۱٫ معرفی
هوش مصنوعی به سرعت در حال توسعه است و تأثیر زیادی بر زندگی ما دارد [
۱,
۲]. هوش مصنوعی این پتانسیل را دارد که با بهینه‌سازی استفاده از منابع، کاهش ضایعات و افزایش کارایی در بخش‌های مختلف، پیشرفت‌های قابل توجهی در پایداری ایجاد کند. [
۳]. کشورهای سراسر جهان، از جمله ایالات متحده، چین و بریتانیا، با شناخت پتانسیل آن، در حال تدوین سیاست های ملی برای ادغام هوش مصنوعی در سیستم های آموزشی خود هستند. ابتدا، در ایالات متحده، آموزش هوش مصنوعی با استفاده از یادگیری ماشین مورد تاکید است و انجمن پیشرفت هوش مصنوعی (AAAI) و انجمن معلمان علوم کامپیوتر (CSTA) یک نهاد مشترک به نام “ابتکار AI4K12” تشکیل داده و در حال اجرا هستند. [
۴]. از طریق این نهاد مشترک، آنها دستورالعمل های ملی برای آموزش هوش مصنوعی برای K-12، برنامه های درسی استاندارد و برنامه های آموزشی معلمان را توسعه و تحقیق می کنند. پس از ارائه ضرورت آموزش هوش مصنوعی از طریق “برنامه توسعه نسل بعدی هوش مصنوعی”، دولت چین توزیع کتاب های درسی هوش مصنوعی، پلتفرم های آنلاین و مدارس آزمایشی هوش مصنوعی را از طریق آموزش هوش مصنوعی Zhilong X اجرا کرد تا هوش مصنوعی را در آموزش مدارس معرفی کند. [
۵]. در بریتانیا، به دانش‌آموزان معادل دانش‌آموزان مدارس ابتدایی در کره، درک، نوشتن، اشکال‌زدایی و پیش‌بینی برنامه‌ها و همچنین مهارت‌هایی برای ایجاد محتوای دیجیتال آموزش داده می‌شود. آنها همچنین نحوه استفاده از نرم‌افزار برای دستیابی به اهداف با استفاده از داده‌ها را آموزش می‌دهند، و با تشخیص نیاز به آموزش هوش مصنوعی، پلتفرم‌هایی مانند یادگیری ماشینی برای کودکان (ML4K) را توسعه داده‌اند تا به دانش‌آموزان اجازه دهند مستقیماً برنامه‌هایی ایجاد کنند که مشکلات داده‌هایی مانند متن را حل کند. تصاویر و اعداد [
۶]. در راستای این روند جهانی، کره اخیراً هدف خود را پرورش سواد دیجیتال در برنامه درسی اصلاح شده ۲۰۲۲ برای برآورده کردن شایستگی های مورد نیاز جامعه آینده است. از نظر آموزش اطلاعات، بر ضرورت آموزش همگرایی تاکید شد تا دانش آموزان بتوانند فناوری های نوآورانه دیجیتالی پیشرفته مانند هوش مصنوعی و داده های بزرگ را درک کنند و از آنها استفاده کنند. با شروع ورود آموزش هوش مصنوعی به آموزش ابتدایی و متوسطه، اهمیت آموزش داده به عنوان یک زمینه اساسی هوش مصنوعی بیشتر مورد تاکید قرار می گیرد. [
۷].
با این حال، علیرغم شناخت روزافزون اهمیت هوش مصنوعی و آموزش علوم داده، چالش ها و موانع قابل توجهی برای گنجاندن این موضوعات در برنامه های درسی K-12 وجود دارد. یکی از چالش‌های اصلی، فقدان آموزش معلمان و تخصص در این زمینه‌ها است، همانطور که توسط آن برجسته شده است [
۸]. بسیاری از معلمان ممکن است دانش و مهارت لازم برای آموزش موثر مفاهیم هوش مصنوعی و علوم داده را نداشته باشند، زیرا اینها حوزه های نسبتاً جدیدی هستند و به سرعت در حال تکامل هستند. [
۹]. برای ادغام موفقیت آمیز این موضوعات در برنامه درسی، ارائه آموزش کافی و فرصت های توسعه حرفه ای برای مربیان بسیار مهم است.
