ربات‌های کمکی آموزشی و کلاس های درس هوشمند (استفاده از هوش مصنوعی در آموزش و پرورش)

محورهای موضوعی : علوم تربیتی

عصمت رسولی ¹ , علی صادقی ²

1 - عضو هیأت علمی. دانشگاه آزاد
2 - علوم تربیتی، برنامه ریزی درسی، دانشگاه آزاد اسلامی واحد ساری

تاریخ دریافت : 1402/06/27 تاریخ پذیرش : 1403/04/03 تاریخ انتشار : 1403/04/03

کلید واژه: هوش مصنوعی, آموزش و پرورش, ربات های کمکی, کلاس های درس هوشمند,

چکیده مقاله :

هدف از پژوهش حاضر استفاده از هوش مصنوعی در آموزش و پرورش به وسیله ربات های کمک آموزشی و محیط یادگیری هوشمند است. در حال حاضر AIED (هوش مصنوعی در آموزش ) به اندازه کافی رشد یافته و به طور عمده از طریق کامپیوترها و پدها با دانش آموزان و معلمان به شیوه‌های جدید ارتباط برقرارکرده و به آن ها کمک می کند تا روشهای یاددهی و یادگیری را به طور موثرتر در کلاس درس اجرا نمایند . این مطالعه براستفاده از فناوری به شکل هوش مصنوعی (AI) و ربات های کمکی در آموزش تمرکز دارد.. آینده نوید ایجاد تکنولوژی‌های طراحی‌شده به طور خاص برای یادگیری و آموزش با ترکیب قدرت AIED با پیشرفت در زمینه رباتیک و افزایش استفاده از دستگاه‌های حسگر برای نظارت بر محیط اطراف و اقدامات ما را می‌دهد. در این مقاله فرض بر این است که مدارس ( به عنوان مثال، جایی که کودکان برای یادگیری گرد هم می‌آیند) در ۲۵ سال آینده با هوش مصنوعی و رباتیک اداره می شوند و معلمان به نظارت و ترویج یادگیری در میان دانش آموزان ادامه می دهند. پیشنهاد می‌شود که در کلاس‌های درس فردا، روبات‌های آموزشی به معلمان کمک کنند و نمونه‌هایی از کارهای فعلی در زمینه روباتیک را ارائه دهند. همچنین کلاس‌های درس هوشمندی که از حسگرها برای حمایت از یادگیری استفاده می‌کنند با برنامه های AIED به کار گرفته شوند، می‌توانند روش‌های جدید تدریس را در کلاس اجرا نمایند.

چکیده انگلیسی:

The purpose of the current research is to use artificial intelligence in education by means of educational aid robots and intelligent learning environment. Currently, AIED (Artificial Intelligence in Education) has grown enough and mainly communicates with students and teachers in new ways through computers and pads and helps them to teach and learn more effectively. Perform in the classroom. This study focuses on the use of technology in the form of artificial intelligence (AI) and assistive robots in education. The future holds the promise of creating technologies specifically designed for learning and teaching by combining the power of AIED with advances in robotics and the increasing use of sensor devices for It monitors our surroundings and our actions. This paper assumes that schools (i.e., where children come together to learn) will be run by artificial intelligence and robotics in the next 25 years, with teachers continuing to monitor and promote learning among students. give It is suggested that in the classrooms of tomorrow, educational robots will help teachers and provide examples of current work in the field of robotics. Also, smart classrooms that use sensors to support learning, implemented with AIED programs, can implement new teaching methods in the classroom.

متن کامل:



ربات‌های کمکی آموزشی و کلاس های درس هوشمند )استفاده از هوش مصنوعی در آموزش و پرورش(

 

 

چکیده 

هدف از پژوهش حاضر استفاده از هوش مصنوعی در آموزش و پرورش به وسیله ربات های کمک آموزشی و محیط یادگیری هوشمند است. در حال حاضر AIED (هوش مصنوعی در آموزش ) به اندازه کافی رشد یافته و به طور عمده از طریق کامپیوترها و پدها با دانش آموزان و معلمان به شیوه‌های جدید ارتباط برقرارکرده  و به آن ها کمک می کند تا روشهای یاددهی و یادگیری را به طور موثرتر در کلاس درس اجرا نمایند . این مطالعه براستفاده از فناوری به شکل هوش مصنوعی ¹(AI)  و ربات های کمکی در آموزش تمرکز دارد.. آینده نوید ایجاد تکنولوژی‌های طراحی‌شده به طور خاص برای یادگیری و آموزش با ترکیب قدرت AIED با پیشرفت در زمینه رباتیک و افزایش استفاده از دستگاه‌های حسگر برای نظارت بر محیط اطراف و اقدامات ما را می‌دهد. در این مقاله فرض بر این است که مدارس (‏به عنوان مثال، جایی که کودکان برای یادگیری گرد هم می‌آیند)‏ در ۲۵ سال آینده با هوش مصنوعی و رباتیک اداره می شوند و معلمان به نظارت و ترویج یادگیری در میان دانش آموزان  ادامه می دهند. پیشنهاد می‌شود که در کلاس‌های درس فردا، روبات‌های آموزشی به معلمان کمک کنند و نمونه‌هایی از کارهای فعلی در زمینه روباتیک را ارائه دهند. همچنین کلاس‌های درس هوشمندی که از حسگرها برای حمایت از یادگیری استفاده می‌کنند با برنامه های AIED به کار گرفته شوند، می‌توانند روش‌های جدید تدریس را در کلاس اجرا نمایند.​

 

واژگان‌کلیدی: هوش مصنوعی، آموزش و پرورش،  ربات های کمکی، کلاس های درس هوشمند.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

مقدمه :

​​​​​​​​مدارس مکان‌هایی هستند که درآن ها یادگیری اتفاق می افتد. امروزه  معلمان و دانش آموزان مشارکت فعالی در برنامه‌ریزی، شکل‌دهی و هدایت توالی آموزش ایفا می‌کنند. یکی از کلماتی که در زندگی امروزی به وفور می‌شنویم، هوش مصنوعی یا همان AI (Artificial Intelligence) است. هوش مصنوعی به معنای چیزی ساختگی است که قدرت تفکر و تصمیم‌گیری دارد. این هوش نیز مانند هوش طبیعی به آموزش و یادگیری احتیاج دارد. به عنوان مثال، همان طور که شما برای حل یک مسئله ریاضی به آموختن فرمول‌ها احتیاج دارید. هوش مصنوعی هم برای حل مسائل مختلف از تجربه‌ها و داده‌های قبلی استفاده می‌کند. بدین ترتیب هوش مصنوعی را می‌توان یک عقل کلِ همه چیز تمام در نظر آورد. چراکه بر خلاف انسان، این امکان را دارد که انواع و اقسام اطلاعات و داده‌های مختلف و بعضا متضاد را در خود جای دهد و با آنالیز آنها دست به تصمیم گیری و انتخاب بزند. این مقاله نگاهی نظری به این موضوع می‌اندازد که چگونه AIED در طول بیست و پنج سال آینده می‌تواند به طور عمده از طریق کامپیوترها و پدها با دانش آموزان به شیوه‌های جدید ارتباط برقرار کند و به معلمان کمک کند تا تدریس موثرتری داشته باشند. ​

یکی از سوالاتی که ذهن انسان را مشغول کرده است ؛ این است که چرا ما در حال تلاش برای استفاده از تکنولوژی‌هایی مانند کامپیوتر هستیم که در درجه اول برای کارکنان دفتری به عنوان وسایلی برای ترویج یادگیری در کلاس طراحی شده‌اند. شاید به این دلیل که ما تصور می‌کنیم که دانش آموزان را برای محیط کار مدرن آماده می‌کنیم که پر از کامپیوتر و تبلت است و این برای آن‌ها منطقی است که به ابزارهایی که در آینده باید استفاده کنند، عادت کنند. یا به احتمال زیاد، هیچ سازنده تکنولوژی ؛ آموزش را به عنوان تنها بازار هدف خود نمی‌بیند، آن‌ها یک دستگاه با قابلیت یکسان را برای همه پیشنهاد نمی کنند.  این کار را به دانشمندان کامپیوتر واگذار می‌کنند تا بفهمند چگونه این تکنولوژی را به انجام وظایف مختلف وادار کنند. البته، جنبه دیگر وضعیت کنونی این است که مدارس و خانه‌ها کامپیوتر، تبلت و گوشی هوشمند دارند، بنابراین طراحی سیستم‌های AIED برای این موارد دسترسی فوری را ممکن می‌سازد. با این حال، دستگاه‌های جدید خیلی سریع به بازار می‌آیند. اولین آیفون در سال ۲۰۰۷ و به دنبال آن اولین گوشی اندرویدی در سال ۲۰۰۸ ظاهر شد و آی پد در سال ۲۰۱۰ راه‌اندازی شد. امروزه گوشی‌های هوشمند و تبلت ها تکنولوژی مشترکی هستند، بنابراین قابل‌تصور است که فن‌آوری‌هایی که ما در حال حاضر داریم توسط نسل‌های مختلفی از دستگاه‌ها در طول ۲۵ سال آینده جایگزین شده‌اند(1). ​

