shughuli zinazowafanya wanafunzi kuchunguza makosa na kubeba mkakati katika muktadha mpya wa tatizo hufanya zaidi ya uhimizaji wa jumla kwa ufikiri wa uhakiki au wa ubunifu.
• Kwa sera ya AI: Vigezo vya ununuzi vinapaswa kuuliza iwapo zana inaendeleza au inachukua nafasi ya kujidhibiti
• Kwa watafiti: Masudio ya muda mrefu yanayopima matokeo ya SRL (si tu utendaji wa haraka) ni muhimu; Melanou et al. wanaonyesha faida ya uvumilivu huo, kwa kuwa matumizi ya kutafakari ya muhula mmoja yalibadilisha ufikiri mahususi (β = 0.43) bila kubadilisha kupata maarifa.

Mawakala wa Mazungumzo na SRL katika Michezo ya Kuiga

• Mawakala wa mazungumzo wanaosaidia kujifunza kwa kujidhibiti katika michezo. Wenzel, Geiger, na Liening (2026) wanaonyesha kuwa mkala wa mazungumzo wa AI (Lara) katika mchezo wa Uigaji wa biashara unaweza kusaidia kujifunza kwa kujidhibiti kupitia maoni ya kubuni yanayotegemea kipimo, mwongozo wa mahitaji, na kutafakari kunakopangwa — kushughulikia kikomo cha kawaida kuwa michezo ya kuiga hutoa maoni madogo ya kubuni na ilani za kutafakari. Tathmini zilizoripotiwa na walimu wanafunzi na washiriki wa BSG zilionyesha mitazamo chanya ya uwepo wa kiakili na wa kijamii wa mkala na msaada wake kwa kujidhibiti.

Uchunguzi wa SRL Kiotomatiki: Nini Hamishika na Nini Hami

• Vibainishaji vya SRL vinavyotegemea embedding huvuka lugha ndani ya taaluma, lakini si kati ya taaluma. Utafiti wa wanafunzi 26 (kemia na mantiki rasmi; itifaki za kufikiri-sauti zilizowekwa kodi kwa mfano wa Winne-and-Hadwin) uligundua mifano inayotegemea embedding (text-embedding-3-small) iliyofunzwa kwa Kiingereza inabainisha SRL ya Kijerumani kwa ~0.8 AUC na ~0.1 kupungua — isipokuwa kutekeleza (~0.7). Kuhamishia kati ya taaluma hunyimwa: kemia-hadi-mantiki hushuka hadi ~0.6, kutekeleza hadi nasibu (~0.5) — ukuta wa taaluma, si lugha, unafunga.
• Njia tatu za kushindwa hueleza mahali kuhamisha hunyimwa. (1) Upatikanaji wa dhana katika maana ya kila siku badala ya maana ya taaluma — "cancel" dhidi ya "kürzen" ya kemia — huvunja ugawanyaji wa kutekeleza. (2) Kubadilisha kwa kibinadamu — wanafunzi wa Kijerumani wasiozoea mwalimu mwenye ngazi nyingi za msaada walimhutubia kama mtu, wakizalisha maneno yasiyo katika usambazaji; kuhamisha kulikuwa bora zaidi kwenye mifumo yenye ngazi chache za msaada. (3) Kubadilika kati ya kusoma-vidokezo na kuunda-mpango — mifano haiwezi kutofautisha kusoma dokezo la kimetaji na kupanga bila data ya kumbukumbu. Kutambua makosa ni thabiti katika kila hali — kugundua umekosea ni bila muktadha. Marekebisho: kamusi za wataalam au marekebisho ya kina kwa istilahi za taaluma; data ya kumbukumbu kwa vidokezo. (Large language models generalize SRL prediction to new languages within but not between domains)

