کاربرد هوش مصنوعی در طراحی مسیرهای یادگیری شخصی سازی شده برای دانشجویان علوم پزشکی: مرور سیستماتیک تجربیات جهانی

مقدمه: هوش مصنوعی (AI) با بهره گیری از الگوریتم های هوشمند، امکان شخصی سازی مسیرهای یادگیری را در آموزش علوم پزشکی فراهم کرده است. این فناوری با تطبیق محتوا با توانمندی ها و نیازهای فردی دانشجویان، موجب بهبود فرآیند یادگیری و افزایش مشارکت آن ها می شود. این مطالعه به بررسی تجربیات جهانی در زمینه کاربرد هوش مصنوعی در طراحی مسیرهای یادگیری شخصی سازی شده برای دانشجویان علوم پزشکی می پردازد و تصویری به روز از روندهای نوظهور در این حوزه ارائه می دهد. مواد و روش ها: بر اساس راهنمای PRISMA، مطالعه نظام مند با جستجو در پایگاه های Scopus، Science Direct، Google Scholar، PubMed و Cochrane Central Register Trials در بازه زمانی ۲۰۲۲ تا ۲۰۲۵ انجام شد. کلیدواژه های مورد استفاده شامل Artificial Intelligence، Learning Path Design، Personalized Learning و Medical Science Students به زبان انگلیسی و هوش مصنوعی، طراحی مسیر یادگیری، یادگیری شخصی سازی شده و دانشجویان علوم پزشکی به زبان فارسی بودند. از میان ۱۳۵ مطالعه، ۲۰ مطالعه انتخاب شدند. یافته ها: مطالعات نشان می دهند که هوش مصنوعی با تحلیل عملکرد و ویژگی های دانشجویان، مسیرهای یادگیری شخصی سازی شده ای طراحی کرده که به بهبود قابل توجه عملکرد تحصیلی و افزایش تعامل و انگیزه کمک می کند. با تطبیق سطح محتوا، برخی پلتفرم ها نمرات را تا ۲۵٪ افزایش دادند. الگوریتم های یادگیری ماشین به شناسایی نقاط ضعف و توصیه منابع متناسب کمک کرده اند. داشبوردهای تحلیلی با بازخورد فوری، به دانشجویان کمک می کنند تا نقاط قوت و ضعف خود را شناسایی و مهارت های خودمدیریتی را تقویت کنند. همچنین، سیستم های پیشنهادی مبتنی بر AI در انتخاب منابع آموزشی و تعیین اولویت های یادگیری نقش موثری داشته اند. چالش هایی چون حفظ حریم خصوصی، شفافیت الگوریتم ها و زیرساخت های ناکافی نیز گزارش شده است. نتیجه گیری: هوش مصنوعی با فراهم آوردن مسیرهای یادگیری شخصی سازی شده، به بهبود آموزش علوم پزشکی کمک می کند. غلبه بر چالش های فنی و اخلاقی برای بهره برداری کامل از ظرفیت این فناوری ضروری است.

کلیدواژه ها:

هوش مصنوعی ، طراحی مسیر یادگیری ، یادگیری شخصی سازی شده ، دانشجویان علوم پزشکی