×

تماس با ما

هوش مصنوعی انسان محور در آموزش

هوش مصنوعی انسان محور در آموزش: دیدن اجسام نامرئی با استفاده از اجسام مرئی

چکیده
پیدایش و توسعه اجتناب ناپذیر هوش مصنوعی (AI) اتفاقی غیرمنتظره نبود. هرچه تأثیر هوش مصنوعی در زندگی انسان ها بیشتر می شود، نیاز فوری برای درک آن نیز بیشتر می شود. این مقاله به تحقیق درخصوص استفاده از هوش مصنوعی برای ارزیابی ابزارها و روشهای طراحی جدید می پردازد که اهرمی برای پیشرفت تحقیقات هوش مصنوعی، آموزش، سیاست و روشهایی برای ارتقا شرایط انسانی است. هوش مصنوعی توانایی آموزش، تعلیم و بهبود عملکرد انسانها را دارد و آنها را در انجام وظایف و فعالیتهای خود بهتر می کند. استفاده از هوش مصنوعی رفاه انسان را از دیدگاه های مختلف مانند بهره وری در تولید مواد غذایی، سلامتی، آب، آموزش و خدمات مرتبط با انرژی افزایش می دهد. با این حال، استفاده نادرست از هوش مصنوعی به دلیل برهم زدن قوانین حاکم و عدم تسلط بر اوضاع، مانع حقوق بشر شده و منجر به نابرابری شغلی، جنسیتی و نژادی می شود. پیش بینی ما این است که هوش مصنوعی در آینده تکامل پیدا می کند و به هوش مصنوعی انسان محور (HAI) تبدیل می شود که از منظر انسانی شبیه هوش مصنوعی است و شرایط و زمینه های انسانی در آن مدنظر قرار خواهد گرفت. بیشتر بحث های فعلی در مورد فناوری هوش مصنوعی بر این مسئله تمرکز دارد که چگونه هوش مصنوعی می تواند انسان را در عملکردش توانمندتر سازد. با این وجود، ما دریافته ایم که هوش مصنوعی مانع شرایط انسانی می شود و ارتباطی عمیق بین محققان مبتنی بر انسانیت و محققان مبتنی بر فناوری ایجاد می کند تا درک خود را از هوش مصنوعی انسان محور از دیدگاه های مختلف توسعه دهیم.

کلمات کلیدی: هوش مصنوعی انسان محور ، هوش مصنوعی پایدار، هوش مصنوعی توضیح پذیر ، یادگیری ماشینی قابل تفسیر، یادگیری هوشمند
1.مقدمه
روند تحقیق در مورد هوش مصنوعی از برنامه های فناوری گرا، که بر افزایش تولید و عملکرد متمرکز هستند، به برنامه های انسانی گرا که بر تقویت هوش انسان با استفاده از هوش ماشینی متمرکز هستند، تبدیل شده است (یانگ، 2021).
تغییر روند در تحقیقات هوش مصنوعی مشکلات جدیدی به وجود آورده است، از جمله تغییر مسیر از اهداف عمومی به سمت انتقال هوش، از محاسبات به شناخت، از سفارشی سازی به سازگاری، از شناخته ها به ناشناخته ها، از یک قالب مناسب برای همه به قالبی دقیق و از فناوری به بشریت (یانگ، 2019).

