شکل دادن به آینده یادگیری
نقش هوش مصنوعی در آموزش ۴.۰
گزارش بینشی آوریل ۲۰۲۴
تهیه شده در مجمع جهانی اقتصاد
(بخش پنجم)
این مقاله اولین مقاله در مجموعه مقالات مجمع جهانی اقتصاد درباره آموزش و هوش مصنوعی است که به بررسی حوزههای خاصی میپردازد که هوش مصنوعی میتواند آموزش ۴.۰ را توانمند سازد و نمونههای عملی را نشان میدهد که میتواند الهامبخش رهبران و متخصصان جهانی باشد.
فصل اول چارچوبی برای استفاده بالقوه از هوش مصنوعی در آموزش با شناسایی چالشهای کلیدی که به کاهش عملکرد دانشآموزان منجر میشود ارائه میدهد: شکاف جهانی معلمان، شکاف در فرآیندهای ارزیابی اداری و شکاف مهارتهای دیجیتال جهانی.
فصل دوم به بررسی نوید هوش مصنوعی در آموزش میپردازد - در بهینهسازی نقش معلمان، پشتیبانی از تصمیمگیری و مدیریت، پیشبرد تجارب یادگیری شخصیسازی شده و ادغام هوش مصنوعی در برنامههای درسی آموزشی.
فصل سوم مطالعات موردی را که با همکاری اتحادیه آموزش ۴.۰ جمعآوری شده است ارائه میدهد تا تقاطع آموزش و هوش مصنوعی را برجسته کند و راهنمایی عملی درباره چگونگی استفاده از فناوریهای جدید هوش مصنوعی در سیستمهای آموزشی امروز ارائه دهد.
این مقاله با بازتابی کوتاه درباره سرمایهگذاریها و تلاشهای سیاستی مورد نیاز برای به حداکثر رساندن فرصتها و به حداقل رساندن خطرات، و همچنین مجموعه بعدی اقدامات و ابتکارات که انتظار میرود از اتحادیه آموزش ۴.۰ مجمع جهانی اقتصاد در سالهای ۲۰۲۴-۲۰۲۵ پدیدار شود، به پایان میرسد.
@Modern_Learning_for_GenZ
نقش هوش مصنوعی در آموزش ۴.۰
گزارش بینشی آوریل ۲۰۲۴
تهیه شده در مجمع جهانی اقتصاد
(بخش پنجم)
این مقاله اولین مقاله در مجموعه مقالات مجمع جهانی اقتصاد درباره آموزش و هوش مصنوعی است که به بررسی حوزههای خاصی میپردازد که هوش مصنوعی میتواند آموزش ۴.۰ را توانمند سازد و نمونههای عملی را نشان میدهد که میتواند الهامبخش رهبران و متخصصان جهانی باشد.
فصل اول چارچوبی برای استفاده بالقوه از هوش مصنوعی در آموزش با شناسایی چالشهای کلیدی که به کاهش عملکرد دانشآموزان منجر میشود ارائه میدهد: شکاف جهانی معلمان، شکاف در فرآیندهای ارزیابی اداری و شکاف مهارتهای دیجیتال جهانی.
فصل دوم به بررسی نوید هوش مصنوعی در آموزش میپردازد - در بهینهسازی نقش معلمان، پشتیبانی از تصمیمگیری و مدیریت، پیشبرد تجارب یادگیری شخصیسازی شده و ادغام هوش مصنوعی در برنامههای درسی آموزشی.
فصل سوم مطالعات موردی را که با همکاری اتحادیه آموزش ۴.۰ جمعآوری شده است ارائه میدهد تا تقاطع آموزش و هوش مصنوعی را برجسته کند و راهنمایی عملی درباره چگونگی استفاده از فناوریهای جدید هوش مصنوعی در سیستمهای آموزشی امروز ارائه دهد.
این مقاله با بازتابی کوتاه درباره سرمایهگذاریها و تلاشهای سیاستی مورد نیاز برای به حداکثر رساندن فرصتها و به حداقل رساندن خطرات، و همچنین مجموعه بعدی اقدامات و ابتکارات که انتظار میرود از اتحادیه آموزش ۴.۰ مجمع جهانی اقتصاد در سالهای ۲۰۲۴-۲۰۲۵ پدیدار شود، به پایان میرسد.
@Modern_Learning_for_GenZ
👍1
شکل دادن به آینده یادگیری
نقش هوش مصنوعی در آموزش ۴.۰
گزارش بینشی آوریل ۲۰۲۴
تهیه شده در مجمع جهانی اقتصاد
(بخش ششم)
فصل اول
۱. سیستمهای آموزشی جهانی در یک نقطه عطف
این فصل سه چالش کلیدی که بخش آموزش با آن روبروست و میتواند از طریق ادغام بیشتر فناوری، از جمله هوش مصنوعی، برطرف شود را معرفی میکند.
اول، کمبود جهانی معلمان مانع مهمی برای بهبود نتایج آموزشی است و انتظار میرود تقاضا برای آموزگاران در سالهای آینده افزایش یابد.
دوم، معلمان زمان قابل توجهی را صرف وظایف اداری میکنند که بر زمان آنها برای تمرکز بر تعاملات باکیفیت با دانشآموزان تأثیر میگذارد.
سوم، اکثر سیستمهای آموزشی در بستن شکاف مهارتهای دیجیتال عقب هستند - عاملی حیاتی در تضمین اشتغالپذیری آینده دانشآموزان و همچنین توسعه استعداد و آگاهی اخلاقی لازم در نسل بعدی برای توسعه و استقرار مسئولانه فناوریهای نوظهور.
۱.۱ شکاف جهانی معلمان
سازمان آموزشی، علمی و فرهنگی ملل متحد (یونسکو) پیشبینی میکند که تا سال ۲۰۳۰ به ۴۴ میلیون معلم اضافی برای تحقق اهداف بلندپروازانه هدف ۴ توسعه پایدار (SDG) نیاز خواهد بود، که هدف آن تضمین آموزش فراگیر و عادلانه و ترویج فرصتهای یادگیری مادامالعمر برای همه است. این شکاف حاد و رو به رشد معلمان هم بر اقتصادهای توسعهیافته و هم در حال توسعه تأثیر میگذارد. با این حال، این کمبود بهویژه در آفریقای زیر صحرا حاد است، جایی که برای ارائه آموزش همگانی کودکان تا سال ۲۰۳۰ به ۱۵ میلیون معلم اضافی نیاز خواهد بود.
این نیاز با اختلال در بازارهای کار جهانی و نیاز به بازآموزی، ارتقای مهارت و آموزش مادامالعمر رو به افزایش است. طبق گزارش آینده مشاغل ۲۰۲۳ مجمع جهانی اقتصاد، یک چهارم مشاغل با تحول روبرو هستند - هم کاهش و هم رشد - در پنج سال آینده و به طور متوسط بیش از ۴۰٪ از مهارتهای اصلی مورد نیاز در همه مشاغل انتظار میرود در این دوره تغییر کنند. بر این اساس، گزارش پیشبینی میکند تقاضا برای نقشهای مرتبط با آموزش، از جمله معلمان آموزش فنی و حرفهای، معلمان آموزش ویژه، و اساتید دانشگاه و آموزش عالی، همگی در میان ۱۰ موقعیت برتر با بیشترین افزایش پیشبینی شده در اشتغال قرار دارند.
سیستمهای آموزشی با بخشهای مختلف اقتصاد برای جذب فارغالتحصیلان برتر به نقشهای تدریس رقابت میکنند. مطالعات نشان میدهد که ارائه حقوق رقابتی برای حفظ معلمان و جذب افراد جدید به این حرفه ضروری است. با این حال، در بسیاری از کشورهای OECD تدریس انتخاب شغلی جذاب مالی نیست. به طور متوسط، در دوره متوسطه اول (معمولاً سه سال اول پس از آموزش ابتدایی که در بسیاری از کشورها آموزش اجباری در آن پایان مییابد)، حقوق معلمان ۱۰٪ کمتر از کارکنان آموزش عالی است؛ در برخی کشورها، این شکاف بیش از ۳۰٪ است.
