بررسی شبیه سازهای چند عاملی (MAS)، توانمندسازی یادگیری خودتنظیمی (SRL) و الگوریتم های عدالت آموزشی در چشم انداز ۲۰۲۰ تا ۲۰۲۵

این پژوهش مروری نظام مند به بررسی نقش شبیه سازی های چندعاملی آموزشی (MAS)، یادگیری خودتنظیم (SRL) و الگوریتم های عدالت آموزشی در تحولات یادگیری هوش محور طی سال های ۲۰۲۰ تا ۲۰۲۵ می پردازد. یافته ها نشان می دهد مدل های زبان بزرگ (LLMs) و هوش مصنوعی مولد ضمن افزایش کارایی، موجب بحران اعتبار در ارزیابی های سنتی و بروز «تنبلی شناختی» در فراگیران شده اند. برای رفع این چالش ها، معماری های عصبی–نمادین چندعاملی (NSCA/MAS) پیشنهاد می شود که با ترکیب استدلال منطقی و تعامل انسانی، یادگیری عمیق تر و قابل اعتمادتر را ممکن می سازند.در بعد عدالت آموزشی، شواهد نشان می دهد آموزش معلمان در چارچوب طراحی فراگیر یادگیری (UDL) می تواند شکاف های آموزشی را تا ۳۵٪ کاهش دهد؛ هرچند کمبود زیرساخت و آموزش حرفه ای این هدف را تهدید می کند. نتیجه گیری پژوهش تاکید دارد که گذار از «هوش مصنوعی به مثابه تهدید» به «همکار شناختی» تنها با بازطراحی پداگوژیک، بهره گیری از NSCA، و استقرار سیاست های عدالت محور ممکن است .

کلیدواژه ها:

هوش مصنوعی ، شبیه سازی چندعاملی (MAS) ، یادگیری خودتنظیم (SRL) ، عدالت آموزشی ، طراحی فراگیر یادگیری (UDL) ، معماری عصبی–نمادین (NSCA) ، مدل های زبان بزرگ (LLMs) ، تنبلی شناختی ، ارزیابی آموزشی مبتنی بر هوش مصنوعی