1-1- روندها و مشکلات تحقیقات هوش مصنوعی

اولین تغییر در روند تحقیقات هوش مصنوعی، تغییر از اهداف کلی به سمت انتقال هوش بود؛ خصوصا تلاش های اولیه برای شناسایی نقاطی از عقل سلیم و دانش که به پردازش زبان طبیعی بر اساس پیش آموزش ها و میزان سازی های دقیق تبدیل شد تا انتقال دانش بین قلمروها برای ارزش آفرینی میسرگردد. هوش مصنوعی در مقایسه با انسان عملکرد نسبتاً بهتری در محاسبات و تصمیم گیری دارد (بانرجی و همکاران، 2018). تحقیقات هوش مصنوعی درحال حاضر بیشتر بر ادراک و سواد سمعی-بصری انسان متمرکز است که همان توانایی دیدن، شنیدن، خواندن و نوشتن است. بنابراین، ما باید علاوه بر تفکر محاسباتی، روی پرورش تفکر شناختی دانش آموزان نیز تمرکز کنیم. نقشه های گوگل مثال بارزی است که نشان می دهد سفارشی سازی که از قبل انجام شده به سمت سازگاری در زمان واقعی تغییر مسیر داده است. نقشه های گوگل تعیین می کند که آیا راننده در حال نزدیک شدن به ازدحام ترافیک است و در این صورت مسیر جایگزینی پیشنهاد می دهد. علاوه بر این، هنگامی که حجم زیادی از داده ها را استنتاج می کنیم، می دانیم که چه چیزهایی را نمی دانیم (دانستن ندانسته ها) و متعاقباً می توانیم از استدلال برای رسیدن به بصیرت استفاده کنیم که این کار از آشکار کردن آنچه ما نمی دانیم به مراتب دشوارتر است (ندانستن ندانسته ها) که در این راستا هوش مصنوعی به شناسایی بسیاری از ارزش های پنهان و نتایج ناشناخته کمک می کند (کریتاناوانگ و همکاران، 2017). در روند یک قالب مناسب برای همه که به قالبی دقیق تغییر مسیر داده است، آموزش دقیق به استفاده از یادگیری ماشینی و تحلیل یادگیری هوش مصنوعی برای بهبود کیفیت آموزش و اثربخشی یادگیری از طریق دانش آموزانِ در معرض خطر و امکان مداخلات به موقع می پردازد. استفاده از هوش مصنوعی و سایر فن آوری های مرتبط برای تشخیص شرایط یادگیری می تواند معلمان را قادر به مداخله در زمان واقعی برای افزایش نتایج یادگیری دانش آموزان کند. در تغییر مسیر از فناوری به بشریت، هوش مصنوعی می تواند بهره وری انسان را از طریق فناوری افزایش دهد. با این وجود، هنگام طراحی هوش های مصنوعی و تلاش برای تقویت هوش انسان با استفاده از هوش ماشینی، باید شرایط انسانی را مدنظر قرارداد و روندی انسان محور درپیش گرفت.
تغییر مسیر در روند تحقیقات هوش مصنوعی باعث شده تا کاربردهای جدیدی از هوش مصنوعی در زمینه آموزش پدید آید. یکی از نمونه های انتقال هوش را میتوان تولید و پذیرش الگوریتم های جدید برای یادگیری عمیق در پردازش زبان طبیعی دانست مثل BERT (ارائه‌ کدگذاری شده دو مسیره از انتقال‌دهنده ها‌) (دِولین و همکاران، 2018) و GPT-2 (پیش آموزش برای تولید) (کلین و نابی، 2019) که در هر دو مورد، دانش از قبل آموزش داده شده اعمال شد تا تعریف دقیقی از دامنه بدست آید و ثابت شد که این الگوریتم توانسته از الگوریتم های یادگیری عمیق و ماشینی سنتیِ نسل قبل از خود، موثرتر عمل کند. عملکرد این الگوریتم های جدید به عملکرد انسان نزدیکتر است. طبق وعده ای که آموزشِ دقیق داده متعهد شده تا تحقیقات هوش مصنوعی را در تدریس خصوصی هوشمند برای سازگاری و شخصی سازی دقیق، پروفایل سازی دقیق، تشخیص، پیش بینی، درمان و پیشگیری برای ارزیابی و تخمین هوشمندانه اعمال کند (یانگ، 2021). علاوه بر این، هنگامی که هوش مصنوعی در مسائل اخلاقی بالقوه وارود میکند، به حجم زیادی از داده های قبلی و گاهی اطلاعات حساس نیاز دارد تا بتواند آموزش را مدل سازی کند (یعنی به شکلی که قبلا به وی آموزش داده شده الگو برداری کند و آموزش را انجام دهد)؛ همچنین باید بداند که چگونه سیستم های آموزشی هوش مصنوعی را به لحاظ نظری و آموزشی قابل اعتماد کند (چن و همکاران، 2021).

1-2- هوش مصنوعی انسان محور

قضاوت تعیین کننده و قضاوت انعکاسیِ کانت در تفسیر هوش مصنوعی انسان محور، دستورالعملی اساسی ارائه می دهد. هوش مصنوعی انسان محور از دو منظر تفسیر می شود؛ یکی هوش مصنوعی که تحت کنترل انسان است (شنیدرمن، 2020) و دیگری هوش مصنوعی که مسلط بر شرایط انسان است (استنفورد HAI، 2020). هوش مصنوعیِ تحت کنترل انسان (یا هوش مصنوعی کنترل شده توسط انسان) یک قضاوت تعیین کننده است که وجه تمایز آن براساس میزان تسلط انسان بر هوش مصنوعی است. پس میتوان گفت در یک طرف هوش مصنوعی وجود دارد که کاملاً توسط انسان کنترل می شود و فقط به عملکردهای خودکار می پردازد و در طرف دیگر عملکردی خودمختار وجود دارد که کاملا زیرنظر هوش مصنوعی است. هوش مصنوعی تحت کنترل انسان همچون اهرمی برای ایجاد همکاری بین کنترل انسانی و عملکردهای خودکار هوش مصنوعی عمل می کند تا بهره وری انسان را به سطح بالایی از ایمنی، اطمینان و اعتماد برساند (شنیدرمن، 2020). هوش مصنوعی مسلط بر شرایط انسانی (استنفوردHAI ، 2020) نوعی قضاوت انعکاسی محسوب می شود که با کمک گرفتن از حالات انسانی به طراحی الگوریتم های هوش مصنوعی به عنوان اصلی ترین موضوع می پردازد. این نوع از هوش مصنوعی مستلزم فرآیندهای محاسبه و قضاوت قابل تفسیر و توضیح پذیر است؛ همچنین به سازگاری های مداوم الگوریتم های هوش مصنوعی از طریق زمینه های انسانی و پدیده های اجتماعی نیاز دارد تا بتواند با استفاده از هوش ماشینی، هوش انسان را تقویت کند و در نتیجه سطح رفاه انسان را بالا ببرد.

2- حالات انسانی و فناوری برای هوش مصنوعی انسان محور
پس از اینکه مباحث مرتبط با هوش مصنوعی انسان محور را درک کردیم، باید تأثیر اجتماعی آن و همچنین چگونگی اثرگذاشتن بر مباحث مرتبط با آن را با انجام تحقیقاتی درمورد هوش مصنوعی پایدار، بررسی کنیم.