مجموعه قابل توجهی از کار باید توسط دولتها و سایر ذینفعان انجام شود تا اطمینان حاصل شود که:
- گروهی از استعدادهای جدید به نیروی کار آموزشی آینده میپیوندند،
- معلمان به طور کافی حقوق دریافت میکنند.
- و تدریس به عنوان شغلی با رشد بالا و پتانسیل بالا برای آینده، موقعیتیابی میشود.
فرصتی برای هوش مصنوعی و سایر فناوریهای نوظهور وجود دارد تا با حمایت از افرادی که هماکنون در نیروی کار آموزشی هستند و اطمینان از اینکه تدریس به عنوان یک حرفه "آیندهمحور" ظهور میکند، به تحقق این اهداف کمک کنند.
@Modern_Learning_for_GenZ
نقش هوش مصنوعی در آموزش ۴.۰
گزارش بینشی آوریل ۲۰۲۴
تهیه شده در مجمع جهانی اقتصاد
(بخش ششم)
فصل اول
۱. سیستمهای آموزشی جهانی در یک نقطه عطف
این فصل سه چالش کلیدی که بخش آموزش با آن روبروست و میتواند از طریق ادغام بیشتر فناوری، از جمله هوش مصنوعی، برطرف شود را معرفی میکند.
اول، کمبود جهانی معلمان مانع مهمی برای بهبود نتایج آموزشی است و انتظار میرود تقاضا برای آموزگاران در سالهای آینده افزایش یابد.
دوم، معلمان زمان قابل توجهی را صرف وظایف اداری میکنند که بر زمان آنها برای تمرکز بر تعاملات باکیفیت با دانشآموزان تأثیر میگذارد.
سوم، اکثر سیستمهای آموزشی در بستن شکاف مهارتهای دیجیتال عقب هستند - عاملی حیاتی در تضمین اشتغالپذیری آینده دانشآموزان و همچنین توسعه استعداد و آگاهی اخلاقی لازم در نسل بعدی برای توسعه و استقرار مسئولانه فناوریهای نوظهور.
۱.۱ شکاف جهانی معلمان
سازمان آموزشی، علمی و فرهنگی ملل متحد (یونسکو) پیشبینی میکند که تا سال ۲۰۳۰ به ۴۴ میلیون معلم اضافی برای تحقق اهداف بلندپروازانه هدف ۴ توسعه پایدار (SDG) نیاز خواهد بود، که هدف آن تضمین آموزش فراگیر و عادلانه و ترویج فرصتهای یادگیری مادامالعمر برای همه است. این شکاف حاد و رو به رشد معلمان هم بر اقتصادهای توسعهیافته و هم در حال توسعه تأثیر میگذارد. با این حال، این کمبود بهویژه در آفریقای زیر صحرا حاد است، جایی که برای ارائه آموزش همگانی کودکان تا سال ۲۰۳۰ به ۱۵ میلیون معلم اضافی نیاز خواهد بود.
این نیاز با اختلال در بازارهای کار جهانی و نیاز به بازآموزی، ارتقای مهارت و آموزش مادامالعمر رو به افزایش است. طبق گزارش آینده مشاغل ۲۰۲۳ مجمع جهانی اقتصاد، یک چهارم مشاغل با تحول روبرو هستند - هم کاهش و هم رشد - در پنج سال آینده و به طور متوسط بیش از ۴۰٪ از مهارتهای اصلی مورد نیاز در همه مشاغل انتظار میرود در این دوره تغییر کنند. بر این اساس، گزارش پیشبینی میکند تقاضا برای نقشهای مرتبط با آموزش، از جمله معلمان آموزش فنی و حرفهای، معلمان آموزش ویژه، و اساتید دانشگاه و آموزش عالی، همگی در میان ۱۰ موقعیت برتر با بیشترین افزایش پیشبینی شده در اشتغال قرار دارند.
سیستمهای آموزشی با بخشهای مختلف اقتصاد برای جذب فارغالتحصیلان برتر به نقشهای تدریس رقابت میکنند. مطالعات نشان میدهد که ارائه حقوق رقابتی برای حفظ معلمان و جذب افراد جدید به این حرفه ضروری است. با این حال، در بسیاری از کشورهای OECD تدریس انتخاب شغلی جذاب مالی نیست. به طور متوسط، در دوره متوسطه اول (معمولاً سه سال اول پس از آموزش ابتدایی که در بسیاری از کشورها آموزش اجباری در آن پایان مییابد)، حقوق معلمان ۱۰٪ کمتر از کارکنان آموزش عالی است؛ در برخی کشورها، این شکاف بیش از ۳۰٪ است.
مجموعه قابل توجهی از کار باید توسط دولتها و سایر ذینفعان انجام شود تا اطمینان حاصل شود که:
- گروهی از استعدادهای جدید به نیروی کار آموزشی آینده میپیوندند،
- معلمان به طور کافی حقوق دریافت میکنند.
- و تدریس به عنوان شغلی با رشد بالا و پتانسیل بالا برای آینده، موقعیتیابی میشود.
فرصتی برای هوش مصنوعی و سایر فناوریهای نوظهور وجود دارد تا با حمایت از افرادی که هماکنون در نیروی کار آموزشی هستند و اطمینان از اینکه تدریس به عنوان یک حرفه "آیندهمحور" ظهور میکند، به تحقق این اهداف کمک کنند.
در حالی که فناوری هرگز به طور کامل جایگزین معلمان انسانی نخواهد شد، هوش مصنوعی و سایر فناوریهای نوظهور میتوانند فوراً بخشی از این شکاف را پر کنند.بسیاری از معلمان در حال حاضر مزایای چنین پشتیبانی را تأیید میکنند. به عنوان مثال، در بریتانیا، ۴۲٪ از معلمان ابتدایی و متوسطه در نوامبر ۲۰۲۳ از هوش مصنوعی مولد برای کمک به کار مدرسه خود استفاده کردند، که افزایش قابل توجهی نسبت به ۱۷٪ در آوریل ۲۰۲۳ است. در کنار مشوقهای جدید و چارچوبهای ساختاری که هدف آنها توسعه، جذب و حفظ استعداد در بخش آموزش است، دولتها، کسبوکار و جامعه مدنی میتوانند از ادغام هوش مصنوعی به عنوان ابزاری برای معلمان امروز و به عنوان مجموعه مهارت اضافی جذاب برای معلمان آینده حمایت کنند.
@Modern_Learning_for_GenZ
👍1
شکل دادن به آینده یادگیری
نقش هوش مصنوعی در آموزش ۴.۰
گزارش بینشی آوریل ۲۰۲۴
تهیه شده در مجمع جهانی اقتصاد
(بخش هفتم)
۱.۲ شکافهای اداری و ارزیابی
کمبود معلمان با بار اداری که آنها در محیط کار با آن روبرو هستند تشدید میشود.
رسیدگی به این نقاط درد که توسط معلمان و مدیران مدارس بیان شده
کاهش این بار میتواند جذابیت این بخش را بهبود بخشد که به نوبه خود میتواند به کاهش کمبود جهانی معلمان که در بخش قبلی ذکر شد کمک کند.
فرآیندهای ارزیابی ناکارآمد همچنین توانایی رهبران آموزشی در سطح منطقه، ملی و جهانی را برای تصمیمگیری به موقع و مبتنی بر داده در مورد استراتژیها و سرمایهگذاریهای آموزشی خود محدود میکند. برای مثال، در حالی که سیستمهای آموزشی هدف ارزیابی منظم درک دانشآموزان در طول سال تحصیلی را دارند، ارزیابیهای جامع که قابل مقایسه بین مدارس باشند به ندرت اتفاق میافتد. عملکرد یادگیرنده معمولاً به صورت موردی توسط مدارس و تنها سالانه توسط وزارتهای آموزش در طول بازنگری برنامه درسی ارزیابی میشود. در همین حال، مقایسههای بین کشوری، مانند آنچه از طریق برنامه ارزیابی دانشآموزان بینالمللی (PISA) OECD انجام میشود، هر سه سال یک بار صورت میگیرد. این کمبود دادههای مکرر در مورد نتایج یادگیری دانشآموزان و شکاف مهارتها، سیستمهای آموزشی را از داشتن چابکی لازم برای انطباق با نیازهای متغیر یادگیری و بازار کار باز میدارد.
