فناوری آموزش - هوش مصنوعی
محمدرضا رضائی؛ احسان پازوکی؛ رضا ابراهیم پور
چکیده
پیشینه و اهداف: در عصر حاضر، با توجه به گسترش روزافزون فناوری در سراسر جهان، سیستم‌های آموزش الکترونیکی به‌سرعت در حال گسترش هستند. با پیشرفت آموزش الکترونیکی حرکت از سمت آموزش سنتی (رویکرد ارائه یک آموزش برای همه) به سمت آموزش شخصی‌سازی شده آغاز شد. آموزش شخصی‌سازی شده یک رویکرد آموزشی است که هدف آن، سفارشی کردن یادگیری براساس ...
بیشتر
پیشینه و اهداف: در عصر حاضر، با توجه به گسترش روزافزون فناوری در سراسر جهان، سیستم‌های آموزش الکترونیکی به‌سرعت در حال گسترش هستند. با پیشرفت آموزش الکترونیکی حرکت از سمت آموزش سنتی (رویکرد ارائه یک آموزش برای همه) به سمت آموزش شخصی‌سازی شده آغاز شد. آموزش شخصی‌سازی شده یک رویکرد آموزشی است که هدف آن، سفارشی کردن یادگیری براساس نقاط قوت، مهارت‌ها، علایق و نیازهای یادگیرنده است. این روش از آموزش مانند هر شیوه نوین دیگری دارای نقاط ضعف و قوت است. در واقع، می‌توان افزایش انگیزه و کسب مهارت خودحمایتی را از مزایای مهم این نوع از آموزش دانست. در مقابل، به‌عنوان نقاط ضعف این روش می‌توان به زمان‌بر بودن آموزش، چالش در پیاده‌سازی و عدم وضوح در شیوه به‌کارگیری اشاره کرد. با توجه به در دسترس بودن داده‌های بسیار از یادگیرندگان، استفاده از هوش مصنوعی جهت شخصی‌سازی آموزش هم کیفیت را افزایش می‌دهد و هم باعث جذابیت آموزش خواهد شد. امروزه، یکی از شیوه‌های شخصی‌سازی آموزش، ارائه براساس ترجیحات یادگیرندگان است. ترجیحات یادگیرنده می‌تواند به‌صورت خودانگارانه و به‌طور صریح با درخواست مستقیم از یادگیرنده یا به‌صورت ضمنی و جمع‌آوری و پایش داده‌ها شناسایی و استخراج شود. امروزه مدل‌سازی ترجیحات کاربر یکی از چالش برانگیزترین وظایف در سیستم‌های آموزش الکترونیکی است که با حجم زیادی از اطلاعات سروکار دارد. هدف این پژوهش، استخراج ضمنی ترجیحات یادگیرنده با بهره‌گیری از یک سامانه آموزشی هوشمند تعاملی برخط است که مدل‌سازی ترجیحات یادگیرنده با استفاده از مفهوم‌سازی برای اشیای یادگیری از طریق گسترش پروفایل و بهره‌گیری از الگوریتم‌های هوش مصنوعی انجام می‌شود. مدل با داده‌های تعاملی جمع‌آوری شده آموزش دیده و اشیای یادگیری جدید را براساس ترجیحات یادگیرنده در اختیار او قرار می‌دهد. این پژوهش، از نظر هدف کاربردی است.روش‌ها: در این پژوهش، با توجه به جامعه در دسترس ما، 29 آقا و خانم دانشجوی کارشناسی رشته کامپیوتر، با میانگین سنی 5/21 سال که درس یادگیری ماشین را نگذرانده بودند، به‌عنوان شرکت‌کننده همکاری داشتند. شرکت‌کنندگان پس از ثبت‌نام به‌صورت تصادفی به دو گروه کنترل و آزمایش تقسیم شدند. به گروه آزمایش محتوای شخصی‌سازی شده منطبق با ترجیحات و به گروه کنترل محتوای نامنطبق با ترجیحات ارائه شد. پس از طی آموزش، میزان یادگیری و بار شناختی شرکت‌کنندگان توسط آزمون عملکردی طراحی شده و پرسش‌نامه شاخص بار کاری ناسا مورد سنجش قرار گرفت. در پایان سطح معناداری نتایج به‌دست آمده دو گروه با استفاده از آزمون آماری تی مستقل مورد ارزیابی قرار گرفت.یافته‌ها: براساس نتایج به‌دست آمده، میانگین نمرات آزمون عملکردی گروه آزمایش که محتوای منطبق با ترجیحات دریافت کرده بودند نسبت به میانگین گروه کنترل با مقدار 7/0p= دارای اختلاف معنادار نبود (ضمن انجام یادگیری)؛ اما میانگین بار شناختی گروه آزمایش نسبت به میانگین بار شناختی گروه کنترل با مقدار 00/0p= به‌صورت معنادار پایین تر گزارش شد.نتیجه‌گیری: براساس یافته‌های پژوهش، ارائه محتوای آموزشی شخصی‌سازی شده براساس ترجیحات یادگیرندگان با استفاده از تکنیک گسترش پروفایل، در زمان یادگیری، بار شناختی را میزان قابل توجهی کاهش داد. بنابراین، ارائه محتوای آموزشی براساس ترجیحات یادگیرندگان، به‌عنوان یکی از شیوه‌های آموزشی شخصی‌سازی شده در یادگیری الکترونیکی، نقش مهمی‌در کاهش بار شناختی یادگیرندگان ایفا می‌کند.
