نقش هوش مصنوعی در شخصی سازی یادگیری دانش آموزان در مدارس

شخصی سازی یادگیری، که از دیرباز به عنوان یکی از آرمان های بنیادین نظام های تربیتی مطرح بوده است، در طول دهه های گذشته همواره با محدودیت های عملی جدی در مقیاس پذیری مواجه بوده، چرا که اجرای آن در کلاس های پرجمعیت و با منابع انسانی محدود، عملا نیازمند سطحی از توجه فردی به هر دانش آموز بوده است که از عهده یک معلم به تنهایی خارج است، اما ظهور فناوری های مبتنی بر هوش مصنوعی، این معادله دیرینه را به طور بنیادین تغییر داده و امکان طراحی مسیرهای یادگیری اختصاصی برای هر فراگیر را، حتی در مقیاس هزاران دانش آموز همزمان، فراهم آورده است (موسوی و رحمانی، ۱۳۹۹). پژوهش حاضر با رویکردی تحلیلی و توصیفی، و با تکیه بر بازخوانی نظام مند منابع علمی منتشرشده در فاصله سال های ۱۳۹۵ تا ۱۴۰۲ در ایران، در کنار مطالعات بین المللی معتبر، به بررسی این پرسش بنیادین می پردازد که هوش مصنوعی از طریق چه سازوکارهایی می تواند فرآیند یادگیری دانش آموزان را به گونه ای شخصی سازی کند که نه تنها سرعت پیشرفت، بلکه سبک شناختی، علایق و حتی وضعیت روان شناختی هر فراگیر را در نظر بگیرد. یافته های این پژوهش نشان می دهد که سیستم های تشخیص دانش، الگوریتم های توصیه گر محتوا و ابزارهای تحلیل رفتار یادگیری، در کنار یکدیگر، چارچوبی فنی فراهم آورده اند که در آن، هر دانش آموز می تواند مسیر یادگیری خاص خود را، با سرعتی متناسب با ظرفیت ذهنی و با محتوایی متناسب با سبک یادگیری ترجیحی خویش، طی کند، رویکردی که در ادبیات علمی با عنوان «یادگیری انطباقی» شناخته می شود (Pane et al., ۲۰۱۷). با این حال، نتایج این بررسی همچنین حاکی از آن است که شخصی سازی مبتنی بر هوش مصنوعی، در صورت عدم طراحی دقیق و آگاهانه، می تواند پیامدهای ناخواسته ای از جمله محدودسازی افق های یادگیری دانش آموز در «حباب های محتوایی» تکرارشونده، کاهش تعامل اجتماعی میان همسالان و وابستگی بیش ازحد به سیستم های هوشمند را در پی داشته باشد، پیامدهایی که در صورت بی توجهی، می توانند کیفیت کلی تجربه آموزشی را، به رغم بهبودهای ظاهری در شاخص های عملکردی، تضعیف کنند (Selwyn, ۲۰۱۹). این مقاله ضمن بررسی کاربردهای عملی شخصی سازی مبتنی بر هوش مصنوعی در حوزه هایی نظیر تشخیص پویای سطح دانش، تولید محتوای تطبیقی و مسیریابی یادگیری هوشمند، به تحلیل عمیق تری از مکانیزم های روان شناختی ای می پردازد که از طریق آن ها، شخصی سازی بر انگیزش، خودکارآمدی و درگیری تحصیلی دانش آموزان اثر می گذارد. در ادامه، شواهد پژوهشی حاصل از مطالعات میدانی در ایران و سایر کشورها، از جمله ایالات متحده، چین و استرالیا، مورد بازخوانی قرار گرفته تا تصویری مستندتر از وضعیت کنونی پذیرش این رویکرد در محیط های واقعی مدارس ارائه شود. سرانجام، نویسندگان با تحلیل دقیق چالش های فنی، اخلاقی، آموزشی و فرهنگی پیش روی این تحول، مجموعه ای از راهکارهای عملی را پیشنهاد می دهند که می تواند مسیر اجرای عادلانه و اثربخش شخصی سازی یادگیری مبتنی بر هوش مصنوعی را در مدارس ایران و سایر کشورهای در حال توسعه هموارتر سازد، با تاکید بر این نکته بنیادین که شخصی سازی فناورانه، باید همواره در خدمت غنابخشی به رابطه انسانی معلم و دانش آموز قرار گیرد و نه جایگزین آن.

کلیدواژه ها:

شخصی سازی یادگیری ، هوش مصنوعی در آموزش ، یادگیری انطباقی ، مسیر یادگیری اختصاصی ، خودکارآمدی تحصیلی ، عدالت آموزشی