@Modern_Learning_for_GenZ
نقش هوش مصنوعی در آموزش ۴.۰
گزارش بینشی آوریل ۲۰۲۴
تهیه شده در مجمع جهانی اقتصاد
(بخش هفتم)
۱.۲ شکافهای اداری و ارزیابی
کمبود معلمان با بار اداری که آنها در محیط کار با آن روبرو هستند تشدید میشود.
یک نظرسنجی اخیر از معلمان در ایالات متحده نشان داد که در حالی که آنها به طور متوسط ۵۴ ساعت در هفته کار میکنند، تنها ۴۶٪ از این زمان صرف تدریس میشود. به طور مشابه، در کشورهای OECD، معلمان مدارس متوسطه اول به طور متوسط حدود ۴۴٪ از زمان کاری خود را صرف تدریس و بقیه زمان را صرف وظایف غیر تدریس میکنند. بار وظایف تکراری اداری به طور منظم توسط معلمان و مدیران مدارس به عنوان یکی از جنبههای اصلی تأثیرگذار بر کیفیت مشاغل در بخش آموزش ذکر میشود.در آخرین نظرسنجی بینالمللی تدریس و یادگیری OECD، منبع اصلی استرس برای معلمان در آموزش ابتدایی و متوسطه اول "داشتن کار اداری بیش از حد" بوده است، به ترتیب با ۴۷٪ و ۴۸٪.
رسیدگی به این نقاط درد که توسط معلمان و مدیران مدارس بیان شده
با خودکارسازی وظایف اداری و تقویت وظایف انسانمحور میتواند به آزاد کردن زمانی کمک کند که معلمان میتوانند صرف وظایف با ارزش بالاتر کنند - مانند تعامل مستقیم با دانشآموزان، شخصیسازی محتوا برای حداکثر تأثیر یا توسعه مهارتهای آموزشی خود.
کاهش این بار میتواند جذابیت این بخش را بهبود بخشد که به نوبه خود میتواند به کاهش کمبود جهانی معلمان که در بخش قبلی ذکر شد کمک کند.
فرآیندهای ارزیابی ناکارآمد همچنین توانایی رهبران آموزشی در سطح منطقه، ملی و جهانی را برای تصمیمگیری به موقع و مبتنی بر داده در مورد استراتژیها و سرمایهگذاریهای آموزشی خود محدود میکند. برای مثال، در حالی که سیستمهای آموزشی هدف ارزیابی منظم درک دانشآموزان در طول سال تحصیلی را دارند، ارزیابیهای جامع که قابل مقایسه بین مدارس باشند به ندرت اتفاق میافتد. عملکرد یادگیرنده معمولاً به صورت موردی توسط مدارس و تنها سالانه توسط وزارتهای آموزش در طول بازنگری برنامه درسی ارزیابی میشود. در همین حال، مقایسههای بین کشوری، مانند آنچه از طریق برنامه ارزیابی دانشآموزان بینالمللی (PISA) OECD انجام میشود، هر سه سال یک بار صورت میگیرد. این کمبود دادههای مکرر در مورد نتایج یادگیری دانشآموزان و شکاف مهارتها، سیستمهای آموزشی را از داشتن چابکی لازم برای انطباق با نیازهای متغیر یادگیری و بازار کار باز میدارد.
ادغام فناوریهای هوش مصنوعی در ارزیابیهای آموزشی این پتانسیل را به آموزگاران میدهد تا بینشهای بلادرنگ و مبتنی بر داده درباره روندهای یادگیری دانشآموزان به دست آورند، نقاط قوت و ضعف را شناسایی کنند و اثربخشی آموزشی را در مقیاس بزرگ ارزیابی کنند. همچنین به ارزیابی کارآمدتر آزمونهای غیراستاندارد، اطلاعرسانی به تصمیمگیری آموزشی و توسعه برنامه درسی، و ارتقای کیفیت کلی ارائه آموزش کمک میکند.
@Modern_Learning_for_GenZ
👍2
شکل دادن به آینده یادگیری
نقش هوش مصنوعی در آموزش ۴.۰
گزارش بینشی آوریل ۲۰۲۴
تهیه شده در مجمع جهانی اقتصاد
(بخش هشتم)
۱.۳ شکافهای مهارتهای دیجیتال
با این حال، چنین تخمینهایی بر این فرض استوار است که افراد، تیمها و سازمانها توانایی و تمایل استفاده مؤثر از هوش مصنوعی و سایر ابزارهای فناوری را خواهند داشت.
در حالی که مزایای اقتصادی بالقوه هوش مصنوعی مولد و سایر فناوریهای نوظهور امیدوارکننده است، آزادسازی این ارزش به رفع مهمترین موانع بستگی دارد: کمبودهای مداوم جهانی در مهارتهای دیجیتال و استعداد هوش مصنوعی. بازار کار فعلی با کمبود قابل توجه کارگران متخصص در فناوری هوش مصنوعی روبرو است و این تقاضا آماده افزایش بیشتر است. یک نظرسنجی اخیر نشان میدهد که ۶۸٪ مدیران از شکاف متوسط تا شدید مهارتهای هوش مصنوعی گزارش میدهند. علاوه بر این، پیشرفتهای توسعه هوش مصنوعی به دلیل کمبود جهانی استعداد با مهارت در زمینههایی مانند یادگیری عمیق، پردازش زبان طبیعی و اتوماسیون فرآیند رباتیک در حال کند شدن است.
این مهارتهای دیجیتال آیندهنگر همچنین باید شامل آموزش درباره استفاده از فناوریهای جدید و همچنین چگونگی تولید و مصرف ایمن و اخلاقی فناوری باشد. توسعهدهندگان جوان باید ملاحظات اخلاقی را هنگام طراحی هوش مصنوعی درک کنند و باید آگاهی دقیقی از خطرات و پیامدهای بالقوه طراحی و استقرار هوش مصنوعی داشته باشند.
@Modern_Learning_for_GenZ
نقش هوش مصنوعی در آموزش ۴.۰
گزارش بینشی آوریل ۲۰۲۴
تهیه شده در مجمع جهانی اقتصاد
(بخش هشتم)
۱.۳ شکافهای مهارتهای دیجیتال
هوش مصنوعی مولد پتانسیل ایجاد تریلیونها دلار ارزش اقتصادی را دارد که ناشی از افزایش بهرهوری نیروی کار و ایجاد جریانهای درآمدی جدید از نوآوری محصول است.
با این حال، چنین تخمینهایی بر این فرض استوار است که افراد، تیمها و سازمانها توانایی و تمایل استفاده مؤثر از هوش مصنوعی و سایر ابزارهای فناوری را خواهند داشت.
در حالی که مزایای اقتصادی بالقوه هوش مصنوعی مولد و سایر فناوریهای نوظهور امیدوارکننده است، آزادسازی این ارزش به رفع مهمترین موانع بستگی دارد: کمبودهای مداوم جهانی در مهارتهای دیجیتال و استعداد هوش مصنوعی. بازار کار فعلی با کمبود قابل توجه کارگران متخصص در فناوری هوش مصنوعی روبرو است و این تقاضا آماده افزایش بیشتر است. یک نظرسنجی اخیر نشان میدهد که ۶۸٪ مدیران از شکاف متوسط تا شدید مهارتهای هوش مصنوعی گزارش میدهند. علاوه بر این، پیشرفتهای توسعه هوش مصنوعی به دلیل کمبود جهانی استعداد با مهارت در زمینههایی مانند یادگیری عمیق، پردازش زبان طبیعی و اتوماسیون فرآیند رباتیک در حال کند شدن است.
