نوع مقاله : مقاله پژوهشی

نویسندگان

• لیلا نامداریان ¹
• محمدرضا آرمانفر ²
• حمیدرضا خدمتگزار ³

¹ گروه پژوهشی سیاست اطلاعات، پژوهشکده جامعه و اطلاعات، پژوهشگاه علوم و فناوری اطلاعات ایران (ایرانداک)، تهران، ایران

² گروه مدیریت فناوری اطلاعات، دانشکده مدیریت و اقتصاد، دانشگاه تربیت مدرس، تهران، ایران

³ گروه پژوهشی مدیریت فناوری اطلاعات، پژوهشکده فناوری اطلاعات، پژوهشگاه علوم و فناوری اطلاعات ایران (ایرانداک)، تهران، ایران

چکیده

پیشینه و اهداف: یکی از مهم‌ترین تحولات اخیر، ظهور فناوری‌های آموزشی و ادغام هوش مصنوعی در نظام‌های یادگیری به ویژه در آموزش عالی است. هوش مصنوعی ظرفیت آن را دارد که فرآیندهای آموزش، یادگیری و کسب دانش را از اساس دگرگون کند و راهکارهای نوینی را برای بهبود عملکرد نظام‌های یادگیری فراهم آورد. پژوهش حاضر به بررسی پیامدهای کلیدی و فرصت‌های جدیدی که از ادغام فناوری‌های هوش مصنوعی در آموزش عالی به‌وجود می‌آید، می‌پردازد.
روش‌ها: این مطالعه با استفاده از مرور نظام‌مند ادبیات و مقالات علمی مرتبط با موضوع، ابتدا به شناسایی فناوری‌های هوش مصنوعی مورد استفاده در یادگیری پرداخته و سپس پیامدها و عملکردهای آن‌ها را در نظام یادگیری آموزش عالی تحلیل کرده است. فرآیند تحقیق در دو گام اصلی انجام شده است. گام اول به تحلیل چهار نظریه‌ یادگیری مهم شامل نظریه ساخت‌گرایی، ارتباط‌گرایی، یادگیری شخصی‌سازی‌شده و یادگیری تحول‌آفرین می‌پردازد. براساس این نظریه‌ها، مجموعه‌ای از فناوری‌های هوش مصنوعی که با اصول هر نظریه همخوانی دارند، شناسایی و معرفی شده‌اند. در گام دوم، این پژوهش با استفاده از روش تحلیل موضوعی، کارکردهای مختلف این فناوری‌ها را در آموزش عالی دسته‌بندی کرده است.
یافته‌ها: بر پایه نتایج، فناوری‌های هوش مصنوعی در نظام یادگیری عبارتند از: «سیستم‌های یادگیری انطباقی (ALS)» که با تجزیه و تحلیل داده‌های یادگیری، محتوای آموزشی را به‌صورت انطباقی برای هر دانشجو تنظیم می‌کنند؛ «سیستم‌های تدریس خصوصی هوشمند (ITS)» که به کمک الگوریتم‌های هوشمند، نقش معلم خصوصی را برای دانشجویان ایفا می‌کنند؛ «تجزیه و تحلیل یادگیری (AL)» که با تحلیل داده‌های یادگیری دانشجویان به بهبود فرآیندهای آموزشی کمک می‌کند؛ «سیستم‌های تولید و مدیریت محتوای مبتنی بر هوش مصنوعی (CPMS)» که به‌صورت خودکار محتوای آموزشی را تولید و مدیریت می‌کنند؛ «سیستم‌های تشخیص سرقت ادبی و تحلیل استنادی (PD&CA)» که امکان ارزیابی صحت و اصالت پژوهش‌ها را فراهم می‌کنند؛ «محیط‌های یادگیری اکتشافی (ELEs)» که به دانشجویان امکان تجربه‌ یادگیری عملی و اکتشافی را می‌دهند؛ و «سیستم‌های کمکی هوشمند برای معلولین (IAS)» که به دانشجویان با نیازهای خاص کمک می‌کنند تا دسترسی بهتری به آموزش داشته باشند. از جمله کارکردهای این فناوری‌ها عبارتند از «آموزش شخصی‌سازی‌شده» که از طریق تنظیم محتوای آموزشی براساس نیازهای هر دانشجو، تجربه یادگیری را بهبود می‌بخشد؛ «بازخورد بلادرنگ و شخصی‌سازی شده» که به دانشجویان امکان می‌دهد تا به سرعت نتایج عملکرد خود را مشاهده کرده و مسیر یادگیری خود را تنظیم کنند؛ «خودکارسازی ارزیابی‌ها و بهبود راهبردهای تدریس و برنامه‌های درسی» که به کمک هوش مصنوعی ارزیابی‌های کلاسی و طراحی دوره‌ها بهینه‌تر می‌شود؛ «تولید و مدیریت محتوای آموزشی» که به‌صورت خودکار و هوشمند انجام می‌شود؛ «پشتیبانی از پژوهش و نوآوری» که با استفاده از ابزارهای هوش مصنوعی به محققان کمک می‌کند تا داده‌های پژوهشی را تجزیه و تحلیل کنند و به نتایج جدید دست یابند؛ «ایجاد محیط‌های مجازی تعاملی و شبیه‌سازی‌های فراگیر» که تجربه یادگیری عملی را در محیط‌های مجازی ممکن می‌سازد؛ و «دسترس‌پذیری آموزش برای همه و حمایت از معلولان» که به وسیله فناوری‌های کمکی هوش مصنوعی، آموزش را برای تمامی دانشجویان، حتی کسانی که دارای معلولیت هستند، دسترس‌پذیر می‌کند.
نتیجه‌گیری: نتایج این مطالعه نشان می‌دهد که ادغام هوش مصنوعی در نظام یادگیری آموزش عالی می‌تواند به بهبود فرآیندهای آموزشی، شخصی‌سازی یادگیری، تسهیل دسترسی به آموزش برای تمامی دانشجویان، و افزایش بهره‌وری در مدیریت و تولید محتوای آموزشی منجر شود. با این حال، اجرای موفق این فناوری‌ها نیازمند توجه به چالش‌ها و ملاحظاتی از جمله حفظ تعاملات انسانی در آموزش، اخلاقیات و حریم خصوصی داده‌ها، و آموزش مهارت‌های جدید به اساتید و دانشجویان است. بنابراین، سیاست‌گذاران و مدیران آموزش عالی باید به گونه‌ای برنامه‌ریزی کنند که علاوه بر بهره‌گیری از فرصت‌های هوش مصنوعی، حفظ جنبه‌های انسانی آموزش را تضمین کرده و به یادگیری پایدار و توسعه توانایی‌های فردی دانشجویان توجه داشته باشند. همچنین لازم است که زیرساخت‌های فناوری و فرهنگ پذیرش نوآوری‌های دیجیتال در دانشگاه‌ها تقویت شود تا بتوان از ظرفیت‌های بالقوه هوش مصنوعی به‌طور کامل استفاده کرد.

