17-9-1- سیستم های آموزشی هوشمند(Intelligent Tutoring Systems)

مقدمه

سیستم‌های آموزشی هوشمند[1] نرم افزارهای رایانه ای هستند که از تکنیک‌های هوش مصنوعی[2] جهت کمک به مدرسان و تسهیل فرآیند تدریس/ یادگیری بهره ‌می‌گیرند. در حوزه هوش مصنوعی تلاش بر این است تا رفتارهایی به وسیله یک رایانه تولید شوند که اگر توسط انسان‌ها انجام می شدند هوشمندانه تلقی می گشتند(شبیه سازی رفتارهای هوشمندانه انسانی). در سیستم‌های آموزشی هوشمند هم سعی بر این است تا رفتاری به وسیلۀ رایانه تولید شود که اگر انسان‌ها آن را انجام می دادند، به عنوان یک تدریس خوب لحاظ می شد. در این چارچوب، هوش مصنوعی سعی دارد شیوه استدلال و تفکر متخصصان را شبیه سازی کرده و با به کارگیری آن‌ها در سیستم‌های آموزشی هوشمند، نقش یک مدرس خصوصی را شبیه سازی نماید(هیاسینث[3]، 1990).

پژوهشگران معتقدند آموزش انفرادی به کمک رایانه باعث بهبود و تقویت روش‌های سنتی نظیر سخنرانی می شود(هاگ[4]، جیمز[5]، ردفیلد[6]، لاکهارد[7]، 2014). لذا حدود نیم قرن پژوهش دربارۀ معلمان هوشمند[8] باعث تولید سیستم‌های مختلفی شده و فهم ما از یادگیری انسان‌ها را عمق بخشیده است. همین امر باعث شده که امروزه سیستم‌های آموزشی هوشمند برای تمامی سطوح (از ابتدایی تا دانشگاه) و تمامی حوزه‌ها( از آموزش زبان و مهندسی تا آموزش‌های پزشکی ) تولید شده و قابل کاربرد باشند. این سیستم‌ها که امکان نصب آن‌ها بر روی رایانه، شبکه، یا ربات‌ها وجود دارد ابعاد مختلف فرآیند  تدریس/ یادگیری نظیر ارزشیابی آموزشی، تدریس، تکلیف

منزل و موارد مشابه را پوشش می دهند. تعامل در سیستم‌های مذکور می تواند به صورت گرافیکی، متنی، شفاهی وشیوه‌های مشابه دیگر صورت پذیرد.

رویکردها

به کارگیری تکنیک‌های هوش مصنوعی در حوزۀ  تدریس/ یادگیری به اوایل دهۀ 1970 باز می گردد. اما از دهۀ 1980 بود که پژوهشگران این عرصه به دو طیف نسبتاً نابرابر با دو رویکرد یا مکتب فکری متفاوت تقسیم شدند(استانکوف[9]، گلاوینیچ[10]، روزیک[11]، 2010): گروه اول که در اقلیت قرار دارند، از توسعه محیط‌های اکتشافی[12] و یادگیری مبتنی بر کشف و جستجوگری حمایت می‌کنند. نمونه این مکتب فکری زبان موسوم به LOGO است که از طریق تکنیک “لاک پشت‌های روباتیک”  و “لاک پشت‌های گرافیکی”  دانش‌آموزان را به دنیای هندسه وارد می‌کند. در این پروژه  دانش‌آموزان به جای یادگیری غیر مستقیم، از طریق برنامه نویسیِ مستقیم می آموزند. نواتا[13] (1990) معتقد است رایانه‌ها ما را قادر خواهند نمود تا محیط یادگیری خارج از کلاس درس  را به نحوی تغییر داده یا تعدیل کنیم که حجم عمده ای از آنچه مدارس سعی دارند با زحمت، هزینه و دردسر آموزش دهند را کودک به صورت طبیعی، بدون آموزش، با کمترین دردسر و با بالاترین درجه اثربخشی بیاموزد. به عقیده این گروه مدارسِ امروز جایگاهی در آینده ندارند. با توجه به همین رویکرد است که گروه اول را گاه انقلابیون می نامند.