اصطلاح Big Data ارتباط نزدیکی با توسعه هوش مصنوعی دارد و به عنوان فناوری اطلاعاتی تعریف می‌شود که فراتر از معنای ساده داده‌های بزرگ مقیاس در اشکال مختلف است تا با تجزیه و تحلیل داده‌ها به روش‌های مختلف اطلاعات ارزشمندی را استخراج کند و تغییرات آینده را پیش‌بینی کند. [
۱۰]. همانطور که اصطلاح “داده های بزرگ” ظهور کرد، اصطلاح “علم داده” (DS) نیز به طور طبیعی رایج شد. علم داده ویژگی های داده ها را بر اساس داده ها تحلیل و استنباط می کند [
۱۱]. همانطور که کل جهان در حال تغییر به یک جامعه مبتنی بر داده است، توانایی دانش آموزان برای درک و استفاده از داده ها در زمینه آموزشی اخیر بسیار مورد تاکید قرار گرفته است. در این رابطه، دانش‌آموزان باید «سواد داده»، توانایی خواندن و استفاده از داده‌ها را پرورش دهند [
۱۲]. مرجع. [
۱۳] مفهوم سواد داده های علمی (SDL) را ارائه کرد که توانایی مدیریت داده های مرتبط با علم به ویژه در بین سواد داده ای است و بر توانایی درک و استفاده از داده های علمی تأکید کرد. دو اثر را می توان از طریق آموزش SDL انتظار داشت. اول، دانش آموزان می توانند توانایی درک و استفاده از داده های لازم برای فرآیند پرس و جو را داشته باشند، و دوم، دانش آموزان می توانند مهارت های حرفه ای مرتبط با مدیریت داده ها مانند جمع آوری داده ها، پردازش، تجزیه و تحلیل و ارزیابی را کسب کنند. SDL به توانایی هایی در جنبه های مختلف مدیریت داده ها نیاز دارد. به طور خاص، در فرآیند جمع آوری داده ها، توانایی درک و طراحی فرآیند جمع آوری داده ها از طریق مشاهده، آزمایش و بررسی مورد نیاز است. در فرآیند پردازش و تجزیه و تحلیل داده ها، توانایی درک و استفاده از تکنیک ها برای پیش پردازش داده ها، توانایی یافتن و رسیدگی به خطاها یا موارد پرت، توانایی درک و به کارگیری روش های تحلیل آماری، و توانایی شناسایی الگوها یا روندها با استفاده از تجسم داده ها. تکنیک ها مورد نیاز است. علاوه بر این، توانایی ارزیابی داده‌های لازم برای نتیجه‌گیری نیازمند توانایی ارزیابی پایایی و اعتبار داده‌ها و توانایی تفسیر داده‌ها و نتایج از طریق استنتاج آماری و آزمون معناداری است. [
۱۳].
با این حال، ر. [
۱۴] اشاره کرد که در محیط‌های آموزشی واقعی، معلمان اغلب با این چالش مواجه می‌شوند که نیاز به ارائه داده‌های از پیش پردازش شده مناسب برای تجزیه و تحلیل دارند تا دانش‌آموزان بتوانند داده‌های دقیق را تجزیه و تحلیل کنند، نه اینکه به دانش‌آموز اجازه دهند کل فرآیند جمع‌آوری، پردازش و داده‌ها را تجربه کنند. تحلیل و بررسی.
چالش دیگر محدودیت منابع و زیرساخت های موجود برای اجرای آموزش هوش مصنوعی و علوم داده است [
۱۵]. مدارس و مؤسسات آموزشی، به ویژه آنهایی که در مناطق محروم هستند، ممکن است فاقد فناوری، نرم افزار و سخت افزار لازم برای پشتیبانی از این برنامه ها باشند. [
۱۳]. ایجاد محتوای متناسب با سن و حصول اطمینان از پیشرفت منسجم مهارت ها و دانش در سطوح پایه نیز برای اجرای موثر ضروری است، اما می تواند دشوار باشد.
نگرانی های اخلاقی و حفظ حریم خصوصی در مورد استفاده از هوش مصنوعی و علم داده در آموزش چالش های بیشتری را ایجاد می کند. جمع‌آوری، ذخیره‌سازی و استفاده از داده‌های دانش‌آموز مسائل مهمی را مطرح می‌کند که باید برای اطمینان از عملکردهای مسئولانه و قابل اعتماد مورد توجه قرار گیرد. [
۱۶]. همچنین باید تلاش هایی برای اطمینان از دسترسی برابر به هوش مصنوعی و آموزش علوم داده برای همه دانش آموزان، صرف نظر از پیشینه اجتماعی-اقتصادی یا موقعیت جغرافیایی آنها، انجام شود تا شکاف دیجیتالی پر شود و فرصت هایی برای گروه های کم نمایندگی فراهم شود. [
۱۴].
علیرغم این چالش ها، اهمیت و ضرورت تحقیق در مورد ترکیب هوش مصنوعی و آموزش علوم داده را نمی توان اغراق کرد. با رواج فزاینده ای این فناوری ها در صنایع مختلف، تجهیز دانش آموزان به دانش و مهارت های مورد نیاز برای موفقیت در دنیایی که به سرعت در حال تغییر است، بسیار مهم است. تحقیق در مورد استراتژی‌های مؤثر برای گنجاندن این موضوعات در آموزش، به اطمینان از آمادگی دانش‌آموزان برای مشاغل و چالش‌های آینده کمک می‌کند. [
۱۰]. هدف این مطالعه کمک به این تلاش مهم با ایجاد معیارهایی برای مجموعه داده های آموزشی متناسب با سطوح مختلف مدرسه است.
علاوه بر این، هوش مصنوعی و آموزش علوم داده می تواند به دانش آموزان کمک کند تا تفکر انتقادی، حل مسئله و تفکر محاسباتی را توسعه دهند که برای پرورش نوآوری و مقابله با مشکلات پیچیده در حوزه های مختلف ضروری است. با درگیر شدن با برنامه‌های کاربردی دنیای واقعی و رویکردهای مبتنی بر داده، دانش‌آموزان می‌توانند یاد بگیرند که راه‌حل‌ها را توسعه دهند و به تغییرات اجتماعی مثبت کمک کنند. [
۱۱]. تحقیق در مورد بهترین شیوه ها برای پرورش این مهارت ها از طریق هوش مصنوعی و آموزش علوم داده برای استفاده از پتانسیل کامل این فناوری ها برای بهبود جامعه بسیار مهم است.
