چارچوب‌های نظری یادگیری خودتنظیمی در محیط‌های هوشمند
کلمات کلیدی:
یادگیری خودتنظیمی, محیط‌های هوشمند, چارچوب نظری, فراشناخت, یادگیری تطبیقی, هوش مصنوعیچکیده
هدف این پژوهش، شناسایی و تحلیل نظام‌مند چارچوب‌های نظری یادگیری خودتنظیمی در محیط‌های یادگیری هوشمند و تبیین نحوه ادغام مؤلفه‌های شناختی، فراشناختی، انگیزشی و فناورانه در این محیط‌ها است. این پژوهش از نوع مروری نظام‌مند با رویکرد کیفی است که به بررسی ۱۲ مقاله علمی مرتبط با موضوع یادگیری خودتنظیمی در محیط‌های یادگیری هوشمند پرداخته است. مقالات با روش نمونه‌گیری هدفمند از پایگاه‌های Scopus، Web of Science، IEEE Xplore و Google Scholar انتخاب شدند. داده‌ها از طریق تحلیل محتوای کیفی و با استفاده از نرم‌افزار Nvivo نسخه 14 مورد تجزیه‌وتحلیل قرار گرفتند. فرایند کدگذاری در سه سطح کدهای باز، مقوله‌های فرعی و مضامین اصلی انجام شد تا الگوهای نظری حاکم بر یادگیری خودتنظیمی در محیط‌های هوشمند شناسایی شوند. نتایج نشان داد که چارچوب‌های نظری یادگیری خودتنظیمی در محیط‌های هوشمند را می‌توان در سه محور اصلی دسته‌بندی کرد: ۱) مبانی نظری شامل نظریه‌های شناختی، سازنده‌گرایی و اجتماعی-شناختی؛ ۲) مؤلفه‌های کلیدی خودتنظیمی شامل هدف‌گذاری، پایش شناختی، خودانگیزش، بازخورد و تعامل با فناوری؛ و ۳) الگوهای نوین انسان-فناوری شامل مدل‌های شناختی-محاسباتی، چارچوب‌های هوش مصنوعی و یادگیری تطبیقی. یافته‌ها همچنین نشان داد که فناوری‌های هوشمند با فراهم‌کردن بازخوردهای بلادرنگ، تحلیل داده‌های یادگیری و ارائه مسیرهای شخصی‌سازی‌شده، نقش فعالی در ارتقای فراشناخت و انگیزش یادگیرندگان ایفا می‌کنند. پژوهش حاضر نشان داد که نظریه‌های سنتی یادگیری خودتنظیمی برای کاربرد در محیط‌های هوشمند نیازمند بازتعریف و توسعه میان‌رشته‌ای هستند. تلفیق مؤلفه‌های شناختی، عاطفی و فناورانه در قالب چارچوب‌های ترکیبی می‌تواند به ارتقای یادگیری شخصی‌سازی‌شده و خودتنظیمی منجر شود. این نتایج می‌تواند مبنایی نظری برای طراحی محیط‌های یادگیری نسل آینده فراهم آورد.
دانلودها
مراجع
Azevedo, R. (2015). Defining and measuring self-regulated learning in computer-based environments. Educational Psychologist, 50(1), 1–15.
Azevedo, R., Taub, M., & Mudrick, N. V. (2019). Understanding and measuring self-regulated learning in computer-based learning environments. New Directions for Teaching and Learning, 2019(170), 75–84.
Azevedo, R., Taub, M., & Cloude, E. B. (2022). Emerging trends in understanding self-regulated learning in advanced learning technologies. Computers in Human Behavior, 126, 107022.
Bannert, M., & Reimann, P. (2012). Supporting self-regulated hypermedia learning through prompts. Instructional Science, 40(1), 193–211.
Chen, B., Knight, S., & Wise, A. F. (2021). Critical issues in learning analytics: Data, ethics, and theory. British Journal of Educational Technology, 52(3), 1201–1216.
Creswell, J. W. (2018). Research design: Qualitative, quantitative, and mixed methods approaches. Sage Publications.
Deci, E. L., & Ryan, R. M. (1985). Intrinsic motivation and self-determination in human behavior. Plenum.
Efklides, A. (2011). Interactions of metacognition with motivation and affect in self-regulated learning: The MASRL model. Educational Psychologist, 46(1), 6–25.
Gašević, D., Kovanović, V., & Joksimović, S. (2019). Learning analytics should not promote one size fits all: The effects of instructional conditions in predicting academic success. The Internet and Higher Education, 41, 24–39.
Ifenthaler, D. (2023). Technology-enhanced self-regulated learning: Conceptual advances and future directions. Computers and Education: Artificial Intelligence, 4, 100137.
Ifenthaler, D., & Yau, J. Y. K. (2020). Utilising learning analytics to support study success in higher education: A systematic review. Educational Technology Research and Development, 68(4), 1961–1990.
Luckin, R. (2017). Machine learning and human intelligence: The future of education for the 21st century. UCL Institute of Education Press.
Nye, B. D. (2015). Intelligent tutoring systems by the numbers: A meta-analysis of meta-analyses. International Journal of Artificial Intelligence in Education, 25(4), 520–545.
Panadero, E. (2017). A review of self-regulated learning: Six models and four directions for research. Frontiers in Psychology, 8, 422.
Roll, I., & Winne, P. H. (2015). Understanding, evaluating, and supporting self-regulated learning using learning analytics. Journal of Learning Analytics, 2(1), 7–12.
Schunk, D. H., & Zimmerman, B. J. (2012). Motivation and self-regulated learning: Theory, research, and applications. Routledge.
Siemens, G., & Long, P. (2011). Penetrating the fog: Analytics in learning and education. EDUCAUSE Review, 46(5), 30–40.