گروه دوم که در اکثریت قرار داشته و به تدریس هوشمند[14]  اعتقاد دارند خود را اصلاح‌طلب[15] می نامند، چرا که به بهبود تدریجی و تکامل کیفیت آموزش‌های کنونی با استفاده از تکنیک‌های هوش مصنوعی اعتقاد دارند. این گروه به الگویی باور دارند که در چارچوب آن رایانه نقش یک معلم را ایفا می‌کند. رویکرد تدریس هوشمند از این مزیت بهره می برد که با شرایط فعلی کلاس‌های درس سنتی و بهبود تدریجی آن‌ها قرابت بیشتری دارد. این در حالی است که رویکرد گروه اول به دلیل نگاه‌های رادیکال به شدت مورد انتقاد قرار گرفته است.

تاریخچه

از زمانی که اسکینر  برای نخستین بار روش آموزش برنامه ای را در دهۀ 1950 ابداع کرد، آموزش و یادگیری به کمک رایانه به نحو فزاینده‌ای توسعه یافته است. مشکل اصلی سیستم‌های اولیه این بود که قادر نبودند بازخوردهای غنی را برای فردی سازی آموزش ارائه کنند چرا که اساساً طراحی آن‌ها به گونه ای نبود که بدانند درحال تدریس چه چیزی هستند، به چه کسانی تدریس می‌کنند یا چگونه باید آن را تدریس کنند. برای رفع این مشکل یا نقصان، سیستم‌های آموزش به کمک رایانه[16]  در طی دهه‌های گذشته تکامل پیدا کردند و به عنوان سیستم‌های آموزشی هوشمند معروف شدند. اگرچه ممکن است برخی معتقد باشند که ما هنوز نتوانسته ایم یک سیستم آموزشی هوشمند به معنای واقعی آن و در چارچوب الگوریتم‌های هوش مصنوعی ایجاد کنیم، اما نباید این نکته را نیز نادیده گرفت که در طی سال‌های گذشته پیشرفت‌های جدی در این حوزه صورت گرفته است(استانکوف، گلاوینیچ، روزیک، 2010):.

در دهه 1950 برنامه‌های خطی ساده ای طراحی گرديد که مبتنی بر اصول شرطی‌سازی فعال [17] بوده و توسط اسکینر حمایت می شدند. در این برنامه‌ها، موادی به منظور رساندن گام به گام  دانش‌آموزان به رفتار مطلوب انتخاب و در چارچوب مجموعه ای از قاب‌ها[18] سازماندهی می‌شدند. بیشتر قاب‌ها سوالات ساده ای داشتند که می بایست به صورت پرکردن جای خالی پاسخ داده می‌شدند. پس از پاسخگویی به سوالات،  دانش‌آموزان بلافاصله بازخورد لازم را دربارۀ درست یا غلط بودن پاسخشان دریافت می کردند. اگرچه این روش در آن برهه تاریخی مورد استقبال قرار گرفت، اما نقد‌هایی جدی نیز به آن وارد شد. مهمترین ضعف برنامه‌های خطی این بود که همه  دانش‌آموزان می بایست صرف نظر از توانایی، پیشینه یا دانش قبلی خود موادی یکسان را پشت سر می گذاشتند(عدم توجه به تفاوت‌های فردی) (استانکوف، گلاوینیچ، روزیک، 2010).

از سال 1959 بود که فردی به نام کراودر[19] تلاش کرد تا با لحاظ نمودن پاسخ‌های درست و غلط  دانش‌آموزان، محدودیت‌های روش اسکینری را برطرف سازد. در روش جدید که شاخه ای[20] نام گذاری شد اگرچه مجموعه ای از قاب‌های ثابت هم وجود دارند اما  دانش‌آموزان با توجه به درستی یا غلط بودن پاسخ‌هایشان به گام‌های بعدی رهنمون شده و یا مجبور می شوند قاب قبلی را مجدداً تکرار کنند. در روش جدید پاسخ‌ها می توانستند قابل قبول و یا تا حدی قابل قبول باشند و زدن برچسب کاملاً درست یا کاملاً نادرست به آن‌ها امکان پذیر نبود. اگرچه این روش جدید تا حدی به انفرادی کردن آموزش و توجه به تفاوت‌های فردی نزدیک شد اما مشکل اصلی این بود که مواد آموزشی عمدتاً گسترده و غیر قابل تحمل می شدند و به همین دلیل بود که زبان‌های برنامه نویسی برای مدیریت آن‌ها شکل گرفتند(استانکوف، گلاوینیچ، روزیک، 2010).

