فناوری آموزش - هوش مصنوعی
مجید عابدین؛ احسان پازوکی؛ رضا ابراهیم پور
چکیده
پیشینه و اهداف: از بدو حیات بشر روی زمین، همواره یادگیری به‌عنوان یکی از جنبه‌های توسعه و ترقی انسان، تمام جوانب زندگی او را دربرگرفته و جایگاه ویژه‌ای در برنامه‌های زندگی‌اش پیدا کرده است. از طرف دیگر، پیشرفت سریع فناوری در دهه‌های اخیر، تغییرات اساسی و چشمگیری در عالم آموزش و یادگیری به‌وجود آورده است. یکی از اصلی‌ترین تأثیرات ...
بیشتر
پیشینه و اهداف: از بدو حیات بشر روی زمین، همواره یادگیری به‌عنوان یکی از جنبه‌های توسعه و ترقی انسان، تمام جوانب زندگی او را دربرگرفته و جایگاه ویژه‌ای در برنامه‌های زندگی‌اش پیدا کرده است. از طرف دیگر، پیشرفت سریع فناوری در دهه‌های اخیر، تغییرات اساسی و چشمگیری در عالم آموزش و یادگیری به‌وجود آورده است. یکی از اصلی‌ترین تأثیرات پیشرفت فناوری در حوزه یادگیری، به‌وجود آمدن یادگیری الکترونیکی است. یادگیری الکترونیکی، ابزاری است که دسترسی به منابع آموزشی را در هر زمان و مکانی برای یادگیرندگان ممکن می‌سازد. از آن‌جاکه هر شخص دارای ویژگی‌ها، تمایلات و ترجیحات منحصربه‌فرد است، می‌توان از رویکرد «ارائه یک آموزش برای همه»، به‌عنوان یکی از ایرادات اساسی آموزش به شیوه سنتی نام برد. سبک یادگیری، به‌عنوان یکی از مهم‌ترین ویژگی‌های تأثیرگذار در امر یادگیری، بیانگر تمایلات و ترجیحات یک شخص به هنگام جذب و فهم مطالب است. بر همین اساس، ارائه آموزش تطبیقی براساس سبک یادگیری یادگیرنده با هدف افزایش بازدهی آموزشی و کاهش بار شناختی هنگام آموزش، امری ضروری و اجتناب‌‌ناپذیر است. هدف این پژوهش، بررسی تأثیر آموزش تطبیقی براساس سبک یادگیری یادگیرندگان است. در همین راستا، با بهره‌گیری از یک سامانه برخط، سبک یادگیری یادگیرندگان به‌وسیله پرسش‌نامه شاخص سبک یادگیری فلدر- سیلورمن استخراج شده و براساس آن به‌صورت خودکار محتوای آموزشی تطبیقی تولید و به یادگیرندگان ارائه شد. در نهایت، بار شناختی گزارش شده هنگام آموزش و عملکرد یادگیرندگان مورد بررسی قرار گرفت.روش‌ها: در این پژوهش 37 خانم و آقای دانشجوی کارشناسی رشته کامپیوتر، با میانگین سنی ۳/۲۰ سال، به‌عنوان شرکتکننده همکاری داشتند. ابتدا، شرکت‌کنندگان به دو گروه تقسیم شده و سبک یادگیری‌شان، به‌وسیله پرسش‌نامه شاخص سبک یادگیری فلدر- سیلورمن، تعیین شد. در ادامه به یک گروه محتوای آموزشی منطبق براساس سبک یادگیری‌شان، و به گروهی دیگر، محتوای آموزشی نامنطبق بر سبک یادگیری‌شان ارائه شد. پس از مطالعه درس ارائه‌شده، بار شناختی و میزان یادگیری شرکت‌کنندگان، به‌ترتیب با استفاده از پرسش‌نامه شاخص بار کاری ناسا و آزمون عملکرد طراحی‌شده، تعیین گردید. در نهایت، سطح معناداری نتایج به‌دست آمده دو گروه، با استفاده از آزمون آماری تی مستقل، مورد ارزیابی قرار گرفت.یافته‌ها: براساس نتایج به‌دست آمده تفاوت معناداری بین نمرات آزمون عملکرد دو گروه مشاهده نشد. اما در مقایسه بار شناختی دو گروه، میانگین بار شناختی گروهی که محتوای آموزشی منطبق براساس سبک یادگیری‌شان دریافت کرده بودند، نسبت به گروهی که محتوای آموزشی نامنطبق دریافت کرده بودند، با مقدار ۰۲/۰=p به‌صورت معناداری (0.05> p) بیشتر بود.نتیجه‌گیری: براساس یافته‌های پژوهش، ارائه محتوای آموزشی طبق سبک یادگیری یادگیرندگان، در زمان یادگیری، بار شناختی را به میزان قابل توجهی کاهش داد. بنابراین، ارائه آموزش شخصی‌‌سازی‌‌شده براساس سبک یادگیری، به‌عنوان یکی از شیوه‌های آموزش تطبیقی در یادگیری الکترونیکی، نقش مهمی در بهبود عملکرد و کاهش بار شناختی یادگیرندگان ایفا می‌کند.
