طراحی مدل یادگیری شخصی سازی شده برپایه الگوریتم های یادگیری ماشین برای دانش آموزان با نیازهای ویژه

نظام های آموزشی معاصر با چالش بنیادین «یک سان نگری» در ارائه محتوا مواجه هستند؛ چالشی که برای دانش آموزان با نیازهای ویژه (Special Needs) به معنای نادیده گرفته شدن تفاوت های فردی و الگوهای یادگیری منحصر به فرد آنان است. این دانش آموزان به دلیل تفاوت در توانمندی های شناختی، حسی و حرکتی، نیازمند محیط های یادگیری انعطاف پذیر و تطبیقی هستند. ظهور هوش مصنوعی و به ویژه الگوریتم های یادگیری ماشین (Machine Learning)، دریچه ای نو برای گذار از آموزش های سنتی به سمت آموزش شخصی سازی شده (Personalized Learning) گشوده است. مسئله اصلی این پژوهش، فقدان یک الگوی بومی و کارآمد است که بتواند با تحلیل داده های رفتاری و آموزشی، مسیر یادگیری را متناسب با نیازهای خاص هر دانش آموز تنظیم کند.هدف اصلی این مطالعه، طراحی و ارائه یک مدل مفهومی و عملیاتی برای یادگیری شخصی سازی شده است که از قابلیت های یادگیری ماشین برای شناسایی نقاط قوت، ضعف و سبک های یادگیری دانش آموزان با نیازهای ویژه بهره می برد. این پژوهش در پی پاسخ به این پرسش است که چگونه می توان با استفاده از تحلیل داده های آموزشی، محتوای تعاملی و مسیرهای یادگیری را به صورت هوشمند برای این گروه از دانش آموزان بهینه سازی کرد تا اثربخشی آموزشی افزایش یابد.این پژوهش با رویکرد آمیخته (Mixed-Methods) انجام شده است. در مرحله نخست، با تحلیل اسنادی و بررسی مدل های موجود در ادبیات پژوهش، مولفه های کلیدی یادگیری تطبیقی شناسایی شدند. سپس در بخش فنی، با استفاده از الگوریتم های یادگیری نظارت شده (Supervised Learning) و سیستم های توصیه گر (Recommender Systems)، مدلی طراحی شد که قادر به دسته بندی سطح توانمندی های دانش آموز و پیش بینی نیازهای آموزشی اوست. داده های اولیه از طریق پایگاه های داده آموزشی و رفتارهای تعاملی دانش آموزان در محیط های دیجیتال گردآوری شد. اعتبار مدل طراحی شده از طریق نظرسنجی از خبرگان حوزه آموزش استثنایی و فناوری آموزشی و همچنین اجرای آزمایشی مدل در یک محیط کنترل شده مورد ارزیابی قرار گرفت.یافته های این پژوهش نشان می دهد که ادغام هوش مصنوعی در ساختار آموزشی مدارس استثنایی، نه یک ضرورت فانتزی، بلکه یک نیاز زیرساختی برای برقراری عدالت آموزشی است. مدل ارائه شده در این مقاله ثابت می کند که «شخصی سازی آموزش» برای دانش آموزان با نیازهای ویژه، با تکیه بر تحلیل هوشمند داده ها، دست یافتنی است. این مدل می تواند به عنوان نقشه راهی برای برنامه ریزان آموزشی و توسعه دهندگان نرم افزارهای آموزشی مورد استفاده قرار گیرد تا با فاصله گرفتن از الگوهای یک سان ساز، به سمت ساختارهای آموزشی «انسان محور» و «داده محور» حرکت کنیم. پیشنهاد می شود در پژوهش های آتی، به جنبه های اخلاقی و حریم خصوصی داده های دانش آموزان در این سیستم های هوشمند نیز توجه ویژه ای معطوف گردد.