تاثیر شبیه سازی های مبتنی بر هوش مصنوعی بر درک مفاهیم انتزاعی علوم تجربی در دانش آموزان متوسطه اول

سال انتشار: 1405
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 19

فایل این مقاله در 18 صفحه با فرمت PDF و WORD قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

IECME02_993

تاریخ نمایه سازی: 5 آبان 1405

چکیده مقاله:

یادگیری علوم تجربی در دوره متوسطه اول با مجموعه ای از مفاهیم مواجه است که بخش قابل توجهی از آن ها مستقیما در دسترس مشاهده حسی دانش آموز قرار ندارند. مفاهیمی مانند ساختار ذرات ماده، برهم کنش های نیرو، انتقال انرژی، تغییرات درون سلولی، سازوکارهای زیستی، پدیده های زمین شناختی و بسیاری از فرایندهای فیزیکی و شیمیایی، ماهیتی پویا، چندمرحله ای و گاه میکروسکوپی دارند و از این رو، انتقال آن ها صرفا از طریق متن، تصویر ثابت یا توضیح شفاهی می تواند فاصله ای میان محتوای علمی و بازنمایی ذهنی دانش آموز ایجاد کند. شبیه سازی های آموزشی مبتنی بر هوش مصنوعی می توانند این فاصله را با تولید، تغییر و تنظیم پویا و تعاملی بازنمایی های علمی کاهش دهند. در چنین محیط هایی، دانش آموز صرفا مشاهده کننده یک تصویر یا انیمیشن نیست، بلکه می تواند متغیرها را تغییر دهد، پیامدهای احتمالی را مشاهده کند، فرضیه بسازد، نتایج را مقایسه کند و در فرایند شکل دهی یا اصلاح مدل ذهنی خود مشارکت داشته باشد.پژوهش حاضر با رویکرد مروری تحلیلی و با استفاده از منابع علمی فارسی و انگلیسی، به بررسی سازوکارهای اثرگذاری شبیه سازی های مبتنی بر هوش مصنوعی بر درک مفاهیم انتزاعی علوم تجربی در دانش آموزان متوسطه اول می پردازد. تحلیل منابع نشان می دهد که ظرفیت اصلی این شبیه سازی ها نه صرفا در جذابیت فناورانه، بلکه در امکان ایجاد پیوند میان بازنمایی های دیداری، تعامل، تجربه شبه آزمایشگاهی، بازخورد، داربست شناختی و استدلال علمی قرار دارد. یافته های مطالعات مرتبط با شبیه سازی های رایانه ای، واقعیت افزوده، یادگیری چندرسانه ای و هوش مصنوعی نیز نشان می دهند که هنگامی که فناوری با هدف آموزشی مشخص و در چارچوب فعالیت های اکتشافی و مسئله محور به کار گرفته شود، می تواند به ساخت بازنمایی های ذهنی دقیق تر، کاهش برخی برداشت های نادرست و تقویت درک مفهومی کمک کند.در عین حال، شبیه سازی هوشمند به خودی خود تضمین کننده یادگیری عمیق نیست. کیفیت مدل علمی، میزان کنترل پذیری متغیرها، سطح راهنمایی، تناسب پیچیدگی محیط با توانایی شناختی دانش آموز، نقش معلم، کیفیت بازخورد و امکان ارزیابی و اعتبارسنجی پاسخ های تولیدشده توسط هوش مصنوعی از عوامل تعیین کننده اثربخشی آن هستند. بنابراین، استفاده آموزشی از این فناوری باید از «نمایش فناوری» به سمت «طراحی تجربه یادگیری» حرکت کند؛ تجربه ای که در آن دانش آموز از مشاهده پدیده به تفسیر آن، از تفسیر به مدل سازی و از مدل سازی به استدلال علمی هدایت شود.

نویسندگان

رقیه پسیان

کارشناس ارشد زیست شناسی،شاغل در آموزش و پرورش ماکو،مقطع متوسطه اول،دبیرستان حضرت مریم(س)