Репост из: گاهنامه فرهیزش
ویژه‌ی #روز_جهانی_آموزش
هوش مصنوعی به کاهش ترک تحصیل یاری می‌رساند*
برگردان: محمدرضا نیک نژاد/ گاهنامه فرهیزش، شماره شانزده، بهمن 1403
بهره‌گیری از هوش مصنوعی در آموزش موضوعی چالش برانگیز است. در حالی که بکار‌گیری آن بوسیله دانش‌آموزان خطر دزدی ادبی و اخلاقی را به همراه دارد، اما در جاهای دیگر نوید بخش است. یکی از سودمندترین آن‌ها کاهش نرخ بازماندگی از آموزش است. تنها در سال 2022، در آمریکا دو میلیون و صد هزار دانش‌آموز آموزش را رها کرده‌اند. کامل نکردن تحصیل آنان می‌تواند این افراد را بدون دانش و مهارت‌های ضروری برای آن‌ها در آینده رها کند و به دشواری‌های اجتماعی-اقتصادی گسترده‌تری بیانجامد. هوش مصنوعی می‌تواند به سامانه‌های آموزشی کمک کند تا با چند روش گوناگون از این کار جلوگیری کنند.
1-پیش بینیِ خطر ناکامی [های آموزشی]
برخی از منطقه‌ها آزمایشِ‌ِ روش‌های یادگیری با ماشین برای پیش بینی خطرِ شکست دانش‌آموزان را آغاز کرده‌اند. هوش مصنوعی با واکاوی موردهای گذشته می‌تواند یاد بگیرد که نمونه‌هایی که اغلب با بازماندگی روبرو هستند را شناسایی کند. پس از آن است که فناوری می‌تواند به کارکنان [مدرسه] هشدار دهد که دانش‌آموز نشانه‌های هشداردهنده اولیه را دارد یا نه!
دریافت هشدار خطر می‌تواند به ورود سریع و کارآمد بیانجامد. آموزگاران، مشاوران، و پدر‌و‌مادرها پیش از آن که خیلی دیر شود می‌توانند رویکرد خود نسبت به آموزشِ دانش‌آموز را سامان دهند یا از آن‌ها پرسش‌هایی درباره‌ی نیازهای برآورده نشده برای بهبود عملکردشان بپرسند.
همچنان سامانه‌های هشدارهای اولیه کامل نیستند. پژوهش‌ها نشان می‌دهند که هشدارها زمانی کارآمدتر می‌باشند که نرخ بازماندگی از آموزش در مدرسه کمتر از 10 درصد باشد و منابع کافی برای ورودِ مناسب به چنین چالشی در اختیار داشته‌باشند. با این حال، هر گونه بهبودی در این زمینه سودمند است و این روش‌ها شاید با گذشت زمان و توسعه شان، دقیق‌تر شوند.
2-واکاوی عامل‌های غیر‌آموزشی (بازماندگی از تحصیل)
همچنین می‌توان از هوش مصنوعی برای یافتن و ردیابی عامل‌های غیرآموزشیِ زمینه‌ساز ترک تحصیل بهره برد. افراد به ندرت به یک دلیل ترک تحصیل می‌کنند و بسیاری از این دلایل در نمره‌ها بازتاب نمی‌یابد. برای نمونه، دانش‌آموزان دبیرستانیِ درگیر با افسردگی بیش از دو برابر همسالان خود احتمال ترک تحصیل دارند. یادگیری ماشینی [با هوش مصنوعی] می‌تواند چنین روندهایی را آشکار کند.
الگوهای پیش‌بینی‌کننده می‌توانند موردهای بازماندگی از آموزش در گذشته را واکاوی نموده و دانش‌آموزان کنونی که نشانه‌های هشدار دهنده بروز می‌دهند را برای یافتن هشدارهای تازه و کمتر آشکار، پایش کنند. این‌ها ممکن است دربرگیرنده برخی رفتارهای اجتماعی یا پس زمینه‌های اجتماعی-اقتصادی باشد که عامل‌های دیگری نیز در آن‌ها نقش دارند. در نتیجه این کار، مدرسه‌ها بهتر می‌توانند بفهمند که چه چیزی منجر به بازماندگی از آموزش می‌شوند.
افزایش زمینه‌ها [و داده‌ها] سبب پیش‌بینی‌های مطمئن‌تر و ورود‌های کارآمدتر می‌شود. توانایی شناسایی روندهای ظریفی که کارشناسان انسانی ممکن است از دست بدهند نیز بسار مهم است.