فناوری آموزش - هوش مصنوعی
مریم رجبیان ده زیره
چکیده
پیشینه و اهداف: در دهه‌های اخیر، هوش مصنوعی به‌طور فزاینده‌ای در زندگی ما حضور پیدا کرده است و تأثیر قابل‌توجهی در زمینه‌های مختلف ازجمله آموزش داشته است. در قرن بیست و یکم، آموزش دستخوش تحولی عظیم است و قلب این انقلاب در هوش مصنوعی قرار دارد. هوش مصنوعی نحوه آموزش و یادگیری ما را اصلاح می‌کند و فرصت‌های فراوانی را برای بهبود تجربه‌آموزشی ...
بیشتر
پیشینه و اهداف: در دهه‌های اخیر، هوش مصنوعی به‌طور فزاینده‌ای در زندگی ما حضور پیدا کرده است و تأثیر قابل‌توجهی در زمینه‌های مختلف ازجمله آموزش داشته است. در قرن بیست و یکم، آموزش دستخوش تحولی عظیم است و قلب این انقلاب در هوش مصنوعی قرار دارد. هوش مصنوعی نحوه آموزش و یادگیری ما را اصلاح می‌کند و فرصت‌های فراوانی را برای بهبود تجربه‌آموزشی برای معلمان و دانش آموزان فراهم می‌کند. سکوهای آموزشی مبتنی بر هوش مصنوعی، توانایی جمع‌آوری و تجزیه‌وتحلیل حجم وسیعی از دادهها را دارند و به آنها امکان می‌دهد تا بینش‌هایی درباره نقاط قوت، ضعف و اولویت‌های یادگیری دانش‌آموزان به‌دست آورند. هدف از پژوهش حاضر شناسایی چالش‌ها و قابلیت‌های هوش مصنوعی در آموزش و یادگیری با ارائه راهکارها بود.روش‌ها: روش تحقیق کیفی از نوع پدیدارشناسی و با استفاده از راهبرد اکتشافی انجام شد. در پژوهش حاضر ابتدا اسناد مقالات و منابع با روش مرور نظام‌مند موردبررسی قرار گرفت. بعد از بررسی پیشینه تحقیق و تعیین شاخص‌های اولیه، مصاحبه با متخصصان انجام شد. متن مصاحبه با روش تحلیل مضمون تجزیه‌وتحلیل شد. جامعه آماری شامل کلیه متخصصین و اعضای هیئت‌علمی رشته تکنولوژی آموزشی و هوش مصنوعی بودند که 15 نفر از آنها با روش نمونه‌گیری هدفمند و با رعایت قانون اشباع نظری دادهها به‌عنوان نمونه انتخاب شدند. ابزار اندازه‌گیری دادهها شامل مصاحبه نیمه ساختاریافته بود. دادهها از طریق تحلیل مضمون و با رویکرد تفسیری کدگذاری شدند. برای تائید و برقراری روایی و قابلیت اعتماد دادهها از معیار قابلیت اطمینان و اعتبار نهایی استفاده شد.