در دهه 1960 و اوایل دهه 1970، سیستم‌های زاینده[21] یا انطباقی [22]  وارد عرصه  تدریس/ یادگیری شدند . ظهور سیستم‌های مذکور ناشی از بازشناسی این حقیقت بود که مواد آموزشی را می باید به وسیلۀ رایانه تولید کرد. یک سیستم زاینده قادر بود مسائلی معنادار را تولید و حل کند. علاوه بر این، سیستم‌های مذکور قادر بودند مسائل زیادی را با سطح دشواری متفاوت تولید کنند. حتی برخی سیستم‌های زاینده قادر بودند مسائلی را بر اساس تحلیل عملکرد هر دانش آموز ایجاد نمایند. اما مشکل سیستم‌های جدید نیز این بود که بیشتر قادر بودند در حوزه‌های ساختاریافته‌ای چون ریاضیات به تولید مسئله بپردازند. این سیستم‌ها رفتار دانش آموز را به صورت پارامتریک تحلیل کرده و براساس نتایج حاصل مسائلی را به صورت انطباقی تولید و ارائه می کردند. در سیستم‌های جدید، انفرادی سازی آموزش و ارائه بازخورد تا حد زیادی بهبود یافتند اما هنوز قادر نبودند همانند انسان نسبت به حوزه ای که تدریس می‌کنند شناخت عمیق داشته باشند. به همین دلیل سوالات جدی که  دانش‌آموزان در مورد چیستی، چرایی و چگونگی اجرای تکالیف داشتند را نمی توانستند پاسخ دهند. از این رو بسیاری از سوالات و دغدغه‌های آموزشی کماکان بی پاسخ ماندند(استانکوف، گلاوینیچ، روزیک، 2010).

در واکنش به مسائل و نقائص سیستم‌های آموزشی مبتنی بر رایانه، فردی به نام سلف[23] به طرح این ایده پرداخت که یک نرم‌افزار آموزشی می باید نسبت به آنچه تدریس می‌کند، به فردی که تدریس می‌کند و چگونگی تدریس به مخاطب شناخت داشته باشد. وی معتقد بود راه حل ایجاد چنین توانمندی‌هایی استفاده از تکنیک‌های هوش مصنوعی در آموزش مبتنی بر رایانه است. لذا در دهۀ 1970 سیستم‌هایی برای  تدریس/ یادگیری  در قالب هوش مصنوعی تصور شدند که دارای پایگاه داده مرتبط با دانش مربوط به یک حوزه تخصصی بوده و همچنین از اطلاعاتی عمومی درباره زبان و اصول تدریس انفرادی برخوردار بودند. این سیستم می بایست بتواند نوعی مکالمه عادی و طبیعی را با دانش‌آموز داشته باشد، با روند مورد نظر وی همگام شود و در صورت لزوم روند مورد تأیید خویش را پی بگیرد. این سخنان در دوره ای که آموزش برنامه‌ای به صورت خطی رواج داشت بسیار انقلابی و خوش بینانه بود. در همین راستا پروژه ای به نام SCHOLAR نیز کلید زده شد، اما در نهایت به صورت نیمه‌کاره رها شد. به طور کلی استفاده از هوش مصنوعی در آموزش مبتنی بر رایانه را می توان نقطه شروع سیستم‌های آموزشی هوشمند دانست. برای تولید یک سیستم آموزشی هوشمند می بایست از متخصصان هوش مصنوعی، پژوهشگران روان شناسی، و اندیشمندان تعلیم و تربیت بهره گرفت(استانکوف، گلاوینیچ، روزیک، 2010).

