پیوندهای مفید
آمار
| تعداد نشریات | 11 |
| تعداد شماره‌ها | 227 |
| تعداد مقالات | 2,311 |
| تعداد مشاهده مقاله | 3,588,603 |
| تعداد دریافت فایل اصل مقاله | 2,629,458 |
کارکردهای فناوری‌های هوش مصنوعی در نظام یادگیری آموزش عالی: همسویی با تحولات جهانی یادگیری | ||
| فناوری آموزش | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 25 آبان 1404 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22061/tej.2025.11335.3135 | ||
| نویسندگان | ||
| لیلا نامداریان* 1؛ محمدرضا آرمانفر2؛ حمیدرضا خدمتگزار3 | ||
| 1گروه پژوهشی سیاست اطلاعات، پژوهشکده جامعه و اطلاعات، پژوهشگاه علوم و فناوری اطلاعات ایران (ایرانداک)، تهران، ایران | ||
| 2گروه مدیریت فناوری اطلاعات، دانشکده مدیریت و اقتصاد، دانشگاه تربیت مدرس، تهران، ایران | ||
| 3گروه پژوهشی مدیریت فناوری اطلاعات، پژوهشکده فناوری اطلاعات، پژوهشگاه علوم و فناوری اطلاعات ایران (ایرانداک)، تهران، ایران | ||
| تاریخ دریافت: 16 خرداد 1403، تاریخ بازنگری: 05 شهریور 1404، تاریخ پذیرش: 29 آبان 1403 | ||
| چکیده | ||
| پیشینه و اهداف: یکی از مهم‌ترین تحولات اخیر، ظهور فناوری‌های آموزشی و ادغام هوش مصنوعی در نظام‌های یادگیری به ویژه در آموزش عالی است. هوش مصنوعی ظرفیت آن را دارد که فرآیندهای آموزش، یادگیری و کسب دانش را از اساس دگرگون کند و راهکارهای نوینی را برای بهبود عملکرد نظام‌های یادگیری فراهم آورد. پژوهش حاضر به بررسی پیامدهای کلیدی و فرصت‌های جدیدی که از ادغام فناوری‌های هوش مصنوعی در آموزش عالی به‌وجود می‌آید، می‌پردازد. روش‌ها: این مطالعه با استفاده از مرور نظام‌مند ادبیات و مقالات علمی مرتبط با موضوع، ابتدا به شناسایی فناوری‌های هوش مصنوعی مورد استفاده در یادگیری پرداخته و سپس پیامدها و عملکردهای آن‌ها را در نظام یادگیری آموزش عالی تحلیل کرده است. فرآیند تحقیق در دو گام اصلی انجام شده است. گام اول به تحلیل چهار نظریه یادگیری مهم شامل نظریه ساخت‌گرایی، ارتباط‌گرایی، یادگیری شخصی‌سازی‌شده و یادگیری تحول‌آفرین می‌پردازد. براساس این نظریه‌ها، مجموعه‌ای از فناوری‌های هوش مصنوعی که با اصول هر نظریه همخوانی دارند، شناسایی و معرفی شده‌اند. در گام دوم، این پژوهش با استفاده از روش تحلیل موضوعی، کارکردهای مختلف این فناوری‌ها را در آموزش عالی دسته‌بندی کرده است. یافته‌ها: بر پایه نتایج، فناوری‌های هوش مصنوعی در نظام یادگیری عبارتند از: «سیستم‌های یادگیری انطباقی (ALS)» که با تجزیه و تحلیل داده‌های یادگیری، محتوای آموزشی را به‌صورت انطباقی برای هر دانشجو تنظیم می‌کنند؛ «سیستم‌های تدریس خصوصی هوشمند (ITS)» که به کمک الگوریتم‌های هوشمند، نقش معلم خصوصی را برای دانشجویان ایفا می‌کنند؛ «تجزیه و تحلیل یادگیری (AL)» که با تحلیل داده‌های یادگیری دانشجویان به بهبود فرآیندهای آموزشی کمک می‌کند؛ «سیستم‌های تولید و مدیریت محتوای مبتنی بر هوش مصنوعی (CPMS)» که به‌صورت خودکار محتوای آموزشی را تولید و مدیریت می‌کنند؛ «سیستم‌های تشخیص سرقت ادبی و تحلیل استنادی (PD&CA)» که امکان ارزیابی صحت و اصالت پژوهش‌ها را فراهم می‌کنند؛ «محیط‌های یادگیری اکتشافی (ELEs)» که به دانشجویان امکان تجربه یادگیری عملی و اکتشافی را می‌دهند؛ و «سیستم‌های کمکی هوشمند برای معلولین (IAS)» که به دانشجویان با نیازهای خاص کمک می‌کنند تا دسترسی بهتری به آموزش داشته باشند. از جمله کارکردهای این فناوری‌ها عبارتند از «آموزش شخصی‌سازی‌شده» که از طریق تنظیم محتوای آموزشی براساس نیازهای هر دانشجو، تجربه یادگیری را بهبود می‌بخشد؛ «بازخورد بلادرنگ و شخصی‌سازی شده» که به دانشجویان امکان می‌دهد تا به سرعت نتایج عملکرد خود را مشاهده کرده و مسیر یادگیری خود را تنظیم کنند؛ «خودکارسازی ارزیابی‌ها و بهبود راهبردهای تدریس و برنامه‌های درسی» که به کمک هوش مصنوعی ارزیابی‌های کلاسی و طراحی دوره‌ها بهینه‌تر می‌شود؛ «تولید و مدیریت محتوای آموزشی» که به‌صورت خودکار و هوشمند انجام می‌شود؛ «پشتیبانی از پژوهش