رضایت روزافزون دانشجویان و دانش آموزان از چت بات ها! کاربردی ترین ابزار برای یادگیری شخصی سازی شده ...

خلاصه مقاله : چت‌بات‌ها به‌عنوان ابزاری امیدوارکننده برای ارائه بازخورد به دانشجویان و کمک به استفاده از استراتژی‌های فراشناختی در فرآیندهای یادگیری شناخته می‌شوند. در این مطالعه، با 57 دانشجوی دانشگاه (42 دانشجوی کارشناسی و 15دانشجوی کارشناسی ارشد در علوم سلامت) کار شد. از روش تحقیق ترکیبی استفاده شد. مطالعه کمّی تأثیر متغیرهای سطح تحصیلی (کارشناسی در مقابل کارشناسی ارشد) و سطح دانش قبلی بر میزان استفاده از چت‌بات، نتایج یادگیری و رضایت از کارایی چت‌بات را بررسی کرد. همچنین، بررسی شد که آیا میزان استفاده از چت‌بات به استراتژی‌های فراشناختی دانشجویان بستگی دارد یا خیر. مطالعه کیفی پیشنهادات دانشجویان برای بهبود چت‌بات و نوع سؤالات آن را تحلیل کرد. نتایج نشان داد که سطح تحصیلی بر میزان استفاده از چت‌بات و نتایج یادگیری تأثیر داشت و دانشجویان کارشناسی ارشد در هر دو مورد سطح بالاتری نشان دادند. با این حال، دانش قبلی تنها بر نتایج یادگیری تأثیرگذار بود. تفاوت معناداری در رضایت دانشجویان از چت‌بات وجود داشت که دانشجویان کارشناسی ارشد رضایت بیشتری نشان دادند، اما این تفاوت به سطح دانش قبلی مربوط نبود. نتایج قاطعانه‌ای در مورد ارتباط بین میزان استفاده از چت‌بات و استراتژی‌های فراشناختی دانشجویان یافت نشد. تحقیقات بیشتری برای بهبود چت‌بات‌ها بر اساس پیشنهادات دانشجویان لازم است.

مقدمه

جامعه مدرن همواره در حال تحول است و پیشرفت‌های فناوری و بحران کووید-19 نیاز به تغییر در طراحی و اجرای فرآیند آموزش-یادگیری را نشان داده‌اند. این تغییر شامل استفاده از فناوری‌های پیشرفته مانند "اینترنت اشیاء" و روش یادگیری ترکیبی (b-Learning) است. پلتفرم‌های تعاملی مانند سیستم‌های مدیریت یادگیری (LMS) امکان استفاده از منابع آموزشی متنوع (دستیارهای مکالمه، واقعیت مجازی/افزوده، آزمایشگاه‌های مجازی و غیره) را فراهم می‌کنند. مفهوم دانشگاه هوشمند (Smart University) بر استفاده از این منابع با طراحی آموزشی مؤثر تأکید دارد. هدف اصلی، تقویت یادگیری خودتنظیمی (SRL) و افزایش استفاده از استراتژی‌های فراشناختی است. چت‌بات‌ها به‌عنوان یکی از ابزارهای هوشمند امیدبخش در این زمینه مطرح شده‌اند.

بررسی پیشینه

2.1 خودتنظیمی، یادگیری و فناوری‌های پیشرفته یادگیری (ALT):
استفاده از فناوری‌های پیشرفته یادگیری در فضاهای مجازی می‌تواند فرآیندهای یادگیری خودتنظیمی را تقویت کند، زیرا یادگیری فردی را تشویق کرده و انگیزه و استفاده از استراتژی‌های فراشناختی پیچیده‌تر را افزایش می‌دهد. بر اساس تعریف فلاول، فراشناخت شامل دانش درباره دانش خود و فرآیندهای شناختی مرتبط است. او بین دانش بیانی ("دانستن چه چیزی") و دانش رویه‌ای ("دانستن چگونه") تمایز قائل شد. این چارچوب توسط سایر محققان مانند وینمن برای توضیح فراشناخت گسترش یافته است. چهار نوع استراتژی فراشناختی شامل:

1. جهت‌گیری: تعیین الزامات شناختی یک وظیفه.
2. برنامه‌ریزی: توالی‌بندی مراحل حل مسئله.
3. ارزیابی: نظارت و ارزیابی اثربخشی مراحل حل مسئله.
4. بسط‌دهی: بازتاب درباره عملکرد خود و اصلاح روش‌ها در حین کار.