یافته‌ها: یافته‌های پژوهش نشان داد که 112 مضمون پایه، 29 مضمون سازمان‌دهنده و 3 مضمون فراگیر شناسایی شد. در این راستا مشکلات و چالش‌های هوش مصنوعی شامل چالش آموزشی، اخلاقی، حقوقی و امنیتی، اجتماعی و تعاملی، تکنولوژیکی و زیرساختی، فرهنگی و اقتصادی بود. براساس یافته‌های پژوهش، قابلیت‌های پژوهش شامل بهبود فرایند سنجش و ارزشیابی و ارائه بازخورد، دسترسی جهانی و عدالت آموزشی، ارتقای توانایی اساتید در فرایند آموزشی، آموزش رشته‌های مختلف، تولید محتوا، طراحی آموزشی، نوآوری در فرایند آموزشی، تقویت خلاقیت و تفکر، تعاملی کردن آموزش، آموزش و پشتیبانی کودکان با نیازهای ویژه، تقویت مهارت‌های علمی، ترغیب به یادگیری، نوآوری در ارائه خدمات آموزشی، هوش مصنوعی به‌عنوان دستیار آموزشی، انطباق آموزش با توجه به نیازهای فردی با بهره‌گیری از هوش مصنوعی بود. یافته‌های پژوهش نشان داد راهکارهای حل چالش‌ها عبارتند از استفاده از هوش مصنوعی به‌عنوان دستیار آموزشی، بررسی و ارزیابی داده‌های حاصل از هوش مصنوعی، تدوین سیاست‌ها، قوانین و آیین‌نامه‌ها در حوزه کاربرد هوش مصنوعی، تولید، ساخت و طراحی اپلیکیشن‌های هوش مصنوعی، تعامل بین متخصصان در حوزه هوش مصنوعی در آموزش، توسعه سخت‌افزارها و نرم فزارهای موردنیاز برای کاربرد هوش مصنوعی، بهبود روش‌های ارزیابی عملکرد با هوش مصنوعی، فرهنگ‌سازی و آموزش نحوه استفاده از هوش مصنوعی بود.نتیجه‌گیری: ایجاد برنامه‌های جامع سواد هوش مصنوعی برای اطمینان از اینکه فراگیران و مدرسان می‌توانند به‌طور مؤثر در چشم‌انداز هوش مصنوعی حرکت کنند، ضروری است. این برنامه‌ها نه‌تنها باید به جنبه‌های فنی، بلکه به حفظ حریم خصوصی دادهها و ملاحظات اخلاقی نیز بپردازند. با ارائه دانش و مهارت‌های لازم به افراد، مؤسسات می‌توانند استفاده اخلاقی از هوش مصنوعی را تشویق کنند و خطرات بالقوه را کاهش دهند.
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.
فناوری آموزش - هوش مصنوعی
ویدا گوهری؛ مرضیه کرامتی نوجه ده سادات؛ فریبا رمضانی ویشکی
چکیده
پیشینه و اهداف: آموزش و پرورش یکی از ارکان اصلی تولید دانش و علم در نیل به پیشرفت علمی و فرهنگی هر کشور توسط معلمان است و هرگونه ناکارآمدی در آن می‌تواند به چالش‌ها و مشکلات گسترده‌ای از منظر اجتماعی، فرهنگی، علمی، سیاسی، مذهبی و ... در جامعه بینجامد. ازاین‌رو تعیین ارزیابی شایستگی دانشجومعلمان به ویژه قبل از ورود به عرصه حرفه معلمی ...