به طور خلاصه، در حالی که چالش ها و موانع قابل توجهی برای ترکیب آموزش هوش مصنوعی و علوم داده وجود دارد، اهمیت و ضرورت تحقیق در این زمینه را نمی توان نادیده گرفت. با پرداختن به این چالش‌ها و بهره‌گیری از بینش‌های به‌دست‌آمده از تحقیقات، می‌توانیم اطمینان حاصل کنیم که دانش‌آموزان به خوبی برای آینده آماده شده‌اند و به مهارت‌ها و دانش لازم برای استفاده از پتانسیل کامل هوش مصنوعی و علم داده به نفع جامعه مجهز هستند. این مطالعه بر توسعه استانداردهایی برای مجموعه داده های آموزشی برای حمایت از آموزش موثر علوم داده در سطوح مختلف مدرسه و موضوعات مختلف تمرکز دارد.
۳٫ روش تحقیق
۳٫۱٫ شرح و ویژگی های مجموعه داده آموزشی برای K-12
بر اساس بینش‌های به‌دست‌آمده از بررسی ادبیات جامع در مورد فرآیندهای علم داده، روش‌های استفاده از داده‌ها در آموزش مدرسه، و استانداردهای مجموعه آموزشی موجود، ما مجموعه‌ای از معیارها را برای مجموعه داده‌های آموزشی متناسب با سطوح مختلف مدرسه پیشنهاد می‌کنیم. معیارهای پیشنهادی مراحل پیش پردازش داده ها را با مراحل رشد فراگیران همسو می کند و اطمینان می دهد که مجموعه داده ها برای توانایی های شناختی و اهداف یادگیری آنها مناسب است.
برای اعمال این مجموعه داده آموزشی در محیط مدرسه، مربیان باید تصمیم بگیرند که آیا از داده های اولیه یا ثانویه با توجه به اهداف یادگیری استفاده کنند. مربیان می توانند نحوه ارائه داده های ثانویه به دانش آموزان را بر اساس سختی تقسیم کنند. دشواری داده ها به ترتیب سطح ۱، سطح ۲، سطح ۳ و سطح ۴ کم است. داده های سطح ۱ داده های کاملی هستند که فراگیران نیازی به پیش پردازش آنها ندارند، سطح ۲ به دانش آموزان اجازه می دهد تا پیش پردازش را در یک مجموعه داده واحد تجربه کنند، سطح ۳ داده ها به دانش آموزان اجازه می دهد تا فرآیندهای پیش پردازش را تجربه کنند و داده های سطح ۴ به دانش آموزان امکان می دهد تمام فرآیندهای پیش پردازش از جمله یکپارچه سازی داده ها را تجربه کنند. به طور خاص، سطح ۱ سطح داده ای است که از طریق آن زبان آموزان می توانند به راحتی علم داده را تجربه کنند و این داده های نهایی است که تمام فرآیندهای پیش پردازش را پشت سر گذاشته اند. اگر داده‌های سطح ۱ در اختیار فراگیران قرار گیرد، فراگیران می‌توانند داده‌ها را با استفاده از داده‌های به خوبی انتخاب شده بدون تجربه فرآیند پیش‌پردازش پیچیده داده‌ها تجزیه و تحلیل کنند. این به زبان آموزان اجازه می دهد تا نتایج دقیق تر و تمیز تری از مجموعه داده ها بگیرند و بیشتر بر تجزیه و تحلیل داده ها تمرکز کنند.
جدول ۳ توضیحات و ویژگی های پیشنهادی مجموعه داده های آموزشی را برای هر سطح مدرسه ارائه می دهد.
مجموعه داده های آموزشی برای هر سطح مدرسه با توجه به مرحله رشد فراگیران به پنج مرحله تقسیم می شود.
در مرحله ۱، مربوط به کلاس های ۱ تا ۴ دبستان، یادگیرندگان داده های ساخت یافته را مدیریت می کنند و از مجموعه داده هایی استفاده می کنند که به طور کامل توسط مربی از قبل پردازش شده است. این به یادگیرندگان اجازه می دهد تا بدون نیاز به پیش پردازش داده ها بر روی وظایف اصلی تجزیه و تحلیل داده ها تمرکز کنند، زیرا آنها هنوز در حال توسعه مهارت های پایه سواد داده هستند.
در مرحله ۲، مربوط به کلاس های ۵ تا ۶ مدرسه ابتدایی، فراگیران در این سطح با تکنیک های اساسی پاکسازی داده ها، مانند حذف داده های غیر ضروری، تحت راهنمایی مربی آشنا می شوند. این به آنها کمک می کند تا اهمیت کیفیت داده ها و نیاز به پیش پردازش داده ها را درک کنند، بدون اینکه آنها را با تکنیک های پیشرفته تر تحت فشار قرار دهند.
در مرحله ۳، مربوط به کلاس های ۱ تا ۳ مدرسه راهنمایی، فراگیران علاوه بر پاکسازی داده ها، تکنیک های پیش پردازش داده های پیشرفته تری مانند گسسته سازی و تبدیل داده ها را تجربه می کنند. آنها یاد می گیرند که ویژگی ها را اضافه کنند یا داده های غیر ضروری را از مجموعه داده های ارائه شده توسط مربی حذف کنند، و درک عمیق تری از چگونگی تأثیر پیش پردازش داده ها بر تجزیه و تحلیل داده ها ایجاد کنند.
در مرحله ۴، مربوط به کلاس های ۱ تا ۳ دبیرستان، فراگیران در فرآیندهای مختلف پیش پردازش، از جمله یکپارچه سازی داده ها، تمیز کردن، گسسته سازی، و تبدیل شرکت می کنند. منابع داده‌ها، روش‌های جمع‌آوری و روش‌های پیش‌پردازش در اختیار آنها قرار می‌گیرد، اما باید به طور مستقل موارد پرت و ارزش‌های گمشده را شناسایی و مدیریت کنند و تفکر انتقادی و مهارت‌های حل مسئله را تقویت کنند.