با این حال، هوش مصنوعی میتواند با خودکارسازی اکثر وظایف در برخی نقشها منجر به جابجایی شغلی شود. افرادی که سواد فناوری ندارند بیشتر در معرض جابجایی هستند، در حالی که افرادی که به روز هستند میتوانند در انواع مهارتها بازآموزی و ارتقا یابند، از جمله مهارت در استفاده، توسعه، توضیح یا بهکارگیری هوش مصنوعی، و احتمالاً گذار شغلی موفقی خواهند داشت.برای آمادهسازی کارگران و رفع کمبودهای جهانی دیجیتال و مهارتی در میانمدت تا بلندمدت، آموزش درباره فناوری، از جمله هوش مصنوعی، باید در آموزش مورد تأکید قرار گیرد.
این مهارتهای دیجیتال آیندهنگر همچنین باید شامل آموزش درباره استفاده از فناوریهای جدید و همچنین چگونگی تولید و مصرف ایمن و اخلاقی فناوری باشد. توسعهدهندگان جوان باید ملاحظات اخلاقی را هنگام طراحی هوش مصنوعی درک کنند و باید آگاهی دقیقی از خطرات و پیامدهای بالقوه طراحی و استقرار هوش مصنوعی داشته باشند.
@Modern_Learning_for_GenZ
❤1👍1
شکل دادن به آینده یادگیری
نقش هوش مصنوعی در آموزش ۴.۰
گزارش بینشی آوریل ۲۰۲۴
تهیه شده در مجمع جهانی اقتصاد
(بخش نهم)
فصل دوم
۲. پتانسیل هوش مصنوعی در توانمندسازی آموزش ۴.۰
این فصل راههای بالقوهای را که هوش مصنوعی میتواند شکافهای مطرح شده در فصل قبل را برطرف کند، بررسی میکند.
چهار وعده هوش مصنوعی در آموزش
۲.۱ پشتیبانی از نقشهای معلمان از طریق تقویت و خودکارسازی
پیشرفتهای جدید در هوش مصنوعی فرصتی را برای بازتعریف ماهیت و کیفیت کار در نقشهای آموزشی فراهم میکند. تحقیقات مجمع جهانی اقتصاد که با همکاری اکسنچر انجام شده، نشان میدهد که ۴۰٪ از کل زمان صرف شده برای وظایف میتواند تحت تأثیر مدلهای زبانی بزرگ (LLM) قرار گیرد. این موضوع در مورد تدریس نیز صدق میکند: در حالی که برخی از وظایف تدریس میتواند توسط این فناوریهای جدید خودکار شود، وظایف دیگر میتواند توسط LLMها تقویت یا بهبود یابد.
وظایفی که بیشترین پتانسیل را برای خودکارسازی یا جایگزینی توسط LLMها دارند، آنهایی هستند که معمولاً روتین یا تکراری هستند. در بخش آموزش، تا ۲۰٪ از زمان کاری صرف شده برای فعالیتهای دفتری و وظایف اداری، مانند بررسی حضور و غیاب، ثبتنام و سایر اشکال تحلیل دادهها، میتواند خودکار شود. وظایفی که احتمالاً بیشترین بهره را از پتانسیل تقویت LLMها میبرند، تمایل به تأکید بر ظرفیتهای تحلیلی و حل مسئله دارند. این وظایف ۸٪-۲۰٪ از زمان کاری صرف شده برای وظایف در بخش آموزش را شامل میشوند و شامل برنامهریزی درس و ارزیابی عملکرد دانشآموز میشوند.
وظایفی که بر تعاملات بین فردی مانند ارتباط رو در رو یا تعاملات فیزیکی با یادگیرندگان جوان تأکید دارند، احتمالاً تحت تأثیر LLMها قرار نمیگیرند یا توسط آنها تقویت نمیشوند، و اکثر وظایف تدریس - و نقشها - به طور برجسته در این دسته از مشاغلی قرار میگیرند که احتمالاً تحت تأثیر هوش مصنوعی قرار نمیگیرند.
@Modern_Learning_for_GenZ
نقش هوش مصنوعی در آموزش ۴.۰
گزارش بینشی آوریل ۲۰۲۴
تهیه شده در مجمع جهانی اقتصاد
(بخش نهم)
فصل دوم
۲. پتانسیل هوش مصنوعی در توانمندسازی آموزش ۴.۰
این فصل راههای بالقوهای را که هوش مصنوعی میتواند شکافهای مطرح شده در فصل قبل را برطرف کند، بررسی میکند.
چهار وعده هوش مصنوعی در آموزش
اول، ادغام هوش مصنوعی در آموزش فرصتی را برای سادهسازی مجموعه گستردهای از وظایف اداری برای معلمان فراهم میکند و به آنها اجازه میدهد زمان بیشتری را صرف تعامل با دانشآموزان کنند.در تمام این چهار حوزه فرصت، هوش مصنوعی ابزاری مکمل است که تجربه آموزشی را ارتقا میدهد، در حالی که عناصر اساسی انسانی در تدریس و یادگیری را حفظ میکند. علاوه بر این، یادگیری درباره هوش مصنوعی و مهارتهای دیجیتال - حتی از طریق روشهای سنتی - میتواند به آمادهسازی یادگیرندگان برای مشاغل فردا کمک کند.
دوم، هوش مصنوعی میتواند به معلمان در ارزیابی سریعتر یادگیرندگان و ارائه بازخورد فوری کمک کند.
سوم، هوش مصنوعی میتواند به دانشآموزان و یادگیرندگان در توسعه سواد دیجیتال، تفکر انتقادی، مهارتهای حل مسئله و خلاقیت کمک کند.
چهارم، هوش مصنوعی میتواند تجربه یادگیری را با پشتیبانی معلمان شخصیسازی کند که منجر به بهبود عملکرد تحصیلی و تطبیق بهتر با نیازهای متنوع یادگیری میشود.
۲.۱ پشتیبانی از نقشهای معلمان از طریق تقویت و خودکارسازی
پیشرفتهای جدید در هوش مصنوعی فرصتی را برای بازتعریف ماهیت و کیفیت کار در نقشهای آموزشی فراهم میکند. تحقیقات مجمع جهانی اقتصاد که با همکاری اکسنچر انجام شده، نشان میدهد که ۴۰٪ از کل زمان صرف شده برای وظایف میتواند تحت تأثیر مدلهای زبانی بزرگ (LLM) قرار گیرد. این موضوع در مورد تدریس نیز صدق میکند: در حالی که برخی از وظایف تدریس میتواند توسط این فناوریهای جدید خودکار شود، وظایف دیگر میتواند توسط LLMها تقویت یا بهبود یابد.
وظایفی که بیشترین پتانسیل را برای خودکارسازی یا جایگزینی توسط LLMها دارند، آنهایی هستند که معمولاً روتین یا تکراری هستند. در بخش آموزش، تا ۲۰٪ از زمان کاری صرف شده برای فعالیتهای دفتری و وظایف اداری، مانند بررسی حضور و غیاب، ثبتنام و سایر اشکال تحلیل دادهها، میتواند خودکار شود. وظایفی که احتمالاً بیشترین بهره را از پتانسیل تقویت LLMها میبرند، تمایل به تأکید بر ظرفیتهای تحلیلی و حل مسئله دارند. این وظایف ۸٪-۲۰٪ از زمان کاری صرف شده برای وظایف در بخش آموزش را شامل میشوند و شامل برنامهریزی درس و ارزیابی عملکرد دانشآموز میشوند.
وظایفی که بر تعاملات بین فردی مانند ارتباط رو در رو یا تعاملات فیزیکی با یادگیرندگان جوان تأکید دارند، احتمالاً تحت تأثیر LLMها قرار نمیگیرند یا توسط آنها تقویت نمیشوند، و اکثر وظایف تدریس - و نقشها - به طور برجسته در این دسته از مشاغلی قرار میگیرند که احتمالاً تحت تأثیر هوش مصنوعی قرار نمیگیرند.