و نوآوری» که با استفاده از ابزارهای هوش مصنوعی به محققان کمک می‌کند تا داده‌های پژوهشی را تجزیه و تحلیل کنند و به نتایج جدید دست یابند؛ «ایجاد محیط‌های مجازی تعاملی و شبیه‌سازی‌های فراگیر» که تجربه یادگیری عملی را در محیط‌های مجازی ممکن می‌سازد؛ و «دسترس‌پذیری آموزش برای همه و حمایت از معلولان» که به وسیله فناوری‌های کمکی هوش مصنوعی، آموزش را برای تمامی دانشجویان، حتی کسانی که دارای معلولیت هستند، دسترس‌پذیر می‌کند. نتیجه‌گیری: نتایج این مطالعه نشان می‌دهد که ادغام هوش مصنوعی در نظام یادگیری آموزش عالی می‌تواند به بهبود فرآیندهای آموزشی، شخصی‌سازی یادگیری، تسهیل دسترسی به آموزش برای تمامی دانشجویان، و افزایش بهره‌وری در مدیریت و تولید محتوای آموزشی منجر شود. با این حال، اجرای موفق این فناوری‌ها نیازمند توجه به چالش‌ها و ملاحظاتی از جمله حفظ تعاملات انسانی در آموزش، اخلاقیات و حریم خصوصی داده‌ها، و آموزش مهارت‌های جدید به اساتید و دانشجویان است. بنابراین، سیاست‌گذاران و مدیران آموزش عالی باید به گونه‌ای برنامه‌ریزی کنند که علاوه بر بهره‌گیری از فرصت‌های هوش مصنوعی، حفظ جنبه‌های انسانی آموزش را تضمین کرده و به یادگیری پایدار و توسعه توانایی‌های فردی دانشجویان توجه داشته باشند. همچنین لازم است که زیرساخت‌های فناوری و فرهنگ پذیرش نوآوری‌های دیجیتال در دانشگاه‌ها تقویت شود تا بتوان از ظرفیت‌های بالقوه هوش مصنوعی به‌طور کامل استفاده کرد. | ||
| کلیدواژه‌ها | ||
| هوش مصنوعی؛ آموزش عالی؛ آموزش شخصی‌سازی شده؛ یادگیری انطباقی | ||
| موضوعات | ||
| محیط های یادگیری مبتنی بر فناوری | ||
| عنوان مقاله [English] | ||
| The Functions of Artificial intelligence technologies in higher education learning system: Aligning with the global evolution of learning | ||
| نویسندگان [English] | ||
| L. Namdarian1؛ M.R. Armanfar2؛ H.R. Khedmatgozar3 | ||
| 1Information Policy Research Group, Information and Society Research Department, Iranian Research Institute for Information Science and Technology (IranDoc), Tehran, Iran | ||
| 2Department of Information Technology Management, Faculty of Management & Economics, Tarbiat Modares University, Tehran, Iran | ||
| 3Information Technology Management Research Group, Information Technology Research Department, Iranian Research Institute for Information Science and Technology (IranDoc), Tehran, Iran | ||
| چکیده [English] | ||
| Background and Objectives: One of the most significant recent developments is the emergence of educational technologies and the integration of artificial intelligence (AI) into learning systems, particularly in higher education. AI has the potential to fundamentally transform the processes of teaching, learning, and knowledge acquisition, providing innovative solutions for improving the performance of learning systems. This research explores the key outcomes and new opportunities arising from the integration of AI technologies into higher education. Methods: This study utilizes a systematic literature review of relevant academic papers to first identify the AI technologies used in learning, and then analyze their impacts and functions in higher education learning systems. The research was conducted in two main steps. The first step analyzes four major learning theories, including constructivism, connectivism, personalized learning, and transformative learning. Based on these theories, a set of AI technologies aligned with the principles of each theory were identified and introduced. In the second step, this research used thematic analysis to categorize the various functions of these technologies in higher education. Findings: