یادگیری متقابل انسان و ماشین در محیط‌های آموزشی دیجیتال
کلمات کلیدی:
یادگیری متقابل انسان و ماشین, محیط‌های آموزشی دیجیتال, هوش مصنوعی, یادگیری عاطفی, اخلاق فناوریچکیده
هدف این مطالعه مرور نظام‌مند و تحلیل کیفی پژوهش‌های مرتبط با مفهوم یادگیری متقابل انسان و ماشین در محیط‌های آموزشی دیجیتال و شناسایی ابعاد شناختی، عاطفی، اجتماعی و فناورانه آن بود. این پژوهش به‌صورت مرور کیفی نظام‌مند انجام شد. جامعه مورد بررسی شامل مقالات منتشرشده در پایگاه‌های Scopus، Web of Science، ScienceDirect، Springer و Google Scholar در فاصله سال‌های ۲۰۱۵ تا ۲۰۲۴ بود. پس از غربال‌گری و اعمال معیارهای ورود و خروج، ۱۲ مقاله مرتبط انتخاب گردید. داده‌ها با استفاده از نرم‌افزار NVivo نسخه 14 تحلیل شدند و فرایند کدگذاری در سه سطح باز، محوری و انتخابی انجام گرفت. تحلیل داده‌ها تا رسیدن به اشباع نظری ادامه یافت. نتایج نشان داد که یادگیری متقابل انسان و ماشین دارای سه مضمون اصلی است: «هم‌تکاملی شناختی»، «تعاملات عاطفی و اجتماعی» و «سازوکارهای فناورانه و اخلاقی پشتیبان». در بعد شناختی، تعامل مستمر انسان و ماشین موجب ارتقای خودتنظیمی، فراشناخت و انعطاف‌پذیری ذهنی می‌شود. در بعد عاطفی، فناوری‌های محاسبات عاطفی باعث افزایش همدلی و اعتماد در ارتباط یادگیرنده-ماشین می‌شوند. در بعد فناورانه، یادگیری عمیق، یادگیری تقویتی و تحلیل پیش‌بینانه داده‌ها بنیان اصلی سامانه‌های آموزشی هوشمند را تشکیل می‌دهند، در حالی که ملاحظات اخلاقی همچون شفافیت، عدالت الگوریتمی و حریم خصوصی شرط پایداری این تعامل‌اند. یافته‌ها نشان داد که یادگیری متقابل انسان و ماشین الگویی نوین از آموزش هم‌زیستانه است که بر تعامل شناختی، عاطفی و فناورانه استوار است. تحقق این الگو مستلزم طراحی مسئولانه فناوری‌های آموزشی، توسعه سواد داده‌ای و اخلاقی معلمان، و تدوین سیاست‌های آموزشی عدالت‌محور است. این رویکرد می‌تواند به ارتقای کیفیت، پایداری و شخصی‌سازی آموزش در عصر هوش مصنوعی بینجامد.
دانلودها
مراجع
Chen, C. M., Huang, Y. M., & Liu, M. C. (2020). A cognitive-based adaptive learning system for improving learning performance. Computers & Education, 157, 103958.
Chen, L., Xie, H., & Zou, D. (2022). Deep learning in education: Applications, challenges, and future directions. Educational Technology Research and Development, 70(5), 2281–2302.
Cowie, R., Douglas-Cowie, E., & Cox, C. (2021). The challenge of emotion: A multidisciplinary approach to emotion detection. IEEE Transactions on Affective Computing, 12(3), 543–556.
D’Mello, S. K., & Graesser, A. C. (2021). Feeling, thinking, and computing with affect-aware learning technologies. Computers in Human Behavior, 125, 106941.
Dede, C., Richards, J., & Saxberg, B. (2021). Learning engineering for online education. Routledge.
Floridi, L., & Cowls, J. (2021). A unified framework of five principles for AI in society. Harvard Data Science Review, 3(1).
Holmes, W., Bialik, M., & Fadel, C. (2021). Artificial intelligence in education: Promises and implications for teaching and learning. Center for Curriculum Redesign.
Jobin, A., Ienca, M., & Vayena, E. (2019). The global landscape of AI ethics guidelines. Nature Machine Intelligence, 1(9), 389–399.
Kanda, T., & Ishiguro, H. (2020). Human–robot interaction in social learning contexts. Annual Review of Control, Robotics, and Autonomous Systems, 3, 355–378.
Luckin, R. (2018). Machine learning and human intelligence: The importance of the human in AI education. UCL Institute of Education Press.
Norman, D. A. (2020). The design of everyday things (Revised ed.). MIT Press.
Picard, R. W. (2019). Affective computing: From laughter to IEEE. IEEE Transactions on Affective Computing, 10(4), 648–657.
Rummel, N., Walker, E., & Aleven, V. (2022). Learning analytics for learning engineering. Computers & Education: Artificial Intelligence, 3, 100071.
Schroeder, N. L., & Adesope, O. O. (2022). Human–machine co-learning in education. Computers & Education, 184, 104521.
Selwyn, N. (2023). Education and artificial intelligence: Understanding and shaping a complex future. Learning, Media and Technology, 48(2), 103–118.
Siemens, G. (2023). Connectivism and learning analytics in the age of AI. Routledge.
Whittlestone, J., Nyrup, R., Alexandrova, A., & Cave, S. (2021). The role and limits of principles in AI ethics: Towards a focus on tensions. Proceedings of the AAAI/ACM Conference on AI, Ethics, and Society, 4(1), 195–200.