در مجموع، پتانسیل خودکارسازی و تقویت LLMها برای کارهای اداری روتین و تکراری در تدریس، زمان بیشتری را برای آموزگاران فراهم میکند تا بر وظایف خلاقانه مانند طراحی برنامه درسی و البته جنبههای ضروری آموزشی تعامل بین فردی تمرکز کنند. با این حال، چنین تحولی باید به دقت طراحی و توانمند شود تا اطمینان حاصل شود که معلمان میتوانند سرعت خودکارسازی یا تقویت را مدیریت کنند و در ارتقای مهارتهای خود پشتیبانی شوند، در حالی که یاد میگیرند بر جنبههای انسانمحور شغل خود مانند بهبود روش تدریس، ارائه پشتیبانی عاطفی-اجتماعی، آموزش فردی و مشارکت والدین تمرکز کنند.
@Modern_Learning_for_GenZ
❤1
شکل دادن به آینده یادگیری
نقش هوش مصنوعی در آموزش ۴.۰
گزارش بینشی آوریل ۲۰۲۴
تهیه شده در مجمع جهانی اقتصاد
(بخش دهم)
۲.۲ پالایش ارزیابی و تحلیل در آموزش
مدلهای امروزی ارزیابی استاندارد و غیررسمی اغلب ویژگیهای خطی و زمانبر دارند، همانطور که در فصل اول بحث شد. مشابه چگونگی ارائه بازخورد فوری و شخصیسازی شده توسط معلمان خصوصی، خودکارسازی هوش مصنوعی در ارزیابیها میتواند امکان بازخورد فوری در مقیاس بزرگتر را فراهم کند، به دانشآموزان در درک اشتباهات و به معلمان در شناسایی حوزههای نیازمند بهبود کمک کند.
با این حال، چنین تحلیلهایی بهتر است با مشارکت معلمان فعال شوند. ابزارهای هوش مصنوعی میتوانند با پشتیبانی معلمانی که میتوانند نمونههای بازخورد را برای یادگیری هوش مصنوعی ارائه دهند، برنامهریزی شوند، از جمله در ارزیابی تکالیف غیر آزمونی مانند مقالات، پیشنهادات پروژه و وظایف مشابه.
علاوه بر این، پذیرش فناوریهای ارزیابی مبتنی بر بازی میتواند فشار را از روی معلمان و دانشآموزان با حذف نیاز به برگزاری آزمونهای یکباره و مهم کاهش دهد. از طریق مکانیسمهای بازخورد منظم و خودکار، دانشآموزان میتوانند در فعالیتهای یادگیری معنادار و لذتبخش که همه یادگیری در زمان واقعی تحلیل میشود، مشارکت کنند، به جای اتکا به ارزیابیهای رسمی دورهای. این تغییر از روشهای ارزیابی سنتی به تحلیل پویا و بلادرنگ پتانسیل بهبود قابل توجه تجربه آموزشی را دارد و محیطهای یادگیری انطباقی که پاسخگوی نیازهای متنوع دانشآموزان است را تقویت میکند.
رویکردهای خطی و دارای تأخیر زمانی برای ارزیابی یادگیری را به مدلهای آیندهنگر، پاسخگو و پویا تبدیل میکنند. مجموعههای داده بزرگ میتوانند نه تنها برای پاسخهای درست یا نادرست، بلکه برای درک الگوهای بزرگتر در درون و میان سیستمهای آموزشی و همچنین پیشبینی جایی که شکافهای آینده ممکن است در شهرها و مناطق پدیدار شوند، تحلیل شوند.
@Modern_Learning_for_GenZ
نقش هوش مصنوعی در آموزش ۴.۰
گزارش بینشی آوریل ۲۰۲۴
تهیه شده در مجمع جهانی اقتصاد
(بخش دهم)
۲.۲ پالایش ارزیابی و تحلیل در آموزش
مدلهای امروزی ارزیابی استاندارد و غیررسمی اغلب ویژگیهای خطی و زمانبر دارند، همانطور که در فصل اول بحث شد. مشابه چگونگی ارائه بازخورد فوری و شخصیسازی شده توسط معلمان خصوصی، خودکارسازی هوش مصنوعی در ارزیابیها میتواند امکان بازخورد فوری در مقیاس بزرگتر را فراهم کند، به دانشآموزان در درک اشتباهات و به معلمان در شناسایی حوزههای نیازمند بهبود کمک کند.
با این حال، چنین تحلیلهایی بهتر است با مشارکت معلمان فعال شوند. ابزارهای هوش مصنوعی میتوانند با پشتیبانی معلمانی که میتوانند نمونههای بازخورد را برای یادگیری هوش مصنوعی ارائه دهند، برنامهریزی شوند، از جمله در ارزیابی تکالیف غیر آزمونی مانند مقالات، پیشنهادات پروژه و وظایف مشابه.
علاوه بر این، پذیرش فناوریهای ارزیابی مبتنی بر بازی میتواند فشار را از روی معلمان و دانشآموزان با حذف نیاز به برگزاری آزمونهای یکباره و مهم کاهش دهد. از طریق مکانیسمهای بازخورد منظم و خودکار، دانشآموزان میتوانند در فعالیتهای یادگیری معنادار و لذتبخش که همه یادگیری در زمان واقعی تحلیل میشود، مشارکت کنند، به جای اتکا به ارزیابیهای رسمی دورهای. این تغییر از روشهای ارزیابی سنتی به تحلیل پویا و بلادرنگ پتانسیل بهبود قابل توجه تجربه آموزشی را دارد و محیطهای یادگیری انطباقی که پاسخگوی نیازهای متنوع دانشآموزان است را تقویت میکند.
یادگیری ماشینی و تحلیلهای مبتنی بر هوش مصنوعی میتواند سیستمهای آموزشی را چابکتر و پاسخگوتر به نیازهای فوری یادگیرنده کند. همه ذینفعان - از جمله دانشآموزان، معلمان، والدین، رهبران مدارس و وزارتخانهها - میتوانند تحلیلهای به موقع برای تصمیمگیری آگاهانه و انطباقی دریافت کنند و اساساً روشهای فعلی را متحول کنند.
رویکردهای خطی و دارای تأخیر زمانی برای ارزیابی یادگیری را به مدلهای آیندهنگر، پاسخگو و پویا تبدیل میکنند. مجموعههای داده بزرگ میتوانند نه تنها برای پاسخهای درست یا نادرست، بلکه برای درک الگوهای بزرگتر در درون و میان سیستمهای آموزشی و همچنین پیشبینی جایی که شکافهای آینده ممکن است در شهرها و مناطق پدیدار شوند، تحلیل شوند.
@Modern_Learning_for_GenZ
شکل دادن به آینده یادگیری
نقش هوش مصنوعی در آموزش ۴.۰
گزارش بینشی آوریل ۲۰۲۴
تهیه شده در مجمع جهانی اقتصاد
(بخش یازدهم)
۲.۳ پشتیبانی از سواد هوش مصنوعی و دیجیتال
توسعه مهارتهای دیجیتال برای هدایت در فضای فناوری امروز ضروری است و زمینه را برای سواد هوش مصنوعی و دیجیتال فراهم میکند. سواد دیجیتال و هوش مصنوعی فراتر از توانایی صرف استفاده از ابزارها و پلتفرمهای دیجیتال است؛ تفکر انتقادی، حل مسئله، خلاقیت و آگاهی از پیامدهای اخلاقی هوش مصنوعی را نیز در بر میگیرد.
آموزش درباره هوش مصنوعی نه تنها دانشآموزان را با توانایی تشخیص اطلاعات نادرست و گمراهکننده مجهز میکند، بلکه توسعه آنها را به عنوان توسعهدهندگان مسئول هوش مصنوعی در آینده تقویت میکند. علاوه بر این، گنجاندن مهارتهای پایه سایبری در برنامه درسی میتواند به دانشآموزان در یادگیری چگونگی ساخت سیستمهای هوش مصنوعی قوی و ایمن کمک کند. حفاظت از امنیت و یکپارچگی سیستمهای داده هوش مصنوعی، به ویژه با توجه به خطرات بالقوه مرتبط با نقض دادهها، هک و دستکاری بدخواهانه الگوریتمهای هوش مصنوعی، ضروری است.