حوزه  " AIED " در ۲۵ سال گذشته راه درازی را طی کرده‌است . اگر بخواهیم تاریخچه هوش مصنوعی را مرور کنیم، احتمالاً باید به سال 1770 بازگردیم. زمانی که یک مهندس شطرنج باز نانبغه به نام ولفگانگ فان کمپلن، ماشینی را برای انجام بازی شطرنج اختراع کرد که می‌توانست با توجه به شرایط بازی و نحوه چیدمان مهره‌ها، مانند یک انسان بدون راهنمایی هیچ فرد دیگری، به تنهایی دست به انتخاب بزند و با اهرم‌هایی که آقای کمپلن طراحی کرده بود، مهره‌ها را جا به جا کند. از همان زمان بود که موضوع هوش مصنوعی در جهان ما کلید خورد، و از آن زمان تاکنون ذهن های زیادی را به خود مشغول داشته است. اما واژه هوش مصنوعی برای اولین بار در سال 1956 توسط آقای مک کارتی، دانشمند آمریکایی در کنفرانس دارتموث بیان شد و همین امر، موجی از تحقیقات و پژوهش‌ها در خصوص این پدیده را به همراه آورد. به طوری که سالیان 1956 تا 1974 را در زمره سال‌هایی طلایی برای هوش مصنوعی به شمار می‌آورند.  این مقاله به بررسی دو حوزه اصلی تحقیق می‌پردازد که در آن AIED می‌تواند برای حمایت و افزایش یادگیری به کار رود. اولی در روباتیک و دومی در ایجاد کلاس‌های هوشمند است که از حسگرها و اینترنت اشیا (‏IoT)‏ استفاده می‌کنند. کاربرد روباتیک برای آموزش به عنوان راهی برای ایجاد سیستم‌هایی پیشنهاد شده‌است که از محدودیت‌های پارادایم کامپیوتر سنتی فراتر رفته و تعامل اجتماعی بیشتری را فراهم می‌کند که با تمایلات بیولوژیکی ما در یادگیری متناسب است. کاربرد AIED برای IoT به عنوان راهی برای ارائه روش‌های جدید پشتیبانی از یادگیری و برای اعمال نفوذ کلان داده از تعاملات غنی با فن‌آوری‌های هوشمند برای ایجاد ارزش برای معلم و کلاس درس پیشنهاد شده‌است. در سال اخیر، اینترنت اشیا (IoT) توجه تحقیقاتی قابل توجهی را به خود جلب کرده است. اینترنت اشیا به عنوان بخشی از اینترنت آینده در نظر گرفته می شود و میلیاردها «چیز» ارتباطی هوشمند را شامل می شود. آینده اینترنت متشکل از دستگاه های متصل ناهمگن خواهد بود که مرزهای جهان را با موجودیت های فیزیکی و اجزای مجازی گسترش می دهد(2). اینترنت اشیا (IoT) چیزهای متصل را با قابلیت‌های جدیدی تقویت می‌کند. در پرداختن به این آینده بالقوه جدید، حوزه‌های جدیدی از تحقیقات مورد بحث قرار می‌گیرند که در آن‌ها AIED می‌تواند به کار گرفته شود. این موارد عبارتند از: (‏۱)‏ایجاد سیستم‌هایی که تعامل اجتماعی را فراهم می‌کنند (‏گسترش یادگیری مشارکتی پشتیبانی شده کامپیوتری که در حال حاضر وجود دارد)‏، (‏۲)‏کشف روش‌های جدید برای ارتباط بین فراگیران، معلمان و تکنولوژی‌های پشتیبانی و (‏۳)‏بررسی کاربرد اینترنت اشیا در آموزش. ​

 

 فرضیات

بیایید لحظه‌ای آینده را تصور کنیم که در آن فن‌آوری‌های مورد استفاده در یادگیری برای این منظور طراحی شده‌اند و نه فقط در جهت ماشین‌های کسب‌وکار. یک معلم در کلاس چه کمکی می‌خواهد؟ یک دانش آموز از سیستم یادگیری چه می‌خواهد؟ و چگونه هوش مصنوعی در دنیای آینده آموزش و پرورش ادغام خواهد شد؟ ​

قبل از شروع این تصور، باید برخی از فرضیات خود را در مورد آنچه که در ۲۵ سال آینده برای آموزش رخ خواهد داد اعلام کنیم. فرضیه اول، به نظر می‌رسد که مدرسه به عنوان یک موسسه بسیار با دوام و به بخشی پذیرفته‌شده از جامعه ما در همه کشورهای توسعه‌یافته و همچنین در کشورهای در حال توسعه تبدیل شده‌است. من از کلمه مدرسه آزادانه استفاده می‌کنم به این معنی که جایی که فراگیران و معلمان به صورت فیزیکی و مجازی گرد هم می‌آیند تا در فعالیت‌های آموزشی و یادگیری شرکت کنند. با مکانیزه شدن کشاورزی در انقلاب صنعتی و افزایش نیاز به نیروی کار تحصیل‌کرده، مدارس به طور فزاینده‌ای اجباری شدند و در طول زمان تعداد سال‌هایی که دانش آموزان در مدرسه می گذرانند افزایش‌یافته است. اگر شما مدارس را از جامعه حذف کنید، والدین قادر نخواهند بود به راحتی خود را سازگار کنند؛ چون والدین باید در خانه بمانند تا از کودکان مراقبت کنند. من فکر می‌کنم که مدارس در آینده به نوعی با ما خواهند بود. ​

فرضیه دوم من از فرضیه اول سرچشمه می‌گیرد. اگر مدارس همچنان وجود داشته باشند، معلمان نیز وجود خواهند داشت. منظور من از معلمان یک فرد بالغ است که بر یادگیری در میان دانش آموزان نظارت خواهد کرد و آن را ترویج خواهد داد. در حالت ایده‌آل، آن‌ها محتوا و صلاحیت‌های آموزشی را حفظ خواهند کرد، اما حتی در مدارس فعلی نیز کمبود مهارت‌ها و معلمانی وجود دارند که خارج از تخصص موضوعی خود تدریس می‌کنند. ​

ربات‌های کمکی در سیستم آموزشی

به موازات پیشرفت‌هایی که در ۲۵ سال اخیر در زمینه AIED صورت‌گرفته است، زمینه روباتیک نیز پیشرفت‌های قابل‌توجهی داشته‌است. محققان علم رباتیک در حال حاضر در حال بررسی این موضوع هستند که چگونه ربات‌های کمکی اجتماعی می‌توانند به کارهای روزمره مانند کارهای خانه، هدایت خریداران در مرکز خرید یا ایستگاه قطار، و همچنین کارهای تخصصی‌تر مانند توان‌بخشی پس از آسیب کمک کنند. همچنین در کلاس روی ربات‌ها کار شده‌است. در طول ۲۵ سال آینده روبات‌ها در بسیاری از جنبه‌های زندگی ما ظاهر خواهند شد و اجتناب‌ناپذیر به نظر می‌رسد که تحصیل بخشی است که در آن می‌توانند بسیار مفید باشند. ​

