طراحی دوقلوی دیجیتال شناختی دانش آموز در آموزش STEM: مدلسازی عدم قطعیت یادگیری در ریاضیات و فیزیک با تلفیق منطق فازی و هوش مصنوعی قابل توضیح (XAI)

گذر از سیستم های ارزشیابی نتیجه محور به سمت رویکردهای فرآیند محور از الزامات ارتقای کیفیت آموزش در علوم پایه (STEM) است. در دروسی نظیر ریاضیات و فیزیک یادگیری شبکه ای در هم تنیده از مفاهیم انتزاعی است که درک ناقص در یکی منجر به افت عملکرد در دیگری می شود. پژوهش حاضر با هدف شفاف سازی این «جعبه سیاه شناختی»، معماری نوینی مبتنی بر دوقلوی دیجیتال شناختی (CDT) معرفی می کند که در آن وضعیت ادراکی دانش آموز شبیه سازی می شود. با توجه به ماهیت مبهم، یادگیری متغیرهای شناختی از طریق سیستم های استنتاج فازی مدل سازی و میزان تسلط بر مفاهیم پایه کمی سازی شده اند. همچنین به منظور رفع چالش عدم شفافیت مدل های هوش مصنوعی و افزایش اعتماد، دبیران از تکنیک های هوش مصنوعی قابل توضیح (XAI)، به ویژه مقادیر شیپلی (SHAP)، جهت تفسیر سهم دقیق هر بدفهمی ریاضیاتی در افت نمره فیزیک استفاده شد. برای اعتبارسنجی مدل مجموعه داده ای شامل ۵۰۰ رکورد عملکردی با توزیع آماری مونت کارلو تولید گردید. نتایج نشان داد این معماری با دقت ۹۴ درصد قادر به شناسایی گره های یادگیری پنهان است. این دستاورد ابزاری قدرتمند برای شخصی سازی آموزش در سطح خرد و بستری داده محور برای سیاست گذاری های آموزشی در سطح کلان فراهم می آورد.

کلیدواژه ها:

دوقلوی دیجیتال ، شناختی ، آموزش STEM ، منطق فازی ، هوش مصنوعی قابل توضیح (XAI) ، شبیه سازی مونت کارلو ، مدل سازی شناختی