در نهایت، در مرحله ۵، برای معلمان (بزرگسالان)، از فراگیران انتظار می رود که کل فرآیند از جمع آوری داده ها تا پیش پردازش را به طور مستقل طراحی کنند. این سطح برای معلمان و زبان آموزان بزرگسالی طراحی شده است که به درک جامعی از فرآیند علم داده نیاز دارند تا به طور مؤثر دانش آموزان خود را راهنمایی کنند یا از تکنیک های علم داده در زندگی حرفه ای خود استفاده کنند.
به این ترتیب مجموعه داده های آموزشی برای هر سطح مدرسه به طور سیستماتیک با توجه به مرحله رشد یادگیرندگان ساختار می یابد. فراگیران فرآیندهای مختلف پیش پردازش داده را در هر مرحله تجربه می کنند و به تدریج می توانند شایستگی پردازش داده خود را توسعه دهند.
۳٫۲٫ روش های پژوهش
ابتدا، یک مرور ادبیات جامع در مورد فرآیندهای علم داده، روش‌های استفاده از داده‌ها در آموزش مدرسه، و استانداردهای مجموعه داده‌های آموزشی موجود، همانطور که در پیش‌زمینه نظری ذکر شد، انجام می‌شود. بینش به‌دست‌آمده از بررسی ادبیات برای ایجاد پیش‌نویس معیارها برای مجموعه داده‌های آموزشی متناسب با سطوح مختلف مدرسه (K-1 تا ۴، K-5 تا ۶، K-7 تا ۹، K-10 تا ۱۲، و معلمان/بزرگسالان استفاده می‌شود. ).
اندازه و پیچیدگی مجموعه داده های آموزشی می تواند بسته به اهداف یادگیری مورد نظر و مرحله رشد دانش آموزان متفاوت باشد. برای دانش‌آموزان جوان‌تر (K-1 تا ۴)، مجموعه داده‌ها معمولاً از نظر اندازه کوچک‌تر و پیچیده‌تر هستند و بر ساختار داده‌های ساده و وظایف تحلیل اساسی تمرکز دارند. با پیشرفت دانش آموزان در سطوح پایه، اندازه و پیچیدگی مجموعه داده ها افزایش می یابد و امکان تجزیه و تحلیل پیشرفته و فعالیت های حل مسئله را فراهم می کند.
در مرحله بعد، یک نظرسنجی تخصصی دلفی و مصاحبه های گروهی متمرکز با نمونه ای متشکل از ۲۲ معلم مدارس ابتدایی و متوسطه دارای مدرک کارشناسی ارشد یا بالاتر در آموزش همگرایی هوش مصنوعی برای ارزیابی اعتبار معیارهای توسعه یافته انجام می شود. [
۳۲]. روش دلفی به دلیل توانایی آن برای جمع‌آوری اجماع از پانل متخصصان از طریق دورهای متعدد پرسشنامه، برای اطمینان از ارزیابی جامع معیارها انتخاب شد. داده های پیمایشی جمع آوری شده با استفاده از آمار توصیفی و نسبت روایی محتوا مورد تجزیه و تحلیل قرار گرفت.
CVR) مقادیر برای تعیین اعتبار کلی معیارها [
۳۳].
برای این منظور پرسشنامه ای برای پاسخگویی به تناسب سطح مدرسه، تناسب توصیف مرحله به مرحله، فرمت ارائه داده ها، مناسب بودن فرآیند پیش پردازش داده ها و تناسب ویژگی های مرحله به مرحله مجموعه داده تهیه شد. این نظرسنجی برای پاسخ به درجه اعتبار در مقیاس لیکرت ۵ درجه‌ای تشکیل شده بود، و اگر پاسخ «مناسب (۳ امتیاز یا کمتر)» بود، ساختار آن به گونه‌ای بود که دلیل یا جهت تجدیدنظر را توضیح دهد. ترکیب اقلام در پرسشنامه تدوین شده به شرح زیر است
جدول ۴. نسبت اعتبار محتوا (
CVR) برای تعیین اعتبار کلی معیارها محاسبه شد. را
CVR یک معیار آماری است که برای تعیین کمیت میزان توافق کارشناسان در مورد ارتباط موارد خاص استفاده می شود [
۳۳]. را
CVR روشی است که به طور گسترده برای کمی کردن میزان توافق بین متخصصان استفاده می شود، با مقادیری از -۱ تا +۱٫ آ
CVR 0 نشان می دهد که ۵۰٪ از کارشناسان موافق هستند که یک مورد ضروری است، در حالی که مقادیر نزدیک به +۱ سطوح بالاتر توافق را نشان می دهد. مقیاس برای محاسبه
CVR به طور کلی از یک مقیاس ۵ نقطه ای استفاده می کند و فرمول به شرح زیر است.
ن تعداد کل پانل هایی است که پاسخ دادند و
نه تعداد مواردی است که به “معتبر” پاسخ داده اند. حداقل
CVR مقدار با توجه به تعداد پنل های خبره ۲۲ عدد تقریباً ۰٫۴۰ است.
مجموعه داده‌های آموزشی می‌توانند طیف وسیعی از فعالیت‌های یادگیری را پشتیبانی کنند، مانند تجسم داده‌ها، تجزیه و تحلیل آماری، یادگیری ماشینی و حل مسئله مبتنی بر داده‌ها. این فعالیت‌ها برای کمک به دانش‌آموزان برای توسعه تفکر انتقادی، تفکر محاسباتی و مهارت‌های سواد داده‌ای طراحی شده‌اند که برای موفقیت در نیروی کار قرن بیست و یکم ضروری است.