من معتقدم که در طول ربع‌قرن آینده ما چیزی را توسعه خواهیم داد که من دوست دارم آن را ربات‌های آموزشی بنامیم. یک ربات آموزشی یک هم‌کار روبات است که در کنار انسان‌ها کار می‌کند تا به آن‌ها کمک کند کارشان را انجام دهند، بنابراین یک ربات آموزشی رباتی است که برای حمایت از معلمان انسان طراحی شده‌است. این ایده انسان‌ها و ربات‌هایی که با هم‌کاری یکدیگر کار می‌کنند، حوزه مورد علاقه روباتیک است(3) همانطور که در این مقاله بحث شد، ربات‌ها این پتانسیل را دارند که توجه یادگیرندگان را در کلاس به خود جلب و حفظ کنند و این به نوبه خود برای یک معلم مفید خواهد بود زیرا توجه پیش نیازیادگیری است. معمولا کلاس ها دارای جمعیتی بالای  3۵ دانش‌آموز یا بیشتر هستند و حتی باتجربه‌ترین معلم تشخیص می‌دهد که متمایز کردن آموزش آن‌ها چالش برانگیز است و دانش آموزانی دارد که  باید با آن ها روی وظایف مختلف در مراحل مختلف کار کند. داشتن روبات‌های آموزشی در کلاس به معلم کمک می‌کند تا دستورالعمل را متمایز کند به طوری که فراگیران تدریس مناسب تری را دریافت کنند. این جایی است که کار انجام‌شده در AIED برای رسیدن به این دیدگاه ضروری خواهد بود. اگر ربات‌های آموزشی دارای قابلیت‌های AIED باشند، می‌توانند کارهایی مانند نظارت بر فراگیران را انجام دهند زیرا آن‌ها با محیط‌های یادگیری هوشمند تعامل دارند . ‏محیط های یادگیری هوشمند می‌توانند به طور مستقیم با ربات آموزشی ارتباط برقرار کنند‏؛ به یاد گیرندگانی توجه کنید که نیاز به کمک اضافی دارند. لازم به توضیح است که این نوع کمک ها توسط سیستم تلفن همراه پشتیبانی نمی شود.محیط های یادگیری هوشمند فراگیران را درگیر و علاقه مند نگه می دارد و به سوالاتی که ممکن است زبان آموز داشته باشد پاسخ می دهد. ​

ما در حال حاضراطلاعات زیادی در مورد چگونگی سازمان دهی و وظایف یادگیری و کمک به دانش آموزان از طریق آن‌ها به روش‌هایی که یادگیری پایدار را تولید می‌کنند می‌دانیم. ما همچنین حالت عاطفی فراگیران  را کشف و برای درک بهتر پیشرفت آن‌ها مداخله در زمان مورد نیاز را انجام خواهیم داد. در عین حال، محققان روباتیک در حال بررسی بهترین روش‌ها برای طراحی ربات‌ها از نظر ظاهر و عمل برای تعامل موثر با مردم هستند و تحقیقاتی در مورد چگونگی تعامل کودکان با روبات‌ها وجود دارد. ترکیب زمینه‌های روباتیک و AIED این پتانسیل را دارد که فن‌آوری‌های آموزشی واقعی را ایجاد کند که به منظور کمک به شرکت آموزش و یادگیری طراحی شده‌اند(4). ​

 

اهمیت تجسم فیزیکی :

دلایل خوبی برای انتقال سیستم‌های AIED به بدن روباتیک وجود دارد. برخی محققان شناختی استدلال می‌کنند که اجزای محاسباتی هوش مصنوعی ، مانند آن‌هایی که AIED تا به امروز عمدتا بر روی آن‌ها تمرکز کرده‌است، به خودی خود برای در نظر گرفتن به عنوان کل هوش انسان کافی نیست. آنها استدلال می کنند که هوش انسان در یک بدن فیزیکی قرار دارد که سیستم های حسی-حرکتی آن نقش مهمی در درک ما از جهان اطراف خود و عمل در آن دارد. این رویکرد شناختی مجسم شده پیشنهاد می‌کند که بدن فیزیکی ما به همان روشی بر مغز ما تاثیر می‌گذارد که ذهن بر اعمال بدنی تاثیر می‌گذارد. انسان‌ها از طریق سیستم بصری، شنوایی و حسی ما با یکدیگر در تعامل هستند، با استفاده از مهارت‌هایی که ما در طول میلیون ها سال تکامل‌یافته ایم، مانند تشخیص اشیا، حرکت فیزیکی در اطراف، قضاوت در مورد انگیزه‌های افراد، تشخیص یک صدا، تعیین اهداف مناسب، توجه به چیزهایی که جالب هستند. اینها همچنین انواع مهارت‌هایی هستند که معلمان از آن‌ها استفاده می‌کنند. ​

رادنی آلن بروکس، طراح روبات استرالیایی (‏۲۰۰۲)‏، استدلال می‌کند که اگر ما می‌خواهیم ربات‌ها کاره‌ای روزمره را در کنار انسان‌ها انجام دهند، پس توانایی‌های شناختی بالاتر آن‌ها باید براساس فعالیت‌های حسی - حرکتی در محیط اطراف خود و حس عمقی آن‌ها (‏آگاهی از موقعیت و حرکت در محیط اطراف خود)‏باشد که توسط هماهنگی حسگرهای بینایی، شنوایی و لمسی پشتیبانی می‌شود. اگر یک ربات بخواهد فضای پویای یک کلاس مدرن را هدایت کند که در آن انواع مبلمان موقعیت را تغییر می‌دهد و بسیاری از افراد در اطراف آن مسابقه می‌دهند، پس باید نوعی هوش داشته باشد که این را ممکن می‌سازد، اما باید در ارتباط با هوش AIED خود نیز کار کند به طوری که بتواند از تجهیزات کلاس درس استاندارد مانند تخته‌های سفید (‏یا تخته‌های هوشمند)‏، کاغذ (‏بله، که احتمالا هنوز در حدود ۲۵ سال است)‏و یا تجهیزات تخصصی مانند ظروف شیشه‌ای استفاده کند. ​

قرار دادن AIED در روبات‌ها، مزایایی را به همراه خواهد داشت که به یک جعبه بی‌تحرک محدود می‌شود. توانایی حرکت کردن در کلاس در حالی که دانش آموزان بر روی پروژه‌ها کار می‌کنند، تشخیص چهره‌ها و صداهای دانش آموزان، توانایی اشاره کردن یا اشاره کردن، و توانایی حالات چهره همه تعامل با دانش آموزان را افزایش می‌دهد. همچنین، ربات‌هایی که می‌توانند از تجهیزات در حوزه‌های موضوعی خاص مانند فیزیک یا شیمی استفاده کنند می‌توانند پدیده‌ها را به شیوه‌ای فیزیکی و نه فقط از طریق ویدئو یا شبیه‌سازی نشان دهند. ​

آیا ربات‌ها باید ظاهری شبیه انسان داشته باشند تا در کلاس مفید باشند؟ در حال حاضر، روبات‌هایی که در جامعه ما مورد استفاده قرار می‌گیرند در ظاهر انسان نما نیستند. روبات ها در خطوط تولید شبیه ماشین ها هستند و جاروبرقی های روباتی در خانه های ما حتی شبیه جاروبرقی های معمولی نیستند، چه برسد به پاک کننده های انسانی. در بیشتر موارد، ربات‌ها نیازی به انسان‌نما بودن ندارند، اما آیا این در مورد کلاس درس درست است؟ شواهدی از علوم اعصاب نیز وجود دارد که پذیرش فن‌آوری هوشمند ما تحت‌تاثیر نحوه ظهور انسان است. کراچ و همکاران (‏۲۰۰۸)‏از تصویربرداری تشدید مغناطیسی کارکردی (‏fMRI)‏برای مطالعه فعالیت مغز شرکت کنندگان مطالعه که در برابر چهار نوع رقیب بازی می‌کردند، استفاده کردند. یک کامپیوتر، یک ربات عملکردی، یک ربات انسان‌گونه و یک انسان.

