سیستم های بازخورد مبتنی بر هوش مصنوعی و چارچوب نظری در سیستم های آموزش هوشمند

اولیه، بازخورد را بر اساس پاسخ های از پیش برنامه ریزی شده و الگوریتم های انعطاف ناپذیر ارائه می دادند که تطبیق پذیری و شخصی سازی محدودی داشتند. با این حال، این سیستم های پیشگام پایه و اساس رویکردهای پیشرفته تری را که از هوش مصنوعی مولد (GAI) بهره می برند، فراهم آوردند (هودا و همکاران، ۲۰۲۳). مطالعه کوکمار و همکاران (۲۰۲۰) در سیستم آموزش هوشمند کوربیت نشان داد که بازخورد خصی سازی شده مبتنی بر هوش مصنوعی به بهبود قابل توجه پیامدهای یادگیری دانش آموزان و ارزیابی ذهنی مثبت تر از بازخورد دریافتی منجر می شود. اوانگ و جیائو (۲۰۲۱) سه پارادایم برای هوش مصنوعی در آموزش پیشنهاد می کنند: (۱) هوش مصنوعی به مثابه هادی، که یادگیرنده به عنوان دریافت کننده منفعل عمل می کند؛ (۲) هوش مصنوعی به عنوان حامی، که در آن یادگیرنده نقش همکار فعال را دارد؛ و (۳) هوش مصنوعی به عنوان ابزار، که یادگیرنده آن را برای خودتنظیمی به کار می گیرد. این پارادایم ها طیف متنوعی از شیوه های کاربرد هوش مصنوعی در تصحیح و بازخورد را پوشش می دهند و نشان می دهند که نقش هوش مصنوعی در ارزیابی بسیار فراتر از جایگزینی ساده تصحیح دستی است.