مدل های چندوجهی هوش مصنوعی برای پیش بینی و شخصی سازی مسیرهای یادگیری در آموزش الکترونیکی

با گسترش آموزش مجازی نیاز به سیستم های هوشمند برای تطبیق محتوا با سبک یادگیری فردی افزایش یافته است. مدل های چندوجهی هوش مصنوعی با ترکیب داده های متنی، صوتی، تصویری و رفتاری امکان تحلیل دقیق تر رفتار یادگیرنده را فراهم می کنند. این مقاله با تمرکز بر مدل های نوین مانند OpenFlamingo (Siliconflow, ۲۰۲۳), Gemini (Google ۲۰۲۵) و CLIP چارچوبی برای پیش بینی و شخصی سازی مسیرهای یادگیری ارائه می دهد. داده های تجربی از مطالعات اخیر نشان می دهد که این مدل ها موجب افزایش ۳۵٪ رضایت یادگیرندگان و کاهش ۲۸٪ زمان یادگیری شده اند.

کلیدواژه ها:

هوش مصنوعی چندوجهی ، یادگیری تطبیقی ، مسیر یادگیری شخصی سازی شده ، آموزش الکترونیکی ، مدل های زبانی بزرگ ، تحلیل رفتار یادگیرنده ، CLIP ، OpenFlamingo ، Gemini