2-1- تأثیر اجتماعی هوش مصنوعی

وینوسا و همکاران (2020) نشان دادند که هوش مصنوعی در رساندن انسان به اهداف توسعه پایدار (SDG) از دو دیدگاه کمک می کند. یعنی هوش مصنوعی می تواند در جامعه، اقتصاد و محیط زیست عاملی فعال کننده یا بازدارنده باشد. هوش مصنوعی به عنوان یک عامل فعال کننده در زمینه توسعه و عملکرد و به منظور دستیابی به اهداف توسعه پایدار، توانسته مزایای قابل توجهی کسب کند. ولی انسان میتواند از همین هوش مصنوعی به عنوان یک عامل بازدارنده، سوء استفاده یا استفاده نادرست کند؛ مثل سوء استفاده از اطلاعات شخصی برای شناسایی امتیازات شهروندان که نقض کننده حقوق بشر است. هوش مصنوعی ممکن است به دلیل داده ها و الگوریتم های استفاده شده در آموزشِ همراه با جهت گیری های اجتماعی، از مسیر خود منحرف شود. این عوامل بازدارنده اغلب انسجام اجتماعی، اصول دموکراتیک و حقوق بشر را تضعیف می کنند. جدول 1 لیستی از تأثیرات احتمالی هوش مصنوعی را به عنوان عوامل فعال کننده و بازدارنده در جامعه و محیط اطراف ما نشان می دهد.
جدول شماره 1 – تاثیر اجتماعی هوش مصنوعی به عنوان عامل فعال کننده و بازدارنده
هوش مصنوعی به عنوان عامل فعال کننده هوش مصنوعی به عنوان عامل بازدارنده
1- هوش مصنوعی در کشاورزی 1- افزایش مصرف برق به دلیل حجم بالای محاسبات
2- هوش مصنوعی در پزشکی 2- انحراف از مسیر و استفاده نادرست از الگوریتم های هوش مصنوعی که به حقوق بشر لطمه می زند
3- هوش مصنوعی در آموزش 3- جانبداری های نژادی و جنسیتی و نابرابری به دلیل رفتارهای اجتماعی یکنواخت به دلیل مجموعه داده های آموزش هوش مصنوعی
4- هوش مصنوعی در انرژی 4- موانع و بارمسئولیت کشورهای با درآمد کم و متوسط برای توسعه هوش مصنوعی

5- هوش مصنوعی در اقتصاد دورانی 5- نابرابری شغلی به دلیل دانش و مفاهیم هوش مصنوعی مورد نیاز
6- هوش مصنوعی در شهرهای هوشمند
7- هوش مصنوعی عامل فعال سازی شبکه های هوشمند
8- هوش مصنوعی عامل فعال سازی اتومبیل های بدون راننده
9- هوش مصنوعی عامل فعال سازی لوازم خانگی هوشمند

توسعه هوش مصنوعی مزایای زیادی برای رفاه انسان داشته است از جمله غذا، سلامت، آب، آموزش و انرژی که قطعا همه آنها تحت تأثیر توسعه و عملکرد هوش مصنوعی قرار دارند (وینوسا و همکاران، 2020). هوش مصنوعی به توسعه شهرهای هوشمند و اقتصاد دورانی کمک کرده و استفاده مفیدتر انسان از منابع موجود در زمین را آسان می کند. با ظهور دوره 5G، هوش مصنوعی توانسته ارتباط بین اتومبیل های بدون راننده و لوازم خانگی هوشمند را امکان پذیر کند تا یک زندگی به اصطلاح هوشمند تحقق یابد (نرینی و همکاران، 2019). شبکه های هوشمند نیز موضوع مهمی است که باید به آن توجه شود. اهمیت شبکه های هوشمند در مدیریت انرژی های تجدیدپذیر این است که چون انرژی در حال حاضر با تنوع زیاد تولید می شود و از آنجایی که عوامل طبیعی همچون خورشید، باد، جزر و مد و غیره ناپایدارند، پس رسیدن به مطلوب ترین طرح و مدیریت انرژی های تجدیدپذیر نیازمند شبکه های هوشمند است.
اینها برنامه های مناسبی از هوش مصنوعی هستند که جزء عوامل فعال کننده محسوب می شوند. با این حال، این برنامه ها پیامدهایی هم دارند. اول اینکه استفاده از هوش مصنوعی نیاز به محاسبات دارد و حجم بالای محاسبات انرژی زیادی مصرف می کند. بنابراین انتظار می رود تا سال 2030 فناوری اطلاعات و ارتباطات (ICT) به 20٪ از منابع برق روی کره زمین احتیاج داشته باشد که در مقایسه با نیاز فعلی آن یعنی 1٪، رقم بسیار زیادی است (جونز، 2018). بدون داشتن یک راه حل فراگیر درخصوص برق و انرژی، چنین اتفاقی به بحران جهانی انرژی منجر می شود. در این راستا، “رشد سبز” را یکی از با ارزش ترین راه حل ها می دانند (کارناما و همکاران، 2019). رشد سبز، که به استفاده موثرتر و گسترده تر از انرژی های تجدیدپذیر اطلاق می شود، توسط صنعت سازان و دولتمردان در حال پیاده سازی و اجرا است. به عنوان مثال، تعداد بسیار زیادی از مراکز داده به مکان های سرد نقل مکان کرده اند از جمله آنها میتوان فنلاند را نام برد که با برخورداری از سرمای طبیعی محیط پیرامون خود بی نیاز از خنک کننده هایی شد که مصرف برق بسیار بالایی داشتند. همچنین می توان از هوش مصنوعی به دلیل انحراف از داده ها و الگوریتم ها، سوء استفاده یا استفاده نادرست کرد که اغلب به انسجام اجتماعی، اصول دموکراتیک و حقوق بشر صدمه می زند. هوش مصنوعی همچنین ممکن است تحت تأثیر رفتارهای اجتماعی یکنواختی که مسبب آن مجموعه داده ها و سازنده های آن هستند، قرار گیرد و به انحراف و جهت گیری داده ها منجر شود. الگوریتم ها می توانند با برخی از ارزشهای ذهنی از پیش تعیین شده راه اندازی شوند؛ مانند مواردی که در مورد انسانها و الگوریتم های ساخته شده توسط انسان صدق می کند. به عنوان مثال، مجموعه داده های آموزش فعلی در پردازش زبان طبیعی برپایه اخبار منظم، آموزش های قبلی با اخبار عمومی یا مقالات و سپس تنظیمات دقیق استوار است. با این حال، گزارش هایی ناعادلانه در مورد زنان، سایر اقلیت ها یا افرادی که مبتنی بر باورهای غلط هستند، در این مقالات خبری رایج است. بنابراین، این آموزش می تواند داده ها را از مسیر اصلی خود منحرف کند که نوعی انحراف اجتماعی است (وینوسا و همکاران، 2020). نمونه دیگر سوء استفاده از هوش مصنوعی، امتیازات شهروندان است (ناگلر و همکاران، 2019). هوش مصنوعی این قابلیت را دارد که بر اساس رفتار اجتماعی هر شهروند، امتیازی برای وی محاسبه کند. البته چنین اقدامی منجر به سوالات زیر می شود: اهمیت امتیازات شهروندان چقدر است؟ هدف از این امتیازات چیست؟ این از شایعترین موارد استفاده نادرست از هوش مصنوعی است که به شدت به حقوق بشر آسیب زده است. گرچه امتیاز دادن به شهروندان از نظر فنی، عملی است، اما از نظر اخلاقی غیرمجاز است و باید توسط دولت و عموم مردم با دقت بررسی شود.