در نهایت، بر اساس یافته‌های کمی و کیفی، معیارهای مجموعه آموزشی با ترکیب توصیه‌های متخصص برای افزایش اعتبار و کاربرد عملی آنها در K-12 AI و آموزش علوم داده، پالایش و نهایی می‌شوند.
۵٫ بحث
نتایج اعتبار تخصصی اعتبار بالایی را برای مراحل ۱ تا ۴ نشان داد، که نشان می‌دهد مجموعه داده‌های آموزشی به خوبی برای مراحل رشد دانش‌آموزان K-12 مناسب است. با این حال، مرحله ۵، که معلمان و بزرگسالان را هدف قرار می دهد، نمرات اعتبار پایین تری را نشان داد. این یافته با [
۳۴]، که روند مشابهی را مشاهده کردند که در آن برنامه های آموزش علوم داده برای سطوح ابتدایی، راهنمایی و دبیرستان بسیار معتبر بودند اما اعتبار آنها برای آموزش بزرگسالان، به ویژه برای معلمان کاهش یافت. این نتایج حاکی از شکافی در اثربخشی برنامه‌های آموزشی فعلی علوم داده برای معلمان است، که بر نیاز به مجموعه داده‌های آموزشی ویژه و برنامه‌های آموزشی جداگانه تأکید می‌کند که می‌تواند به طور موثر شایستگی‌های علم داده را در بین مربیان افزایش دهد. این رویکرد مناسب تضمین می‌کند که معلمان نه تنها مصرف‌کنندگان آموزش علوم داده‌اند، بلکه در به‌کارگیری مؤثر مفاهیم علم داده در شیوه‌های آموزشی خود نیز مهارت دارند.
در مرحله ۱، پیش پردازش داده ها به عمد حذف می شود تا با توانایی های شناختی دانش آموزان مدرسه ابتدایی هماهنگ شود، که معمولاً به جای دستکاری داده های پیچیده، بر مقادیر گسسته داده تمرکز می کنند. مطابق با [
۳۵]در این مرحله اولیه آموزشی، دانش‌آموزان برای درگیر شدن با داده‌های بدون ساختار که نیازی به پیش پردازش ندارند، مناسب‌تر هستند، که تعامل آنها با اطلاعات را ساده‌تر می‌کند. این رویکرد به زبان آموزان اجازه می دهد تا به طور مستقیم نقاط داده های فردی را بدون پیچیدگی تمیز کردن یا تبدیل داده ها مشاهده و تفسیر کنند. چنین روشی سودمند است، زیرا کنجکاوی اولیه و درک بنیادی داده ها را پرورش می دهد، مرحله رشد دانش آموزان را که در آن تمرکز بر مشاهده ملموس و فوری داده ها است، تطبیق می دهد و درک شهودی بیشتری از مفاهیم پایه علم داده را تقویت می کند.
در مرحله ۲ از چارچوب مجموعه داده آموزشی، فراگیران با وظایف اولیه پاکسازی داده ها آشنا می شوند که شامل حذف داده های غیر ضروری است. این مرحله به عنوان یک گام اولیه برای جنبه‌های فنی‌تر علم داده عمل می‌کند، اما برای دانش‌آموزان جوان‌تر، مانند دانش‌آموزان کلاس‌های ۵ تا ۶ مدرسه ابتدایی، قابل دسترسی است. مجموعه داده‌های مورد استفاده توسط مربی برای اطمینان از ارتباط و مدیریت پذیری تنظیم می‌شوند. این مقدمه کنترل شده منعکس کننده اصول طراحی است که توسط [
۳۶]، که در آن استفاده از مقادیر باینری برای متغیرها و محدودیت متغیرهای مستقل فرآیند یادگیری را ساده می کند. این ساده سازی به ایجاد درک اساسی از چگونگی تأثیر مستقیم کیفیت داده بر نتایج تحلیلی کمک می کند و دانش آموزان را برای کارهای پیچیده تر آماده می کند.
مرحله ۳ تعامل فراگیران با مجموعه داده ها را با معرفی آنها به فرآیند افزودن یا اصلاح ویژگی ها و پالایش بیشتر داده ها از طریق پاکسازی، گسسته سازی و تغییر شکل می دهد. این مرحله بسیار مهم است زیرا دانش آموزان دوره راهنمایی را تشویق می کند تا نقش فعال تری در آماده سازی داده های خود برای تجزیه و تحلیل داشته باشند. مرجع. [
۳۷] اهمیت چنین ابزارهای علم داده را برجسته می کند که تبدیل و تجسم را ممکن می کند، که در این مرحله یکپارچه هستند. با اجازه دادن به دانش‌آموزان برای دستکاری داده‌ها و دیدن نتایج تنظیمات خود، آنها درک عمیق‌تری از نحوه تأثیر آماده‌سازی داده‌ها بر نتایج اکتشافی و نهایی تحلیلی به دست می‌آورند و درک عملی دستکاری داده‌ها را تقویت می‌کنند.
