یادگیری خود تنظیمی با رویکرد استفاده از هوش مصنوعی در دانشجویان کارشناسی علوم تربیتی دانشگاه ازاد اسلامی واحد قم

یادگیری خودتنظیمی (Self-Regulated Learning - SRL) به عنوان یک فرایند فعال و سازنده که در آن یادگیرندگان با تعیین اهداف، پایش مستمر عملکرد، ارزیابی نتایج و تعدیل راهبردهای یادگیری خود، به بهبود عملکرد تحصیلی می پردازند، از ارکان اصلی موفقیت تحصیلی در آموزش عالی محسوب می شود (Zimmerman, ۲۰۰۰). در عصر حاضر، پیچیدگی محتوای آموزشی و نیاز روزافزون به مهارت های شناختی عالی، اهمیت توانایی دانشجویان در مدیریت و تنظیم یادگیری خویش را دوچندان کرده است. این امر به ویژه در رشته های علوم تربیتی که نیازمند تلفیق دانش نظری با مهارت های عملی و تامل برانگیز هستند، حیاتی است. همزمان با پیشرفت های خیره کننده در حوزه هوش مصنوعی (Artificial Intelligence - AI)، فرصت های بی نظیری برای شخصی سازی، تقویت و پشتیبانی از فرایندهای یادگیری خودتنظیمی پدید آمده است (Baker & Siemens, ۲۰۱۴). هوش مصنوعی، با قابلیت هایی نظیر تحلیل کلان داده های یادگیری (Learning Analytics)، ارائه بازخورد فوری و سازگار، و طراحی مسیرهای یادگیری تطبیقی، پتانسیل دگرگون سازی نحوه اکتساب و اعمال راهبردهای خودتنظیمی توسط دانشجویان را داراست.این پژوهش به بررسی جامع رابطه و کاربرد رویکردهای هوش مصنوعی در تقویت یادگیری خودتنظیمی دانشجویان مقطع کارشناسی رشته علوم تربیتی دانشگاه آزاد اسلامی واحد قم می پردازد. هدف اصلی این مطالعه، شناسایی مکانیزم هایی است که از طریق آن ها ابزارها و الگوریتم های مبتنی بر هوش مصنوعی می توانند مراحل شناختی، فراشناختی و انگیزشی یادگیری خودتنظیمی را پشتیبانی کنند. در این زمینه، فرض بر این است که استفاده هدفمند از فناوری های هوش مصنوعی، منجر به افزایش آگاهی فراشناختی دانشجویان، بهبود توانایی آن ها در نظارت بر فرایند یادگیری و در نهایت، ارتقاء سطح خودتنظیمی و عملکرد تحصیلی خواهد شد.جنبه های کلیدی این پژوهش شامل بررسی تاثیر سیستم های توصیه گر (Recommender Systems) مبتنی بر هوش مصنوعی در پیشنهاد منابع و راهبردهای یادگیری متناسب با سبک یادگیری و سطح درک هر دانشجو است. این سیستم ها می توانند با تحلیل الگوهای تعامل دانشجو با سامانه های مدیریت یادگیری (LMS)، شکاف های مهارتی و شناختی را شناسایی کرده و مداخلات خودتنظیمی هدفمند (مانند یادآوری های فراشناختی یا پیشنهاد استراتژی های مدیریت زمان) را در لحظه مناسب ارائه دهند. همچنین، نقش الگوریتم های پردازش زبان طبیعی (NLP) در تحلیل تکالیف نوشتاری و ارائه بازخورد سازنده در مورد کیفیت استدلال، انسجام متن و نحوه به کارگیری راهبردهای پژوهشی مورد توجه قرار خواهد گرفت. این نوع بازخورد، که فاقد سوگیری های انسانی بوده و در مقیاس بزرگ قابل ارائه است، می تواند به تقویت مرحله ارزیابی و بازنگری در مدل سه مرحله ای یادگیری خودتنظیمی (فاز پیش بینی، فاز عملکرد و فاز تاملی) کمک نماید (Pintrich, ۲۰۰۴).تحلیل شکاف های موجود در ادبیات نشان می دهد که هرچند تحقیقات متعددی بر اهمیت یادگیری خودتنظیمی تاکید کرده اند و برخی مطالعات نیز به کاربردهای هوش مصنوعی در آموزش اشاره نموده اند، اما مطالعات متمرکز و عمیقی که به طور خاص بر تلفیق این دو حوزه در بستر دانشگاهی ایران، به ویژه در میان دانشجویان علوم تربیتی که خود، آینده سازان نظام آموزشی کشور هستند، تمرکز کرده باشند، محدود است. این دانشجویان باید نه تنها در یادگیری خود موفق باشند، بلکه باید الگوی مناسبی برای تنظیم گری یادگیری دانش آموزان آتی نیز ارائه دهند.در این راستا، این مطالعه با رویکردی آکادمیک و پژوهشی، به تدوین یک چارچوب نظری برای ادغام قابلیت های هوش مصنوعی (مانند یادگیری ماشینی و شبکه های عصبی) در طراحی محیط های یادگیری تقویت کننده خودتنظیمی خواهد پرداخت. با توجه به ماهیت رشته علوم تربیتی، تاکید ویژه ای بر جنبه های انگیزشی و خودکارآمدی در ارتباط با پشتیبانی هوش مصنوعی صورت می گیرد. به عنوان مثال، سیستم های مبتنی بر هوش مصنوعی می توانند با ردیابی تغییرات خلقی و سطح درگیری دانشجو (از طریق تحلیل تعاملات متنی یا حتی الگوهای کلیک)، مداخله های انگیزشی (مانند ارائه شواهد تصویری از پیشرفت یا تنظیم مجدد اهداف کوچک) را اجرا نمایند که این امر مستقیما به افزایش مولفه خودکارآمدی در چارچوب خودتنظیمی (Bandura, ۱۹۹۷) کمک می کند.از منظر روش شناسی، تاکید بر جنبه های کیفی و کمی تلفیقی (Mixed Methods) برای درک عمیق تجربیات دانشجویان از تعامل با سیستم های هوشمند ضروری است. تحلیل داده های یادگیری (LMs) می تواند معیارهای عینی برای سنجش میزان استفاده از استراتژی های خودتنظیمی فراهم آورد، در حالی که مصاحبه های عمیق با دانشجویان علوم تربیتی می تواند درک کیفی از نحوه تفسیر و به کارگیری بازخوردهای هوش مصنوعی در طراحی راهبردهای شخصی شده را آشکار سازد. نتایج این پژوهش می تواند راهبردهای عملیاتی برای توسعه سامانه های هوشمند در دانشگاه آزاد اسلامی واحد قم و سایر موسسات آموزش عالی ایران ارائه دهد تا از یادگیری منفعل به سمت یادگیری فعال، مشارکتی و خودتنظیم شونده حرکت کنیم. این مطالعه در نهایت به دنبال فراهم آوردن مبنایی نظری و تجربی برای بهره گیری بهینه از پتانسیل هوش مصنوعی در تربیت نسل آینده معلمان و متخصصان آموزشی است.

کلیدواژه ها:

یادگیری خودتنظیمی ، هوش مصنوعی ، علوم تربیتی ، دانشجویان ، دانشگاه آزاد اسلامی واحد قم ، یادگیری تطبیقی ، پشتیبانی فراشناختی ، تحلیل داده های یادگیری