 همه مخالفان آن‌ها که برای شرکت کنندگان ناشناس بودند، به طور تصادفی بازی می‌کردند. با این حال، شرکت کنندگان فعال شدن را در نواحی مغز مرتبط با نظریه ذهن نشان دادند (‏به عنوان مثال، تخصیص قصد انسان)‏به ترتیب افزایش ویژگی‌های انسان مانند (‏ربات عملکردی کامپیوتر تایتان ، ربات انسان مانند، ربات انسان مانند)‏. بنابراین قرار دادن AIED در ربات‌های شبه انسانی پذیرش آن‌ها توسط یادگیرنده را افزایش می‌دهد(5). ​

قوی‌ترین استدلال کلی برای ربات‌های انسان‌نما این است که جهان طراحی شده‌برای انسان‌ها ساخته شده‌است. برای مثال، ماشین‌ها فرمان دارند که یک انسان می‌تواند آن را بگیرد و با پا پدال بزند که ما می‌توانیم آن را فشار دهیم. شرایط به اندازه کافی آماده است که انسان‌ها بتوانند از آن‌ها استفاده کنند. اگر یک ربات به شکل و اندازه انسان ساخته شود، با اعضای بدن و قابلیت‌های فیزیکی پایه ما، پس می‌تواند دنیای طراحی‌شده موجود را بدون نیاز به مهندسی مجدد همه چیز از دستگیره در تا کنترل ماشین هدایت کند. البته، در ۲۵ سال آینده، ماشین‌ها خودشان رانندگی خواهند کرد! ​

با این حال، برخی از چیزهایی که انسان‌ها ساده می انگارند، مانند تشخیص اشیا در محیط اطراف، بلند کردن آن‌ها و دستکاری کردن آن‌ها برای روبات‌ها بسیار چالش برانگیز است. به عنوان مثال، محققان رباتیک در دانشگاه برکلی یک ربات طراحی کرده‌اند که می‌تواند لباس‌های تمیز را تا کند، که یک دستاورد بزرگ است، زیرا اگر چه ربات‌ها قادر به تعامل با اشیا صلب بوده‌اند، رسیدگی به اشیا تغییر شکل پذیر نرم مانند یک حوله بسیار دشوار است(6) با این حال، قیمت این ربات ۲۸۰،۰۰۰ دلار آمریکا است و ربات PR۲ هنوز نمی‌تواند به ماشین لباس‌شویی برسد تا لباس‌ها را از خشک‌کن خارج کند. اما، پیشرفت‌هایی در طول ۲۵ سال آینده ادامه خواهد یافت به طوری که در نقطه‌ای ما می‌توانیم انتظار داشته باشیم(7) ربات‌هایی که می‌توانند طرح کلی و مبلمان را در کلاس درس آینده هدایت کنند و از تجهیزات آموزشی و یادگیری، هر آنچه که ممکن است در آینده باشد، استفاده کنند. همچنین می‌توانید انتظار داشته باشید که با ظهور بیشتر ربات‌ها در دنیای طراحی‌شده ما، طراحان اشیا ممکن است شروع به تعبیه دستگاه‌هایی در آن اشیا کنند که برای شناسایی آن‌ها و تعامل با آن‌ها مفید خواهد بود. ​

مزیت دیگر ساخت یک ربات انسان‌نما این است که تعامل با آن برای انسان آسان‌تر است، که در کلاس درس هم از نظر معلم و هم از نظر دانش آموزان مهم خواهد بود. ما انسان‌ها باید یاد بگیریم که چگونه با روبات‌های غیر انسان‌نما مانند پاک‌کننده‌های کف روبوتیک خود کار کنیم، و رابط‌ها همیشه برای ما آسان نیستند که با آن‌ها کنار بیاییم. همانطور که ربات‌های بیشتر و بیشتری در طول ربع‌قرن آینده در زندگی ما ظاهر می‌شوند، اگر هیچ استانداردی از رابط‌ها وجود نداشته باشد، ما دیوانه خواهیم شد که باید روش‌های جدیدی از تعامل با ماشین، کمک به خانه، باغبان و غیره یاد بگیریم. راه آشکار برای استاندارد کردن این است که آن‌ها را انسان نما کنیم. ما می‌دانیم که چگونه با انسان‌ها کار کنیم چون ما همه زندگی مان را انجام داده‌ایم و به سختی برنامه‌ریزی کرده‌ایم که این کار را انجام دهیم و این کار را از طریق فیلترهای تنظیمات اجتماعی فرهنگی مان انجام دهیم. اگر ربات‌ها در زندگی ما در این محیط اجتماعی - فرهنگی انسانی با صحبت کردن و درک زبان ما، تشخیص حرکات ما و درک احساسات ما عمل کنند، برای ما راحت‌تر خواهند بود که با آن‌ها کار کنیم. این می‌تواند برای یادگیری در کلاس بسیار مهم باشد. اگر یک ربات می‌خواهد از یک معلم حمایت کند، پس او باید بتواند به دستیار معلم ربات‌ کمکی خود بگوید، معلم کلاس  Bمتوجه شده‌است که گروه دانش آموزان در تنظیم آزمایش شیب از نیرو و ماژول حرکت مشکل دارند. من مشغول کمک کردن به این گروه هستم، آیا می‌توانید بروید و مطمئن شوید که آن‌ها را درست تنظیم کرده‌اند و آن‌ها در حال انجام‌وظیفه هستند. یک سیستم AIED تعبیه‌شده در چنین رباتی می‌تواند به سمت گروه حرکت کند، تنظیمات آزمایشی را بررسی کند و سپس در آموزش گفتگویی برای کمک به یادگیری شرکت کند. ما در حال حاضر می‌دانیم که چگونه بخش تدریس را انجام دهیم، اما اگر بتوان آن را به روش‌های انعطاف‌پذیر گسترش داد، حتی قدرتمندتر هم خواهد شد. ​

همچنین فراگیران به احتمال زیاد به طور طبیعی‌تر به دستیار معلم ربات پاسخ می‌دهند. در مطالعه‌ای که در مرکز آموزش پویایی زمانی (‏TDLC)‏، یکی از مراکز علم یادگیری که توسط بنیاد ملی علوم آمریکا تامین مالی شده بود، انجام شد، آن‌ها دریافتند که کودکان با روباتی به نام رابی در ابتدا حدود ۲۰ دقیقه قبل از اینکه توجه آن‌ها به جای دیگری معطوف شود، درگیر بودند. با این حال، زمانی که ربات برنامه‌ریزی شد تا به نگاه آن‌ها واکنش نشان دهد و به آن‌ها نگاه کند، توجه به شدت افزایش یافت. ما از نظر بیولوژیکی توسط تکامل برنامه‌ریزی شده‌ایم تا به نشانه‌های چهره در تعاملات بین فردی پاسخ دهیم. در یک مدرسه ابتدایی در توکیو، یک روبات انسان‌نما به نام "Saya" که در اصل به عنوان یک روبات پذیرش در سال ۲۰۰۴ توسط پروفسور هیروشی کوبایاشی از دانشگاه علوم توکیو طراحی شده‌بود، به شیوه‌ای محدود در کلاس درس مورد استفاده قرار گرفته‌است. Saya می‌تواند به چندین زبان صحبت کند، و یک سری موتور در سرش پوست مصنوعی نرم او را کش می‌دهد تا بتواند احساساتی از شادی و تعجب گرفته تا ناراحتی و خشم را به نمایش بگذارد. اما "Saya" تنها کاری که می‌توانست بکند این بود که نام دانش آموزان را بر زبان آورد و دستوربدهد. کنترل کلاس را به عهده بگیرد مانند گفتن: ساکت باشید. ​

این روبات برای دانش آموزان محبوب بود و احساسات را در میان آن‌ها تحریک می‌کرد، از جمله یک دانش‌آموز که وقتی توسط Saya گفته شد: ساکت ، گریه می‌کرد. با این حال، تصور کنید، اگر Saya مهارت‌های آموزشی داشت که توسط تحقیقات AIED تسهیل می‌شد. ​

کیسلر و همکاران (‏۲۰۰۸)‏بررسی کردند که چگونه یک ربات انسان نما باید برای استفاده موثر در موقعیت‌های حساس اجتماعی مانند کلاس درس مورد استفاده قرار گیرد و دریافتند که مردم تعامل با یک ربات را نسبت به یک عامل قابل قیاس بر روی صفحه نمایش ترجیح می‌دهند. آن‌ها این ربات را با ویژگی‌های شخصیتی قوی‌تر و مثبت‌تری نسبت دادند و احساس کردند که واقعی‌تر است. یک یافته جالب که می‌تواند مربوط به کلاس درس باشد این بود که شرکت کنندگان بیشتر با ربات مهار شدند تا با نماینده و رفتار نامطلوب اجتماعی کمتری را نشان دادند، همانطور که در تحقیقات دیگر یافت شد. شاید دانش آموزان با یک مربی آموزشی رفتار بهتری نسبت به یک نماینده روی صفحه نمایش داشته باشند و این چیزی است که می‌تواند مورد بررسی قرار گیرد. از آنجا که زمینه روباتیک نسبتا جدید است، مانند AIED، ما انسان‌ها تجربه زیادی در تعامل با روبات‌ها نداریم(8). برخی از روبات‌هایی که در کلاس‌های درس کره‌جنوبی مورد استفاده قرار می‌گیرند، کمی بیشتر از یک صفحه نمایش تلویزیونی بر روی چرخ بوده‌اند، و حالت چهره به سادگی به عنوان یک ویدئو در مقابل موتورهای متعدد روبات Saya کنترل می‌شود. حتی با وجود ظاهر مصنوعی و هوشمندانه "Saya"، واضح بود که او یک ربات است و دانش آموزان به سمت پوست صورتش می‌روند، چیزی که آن‌ها هرگز با یک معلم واقعی سر و کار نخواهند داشت. با این حال، زمانی که کنجکاوی آن‌ها ارضا شد و آن‌ها می‌دانستند که با چه چیزی سر و کار دارند، می‌توانستند با Saya تعامل داشته باشند. ​

