یادگیری شخصی سازی شده و سیستم های آموزش هوشمند

یکی از مهم ترین مبانی نظری کاربرد هوش مصنوعی در ارزیابی، مفهوم یادگیری شخصی سازی شده است. این رویکرد بر این فرض استوار است که هر یادگیرنده نیازها، سبک ها و سرعت یادگیری منحصربه فرد خود را دارد و نظام آموزشی باید توانایی پاسخگویی به این تفاوت های فردی را داشته باشد. چن و همکاران (۲۰۲۳) و کیم و همکاران (۲۰۲۲) نشان داده اند که هوش مصنوعی با شناسایی الگوهای یادگیری و تطبیق با ترجیحات و سطح آمادگی هر یادگیرنده، تجربه های یادگیری واقعا شخصی سازی شده ای فراهم می آورد که در نظام های سنتی عملا امکان پذیر نیست.مطالعه ای که در پایگاه ساینس دایرکت (۲۰۲۵) منتشر شده، نشان می دهد که در سال ۲۰۲۳ تمرکز پژوهش ها به سوی بازخورد شخصی سازی شده در زمان واقعی، پردازش زبان طبیعی و تحلیل گرهای پیش بینی کننده معطوف شده که نشان دهنده رشد فزاینده استفاده از فناوری های هوشمند برای حمایت از تصمیم گیری فوری و تطبیقی در محیط های یادگیری است. در سال ۲۰۲۴، هوش مصنوعی مولد و مدل های زبانی بزرگ مانند ChatGPT مرحله جدیدی را در این تحول رقم زدند.در مجموع، مبانی نظری این پژوهش بر تقاطع سه حوزه مهم استوار است: نظریه های یادگیری که اهمیت بازخورد به موقع و شخصی را برجسته می کنند؛ نظریه های ارزیابی که تمایز میان سنجش تکوینی و پایانی را تبیین می کنند؛ و نظریه های هوش مصنوعی که چارچوب فناورانه لازم برای خودکارسازی فرآیند تصحیح را فراهم می آورند. این سه حوزه با هم، بستر نظری جامعی را برای درک چرایی و چگونگی نقش هوش مصنوعی در کاهش زمان تصحیح تکالیف و آزمون ها ایجاد می کنند.