تقویت ادغام کاربردهای هوش مصنوعی در سیستمهای آموزشی جهانی میتواند به فناوری نقشی محوری در آموزش دانشآموزان درباره شیوههای مسئولانه و عادلانه هوش مصنوعی بدهد. منابعی برای آموزش درباره هوش مصنوعی در حال حاضر وجود دارد، مانند "پروژههای عملی هوش مصنوعی برای کلاس درس" انجمن بینالمللی فناوری در آموزش (ISTE)، که شامل پروژههای خاصی است که مفاهیمی مانند تعصب ناخودآگاه و جمعآوری دادههای فعال در مقابل غیرفعال، و اصطلاحاتی مانند الگوریتم یادگیری ماشینی و بازاریابی هدفمند را آموزش میدهد.
برخی اقتصادها شروع به تدوین اصول پایه برای چگونگی ادغام سواد هوش مصنوعی و دیجیتال در کلاسهای درس کردهاند. برای مثال، در بریتانیا، دفتر هوش مصنوعی در حال حاضر تحقیقاتی را برای پشتیبانی از مدارس ابتدایی و متوسطه برای آموزش مهارتهای حیاتی مانند محدودیتها، قابلیت اطمینان و سوگیری بالقوه هوش مصنوعی مولد؛ چگونگی سازماندهی و رتبهبندی اطلاعات در اینترنت؛ و دانش پایه درباره نحوه کار کامپیوترها، ارتباط آنها با یکدیگر، پیروی از قوانین و پردازش دادهها انجام میدهد. استرالیا، ژاپن و نیوزیلند نیز راهنماییهایی درباره آموزش با و درباره هوش مصنوعی ارائه کردهاند.
نقش هوش مصنوعی در آموزش ۴.۰
گزارش بینشی آوریل ۲۰۲۴
تهیه شده در مجمع جهانی اقتصاد
(بخش یازدهم)
۲.۳ پشتیبانی از سواد هوش مصنوعی و دیجیتال
توسعه مهارتهای دیجیتال برای هدایت در فضای فناوری امروز ضروری است و زمینه را برای سواد هوش مصنوعی و دیجیتال فراهم میکند. سواد دیجیتال و هوش مصنوعی فراتر از توانایی صرف استفاده از ابزارها و پلتفرمهای دیجیتال است؛ تفکر انتقادی، حل مسئله، خلاقیت و آگاهی از پیامدهای اخلاقی هوش مصنوعی را نیز در بر میگیرد.
ادغام هوش مصنوعی در آموزش فرصتی را نه تنها برای استفاده از ابزارهای هوش مصنوعی در تدریس، بلکه برای آموزش دانشآموزان درباره مفاهیم هوش مصنوعی و تأثیرات گستردهتر اجتماعی آن فراهم میکند.ادغام هوش مصنوعی در برنامه درسی به این معنا نیست که هر دانشآموز باید متخصص هوش مصنوعی شود. در عوض، تأکید باید بر پرورش آگاهی، تقویت کنجکاوی و ایجاد درک پایه باشد - برای مثال، با آموزش به دانشآموزان درباره چگونگی ارزیابی اعتبار منابع و تشخیص صحت اطلاعات ارائه شده در وبسایتها. یک مطالعه نشان داد که سواد دیجیتال پیشبینیکننده خوبی برای توانایی فرد در تمایز بین حقایق و اطلاعات نادرست است. این یک مهارت زندگی مهم و فوری است زیرا بیش از هر زمان دیگری در تاریخ، مردم در ۶۴ انتخابات ملی در سال ۲۰۲۴ - حدود ۴۹٪ از جمعیت جهان - رأی خواهند داد.
آموزش درباره هوش مصنوعی نه تنها دانشآموزان را با توانایی تشخیص اطلاعات نادرست و گمراهکننده مجهز میکند، بلکه توسعه آنها را به عنوان توسعهدهندگان مسئول هوش مصنوعی در آینده تقویت میکند. علاوه بر این، گنجاندن مهارتهای پایه سایبری در برنامه درسی میتواند به دانشآموزان در یادگیری چگونگی ساخت سیستمهای هوش مصنوعی قوی و ایمن کمک کند. حفاظت از امنیت و یکپارچگی سیستمهای داده هوش مصنوعی، به ویژه با توجه به خطرات بالقوه مرتبط با نقض دادهها، هک و دستکاری بدخواهانه الگوریتمهای هوش مصنوعی، ضروری است.
تقویت ادغام کاربردهای هوش مصنوعی در سیستمهای آموزشی جهانی میتواند به فناوری نقشی محوری در آموزش دانشآموزان درباره شیوههای مسئولانه و عادلانه هوش مصنوعی بدهد. منابعی برای آموزش درباره هوش مصنوعی در حال حاضر وجود دارد، مانند "پروژههای عملی هوش مصنوعی برای کلاس درس" انجمن بینالمللی فناوری در آموزش (ISTE)، که شامل پروژههای خاصی است که مفاهیمی مانند تعصب ناخودآگاه و جمعآوری دادههای فعال در مقابل غیرفعال، و اصطلاحاتی مانند الگوریتم یادگیری ماشینی و بازاریابی هدفمند را آموزش میدهد.
برخی اقتصادها شروع به تدوین اصول پایه برای چگونگی ادغام سواد هوش مصنوعی و دیجیتال در کلاسهای درس کردهاند. برای مثال، در بریتانیا، دفتر هوش مصنوعی در حال حاضر تحقیقاتی را برای پشتیبانی از مدارس ابتدایی و متوسطه برای آموزش مهارتهای حیاتی مانند محدودیتها، قابلیت اطمینان و سوگیری بالقوه هوش مصنوعی مولد؛ چگونگی سازماندهی و رتبهبندی اطلاعات در اینترنت؛ و دانش پایه درباره نحوه کار کامپیوترها، ارتباط آنها با یکدیگر، پیروی از قوانین و پردازش دادهها انجام میدهد. استرالیا، ژاپن و نیوزیلند نیز راهنماییهایی درباره آموزش با و درباره هوش مصنوعی ارائه کردهاند.
تشویق سواد دیجیتال و هوش مصنوعی در میان یادگیرندگان، آنها را با مهارتهای ارزشمندی برای هدایت در جنبههای فزاینده مبتنی بر هوش مصنوعی بازار کار فردا مجهز میکند و به آنها مزیت رقابتی و انعطافپذیری بیشتری در مسیرهای شغلیشان میدهد.@Modern_Learning_for_GenZ
شکل دادن به آینده یادگیری
نقش هوش مصنوعی در آموزش ۴.۰
گزارش بینشی آوریل ۲۰۲۴
تهیه شده در مجمع جهانی اقتصاد
(بخش دوازدهم)
۲.۴ شخصیسازی محتوا و تجارب یادگیری
مطالعهای توسط بنجامین بلوم، روانشناس آموزشی، نشان داد که ترکیب آموزش خصوصی یک به یک همراه با آزمونهای منظم و بازخورد منجر به عملکرد دانشآموزانی شد که دو انحراف معیار - حدود ۹۸٪ - بالاتر از دانشآموزانی بود که آموزش استاندارد کلاسی دریافت میکنند. تحقیق نتیجه گرفت که:
با این حال، مقیاسپذیری روش آموزش خصوصی حتی در پیشرفتهترین اقتصادها پرهزینه و ناکارآمد است. این امر نیازمند تغییر قابل توجهی در نسبت معلم به دانشآموز است که با توجه به کمبود جهانی معلمان، غیرواقعبینانه است. در حالی که آموزش خصوصی برای تأثیرش بر عملکرد دانشآموز به خوبی شناخته شده است، و پیشبینی میشود بازار جهانی آموزش خصوصی از ۵۷.۹۲ میلیارد دلار در سال ۲۰۲۳ به ۱۰۵.۹۸ میلیارد دلار تا سال ۲۰۳۰ رشد کند، دسترسی عموماً محدود به کسانی است که توانایی مالی آن را دارند، که نابرابریها در نتایج یادگیری را تشدید میکند.