محققان دیگر بررسی کرده‌اند که یک روبات ممکن است چه نقشی در کلاس بازی کند. به عنوان مثال، اوشیما و همکاران (2012) بررسی کرد که چگونه Robovie-W، یک ربات ارتباطی، ممکن است از مشارکت به عنوان یک شریک در یک گروه یادگیری مشارکتی از معلمان پیش از خدمت پشتیبانی کند. ​

آن‌ها دریافتند که سبک تعامل دانش آموزان با  Robovie - W مشابه با مشارکت کنندگان انسانی در گروه یادگیری است و اینکه فراگیران تطبیقی بهترین تعامل را با ربات دارند. در حالی که این نتایج دلگرم‌کننده هستند، ربات با هیچ نرم‌افزار یادگیری هوشمند برنامه‌ریزی نشده است، به سادگی سرش را به سمت انسانی که صحبت می‌کرد و توضیحات از پیش نوشته شده متنی را که توسط گروه مورد بحث قرار گرفته بود، می‌خواند. تعاملات هوشمند فراتر از آن متکی به گوش دادن انسان به صدای دانش آموزان از طریق میکروفن و تایپ کردن پاسخ‌ها از طریق صفحه‌کلید بود که توسط ربات به عنوان گفتار ارائه می‌شد. بنابراین، در واقع، این بیشتر یک جادوگر از شهر  Oz بود(9). ​

گام بعدی می‌تواند استقرار سیستم‌های AIED کامل از طریق یک ربات باشد. شی و همکاران (‏۲۰۱۵)‏بررسی کردند که آیا ربات اجتماعی روبووی ممکن است کنجکاوی دانش آموزان را برای علم تحریک کند اگر در کلاس درس علوم پایه چهارم و پنجم که در آن دانش آموزان در زمان استراحت برای تعامل با آن آزاد بودند، قرار گیرد. مانند قبل، Robovie در یک حالت نیمه مستقل مورد استفاده قرار گرفت که در آن برخی تعاملات خودکار بودند اما تعاملات پیچیده تری به روش جادوگر شهر Oz انجام شد(10). ​

در این مطالعه روبات به عنوان یک دانش‌آموز جدید در کلاس معرفی شد، بنابراین به جای نقش دستیار معلم یا تدریس، نقش هم‌کار را بر عهده گرفت. ​

به طور کلی حضور ربات کنجکاوی علمی دانش آموزان را افزایش نداد بلکه کنجکاوی علمی دانش آموزانی که سوالات Robovie را پرسیده بودند افزایش یافت. ​

ربات های دیگر مانند Nao از Aldebaran Robotics در کلاس های درس استفاده شده اند و اگرچه شکل اولیه انسانی دارند (سر، چشم ها، بدن، بازوها، دست ها، پاها و پاها) اما کوتاه هستند و به اندازه انسان نیستند. واضح است که آن‌ها ربات هستند، اما پیر دیلانبورگ محقق فرانسوی به نائو برنامه‌ریزی کرده‌است تا به دانش آموزان کمک کند تا نوشتن حروف الفبا را یاد بگیرند  (11)در این مطالعه دوباره ربات نقش یک شریک یادگیری را به عهده گرفت و دانش آموزان باید به روبات یاد می‌دادند که حروف را به درستی شکل دهد. کندی و همکاران (‏۲۰۱۵)‏نیز از ربات Nao اما در نقش مربی گری استفاده کردند. دانش آموزان شرکت‌کننده در مطالعه خود از یک صفحه نمایش لمسی بزرگ برای یادگیری در مورد اعداد اول استفاده کردند و ربات از حرکت دانش آموزان از طریق تغذیه از صفحه نمایش لمسی آگاه بود، اگر چه نمی‌توانست از خود صفحه نمایش لمسی استفاده کند. این مطالعه بررسی کرد که آیا یک ربات اجتماعی دستاوردهای یادگیری بالاتری نسبت به یک ربات غیر اجتماعی تولید می‌کند یا خیر. یک یافته غیر منتظره این بود که ربات غیر اجتماعی دستاوردهای یادگیری بالاتری تولید می‌کند، که بر خلاف تحقیقات مشابه است(12). واضح است که تحقیقات بیشتری باید انجام شود. مطالعات دیلانبورگ و کندی نشان می‌دهد که محققان AIED می‌توانند با روبات‌های آماده شروع کنند و ببینند که نرم‌افزار هوشمند آن‌ها قبل از حرکت به سمت کار با روبات‌های آموزشی بزرگ‌تر و شاید با هدف که می‌توانند به معلمان کمک کنند، چه کاری می‌تواند از طریق بدن ربات انجام دهد. ​

آموزش

اکنون که ما برخی مسیرهای ممکن برای استفاده از AIED در کلاس را از طریق ربات‌ها بررسی کرده‌ایم، اجازه دهید به این فکر کنیم که چگونه AIED ممکن است در خود کلاس درس فیزیکی مستقر شود تا یک کلاس درس هوشمند ایجاد کند که بتواند از دانش آموزان، معلم و البته، روبات‌های آموزشی درون آن حمایت کند. ​

در دهه گذشته، استفاده از سنسورها برای نظارت بر محیط ساخته‌شده ما رشد کرده‌است (‏به عنوان مثال، خانه‌هایی که چراغ‌های اتاق‌هایش سنسور دارد و روشنایی  را کنترل می‌کنند، در گاراژ را با نزدیک شدن خودروی شما باز می‌کنند، یخچال که قبل از تمام‌شدن غذا سفارش می‌دهد، و غیره)‏. این امر منجر به چیزی شده‌است که به عنوان اینترنت اشیا (‏IoT)‏شناخته می‌شود و شرکت‌ها در بسیاری از صنایع به دنبال این هستند که چگونه می‌توانند با قرار دادن در آن‌ها حسگرها، تراشه‌ها و ارتباط‌دهنده‌ها به محصولات خود ارزش بیافزایند تا بتوانند داده‌ها را جمع‌آوری و استفاده کنند و با اشیا دیگر یا اینترنت ارتباط برقرار کنند. یکی از اصول اصلی IoT این است که اشیا، افراد یا دستگاه‌ها (‏مانند روبات‌های آموزشی)‏با شناسه‌های منحصر به فرد و توانایی انتقال داده‌ها در یک شبکه بدون نیاز به تعامل انسان به انسان یا انسان به کامپیوتر ارائه می‌شوند. ​

این رویکرد IoT ممکن است در کلاس چه شکلی باشد؟ چه اتفاقی می‌افتد اگر دستکاری‌هایی مانند بلوکهایی  با اندازه و رنگ‌های مختلف که برای توسعه درک شمارش پایه مورد استفاده قرار می‌گیرند، حسی سازی شوند. هر بلوک می‌تواند هویت خود را بداند (‏به عنوان مثال، من یک بلوک قرمز نشان‌دهنده ۱۰ واحد هستم)‏و می‌دانم که در کجا در ارتباط با بلوک‌های دیگر قرار دارد (‏به عنوان مثال، من با دو بلوک قرمز دیگر و یک بلوک سبز نشان‌دهنده یک صد)‏. اگر از یاد گیرنده خواسته می‌شد تا بلوک‌های سی تایی را انتخاب کند، بلوک می‌دانست که الگویی که بخشی از آن بود در مجموع سی تایی نبود. بلوک سبز می‌داند که ارزش آن به تنهایی از کل هدف فراتر رفته و می‌تواند یک چراغ LED در داخل داشته باشد که نشان می‌دهد در مکان اشتباهی قرار دارد. در این تعامل به هیچ معلم یا مربی نیاز نیست، اما چیزی که مورد نیاز است برخی AIED است که رفتار بلوک‌ها را کنترل می‌کند. این تنها یک مثال ساده است، اما نمونه‌های پیچیده‌تر چه شکلی خواهند بود؟ برای مثال، یک دانش‌آموز را تصور کنید که نواختن گیتار را در درس‌های موسیقی در مدرسه یاد می‌گیرد اما هنوز در مرحله تسلط بر انگشتان نت‌های اصلی است. امتیاز موسیقی که بر روی صفحه الکترونیکی آن‌ها نشان‌داده شده‌است می‌تواند یک سیگنال به گیتار در مورد اینکه چه آکورد در آینده باید اجرا شود ارسال کند و موقعیت انگشت می‌تواند به طور مستقیم بر روی تخته سایش ابزار برای دانش‌آموز نشان داده شود. یا تخته فیبر گیتار ممکن است دانش آموزان را حس کند که در حال لمس کردن تار هستند و این اطلاعات را به موسیقی ارسال می‌کنند که اگر آن را با رنگ سبز و یا قرمز نشان دهد، بار را روشن می‌کند. باز هم، هیچ معلمی در این تعامل یادگیری مورد نیاز نیست. اما اگر معلم می‌خواست بداند که آن دانش‌آموز چگونه کار می‌کند، اگر او در آن لحظه به دانش‌آموز دیگری کمک می‌کرد چه می شود؟ ​

