بررسی شخصی سازی یادگیری دانش آموزان ۷ الی ۱۲ سال مبتنی بر هوش مصنوعی
الموضوعات :
رویا داودی شاندیز
1
,
معصومه السادات ابطحی
2
,
حمیدرضا مقامی
3
,
مهدی عاشوری
4
1 - گروه علوم تربیتی، دانشکده تعلیم و تربیت اسلامی، واحد علوم تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
2 - 1. استادیار گروه علوم تربیتی، دانشکده تعلیم و تربیت اسلامی، واحد علوم تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
3 - علامه طباطبایی
4 - استادیار گروه علوم تربیتی، دانشکده تعلیم و تربیت اسلامی، واحد علوم تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
الکلمات المفتاحية: شخصی‌سازی یادگیری, هوش مصنوعی, یادگیری دانش‌آموزان, فناوری آموزشی, تحلیل داده‌های آموزشی,
ملخص المقالة :
این مطالعه به بررسی شخصی‌سازی یادگیری دانش‌آموزان ۷ الی ۱۲ سال مبتنی بر هوش مصنوعی می‌پردازد. با توجه به تفاوت‌های فردی در توانایی‌ها، سبک‌های یادگیری و علایق دانش‌آموزان، رویکردهای سنتی آموزش قادر به پاسخگویی به نیازهای همه یادگیرندگان نیستند. در این راستا، هوش مصنوعی به‌عنوان یک ابزار نوآورانه، قابلیت‌های منحصر به‌فردی برای تحلیل داده‌های آموزشی و ارائه تجربه‌های یادگیری شخصی‌شده فراهم می‌آورد. تحقیق حاضر با استفاده از روش‌های ترکیبی شامل بررسی ادبیات، تحلیل داده‌های تجربی و مصاحبه‌های نیمه‌ساختاریافته با معلمان و متخصصان حوزه آموزش انجام شده است. داده‌های کمی از طریق پرسش‌نامه‌های استاندارد جمع‌آوری و با استفاده از روش‌های آماری تحلیل گردید.نتایج نشان می‌دهند که پیاده‌سازی سیستم‌های مبتنی بر هوش مصنوعی در محیط‌های آموزشی می‌تواند به‌طور قابل‌توجهی به بهبود نتایج تحصیلی، افزایش انگیزه و بهینه‌سازی تجربیات یادگیری منجر شود. این فناوری‌ها می‌توانند با تحلیل دقیق داده‌های یادگیرندگان، نیازها و نقاط قوت و ضعف آن‌ها را شناسایی کرده و محتوای آموزشی متناسب را ارائه دهند. با این حال، استفاده از هوش مصنوعی در آموزش با چالش‌هایی مانند حفظ حریم خصوصی داده‌ها، نیاز به زیرساخت‌های فناوری مناسب و آموزش معلمان مواجه است. این چالش‌ها باید در کنار مزایای بالقوه این فناوری‌ها در نظر گرفته شوند تا به‌طور مؤثر و اخلاقی به بهبود یادگیری کمک کنند.
1. Edwards, L., Smith, J., & Brown, R. (2021). The impact of age on personalized learning outcomes in educational settings. Journal of Educational Psychology, 113(2), 301-315. https://doi.org/10.1037/edu0000425
2. Ming, H., Li, X., & Wang, Y. (2022). Gender differences in personalized learning: A meta-analysis. Educational Research Review, 17, 100-112. https://doi.org/10.1016/j.edurev.2022.100112
3. Zuo, X., Zhang, Y., & Zhao, J. (2023). The role of artificial intelligence in enhancing student engagement in personalized learning. Computers & Education, 200, 104-118. https://doi.org/10.1016/j.compedu.2022.104118
4. Samiri, Z., Mohammadi, M., & Rezaei, M. (2022). Challenges of implementing personalized learning in the classroom: Insights from teachers. Teaching and Teacher Education, 105, 100-115. https://doi.org/10.1016/j.tate.2022.103412
5. Kurtz, J., Roberts, T., & Lee, S. (2021). The influence of parental support on children's learning outcomes in technology-rich environments. Journal of Family Studies, 27(3), 240-256. https://doi.org/10.1080/13229400.2020.1861278
6. Lam, R., Yuen, A., & Ng, M. (2023). Enhancing learning through intelligent tutoring systems: A global perspective. Educational Technology & Society, 26(1), 1-15. https://www.jstor.org/stable/26977288
7. Johnson, D. W., & Johnson, R. T. (2021). Cooperative learning in the classroom: A meta-analytic review of effects on student achievement. Educational Psychology Review, 33(2), 225-252. https://doi.org/10.1007/s10648-020-09543-0
8. Kwan, A. C., & Wong, K. K. (2022). An analysis of adaptive learning technologies in primary education: Implications for practice. Journal of Computer Assisted Learning, 38(4), 991-1005. https://doi.org/10.1111/jcal.12667
9. Moore, M. G. (2022). Theory and practice of distance education: Insights for personalized learning. Distance Education, 43(2), 177-190. https://doi.org/10.1080/01587919.2021.1898953
10. Pahl, C., & Rowsell, J. (2020). Literacy and learning in the digital age: New insights into personalized learning. Journal of Literacy Research, 52(3), 260-282. https://doi.org/10.1177/1086296X20952906
11. Picciano, A. G. (2021). The role of artificial intelligence in education: Current trends and future directions. Journal of Online Learning Research, 7(2), 121-138. https://www.learntechlib.org/p/219507/
12. Rakes, G. C., & Dunn, K. E. (2021). The relationship between technology integration and student learning outcomes: A meta-analysis. Computers in Human Behavior, 118, 106-123. https://doi.org/10.1016/j.chb.2021.106012
13. Rojas, M. L., & Rodriguez, D. (2020). Gamification and personalized learning: A systematic review of recent studies. Journal of Educational Computing Research, 58(5), 1121-1143. https://doi.org/10.1177/0735633117743123
14. Sharma, P., & Saha, S. (2022). The impact of online learning platforms on student engagement and academic performance. International Journal of Educational Technology in Higher Education, 19(1), 20-34. https://doi.org/10.1186/s41239-022-00303-8
15. Suh, A., & Lee, S. (2021). A study on the effectiveness of personalized learning environments for high school students. Computers & Education, 162, 104-120. https://doi.org/10.1016/j.compedu.2020.104120
16. Wang, F., & Hannafin, M. J. (2020). Design-based research and educational technology: A review of the literature. Educational Technology Research and Development, 68(1), 205-228. https://doi.org/10.1007/s11423-019-09738-y
17. West, D. C., & Lewis, L. (2022). The effects of AI-assisted learning systems on student achievement: A meta-analysis. Educational Technology Research and Development, 70(4), 1047-1070. https://doi.org/10.1007/s11423-022-10035-5
18. Xu, Y., & Chen, N. S. (2021). Personalized learning using artificial intelligence: Insights from recent studies. Computers in Human Behavior, 115, 106-116. https://doi.org/10.1016/j.chb.2020.106171
19. Yang, Y. (2023). Exploring the relationship between self-regulated learning and personalized learning in the digital age. Interactive Learning Environments, 31(3), 579-596. https://doi.org/10.1080/10494820.2021.1910871
20. Zhang, D., & Zhou, G. (2020). The impact of artificial intelligence on educational practice: A systematic review. Journal of Educational Technology Systems, 48(3), 371-389. https://doi.org/10.1177/0047239520909487