2-2- در مسیر هوش مصنوعی پایدار

ما به منظور درک تأثیر اجتماعی هوش مصنوعی، بهتر است ترکیب فناوری با حالات انسانی را در نظر بگیریم. الگوریتم ها از طریق یادگیری تقویتی تکرارشده، به نتایج کاملی می رسند که همان قضاوت تعیین کننده است. از آنجایی که این قضاوت های تعیین کننده کمال گرا هستند، اغلب به افراط کشیده می شوند. بنابراین انحراف از مسیر الگوریتم و ادامه دادن به چنین انحرافی یا حتی به انحراف بیشتر کشیده شدن، به ویژه از نظر نژادی و جنسیتی، آسان تر است. دانشمندان هوش مصنوعی در حال بررسی هوش مصنوعی توضیح پذیر و یادگیری ماشینی قابل تفسیر (ML) هستند با این امید که هنگام تصمیم گیری های پیچیده، هوش مصنوعی بتواند دلایل هر تصمیم را توضیح داده و اعتبار هوش مصنوعی را بالا ببرد.
تحقیقات بنیادین در مورد هوش مصنوعی توضیح پذیر و یادگیری ماشینی قابل تفسیر توضیح می دهد که الگوریتم های هوش مصنوعی چگونه تصمیم گیری می کنند. تسلط بر هوش مصنوعی خطر انحراف الگوریتمی و استفاده نادرست از هوش مصنوعی را با افزایش مدیریت ریسک هوش مصنوعی و با پاسخگویی و نظارت بر خویش کاهش دهد. همانطور که در جدول 2 نیز نشان داده شده است مباحث تحقیقاتی در مورد حالات انسانی و فناوری که بر هوش مصنوعی پایدار متمرکز هستند شامل عواملی همچون تسلط، سیاست، فناوری و روش است. در ابتدا محققان باید چگونگی جلوگیری از انحراف الگوریتمی و استفاده نادرست از هوش مصنوعی را بررسی کنند، میزان تأثیر و نفوذ آن را بر جامعه درک کنند و روشهایی برای انجام مدیریت ریسک هوش مصنوعی، پاسخگویی و نظارت بر AI تعیین کنند تا بتوانند به هوش مصنوعی توضیح پذیر و یادگیری ماشینی قابل تفسیر دست یابند (کناتی و همکاران، 2018). هوش مصنوعی و یادگیری ماشینی هر دو باید به اندازه کافی تفسیر پذیر باشند ولی می بینیم که تفسیرپذیری الگوریتم های فعلی هوش مصنوعی کافی نیست. بنابراین ما برای توضیح و درک این مسئله به هوش مصنوعی توضیح پذیر نیاز داریم تا بتوانیم نحوه تصمیم گیری الگوریتم های هوش مصنوعی را درک کنیم.

جدول شماره 2 – مباحث مربوط به حالات انسانی و فناوری متمرکز بر هوش مصنوعی پایدار
تسط بر هوش مصنوعی و سیاست فن آوری هوش مصنوعی و روش
1- استفاده و سوء استفاده از هوش مصنوعی هوش مصنوعی توضیح پذیر برای توضیح دادن و قابل فهم بودن توسط انسان
2- انحراف در مسیر الگوریتم های هوش مصنوعی 2- یادگیری ماشینی قابل تفسیر برای انعطاف پذیری و درک مفهومی توسط انسان
3- تأثیر اجتماعی هوش مصنوعی 3- عامل باهوشی (ترقی دهنده)
4- پاسخگویی هوش مصنوعی و نظارت بر خویش 4- ربات مکالمه گر باهوش (chabot)
5- تسلط هوش مصنوعی و مدیرت خطرات

3. محیط های یادگیری هوشمند برای هوش مصنوعی انسان محور
یادگیری فناوری با فناوری خالص تفاوت دارد. فناوری یادگیری باید انسان محور باشد زیرا دربرگیرنده آموزش و تعامل با مردم است. بنابراین، محیط های یادگیری هوشمند نباید فقط بر عملکرد تمرکز کنند بلکه باید به احساسات انسانی و پیامدهای حاصل از آن نیز اهمیت دهند. پس ما باید بحث را با اصول اخلاقی و هنجارها شروع کنیم و سپس به تأثیراتی که محیط یادگیری هوشمند بر محیط فعلی فناوری، بستر یادگیری کنونی و انجمن های یادگیری می گذارد، بیشتر بپردازیم.