Dhana Zilizounganishwa

• Wanafunzi — Wanafunzi: muungano wa dhana za upande wa mwanafunzi
• Metaji (Kufikiri Kuhusu Kufikiri) — ufuatiliaji wa kiakili ambao SRL inategemea
• Tathmini Binafsi
• Uwezo Binafsi — imani ya awamu ya fikira ya awali inayochochea juhudi
• Ngazi za Msaada — msaada ulio na viwango unaohifadhi mahitaji ya kujidhibiti
• Maoni — ingizo ambalo wanafunzi wanajidhibiti kupitia
• Ujuzi wa Maoni — uwezo wa kutenda kulingana na maoni
• Kutafuta Msaada — tabia ya mkakati ya SRL
• Motisha — mshirika wa pande mbili wa kujidhibiti
• Kupunguza Mzigo wa Kiakili — hatari wakati AI inaondoa kazi ya kujidhibiti
• Akili Bandia ya Kizazi — teknolojia ambayo inaweza kutoa ngazi za msaada au kuvuruga SRL
• Ujuzi wa AI — uwezo wa kujidhibiti katika matumizi ya AI
• Kujifunza kwa Kujiongoza Mwenyewe — dhana pana zaidi ya uhuru
• Wakala wa Mwanafunzi — uwezo wa mwanafunzi wa kutenda kwa nia, muhimu kwa kujidhibiti, ujumuishaji, na kuweka nafasi
• Kujifunza Kufaa — ubinafsishaji ambao unaweza kusaidia kujidhibiti
• Tathmini ya Mchakato — maoni ya kuendelea kwa kujidhibiti
• Kujifunza kwa Kufundisha — mkakati unaojenga kujidhibiti
• Ufafanuzi wa Akili Bandia — mifumo inayotoa ngazi za msaada kwa SRL
• Mifano Mikubwa ya Lugha (LLM) — mfano wa msingi wa zana za AI
• Kurudia Kwa Kujaribu Kukumbuka, Kueneza Muda na Kuchanganya — kupanga, kujipima na chaguzi za mkakati wa kujifunza zinazofanywa na wanafunzi
• Kujisalimisha kwa Kiakili

Makala Zilizounganishwa

• AIGC affordance and student self-regulation in private undergraduate education: a serial mediation model — Upatikanaji wa AIGC na Kujidhibiti kwa Mwanafunzi

• AI-interaction literacy: reflections on how generative AI might be used to support self-regulated learning in higher education — Ujuzi wa mwingiliano wa AI: kuelekeza chatbot kulitaka SRL iliyokusudiwa kusaidiwa (Brunnström & Palmqvist 2026)

• The 5P Reflection Model for Education in the Generative Artificial Intelligence (GenAI) Era — Mfumo wa kutafakari wa 5P kwa enzi ya GenAI (Kadel et al. 2026)

• Layer-Sensitive Cognitive Offloading in Generative AI-Assisted Writing: Supported Performance and Independent No-AI Outcomes — Kupunguza mzigo wa kiakili kunakojali tabaka katika uandishi unaosaidiwa na GenAI (Chen 2026)

• Reclaiming Epistemic Agency: A Critical Framework for Human-Generative AI Co-Agency in Education

• Learner Agency Across Scales: An Integrative Perspective on Self-Regulated Learning in Algorithmically Mediated Environments — Wakala wa mwanafunzi katika viwango: kujidhibiti, ujumuishaji, kuweka nafasi

• The Rented Self: How AI-Enabled Tools Decouple Performance From Becoming — Kujikodisha: kukodisha kupangwa juu ya mifano ya SRL ya Winne, na maazimio kumi na viashiria vya ndani ya mwanafunzi

• GenAI as a Learning Partner: Supporting Self-Regulated Learning Over Time Without Replacing Effort — GenAI kama mshirika wa kujifunza anayejua muktadha kwa muda

• How Do Students Regulate Their Learning With a GenAI Chatbot? — Jinsi wanafunzi wanavyodhibiti kujifunza na chatbot ya genAI

• Scaffold or Shortcut? Postgraduate IT Students' Use of Generative AI and Self-Regulated Learning — Ngazi za msaada au njia ya mkato? Jukumu mbili la GenAI katika SRL

• Efficiency vs. Effectiveness: Self-Regulated Learning with LLM-Mediated Help-Seeking — Utafutaji wa msaada unaoendeshwa na LLM katika STEM: wenye tabaka, wa zana, na uliothibitishwa

• Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task

• Fostering self-regulated learning through adaptive learning technology: A differentiated perspective on the role of feedback

• A systematic mapping review at the intersection of artificial intelligence and self-regulated learning