According to the results, AI technologies in learning systems include: Adaptive Learning Systems (ALS), which analyze learning data to adaptively adjust educational content for each student; Intelligent Tutoring Systems (ITS), which use intelligent algorithms to act as personal tutors for students; Learning Analytics (LA), which analyze students' learning data to enhance educational processes; AI-based Content Production and Management Systems (CPMS), which automatically produce and manage educational content; Plagiarism Detection and Citation Analysis Systems (PD&CA), which enable the evaluation of the authenticity and accuracy of research; Exploratory Learning Environments (ELEs), which allow students to engage in practical, exploratory learning experiences; and Intelligent Assistive Systems (IAS) for disabled students, which assist students with special needs in gaining better access to education. Some of the key functions of these technologies include personalized learning, which improves the learning experience by tailoring educational content to each student's needs; real-time and personalized feedback, which allows students to quickly view their performance and adjust their learning paths; automating assessments and improving teaching strategies and curricula, where AI helps optimize class assessments and course design; automatic and intelligent content creation and management; support for research and innovation, where AI tools help researchers analyze research data and achieve new findings; the creation of interactive virtual environments and immersive simulations that enable practical learning experiences in virtual settings; and making education accessible for all and supporting students with disabilities, where AI assistive technologies make education more accessible for all students, including those with disabilities. Conclusion: The results of this study show that integrating AI into higher education learning systems can lead to improved educational processes, personalized learning, enhanced access to education for all students, and increased efficiency in the management and production of educational content. However, the successful implementation of these technologies requires attention to challenges and considerations, including maintaining human interaction in education, data privacy and ethics, and teaching new skills to both faculty and students. Therefore, policymakers and higher education administrators must plan in such a way that, in addition to utilizing the opportunities presented by AI, they also ensure the preservation of the human aspects of education and focus on sustainable learning and the personal development of students. Furthermore, it is necessary to strengthen technological infrastructure and foster a culture of embracing digital innovations in universities to fully utilize AI's potential. Finally, more research is needed to evaluate the long-term impacts of these technologies on the quality of education and the development of students' skills. | ||
| کلیدواژه‌ها [English] | ||
| Artificial Intelligence, Higher Education, Personalized Education, Adaptive Learning | ||
| مراجع | ||
|
doi:10.1186/s41039-017-0044-2
[2] Bates AW. Teaching in a digital age: Guidelines for designing teaching and learning. Tony Bates Associates Ltd; 2015. doi:10.1007/s10834-020-09789-5