1-3- آموزش دقیق
آموزش دقیق و پزشکی دقیق هر دو انگیزش درونی یکسانی ایجاد میکنند (کوچ و همکاران، 2020؛ یانگ، 2019). پزشکی دقیق را باراک اوباما، رئیس جمهور سابق آمریکا، پیشنهاد داد. وی مشکلات را از روند یک قالب مناسب برای همه مطرح می کرد زیرا افراد از جهات مختلف از جمله ژن، محیط و سبک زندگی با یکدیگر متفاوت هستند (لین و همکاران، 2021). بنابراین پزشکی دقیق باید در چهار مرحله تشخیص، پیش بینی، درمان و پیشگیری اجرا گردد. اندیشه ای که پشت این آموزش دقیق نهفته است نیز از همین چهار مرحله شکل گرفته است. به عنوان مثال افراد ممکن است به بیماری های مختلف مبتلا شوند و در امر یادگیری با مشکلات یا خطرات مختلفی از جمله نمرات ضعیف و اختلالات یادگیری مواجه شوند. بنابراین رفتارهای دانش آموزان در راستای یادگیری، محیط های این یادگیری و راهکار های ارائه شده برای یادگیری را می توان از طریق همین چهار مرحله یعنی تشخیص، پیش بینی، درمان و پیشگیری تجزیه و تحلیل کرد و راه حلی یافت (یانگ، 2021). مباحث پژوهشی که با آموزش دقیق از جمله تسلط، سیاست، فناوری و روش مرتبط است در جدول 3 شرح داده شده است.

جدول شماره 3 – مباحث تحقیق مرتبط با آموزش دقیق
تسلط و سیاست فناوری و روش
1- تأثیر آموزش دقیق بر محیط های آموزشی نوظهور مثل موک (دوره آزاد انبوه بر خط)، ایبوک (کتاب الکترونیکی)، برنامه نویسی، واقعیت مجازی و واقعیت افزوده، انسانهای ماشینی (ربات ها)، بازی های کامپیوتری و … 1- تشخیص تعامل دانش آموزان، الگوهای یادگیری و رفتارها

2- مسائل اخلاقی و سایر موضوعات مربوط با آموزش دقیق 2- طرح ارزیابی و روش های برآورد آموزش دقیق

3- طراحی الگوهای آموزشی و ابزارهایی برای آموزش دقیق
3- پیش بینی روند یادگیری دانش آموزان و بهبود
الگوهای قابل پیش بینی

4- طراحی راهکارها و فعالیت های یادگیری برای آموزش دقیق
4- درمان و پیشگیری با مداخله به موقع معلمان

5- بررسی عوامل بسیار مهم موثر بر عملکرد یادگیری دانش آموزان بر اساس آموزش دقیق
5- تجزیه و تحلیل داده ها در آموزش دقیق مثل تجزیه و تحلیل متن، تجزیه و تحلیل صوت، تجزیه و تحلیل تصویر و تجزیه و تحلیل ویدئو

6- بررسی تأثیر مداخله معلمان در روند یادگیری دانش آموزان بر اساس آموزش دقیق
6- تصویر سازی ذهنی داده ها در آموزش دقیق مثل صفحه نمایش (داشبورد) و شبیه سازی

همانطور که یانگ (2021) نشان داد الگوهای آموزشی تغییر خواهد کرد و سیستم عامل دیجیتال به دلیل تفاوت در راهکارهای یادگیری یا آموزشی، باعث ایجاد تغییرات کیفی زیادی خواهد شد (کوادیر و همکاران، 2020). سیستم عامل ثابت است اما راهکارها متنوع هستند. ارزش معلم توانایی وی در به کار بردن این راهکارها و روشهای تدریس به شکلی عاقلانه است. از الگوها و ابزارهای آموزشی می توان برای طراحی فعالیتهای یادگیری جامع به منظور بالابردن نتایج یادگیری دانش آموزان و کمک به آنها در جهت توسعه راهکارهای یادگیری استفاده کرد (تمپلار و همکاران، 2021). تجزیه و تحلیل و ارزیابی یادگیری باید با دقت بررسی شود (آنیاهیان و دوستگور، 2020). همچنین به تجزیه و تحلیل یادگیری هوشمند و ارزیابی هوشمند نیاز داریم که البته با اضافه شدن هوش مصنوعی تغییر می کند. پیش نیازهای این تناسب باید برآورده شود تا استانداردهای آموزش دقیق محقق گردد. (لوان و تسای،2021). تمام این مباحث مرتبط با یادگیری از ادغام هوش مصنوعی نشات می گیرد که نشان میدهد توجه بیشتر به این مسئله ضرورت دارد.