از زمان ظهور رایانههای شخصی و دیجیتالیسازی، علاقه فزایندهای به استفاده از فناوری برای تسریع یادگیری شخصیسازی شده وجود داشته است. مطالعهای که بین سالهای ۲۰۰۷ و ۲۰۲۰ انجام شد نشان داد که یادگیری شخصیسازی شده مبتنی بر فناوری تأثیر مثبت قابل توجهی بر نتایج یادگیری داشته است. در حالی که فناوری تاکنون نتوانسته است مزایای آموزش خصوصی یک به یک را کاملاً تکرار کند،
@Modern_Learning_for_GenZ
نقش هوش مصنوعی در آموزش ۴.۰
گزارش بینشی آوریل ۲۰۲۴
تهیه شده در مجمع جهانی اقتصاد
(بخش دوازدهم)
۲.۴ شخصیسازی محتوا و تجارب یادگیری
مطالعهای توسط بنجامین بلوم، روانشناس آموزشی، نشان داد که ترکیب آموزش خصوصی یک به یک همراه با آزمونهای منظم و بازخورد منجر به عملکرد دانشآموزانی شد که دو انحراف معیار - حدود ۹۸٪ - بالاتر از دانشآموزانی بود که آموزش استاندارد کلاسی دریافت میکنند. تحقیق نتیجه گرفت که:
"تفاوت بزرگی در دستاوردهای شناختی، نگرشها و خودپنداره تحصیلی دانشآموزان تحت آموزش خصوصی در مقایسه با روش آموزش گروهی وجود دارد."ارائه آموزش خصوصی به طور چشمگیری توزیع دستاوردهای آموزشی در کلاس را تغییر داد. یک مطالعه اخیرتر توسط محققان دانشگاه استنفورد نشان داد که حتی مداخلات آموزشی کوتاه، به اندازه ۱۰ دقیقه در روز، منجر به بهبود قابل توجه در مهارتهای سواد دانشآموزان جوان میشود.
با این حال، مقیاسپذیری روش آموزش خصوصی حتی در پیشرفتهترین اقتصادها پرهزینه و ناکارآمد است. این امر نیازمند تغییر قابل توجهی در نسبت معلم به دانشآموز است که با توجه به کمبود جهانی معلمان، غیرواقعبینانه است. در حالی که آموزش خصوصی برای تأثیرش بر عملکرد دانشآموز به خوبی شناخته شده است، و پیشبینی میشود بازار جهانی آموزش خصوصی از ۵۷.۹۲ میلیارد دلار در سال ۲۰۲۳ به ۱۰۵.۹۸ میلیارد دلار تا سال ۲۰۳۰ رشد کند، دسترسی عموماً محدود به کسانی است که توانایی مالی آن را دارند، که نابرابریها در نتایج یادگیری را تشدید میکند.
از زمان ظهور رایانههای شخصی و دیجیتالیسازی، علاقه فزایندهای به استفاده از فناوری برای تسریع یادگیری شخصیسازی شده وجود داشته است. مطالعهای که بین سالهای ۲۰۰۷ و ۲۰۲۰ انجام شد نشان داد که یادگیری شخصیسازی شده مبتنی بر فناوری تأثیر مثبت قابل توجهی بر نتایج یادگیری داشته است. در حالی که فناوری تاکنون نتوانسته است مزایای آموزش خصوصی یک به یک را کاملاً تکرار کند،
پیشرفتهای اخیر در هوش مصنوعی قادر به تحلیل و یادگیری از مجموعههای داده بزرگ هستند و محتوای یادگیری، تجربیات و بازخورد بلادرنگ شخصیسازی شده ارائه میدهند، بسیار شبیه به آنچه یک معلم خصوصی انجام میدهد.
الگوریتمها نه تنها میتوانند محتوا را سفارشی کنند بلکه میتوانند سرعت، سختی و سبک یادگیری را نیز بر اساس عملکرد، رفتار و ترجیحات یادگیرنده تنظیم کنند.
بر اساس الگوهای داده، هوش مصنوعی میتواند چالشهای یادگیری را پیشبینی کند، شکافها را شناسایی کند و با تحلیل دادههای روند و تاریخچه یادگیری، ترجیحات و عملکرد دانشآموزان، مسیرهای یادگیری شخصیسازی شده ایجاد کند.
هوش مصنوعی میتواند موادی را ارائه دهد که با نقاط قوت، ضعف و سطح دانش دانشآموزان متناسب باشد و با اهداف یادگیری همسو باشد، و از این طریق مرتبط بودن محتوای آموزشی را برای هر یادگیرنده افزایش دهد.با این حال، این ابزارهای جدید زمانی بهترین کارایی را دارند که با فرآیندهای دقیق آزمایش توسط معلمان در شخصیسازی پشتیبانی، تطبیق مواد آموزشی و یادگیری از نظر فرهنگی مرتبط، و ارائه ترجمه فوری برای تطبیق محتوا با نیازهای یادگیرنده همراه باشند. مرتبط بودن مواد و مثالها برای ایجاد یک محیط یادگیری جذاب، قابل درک و کاربردی برای یادگیرندگان ضروری است - و ابزارهای هوش مصنوعی، همراه با معلمان، میتوانند مثالها و مفاهیم را با علایق، تجربیات زندگی و پیشینه هر دانشآموز مرتبط سازند.
در نهایت، هوش مصنوعی همچنین میتواند مواد را در قالبهای مختلف برای پاسخگویی به نیازهای مختلف بصری، شنیداری و فیزیکی ارائه دهد.رابطهای قابل سفارشیسازی و فناوریهای انطباقی به ویژه برای دانشآموزان مبتلا به اختلالات عصبی و افراد دارای تواناییهای فیزیکی متفاوت ارزشمند هستند.
برای مثال، از طریق فناوری هوش مصنوعی، درسهای کلاسی میتوانند برای دانشآموزان دارای اختلالات شنوایی زیرنویس شوند و به آنها اجازه دهند به هر کلاسی دسترسی داشته باشند،به جای اتکا به در دسترس بودن مترجمان زبان اشاره انسانی؛ این به معلمان و یادگیرندگان کمک میکند تا سریعتر و شخصیتر ارتباط برقرار کنند.
@Modern_Learning_for_GenZ
👍1
شکل دادن به آینده یادگیری
نقش هوش مصنوعی در آموزش ۴.۰
گزارش بینشی آوریل ۲۰۲۴
تهیه شده در مجمع جهانی اقتصاد
(بخش سیزدهم)
فصل سوم
۳. نمونههای نوظهور از چگونگی پیشرفت هوش مصنوعی در آموزش ۴.۰
ادغام جدیدترین ابزارهای هوش مصنوعی در آموزش یک تحول نسبتاً جدید است که نیازمند مدیریت دقیق و نظارت بر نتایج است. مطالعات موردی ارائه شده در این فصل راهنماییهای عملی درباره چگونگی بهرهبرداری از فناوریهای هوش مصنوعی در سیستمهای آموزشی امروز ارائه میدهند. در حالی که مطالعات موردی انتخاب شده نشاندهنده بررسی جامعی از تمام نمونههای نوآورانه و تأثیرگذار نیستند، آنها پتانسیل تحولآفرین نوآوریهای مبتنی بر هوش مصنوعی را نمایش میدهند و آموزگاران، سیاستگذاران و کسبوکارها را برای پذیرش فرصتها و تنظیم خطرات و چالشها الهام میبخشند.
