یادگیری، تربیت و آموزش مدارس در هزاره سوم

یادگیری، تربیت و آموزش مدارس در هزاره سوم

چشم‌انداز، چالش‌ها، نقش‌ها ، مسائل تحقیقاتی هوش مصنوعی در آموزش

نوع مقاله : مقاله پژوهشی

نویسندگان
حسن ته کر 1
علی مسلمی 2
1 آموزش و پرورش
2 معلم
10.22034/jsetm.2024.489035.1054
چکیده
پیشرفت سریع فن‌آوری‌های محاسباتی، اجرای کاربردهای هوش مصنوعی در آموزش را تسهیل کرده‌است. هوش مصنوعی در آموزش به استفاده از فن‌آوری‌های هوش مصنوعی یا برنامه‌های کاربردی در محیط‌های آموزشی برای تسهیل آموزش، یادگیری یا تصمیم‌گیری اشاره دارد. با کمک فن‌آوری‌های هوش مصنوعی، که هوش انسان را برای استنتاج، قضاوت یا پیش‌بینی شبیه‌سازی می‌کنند، سیستم‌های کامپیوتری می‌توانند راهنمایی، پشتیبانی یا بازخورد شخصی را برای دانش آموزان فراهم کنند و همچنین به معلمان یا سیاست گذاران در تصمیم‌گیری کمک کنند. اگرچه هوش مصنوعی در آموزش به عنوان تمرکز اصلی تحقیقات در زمینه کامپیوتر و آموزش شناخته شده‌است , ماهیت میان رشته‌ای هوش مصنوعی در آموزش چالشی منحصر به فرد برای محققان با زمینه‌های مختلف رشته‌ای است . در این مقاله , ما تعریف و نقش مطالعات هوش مصنوعی در آموزش را از دیدگاه نیازهای آموزشی ارائه می‌دهیم . ما یک چارچوب برای نشان دادن ملاحظات اجرای هوش مصنوعی در آموزش در محیط‌های آموزشی و یادگیری مختلف پیشنهاد می‌کنیم . این ساختار می‌تواند به هدایت محققان با هر دو زمینه کامپیوتر و آموزش در انجام مطالعات هوش مصنوعی در آموزش کمک کند. در نهایت ما 10 موضوع تحقیقاتی بالقوه را در هوش مصنوعی در آموزش مطرح می‌کنیم .
کلیدواژه‌ها
هوش مصنوعی
محیط آموزشی
هوش مصنوعی در آموزش

موضوعات

عنوان مقاله English

Vision, challenges, roles and research issues of Artificial Intelligence in Education

نویسندگان English

Hasan Tahkur 1
Ali Mosallemi 2
1 Teacher
2 Teacher
چکیده English

The rapid advancement of computing technologies has facilitated the implementation of AIED (Artificial Intelligence in Education) applications. AIED refers to the use of AI (Artificial Intelligence) technologies or application programs in educational settings to facilitate teaching, learning, or decision making. With the help of AI technologies, which simulate human intelligence to make inferences, judgments, or predictions, computer systems can provide personalized guidance, supports, or feedback to students as well as assisting teachers or policymakers in making decisions. Although AIED has been identified as the primary research focus in the field of computers and education, the interdisciplinary nature of AIED presents a unique challenge for researchers with different disciplinary backgrounds. In this paper, we present the definition and roles of AIED studies from the perspective of educational needs. We propose a framework to show the considerations of implementing AIED in different learning and teaching settings. The structure can help guide researchers with both computers and education backgrounds in conducting AIED studies. We outline 10 potential research topics in AIED that are of particular interest to this journal. Finally, we describe the type of articles we like to solicit and the management of the submissions.

کلیدواژه‌ها English

Artificial intelligence
Educational settings
Artificial intelligence in education
AIED
Arkin, R.C. (2008). Governing lethal behavior: Embedding ethics in a hybrid deliberative/reactive robot architecture. In Proceedings of the 3rd ACM/IEEE international conference on human robot interaction,  121–128.
Bayne, T., Brainard, D., Byrne, R. W., Chittka, L., Clayton, N., Heyes, C., et al. (2019). What is cognition? Current Biology, 29(13), R608–R615.
Buckingham Shum, S. J., & Luckin, R. (2019). Learning analytics and AI: Politics, pedagogy and practices. British Journal of Educational Technology, 50(6), 2785-2793.
Chen, P., Lu, Y., Zheng, V. W., Chen, X., & Yang, B. (2018). KnowEdu: A system to construct a knowledge graph for education. IEEE Access, 6, 31553-31563.
Duan, Y., Edwards, J. S., & Dwivedi, Y. K. (2019). Artificial intelligence for decision making in the era of Big Data–evolution, challenges, and research agenda. International Journal of Information Management, 48, 63-71.
Essa, A. (2016). A possible future for next generation adaptive learning systems. Smart Learning Environments, 3(1). Article 16.
Gasevic, D., Dawson, S., & Siemens, G. (2015). Let’s not forget: Learning analytics are about learning. TechTrends, 59(1), 64-71.
Gasser, U., & Almeida, V. A. (2017). A layered model for AI governance. IEEE Internet Computing, 21(6), 58-62.
Hart, S.A. (2016). Precision education initiative: Moving toward personalized education. Mind, Brain, and Education, 10(4), 209-211.
Heffernan, N. T., & Heffernan, C. L. (2014). The ASSISTments ecosystem: Building a platform that brings scientists and teachers together for minimally invasive research on human learning and teaching. International Journal of Artificial Intelligence in Education, 24(4), 470-497.
Hwang, G. J. (2014). Definition, framework, and research issues of smart learning environments-a context-aware ubiquitous learning perspective. Smart Learning Environments, 1(1), 4.
Kay, J. (2012). AI and education: Grand challenges. IEEE Intelligent Systems, 27(5), 66-69.
Lang, C., Siemens, G., Wise, A., & Gasevic, D. (2017). Handbook of learning analytics. Society for Learning Analytics and Research.
Larkin, J. H., & Chabay, R. W. (1992). Computer-assisted Instruction and intelligent tutoring systems: Shared Goals and complementary approaches. Technology in education series. Hillsdale, New Jersey: Lawrence Erlbaum Associates.
Lathuiliere, S., Masse, B., Mesejo, P., & Horaud, R. (2019). Neural network-based reinforcement learning for audio-visual gaze control in human-robot interaction. Pattern Recognition Letters, 118, 61-71.
Van Seters, J. R., Ossevoort, M. A., Tramper, J., & Goedhart, M. J. (2012). The influence of student characteristics on the use of adaptive e-learning material. Computers & Education, 58, 942-952.
VanLehn, K. (2011). The relative effectiveness of human tutoring, Intelligent Tutoring Systems, and other tutoring systems. Educational Psychologist, 46(4), 197-221.
Wang, Q., Mao, Z., Wang, B., & Guo, L. (2017). Knowledge graph embedding: A survey of approaches and applications. IEEE Transactions on Knowledge and Data Engineering, 29(12), 2724-2743.
Xie, H., Zou, D., Wang, F. L., Wong, T. L., Rao, Y., & Wang, S. H. (2017). Discover a learning path for group users: A profile-based approach. Neurocomputing, 254, 59-70.
Zhu, H. (2020). Big data and artificial intelligence modeling for drug discovery. Annual Review of Pharmacology and Toxicology, 60, 573-589.