[3] Harasim L. Shift happens: Online education as a new paradigm in learning. The Internet and higher education. 2000;3(1-2):41-61. doi:10.1016/S1096-7516(00)00024-8
[4] Graham CR. Blended learning systems. In: The handbook of blended learning: Global perspectives, local designs. 2006;1:3-21. doi:10.1108/9781786354325-004
[5] Papanastasiou EC, Angeli C. Evaluating the use of ICT in education: Psychometric properties of the survey of factors affecting teachers teaching with technology (SFA-T3). Educ Technol Soc. 2008;11(1):69-86. doi:10.1007/s10639-007-9052-1
[6] Essa A, Ayad H. Improving student success using predictive models and data visualizations. Res Learn Technol. 2012;20. doi:10.3402/rlt.v20i0.17285
[7] Terras MM, Ramsay J. A psychological perspective on mobile learning. In: Encyclopedia of Information Science and Technology, Fourth Edition. IGI Global; 2018. p. 6398-411. doi:10.4018/978-1-5225-2255-3.ch139
[8] Pappano L. The year of the MOOC. New York Times. 2012;2(12):2012. doi:10.1001/jama.2013.3931
[9] Schwab K. The fourth industrial revolution. World Economic Forum; 2016. doi:10.1142/9789813274257_0002
doi:10.1186/s41239-019-0171-0
doi:10.1007/978-3-319-33376-4
[13] Roll I, Wylie R. Evolution and revolution in artificial intelligence in education. Int J Artif Intell Educ. 2016;26:582-99. doi:10.1007/s40593-016-0013-0
doi:10.1109/ACCESS.2020.2985164
doi:10.1016/j.compedu.2019.103599
doi:10.4301/S1679-43912018150001
[17] Luan H, Tsai CC. A review of using machine learning approaches for precision education. Educ Technol Soc. 2021;24(1):250-66. doi:10.1007/s10639-021-10404-8
[18] Ertmer PA, Newby TJ. Learning theory and technology: A reciprocal relationship. The Wiley handbook of learning technology. 2016;58-76. doi:10.1002/9781119217872.ch3
[19] Nkambou R, Mizoguchi R, Bourdeau J, editors. Advances in intelligent tutoring systems. Vol. 308. Springer Science & Business Media; 2010. doi:10.1007/978-1-4419-0416-0
[20] Ouyang F, Jiao P. Artificial intelligence in education: The three paradigms. Comput Educ Artif Intell. 2021;2:100020. doi:10.1016/j.caeai.2021.100020
doi:10.1207/s15327809jls0803&4_4.
[23] Downes S. Places to go: Connectivism & connective knowledge. Innovate: J Online Educ. 2008;5(1):6. doi:10.4172/2151-6200.1000291
doi:10.1007/978-981-19-6001-2_15
[25] Bray B, McClaskey K. Make learning personal: The what, who, wow, where, and why. Corwin Press; 2014. doi:10.1016/j.learninstruc.2017.01.005
[26] Truong HM. Integrating learning styles and adaptive e-learning system: Current developments, problems and opportunities. Comput Human Behav. 2016; 55: 1185-93. doi:10.1016/j.chb.2015.10.018
[27] Mezirow J. Transformative learning. New Dir Adult Contin Educ. 1997;74:5-12. doi:10.1002/ace.7401
[28] Nye BD. Intelligent tutoring systems by and for the developing world: A review of trends and approaches for educational technology in a global context. Int J Artif Intell Educ. 2015;25:177-203. doi:10.1007/s40593-015-0031-0
[29] Winkler R, Söllner M. Unleashing the potential of chatbots in education: A state-of-the-art analysis. In: Academy of Management Proceedings; 2018 Jul; Vol. 2018, No. 1, p. 15903. Briarcliff Manor, NY: Academy of Management. doi:10.5465/ambpp.2018.15903abstract
[30] Taylor EW, Cranton P. The handbook of transformative learning: Theory, research, and practice. John Wiley & Sons; 2012. doi:10.1002/9781118545016
