سیستم‌های چندعاملی هوش مصنوعی، که هر عامل نقش متفاوتی مانند معلم، همیار یا بازبین دارد، فرصت‌های نوآورانه‌ای برای یادگیری شخصی‌سازی‌شده فراهم می‌کنند. با این حال، نحوه تعامل دانشجویان با این عوامل و اثر آن بر نتایج یادگیری و انگیزه هنوز به‌طور کامل بررسی نشده بود.

هدف این پژوهش، بررسی دینامیک تعامل دانشجو با هوش مصنوعی در محیط‌های آنلاین چندعاملی و تعیین چگونگی تأثیر این تعاملات بر یادگیری، انگیزه و پذیرش تکنولوژی بوده است.

روش انجام پژوهش

برای انجام این تحقیق از پلتفرمی تحت عنوان MAIC استفاده شد که چند عامل هوش مصنوعی را فعال می‌کند. در این پروژه، ۳۰۵ دانشجو شرکت داشتند و در مجموع ۱۹٬۳۶۵ خط گفتگو میان دانشجویان و عوامل هوش مصنوعی ثبت شد.

تحلیل داده‌ها شامل مقایسه نمرات پیش‌آزمون و پس‌آزمون، بررسی خودگزارش انگیزه و ارزیابی پذیرش فناوری بود. برای شناسایی الگوهای رفتاری از تحلیل ترتیبی تاخیر (Lag‑Sequential Analysis) استفاده شد و دانشجویان بر اساس سطح دانش اولیه به دو گروه «دانش اولیه کمتر» و «دانش اولیه بیشتر» تقسیم شدند.

نتایج کلیدی

این پژوهش دو الگوی اصلی تعامل دانشجو با عامل هوش مصنوعی را شناسایی کرد:

1. هم‌ساخت دانش (Co‑Construction of Knowledge): دانشجو و عامل هوش مصنوعی فعالانه به ساخت مشترک دانش می‌پردازند.

2. خود‑تنظیمی دانش (Co‑Regulation of Knowledge): دانشجو نقش خودتنظیمی دارد و عامل هوش مصنوعی نقش حمایتی ایفا می‌کند.

نتایج نشان دادند:

• دانشجویانی که دانش اولیه کمتری داشتند، بیشتر از الگوی هم‌ساخت استفاده کردند و بهبود یادگیری چشمگیری داشتند.

• دانشجویانی که دانش اولیه بیشتری داشتند، به الگوی خودتنظیمی گرایش داشتند ولی میزان بهبود یادگیری آن‌ها کمتر بود.

• پذیرش تکنولوژی در بین تمام گروه‌ها افزایش یافته و تعامل با سیستم‌های هوش مصنوعی باعث ارتقای عملکرد کلی شد.

به طور خلاصه، سیستم‌های چندعاملی هوش مصنوعی قادرند نیازهای متنوع دانشجویان را برآورده کنند، تعامل متنوع ایجاد کنند و شکاف عملکردی بین دانشجویان با سطوح مختلف دانش را کاهش دهند.

اهمیت و کاربردها

این پژوهش اهمیت بالای سیستم‌های هوش مصنوعی تعاملی در محیط‌های آموزشی را نشان می‌دهد:

• برای دانشجویان با دانش پایه کمتر، تعامل فعال با هوش مصنوعی فرصت ویژه‌ای برای افزایش یادگیری فراهم می‌کند.

• طراحی سیستم‌های آموزشی باید اجازه دهد الگوهای متفاوت تعامل برای گروه‌های مختلف دانشجویان ایجاد شود.

• دانشجویان رشته کامپیوتر و علاقه‌مندان به پردازش متن و هوش مصنوعی می‌توانند از این پروژه به عنوان الگو برای طراحی عامل‌های هوش مصنوعی پشتیبان دانشجو استفاده کنند و تأثیر آن را بر نتایج یادگیری بررسی نمایند.

• این پروژه نمونه‌ای عالی برای افزودن به رزومه و انگیزه‌نامه جهت اپلای و بورسیه‌های تحصیلی است، زیرا نشان‌دهنده تسلط دانشجویان بر طراحی سیستم‌های هوش مصنوعی تعاملی است.

نکات قابل توجه و محدودیت‌ها

• بررسی طولانی‌تر (چند ماهه) ممکن است نتایج پایدارتری درباره تثبیت یادگیری ارائه دهد.

• نمونه محدود به گروه خاصی از دانشجویان بوده است و تعمیم نتایج به همه دانشجویان نیازمند تحقیقات بیشتر است.

• جمع‌آوری داده تعامل شامل گفتگو، زمان پاسخ و نوع سوالات، بخش مهم طراحی چنین پروژه‌هایی است.

• تمرکز بر تعامل فعال و پشتیبانی ویژه دانشجویان با دانش پایه کمتر، کلید موفقیت پروژه‌های مشابه است.

 این پروژه نشان داد که هوش مصنوعی چندعاملی می‌تواند تجربه یادگیری شخصی‌سازی‌شده را بهبود دهد، شکاف‌های دانشجویان با سطوح مختلف دانش را کاهش دهد و تعامل آموزشی موثرتری ایجاد کند. آینده آموزش با ترکیب هوش مصنوعی و تعامل انسانی، مسیر روشنی برای ارتقای یادگیری فراهم خواهد کرد.