طراحی و ارزیابی سیستم های یادگیری تطبیقی مبتنی بر هوش مصنوعی برای آموزش مفاهیم پیچیده مهندسی برق (مطالعه موردی: نظریه مدار و الکترومغناطیس)

آموزش مفاهیم بنیادین و در عین حال پیچیده مهندسی برق، مانند نظریه مدار و الکترومغناطیس، همواره با چالش هایی نظیر انتزاعی بودن مطالب، نیاز به درک عمیق ریاضیات و تنوع در سبک ها و سرعت یادگیری دانشجویان مواجه بوده است. رویکردهای آموزشی سنتی که عمدتا مبتنی بر یک الگوی “یکسان برای همه” (one−size−fits−allone-size-fits-allone−size−fits−all) هستند، قادر به پاسخگویی موثر به این نیازهای فردی نبوده و اغلب منجر به کاهش انگیزه و درک سطحی مفاهیم می شوند. این مقاله، به بررسی و ارائه یک چارچوب مفهومی برای طراحی و ارزیابی سیستم های یادگیری تطبیقی (Adaptive Learning Systems − ALSAdaptive\ Learning\ Systems\ -\ ALSAdaptive Learning Systems − ALS) مبتنی بر هوش مصنوعی (AIAIAI) به منظور غلبه بر این چالش ها می پردازد. با استفاده از یک روش شناسی مرور نظام مند ادبیات، این پژوهش به تحلیل مولفه های کلیدی چنین سیستم هایی، شامل مدل دانشجو (Student ModelStudent\ ModelStudent Model)، مدل دامنه (Domain ModelDomain\ ModelDomain Model)، و مدل آموزشی (Pedagogical ModelPedagogical\ ModelPedagogical Model) می پردازد. یافته ها نشان می دهد که استفاده از تکنیک های هوش مصنوعی، به ویژه یادگیری ماشین، برای مدل سازی دانش، پیش بینی خطاهای متداول و شخصی سازی مسیر یادگیری (ارائه محتوای مناسب، تمرین های هدفمند و بازخورد آنی)، پتانسیل بالایی برای افزایش عمق یادگیری، بهبود نرخ موفقیت دانشجویان و تقویت مهارت های حل مسئله دارد. در نهایت، این مقاله پیشنهادات کاربردی مبسوطی را برای طراحان آموزشی، اساتید دانشگاه و توسعه دهندگان نرم افزار جهت پیاده سازی موفقیت آمیز این سیستم ها در محیط های آموزش عالی مهندسی برق ارائه می دهد.

کلیدواژه ها:

یادگیری تطبیقی ، هوش مصنوعی در آموزش ، آموزش مهندسی برق ، سیستم های آموزشی هوشمند (ITSITSITS) ، شخصی سازی یادگیری ، نظریه مدار ، الکترومغناطیس ، مدل سازی دانشجو