تاثیر هوش مصنوعی مولد بر ماندگاری یادگیری: یک مطالعه طولی در محیط های ترکیبی

این مقاله نظری مدل پایداری طولی مبتنی بر هوش مصنوعی مولد (LGPM) را ارائه می کند که پایداری و ماندگاری یادگیری دانشجویان را به عنوان فرآیندی پویا و چندمرحله ای در محیط های یادگیری ترکیبی مفهوم سازی می نماید. با اتکا بر تلفیق نظریه های خودتعیین گری، انتظار-ارزش، نظریه شناختی-اجتماعی خودتنظیمی و چارچوب های یادگیری میانجی شده با فناوری، مدل پایداری (LGPM) را به صورت مسیری طولی مدل سازی می کند که تحت تاثیر تعاملات متقابل میان داربست سازی هوش مصنوعی مولد، عاملیت یادگیرنده، درگیری شناختی-عاطفی و امکانات زمینه ای محیط های ترکیبی شکل می گیرد. رویکرد تحلیلی پژوهش شامل تحلیل مفهومی نظام مند، تلفیق ادبیات میان رشته ای روان شناسی تربیتی و هوش مصنوعی در آموزش، و مدل سازی نظری رسمی است که میانجی های چندسطحی (سواد هوش مصنوعی، حلقه های بازخورد سازگار، ظرفیت خودتنظیمی) و تعدیل گرها (پیچیدگی تکلیف، کیفیت طراحی آموزشی، مدت مواجهه) را مشخص می سازد. مدل از طریق گزاره های فرآیندی مرحله ای و نمودارهای مسیر ارائه شده و اثرات کوتاه مدت درگیری را از پویایی های بلندمدت ماندگاری متمایز می کند. سهم های اصلی نظری عبارتند از: (الف) بازتعریف هوش مصنوعی مولد نه صرفا به عنوان ابزار محتوا یا تدریس خصوصی، بلکه به عنوان هم تنظیم گر مسیرهای پایداری؛ (ب) شناسایی دو مسیر تسهیل کننده (داربست سازی شخصی سازی شده که شایستگی و ارتباط را تقویت می کند) و بالقوه فرسایشی (اتکای بیش از حد که ممکن است انگیزه درونی و خودتنظیمی عمیق را در طول زمان تضعیف کند)؛ و (ج) تعیین شرایط مرزی حیاتی که تحت آن هوش مصنوعی مولد ماندگاری بلندمدت را در محیط های ترکیبی تقویت یا تضعیف می نماید. این یافته ها نظریه پایداری را برای عصر هوش مصنوعی مولد پالایش می کنند، چارچوب منسجمی برای طراحی های تجربی طولی بعدی فراهم می آورند و راهنمایی اصولی برای طراحان برنامه درسی، فناوران آموزشی و سیاست گذاران عرضه می کنند تا هوش مصنوعی مولد را به گونه ای به کار گیرند که ماندگاری پایدار دانشجویان را ارتقا دهد نه صرفا دستاوردهای عملکردی گذرا.

کلیدواژه ها:

هوش مصنوعی مولد ، ماندگاری یادگیری ، یادگیری ترکیبی ، یادگیری طولی ، مشارکت تحصیلی ، خودتنظیمی یادگیرنده