سیاستهای حکمرانی آموزشی در عصر یادگیری هوشمند و آموزش دادهمحور
کلمات کلیدی:
حکمرانی آموزشی, یادگیری هوشمند, سیاستگذاری دادهمحور, فناوری آموزشی, عدالت آموزشیچکیده
هدف این مطالعه بررسی و تحلیل سیاستهای حکمرانی آموزشی در بستر یادگیری هوشمند و آموزش دادهمحور است. این پژوهش از نوع مطالعه مروری کیفی است. دادهها از مرور نظاممند ۱۲ مقاله علمی مرتبط با حکمرانی آموزشی دادهمحور و یادگیری هوشمند جمعآوری شد. تحلیل دادهها با استفاده از نرمافزار NVivo 14 و روش تحلیل مضمون کیفی انجام شد و فرآیند کدگذاری باز، محوری و گزینشی برای استخراج مضامین اصلی و زیرمضامین به کار گرفته شد. اشباع نظری به عنوان معیار انتخاب منابع در نظر گرفته شد. تحلیل دادهها سه محور اصلی سیاستهای آموزشی هوشمند را نشان داد: سیاستگذاری دادهمحور در نظام آموزشی، یادگیری هوشمند و تحول نظام آموزشی، و حکمرانی آموزشی در عصر دیجیتال. در محور اول، استفاده نظاممند از دادهها و چارچوبهای حکمرانی داده موجب افزایش شفافیت، پاسخگویی و تصمیمگیری مبتنی بر شواهد شد. محور دوم نشان داد که یادگیری هوشمند با بهرهگیری از هوش مصنوعی و تحلیل دادههای رفتاری امکان شخصیسازی مسیر یادگیری و بهبود تجربه آموزشی را فراهم میکند. محور سوم بر اهمیت رهبری دیجیتال، چارچوبهای قانونی و اخلاقی، مشارکت ذینفعان و تابآوری نهادی در تحقق سیاستهای آموزشی دادهمحور تأکید داشت. حکمرانی آموزشی در عصر یادگیری هوشمند مستلزم تعامل میان داده، فناوری، انسان و چارچوبهای قانونی و اخلاقی است. سیاستگذاری دادهمحور، ایجاد زیرساختهای فناورانه، توانمندسازی مدیران و معلمان، و توجه به عدالت آموزشی، کلید موفقیت نظامهای آموزشی هوشمند است. این پژوهش چارچوبی جامع برای تصمیمگیرندگان و پژوهشگران فراهم میآورد تا سیاستهای آموزشی خود را به صورت دادهمحور، شفاف و پایدار طراحی کنند.
دانلودها
مراجع
Ball, S. J. (2022). The education debate (4th ed.). Policy Press.
Brown, M., & Klein, P. (2022). Data governance in education: Ethical and practical considerations. Computers & Education, 190, 104616.
Chen, L., Huang, R., & Zhang, Y. (2020). Smart learning environments: Trends and challenges. Educational Technology Research and Development, 68(5), 2769–2783.
Daniel, B. (2019). Big data and learning analytics in higher education: Opportunities and challenges. British Journal of Educational Technology, 50(1), 5–20.
Eickelmann, B., & Gerick, J. (2020). Leadership in digital education: Trends and perspectives. Education and Information Technologies, 25(4), 2635–2652.
Hartong, S. (2022). Data-driven governance in education: Between evidence and control. Learning, Media and Technology, 47(3), 345–359.
Holmes, W., Bialik, M., & Fadel, C. (2019). Artificial intelligence in education: Promises and implications for teaching and learning. Center for Curriculum Redesign.
Ifenthaler, D., & Yau, J. Y. K. (2020). Utilising learning analytics for study success: Reflections on current empirical findings. Research and Practice in Technology Enhanced Learning, 15(1), 1–13.
Knott, C., & Whitty, G. (2021). Digital leadership and the reconfiguration of educational governance. Educational Management Administration & Leadership, 49(7), 1049–1065.
Mandinach, E. B., & Schildkamp, K. (2021). Data-driven decision-making in education: The challenges of building capacity. Educational Assessment, Evaluation and Accountability, 33(2), 133–148.
Perrotta, C., & Selwyn, N. (2020). Deep learning goes to school: Toward a relational understanding of AI in education. Learning, Media and Technology, 45(3), 251–269.
Regan, P. M., & Jesse, J. (2019). Ethical challenges of edtech, big data and personalized learning. Learning, Media and Technology, 44(2), 117–128.
Sahlberg, P. (2021). Finnish lessons 3.0: What can the world learn from educational change in Finland? Teachers College Press.
Selwyn, N. (2021). Education and technology: Key issues and debates (3rd ed.). Bloomsbury Publishing.
Williamson, B. (2017). Big data in education: The digital future of learning, policy and practice. SAGE Publications.
Williamson, B., & Hogan, A. (2020). Commercialisation and privatisation in/of education in the context of Covid-19. Education International Research Report Series.