3-2- تجزیه و تحلیل یادگیری هوشمند

در تحقیقات اساسی در زمینه تجزیه و تحلیل یادگیری هوشمند از حجم زیادی از داده ها و هوش مصنوعی استفاده شده است تا دانش آموزان در معرض خطر را شناسایی کنند و در این راستا مداخلات به موقعی صورت گرفته است. هدف از این کار بهبود کیفیت تدریسِ معلمان و نتایج بدست َآمده از یادگیری دانش آموزان است. همانطور که در جدول 4 نشان داده شده است بهبود کیفیت آموزش نیازمند تحقیقات در زمینه تجزیه و تحلیل یادگیری هوشمند است؛ مثلا معلمان باید مسائل نگران کننده دانش آموزان (مثل واکنش کم به محیط های یادگیری) را شناسایی کرده و آنها را برطرف کنند. همچنین باید تشخیص دهند که کدامیک از دانش آموزان با یک موضوع خاص درگی.رند و بتوانند درک کنند که محتوای آموزشی آنها چگونه بوده و چقدر مفید واقع شده است (زاواکی-ریچارد و همکاران، 2019). معلمان با استفاده از تجزیه و تحلیل یادگیری هوشمند می توانند محتوای آموزشی را به طور مستمر افزایش دهند و همزمان با پیشرفت و نظارت بر عملکرد دانش آموزان، محتواها را با سطح درک دانش آموزان متناسب کنند و در نتیجه تدریس خود را با دانش آموزان وفق دهند. دانش آموزان نیز با استفاده از تجزیه و تحلیل یادگیری هوشمند می توانند فرایند یادگیری خود را کنترل کنند، از عملکرد خود در مقایسه با هم سن و سال های خود آگاهی یابند و ارزیابی های کاملی از پیشرفت روند یادگیری در گروه هم سن خود انجام دهند و در نهایت می توانند به معلمان خود کمک کنند تا خلاء موجود در دانش پیش نیاز دانش آموزان را شناسایی کرده و در مهارت های آموزش و فراگیری با یکدیگر هماهنگ شوند. تجزیه و تحلیل یادگیری هوشمند به دانش آموزان کمک می کند تا مهارت ها و دانش خود را به روشی شخصی تر و بی نیازتر توسعه دهند و در خصوص نحوه پیشرفت در آموزش و انجام کارهای لازم برای رسیدن به اهداف آموزشی خود، اطلاعات بهتری در اختیار دانش آموزان قرار می دهد. تجزیه و تحلیل یادگیری هوشمند همچنین خدمات رضایت بخشی به دانش آموزان ارائه می دهد تا تصمیم بگیرند اجازه دسترسی و استفاده از داده ها را بدهند یا خیر که همین امر متضمن محرمانه بودن داده است.
جدول شماره 4 – مباحث تحقیق مرتبط با تجزیه و تحلیل یادگیری هوشمند
نحوه بالابردن کیفیت تدریس معلم نحوه بالابردن نتیجه آموزشِ دانش آموز
1- تشخیص و برطرف کردن مسائل نگران کننده دانش آموزان مثل واکنش کم به محیط های یادگیری 1- توانمند کردن دانش آموزان در کنترل فرایند
یادگیری
2- تشخیص اینکه دانش آموزان با یک موضوع خاص درگیرند 2- کمک به دانش آموزان برای توسعه مهارت ها و دانش به صورت شخصی تر و بی نیازتر
3- تامین مربیان با درک بیشتر از نحوه محتوای استفاده شده و میزان تاثیر آن و امکان تقویت پی در پی 3- ارائه اطلاعات مفیدتر به دانش آموزان در خصوص چگونگی پیشرفتشان و اینکه چه کاری باید انجام دهند تا به اهداف آموزشی خود برسند
4- ایجاد محتوای آموزشی متناسب با سطح درک دانش آموز همزمان با پیشرفت دانش آموزان از طریق محتوا. 4- ارائه خدمات رضایت بخش به دانش آموزان تا تصمیم بگیرند که اجازه دسترسی و استفاده از داده ها را بدهند که همین امر متضمن محرمانه بودن داده ها است
5- نظارت بر عملکرد دانش آموزان تا معلمان بتوانند تدریس خود را وفق دهند

3-3- ارزیابی هوشمند

همانطور که در جدول 5 نشان داده شده است یافته ها درخصوص ارزیابی هوشمند (از جمله تعریف و ارزیابی نتایج یادگیری دانش آموزان با استفاده از سیاست درجه بندی مفید (لو و همکاران، 2021)، ارزیابی میزان یادگیری دانش آموزان با استفاده از یک راهکار مفید یادگیری و ارزیابی مشکلات یادگیری دانش آموزان) این امکان را برای معلمان فراهم آورده تا راهکارها و مطالب آموزشی خود را مطابق با میزان موثربودن روند یادگیری، رفتارها و مشکلات دانش آموزان وفق دهند (لو و همکاران ، 2018). بررسی ارتباط بین میزان موثربودن یادگیری و الگوهای یادگیری درطبقه بندی الگوهای یادگیری و پیش بینی میزان یادگیری دانش آموزان مفید است (وانگ، 2019) و مشاوره های به موقع را براساس همین الگوهای یادگیری ارائه می دهند. تعریف و ارزیابی انگیزه دانش آموزان، توجه و مشارکتشان، طراحی فعالیت های یادگیری و همچنین پیشرفت در تمام این زمینه ها، فرایند یادگیری را ارتقا می دهد (هوانگ و همکاران، 2019).
جدول شماره 5 – مباحث تحقیق مرتبط با ارزیابی هوشمند
ارزیابی رفتارهای یادگیری، الگوها و راهکارها خودمختاری و هوش مجهز به هوش مصنوعی
1- ارزیابی میزان یادگیری دانش آموزان با استفاده از
راهکارهای مفید آموزش 1- ربات مکالمه گر مجهز به هوش مصنوعی
(Chabot)
2- وفق دادن راهکارهای آموزش و طراحی مطالب آموزشی مطابق با میزان موثربودن روند یادگیری دانش آموزان 2- شخصی سازی با هوش مصنوعی
3- طبقه بندی الگوهای یادگیری دانش آموزان 3- محتوای هوشمند، مسیر یادگیری و توصیه ها
4- پیش بینی میزان یادگیری دانش آموزان و یافتن رابطه بین الگوهای یادگیری و میزان یادگیری
4- ارزیابی خودکارِ نتیجه آموزش دانش آموزان با استفاده از درجه بندی
5- تعریف و ارزیابی انگیزه دانش آموزان، توجه و مشارکت آنها 5- ارزیابی هوش و برآورد
6- یادگیری به شکلی متفاوت و منفرد 6- طرح خودکار سوالات
7- سیاست درجه بندی خودکار
8- تشخیص دزدی ادبی با هوش مصنوعی

