ترکیب بینش های یادگیری ماشین و فراشناخت در آموزش تطبیقی چارچوبی برای یادگیری هوشمند خودتنظیم بر پایه معماری AMLA

پیشرفت هوش مصنوعی و یادگیری ماشین زمینه ساز تحولی عمیق در آموزش تطبیقی شده است اما هنوز شکاف میان تحلیل داده محور و سازوکارهای فراشناختی پابرجاست. این پژوهش چارچوبی فراسازگار با عنوان معماری یادگیری فراسازگار (AMLA) پیشنهاد می کند که سه لایه ادراکی، شناختی و فراشناختی را در یک سیستم یکپارچه ترکیب می کند. لایه ادراکی داده های رفتاری را گردآوری می کند، لایه شناختی با الگوریتم های یادگیری ماشین الگوهای یادگیری را تحلیل می کند و لایه فراشناختی راهبردهای یادگیری را بر اساس شاخص های خودتنظیمی تنظیم می نماید. نتایج شبیه سازی نشان می دهد AMLA موجب افزایش پایداری یادگیری تا ۲۷ و بهبود شاخص خودتنظیمی تا ۲۵٪ می شود. این مدل گامی نو در جهت طراحی سامانه های آموزشی هوشمند و انسان محور است که یادگیری را نه تنها تطبیقی بلکه خودبازتاب و فراسازگار می سازد.

کلیدواژه ها:

یادگیری ماشین ، فراشناخت ، یادگیری خودتنظیم ، آموزش تطبیقی ، معماری AMLA