مقدمه
پیشرفتهای سریع هوش مصنوعی نیاز به تحول در شیوههای سنتی سنجش علوم تجربی را برجسته کرده است. روشهای متداول سنجش، بهویژه سؤالهای چندگزینهای، قادر به ارزیابی کامل درک و مشارکت فعال دانشآموزان در یادگیری سهبعدی علوم نیستند و نمرهدهی روشهای مبتنی بر عملکرد نیز چالشبرانگیز است. این مقاله چگونگی حل این مسائل با هوش مصنوعی را بررسی میکند.
کاستیهای سنجش سنتی و ظهور هوش مصنوعی در آموزش علوم
پیشرفت سریع هوش مصنوعی در سالهای اخیر، تغییرات گستردهای در عرصههای گوناگون از جمله شیوههای سنجش درس علوم تجربی به همراه داشته است. شیوههای متداول سنجش علوم، غالباً بر سؤالهای چندگزینهای متکی هستند که ممکن است درک و مشارکت فعال دانشآموزان را در فعالیتهای علمی بهطور کامل نشان ندهند (Zhai and Li, 2021). این کاستی با ظهور یادگیری سهبعدی در علوم1 که شامل ادغام شیوههای مهندسی، مفاهیم اصلی بینرشتهای و فرارشتهای است، برجستهتر میشود
(National Research Council, 2012).
معلمان غالباً بیان میکنند که نمرهدهی شیوههای سنجش مبتنی بر عملکرد در علوم چالشبرانگیز است؛ فناوریها از جمله هوش مصنوعی، در تقویت یادگیری، تدریس و سنجش بهوسیله فراهمکردن یادگیری شخصیسازیشده برای فراگیرندگان ظرفیت زیادی دارند (محمدی و همکاران، 2023: 119-84).
کاربردها و نوآوریهای هوش مصنوعی در سنجش نوین علوم
یادگیری ماشین2 بهعنوان نوعی از هوش مصنوعی، به دلیل توانایی نمرهدهی خودکار به پاسخهای نوشتاری و مدلهای ترسیمشده، چشماندازی برای بهبود شیوههای سنجش ارائه میدهد. همچنین با قدرت یادگیری ماشین میتوان سنجشهای شخصیسازیشده و انطباقیتر را توسعه بخشید و بازخورد بهموقع به دانشآموزان داد (Jiao & Lissitz, 2020؛ Zhai & Li, 2021). بنابراین، در این رویکرد، ارزیابیها بر اساس علاقهها و مهارتهای فردی دانشآموزان طراحی میشوند تا انگیزه دانشآموزان تقویت شود و آنها بتوانند دانش و تواناییهای خود را به بهترین شکل نشان دهند (Arslan & et al,. 2024). شخصیسازی موارد (آیتمها) میتواند با ادغام زمینههای موردعلاقه دانشآموزان صورت گیرد و حتی خستگی یا اضطراب دانشآموزان را در حین انجام یک وظیفه تشخیص دهد و سؤالها را طوری تنظیم کند که آنها به حالت آرامتری برگردند (Standen & et al,. 2020).
هوش مصنوعی همچنین در افزایش پاسخگویی در ارزیابی یادگیرندگان چندزبانه نقش مهمی ایفا میکند. این امر با ارائه تسهیلاتی مانند ترجمه به زبان موردعلاقه یادگیرنده محقق میشود؛ بهویژه در شرایطی که زبان جنبه اصلی سازه مورد ارزیابی نباشد. همچنین، هوش مصنوعی با استفاده از سایر روشهای ارزیابی مانند نقاشی، ارزیابی را برای طیف گستردهای از یادگیرندگان فراگیر میکند (Arslan & et al,. 2024).
یکی از کاربردهای عملی هوش مصنوعی، ساخت محیطهای مجازی است که در آن دانشآموزان میتوانند با چهرکها (آواتارها) و دستورالعملها تعامل داشته باشند و همچنین آزمایشهای گوناگون شیمی را در محیطی ایمن تجربه کنند. این فناوریها از طریق مفهومسازی و دانش فضایی به بهبود یادگیری دانشآموزان کمک میکنند و به دانشآموزان اجازه میدهند دانش خود را به روشهای خلاقانه و نوآورانه به نمایش بگذارند (Clark & et al,. 2025).
ارزیابیهای پنهان3 از دیگر طراحیهای نوآورانه هستند که هوش مصنوعی میتواند آنها را متحول کند. این نوع ارزیابی، تسلط دانشآموزان را بر دانش، درک و فهم و مهارت را در محیطهای تعاملی و غوطهور مانند بازیها اندازهگیری میکند. در این روش، با مشاهده تعامل دانشآموز در طول تجربه بازی، شواهد جمعآوری میشوند. پیشرفتهای هوش مصنوعی امکان ثبت و تفسیر تعاملها و پاسخهای دانشآموزان را در محیط یادگیری دیجیتال فراهم کرده است. برای مثال، با ارزیابی بازی ویدئویی «پلنتز زامبی 2»4 میتوان مهارتهای کاربر از جمله درک دادهها و محدودیتهای مسئله، برنامهریزی و استفاده مؤثر از ابزارها را تحلیل کرد
(Shute & et al., 2021).
جمعبندی
هوش مصنوعی ظرفیت عظیمی در تحول سنجش در آموزش علوم دارد. با استفاده از یادگیری ماشین میتوانیم به سمت سنجشهای شخصیسازیشده و انطباقی حرکت کنیم که نهتنها فراتر از سؤالهای چندگزینهای هستند، بلکه با تشخیص علاقهها و حالتهای دانشآموزان، انگیزه و مشارکت آنها را به حداکثر میرسانند. توسعه محیطهای مجازی تعاملی و ارزیابیهای پنهان، امکان سنجشهای جامعتر و فراگیرتر را فراهم میآورد. برای بهرهبرداری کامل از این ظرفیت، توصیه میشود همکاری بین متخصصان هوش مصنوعی و آموزش تقویت شود تا ابزارهای نوین سنجش بهطور مؤثر در برنامههای درسی ادغام شوند.
پینوشتها
1. Three-dimensional thinking in science
2. Machine-Learning
3. Stealth assessments
4. Plants vs. Zombies 2