بررسی ارتباط روش های هوش مصنوعی با آموزش مرم بر مبنای نظریه های یادگیری (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﻪ ﻋﻨﻮان یکی از ﺣﻮزهﻫﺎی ﻧﻮین ﻓﻨﺎوری ﮐﻪ وﺟﻮه ﻣﺨﺘﻠﻒ زﻧﺪﮔﯽ اﻧﺴﺎن را ﻣﺘﺤﻮل ﻣﯽﮐﻨﺪ، ﻣﯽﺗﻮاﻧﺪ ﻧﻘﺸﯽ ﮐﻠﯿﺪی در ارﺗﻘﺎ آﻣﻮزش ﻣﻬﻨﺪﺳﯽ ایفا ﮐﻨﺪ. ﺑﺎ این ﺣﺎل ﻧﻘﺶ این ﻓﻨﺎوری در آﻣﻮزش ﻣﺮﻣﺖ ﭼﻨﺪان ﻣﻮرد ﺑﺮرﺳﯽ ﻗﺮار ﻧﮕﺮﻓﺘﻪ اﺳﺖ. ﭘﮋوﻫﺶ ﺣﺎﺿﺮ ﺳﻌﯽ دارد ﺗﺎ ﺑﺎ ﮐﻤﮏ ﻧﻈﺮیهﻫﺎی یادگیری، وﺟﻮه اﺳﺘﻔﺎده از ﻫﻮش ﻣﺼﻨﻮﻋﯽ در آﻣﻮزش ﻣﺮﻣﺖ را ﻣﻮرد ﺑﺮرﺳﯽ ﻗﺮار دﻫﺪ. در این ﭘﮋوﻫﺶ از روش اﺳﻨﺎدی و ﺑﻪ ﻃﻮر ﺧﺎص روش ﺗﺤﻠﯿﻞ ﻣﺤﺘﻮای ﮐﯿﻔﯽ ﺟﻬﺖدار ﺑﺮای ﺑﺮرﺳﯽ ﭘﮋوﻫﺶﻫﺎی ده ﺳﺎل اﺧﯿﺮ (٢٠٢۵-٢٠١۵). اﺳﺘﻔﺎده و ارﺗﺒﺎط ﺗﺤﻘﯿﻘﺎت ﮔﺬﺷﺘﻪ ﺑﺎ ﺳﻪ ﻧﻈﺮیه یادگیری) یادگیری ﺗﺠﺮﺑﯽ، یادگیری سازنده گرا و یادگیری ارتباط گرا). بررسی می شود. ﮐﺪﮔﺬاری دادهﻫﺎ ﺑﺮ اﺳﺎس ﻣﻮﻟﻔﻪﻫﺎی ﻫﺮ یک از ﺳﻪ ﻧﻈﺮیه یادگیری اﺳﺖ و ﭘﮋوﻫﺶﻫﺎی ﻗﺒﻠﯽ ﺑﺮ این اﺳﺎس ﻣﻮرد ﺗﺠﺰ یه و ﺗﺤﻠﯿﻞ ﻗﺮار ﻣﯽﮔﯿﺮﻧﺪ. یاﻓﺘﻪﻫﺎ ﻧﺸﺎن ﻣﯽدﻫﺪ ﮐﻪ در ﺣﻮزه یادگیری ﺗﺠﺮﺑﯽ، ﻣﻮﻟﻔﻪ ﺗﺠﺮﺑﻪ ﻋﯿﻨﯽ، در ﺧﺼﻮص یادگیری ﺳﺎزﻧﺪهﮔﺮا، ﻣﺆ ﻟﻔﻪﻫﺎی ﺗﻌﺎﻣﻞ اﺟﺘﻤﺎﻋﯽ و ﺑﻌﺪ از آن یادگیری ﻓﻌﺎل، و ﺗﮑﯿﻪ ﺑﺮ داﻧﺶ ﻗﺒﻠﯽ ﺑﺎ اﻗﺒﺎل ﺑﯿﺸﺘﺮی ﻣﻮاﺟﻪ ﻫﺴﺘﻨﺪ و در ﺧﺼﻮص یادگیری ارﺗﺒﺎطﮔﺮا، ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﺮ ﺷﺒﮑﻪﺳﺎزی و ارﺗﺒﺎﻃﺎت، ﺗﺴﻬﯿﻞ ﻓﻨﺎوری، یادگیری ﻣﺪاوم، ﻣﻬﺎرتﻫﺎی ﺷﻨﺎﺧﺘﯽ و ﻫﻤﮑﺎری دیجیتال ﺑﻪ ﻧﺴﺒﺖ سایر ﻣﻮﻟﻔﻪﻫﺎ ارﺗﺒﺎط ﺑﯿﺸﺘﺮی دارﻧﺪ. یاﻓﺘﻪﻫﺎ ﻫﻤﭽﻨﯿﻦ ﻧﺸﺎن ﻣﯽدﻫﻨﺪ ﮐﻪ ﻣﺤﺪودیتﻫﺎی ﻫﻮش ﻣﺼﻨﻮﻋﯽ در دﺳﺘﺮﺳﯽ ﺑﻪ داﻧﺶ ﻣﺮﻣﺖ، ﺑﺮ ﻣﻮﻟﻔﻪﻫﺎیی ﻣﺎﻧﻨﺪ ﻣﺘﻦ ﻣﺤﻮری ﮐﻪ ﻣﺮﺗﺒﻂ ﺑﻪ داﻧﺶ زﻣﯿﻨﻪای اﺳﺖ اﺛﺮﮔﺬار اﺳﺖ و در آﻣﻮزش ﻣﺮﻣﺖ این ﮔﻮﻧﻪ ﻣﻮﻟﻔﻪﻫﺎ ﮐﻤﺘﺮ ﻣﻮرد ﺗﻮﺟﻪ ﻗﺮار ﻣﯽﮔﯿﺮﻧﺪ. یاﻓﺘﻪﻫﺎی ﭘﮋوﻫﺶ ﻣﯽﺗﻮاﻧﺪ ﺗﻮﺳﻂ ﻣﻌﻠﻤﯿﻦ و ﭘﮋوﻫﺸﮕﺮان ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﮔﯿﺮد ﺗﺎ ﺑﺎ در ﻧﻈﺮ ﮔﺮﻓﺘﻦ ویژﮔﯽﻫﺎی دروس ﻣﺮﻣﺖ و ﻧﯿﺎزﻫﺎی یادگیری ﻫﺮ ﮐﺪام، روش ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻣﻨﺎﺳﺐ را اﻧﺘﺨﺎب یا ﻣﻮرد ﺑﺮرﺳﯽ ﻗﺮار دﻫﻨﺪ.Exploring the Relationship Between Artificial Intelligence Methods and Restoration Education Based on Learning Theories
Artificial intelligence is rapidly transforming the landscape of education, yet its potential in restoration education has remained largely unexplored.
This research investigates how various artificial intelligence tools intersect with the teaching and learning of restoration at the university level.
Drawing on three major learning theories-experiential, constructivist, and connectivist-the study analyzes research from recent years to determine where AI aligns with or departs from effective pedagogical practices. The findings show that AI-driven technologies can significantly
strengthen concrete experience, active learning, social interaction, and prior knowledge integration which are associated with experiential and
constructivist learning, and also lifelong learning, technological facilitation, networking and communication, cognitive skills, and digital collaboration in connectivist. However, certain aspects, particularly those requiring in-depth contextual and textual understanding specific to heritage sites, present ongoing challenges for AI tools. These results provide valuable insights for educators and researchers seeking to implement AI solutions in restoration-related courses.
تبلیغات