این سیستم می‌توانست اشتباهات  دانش‌آموز را ثبت و تحلیل کند و به معلم توصیه کند که دانش‌آموز هنوز هم بین وترهای C و F سردرگم است، ممکن است معلم را فرا بخواند تا دانش‌آموز توجه شخصی را به خود جلب کند. یا ممکن است تنها چند تمرین دیگر بر روی برخی از موسیقی‌هایی که تغییرات C و F را نشان می‌دهند، توصیه کند. چه نوع AIED برای این نوع تدریس خصوصی شیء به شیء به معلم به دانش آموز مورد نیاز خواهد بود و چگونه می توان سیستم هایی را که قبلاً برای پشتیبانی از آن تطبیق داده بودیم؟ ​

دانش آموزان و خود کلاس می‌توانند حسگرهایی داشته باشند که به معلم در انجام وظایف مدیریت کلاس و همچنین یادگیری وظایف کمک کند. در حال حاضر یک نشان پوشیدنی در MIT توسط تیم سندی پنتلاند توسعه‌یافته است و توسط راه‌حل‌های جامعه سنجی تولید شده‌است که محل پوشنده لباس را دنبال می‌کند، زمانی که پوشنده های دیگر در محدوده هستند احساس می‌کنند و می‌توانند احساس را از لحن عاطفی پوشنده لباس تشخیص دهند. آن‌ها در حال حاضر ۵۰۰ دلار هزینه دارند، اما با توجه به همه فن‌آوری‌ها بدون شک ارزان‌تر خواهند شد و وقتی این کار را انجام می‌دهند، اگر همه دانش آموزان یکی از آن‌ها را بپوشند، چه کاری می توان برای کمک به معلمان در کلاس انجام داد؟ به عنوان مثال، او می‌تواند بداند که اگر یک دانش‌آموز بدون اجازه کلاس را ترک کند، و او می‌تواند دانش آموزان را به گروه‌ها اختصاص دهد و هشدار بگیرد اگر لحن صوتی هر گروه نشان دهد که آن‌ها از کلاس خارج شده‌اند. تشخیص اینکه آیا یک گروه پر سر و صداتر از بقیه کلاس ها است برای یک معلم آسان است، اما تشخیص این که آیا سطح بحث کاهش می‌یابد یا نه چون آن‌ها برای مثال در یک کار مشترک با یکدیگر صحبت نمی‌کنند. شاید استفاده از چنین مدال‌هایی در طول زمان اجازه جمع‌آوری و استخراج داده‌ها را بدهد به طوری که الگوهای معمول کار گروهی کوچک را بتوان شناسایی کرد و الگوهای سرگردان که در آن‌ها رفتار وظیفه خاموش نمایش داده می‌شود را بتوان از داده‌های پرت شناسایی کرد. سپس نشانه‌های دانش آموزان ممکن است روشن شوند تا نشان دهند که آیا آن‌ها در حال انجام وظیفه (‏سبز)‏یا خارج از وظیفه (‏قرمز)‏هستند به طوری که معلم بتواند نگاهی به اطراف اتاق بیندازد و به راحتی ببیند که چه گروه‌هایی را نیاز دارد تا در حین پرسه زدن در کلاس شرکت کند و فعالیت‌های یادگیری را نظارت کند. یا این داده‌ها می‌توانند به طور مستقیم به یک مربی آموزشی فرستاده شوند که سپس می‌تواند به سمت گروهی که نیاز به راهنمایی دارد حرکت کند. ​

دوربین‌های با کیفیت بالا در کلاس‌های درس ممکن است حمایت ارزشمند دیگری نیز داشته باشند. دوربین‌ها در ترکیب با تکنولوژی‌های تشخیص چهره می‌توانند به سیستم‌های دوربین اجازه دهند تا تصاویر را ثبت کنند و وضعیت احساسی فراگیران را حس کنند، و چهره افراد را همانطور که هست بشناسند. چه می‌شود اگر ما جریان ویدئو را از چندین کلاس درس استخراج کنیم تا ویژگی‌های یک فضای یادگیری که سازنده است را شناسایی کنیم و مدل‌های پیش بینی شده ای را  ایجاد کنیم و سپس مدل‌هایی از کلاس‌های درس بسازیم که در آن فعالیت کلی سازنده نیست؛ به طوری که بتوانیم تفاوت را به طور خودکار تنها از طریق جریان ویدئو بیان کنیم. این نوع نظارت ممکن است برای معلمان ابتدایی که تجربه کمتری در مدیریت کلاس درس و حفظ ترکیب درست کنترل و آزادی نسبت به معلمان با تجربه دارند، مفید باشد. چنین سیستمی می‌تواند به معلم در مورد چگونه  بازگرداندن کلاس به حالت سود مندی بازخورد دهد.

 چگونه مدل AIED می‌تواند از تدریس موثر در کلاس درس حمایت کند اگر داده‌های تعدادی از سنسورها در زمان واقعی در دسترس باشند؟ ​

برای به دست آوردن داده‌های دقیق‌تر که می‌تواند به نظارت هر چه بیشتر بر رفتار فردی فراگیران کمک کند تا کل کلاس درس؛  رفتار و عواطف دانش آموزان از طریق حسگرهای کلاس درس برای تکمیل اطلاعات در مورد فراگیران از منابع دیگر ثبت می شود. حسگرهای حرکتی مانند سیستم کینیکت و حسگرهای بیومتریک مانند مچ‌بندهایی که بسیاری از مردم برای اهداف تناسب اندام می‌پوشند، ممکن است برای جمع‌آوری اطلاعات در مورد چگونگی درگیر شدن دانش آموزان و تماشای رفتارهای خارج از وظیفه مورد استفاده قرار گیرند. داده‌های حاصل از حسگرهای بیومتریک که حجم خون و پاسخ پوست گالوانیزه را ردیابی می‌کنند، می‌توانند برای تشخیص تغییرات در خلق و خو و چگونگی تمرکز یک دانش آموز مورد استفاده قرار گیرند، چیزهایی که ما از قبل می‌دانیم مربوط به یادگیری هستند. کاربردهای دیگر ممکن است نظارت بر دانش‌ آموزانی باشد که در گروه‌های کوچک کار می‌کنند تا تشخیص دهند که یک گروه در چه زمانی در حال فعالیت است در مقابل تمرکز نشده و تحقیقات در مورد آن در مرکز تحقیقات علوم یادگیری در استرالیا در حال انجام است (‏slrc.org.au)²‏. با این جریان‌های پویا و بالقوه داده‌ها، محققان AIED باید بر روی چگونگی درک آن‌ها در یک زمینه یادگیری و اینکه در نتیجه چه اقداماتی باید انجام دهند، کار کنند (‏برای مثال، به معلم انسان یا مربی آموزشی اطلاع دهید)‏. ​

 

یافته ها :