اما از سال 2000 به بعد و با رشد انفجارگونه فناوری‌های اطلاعات و ارتباطات، پژوهش‌های مربوط به سیستم‌های آموزشی هوشمند نیز توسعه یافته و این فناوری خود را در قالب‌های متعدد و نوآورانه ای به تصویر کشیده است. برای مثال برخی تلاش کرده اند تا بازی‌های جدی را در قالب یک سیستم آموزشی هوشمند طراحی کنند، گروهی در صدد طراحی سیستم‌های آموزشی هوشمند و حساس به عواطف برآمده اند، گروهی دیگر سعی نموده اند تا از واقعیت مجازی[24] و افزوده[25] در طراحی اینگونه سیستم‌ها بهره گیرند، برخی پژوهشگران به دنبال تلفیق این سیستم‌ها با موک‌ها هستند و نهایتاً گروهی دیگر نیز سعی دارند سیستم‌های آموزشی هوشمند را نه به عنوان یک مدرس خصوصی، بلکه به عنوان یک تحلیل‌گر فعالیت‌های گروهی به کار گیرند (هاگ، جیمز، ردفیلد، لاکهارد، 2014). در همین ارتباط، طوفانی‌نژاد(1399) معتقد است علم واکاوی یادگیری نقش عمده‌ای در سیستم‌های آموزشی هوشمند دارد، چرا که در تحلیل داده‌های حاصل از تعامل انسان با ماشین کمک بسیاری می‌کند[26].

ساختار یک سیستم آموزشی هوشمند

سیستم‌های آموزشی هوشمند از لحاظ ساختار تفاوت‌های عمده ای با یکدیگر دارند بطوریکه به سختی می توان دو سیستم یکسان را یافت که ساختار مشابهی داشته باشند. با این حال مولفه‌های ذیل را می توان در تمامی سیستم‌های آموزشی هوشمند یافت نمود(هاگ، جیمز، ردفیلد، لاکهارد، 2014):

1. پودمان دانش تخصصی[27]. شامل مفاهیم، حقایق، اصول و قوانین یک حوزه تخصصی خاص است که می باید به یادگیرنده منتقل شوند. به عبارت دیگر، این بعد نقش همان دانش تخصصی را ایفا می‌کند که متخصصان یک حوزه خاص از آن برخوردار می باشند. در سیستم‌های آموزشی هوشمند تلاش می شود تا حجم گسترده دانش یک حوزه را طبقه‌بندی و کدبندی کرده و بین مولفه‌های مختلف آن ربط منطقی برقرار کنند. به طور کلی پودمان دانش تخصصی دو کارکرد عمده دارد: از یک سو به عنوان منبع دانش و اطلاعات قابل انتقال عمل می‌کند، و از سوی دیگر به عنوان معیاری برای ارزشیابی عملکرد یادگیرندگان مورد استفاده قرار ‌می‌گیرد.
2. پودمان عملکرد یادگیرنده[28]. این پودمان به نحوه بازنمایی دانش و مهارت‌های آموخته شده توسط یادگیرنده اشاره دارد. پودمان مذکور به طور معمول دارای کارکردهای ذیل است :

• اصلاح: کمک به رفع سوءبرداشت‌ها و اشتباهات علمی یادگیرندگان؛
• تشریح: کمک به درک بهتر یادگیرندگان در حوزه‌های علمی که در آن نقص دانشی دارند؛
• استراتژی: به کارگیری بهترین راهبردهای تدریس/ یادگیری ممکن متناسب با سبک یادگیری، ویژگی‌ها و توانمندی‌های یادگیرندگان؛
• شناسایی: کمک به شناسایی سوءبرداشت‌ها و اشتباهات علمی موجود در دانش یادگیرندگان؛
• پیش بینی: پیش بینی پاسخ‌های احتمالی یادگیرندگان به راهبردهای آموزشی اتخاذ شده؛
• ارزشیابی: ارزیابی عملکرد سیستم و یادگیرنده.

