چاپ صفحه |  صفحه نخست سامانه |  نویسندگان |  اطلاعات تفضیلی |  دانلود مقاله | دانشگاه علوم پزشکی تبریز |
| نویسنده | نفر چندم مقاله |
|---|---|
| امیر تراب میاندوآب | اول |
| منصور غفوری فرد | دوم |
| سعیده غفاری فر | سوم |
| سوگند حبیبی | چهارم |
| عنوان | متن |
|---|---|
| خلاصه مقاله | چکیده سابقه و هدف: تحول دیجیتال در آموزش علوم پزشکی، نیاز به رویکرهای نوینی چون یادگیری شخصی سازی شده و چارچوبهای هوشمند برای آن بر اساس ویژگیها و رفتارهای فردی یادگیرندگان را آشکار کرده است. هدف این پژوهش، طراحی چارچوب هوشمند شخصیسازی آموزش با استفاده از یادگیری ماشینی و تحلیل رفتار یادگیرندگان است. مواد و روشها: پژوهش حاضر از نوع توسعهای ـ کاربردی و با رویکرد آمیخته انجام شده است. در مرحله نخست، با اجرای مرور نظاممند منابع علمی و تحلیل تطبیقی مدلهای موجود، ابعاد و مؤلفههای مؤثر بر شخصیسازی در محیطهای یادگیری دیجیتال شناسایی گردید. سپس با بهرهگیری از روش طراحی مبتنی بر داده (Data-Driven Design) و مدلسازی مفهومی، چارچوب پیشنهادی تدوین شد. دادههای مورد نیاز شامل شاخصهای رفتاری یادگیرندگان (زمان تعامل، توالی دسترسی به محتوا، الگوی پاسخدهی، سطح مشارکت و عملکرد تحصیلی) بوده که از سامانههای یادگیری الکترونیکی استخراج شدند. این دادهها توسط الگوریتمهای خوشهبندی (K-Means) برای شناسایی الگوهای یادگیری و درخت تصمیم (Decision Tree) برای تولید توصیههای آموزشی شخصیسازیشده تحلیل شدند. یافتهها: چارچوب نهایی از چهار لایه اصلی تشکیل شده است: 1) لایه جمعآوری و یکپارچهسازی داده: شامل جمعآوری دادههای رفتاری و عملکردی یادگیرندگان از سامانههای مدیریت یادگیری (LMS)، ارزیابیهای آنلاین، تعاملات با محتوا و آزمونهای استاندارد، و همچنین یکپارچهسازی این دادهها در پایگاه داده متمرکز برای آمادهسازی تحلیل. 2) لایه تحلیل یادگیرنده: شامل تحلیل آماری و استخراج ویژگیهای یادگیرنده (سبک یادگیری، الگوهای تعامل، میزان درگیری شناختی و نقاط قوت و ضعف)، خوشهبندی یادگیرندگان با الگوریتم K-Means، و شناسایی الگوهای یادگیری شخصی و گروهی. 3) لایه تصمیمیار آموزشی مبتنی بر یادگیری ماشینی: شامل مدلسازی پیشبینی عملکرد و ارائه مسیرهای یادگیری شخصیسازیشده بر اساس الگوریتم درخت تصمیم (Decision Tree)، سیستم توصیهگر محتوا، و تطبیق استراتژیهای آموزشی با ویژگیهای رفتاری و عملکردی هر یادگیرنده. 4) لایه بازخورد و بهروزرسانی محتوا: شامل ارائه بازخورد فوری به یادگیرنده، بهروزرسانی پویا محتوای آموزشی متناسب با پیشرفت و عملکرد، و ایجاد حلقه بازخورد مستمر برای بهینهسازی مستمر مسیرهای آموزشی. ارزیابی اعتبار نظری چارچوب از طریق نظر خبرگان حوزه آموزش پزشکی و فناوری آموزشی انجام شد و از نظر نوآوری، کارآمدی و انطباق با الزامات بومی نظام آموزش علوم پزشکی مورد تأیید قرار گرفت. نتیجه گیری: چارچوب هوشمند پیشنهادی میتواند مبنایی برای توسعه نسل جدید سیستمهای آموزش پزشکی مبتنی بر داده باشد و زمینهساز تصمیمگیری آموزشی دقیقتر، افزایش انگیزش یادگیرندگان و ارتقای کارایی فرایند یادگیری گردد. یافتههای این پژوهش، گامی مؤثر در جهت همگرایی هوش مصنوعی، علم داده و آموزش علوم پزشکی محسوب میشود. |
| کلمات کلیدی | یادگیری ماشینی، شخصیسازی آموزش، تحلیل رفتار یادگیرندگان، آموزش علوم پزشکی، چارچوب هوشمند |
| نام فایل | تاریخ درج فایل | اندازه فایل | دانلود |
|---|---|---|---|
| 1.PNG | 1404/09/23 | 381431 | دانلود |
| طراحي چارچوب هوشمند براي شخ ص يسازي آموزش علوم پزش کي با استفاده از يادگيري ماشي ني و.pdf | 1404/09/23 | 204526 | دانلود |
