ردیابی قدمی فراتر از هوش مصنوعی خوب: نیاز به دیدگاه های نظری مکمل یادگیری در هوش مصنوعی برای آموزش (AIED)

هوش مصنوعی برای آموزش اغلب به عنوان نمونه ای از ابزارهای فانتزی در جستجوی یک نظریه یادگیری صحیح مورد انتقاد قرار می گیرد. برای دهه ها، این انتقاد همچون شبحی سرسخت در راهروهای طراحی فناوری یادگیری پرسه زده است. طرفداران آموزشی از توانایی آن در ارتقای آموزش از طریق نظریه های یادگیری تثبیت شده دفاع می کنند، در حالی که طرفداران شرکت ها بر کارایی بازار و همسویی نیروی کار تمرکز دارند. در مقابل، طرفداران اجتماعی، پتانسیل هوش مصنوعی را برای مزایای اجتماعی برجسته می کنند، در حالی که منتقدان نگرانی هایی را در مورد تقویت نابرابری ها و استانداردسازی آموزش ابراز می کنند. ما این ایده را که هوش مصنوعی برای آموزش (AIED) صرفا در مورد استفاده از ابزارهای هوش مصنوعی (AIED) برای خودکارسازی درک و پاسخ به فرآیندهای یادگیری است، مورد ارزیابی مجدد قرار می دهم. در عوض، ما از یک رویکرد انسان محور به AIED حمایت می کنم که بر اهمیت ارتباطات شخصی، ایجاد روابط و چارچوب سازی تاکید دارد که فراتر از ساده سازی وظایف برای سوق دادن دانش آموزان به تفکر انتقادی شان است. این رویکرد مستلزم گردآوری داده های چندوجهی از محیط های یادگیری معتبر از نظر اکولوژیکی برای آموزش سیستم های AIED و حفظ انعطاف پذیری در انتظارات پیرامون رفتار منطقی یادگیرنده هنگام تجزیه و تحلیل داده ها از چنین سیستم هایی است. با توجه به اینکه تعریف AIED خوب اغلب مختص رشته است و تحت تاثیر مدل های آموزشی زیربنایی یادگیری دانش آموزان قرار می گیرد، این مقاله از محققان علوم یادگیری می خواهد تا دیدگاه های نظری مکمل اما اغلب رقیب خود را در مطالعه دقیق پدیده های یادگیری تحت پشتیبانی هوش مصنوعی در مقیاس بزرگ ادغام کنند.

کلیدواژه ها:

هوش مصنوعی خوب ، دیدگاه های یادگیری ، هوش مصنوعی برای آموزش