این طبقه‌بندی با مدل آموزشی "چه چیزی، چه زمانی، چرا و چگونه" (WWWH) و سایر تحقیقات مرتبط شده است و در این مطالعه مورد استفاده قرار گرفته است.

شکل 1

شکل ۱. استراتژی‌های پشتیبانی فراشناختی و اطلاعاتی: ارتباط بین نظریه‌های رومن و پوگیولی (2013) و وینمن و همکاران (2006).

به همین دلیل، ارزیابی استراتژی‌های فراشناختی دانشجویان مهم است، زیرا استفاده از این استراتژی‌ها به طور مستقیم با نتایج یادگیری مؤثر مرتبط است. با این حال، تحقیقات دیگر نشان داده‌اند که تفاوت‌هایی بین نتایج ارزیابی استراتژی‌های فراشناختی با استفاده از روش‌های آنلاین (تحلیل اطلاعات در حین حل مسئله) و روش‌های آفلاین (پرسشنامه درباره درک استفاده از استراتژی‌های فراشناختی) وجود دارد. طبق مطالعات ون در استل و وینمن، همبستگی بین نتایج اندازه‌گیری این دو روش ضعیف است، زیرا روش دوم به ادراک فرد از استفاده از استراتژی اشاره دارد که ممکن است تحت تأثیر حافظه بلندمدت قرار گیرد و این امر می‌تواند ادراک واقعی استفاده از استراتژی را تحریف کند. با این حال، روش اول شاخص‌های قابلیت اطمینان قوی‌تری دارد. بنابراین، هر دو روش باید برای جمع‌آوری اطلاعات و مقایسه نتایج استفاده شوند.

یک جنبه مهم دیگر در مطالعه استفاده از استراتژی‌های فراشناختی این است که به نظر می‌رسد استفاده از استراتژی‌های پیچیده‌تر (برنامه‌ریزی، ارزیابی و بسط‌دهی) به سطح دانش پیشین یادگیرنده بستگی دارد. دانش پیشین در مورد موضوع مرتبط با یادگیری مؤثرتر است، اگرچه این رابطه در طول فرآیند یادگیری تغییر می‌کند. با پیشرفت فرآیند یادگیری، استفاده از استراتژی‌های فراشناختی افزایش می‌یابد که به رفتار متفاوت در طول زمان اشاره دارد. این امر نیاز به تحلیل نحوه استفاده از یادگیری خودتنظیمی (SRL) در طول زمان را تأیید می‌کند.

در این چارچوب، یکی از منابع فناوری‌های پیشرفته یادگیری (ALT) که امیدبخش است—به ویژه برای دانشجویان آموزش عالی—استفاده از چت‌بات‌های تعبیه‌شده در سیستم‌های مدیریت یادگیری (LMS) است. این ابزارها، که عوامل مکالمه‌ای هستند، دانشجویان را ترغیب می‌کنند که به عمل خود بیندیشند، زیرا پرسش از چت‌بات نشان‌دهنده تأمل بر محتوای درس یا موضوع مورد یادگیری است. تحلیل پاسخ چت‌بات نیز به یادگیرنده کمک می‌کند تا از استراتژی‌های فراشناختی برای ارزیابی و بسط‌دهی استفاده کند، که این امر یادگیری خودتنظیمی و خودمختاری در حل مسائل را تقویت می‌کند. بنابراین، استفاده از چت‌بات‌ها به عنوان فرصتی برای به‌کارگیری آسان‌تر استراتژی‌های فراشناختی در محیط‌های یادگیری ترکیبی (b-Learning) مطرح می‌شود. هرچند مشکلات فنی مربوط به به‌روزرسانی فناوری مورد نیاز چت‌بات‌ها و همچنین عدم تمایل به استفاده از آنها، به ویژه در میان دانشجویان دانشگاهی، مرتبط با محرمانگی داده‌ها و مهارت‌های فناوری مورد نیاز معلمان و دانشجویان برای استفاده از این منابع وجود دارد.