[31] Alzahrani SM, Salim N, Abraham A. Understanding plagiarism linguistic patterns, textual features, and detection methods. IEEE Trans Syst Man Cybern Part C Appl Rev. 2011;42(2):133-49. doi:10.1109/TSMCC.2011.2101445
[32] Drigas A, Rodi EI. Special education and ICTs. Int J Emerg Technol Learn. 2013;8(2):41. doi:10.3991/ijet.v8i2.2411
[33] Manouselis N, Drachsler H, Vuorikari R, Hummel H, Koper R. Recommender systems in technology enhanced learning. In: Recommender Systems Handbook. Springer; 2011. p. 387-415. doi:10.1007/978-0-387-85820-3_11
[34] Jingning L. Speech recognition based on mobile sensor networks application in English education intelligent assisted learning system. Measurement: Sensors. 2024; 32: 101084. doi:10.1016/j.measensors.2024.101084
[35] Pardo A, Siemens G. Ethical and privacy principles for learning analytics. Br J Educ Technol. 2014;45(3):438-50. doi:10.1111/bjet.12052
[36] Huang J, Saleh S, Liu Y. A review on artificial intelligence in education. Acad J Interdiscip Stud. 2021; 10(3). doi:10.36941/ajis-2021-0053
[37] Renz A, Hilbrich R. Prerequisites for artificial intelligence in further education: Identification of drivers, barriers, demands, and expectations. Int J Educ Technol High Educ. 2020;17(1):1-21. doi:10.1186/s41239-020-00196-5
[38] Litman D, Forbes-Riley K. Correlations between dialogue acts and learning in spoken tutoring dialogues. Nat Lang Eng. 2006;12(2):161-76. doi:10.1017/S1351324906003966
[39] Corbett AT, Anderson JR. Knowledge tracing: Modeling the acquisition of procedural knowledge. User Model User-Adapt Interact. 1994;4:253-78. doi:10.1007/BF01099816
[40] Romero C, Ventura S, Pechenizkiy M, Baker RS, editors. Handbook of educational data mining. CRC Press; 2010. doi:10.1201/b10239
[41] VanLehn K. The behavior of tutoring systems. Int J Artif Intell Educ. 2006;16(3):227-65. doi:10.1007/BF02932098
doi:10.1016/j.knosys.2006.09.005
doi:10.1007/978-3-031-28026-4_5
doi:10.1007/978-3-319-90582-2_7
[45] Malik G, Tayal DK, Vij S. An analysis of the role of artificial intelligence in education and teaching. In: Recent Findings in Intelligent Computing Techniques: Proceedings of the 5th ICACNI 2017; 2019; Volume 1. Singapore: Springer; 2019. p. 407-17. doi:10.1007/978-981-13-1278-3_39
[46] Fitria TN. Artificial intelligence (AI) in education: Using AI tools for teaching and learning process. In: Prosiding Seminar Nasional & Call for Paper STIE AAS. 2021 Dec;134-47. doi:10.1109/ISD2021.9631492
doi:10.4324/9781315809274
[48] Graesser AC, Chipman P, Haynes BC, Olney A. AutoTutor: An intelligent tutoring system with mixed-initiative dialogue. IEEE Trans Educ. 2005;48(4):612-8. doi:10.1109/TE.2005.859134
[50] Anderson JR, Corbett AT, Koedinger KR, Pelletier R. Cognitive tutors: Lessons learned. J Learn Sci. 1995;4(2):167-207. doi:10.1207/s15327809jls0402_3
doi:10.1109/ICCSE.2009.5224013
[53] Papamitsiou Z, Economides AA. Learning analytics and educational data mining in practice: A systematic literature review of empirical evidence. J Educ Technol Soc. 2014;17(4):49-64. doi:10.1007/978-3-319-74044-4_9
[54] Rienties B, Toetenel L, Bryan A. "Scaling up" learning design: Impact of learning design activities on LMS behavior and performance. In: Proceedings of the Fifth International Conference on Learning Analytics and Knowledge; 2015 Mar; pp. 315-9. doi:10.1145/2723576.2723607
[55] Burrows S, Gurevych I, Stein B. The eras and trends of automatic short answer grading. Int J Artif Intell Educ. 2015;25:60-117. doi:10.1007/s40593-015-0021-4.