با استفاده از برآورد رو به رشد فعالیت های یادگیری دانش آموزان مثل پیش نمایش قبل از کلاس، ژرف اندیشیدن، گزارش های شفاهی، تکالیف، موضوعات خاص، برنامه نویسی و معرفی سازوکار امتحان می توان ارزیابی هوشمندانه را به یک سیستم ارزیابی هوشمند (هسیا و همکاران، 2019) ارتقا داد. معلمان، دروس آموزشی (مثل کتابهای درسی و اسلایدها) را به دانش آموز تدریس می کنند درحالی که هوش مصنوعی خلاصه مفاهیم اصلی موجود در هر کتاب را استخراج می کند و سوالات آزمون و پاسخ های مرجع (طرح خودکار سوالات) را به طور خودکار می سازد تا مفاهیم اصلی ارزیابی شود (کوردی و همکاران، 2020). سوالات آزمون در قالب پرکردن جاهای خالی (ماجومدر 2017)، سوالات چند گزینه ای، بله یا خیر، مقاله یا پاسخ کوتاه ارائه می شود (مک درموت و همکاران، 2014). چنین سیستمی برای سوالات با پاسخ کوتاه این توانایی را دارد که به طور خودکار و با بهره گیری از فن آوری یادگیری عمیق، پاسخ های دانش آموزان را با پاسخ های مرجع مقایسه کند و نمرات و نتیجه نهایی را اعلام کند. معلمان به منظور ارزیابی هوشمندانه، باز هم از کتابهای درسی و اسلایدها استفاده می کنند درحالی که این سیستم از فناوری پردازش زبان طبیعی برای خلاصه سازی متن های کتاب بهره می گیرد تا مفاهیم اصلی را از کتب درسی استخراج کند و برنامه ای آگاهانه ارائه دهد. در این برنامه آگاهانه، هر گره به منزله یک مفهوم کلیدی است و مرز این گره ها نشان دهنده رابطه محتوای بین دو گره متصل به هم است. این سیستم بر اساس مفاهیم کلیدی که هر گره در برنامه ریزی آگاهانه خود نشان می دهد، به طور خودکار سوالات آزمون و پاسخ های مرجع (طرح خودکار سوالات) را می سازد تا میزان تسلط بر مفاهیم کلیدی ارزیابی شود. اگر پاسخ دانش آموزان کتبی باشد، سیستم می تواند به طور خودکار پاسخ دانش آموزان را با پاسخ مرجع مقایسه کرده و به آنها نمره دهد (یعنی نمره دهی به پاسخ های کوتاه) و با استفاده از فناوری یادگیری عمیق، نتیجه امتحان را اعلام کند. دانش آموزان با امتحان ها و روش های تکرارشده (استنلود و همکاران، 2016) حافظه خود را در زمینه مطالب آموخته شده تقویت می کنند، تسلط خود را بر مفاهیم کلیدی توسعه می دهند و در نهایت می توانند عملکرد بهتری کسب کنند در مقایسه با اینکه اگر محتوای آموزشی را فقط چند بار می خواندند.

4- بحث: از فناوری بی جان تا انسان جاندار
با قدرتمندتر شدن الگوریتم های AI، توانایی هوش مصنوعی در کمک به انسان برای قضاوت و تصمیم گیری بیشتر می شود. در چنین مواردی، ساده ترین روش انحراف الگوریتمی است که موجب انحرافات اشتباه یا حتی تشدید انحرافات به ویژه در موارد مربوط به نژاد و جنسیت می شود. در این میان، مشکل نابرابری جنسیتی نیز باید رفع شود. همچنین زنان و سایر اقلیت ها در جامعه ما از تجلی کافی برخوردار نیستند. عدم دخیل کردن دانشمندان و مهندسان زن در زمینه هوش مصنوعی به این نابرابری دامن زده است.
بازار کار در آینده بیشتر بر تجزیه و تحلیل داده ها متکی خواهد بود و متقاضیانِ کار برای به دست آوردن شغل مناسب باید از مهارت های فنی و دانش مقدماتی وسیعی، به ویژه دانش و مفاهیم مرتبط با هوش مصنوعی، برخوردار باشند. علاوه بر این، بیماری همه گیر کرونا (COVID-19) نابرابری ثروت را تشدید کرده است. پول از جیب کارگران به سمت سرمایه گذاران سرازیر شده است؛ یعنی ثروتمندان ثروتمندتر و فقیران فقیرتر شده اند. بحران ها موجب توزیع مجدد ثروت می شوند و حالات مختلفی شکل می گیرد که مسبب آن نابرابری است. با پیشرفت روزافزون هوش مصنوعی، فقط کشورهای بزرگ و شرکت های عظیم منابع مالی و توانایی لازم را دارند تا آن را توسعه دهند که این امر منجر به رقابت بین شرکت ها یا کشورهای بزرگ می شود و موانع و مسئولیت هایی را برای کشورهای با درآمد متوسط و کم درآمد ایجاد می کند. علاوه بر این، اگر این فن آوری ها به دست دیکتاتورها یا شرکتهای بی ملاحظه بیفتد، همانند سلاح های مخرب یا کالاهای اعتیاد آورِ امروزی، برای آینده بشر خطرناک خواهد بود.
هرچه تأثیر هوش مصنوعی در زندگی انسان ها بیشتر می شود، نیاز به درک آن نیز به همان نسبت بیشتر می شود. تفاوت اصلی بین ماشین و انسان (یا آنچه که ما به عنوان انسان می شناسیم) این است که انسان ها اراده، هوشیاری و احساسات بی انتهایی دارند که گاهی تضادهای نامعقولی بین آنها پیش می آید. انسان ها بعضی اوقات غیر منطقی می شوند مثلا یک شخص را قبول دارند ولی آنچه او انجام می دهد را خیر. انسان ها ممکن است ذهنیت های ضد و نقیض زیادی در یک زمان داشته باشند در حالی که فرایند فکری ماشین ها فقط دنباله رو منطق است. بنابراین برای حفظ خودآگاهی و خودمختاری، انسان باید خودشناس بوده و خودش سرنوشتش را تعیین کند. با این حال، وقتی فناوریAI نسبت به انسان تصمیم های بهتری می گیرد یا می تواند افراد را بهتر از خودشان می شناسد، دیگر چه کاری مانده که انسان بخواهد انجام دهد؟ هوش مصنوعی در واقع پا را فراتر از توانایی انسان در محاسبات و تصمیم گیری گذاشته است. البته ناگفته نماند انسان ویژگی هایی دارد که هوش مصنوعی قادر به رقابت با او نیست. این ویژگی ها توانایی انسان در درک و شعور، عاطفه، احساس و شناخت است. اگرچه الگوریتم های هوش مصنوعی برای تقلید از رفتارهای انسانی تکامل یافته است، اما هنوز تقلید کردن از این ویژگی های انسانی در مدت زمان کوتاه برای هوش مصنوعی دشوار است. آخرین ویژگی که انسان را از هوش مصنوعی متمایز می سازد، تفکر فلسفی و اخلاق است زیرا تنها از طریق سازگاری با خویشتن در سطح ایدئولوژیک و معنوی می توان محدودیت های مادی را پشت سر گذاشت.
فیلم “بازی تقلید” بیشتر به مسئله تقلید بین انسان و ماشین پرداخته است. شخصیت اصلی این فیلم یعنی آلن تورینگ که در تاریخچه علم کامپیوتر شخصیت مهمی به شمار می رود، به تفاوت بین انسان و ماشین، خصوصا از نظر طرز تفکر آنها، اعتقاد داشت. آلن تورینگ مردد بود آیا این واقعیت که ماشین متفاوت از انسان فکر می کند می تواند به این معنی باشد که ماشین اصلا فکر نمی کند. تلقی ما انسانها از افرادی که متفاوت با ما فکر می کنند این است که آنها “فکر نمی کنند” و زمانی که فرایند فکری دیگران با ما فرق دارد باور ما این است که دیگران اشتباه می کنند. آلن تورینگ جمله معروفی دارد که می گوید: “بعضی اوقات افرادی که هیچ کس نمی تواند رفتارشان را حدس بزند، همان کسانی هستند که کارهایی انجام می دهند که هیچ کس نمی تواند تصور کند.” این باور الهام بخش بسیاری از دانشمندان بوده است. شاید نخبگان زیادی که هنگام تحصیل در سطح متوسط هستند، مستعد این باشند که ناگهان به نخبه های جامعه تبدیل شوند.