برای حرکت به سوی این چشم‌انداز به چه چیزی نیاز است؟ ​

ایده‌های مطرح‌شده در این مقاله با ایده‌های بیان‌شده توسط نویسندگان دیگر در این موضوع مرتبط هستند. مقاله ارین واکر و امی اگان بر نیاز به شناخت نقش اجتماعی استفاده از فن‌آوری در یادگیری تمرکز دارد. روبات‌های آموزشی، اگر به خوبی طراحی شده‌باشند، نقش اجتماعی را در کلاس ایفا می‌کنند، درست مانند دستیار معلم در حال حاضر. با بازگشت به سال ۱۹۹۹، جان سلف (‏۱۹۹۹)‏استدلال کرد که AIED تنها زمینه فن‌آوری آموزشی پیشرفته است که هدف آن ساخت سیستم‌های یادگیری مبتنی بر کامپیوتر است که تلاش می‌کنند با نیازهای فراگیران سازگار شوند و بنابراین تنها سیستم‌هایی هستند که تلاش می‌کنند از این نظر به یادگیرندگان توجه کنند. شاید ما بتوانیم این ایده را در AIED بسط دهیم تا فراتر از پرداختن به رفاه تحصیلی دانش آموزان رفته و گسترش دهیم تا نگرانی عمومی‌تر برای رفاه دانش آموزان را بررسی کنیم. تحقیقات در علوم اعصاب و فیزیولوژی یادگیری نشان داده‌است که یک رابطه قوی بین احساسات و شناخت وجود دارد (‏زول، ۲۰۰۲، ۲۰۱۱)‏. مطالعات نشان داده‌اند که دانش آموزان معلمانی که علاقه شخصی خود را به آن‌ها فراتر از موضوع بلافاصله یادگرفته شده نشان می‌دهند، بیشتر درگیر و با انگیزه هستند، و برعکس، در غیاب یک معلم مراقب، یادگیری مختل می‌شود. آیا یک مربی آموزشی مراقب تاثیرات مشابهی خواهد داشت؟ ​

ایده‌های بیان‌شده در اینجا همچنین با مقاله نیکلاس رومل در مورد درک محاسباتی عمیق‌تر تعاملات اجتماعی، هماهنگی، و دیگر ساختارهای دارای تاثیر سنگین ارتباط دارند. برای اینکه روبات‌های آموزشی موثر باشند، باید در تعامل با همه انواع دانش‌اموزان برای دوره‌های طولانی، خوب باشند، و یادگیری خود را در طیف وسیعی از موضوعات نظارت کنند. برای انجام این کار، جامعه تحقیقاتی AIED باید تلاش بیشتری برای توسعه انواع مهارت‌هایی که رومل در مقاله خود توصیف می‌کند، انجام دهد. ​

حرکت به سمت روبات‌های آموزشی در کلاس از قبل آغاز شده‌است. ژاپن و کره‌جنوبی، به طور خاص، این هدف را با روبات‌های بزرگ‌تر و واقعی‌تر دنبال می‌کنند. سوئیس شروع به بررسی این موضوع کرده‌است که چگونه میتوان از ربات‌های کوچک و آماده استفاده در یادگیری استفاده کرد. محققان AIED باید با متخصصان رباتیک تماس بگیرند و دریابند که وضعیت هنر در رباتیک چگونه است. ما همچنین نیاز داریم که به محققان رباتیک بگوییم که زمینه ما در حال حاضر قادر به چه کاری است. ما همچنین نیاز داریم که به محققان رباتیک بگوییم که زمینه ما در حال حاضر قادر به چه کاری است. ​

AIED رشته ای است که محل تلاقی چندین زمینه مانند علوم کامپیوتر، تحقیقات آموزشی، روانشناسی شناختی، طراحی آموزشی و روانسنجی است. کسانی که در AIED دخیل هستند می دانند که انجام کار بین انضباطی واقعا سخت است. ​

برای هم‌کاری موثر، هر عضو تیم باید حداقل یک شناخت ابتدایی از زمینه‌های سایر شرکا به دست آورد. به این ترتیب ارتباط برقرار می‌شود و تیم می‌تواند با هم‌کاری یکدیگر مشکلات طراحی و تحقیق را حل کند. اما ساختن این سطح از دانش و هم‌کاری مشترک زمان می‌برد، بنابراین اگر AIED و رباتیک بخواهند برای حل مشکلات آموزشی کنار هم بیایند، پس ما باید برخی از تبادل اولیه دانش را ترتیب دهیم. شاید برخی کارگاه‌ها یا جلسات آموزشی مشترک، یا حتی بازدید از آزمایشگاه‌های تحقیقاتی یکدیگر، بازدیدهای فرصت طلبانه یا تبادل دانش‌اموزان دکترا و یا پس از پایان دوره، توپ را به دست آورند. تا زمانی که محققان AIED و رباتیک بیشتر در مورد اصول یکدیگر درک کنند، ما قادر به شناسایی روش‌هایی نخواهیم بود که این زمینه‌ها می‌توانند با هم برای توسعه روبات‌های آموزشی کار کنند، یا چیز دیگری که در حال حاضر ما قادر به پیش‌بینی یا تصور آن نیستیم. ​

برای حرکت به سمت دیدگاه بیان‌شده در این مقاله، نیاز به استفاده بیشتر از تکنولوژی‌های واسطه است که امکان گسترش انواع رابط‌های تکنولوژی انسانی فراتر از صفحه‌کلید و موشواره را فراهم می‌کند. تکنولوژی‌های واسطه مانند پردازش زبان طبیعی گفت و گو، بخش کلیدی داشتن یک رابط طبیعی با روباتیک یا دیگر فن‌آوری‌های هوشمند، در سال‌های اخیر به میزان زیادی پیشرفت کرده‌اند و با ظهور رویکردهای جدید برای یادگیری ماشینی مانند یادگیری عمیق، بدون شک این ها به بهبود ادامه خواهند داد. برخی از محققان AIED قبلا گفتمان گفتاری را در سیستم‌های خود گنجانده اند و یک کارگاه کنفرانس AIED در سال ۲۰۰۹ در زمینه پردازش زبان طبیعی آموزشی وجود داشت که به پردازش زبان خاص صادر شده در گفتگوهای آموزشی می‌پرداخت و مروری بر پیشرفت به سمت گفتمان محاوره‌ای در سیستم‌های آموزشی هوشمند در روس و همکاران (‏۲۰۱۳)‏به چشم می‌خورد. تکنولوژی‌های واسطه دیگر مانند رابط‌های لمسی و لمسی نیز در اجازه دادن به تعامل با ربات‌ کمکی ها و کلاس‌های هوشمند نقش دارند. همچنین پیشرفت‌هایی در دستگاه‌های واقعیت مجازی و تقویت‌شده مانند Oculus RIFT وجود دارد که ممکن است کاربردهایی برای cobot ها و کلاس‌های هوشمند داشته باشد. ​

ما باید آژانس‌های سرمایه‌گذاری تحقیقاتی در سراسر جهان را متقاعد کنیم که این یک حوزه جدید با پتانسیل و دریافت بودجه برای برخی از شواهد کار مفهومی برای کشف آنچه ممکن است است. به عنوان اولین گام، آژانس‌ها می‌توانند از برخی از کسانی که می‌خواهند شما را از رویداده‌ای تایپ کنند حمایت کنند و یک گام پس از آن می‌تواند داشتن گروهی از محققان میان رشته‌ای باشد که شناسایی کنند چه حوزه‌هایی از تحقیقات مشترک می‌توانند تامین مالی شوند. بنیاد ملی علوم در ایالات‌متحده آمریکا این نوع تفکر رو به جلو را در AIED انجام داد تا بودجه تحقیقاتی خود را در فن‌آوری آموزشی در گذشته شکل دهد و به گسترش بسیاری از آخرین پیشرفت‌ها در این زمینه کمک کرد. در واقع، NSF در حال حاضر در حال سرمایه‌گذاری در پروژه‌ها در این زمینه است. به عنوان مثال، محقق AIED، لوئیس جانسون (‏۲۰۱۵)‏در حال اجرای پروژه‌ای به نام RALLe است که در حال بررسی چگونگی طراحی تجربیات یادگیری مبتنی بر شبیه‌سازی برای یادگیری زبان با توسعه یک ربات نمونه اولیه لیفلیک است که در مکالمات در زبان خارجی شرکت می‌کند و کاربرد آن را در محیط‌های آموزشی مطالعه می‌کند. مقاله تحت عنوان تعامل رو در رو با نمایندگان آموزشی را ببینید، بیست سال بعد جانسون و لستر در جلد ۱ این موضوع خاص برای جزئیات بیشتر. شاید یک راه برای جلو بردن این موضوع برگزاری یک کارگاه در یک کنفرانس مانند تعامل روبات انسان (‏HRI)‏، تعامل چند وجهی (‏ICMI)‏، یا در AIED باشد. ​