در مرحله ۴، وظایف آموزشی پیچیده تر می شود و با اهداف برنامه درسی دبیرستان هماهنگ می شود که شامل یکپارچه سازی داده ها و تکنیک های پردازش پیشرفته مانند تمیز کردن، گسسته سازی و تبدیل می شود. از دانش‌آموزان در این سطح انتظار می‌رود مقادیر پرت و مقادیر گمشده را شناسایی و تصحیح کنند، بنابراین از یکپارچگی و قابلیت استفاده داده‌ها اطمینان حاصل کنند. نویسندگان از [
۳۸] بر اهمیت تألیف داده ها، که در این مرحله حیاتی است، تأکید کنید. با درگیر کردن دانش‌آموزان در این وظایف سطح بالاتر، آنها نه تنها مهارت‌های فنی لازم برای مدیریت مؤثر داده‌ها را یاد می‌گیرند، بلکه مهارت‌های تفکر انتقادی را در هنگام تصمیم‌گیری در مورد چگونگی آماده‌سازی و نمایش داده‌ها برای اهداف تحلیلی خاص، توسعه می‌دهند.
مرحله ۵ از چارچوب مجموعه داده آموزشی چالش های قابل توجهی را ایجاد می کند، زیرا لازم است که فراگیران، به ویژه معلمان و بزرگسالان، به طور مستقل کل فرآیند علم داده، از جمع آوری داده ها تا پیش پردازش را مدیریت کنند. این مرحله نمرات اعتبار پایین تری را از کارشناسان دریافت کرد، که ممکن است نشان دهنده کمبود عمومی در آمادگی یا تخصص موجود در بین یادگیرندگان بزرگسال در تسلط بر شیوه های جامع علم داده باشد. بازخورد ارزیابی بر نیاز حیاتی به پشتیبانی ساختاریافته و منابع آموزشی مناسب برای توانمندسازی بزرگسالان برای طراحی و اجرای کارآمد جریان‌های کاری علم داده تاکید می‌کند. عدم کفایتی که در این مرحله برجسته شده است، ضرورت برنامه های آموزشی تخصصی را برجسته می کند که مجهز به زیربنای نظری و تیزبینی عملی لازم برای انتشار مؤثر دانش علم داده در محیط های آموزشی به مربیان باشد.
این مشاهدات با نگرانی‌هایی که قبلاً ذکر شده بود، همسو است [
۸]با توجه به کمبود قابل مشاهده در شایستگی علوم داده در بین مربیان. پاسخ دهندگان نظرسنجی از آغاز مداخلات آموزشی با معلمان مبتدی از طریق دسترسی به داده ها و آموزش های بعدی حمایت کردند. این رویکرد بر ضرورت یک فرآیند یادگیری تجربی و تدریجی در علم داده برای بزرگسالان تأکید می کند، همانطور که در بازخوردهای حوزه آموزشی منعکس شده است. علاوه بر این، کارشناسان بر اهمیت مدیریت مجموعه داده‌هایی که به موضوعی خاص و در عین حال به اندازه کافی همه‌کاره هستند تا در رشته‌های مختلف ادغام شوند، تأکید کردند. این استراتژی نشان می‌دهد که آموزش هوش مصنوعی باید از مرزهای موضوعی سنتی فراتر رود و روشی بین‌رشته‌ای در آموزش علوم داده را ترویج کند، همانطور که توسط [
۳۹]. این رویکرد نه تنها فراگیری آموزشی را افزایش می‌دهد، بلکه کاربرد و ارتباط علم داده را در زمینه‌های مختلف دانشگاهی نیز گسترش می‌دهد.
بر اساس نتایج CVR و بازخورد کارشناسان، استانداردهای مجموعه داده های آموزشی، به ویژه برای مرحله ۵، که معلمان و یادگیرندگان بزرگسال را هدف قرار می دهد، تجدید نظر شد. سه سطح جدید برای بزرگسالان تعریف و شامل شد. هدف این تجدیدنظرها رسیدگی به شکاف در اثربخشی برنامه‌های آموزشی فعلی علوم داده برای معلمان و یادگیرندگان بزرگسال است. با ارائه مجموعه داده‌های آموزشی مناسب و برنامه‌های آموزشی جداگانه، هدف افزایش مؤثر شایستگی‌های علم داده در بین مربیان و اطمینان از مهارت آنها در به کارگیری مفاهیم علم داده در شیوه‌های آموزشی است. استانداردهای بازنگری شده همچنین بر اهمیت مدیریت مجموعه داده‌هایی تأکید می‌کنند که در عین حال به اندازه کافی همه‌کاره هستند تا در رشته‌های مختلف ادغام شوند. این یک روش بین رشته‌ای را در آموزش علوم داده ترویج می‌کند، گنجاندن آموزشی را افزایش می‌دهد و کاربرد و ارتباط علم داده را در زمینه‌های مختلف دانشگاهی گسترش می‌دهد.
چارچوب مجموعه داده آموزشی پیشنهادی شباهت هایی با تحقیقات و دستورالعمل های موجود در آموزش علوم داده دارد، مانند تأکید بر ترکیب داده های دنیای واقعی و تجربیات عملی و اهمیت معرفی مفاهیم علم داده در دبیرستان. [
۲۵,
۲۶,
۲۷]. با این حال، چارچوب ما فراتر از این اصول گسترش می‌یابد تا یک رویکرد جامع و توسعه‌یافته متناسب با نیازهای خاص زبان‌آموزان در هر سطح کلاس از K-12 ارائه کند. در حالی که تحقیقات موجود اهمیت درک داده ها را در آموزش علوم داده K-12 برجسته می کند [
۲۸]چارچوب ما با پیشنهاد پیشرفت ساختار یافته مهارت‌ها و تکنیک‌های پیش‌پردازش داده در مراحل مختلف توسعه فراتر می‌رود. با تراز کردن پیچیدگی وظایف پیش پردازش داده ها با توانایی های شناختی دانش آموزان در هر مرحله، چارچوب ما تضمین می کند که دانش آموزان می توانند به تدریج سواد داده و مهارت های تفکر محاسباتی خود را به شیوه ای متناسب با سطح کلاس خود ایجاد کنند.
