طراحی دوقلوی دیجیتال شناختی دانش‌آموز در آموزش STEM: مدل‌سازی عدم‌قطعیت یادگیری در ریاضیات و فیزیک با تلفیق منطق فازی و هوش مصنوعی قابل‌توضیح (XAI)

طراحی دوقلوی دیجیتال شناختی دانش‌آموز در آموزش STEM: مدل‌سازی عدم‌قطعیت یادگیری در ریاضیات و فیزیک با تلفیق منطق فازی و هوش مصنوعی قابل‌توضیح (XAI)

امیرحسین تقی زاده قراجه قیایی1 مریم ایراندوست2 فاطمه زهرا گروسی3 نرگس خادم نیائی4

1) دانشجوی کارشناسی ارشد ریاضی کاربردی گرایش آنالیز عددی دانشگاه
2) کارشناسی ارشد فیزیک حالت جامد دانشگاه
3) دانشجوی کارشناسی آموزش ریاضی دانشگاه فرهنگیان پردیس نسیبه
4) دانشجوی کارشناسی آموزش ریاضی دانشگاه فرهنگیان پردیس نسیبه

کد IOI مقاله : AAHD-ABHBHZ
محل انتشار : کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری (itnaf.ir)
چکیده :
    گذر از سیستم‌های ارزشیابی نتیجه‌محور به سمت رویکردهای فرآیندمحور، از الزامات ارتقای کیفیت آموزش در علوم پایه(STEM) است. در دروسی نظیر ریاضیات و فیزیک، یادگیری شبکه‌ای درهم‌تنیده از مفاهیم انتزاعی است که درک ناقص در یکی، منجر به افت عملکرد در دیگری می‌شود. پژوهش حاضر با هدف شفاف‌سازی این «جعبه‌سیاه شناختی»، معماری نوینی مبتنی بر« دوقلوی دیجیتال شناختی (CDT)» معرفی می‌کند که در آن، وضعیت ادراکی دانش‌آموز شبیه‌سازی می‌شود. با توجه به ماهیت مبهم یادگیری، متغیرهای شناختی از طریق سیستم‌های استنتاج فازی مدل‌سازی و میزان تسلط بر مفاهیم پایه کمّی‌سازی شده‌اند. همچنین به منظور رفع چالش عدم شفافیت مدل‌های هوش مصنوعی و افزایش اعتماد دبیران، از تکنیک‌های هوش مصنوعی قابل‌توضیح (XAI)، به‌ویژه مقادیر شیپلی (SHAP)، جهت تفسیر سهم دقیق هر بدفهمی ریاضیاتی در افت نمره فیزیک استفاده شد. برای اعتبارسنجی مدل، مجموعه داده‌ای شامل ۵۰۰ رکورد عملکردی با توزیع آماری مونت‌کارلو تولید گردید. نتایج نشان داد این معماری با دقت ۹۴ درصد قادر به شناسایی گره‌های یادگیری پنهان است. این دستاورد ابزاری قدرتمند برای شخصی‌سازی آموزش در سطح خرد و بستری داده‌محور برای سیاست‌گذاری‌های آموزشی در سطح کلان فراهم می‌آورد.

کلمات کلیدی : دوقلوی دیجیتال شناختی آموزش stem منطق فازی هوش مصنوعی قابل‌توضیح (xai) شبیه‌سازی مونت‌کارلو مدل‌سازی شناختی