5- نتیجه گیری
انسانها همیشه از خطرات احتمالی که آنها را تهدید می کند آگاهند و واکنش خود را با جهت گیری و اصلاح سریع و حتی توقف به موقع نشان دهند اما ماشین ها فقط به جلو حرکت می کنند تا فایده رساندن و بهره وری خود را به حداکثر برسانند. بنابراین اهدافی که انسان برای خود برمی گزیند باید مشخص، باارزش، مورد قبول، واقع بینانه و مبتنی بر زمان باشند تا بتواند تحقیقات هوش مصنوعی هوشمند را انجام دهد. (یانگ، 2019). روند تحقیق باید مشخص و همیشه در مسیر درست باشد. همچنین مباحث تحقیق باید مباحثی ارزشمند بوده و آنقدر عمومی باشد که نتایج گسترده ای در پی داشته باشد و از طرف دیگر به قدری خاص باشد تا نتایج معنی داری حاصل آید. همکاری در تحقیق مستلزم توافق، هوشیاری، قابل فهم بودن و تمرکز زیاد است. انتظاری ما از تحقیق این است که واقع بینانه باشد و در عین حال لذت بخش. دست آخر اینکه زمان را در تحقیق نمی توان با ساعت اندازه گیری کرد بلکه زمان گذر تک تک لحظه ها است؛ پس زمانی که صرف تحقیق در مورد هوش مصنوعی شده را باید غنیمت شمرد.
عشق یکی دیگر از خصیصه های انسانی است كه ماشين و یا الگوريتم نمی تواند جای آن بنشیند. عشق با مجموعه ای از واکنش های زیست شیمی (بیوشیمیایی) و تغییرات هورمونی در مغز و بدن اتفاق می افتد. عشق ممکن است با افکار یا احساسات غیر منطقی ایجاد شود و ترکیبی از تخیل و واقعیت را یکجا در خود جای دهد. روند هوش مصنوعی همیشه در لحظه و در زمان حال است اما زیبایی انسان گرایانه، تا ابد ادامه دارد. باید مثل انسان و در مقام انسانیت زندگی کرد تا زیبایی های جهان را دید. وقتی سرگرم کاری هستید، به یاد داشته باشید که شما هنوز انسانید. وقتی چشمتان به چیز زیبایی می افتد آنجاست که احساس می کنید دنیا ارزش زندگی کردن دارد. عشق و انتظارات از زیبایی می آید. بنابراین هوش مصنوعی انسان محور بر اساس احساسات انسانی ساخته شده است و قضاوت های انعکاسی انسان را بازنگری می کند. درست است که انسان موجود کاملی نیست ولی باید پذیرفت که انسانِ فعلی، بهترین (نوع در میان موجودات زنده) است زیرا می تواند حالات عاطفی خود را طوری تطبیق دهد که زیبایی روح را حس کند و با استفاده از ذهنی که قابل مشاهده نیست درک خود را از جهانی که قابل مشاهده است، بالا ببرد.

 

آموزشگاه فنی و حرفه ای اسما

امروز به ما بپیوندید

برنامه نویسی پایتون

همین الان یادگیری را شروع کنید

دیدگاه کاربران(0)

ارسال دیدگاه

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

*
*