3-شخصی‌سازی برنامه‌های یادگیری
فراتر از پیش‌بینی دانش‌آموزانی که با خطر ترک تحصیل روبرو هستند، هوش مصنوعی می‌تواند نرخ ترک تحصیل را کاهش دهند. همچنین می‌تواند با متناسب کردنِ درس‌ها برای تک‌تک یادگیرنده‌ها، شانس رسیدن به این نقطه را به کمترین میزان برساند. پژوهش‌ها نشان می‌دهند که یادگیری شخصی‌سازی شده به لذت بیشتر بردن از یادگیری در دانش‌آموزان با هر پیش‌زمینه‌ای می‌انجامد. این کار به نوبه خود، گردش مالی را کاهش داده و عملکرد را بهبود می‌بخشد. در حالی که هوش مصنوعی تنها راه برای متناسب‌سازی درس‌ها با افراد نیست، اما می‌تواند با برداشتنِ بسیاری از کارهای تکراری از دوش آموزگار، آموزش را آسان‌تر کند. هوش مصنوعی می‌تواند عملکرد و رفتار هر دانش‌آموز را در سناریوهای گوناگون بکاود تا بهترین کار[های آموزشی] را برای آن‌ها بیابد. سپس بر پایه‌ی این یافته‌ها، می‌تواند برنامه‌های درسی را تغییر دهد و آموزگاران را به نظارت بر درس دانش آموزان در سطح شخصی و انسانی در حین کار آن‌ها وادارد. چنین آمیخته‌ای از شخصی‌سازی مبتنی بر فناوری و پشتیبانی‌های انسان-محور می‌تواند به شکل چشم‌گیری بر میزان ماندگاری (بچه‌ها) در مدرسه موثر باشد.
چالش‌های احتمالی کاهش ترک تحصیل با هوش مصنوعی
همانگونه که هوش مصنوعی می‌تواند در این زمینه سودمند باشد، نگرانی‌های ویژه‌ی خود را نیز پدید می‌آورد. گسترده‌ترین آن‌ها در پیوند با حریم خصوص است. یادگیری با هوش مصنوعی برای دقت بیشتر به گستره‌ی فراخی از داده‌ها نیاز دارد.
ادامه متن را در اینجا بخوانید.
https://t.me/farhizesh_mag
هوش مصنوعی به کاهش ترک تحصیل یاری می‌رساند*
برگردان: محمدرضا نیک نژاد/ گاهنامه فرهیزش، شماره شانزده، بهمن 1403
بهره‌گیری از هوش مصنوعی در آموزش موضوعی چالش برانگیز است. در حالی که بکار‌گیری آن بوسیله دانش‌آموزان خطر دزدی ادبی و اخلاقی را به همراه دارد، اما در جاهای دیگر نوید بخش است. یکی از سودمندترین آن‌ها کاهش نرخ بازماندگی از آموزش است. تنها در سال 2022، در آمریکا دو میلیون و صد هزار دانش‌آموز آموزش را رها کرده‌اند. کامل نکردن تحصیل آنان می‌تواند این افراد را بدون دانش و مهارت‌های ضروری برای آن‌ها در آینده رها کند و به دشواری‌های اجتماعی-اقتصادی گسترده‌تری بیانجامد. هوش مصنوعی می‌تواند به سامانه‌های آموزشی کمک کند تا با چند روش گوناگون از این کار جلوگیری کنند.
1-پیش بینیِ خطر ناکامی [های آموزشی]
برخی از منطقه‌ها آزمایشِ‌ِ روش‌های یادگیری با ماشین برای پیش بینی خطرِ شکست دانش‌آموزان را آغاز کرده‌اند. هوش مصنوعی با واکاوی موردهای گذشته می‌تواند یاد بگیرد که نمونه‌هایی که اغلب با بازماندگی روبرو هستند را شناسایی کند. پس از آن است که فناوری می‌تواند به کارکنان [مدرسه] هشدار دهد که دانش‌آموز نشانه‌های هشداردهنده اولیه را دارد یا نه!
دریافت هشدار خطر می‌تواند به ورود سریع و کارآمد بیانجامد. آموزگاران، مشاوران، و پدر‌و‌مادرها پیش از آن که خیلی دیر شود می‌توانند رویکرد خود نسبت به آموزشِ دانش‌آموز را سامان دهند یا از آن‌ها پرسش‌هایی درباره‌ی نیازهای برآورده نشده برای بهبود عملکردشان بپرسند.
