بهینه سازی زمان بندی تکالیف آموزشی با بهره گیری از الگوریتم های RLA جهت ارتقا یادگیری مستمر

با پیشرفت فناوری های نوین در حوزه آموزش و یادگیری، به کارگیری الگوریتم های هوش مصنوعی به ویژه الگوریتم های یادگیری تقویتی (Reinforcement Learning Algorithms - RLA) در فرآیندهای آموزشی، مورد توجه گسترده ای قرار گرفته است. یکی از چالش های مهم در نظام های آموزشی، زمان بندی مناسب تکالیف به گونه ای است که منجر به یادگیری مستمر و بهبود عملکرد دانش آموز یا دانشجو گردد. در این مقاله، سعی شده با مرور مطالعات و تحقیقات اخیر، ظرفیت های الگوریتم های یادگیری تقویتی در بهینه سازی زمان بندی تکالیف آموزشی مورد تحلیل قرار گیرد. این الگوریتم ها با الگوبرداری از سازوکارهای تصمیم گیری در محیط های پویای انسانی، می توانند به صورت پویا و تطبیقی، برنامه های زمانی مناسبی برای تکالیف طراحی نمایند. یافته های مطالعات موردی نشان می دهند که استفاده از الگوریتم هایی مانند Q-Learning و Deep Q-Network (DQN) در طراحی سیستم های آموزشی تطبیقی، منجر به بهبود میانگین نمرات کاربران بین ۸ تا ۱۵ درصد شده و کاهش نرخ فراموشی مطالب تا بیش از ۲۰٪ را نشان می دهد. همچنین، این الگوریتم ها قادرند بار شناختی یادگیرنده را با مدیریت حجم و زمان بندی تکالیف کاهش دهند. مقاله حاضر با رویکردی تحلیلی، به بررسی نحوه عملکرد RLA در بهبود اثربخشی زمان بندی تکالیف و ارتقاء یادگیری مستمر می پردازد و مسیرهای پژوهشی آتی را نیز معرفی می کند.

کلیدواژه ها:

یادگیری تقویتی (RLA) ، زمان بندی تکالیف ، یادگیری مستمر ، سیستم های آموزشی هوشمند ، Q-Learning