همچنین یک کنفرانس تحقیقاتی در مورد اینترنت اشیا وجود دارد که پنجمین گردهمایی خود را در سال ۲۰۱۵ برگزار کرد و توسط موسسه مهندسان برق و الکترونیک (‏IEEE)‏حمایت مالی شد. طیف وسیعی از دستگاه‌ها که در حال حاضر به نوعی هوشمند هستند در حال افزایش است و اگر محققان AIED بخواهند بفهمند چه ترکیبی از آن‌ها می‌تواند از معلمان و دانش آموزان در کلاس درس حمایت کند، ممکن است مجبور شوند مجموعه‌ای از حسگرهای احتمالی را خریداری کنند و ببینند چه کاری می‌توانند با آن‌ها انجام دهند. با این حال، شاید محققان AIED به جای تلاش برای انجام این کار به تنهایی، باید با بخش‌های مهندسی برق در دانشگاه‌های خود کار کنند. مانند زمینه روباتیک آموزشی، برخی از تزریق بودجه تحقیقاتی برای قادر ساختن محققان AIED برای دانستن این که چه فن‌آوری‌هایی در دسترس هستند و چه کسی کار مربوطه را در رشته‌های دیگر انجام می‌دهد، برای پیشبرد این مسیر بسیار مفید خواهد بود. ​

 

 

 

نتیجه‌گیری

هدف از پژوهش حاضر استفاده از هوش مصنوعی در آموزش و پرورش با ربات های کمکی آموزشی و محیط یادگیری هوشمند است. در حال حاضر AIED (هوش مصنوعی در آموزش ) به اندازه کافی رشد یافته تا قادر باشد به طور عمده از طریق کامپیوترها و پدها با دانش آموزان به شیوه‌های جدید ارتباط برقرار کند و به معلمان کمک کند تا تدریس موثرتری داشته باشند. ​عمدتا، سیستم‌های هوشمند AIED که تا کنون وجود داشته اند، از کامپیوترها و سایردستگاه هایی که اساسا برای کسب‌وکار یا استفاده شخصی طراحی شده‌اند،تشکیل شده بودند. آن ها به طور خاص برای آموزش استفاده نمی شدند . آینده نوید ایجاد تکنولوژی‌های طراحی‌شده به طور خاص برای یادگیری و آموزش با ترکیب قدرت AIED با پیشرفت در زمینه رباتیک و افزایش استفاده از دستگاه‌های حسگر برای نظارت بر محیط اطراف و اقدامات ما را می‌دهد. پیام این مقاله  این است که زمان آن رسیده که AIED از جعبه خارج شود، به این معنی که کامپیوتر بتواند در دستگاه‌های دیگری مانند ربات‌ها و در کلاس‌های درس هوشمند تعبیه شود. ایده‌های ارائه‌شده در اینجا به معنای تحریک برای شروع تفکر در مورد این است که چه راه‌های ممکن برای تحقیقات آینده AIED وجود دارد و من می‌دانم که برخی قبلا در این زمینه تحقیق کرده‌اند، بنابراین این ایده‌ها ممکن است برای شما تازگی نداشته باشند. با این حال، من تصور نمی‌کنم که ما بلافاصله قادر به ساخت یک مربی آموزشی کاملا موثر باشیم یا یک کلاس درس هوشمند را در چند سال آینده توسعه دهیم، اما می‌توانیم یک مسیر در آن جهت تعیین کنیم. مشارکت در این دوره از فعالیت‌ها منجر به گسترش قابل‌توجهی برای این حوزه شده و منجر به هم‌کاری‌های جدید با زمینه‌های دیگر مانند رباتیک و مهندسی برق خواهد شد.

پیشنهادات :

موضوعات تحقیقات آینده می‌تواند شامل:

1-       ایجاد سیستم‌هایی باشد که تعامل اجتماعی را فراهم می‌کنند (‏بسط یادگیری مشارکتی پشتیبانی شده کامپیوتری که در حال حاضر وجود دارد)‏؛

2-       بررسی روش‌های جدید برای ارتباط بین فراگیران، معلمان و تکنولوژی‌های حمایتی و بررسی کاربرد اینترنت اشیا در آموزش.

3-       بیشتر چیزهایی که ما در مورد چگونگی مدلسازی دانش و آنچه که یادگیرنده به همراه روش‌هایی برای ارائه بازخورد و تعلیم و تربیت می‌داند را می توان به ربات‌ها منتقل کرد. انجام این کار راه‌های بیشتری را برای درک حالت موثر یادگیرنده و تعامل با آن‌ها به روش‌های مختلف معرفی می‌کند. این امر منجر به چالش‌های جدیدی خواهد شد که برای AIED بسیار هیجان‌انگیز خواهد بود و به ما اجازه خواهد داد تا مدل‌ها و روش‌های خود را توسعه دهیم.

4-       قرار دادن AIED در کلاس‌های هوشمند، جریان‌های داده زمان واقعی را از تعداد زیادی از سنسورها در کلاس تولید می‌کند و بر روی فراگیران تمرکز می‌کند و به مقادیر زیادی از داده کاوی آموزشی نیاز دارد و منجر به مدل‌های جدیدی از نحوه رفتار فراگیران در محیط گسترده‌تر کلاس و نه فقط با بسته‌های آموزشی که تا به امروز توسعه داده‌ایم، می‌شود.

5-        یک گام عملی به جلو ممکن است برگزاری یک کارگاه در زمینه ربات‌های آموزشی و کلاس‌های درس هوشمند در AIED یا یک کنفرانس مرتبط مانند تعامل انسان - ربات باشد. اکنون این به شما بستگی دارد که AIED در کجا قرار می گیرد. ​

6-        کلاس‌های درس فردا، روبات‌های آموزشی به معلمان کمک کنند و نمونه‌هایی از کارهای فعلی در زمینه روباتیک را ارائه دهند.

7-        همچنین کلاس‌های درس هوشمندی که از حسگرها برای حمایت از یادگیری استفاده می‌کنند و نشان دهند که اگر برنامه‌های AIED در آن‌ها به کار گرفته شوند، چگونه می‌توانند روش‌های جدید مورد استفاده قرار گیرند. ​

8-       کاربرد روباتیک برای آموزش به عنوان راهی برای ایجاد سیستم‌هایی پیشنهاد شده‌است که از محدودیت‌های پارادایم کامپیوتر سنتی فراتر رفته و تعامل اجتماعی بیشتری را فراهم می‌کند که با تمایلات بیولوژیکی ما در یادگیری متناسب است.

9-        کاربرد AIED برای IoT به عنوان راهی برای ارائه روش‌های جدید پشتیبانی از یادگیری و برای اعمال نفوذ کلان داده از تعاملات غنی با فن‌آوری‌های هوشمند برای ایجاد ارزش برای معلم و کلاس درس ‌است.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

​

​Refrences:

 

1.        Gulson KN, Witzenberger K. Repackaging authority: artificial intelligence, automated governance and education trade shows. Journal of Education Policy. 2022;37(1):145-60.

2.        Li S, Xu LD, Zhao S. The internet of things: a survey. Information systems frontiers. 2015;17:243-59.

3.        Green MJ, Cohen DA. Domain permutation reduction for constraint satisfaction problems. Artificial Intelligence. 2008;172(8-9):1094-118.

4.        Holmes W, Bialik M, Fadel C. Artificial intelligence in education. Globethics Publications; 2023.

5.        Krach S, Hegel F, Wrede B, Sagerer G, Binkofski F, Kircher T. Can machines think? Interaction and perspective taking with robots investigated via fMRI. PloS one. 2008;3(7):e2597.

6.        Ohnemus M, Perl A. Shared autonomous vehicles: Catalyst of new mobility for the last mile? Built Environment. 2016;42(4):589-602.

7.        bin Ahmad A, bin Othman Z, Arshah RA, Kamaludin A, editors. The suitability of Technology, Organization and Environment (TOE) and Socio Technical System (STS) for assessing IT Hardware Support Services (ITHS) Model. Journal of Physics: Conference Series; 2021: IOP Publishing.

8.        Kiesler S, Powers A, Fussell SR, Torrey C. Anthropomorphic interactions with a robot and robot–like agent. Social cognition. 2008;26(2):169-81.

9.        Oshima J, Oshima R, Miyake N. Collaborative Reading Comprehension with Communication Robots as Learning Partner. 2012.

10.        Shiomi M, Kanda T, Howley I, Hayashi K, Hagita N. Can a social robot stimulate science curiosity in classrooms? International Journal of Social Robotics. 2015;7:641-52.

11.        Loos R. CoWriter: Children using robots to learn writing. Robotics Today, March. 2015;8:2015.

12.        Kennedy J, Baxter P, Belpaeme T. Comparing robot embodiments in a guided discovery learning interaction with children. International Journal of Social Robotics. 2015;7:293-308.

 

 

1

---

[1]  artificial intelligence

[2] 1Science of Learning Research Centre

---