هوش مصنوعی و عدالت آموزشی: آیا فناوری می تواند شکاف آموزشی را کاهش دهد؟

این مقاله به بررسی امکان و محدودیت استفاده از فناوری های هوش مصنوعی (AI) در جهت تقویت عدالت آموزشی اختصاص دارد. مسئله مرکزی این پژوهش آن است که آیا هوش مصنوعی می تواند شکاف های ناشی از نابرابری های اقتصادی، جغرافیایی و اجتماعی در دسترسی و کیفیت یادگیری را کاهش دهد یا بالعکس، این شکاف ها را تشدید می کند. در بخش مبانی نظری، مفاهیم کلیدی چون عدالت آموزشی، دسترسی دیجیتال، یادگیری شخصی سازی شده، تحلیل یادگیری و مخاطرات بایاس داده ها توضیح داده شده اند. مرور پیشینه نشان می دهد که ابزارهای AIEd مانند سامانه های آموزش تطبیقی، سیستم های توصیه گر و تحلیل یادگیری پتانسیل افزایش دسترسی و شخصی سازی را دارند (Luckin et al., ۲۰۱۶; Zawacki-Richter et al., ۲۰۱۹)، اما ریسک های ساختاری مانند سوگیری الگوریتمی و شکاف دیجیتال می تواند نتایج نامطلوبی به همراه آورد (Eubanks, ۲۰۱۸; OECD, ۲۰۲۴). روش مقاله توصیفی–تحلیلی و مبتنی بر مرور نظام یافته منابع فارسی و بین المللی است. یافته ها نشان می دهد که هوش مصنوعی در صورت طراحی انسان محور، شفافیت الگوریتمی، و توجه به زیرساخت ها و آموزش معلمان می تواند ابزار موثری برای پیشبرد عدالت آموزشی باشد؛ در غیر این صورت، خطر بازتولید نابرابری ها وجود دارد (UNESCO, ۲۰۲۱; Selwyn, ۲۰۱۹). مقاله در پایان به مجموعه ای از پیشنهادات سیاستی و اجرایی برای استفاده مسئولانه از AI در نظام های آموزشی می پردازد: تقویت زیرساخت ها، تنظیم استانداردهای داده و حریم خصوصی، توانمندسازی معلمان، و پایش تاثیر بر گروه های آسیب پذیر.

کلیدواژه ها:

هوش مصنوعی آموزشی ، عدالت آموزشی ، یادگیری شخصی سازی شده ، تحلیل یادگیری ، شکاف دیجیتال ، سوگیری الگوریتمی