سیر تحول رویکردهای طراحی آموزشی مبتنی بر نظریه بار شناختی در کلاس های مجهز به ابزارهای هوش مصنوعی تعاملی

در عصر اطلاعات و گسترش بی سابقه محتوای آموزشی دیجیتال، یادگیرندگان با حجم عظیمی از اطلاعات مواجه هستند که یافتن محتوای متناسب با نیازها و ویژگی های شناختی آنان را به چالشی جدی تبدیل کرده است. پلتفرم های یادگیری مجهز به الگوریتم های توصیه گر، به عنوان یکی از راهکارهای نوین برای مدیریت این چالش، با تحلیل داده های رفتاری و عملکردی یادگیرندگان، محتوای متناسب با ویژگی های فردی آنان را پیشنهاد می دهند. این مقاله به بررسی نقش این پلتفرم ها بر سبک های شناختی و عمق پردازش اطلاعات در یادگیرندگان می پردازد. سبک های شناختی به عنوان روش های نسبتا پایدار فرد برای درک، سازماندهی و پردازش اطلاعات، نقش تعیین کننده ای در نحوه تعامل با محتوای آموزشی دارند و الگوریتم های توصیه گر با شناسایی این سبک ها و تطبیق قالب و نوع محتوا با آنها، می توانند فرآیند یادگیری را شخصی سازی کنند. عمق پردازش اطلاعات نیز به عنوان یکی از مولفه های اساسی یادگیری عمیق، تحت تاثیر نوع محتوای ارائه شده و میزان انطباق آن با ویژگی های شناختی قرار می گیرد. یافته های این بررسی نشان می دهد که پلتفرم های یادگیری مبتنی بر الگوریتم های توصیه گر با ارائه محتوای متناسب با سبک های شناختی، افزایش انگیزه و درگیری شناختی، کاهش بار شناختی نامربوط، و ارائه بازخورد شخصی سازی شده، می توانند به ارتقاء عمق پردازش اطلاعات در یادگیرندگان کمک کنند. با این حال، چالش هایی مانند سوگیری الگوریتمی، کاهش تنوع شناختی و وابستگی بیش ازحد به توصیه ها، نیازمند توجه جدی در طراحی و کاربست این سیستم ها هستند.

کلیدواژه ها:

الگوریتم توصیه گر ، سبک شناختی ، عمق پردازش اطلاعات ، شخصی سازی یادگیری ، پلتفرم یادگیری دیجیتال