سیستم های هوش مصنوعی چندعاملی و شبیه سازی کلاس درس برای آموزش معلمان: طراحی، پیاده سازی و اثربخشی

آموزش معلمان به تمرین مکرر با تعاملات پیچیده کلاسی وابسته است، اما تجارب میدانی معتبر پرهزینه، ناهموار و دشوار برای تکرار هستند. این مقاله به بررسی سیستماتیک سیستم های هوش مصنوعی چندعاملی مبتنی بر مدل های زبانی بزرگ (LLM) به عنوان راهکاری برای شبیه سازی کلاس درس در آموزش معلمان می پردازد. با تحلیل ۱۸ مطالعه تجربی و چارچوب مفهومی منتشرشده بین سال های ۲۰۲۴ تا ۲۰۲۶، پژوهش حاضر معماری های چندعاملی شامل عاملان دانش آموز مجازی با پروفایل های شناختی و رفتاری متمایز، عاملان راهنما با قابلیت ارائه بازخورد بلادرنگ، و چرخه های تمرین-بازخورد-بازاندیشی را بررسی می کند. یافته ها نشان می دهد که سیستم های چندعاملی می توانند پاسخ های متمایز دانش آموزان را تولید کنند، حافظه اختصاصی شخصیت را حفظ نمایند، بازخورد عملی ارائه دهند و خودکارآمدی تدریس را بهبود بخشند. با این حال، محدودیت هایی نظیر پوشش سناریو، سوگیری داده های آموزشی و شکاف دانش-عمل شناسایی شده است. این مقاله چارچوبی یکپارچه برای طراحی و ارزیابی سیستم های شبیه سازی چندعاملی در آموزش معلمان ارائه می دهد و مسیرهای پژوهشی آینده را ترسیم می کند.

کلیدواژه ها:

سیستم چندعاملی ، شبیه سازی کلاس درس ، آموزش معلمان ، مدل زبانی بزرگ ، عاملان دانش آموز مجازی ، بازخورد بلادرنگ ، تمرین مبتنی بر شبیه سازی