[56] Ramesh D, Sanampudi SK. An automated essay scoring system: A systematic literature review. Artif Intell Rev. 2022;55(3):2495-527. doi:10.1007/s10462-021-10093-4
[57] Rad HS, Alipour R, Jafarpour A. Using artificial intelligence to foster students’ writing feedback literacy, engagement, and outcome: A case of Wordtune application. Interact Learn Environ. 2023;1-21. doi:10.1080/10494820.2023.2181710
[58] Alqahtani T, Badreldin HA, Alrashed M, Alshaya AI, Alghamdi SS, bin Saleh K, et al. The emergent role of artificial intelligence, natural learning processing, and large language models in higher education and research. Res Soc Adm Pharm. doi:10.1016/j.sapharm.2023.08.013
[59] Pallathadka H, Wenda A, Ramirez-Asís E, Asís-López M, Flores-Albornoz J, Phasinam K. Classification and prediction of student performance data using various machine learning algorithms. Mater Today Proc. 2023;80:3782-5. doi:10.1016/j.matpr.2023.01.214
[61] Bienkowski M, Feng M, Means B. Enhancing teaching and learning through educational data mining and learning analytics: An issue brief. Office of Educational Technology, US Department of Education; 2012. doi:10.1037/e587482013-001
[62] Roscoe RD, Allen LK, Weston JL, Crossley SA, McNamara DS. The Writing Pal intelligent tutoring system: Usability testing and development. Comput Compos. 2014; 34: 39-59. doi:10.1016/j.compcom.2014.03.005
[63] Wen M, Yang D, Rose C. Sentiment analysis in MOOC discussion forums: What does it tell us? In: Educational Data Mining; 2014 Jul. doi:10.1145/2614321.2614334
[64] Raca M, Dillenbourg P. System for assessing classroom attention. In: Proceedings of the Third International Conference on Learning Analytics and Knowledge; 2013 Apr; pp. 265-9. doi:10.1145/2460296.2460372
[65] Baral S, Santhanam A, Botelho A, Gurung A, Heffernan N. Automated scoring of image-based responses to open-ended mathematics questions. In: The Proceedings of the 16th International Conference on Educational Data Mining. 2023 Jul. doi:10.5281/zenodo.7211607
doi:10.13140/RG.2.2.26608.35849
[67] Sottilare RA, Graesser A, Hu X, Holden H, editors. Design recommendations for intelligent tutoring systems: Volume 1-learner modeling. Vol. 1. US Army Research Laboratory; 2013. doi:10.21236/ADA585477
[68] Wainer H, Dorans NJ, Flaugher R, Green BF, Mislevy RJ. Computerized adaptive testing: A primer. Routledge; 2000. doi:10.4324/9781315808123
[70] Yao JG, Wan X, Xiao J. Recent advances in document summarization. Knowl Inf Syst. 2017;53:297-336. doi:10.1007/s10115-017-1066-4
[71] Wulczyn E, Thain N, Dixon L. Ex machina: Personal attacks seen at scale. In: Proceedings of the 26th International Conference on World Wide Web; 2017 Apr; pp. 113-23. doi:10.1145/3038912.3052580
[72] Yarandi M, Jahankhani H, Tawil A. A personalized adaptive e-learning approach based on semantic web technology. Webology. 2013;10(2). doi:10.1007/978-3-319-75196-4_8
[73] Wu X, Xiao L, Sun Y, Zhang J, Ma T, He L. A survey of human-in-the-loop for machine learning. Future Gener Comput Syst. 2022;135:364-81. doi:10.1016/j.future.2021.12.013
[74] Khan S, Nazir S, Khan HU. Analysis of Cursive Text Recognition Systems: A Systematic Literature Review. ACM Trans Asian Low-Resour Lang Inf Process. 2023; 22(7): 1-30. doi:10.1145/3607228