کلیدواژه‌ها

• هوش مصنوعی
• آموزش عالی
• آموزش شخصی‌سازی شده
• یادگیری انطباقی

موضوعات

• محیط های یادگیری مبتنی بر فناوری

عنوان مقاله [English]

The Functions of Artificial intelligence technologies in higher education learning system: Aligning with the global evolution of learning

نویسندگان [English]

• L. Namdarian ¹
• M.R. Armanfar ²
• H.R. Khedmatgozar ³

¹ Information Policy Research Group, Information and Society Research Department, Iranian Research Institute for Information Science and Technology (IranDoc), Tehran, Iran

² Department of Information Technology Management, Faculty of Management & Economics, Tarbiat Modares University, Tehran, Iran

³ Information Technology Management Research Group, Information Technology Research Department, Iranian Research Institute for Information Science and Technology (IranDoc), Tehran, Iran

چکیده [English]

Background and Objectives: One of the most significant recent developments is the emergence of educational technologies and the integration of artificial intelligence (AI) into learning systems, particularly in higher education. AI has the potential to fundamentally transform the processes of teaching, learning, and knowledge acquisition, providing innovative solutions for improving the performance of learning systems. This research explores the key outcomes and new opportunities arising from the integration of AI technologies into higher education.
Methods: This study utilizes a systematic literature review of relevant academic papers to first identify the AI technologies used in learning, and then analyze their impacts and functions in higher education learning systems. The research was conducted in two main steps. The first step analyzes four major learning theories, including constructivism, connectivism, personalized learning, and transformative learning. Based on these theories, a set of AI technologies aligned with the principles of each theory were identified and introduced. In the second step, this research used thematic analysis to categorize the various functions of these technologies in higher education.
Findings: According to the results, AI technologies in learning systems include: Adaptive Learning Systems (ALS), which analyze learning data to adaptively adjust educational content for each student; Intelligent Tutoring Systems (ITS), which use intelligent algorithms to act as personal tutors for students; Learning Analytics (LA), which analyze students' learning data to enhance educational processes; AI-based Content Production and Management Systems (CPMS), which automatically produce and manage educational content; Plagiarism Detection and Citation Analysis Systems (PD&CA), which enable the evaluation of the authenticity and accuracy of research; Exploratory Learning Environments (ELEs), which allow students to engage in practical, exploratory learning experiences; and Intelligent Assistive Systems (IAS) for disabled students, which assist students with special needs in gaining better access to education. Some of the key functions of these technologies include personalized learning, which improves the learning experience by tailoring educational content to each student's needs; real-time and personalized feedback, which allows students to quickly view their performance and adjust their learning paths; automating assessments and improving teaching strategies and curricula, where AI helps optimize class assessments and course design; automatic and intelligent content creation and management; support for research and innovation, where AI tools help researchers analyze research data and achieve new findings; the creation of interactive virtual environments and immersive simulations that enable practical learning experiences in virtual settings; and making education accessible for all and supporting students with disabilities, where AI assistive technologies make education more accessible for all students, including those with disabilities.
Conclusion: The results of this study show that integrating AI into higher education learning systems can lead to improved educational processes, personalized learning, enhanced access to education for all students, and increased efficiency in the management and production of educational content. However, the successful implementation of these technologies requires attention to challenges and considerations, including maintaining human interaction in education, data privacy and ethics, and teaching new skills to both faculty and students. Therefore, policymakers and higher education administrators must plan in such a way that, in addition to utilizing the opportunities presented by AI, they also ensure the preservation of the human aspects of education and focus on sustainable learning and the personal development of students. Furthermore, it is necessary to strengthen technological infrastructure and foster a culture of embracing digital innovations in universities to fully utilize AI's potential. Finally, more research is needed to evaluate the long-term impacts of these technologies on the quality of education and the development of students' skills.

کلیدواژه‌ها [English]

• Artificial Intelligence
• Higher Education
• Personalized Education
• Adaptive Learning

COPYRIGHTS 
© 2025 The Author(s).  This is an open-access article distributed under the terms and conditions of the Creative Attribution-NonCommercial 4.0 International (CC BY-NC 4.0) (https://creativecommons.org/licenses/by-nc/4.0/)