پیش بینی قصد استفاده دانشجویان تربیت بدنی از ابزارهای هوش مصنوعی با استفاده از الگوریتم های یادگیری ماشین - الگوریتم شبکه عصبی

مقدمه: و در سال های اخیر یکی از پیشرفت های قابل توجه در هوش مصنوعی ظهور مدل های پردازش زبان طبیعی مانند GPT Deepseek بوده است. این مدل ها که در ابتدا برای وظایف مبتنی بر متن طراحی شده بودند می توانند روایت های منسجم و شبیه به انسان تولید کنند که گاهی اوقات از عملکرد انسان پیشی می گیرند. این ابزارها به طور گسترده در محیط های آموزشی مورد استفاده قرار می گیرند و دانشجویان از آنها برای تحلیل، متن ترجمه متون یا حتی نوشتن بخش های مختلف برای مقالات تحقیقاتی استفاده می کنند. بنابراین محققان این مطالعه را با هدف ارزیابی میزان پذیرش ابزارهای هوش مصنوعی در بین دانشجویان و اساتید انجام دادند تا بتوانند شکاف تحقیقاتی در این حوزه را پوشش دهند، موانع عدم پذیرش این ابزارها را شناسایی کنند و راهکارهای مناسب و عملی را به مدیران و مسئولان مربوطه برای حل این مشکلات و همچنین مقابله با تهدیدات این ابزارها ارائه دهند. روش تحقیق: این پژوهش از نظر هدف کاربردی و از نظر روش توصیفی-پیمایشی بود. جامعه آماری شامل دانشجویان و اعضای هیئت علمی دانشکده علوم ورزشی و سلامت دانشگاه تهران بود. داده ها از طریق پرسش نامه جمع آوری و روابط بین متغیرها با استفاده از مدل سازی معادلات ساختاری با نرم افزار SmartPLS نسخه ۳ تحلیل شد. در بخش تکمیلی تحلیل داده ها با استفاده از الگوریتم های یادگیری ماشین مورد بررسی قرار گرفت تا پیشنهادات مدیریتی بهتر و دقیق تری به مدیران و مسئولان ارائه شود. به منظور بررسی الگوریتم های با ناظر یادگیری ماشین در ابتدا کسانی که میانگین کمتر از ۳ در بعد قصد استفاده داشتند در گروه ۰ و کسانی که میانگین بیشتر از ۳ داشتند در گروه ۱ قرار گرفتند و بدین ترتیب مسیر برای پیاده سازی الگوریتم های کلاس بندی یادگیری ماشین فراهم شد. در مرحله بعد با بررسی الگوریتم های مختلف سه الگوریتم برتر انتخاب شد و در نهایت از بین سه الگوریتم با توجه به شاخص های مهم یکی انتخاب شد. یافته ها: الگوریتم های رگرسیون لجستیک، شبکه عصبی و تحلیل ممیزی به عنوان برترین ها انتخاب شدند و از بین این سه الگوریتم در نهایت با توجه به شاخص های مهم الگوریتم شبکه عصبی انتخاب شد. ساختار الگوریتم شبکه عصبی شامل یک لایه ورودی با چهار متغیر مستقل (هنجارهای اجتماعی، کاربردهای ابزار شناختی، سهولت استفاده و سودمندی ادراک شده)، یک لایه مخفی شامل سه نورون و یک لایه خروجی بود. در لایه مخفی از تابع فعال سازی تانژانت هیپربولیک (عدد ورودی به خود را به یک عدد بین منفی یک تا مثبت یک تبدیل می کند) و در لایه خروجی از تابع SoftMax که یک بردار از نمرات خام را به یک توزیع احتمال تبدیل می کند، استفاده شد. وجود بایاس در هر لایه به منظور افزایش انعطاف پذیری مدل در نظر گرفته شد. نتایج نشان داد مدل دارای دقت ۷۳/۹۰ درصد در داده های آموزش، ۵۴/۸۶ درصد در داده های آزمون و ۴۸/۸۵ درصد در داده های اعتبارسنجی است. همچنین مقدار AUC در داده های آموزش برابر ۰/۸۴۳، داده های آزمون برابر با ۰/۸۹۷ و داده های ارزیابی ۰/۷۱۳ به دست آمد که نشان دهنده