۶٫ نتیجه گیری
۶٫۱٫ مشارکت نظری
این مطالعه با کاوش در حوزه تحت تحقیق طبقه بندی سیستماتیک سطوح دشواری در منابع آموزشی، کمک نظری قابل توجهی به حوزه مجموعه داده ها و مواد آموزشی می کند. تحقیقات قبلی عمدتاً بر جنبه های ابتدایی مانند ساختار داده ها و استفاده از داده های بدون ساختار متمرکز بوده است. [
۱۳,
۱۴,
۴۰]. با این حال، یک چارچوب جامع برای طبقه بندی سطوح پیچیدگی مناسب برای مراحل مختلف آموزشی به طور قابل توجهی وجود ندارد. این تحقیق با معرفی یک چارچوب ساختاریافته که مجموعه داده های آموزشی را بر اساس مراحل رشد فراگیران و پیچیدگی مورد نیاز وظایف پیش پردازش داده ها دسته بندی می کند، به این شکاف می پردازد. این چارچوب یادگیری عملی و آموزش های یادگیری فعال را برای تقویت آموزش پایدار ترویج می کند. علاوه بر این، این مطالعه بر اهمیت برنامه‌های پل مؤثر برای حمایت از انتقال فراگیران بین سطوح مختلف آموزشی تأکید می‌کند.
یکی از یافته‌های کلیدی این تحقیق، نقش حیاتی اعتبار سنجی تخصصی در توسعه مواد آموزشی، به‌ویژه در بخش‌های علوم و آموزش مبتنی بر داده است. مطالعات قبلی به اندازه کافی ترکیب سیستماتیک نظرات متخصص در توسعه منابع آموزشی را بررسی نکرده اند، شکافی که در ادبیات مربوط به استفاده از فناوری ها و منابع داده در محیط های آموزشی مشهود است. [
۸]. این مطالعه با انجام یک بررسی اعتبار تخصصی که معیارهای پیش نویس مجموعه داده های آموزشی در آموزش هوش مصنوعی ابتدایی و متوسطه را ارزیابی می کند، مجموعه دانش موجود را غنی می کند، بنابراین بر اهمیت مشارکت متخصص همانطور که توسط پیشنهاد شده تاکید می کند. [
۹].
علاوه بر این، نتایج اعتبار سنجی از این مطالعه درجه بالایی از پذیرش معیارهای داده پیشنهادی را در بین سطوح آموزش ابتدایی و متوسطه نشان می‌دهد. این با لی، ویلکرسون، ۲۰۱۸، که بر ضرورت مدیریت داده‌ها و داربست آموزشی متناسب با سن تاکید کرد، همسو است. [
۳۸]. برعکس، نمرات اعتبار سنجی پایین مشاهده شده برای مجموعه داده های در نظر گرفته شده برای مربیان بزرگسال، نیاز حیاتی به طرح های داده های متناسب و استراتژی های آموزشی را برای بهبود شایستگی های علم داده در بین معلمان برجسته می کند و یافته های [
۸]، و پژواک [
۳۶]، که از یادگیری تدریجی و تجربی در آموزش بزرگسالان دفاع می کنند.
علاوه بر این، این مطالعه بحث های نظری را در مورد پتانسیل بین رشته ای آموزش هوش مصنوعی گسترش می دهد. اهمیت ایجاد مجموعه داده های همه کاره را که می توانند برای موضوعات مختلف تطبیق داده و در حوزه های برنامه درسی متنوع ادغام شوند، برجسته می کند. اهمیت رویکرد فراسوژه به آموزش هوش مصنوعی توسط چارچوب های قبلی مانند دستورالعمل های GAISE II برای آمار پیش دانشگاهی و آموزش علوم داده پشتیبانی شده است و بیشتر در [
۳۹]. این نشان‌دهنده حرکتی به سمت یک مدل برنامه درسی یکپارچه است که ماهیت چند وجهی علم داده را در بر می‌گیرد و امکان کاربرد بیشتر در سراسر رشته‌های آموزشی را فراهم می‌کند.
پیامدهای این مطالعه برای محققانی که به دنبال کشف بیشتر ادغام هوش مصنوعی و علم داده در برنامه های درسی آموزشی هستند عمیق است. این مطالعه بیشتر در مورد اجرای مؤثر رویکردهای بین رشته ای و توسعه منابع آموزشی که برای دانش آموزان و مربیان در تمام مراحل یادگیری قابل دسترسی و مرتبط هستند دعوت می کند. با تداوم تمرکز بر این حوزه ها، محققان آموزشی می توانند به توسعه فناوری ها و روش های آموزشی مؤثرتر، فراگیر و جامع تر کمک کنند.
علاوه بر این، ماهیت میان رشته ای آموزش هوش مصنوعی، همانطور که توسط پاسخ دهندگان در این مطالعه تاکید شده است، با اصول آموزش برای توسعه پایدار (ESD) همسو است. هدف ESD توانمندسازی فراگیران برای تصمیم گیری آگاهانه و انجام اقدامات مسئولانه برای یکپارچگی زیست محیطی، دوام اقتصادی و یک جامعه عادلانه است. [
۴۱]. این مطالعه با توسعه مجموعه داده‌هایی که برای موضوعات مختلف قابل اجرا هستند و ادغام آنها در برنامه درسی، رویکردی بین‌رشته‌ای به آموزش هوش مصنوعی را ترویج می‌کند که می‌تواند توسعه تفکر انتقادی، حل مسئله و مهارت‌های تصمیم‌گیری لازم برای توسعه پایدار را تقویت کند. [
۴۲].
