اثر فناوری‌های پوشیدنی بر تجربه یادگیری هوشمند و بازخورد لحظه‌ای
کلمات کلیدی:
فناوری‌های پوشیدنی, یادگیری هوشمند, بازخورد لحظه‌ای, یادگیری تطبیقی, داده‌محوری آموزشیچکیده
هدف این پژوهش بررسی نقش و تأثیر فناوری‌های پوشیدنی بر بهبود تجربه یادگیری هوشمند و بازخورد لحظه‌ای در محیط‌های آموزشی دیجیتال بود. این پژوهش با رویکرد کیفی و به‌صورت مرور نظام‌مند انجام شد. داده‌ها از طریق جست‌وجو در پایگاه‌های Scopus، Web of Science، IEEE Xplore، SpringerLink و Google Scholar در بازه زمانی 2015 تا 2025 گردآوری شد. از میان بیش از 60 منبع شناسایی‌شده، 12 مقاله بر اساس معیارهای ورود و کیفیت علمی انتخاب شدند. تحلیل داده‌ها با استفاده از نرم‌افزار NVivo نسخه 14 و بر اساس روش تحلیل محتوای کیفی انجام گرفت. مراحل کدگذاری باز، محوری و انتخابی تا رسیدن به اشباع نظری دنبال شد و مضامین اصلی شامل «بهبود تجربه یادگیری»، «بازخورد لحظه‌ای و تحلیل داده‌های یادگیرنده» و «چالش‌ها و آینده فناوری‌های پوشیدنی در آموزش هوشمند» استخراج گردید. نتایج نشان داد فناوری‌های پوشیدنی با فراهم‌سازی داده‌های فیزیولوژیکی و شناختی، موجب افزایش خودنظارتی، شخصی‌سازی یادگیری و درگیری چندحسی در محیط‌های آموزشی می‌شوند. همچنین، این فناوری‌ها از طریق بازخوردهای لحظه‌ای و تحلیل داده‌های زیستی، کیفیت تعامل یادگیرنده با محتوا و معلم را بهبود می‌بخشند. با این حال، چالش‌هایی از جمله نگرانی‌های اخلاقی، امنیت داده‌ها، هزینه‌های فنی و مقاومت کاربران در برابر فناوری‌های نوین از موانع توسعه این فناوری‌ها محسوب می‌شوند. فناوری‌های پوشیدنی می‌توانند به عنوان ابزار کلیدی در تحول یادگیری هوشمند و طراحی سیستم‌های بازخورد تطبیقی نقش‌آفرین باشند. با وجود چالش‌های اخلاقی و فنی، این فناوری‌ها ظرفیت بالایی برای ارتقای کیفیت آموزش، خودتنظیمی یادگیرندگان و شخصی‌سازی تجربه یادگیری دارند.
دانلودها
مراجع
Alshahrani, S. (2020). Privacy and ethical challenges of wearable devices in educational contexts. Computers & Education, 158, 103989.
Chen, M., Ma, Y., & Zhang, Y. (2022). Intelligent feedback systems based on wearable sensors for personalized learning. IEEE Transactions on Learning Technologies, 15(3), 412–425.
Farahani, A., & Luo, J. (2023). Emotional data privacy in wearable learning environments: A systematic review. Education and Information Technologies, 28(5), 6233–6255.
Gonzalez, P., Torres, M., & Lopez, D. (2024). Smart learning analytics: Integrating wearable data with adaptive feedback systems. Computers in Human Behavior, 149, 107938.
Huang, R., Liu, D., & Wang, Y. (2020). Real-time adaptive learning through wearable technologies. British Journal of Educational Technology, 51(4), 1359–1374.
Hwang, G. J., & Chien, S. Y. (2022). Definition, framework, and research issues of smart learning environments: A review. Computers & Education, 179, 104415.
Kang, M., Lee, H., & Park, J. (2020). Multi-sensory learning experiences with wearable devices in digital classrooms. Educational Technology Research and Development, 68(6), 3321–3342.
Kaur, S., & Singh, R. (2024). Wearable technologies and intelligent education: Enhancing learner engagement and real-time feedback. Interactive Learning Environments, 32(7), 954–972.
Kim, S., & Lee, J. (2023). EEG-based adaptive learning systems using wearable devices: Advances and challenges. Computers in Education Journal, 45(2), 118–129.
Liu, Y., Wang, Q., & Zhao, X. (2021). Self-monitoring and metacognitive awareness through wearable learning analytics. Computers & Education, 167, 104178.
Lopez, D., & Chen, X. (2024). Data-driven learning personalization using wearable analytics. Educational Research Review, 42, 101268.
Martinez, R., & Torres, G. (2021). AI-based feedback generation for cognitive and emotional adaptation in smart learning. Journal of Educational Computing Research, 59(3), 489–508.
Nguyen, T., Rojas, M., & Lai, S. (2021). Ethical implications of biometric data in education: Challenges of wearable learning technologies. Learning, Media and Technology, 46(2), 217–232.
Pereira, C., Silva, R., & Lopes, J. (2023). The role of physiological sensing in personalized learning environments: A wearable perspective. Sensors, 23(4), 1894.
Rahman, M., & Chou, C. (2023). Augmented reality and wearable devices in science education: Effects on engagement and cognitive retention. Education and Information Technologies, 28(3), 2527–2546.
