آموزش حل مسئله ریاضی با مدل های تطبیقی هوش مصنوعی

سال انتشار: 1405
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 28

فایل این مقاله در 23 صفحه با فرمت PDF و WORD قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

CTSTE02_1487

تاریخ نمایه سازی: 17 مرداد 1405

چکیده مقاله:

آموزش حل مسئله ریاضی به عنوان یکی از غایات اصلی تعلیم و تربیت ریاضی، همواره با چالش های عمیق شناختی و روان شناختی مواجه بوده است. یادگیرندگان در سطوح مختلف آموزشی، از درک ساختار مسئله تا اجرای استراتژی های حل، با موانعی روبرو می شوند که ناشی از تفاوت های فردی در سبک های شناختی، پیش زمینه های دانشی و سرعت پردازش اطلاعات است. روش های سنتی آموزش، با رویکرد یکسان سازی محتوا و مسیر یادگیری، از برآورده ساختن نیازهای متنوع دانش آموزان ناتوان مانده اند و منجر به پدیده انباشت نقص های یادگیری و بیزاری از ریاضیات شده اند. پژوهش حاضر با هدف ارائه یک چارچوب نظری و عملیاتی برای ادغام مدل های تطبیقی هوش مصنوعی (AI) در فرآیند آموزش حل مسئله ریاضی، تدوین شده است. این مطالعه بر این فرض استوار است که با به کارگیری الگوریتم های یادگیری ماشین و تحلیل داده های لحظه ای یادگیرنده، می توان سیستم های آموزشی پویا و شخصی سازی شده ای ایجاد نمود که مسیر یادگیری را بر اساس مدل سازی دقیق شناختی و عملکردی فرد تنظیم کنند. روش شناسی نظری این مقاله بر مبانی سازنده گرایی (Constructivism)، نظریه پردازش اطلاعات و رویکردهای متاکاگنیشنی استوار است. محور اصلی نوآوری، طراحی معماری یک سیستم تطبیقی است که شامل چهار لایه کلیدی است: لایه جمع آوری داده های تعاملی، لایه تحلیل شناختی و تشخیص الگوهای خطا، لایه تطبیق مسیر یادگیری مبتنی بر شبکه های عصبی عمیق، و لایه بازخورد هوشمند و توضیح محور (Explainable AI - XAI). نتایج تحلیلی نشان می دهد که مدل های تطبیقی، به ویژه آن هایی که از یادگیری تقویتی عمیق (Deep Reinforcement Learning) برای انتخاب بهینه استراتژی تدریس استفاده می کنند، قادرند پیچیدگی مسائل را به صورت تدریجی (Scaffolding) تنظیم نمایند، نقاط عطف شناختی را شناسایی کرده و بازخوردهایی ارائه دهند که مستقیما نقص های مفهومی را هدف قرار می دهند. این امر منجر به افزایش چشمگیر کارایی یادگیری، عمق درک مفاهیم، و بهبود توانایی های استدلالی در حل مسائل پیچیده ریاضی می شود. پیامدهای آموزشی این پژوهش، پتانسیل متحول سازی آموزش ریاضی از یک سیستم محتوا-محور به یک سیستم یادگیرنده-محور را نشان می دهد، جایی که معلم نقش تسهیل گر و ناظر بر تعاملات پیچیده بین یادگیرنده و سیستم هوشمند را ایفا می کند. در مجموع، این چارچوب، راهکاری برای غلبه بر شکاف موجود میان تئوری های حل مسئله و عملکرد عملی در کلاس های درس فراهم می آورد.

کلیدواژه ها:

هوش مصنوعی تطبیقی (Adaptive AI) ، مدل سازی شناختی یادگیرنده (Learner Cognitive Modeling) ، آموزش شخصی سازی شده (Personalized Education) ، حل مسئله ریاضی (Mathematical Problem Solving) ، یادگیری تقویتی عمیق (Deep Reinforcement Learning) ، متاکاگنیشن و خودتنظیمی یادگیری (Metacognition and Self-Regulation)

نویسندگان

علیجان رئیسی اردلی

دبیر، کارشناسی ریاضی، رشته تحصیلی ریاضی، مقطع تحصیلی متوسطه دوم