طراحی ، الگوریتم Alخلاق برای تولید تصاویر آموزشی

تولید محتوای بصری کارآمد و جذاب، سنگ بنای آموزش موثر در دوران دیجیتال محسوب می شود. تصاویر آموزشی باید فراتر از یک نمایش صرف، به ابزاری برای کاهش بار شناختی (Cognitive Load)، تسهیل درک مفاهیم پیچیده و افزایش ماندگاری یادگیری تبدیل شوند. با این حال، تولید دستی این تصاویر، به خصوص برای موضوعات تخصصی و سطح بالا، نیازمند زمان، هزینه و دانش ترکیبی از علم محتوا و طراحی است که مقیاس پذیری آن را محدود می کند. این مقاله به معرفی و تشریح معماری یک الگوریتم هوش مصنوعی خلاق (Creative Generative AI Algorithm) می پردازد که به طور خاص برای غلبه بر این چالش ها و تولید تصاویر آموزشی هدفمند طراحی شده است.الگوریتم پیشنهادی، برخلاف مدل های تولید تصویر عمومی که صرفا بر زیبایی شناسی تمرکز دارند، از یک رویکرد آموزش محور (Pedagogy-Driven) بهره می برد. در هسته این طراحی، یک معماری مدل انتشار شرطی (Conditional Diffusion Model) قرار دارد که با یک واحد ترکیب مفهومی و خلاقیت (Conceptual Synthesis and Creativity Unit) تلفیق شده است. این واحد، با استفاده از یک مکانیسم توجه آموزشی سفارشی (Customized Educational Attention Mechanism)، ورودی متنی (نظیر سرفصل درس، تعریف مفهوم و سطح دانش آموز) را با دقت بیشتری پردازش می کند تا اطمینان حاصل شود که تصویر تولیدی، به جای تزیین، مستقیما به مفهوم اصلی ارجاع می دهد و از ایجاد ابهام بصری جلوگیری می کند.برای تضمین خلاقیت و نوآوری، یک تابع زیان تنوع (Diversity Loss Function) در مرحله آموزش معرفی شده است. این تابع، مدل را تشویق می کند تا از تکرار تصاویر موجود در مجموعه داده خودداری نماید و راه حل های بصری جدیدی برای نمایش مفاهیم ارائه دهد؛ این امر در تولید تصاویر دیاگرام گونه یا انتزاعی از اهمیت ویژه ای برخوردار است. ارزیابی این الگوریتم شامل دو بخش کمی (اندازه گیری کیفیت بصری و سرعت تولید) و کیفی (نظرسنجی از معلمان و کارشناسان برای ارزیابی میزان وضوح و اثربخشی آموزشی) است. نتایج ارزیابی کیفی نشان می دهد که تصاویر تولیدشده توسط این الگوریتم در مقایسه با مدل های پایه، به طور معناداری دارای ارتباط مفهومی بالاتر و میزان جذابیت بصری موثرتر در انتقال دانش هستند.در نهایت، این پژوهش نه تنها یک چارچوب فنی برای تولید محتوای بصری ارائه می دهد، بلکه راه را برای توسعه ابزارهای هوش مصنوعی در زمینه های شخصی سازی محتوا (Content Personalization) و خودکارسازی تولید منابع آموزشی باز می کند. این مدل می تواند به عنوان یک دستیار قدرتمند برای طراحان آموزشی و معلمان به کار رود و فرآیند تولید مواد کمک آموزشی فارسی را متحول سازد. محدودیت های مطرح شده شامل نیاز به مجموعه داده آموزشی فارسی با کیفیت بالا و توان محاسباتی قابل توجه برای اجرای مدل در مقیاس بزرگ است که مسیرهای آتی تحقیق را مشخص می نماید.

کلیدواژه ها:

کلمات کلیدی : هوش مصنوعی خلاق ، تولید تصاویر آموزشی ، الگوریتم های ژنراتیو ، یادگیری عمیق ، مدل های انتشار شرطی ، بار شناختی ، طراحی محتوای آموزشی ، مکانیسم توجه