۶٫۲٫ مفهوم عملی
یافته های این مطالعه پیامدهای عملی قابل توجهی برای ذینفعان مختلف در زمینه آموزش هوش مصنوعی اعم از معلمان، دانش آموزان، مؤسسات آموزشی و دولت دارد.
برای معلمان، این مطالعه نیاز به آموزش جداگانه و طراحی مجموعه داده را برای افزایش صلاحیت علم داده آنها برجسته می کند. امتیاز اعتبار نسبتاً پایین برای مرحله معلم بزرگسال در بررسی تخصصی نشان می دهد که معلمان برای آموزش مؤثر مفاهیم هوش مصنوعی و علوم داده به آموزش و منابع تخصصی نیاز دارند. مؤسسات آموزشی و دولت باید توسعه و اجرای برنامه‌های توسعه حرفه‌ای را که دانش و مهارت‌های لازم را برای ادغام آموزش هوش مصنوعی در شیوه‌های آموزشی خود به معلمان ارائه می‌دهد، در اولویت قرار دهند. این برنامه ها باید بر تجربیات گام به گام با مجموعه داده ها تمرکز کنند و بر کاربرد عملی اصول علم داده در محیط کلاس تأکید کنند.
دانش‌آموزان از یافته‌های این مطالعه بهره زیادی خواهند برد. نمرات روایی بالا برای توصیف مرحله به مرحله و ویژگی های معیارهای مجموعه آموزشی برای دانش آموزان ابتدایی و متوسطه نشان می دهد که مجموعه داده ها و مواد به خوبی طراحی شده می توانند به طور موثر از یادگیری دانش آموزان در آموزش هوش مصنوعی حمایت کنند. مؤسسات آموزشی باید در توسعه مجموعه داده‌ها و مواد متناسب با سن سرمایه‌گذاری کنند که با برنامه درسی همسو باشد و تجربیات عملی در تجزیه و تحلیل داده‌ها، تجسم و تفسیر را به دانش‌آموزان ارائه دهد. با درگیر شدن با این منابع، دانش آموزان می توانند مهارت های تفکر انتقادی، حل مسئله و سواد داده را که برای موفقیت در قرن بیست و یکم ضروری است، توسعه دهند.
مؤسسات آموزشی نقش مهمی در اجرای آموزش هوش مصنوعی دارند. این مطالعه بر اهمیت توسعه مجموعه داده‌هایی که برای موضوعات مختلف قابل استفاده هستند و ادغام آنها در برنامه درسی تأکید می‌کند. مؤسسات آموزشی باید رویکردی بین رشته‌ای را برای آموزش هوش مصنوعی اتخاذ کنند و اطمینان حاصل کنند که مجموعه داده‌ها و مواد به یک موضوع خاص محدود نمی‌شوند، بلکه در موضوعات مختلف ادغام می‌شوند. این رویکرد می تواند درک جامع تری از هوش مصنوعی و کاربردهای آن را در بین دانش آموزان تقویت کند. علاوه بر این، موسسات آموزشی باید با شرکای صنعتی و کارشناسان در این زمینه همکاری کنند تا اطمینان حاصل کنند که مجموعه داده ها و مواد مورد استفاده در کلاس درس مرتبط، به روز و همسو با برنامه های کاربردی دنیای واقعی هستند.
دولت نقش حیاتی در حمایت از اجرای آموزش هوش مصنوعی دارد. یافته های این مطالعه بر نیاز دولت به تخصیص منابع و بودجه برای توسعه مجموعه داده ها و مواد آموزشی و همچنین آموزش معلمان در علم داده و هوش مصنوعی تاکید می کند. دولت همچنین باید خط‌مشی‌ها و دستورالعمل‌هایی را وضع کند که ادغام آموزش هوش مصنوعی در برنامه درسی را ارتقا دهد و اطمینان حاصل کند که همه دانش‌آموزان به منابع و آموزش با کیفیت بالا دسترسی دارند. با سرمایه گذاری در آموزش هوش مصنوعی، دولت می تواند به آماده سازی نسل بعدی دانش آموزان برای چالش ها و فرصت های عصر دیجیتال کمک کند.
۶٫۳٫ محدودیت ها و مسیرهای تحقیقاتی آینده
در حالی که این مطالعه بینش های ارزشمندی را در مورد توسعه مجموعه داده های آموزشی و مواد برای آموزش هوش مصنوعی ارائه می دهد، بدون محدودیت نیست. حجم نمونه پیمایش اعتبار خبرگان نسبتاً کوچک است و تحقیقات آتی باید گسترش نمونه را در نظر بگیرد تا گروه بزرگتر و متنوع تری از متخصصان را در بر گیرد. علاوه بر این، این مطالعه در درجه اول بر زمینه کره جنوبی متمرکز است و تحقیقات بیشتری برای بررسی قابلیت تعمیم یافته ها به سایر محیط های آموزشی و زمینه های فرهنگی مورد نیاز است.
تحقیقات آتی همچنین باید اثربخشی معیارهای داده پیشنهادی را در عمل، با پیاده‌سازی و ارزیابی استفاده از مجموعه‌های داده‌ها و مواد توسعه‌یافته بر اساس این معیارها در محیط‌های کلاس درس واقعی بررسی کند. این می‌تواند بازخورد و بینش ارزشمندی را در مورد کاربرد عملی یافته‌ها ارائه دهد و به اصلاحات و بهبودهای بیشتر در معیارها اطلاع دهد.