3. پودمان آموزش/تدریس. به آن بخش از یک سیستم آموزشی هوشمند اشاره دارد که تعاملات سیستم با یادگیرنده را تنظیم کرده و قاعده‌مند می سازد. در برخی سیستم‌های آموزشی هوشمند این پودمان را به عنوان راهبرد تدریس یا پودمان پداگوژی می شناسند. پودمان آموزش ارتباط نزدیکی با پودمان عملکرد یادگیرنده دارد و بر اساس بازخوردهای به دست آمده از عملکرد یادگیرنده به انتخاب راهبرد آموزشی مناسب می پردازد. برخی سیستم‌ها در این بخش رویکرد مدرس‌محور دارند و برخی رویکرد اکتشافی، به این معنی که سیستم به جای انتقال صرف دانش به تنظیم محیط یادگیری می پردازد.
4. پودمان رابط کاربری[29]: این پودمان به عنصر ارتباطی یک سیستم آموزشی هوشمند اشاره دارد که تعاملات بین سیستم و یادگیرنده را کنترل می‌کند. ویژگی‌هایی چون آسان‌بودن کاربرد و جذابیت باعث می‌شوند تا یک سیستم برای یادگیرنده جلب توجه نماید. کاربرپسند بودن، ویژگی مهم یک سیستم آموزشی هوشمند در این بعد محسوب می شود.

انگیزه تولید سیستم‌های آموزشی هوشمند

در طی نیم قرن گذشته، انگیزه‌های متفاوتی برای ساخت سیستم‌های آموزشی هوشمند وجود داشته است. به طور کلی این انگیزه‌ها را می توان در دو دسته کلی جای داد:

1. نیازهای پژوهشی. برخی پژوهشگران همواره سعی نموده اند تا فرآیندهایی که منجر به تعاملات آموزشی می شوند را درک کنند. با توجه به اینکه سیستم آموزشی هوشمند در نقطه تلاقی سه حوزه روانشناسی، تعلیم و تربیت و هوش مصنوعی قرار گرفته است، می تواند زمینه ارزشمندی برای آزمون فرضیه‌های برگرفته از این سه حوزه فراهم سازد. به طور کلی سیستم‌های آموزشی هوشمند می توانند به ما در ساخت نظریه‌های مربوط به فرآیند شناخت در انسان‌ها کمک کنند.
2. دغدغه‌های کاربردی. استفاده از سیستم‌های آموزشی هوشمند می تواند منجر به نتایج سودمندی شود که در صورت بهره گیری از عوامل انسانی برای آموزش، تحقق آن‌ها به دلایل اقتصادی و اجتماعی امکان پذیر نخواهد بود. یکی از مهمترین مزایای این سیستم‌ها فراهم آوردن امکان تدریس خصوصی یا آموزشی انفرادی است. بسیاری معتقدند آموزش انفرادی متناسب با نیاز هر یادگیرنده موثرترین راهبرد تدریس/ یادگیری در بسیاری از دوره‌ها می باشد. همچنین از آنجا که سیستم‌های آموزشی هوشمند امکان بازخورد فوری را فراهم می سازند، موجب بهبود مستمر یادگیری می شوند(خیمنز[30]، خوارز-رامیرز[31]، کاستیلو[32]، تاپیا آرمنتا[33]، 2018).

انواع سیستم‌های آموزشی هوشمند

در طی سال‌های گذشته، پروژه‌های مختلفی در حوزه سیستم‌های آموزشی هوشمند اجرا شده اند که از جمله آن‌ها می توان به SCHOLAR، GUIDON, SOPHIE  و WEST اشاره کرد. این پروژه‌ها تحت عناوینی چون آموزش هوشمند به کمک رایانه [34]، سیستم‌های آموزشی دانش بنیان [35]، سیستم‌های آموزشی انطباقی[36] و سیستم‌های انتقال دانش[37] شناخته می شوند. در مجموعه پروژه‌های مذکور را می توان از حیث کارکرد و مأموریت در سه دسته عمده جای داد(لارکین[38] و چابای[39]، 2020):

1. سیستم‌های هوش محور[40]. این سیستم‌ها از الگوریتم‌های متعدد و منطقی برای تحلیل پاسخ‌ها وارائه محتوای بهره ‌می‌گیرند؛
2. سیستم‌های دانش محور[41]. این سیستم‌ها از راه حل‌های ذخیره شده در سیستم برای پاسخگویی بهره ‌می‌گیرند؛
3. سیستم‌های رسانه محور[42].این سیستم‌ها به نحوی برنامه ریزی شده اند که مسیر‌های مشخص و از پیش تعیین شده ای را برای تدریس/ یادگیری می پیمایند.

