طراحی مدل جامع یادگیری عصبی–شناختی مبتنی بر هوش مصنوعی برای توسعه خودتنظیمی و تفکر بازتابی در محیط های یادگیری تطبیقی

تحولات اخیر در علوم اعصاب شناختی و هوش مصنوعی سبب شده است تا یادگیری به عنوان پدیده ای چندبعدی، پویا و قابل مدل سازی از منظر عصبی، شناختی و عاطفی مورد بازاندیشی قرار گیرد. پژوهش حاضر با هدف طراحی مدل جامع یادگیری عصبی–شناختی مبتنی بر هوش مصنوعی برای توسعه خودتنظیمی و تفکر بازتابی در محیط های یادگیری تطبیقی انجام می شود. در این مطالعه، تلاش شده است میان سه حوزه کلیدی یعنی «شناخت انسان»، «معماری مغزی یادگیری» و «الگوریتم های یادگیری ماشین» پیوندی نظری و تجربی برقرار گردد. بر این اساس، مدل پیشنهادی درصدد است سازوکارهای شناختی همچون توجه پایدار، حافظه کاری، فراشناخت، تنظیم هیجان و بازتاب یادگیری را با داده های زیستی و رفتاری استخراج شده از یادگیرندگان در محیط های دیجیتال تطبیق دهد.از دیدگاه نظری، مبانی پژوهش بر نظریه های خودتنظیمی یادگیری (Zimmerman, ۲۰۰۲)، نظریه بازتاب شناختی (Dewey, ۱۹۳۳) و چارچوب عصب آموزشی (Immordino-Yang & Damasio, ۲۰۰۷) استوار است. از سوی دیگر، در بعد فناورانه، از الگوریتم های یادگیری عمیق و شبکه های عصبی مصنوعی برای تحلیل داده های چندوجهی (چهره، صدا، نرخ ضربان قلب و الگوهای تعاملی در محیط یادگیری) بهره گیری می شود تا شاخص های شناختی و هیجانی مرتبط با خودتنظیمی مدل سازی شوند.یافته های اولیه نشان می دهند که هم افزایی بین تحلیل داده های عصبی–زیستی و الگوهای رفتاری می تواند موجب طراحی محیط های یادگیری تطبیقی شود که به صورت پویا متناسب با سطح تمرکز، هیجان و بازتاب یادگیرنده تغییر می کنند. چنین مدلی نه تنها موجب ارتقای یادگیری خودراهبری و تفکر بازتابی در دانش آموزان می شود، بلکه می تواند به معلمان در شخصی سازی آموزش و تنظیم بازخورد هوشمند کمک نماید.در نتیجه، این پژوهش گامی در جهت توسعه نسل جدیدی از نظام های آموزشی است که مبتنی بر مدل سازی شناختی و عصبی یادگیری انسانی هستند و از داده های واقعی زیستی برای بهبود تعامل انسان و ماشین در فرایند یادگیری استفاده می کنند.

کلیدواژه ها:

یادگیری عصبی–شناختی ، هوش مصنوعی ، خودتنظیمی یادگیری ، تفکر بازتابی ، یادگیری تطبیقی ، علوم اعصاب آموزشی