همچنان سامانه‌های هشدارهای اولیه کامل نیستند. پژوهش‌ها نشان می‌دهند که هشدارها زمانی کارآمدتر می‌باشند که نرخ بازماندگی از آموزش در مدرسه کمتر از 10 درصد باشد و منابع کافی برای ورودِ مناسب به چنین چالشی در اختیار داشته‌باشند. با این حال، هر گونه بهبودی در این زمینه سودمند است و این روش‌ها شاید با گذشت زمان و توسعه شان، دقیق‌تر شوند.
2-واکاوی عامل‌های غیر‌آموزشی (بازماندگی از تحصیل)
همچنین می‌توان از هوش مصنوعی برای یافتن و ردیابی عامل‌های غیرآموزشیِ زمینه‌ساز ترک تحصیل بهره برد. افراد به ندرت به یک دلیل ترک تحصیل می‌کنند و بسیاری از این دلایل در نمره‌ها بازتاب نمی‌یابد. برای نمونه، دانش‌آموزان دبیرستانیِ درگیر با افسردگی بیش از دو برابر همسالان خود احتمال ترک تحصیل دارند. یادگیری ماشینی [با هوش مصنوعی] می‌تواند چنین روندهایی را آشکار کند.
الگوهای پیش‌بینی‌کننده می‌توانند موردهای بازماندگی از آموزش در گذشته را واکاوی نموده و دانش‌آموزان کنونی که نشانه‌های هشدار دهنده بروز می‌دهند را برای یافتن هشدارهای تازه و کمتر آشکار، پایش کنند. این‌ها ممکن است دربرگیرنده برخی رفتارهای اجتماعی یا پس زمینه‌های اجتماعی-اقتصادی باشد که عامل‌های دیگری نیز در آن‌ها نقش دارند. در نتیجه این کار، مدرسه‌ها بهتر می‌توانند بفهمند که چه چیزی منجر به بازماندگی از آموزش می‌شوند.
افزایش زمینه‌ها [و داده‌ها] سبب پیش‌بینی‌های مطمئن‌تر و ورود‌های کارآمدتر می‌شود. توانایی شناسایی روندهای ظریفی که کارشناسان انسانی ممکن است از دست بدهند نیز بسار مهم است.
3-شخصی‌سازی برنامه‌های یادگیری
فراتر از پیش‌بینی دانش‌آموزانی که با خطر ترک تحصیل روبرو هستند، هوش مصنوعی می‌تواند نرخ ترک تحصیل را کاهش دهند. همچنین می‌تواند با متناسب کردنِ درس‌ها برای تک‌تک یادگیرنده‌ها، شانس رسیدن به این نقطه را به کمترین میزان برساند. پژوهش‌ها نشان می‌دهند که یادگیری شخصی‌سازی شده به لذت بیشتر بردن از یادگیری در دانش‌آموزان با هر پیش‌زمینه‌ای می‌انجامد. این کار به نوبه خود، گردش مالی را کاهش داده و عملکرد را بهبود می‌بخشد. در حالی که هوش مصنوعی تنها راه برای متناسب‌سازی درس‌ها با افراد نیست، اما می‌تواند با برداشتنِ بسیاری از کارهای تکراری از دوش آموزگار، آموزش را آسان‌تر کند. هوش مصنوعی می‌تواند عملکرد و رفتار هر دانش‌آموز را در سناریوهای گوناگون بکاود تا بهترین کار[های آموزشی] را برای آن‌ها بیابد. سپس بر پایه‌ی این یافته‌ها، می‌تواند برنامه‌های درسی را تغییر دهد و آموزگاران را به نظارت بر درس دانش آموزان در سطح شخصی و انسانی در حین کار آن‌ها وادارد. چنین آمیخته‌ای از شخصی‌سازی مبتنی بر فناوری و پشتیبانی‌های انسان-محور می‌تواند به شکل چشم‌گیری بر میزان ماندگاری (بچه‌ها) در مدرسه موثر باشد.
چالش‌های احتمالی کاهش ترک تحصیل با هوش مصنوعی
همانگونه که هوش مصنوعی می‌تواند در این زمینه سودمند باشد، نگرانی‌های ویژه‌ی خود را نیز پدید می‌آورد. گسترده‌ترین آن‌ها در پیوند با حریم خصوص است. یادگیری با هوش مصنوعی برای دقت بیشتر به گستره‌ی فراخی از داده‌ها نیاز دارد.
ادامه متن را در اینجا بخوانید.
https://t.me/farhizesh_mag