طراحی و ارزیابی یک نرم افزار تشخیص گیاهان با استفاده از هوش مصنوعی و تاثیر آن بر یادگیری درس گیاه شناسی

پژوهش حاضر با هدف طراحی و ارزیابی یک نرم افزار تشخیص گیاهان با استفاده از هوش مصنوعی و بررسی تاثیر آن بر یادگیری درس گیاه شناسی در دانش آموزان، با استفاده از رویکرد ترکیبی (کیفی-کمی) انجام شد. در بخش کیفی، با استفاده از روش مطالعه پدیدارشناسی و با انجام مصاحبه های نیمه ساختاریافته با ۱۴ نفر از متخصصان فناوری آموزشی، برنامه ریزان درسی، دبیران علوم و گیاه شناسان که با روش نمونه گیری هدفمند و با معیار اشباع نظری انتخاب شدند، داده های مربوط به مولفه ها، ویژگی ها و چالش های طراحی نرم افزار تشخیص گیاهان مبتنی بر هوش مصنوعی جمع آوری و با استفاده از روش تحلیل محتوای کیفی و کدگذاری موضوعی تحلیل گردید و بر اساس یافته های بخش کیفی، نرم افزار با استفاده از شبکه های عصبی کانولوشنی (CNN) و کتابخانه های TensorFlow و Keras طراحی و پیاده سازی شد. در بخش کمی، جامعه آماری شامل تمامی دانش آموزان پسر پایه دهم شهر اصفهان (۴۲۰۰ نفر) بود که از میان آن ها، ۱۲۰ نفر با استفاده از روش نمونه گیری تصادفی خوشه ای چندمرحله ای انتخاب و به طور تصادفی در دو گروه آزمایش (۶۰ نفر) و گواه (۶۰ نفر) جایگزین گردیدند. گروه آزمایش به مدت ۸ جلسه ۷۵ دقیقه ای با استفاده از نرم افزار طراحی شده و گروه گواه با روش سنتی (سخنرانی و کتاب درسی) آموزش دیدند. برای جمع آوری داده ها از آزمون محقق ساخته یادگیری گیاه شناسی (با ۲۵ سوال و ۴ مولفه، ضریب پایایی ۸۸/۰) و پرسشنامه انگیزش یادگیری والرند و همکاران (۱۹۹۲) با ۲۸ گویه (ضریب پایایی ۸۷/۰) در دو مرحله پیش آزمون و پس آزمون استفاده شد. تحلیل داده ها با استفاده از آزمون تحلیل کوواریانس چندمتغیره و تک متغیره با کنترل پیش آزمون انجام گرفت. یافته های بخش کیفی منجر به شناسایی ۴ مولفه اصلی برای نرم افزار تشخیص گیاهان شامل دقت تشخیص بالا، سرعت پردازش، رابط کاربری ساده و تعاملی، و قابلیت ارائه اطلاعات تکمیلی گردید و همچنین، ۳ چالش اصلی شامل نیاز به داده های آموزشی گسترده، مشکلات زیرساختی و مقاومت معلمان شناسایی شدند. نتایج بخش کمی نشان داد که استفاده از نرم افزار تشخیص گیاهان مبتنی بر هوش مصنوعی، تاثیر مثبت، معنادار و قوی بر یادگیری گیاه شناسی ۷۳/۰- = ۲ηو انگیزش یادگیری ۶۹/۰- = ۲ηدانش آموزان دارد و گروه آزمایش در هر دو متغیر، به طور معناداری نمرات بالاتری نسبت به گروه گواه کسب کرد و بالاترین تاثیر بر مولفه های تشخیص و شناسایی گیاهان و درک مفاهیم و کمترین تاثیر بر مولفه کاربرد گیاه شناسی در زندگی واقعی بود. بر اساس یافته ها، نرم افزار تشخیص گیاهان مبتنی بر هوش مصنوعی، با فراهم آوردن یادگیری تعاملی، شخصی سازی شده و مبتنی بر تجربه عملی، می تواند به طور قابل توجهی یادگیری و انگیزش دانش آموزان را در درس گیاه شناسی افزایش دهد و به عنوان یک ابزار کمک آموزشی موثر در مدارس توصیه می شود.

کلیدواژه ها:

هوش مصنوعی ، تشخیص گیاهان ، یادگیری گیاه شناسی ، انگیزش یادگیری ، شبکه های عصبی