اگرچه پژوهش‌ها و پروژه‌های سال‌های اخیر عمدتاً در تلاش بوده اند تا سیستم‌هایی از نوع اول را ایجاد کنند اما دو نوع سیستم دیگر نیز مشتریان خاص خود را داشته اند.

جمع بندی و نتیجه گیری

پس از ظهور ایده هوش مصنوعی متخصصان حوزه تعلیم و تربیت تلاش کردند تا از این پدیده به منظور تسهیل فرآیند  تدریس/ یادگیری نیز بهره گیری نمایند. به این ترتیب پروژه‌های سیستم آموزشی هوشمند با همکاری بین رشته ای متخصصان هوش مصنوعی، تعلیم و تربیت و روانشناسی شناختی پا گرفتند. در طی دو دهه اخیر و  با گسترش سخت افزارها و نرم افزار‌ها، این سیستم‌ها رنگ و بوی جدیدی به خود گرفته و در قالب معلمان روباتیک، بازی‌های جدی، واقعیت افزوده و موارد مشابه  ظهور یافته اند. این توسعه گسترده‌ها اگرچه شیفتگان تکنولوژی را مسحور خویش ساخته است، اما پژوهش‌های مختلف نشان داده اند که نقش مدرس از فرآیند تدریس/یادگیری حذف شدنی نبوده و سیستم‌های مذکور می توانند در تحلیل فرآیند یادگیری نقش ایفا نمایند.

 

منابع:

طوفانی‌نژاد، احسان (1399). علم واکاوی یادگیری، دانشنامه ایرانی برنامه درسی، انتشار برخط.

Burns, Hugh; Parlett, James W.; Readfield, Carol Luckhardt (2014). Intelligent Tutoring Systems: Evolutions in Design. Longon, Psychology Press.

Graf, Sabine; Lin, Fuhua; Kinshuk; McGreal, Roy (2011). Intelligent and Adaptive Learning Systems: Technology Enhanced Support for Learners and Teachers. Pennsylvania, IGI Global.

Jimenez, Samantha; Juarez-Ramirez, Reyes; Castillo, Victor H.; Tapia Armenta, Juan Jose (2018). Affective Feedback in Intelligent Tutoring Systems: A Practical Approach. Springer, New York City.

Larkin, Jill H. ; Chabay, Ruth W. (2020). Computer Assisted Instruction and Intelligent Tutoring Systems: Shared Goals and Complementary Approaches. London, Routledge.

Nwana, Hyacinth S. (1990). Intelligent Tutoring Systems: an overview. Artificial Intelligence Review. 4, 251-277.

Stankor, Slaromir; Glarinic, Vlado; Rosic, Marko (2010). Intelligent Tutoring Systems in E-Learning Environments: Design, Implentation and Evaluation. Pennsylvania, Information Science Reference.

Stankov, Slavomir; Glavinic, Vlado; Rosic, Marko (2010). Intelligent Tutoring Systems in E-Learning Environments: Design, Implementation and Evaluation. Information Science Reference, Hershey.

 

[1] Intelligent Tutoring Systems(ITS)

[2] artificial intelligence

[3] Hyacinth

[4] Hugh

[5] James

[6] Readfield

[7] Luckhard

[8] intelligent tutors

[9] Stankov

[10] Glavinic

[11] Rosic

[12] exploration environment

[13] Novata

[14] intelligent tutoring

[15] reformist

[16] computer-assissted instruction

[17] operant conditionaing

[18]  frames

[19] Crowder

[20] branching

[21] generative

[22] adaptive

[23] Self

[24] virtual reality

[25] augmented reality

[26] برای کسب اطلاعات بیشتر در مورد این حوزه به مقاله “علم واکاوی یادگیری” نوشته احسان طوفانی‌نژاد در دانشنامه ایرانی برنامه درسی مراجعه نمائید

[27] domain knowledge

[28] student modeling

[29] the user interface module

[30] Jimenez

[31] Juarez-Ramirez

[32] Castillo

[33] Tapia Armenta

[34] intelligent computer-aided instruction

[35] knowledge-based tutoring systems

[36]  adaptive tutoring systems

[37] knowledge communication systems

[38] Larkin

[39] Chabay

[40] intelligence based

[41]  knowledge based

[42] media based