قدرت تفکیک بسیار خوب مدل است. اختلاف اندک عملکرد مدل در سه مجموعه داده بیانگر عدم بروز بیش برازش و پایداری مدل است. نتایج تحلیل اهمیت متغیرها در شبکه عصبی نشان داد که کاربرد ابزار شناختی با ضریب اهمیت ۰/۳۶۱ بیشترین نقش را در پیش بینی قصد استفاده داشته است. پس از آن سهولت استفاده ادراک شده (۰/۳۰۶) و سودمندی ادراک شده (۰/۲۶۱) قرار دارند. در مقابل هنجارهای اجتماعی با مقدار اهمیت ۰/۰۷۰ کمترین تاثیر را نشان داد. این یافته ها بیانگر آن است که عوامل شناختی فردی نقش برجسته تری نسبت به عوامل اجتماعی در شکل گیری قصد استفاده دارند. نتیجه گیری: نتایج پژوهش نشان داد که پذیرش و استفاده دانشجویان تربیت بدنی از ابزارهای هوش مصنوعی بیش از هر عامل دیگری تحت تاثیر کاربردهای شناختی این فناوری قرار دارد. بر این اساس مدیران دانشکده می توانند با تمرکز بر افزایش آگاهی و مهارت دانشجویان در استفاده تحلیلی و شناختی از ابزارهای هوش مصنوعی زمینه گسترش استفاده موثر از این فناوری را فراهم کنند. برگزاری کارگاه های آموزشی کاربردی در زمینه تحلیل عملکرد ورزشی، طراحی تمرین با کمک هوش مصنوعی و استفاده از این ابزارها در پروژه های درسی می تواند درک دانشجویان از کارکردهای واقعی این فناوری را افزایش دهد و موجب ارتقای کیفیت یادگیری آنان شود. از سوی دیگر سهولت استفاده از ابزارهای هوش مصنوعی به عنوان یکی از عوامل مهم پذیرش فناوری شناسایی شد. با توجه به اینکه دانشکده ها امکان تغییر در ساختار این ابزارها را ندارند، مدیران می توانند از طریق ارائه راهنماهای آموزشی ساده، تولید محتوای چندرسانه ای آموزشی و ایجاد مراکز مشاوره فناوری در دانشکده فرآیند یادگیری و استفاده از این ابزارها را برای دانشجویان تسهیل کنند. همچنین ارائه الگوهای آماده برای استفاده از ابزارهای هوش مصنوعی در فعالیت های آموزشی می تواند به کاهش پیچیدگی استفاده از این فناوری کمک کند. یافته های پژوهش همچنین نشان داد که سودمندی ادراک شده نقش مهمی در شکل گیری قصد استفاده از هوش مصنوعی دارد. در این راستا مدیران می توانند با معرفی کاربردهای عملی هوش مصنوعی در حوزه اشتغال و فعالیت های حرفه ای علوم ورزشی، نگرش مثبت دانشجویان نسبت به این فناوری را تقویت کنند. دعوت از متخصصان حوزه ورزش و فناوری، ارائه نمونه های موفق استفاده از هوش مصنوعی در آموزش و پژوهش و به کارگیری این ابزارها در فرآیندهای آموزشی می تواند در افزایش باور دانشجویان نسبت به مزایای این فناوری موثر باشد. در نهایت اگرچه هنجارهای اجتماعی کمترین تاثیر را در میان متغیرهای پژوهش داشته است اما تقویت فرهنگ استفاده از فناوری همچنان می تواند نقش حمایتی مهمی ایفا کند. تشویق اعضای هیئت علمی به استفاده از ابزارهای هوش مصنوعی در آموزش، ایجاد انجمن های علمی مرتبط با هوش مصنوعی در علوم ورزشی و برگزاری رویدادهای علمی و رقابتی می تواند به شکل گیری نگرش مثبت و توسعه فرهنگ استفاده از این فناوری در میان دانشجویان کمک کند. اجرای هماهنگ این راهبردها می تواند زمینه بهره گیری موثرتر از ظرفیت های هوش مصنوعی در آموزش علوم ورزشی را فراهم سازد.

کلیدواژه ها:

ابزارهای هوش مصنوعی ، یادگیری ماشین ، شبکه عصبی ، دانشجویان تربیت بدنی