• Supporting self-regulated learning through generative AI feedback in online higher education: the importance of student perceptions of the source of feedback — Maoni ya GenAI na SRL: chanzo kinachohisiwa ni muhimu

• From AI Anxiety to Strategic Regulation: How University Students Transform Generative AI into a Strategic Learning Resource — Kutoka wasiwasi wa AI hadi udhibiti wa mkakati

• Young People, Learning, and Generative AI: A Rapid Literature Review and Implications for PreK-12 Education — Ushahidi mchanganyiko juu ya kimetaji/kujidhibiti na GenAI

• Agentic AI and Pedagogical Best Practice: The Tension Between Automation and Learning — AI ya uwakala na msisongo wa kujidhibiti

• Decreasing Digital Distraction in College Students: Associated Online Learning Strategies Identified by Unsupervised — SRL na kuchanganyikiwa kidogo na kidijitali katika kujifunza mtandaoni (Shi et al. 2026)

• Making machine learning findings accessible to teachers in blended classrooms — Kufanya matokeo ya ML yapatikane kwa walimu katika madarasa yaliyochanganywa

• SCAN: A Decision-Making Framework for Task Assignment with Generative AI — SCAN: mzunguko unaomkabili mwanafunzi wa utambulishaji wa kazi, uthibitishaji na kutafakari baada ya kazi

• Using Learning Analytics to Support Secondary School Students' Writing with Generative AI — Kutumia Uchanganuzi wa Kujifunza kusaidia Uandishi wa Wanafunzi wa Sekondari na Akili Bandia ya Kizalishaji

• Exploring the Impact of AI-Based Learning Environments on Student Self-Regulation and Adaptive STEM Learning — Kifaa kilichothibitishwa kwa kujidhibiti kinachosaidiwa na AI katika kujifunza la STEM kunakobadilika, na ufahamu wa kimetaji kama mtabiri mwenye nguvu zaidi

• Human or GenAI Support? Conditions Impacting Students' Strategy Choices in an Essay Revision Task — Hali ya msaada, si hukumu ya kimetaji, iliendelesha chaguo la mkakati wa marekebisho katika jaribio la marekebisho ya insha

• Generative AI and Learning Dynamics in Higher Education: A Longitudinal Empirical Study — Muda mrefu: matumizi ya AI ya kutafakari yalitabiri ufikiri mahususi lakini si kupata maarifa, bila athari ya Matthew

• GenAI literacy and GenAI-assisted self-regulated learning behaviors: the roles of learning agency and challenge emotions — Ujuzi wa GenAI unahusiana na tabia za kujifunza kwa kujidhibiti hasa kupitia wakala wa kujifunza

• Pre-Service Teachers' Perceptions of AI Technological Support and School-Based Intelligent Environment Support: Model-Based Indirect Associations with Innovative Competence via AI Self-Efficacy and Self-Regulated Learning — Aina ya msaada hubadilisha mpatanishi: uwezo binafsi wa AI dhidi ya kujifunza kwa kujidhibiti

• GenAI Use and GenAI-Assisted Learning Procrastination in University Students: The Roles of Planned Behavior Constructs and Learning GenAI Anxiety — Ucheleweshaji wa kujifunza kwa msaada wa GenAI: pengo la nia-tabia ambalo wasiwasi huimarisha

• Generative artificial intelligence-supported self-regulated learning (GenAI-SRL) in L2 writing: scale development, validation, and short-form construction — Kipimo cha GenAI-SRL cha vipimo sita kilichothibitishwa kwa uandishi wa L2, chenye udhibiti wa mazingira kama kipimo chake chenyewe na fomu fupi ya vipimo 12 iliyoboreshwa na ant-colony

• Large language models generalize SRL prediction to new languages within but not between domains — Mifano Mikubwa ya Lugha Inahamisha Utabiri wa SRL katika Lugha Mpya Ndani Lakini Sio Kati ya Taaluma (Borchers et al. 2025)

• A Project-Based Hybrid Learning Model Using Artificial Intelligence to Enhance Students' Self-Regulated Learning — Mfano wa Kujifunza Mseto Unaotegemea Mradi unaotumia Akili Bandia Kuboresha Kujifunza kwa Kujidhibiti kwa Wanafunzi