بیشتر
پیشینه و اهداف: آموزش و پرورش یکی از ارکان اصلی تولید دانش و علم در نیل به پیشرفت علمی و فرهنگی هر کشور توسط معلمان است و هرگونه ناکارآمدی در آن می‌تواند به چالش‌ها و مشکلات گسترده‌ای از منظر اجتماعی، فرهنگی، علمی، سیاسی، مذهبی و ... در جامعه بینجامد. ازاین‌رو تعیین ارزیابی شایستگی دانشجومعلمان به ویژه قبل از ورود به عرصه حرفه معلمی از منظر دانش، مهارت و نگرش ضروری به نظر می‌آید. در این پژوهش، شایستگی نو معلمان قبل از ورود به آموزش و پرورش، با استفاده از شبکه عصبی هوش مصنوعی به‌عنوان یک ابزار محاسباتی دقیق ارزیابی شد.روش‌ها: در پژوهش حاضر، روش تحقیق از نوع کاربردی و به‌صورت کمّی است. جامعه آماری، دانشجویان دانشگاه فرهنگیان و نمونه آماری به‌صورت خوشه‌ای، تعداد 91 دانشجو معلم ورودی 1395-13۹4 رشته آموزش زیست‌شناسی مرکز آموزش عالی شهید بهشتی دانشگاه فرهنگیان مورد ارزیابی قرار گرفتند. نمونه آماری با حجم500 داده (80% آموزش و 20% تست) به‌عنوان شرکتکننده انتخاب و دادهها، براساس ریز نمرات فارغ‌التحصیلان در دروس عمومی، تربیتی، تخصصی تربیتی، تخصصی تئوری، کارنما، کارورزی و معدل کل جمع‌آوری و سپس با بهره‌گیری از تکنیک‌های استخراج ویژگی از ریزنمرات دانشجو معلمان مذکور، در فایل اکسل به داده‌های مناسب جهت تعیین شایستگی و عدم شایستگی آنها برچسب‌زنی شد و براساس یافته‌ها، به روش شبکه عصبی پیشخور مورد آموزش قرار گرفت. با توجه به بررسی‌های انجام شده بر روی لایه‌ها و تعداد نورون‌ها بر دادگان الگوریتم، شبکه عصبی سه لایه با دو لایه پنهان با تعداد نورون‌های 300 و یک لایه خروجی با تعداد 1 نورون طراحی شد.یافته‌ها: نتایج حاصل از بررسی شایستگی حرفه‌ای براساس ریزنمرات دانشجومعلمان و استخراج دادگان جدید در هفت بعد تخصصی تئوری، تخصصی تربیتی، عملی تربیتی، عمومی، کارورزی، کارنما و معدل کل نشان‌دهندۀ بالاترین میانگین با عدد 8/19 در دروس تربیتی و کمترین میانگین با عدد 67/16 در دروس تخصصی تئوری بود. آنالیز یافته‌ها با توجه به دادگان آموزشی موجود از فارغ التحصیلان و برچسب‌زنی افراد خبره، میزان شایستگی را به میزان 77/17 نشان داد.نتیجه‌گیری: ارزیابی شایستگی دانشجومعلمان دانشگاه فرهنگیان، براساس شبکه عصبی پیشخور هوش مصنوعی به‌عنوان یک رویکرد جدید در کشور انجام شد. طراحی شبکه عصبی مورد نظر براساس معیارهای موجود در روش ماتریس درهمریختگی صورت گرفت. بر این اساس معیارهای صحت و دقت برای شبکه عصبی پیشخور با دو لایه پنهان به ترتیب 94% و 95% بود و میزان شایستگی دانشجویان دانشگاه فرهنگیان در دروس مختلف، نمرات بالای 17 به‌عنوان شاخص مطلوب و نمرات پایین‌تر از 17 به‌عنوان شاخص نامطلوب در نظر گرفته شد. میزان شایستگی دانشجویان در دروس تربیتی با میانگین عددی 8/19 در حد مطلوب و در دروس تخصصی تئوری با میانگین عددی 67/16 در حد نامطلوب برآورد شد. این نتایج، لزوم توجه بیشتر به دروس تخصصی تئوری را خاطر نشان کرد؛ چرا که هر معلمی، در کنار تمام شاخصههای تربیتی، بایستی دانش و سطح علمی مناسب و کافی جهت ارائه درست و اصولی مطالب علمی به دانش‌آموزان را داشته باشد. علاوه براین، پیشنهاد می‌شود در پژوهش‌های دیگر با به‌کارگیری پرسش‌نامه‌های خاص مبتنی بر نگرش دانشجویان از حرفه معلمی، ضریب شایستگی ارزیابی می‌شود. از طرفی، دست‌خط دانشجو می‌تواند به‌عنوان یک شاخص دیگر در کنار سایر دادگان، مورد بررسی و مطالعه قرار گیرد. همچنین از الگوی شبکه عصبی هوش مصنوعی، جهت تعیین شایستگی دانشجو معلمان در سایر رشته‌های علوم پایه و علوم انسانی استفاده شود.