[75] Chen L, Cui J, Tang X, Qian Y, Li Y, Zhang Y. RLPath: A knowledge graph link prediction method using reinforcement learning based attentive relation path searching and representation learning. Appl Intell. 2022; 1-12. doi:10.1007/s10489-022-03090-5
[76] Dengel A, Devillers L, Schaal LM. Augmented human and human-machine co-evolution: Efficiency and ethics. Reflections on Artificial Intelligence for humanity. 2021;203-27. doi:10.1007/978-3-030-65506-7_10
[77] Murdoch TB, Detsky AS. The inevitable application of big data to health care. JAMA. 2013; 309(13): 1351-2. doi:10.1001/jama.2013.3931
[78] Bornmann L, Mutz R. Growth rates of modern science: A bibliometric analysis based on the number of publications and cited references. J Assoc Inf Sci Technol. 2015;66(11):2215-22. doi:10.1002/asi.23329
[79] Bin-Habtoor AS, Zaher MA. A survey on plagiarism detection systems. Int J Comput Theory Eng. 2012;4(2):185. doi:10.7763/IJCTE.2012.V4.476
[80] Ahmad SF, Rahmat MK, Mubarik MS, Alam MM, Hyder SI. Artificial intelligence and its role in education. Sustainability. 2021;13(22):12902. doi:10.3390/su132212902
[81] De Jong T, Van Joolingen WR. Scientific discovery learning with computer simulations of conceptual domains. Rev Educ Res. 1998;68(2):179-201. doi:10.3102/00346543068002179
doi:10.1111/jcal.12365
[83] Balamuralithara B, Woods PC. Virtual laboratories in engineering education: The simulation lab and remote lab. Comput Appl Eng Educ. 2009; 17(1): 108-18. doi:10.1002/cae.20273
[84] Conati C, Kardan S. Student modeling: Supporting personalized instruction, from problem solving to exploratory open-ended activities. AI Mag. 2013; 34(3): 13-26. doi:10.1609/aimag.v34i3.2482
[85] Mayer RE. Multimedia Learning: Guiding visuospatial thinking with instructional animation. Cambridge University Press; 2005. doi:10.1017/CBO9780511811678
[86] Alnahdi G. Assistive technology in special education and the universal design for learning. Turkish Online J Educ Technol-TOJET. 2014;13(2):18-23. doi:10.1016/j.chb.2013.05.002
[87] Almaiah MA, Al-Khasawneh A, Althunibat A. Exploring the critical challenges and factors influencing the E-learning system usage during COVID-19 pandemic. Educ Inf Technol. 2020;25:5261-80. doi:10.1007/s10639-020-10329-1
[88] Zhai X, Chu X, Chai CS, Jong MSY, Istenic A, Spector M, et al. A Review of Artificial Intelligence (AI) in Education from 2010 to 2020. Complexity. 2021:1-18. doi:10.1155/2021/5572064
[89] Debnath S, Roy P, Namasudra S, González-Crespo R. Audio-visual automatic speech recognition towards education for disabilities. Journal of Autism and Developmental Disorders. 2023. doi:10.1109/ICSRS.2021.9336972
[90] Litman D. Natural language processing for enhancing teaching and learning. In: Proceedings of the AAAI Conference on Artificial Intelligence; 2016 Mar; Vol. 30, No. 1. doi:10.1609/aaai.v30i1.9631
[91] Blumendorf M. Multimodal interaction in smart environments: A model-based runtime system for ubiquitous user interfaces [dissertation]. Berlin Institute of Technology; 2009. doi:10.1016/j.jnlrs.2014.02.002
[92] Hopcan S, Polat E, Ozturk ME, Ozturk L. Artificial intelligence in special education: A systematic review. Interact Learn Environ. 2023;31(10):7335-53. doi:10.1080/10494820.2023.2192073
| ||
|
آمار تعداد مشاهده مقاله: 4 |
||