۲.۲ استفاده از دستیارهای شخصی هوشمند یا چت‌بات‌ها در فرآیند آموزش-یادگیری

استفاده از عوامل مکالمه‌ای، از جمله چت‌بات‌ها، برای تقویت یادگیری یک عمل نوظهور است اما هنوز رایج نشده است. چت‌بات‌ها ابزارهایی هستند که جنبه‌های هوش مصنوعی (AI) و پردازش زبان طبیعی را ترکیب می‌کنند و امکان تعامل مکالمه‌ای با انسان را فراهم می‌کنند. این تعاملات عمدتاً از طریق متن و صدا صورت می‌گیرند و ممکن است چندرسانه‌ای نیز باشند، مانند ترکیب تصویر و ویدئو. از ابتدا، چت‌بات‌ها با قابلیت آموزش و راهنمایی طراحی شده‌اند تا وظایفی را انجام دهند. هدف نهایی ارائه کمک به انسان از طریق برنامه‌ریزی ماشینی برای تعامل در زمان واقعی است.

امروزه چت‌بات‌ها در زمینه‌های سلامت به طور گسترده استفاده می‌شوند و اثربخشی آنها ثابت شده است. به‌طور خاص، چت‌بات‌هایی که از AI، NLP و یادگیری عمیق (DL) استفاده می‌کنند، به نظر می‌رسد مؤثرترین باشند، اما تحقیقات بیشتری در این زمینه مورد نیاز است.

۲.۳ طراحی و توسعه چت‌بات برای پشتیبانی آموزشی در آموزش عالی

چت‌بات‌ها انواع مختلفی دارند، از جمله دستیارهای صوتی، متنی و چندرسانه‌ای. ساختار آنها بر پایه استفاده از AI و NLP بنا شده است. طراحی چت‌بات‌ها به کار وایزنباوم بازمی‌گردد که بر اساس ایده شبیه‌سازی تورینگ توسعه یافت و در زمینه تعامل بیمار-روان‌درمانگر استفاده شد.

ساختار پیشنهادی وایزنباوم بر زبان طبیعی و سیستم پرسش-پاسخ متکی بود. این سیستم مفاهیمی مانند شناسایی نیت کاربر (Intent)، درک متن تولید شده توسط کاربر (Utterance) و پردازش زمینه‌ای (Context) را شامل می‌شود. نمونه‌هایی از این معماری در دستیارهای مکالمه‌ای مانند Siri اپل و Alexa آمازون دیده می‌شود.

با این حال، چالش‌های فنی برای ادغام موفقیت‌آمیز آنها در محیط‌های آموزشی وجود دارد. تحقیقات نشان داده‌اند که دانشجویان به دلیل نگرانی از حریم خصوصی مکالمات خود و مهارت‌های فناوری پایین، نسبت به استفاده از این ابزارها تمایلی نشان نمی‌دهند. بنابراین، توسعه چت‌بات‌ها در محیط‌های آموزشی فرآیندی پیچیده است که نیازمند تحقیقات بیشتر برای پیشرفت و بهبود طراحی و عملکرد آنهاست.

این تحقیقات باید بر رضایت کاربران و پیشنهادهای آن‌ها برای بهبود چت‌بات‌ها متمرکز شود. علاوه بر این، فیدان و جنسل استفاده از چت‌بات‌ها را به‌عنوان ابزاری برای تنظیم و ارائه بازخورد در یادگیری، به‌ویژه در یادگیری ترکیبی، مؤثر دانسته‌اند.

شکل 2 نموداری از وضعیت فعلی موضوع مطالعه ما را نشان می‌دهد.

شکل 2