ارزیابی عملکرد دانشجو معلمان در تکالیف مدل سازی ریاضی: مقایسه با پاسخ های هوش مصنوعی

پیشینه و اهداف: مدل سازی ریاضی به طور فزاینده ای به بخش مرکزی آموزش ریاضی تبدیل شده است، زیرا به دانش آموزان کمک می کند مفاهیم انتزاعی ریاضی را به موقعیت های واقعی پیوند دهند. باوجود اهمیت آن، بسیاری از دانشجو معلمان ابتدایی در طراحی یا حل مسائل مدل سازی با چالش هایی مواجه می شوند که بخشی از آن ناشی از مواجهه محدود آنان با این گونه فعالیت ها در طول دوره های تربیت معلم است. با توسعه سریع هوش مصنوعی فرصت های تازه ای برای مقایسه رویکردهای حل مسئله انسانی با راه حل های تولیدشده توسط ماشین به وجود آمده است. هدف این مطالعه بررسی نحوه عملکرد دانشجو معلمان ابتدایی و یک سامانه هوش مصنوعی در انجام تکالیف مدل سازی ریاضی است. به طور خاص، این پژوهش به دنبال درک نقاط قوت و ضعف شایستگی های مدل سازی دانشجو معلمان است، درحالی که هم زمان نقش بالقوه هوش مصنوعی به عنوان یک ابزار حمایتی در آموزش ریاضی را نیز بررسی می کند. هدف پژوهش صرفا ارزیابی عملکرد نیست، بلکه تاکید بر اهمیت گسترده تر ادغام هوش مصنوعی در آموزش معلمان است که هم فرصت ها و هم مخاطرات آن را برجسته می سازد.روش ها : نمونه ی در دسترسی شامل ۵۰ دانشجو معلم در این پژوهش شرکت کردند. از شرکت کنندگان خواسته شد آزمون محقق-ساختی را تکمیل کنند که شامل تکالیف مدل سازی ریاضی برای ارزیابی جنبه های مختلف شایستگی مدل سازی بود. روایی صوری و محتوایی ابزار توسط دو متخصص آموزش ریاضی بررسی و تایید شد تا تناسب و ارتباط سوالات تضمین شود. داده ها به صورت نوشتاری جمع آوری و با رویکردهای کمی و کیفی تحلیل شدند. پاسخ های دانشجو معلمان بر اساس چارچوب شایستگی گریفراس و ماس بررسی گردید؛ چارچوبی که معیارهای ساختاریافته ای برای ارزیابی مهارت های مدل سازی مانند درک مسئله، به کارگیری ریاضیات، تفسیر نتایج و اعتبارسنجی راه حل ها ارائه می دهد. همچنین پاسخ های تولیدشده توسط سامانه هوش مصنوعی برای همان تکالیف جمع آوری و از نظر راهبرد، دقت، خلاقیت و کیفیت راه حل با پاسخ های انسانی مقایسه شدند. پژوهش حاضر از طراحی کیفی با تحلیل محتوای استقرایی هدایت شده بهره گرفت که به پژوهشگران امکان داد داده ها را به طور نظام مند کدگذاری و تفسیر کنند و هم زمان مقایسه هایی میان عملکرد انسانی و هوش مصنوعی انجام دهند.یافته ها: یافته ها الگوهای مهمی را نشان دادند. بسیاری از دانشجو معلمان ضعف هایی در مدل سازی ریاضی از خود بروز دادند، به ویژه در مراحل اعتبارسنجی و تفسیر. پاسخ های آنان اغلب ناقص یا فاقد استدلال کافی بود. بااین حال، مشارکت کنندگان در معیار «به کارگیری ریاضیات» عملکرد نسبتا بهتری داشتند، به این معنا که می توانستند فرایندهای ریاضی را اجرا کنند؛ اما در برقراری ارتباط معنادار آن ها با زمینه های واقعی مشکل داشتند. تفاوت معناداری از نظر آماری بین شرکت کنندگان بر اساس جنسیت یا پیشینه تحصیلی مشاهده نشد که نشان می دهد فارغ از ویژگی های جمعیت شناختی، دشواری های مربوط به مدل سازی در میان دانشجو معلمان ابتدایی رایج است. در مقابل، سامانه هوش مصنوعی راه حل هایی منسجم تر و ساختارمندتر ارائه داد، به ویژه در زمینه اعتبارسنجی و خلاقیت. هوش مصنوعی قادر بود توضیحات گام به گام و رویکردهای متعددی برای حل یک مسئله تولید کند که می تواند به عنوان الگو برای دانشجو معلمان مورداستفاده قرار گیرد. بااین حال، پاسخ های هوش مصنوعی نیز بی نقص نبودند و در برخی موارد ساده سازی بیش از حد یا فرضیات بدون توجیه کافی در بین پاسخ ها مشاهده شد.نتیجه گیری: نتایج نشان داد اگرچه دانشجو معلمان ابتدایی دارای برخی مهارت های پایه ای در مدل سازی ریاضی هستند، اما شایستگی کلی آنان برای حل مستقل تکالیف پیچیده مدل سازی ناکافی است. این یافته بیانگر ضرورت توجه بیشتر برنامه های تربیت معلم به توسعه مهارت های مدل سازی از طریق تمرین، بازاندیشی و آموزش هدایت شده است. درعین حال، پژوهش بر پتانسیل هوش مصنوعی به عنوان منبعی ارزشمند در آموزش تاکید دارد. هوش مصنوعی می تواند با ارائه مثال های حل شده، راه حل های جایگزین و دیدگاه های خلاقانه، فرایند یادگیری را تسریع کند. بااین وجود، یافته ها هشدار می دهند که اتکای بیش از حد به هوش مصنوعی می تواند توانایی های استدلالی و حل مسئله دانشجو معلمان را تضعیف کند؛ بنابراین، هوش مصنوعی باید به صورت سنجیده و با دستورالعمل های روشن به عنوان ابزار حمایتی و نه جایگزین در آموزش معلمان به کار گرفته شود. با ایجاد توازن میان یادگیری انسانی و پشتیبانی فناورانه، مربیان معلم می توانند معلمان آینده را بهتر برای درگیرکردن دانش آموزان در فعالیت های معنادار مدل سازی ریاضی آماده سازند.

کلیدواژه ها:

مدلسازی ریاضی ، هوش مصنوعی ، چت جی پی تی ، دانشجو معلمان