۳.۱ فرایند و معیارهای انتخاب
اتحادیه آموزش ۴.۰ مجمع جهانی اقتصاد - متشکل از رهبران، کارشناسان و تصمیمگیرندگان در آموزش - هدف شناسایی سیاستها، ابتکارات و برنامههایی که چارچوب آموزش ۴.۰ را پیش میبرند را دنبال میکند. در سال ۲۰۲۳، این اتحادیه مجموعهای از معیارها را برای شناسایی نمونههای نوظهور از نحوه استفاده از ابزارهای هوش مصنوعی برای پیشبرد آموزش ۴.۰ در غیاب استانداردها و سیاستهای جامع جهانی تدوین کرد. این معیارها شامل:
پایان گزارش اصلی
@Modern_Learning_for_GenZ
نقش هوش مصنوعی در آموزش ۴.۰
گزارش بینشی آوریل ۲۰۲۴
تهیه شده در مجمع جهانی اقتصاد
(بخش سیزدهم)
فصل سوم
۳. نمونههای نوظهور از چگونگی پیشرفت هوش مصنوعی در آموزش ۴.۰
ادغام جدیدترین ابزارهای هوش مصنوعی در آموزش یک تحول نسبتاً جدید است که نیازمند مدیریت دقیق و نظارت بر نتایج است. مطالعات موردی ارائه شده در این فصل راهنماییهای عملی درباره چگونگی بهرهبرداری از فناوریهای هوش مصنوعی در سیستمهای آموزشی امروز ارائه میدهند. در حالی که مطالعات موردی انتخاب شده نشاندهنده بررسی جامعی از تمام نمونههای نوآورانه و تأثیرگذار نیستند، آنها پتانسیل تحولآفرین نوآوریهای مبتنی بر هوش مصنوعی را نمایش میدهند و آموزگاران، سیاستگذاران و کسبوکارها را برای پذیرش فرصتها و تنظیم خطرات و چالشها الهام میبخشند.
۳.۱ فرایند و معیارهای انتخاب
اتحادیه آموزش ۴.۰ مجمع جهانی اقتصاد - متشکل از رهبران، کارشناسان و تصمیمگیرندگان در آموزش - هدف شناسایی سیاستها، ابتکارات و برنامههایی که چارچوب آموزش ۴.۰ را پیش میبرند را دنبال میکند. در سال ۲۰۲۳، این اتحادیه مجموعهای از معیارها را برای شناسایی نمونههای نوظهور از نحوه استفاده از ابزارهای هوش مصنوعی برای پیشبرد آموزش ۴.۰ در غیاب استانداردها و سیاستهای جامع جهانی تدوین کرد. این معیارها شامل:
- اهمیت: بزرگی، دامنه و ماهیت تحولآفرین تأثیربا شناخت این پتانسیل که هوش مصنوعی ممکن است شکافهای فعلی آموزشی را تشدید کند، تمام مطالعات موردی انتخاب شده به شدت بر برابری آموزشی در طراحی خود تأکید میکنند. پس از فراخوان ارسال از طریق شبکههای شریک مختلف، مرکز اقتصاد و جامعه جدید مجمع جهانی اقتصاد و اتحادیه، با کمک هیئتی از کارشناسان مستقل، ۹ مطالعه موردی مرتبط با شکافها و فرصتهای شناسایی شده در این مقاله و بر اساس معیارهای ارزیابی را انتخاب کردند.
- قابلیت کمیسازی: استفاده از معیارهای سنجش برای اندازهگیری و پیشبرد تأثیر بیشتر
- مقیاسپذیری: پتانسیل تأثیر آینده فراتر از دسترسی فعلی و قابلیت کاربرد در زمینههای مختلف
- پایداری: پایداری ابتکار و پتانسیل برای تأثیر بلندمدت
پایان گزارش اصلی
@Modern_Learning_for_GenZ
مطالعه گزارش مجمع جهانی اقتصاد در زمینه کاربرد هوش مصنوعی در آینده آموزش چگونه بود؟
Anonymous Poll
68%
بسیار عالی بود
14%
عالی بود
5%
خوب بود
14%
هی بَدَک نبود
❤1
آیا مایلید ۹ مطالعه موردی که در این زمینه در کشورهای مختلف انجام شده را هم برایتان ترجمه کنیم.
Anonymous Poll
89%
بله حتما
11%
نه نیازی نیست
👍1
Media is too big
VIEW IN TELEGRAM
نیروگاه عظیم خورشیدی آفتاب شرق
توسط: فولاد مبارکه اصفهان
شهرستان کوهپایه
شرق حوزه آبخیز زایندهرود
با گزارش کنشگرِ محیط زیست: محمد درویش
این "پروژه عظیمِ تولیدِ انرژی پاک" نشون میده که هنوز هم میشه در ایران عزیز کارهای بزرگ و امیدآفرین انجام داد. کافیست فعل خواستن را صرف کنیم.
زنده باد ایرانِ بزرگ و عزیز
@Modern_Learning_for_GenZ
توسط: فولاد مبارکه اصفهان
شهرستان کوهپایه
شرق حوزه آبخیز زایندهرود
با گزارش کنشگرِ محیط زیست: محمد درویش
این "پروژه عظیمِ تولیدِ انرژی پاک" نشون میده که هنوز هم میشه در ایران عزیز کارهای بزرگ و امیدآفرین انجام داد. کافیست فعل خواستن را صرف کنیم.
زنده باد ایرانِ بزرگ و عزیز
@Modern_Learning_for_GenZ
👏7
This media is not supported in your browser
VIEW IN TELEGRAM
داستان شنیدنی و غرورآفرین
شاهنامه شاه طهماسب
هنرمندانهترین، زیباترین و گرانترین
کتاب دنیا در تمام ادوار
کمی با فرهنگ غنی ایرانزمین آشنا شویم.
@Modern_Learning_for_GenZ
شاهنامه شاه طهماسب
هنرمندانهترین، زیباترین و گرانترین
کتاب دنیا در تمام ادوار
کمی با فرهنگ غنی ایرانزمین آشنا شویم.
@Modern_Learning_for_GenZ
مغز با انبوه اطلاعات بیهوده چه میکند؟
پوسیدگی مغز
کلمه برتر سال و درگیری نسل زد با آن
استفاده بیش از حد نسل z از شبکه مجازی tik tok در یکسال اخیر باعث افزایش نگرانی در مورد دیدن بیش از حد محتوای بیکیفیت و انتخاب کلمه پوسیدگی مغز بهعنوان کلمه ۲۰۲۴ شده است.
@Modern_Learning_for_GenZ
پوسیدگی مغز
کلمه برتر سال و درگیری نسل زد با آن
استفاده بیش از حد نسل z از شبکه مجازی tik tok در یکسال اخیر باعث افزایش نگرانی در مورد دیدن بیش از حد محتوای بیکیفیت و انتخاب کلمه پوسیدگی مغز بهعنوان کلمه ۲۰۲۴ شده است.
@Modern_Learning_for_GenZ
This media is not supported in your browser
VIEW IN TELEGRAM
دسترسی به code.org به زبان فارسی
برای فرزندان ایرانزمین
«هادی پرتوی»، مؤسس و مدیرعامل code.org با انتشار پستی در ایکس از راهاندازی نسخه فارسی این وبسایت خبر داد.
نزدیک به یک دهه قبل، هادی پرتوی و علی پرتوی سازمان غیرانتفاعی Code را تأسیس کردند تا یادگیری علوم کامپیوتر و برنامهنویسی را رایگان در اختیار همه و بهخصوص دانشآموزان زیر ۱۲ سال بگذارند.
علی پروتوی و هادی پرتوی دو برادر ایرانی آمریکایی مقیم ایالات متحده هستند.
علی پرتوی عضو تیم موسس شرکت تبلیغاتی LinkExchange بود که در سال ۱۹۹۸ به قیمت ۲۶۵ میلیون دلار توسط مایکروسافت خریداری شد.
هادی پرتوی در تاسیس استارتاپ تشخیص صدای TellMe Networks نقش داشت که آن هم در سال ۲۰۰۷ به قیمت ۸۰۰ میلیون دلار به مایکروسافت فروخته شد.
هادی در پروژههای اینترنت اکسپلورر و msn مایکروسافت نیز نقش مدیریتی داشته و مدتی بهعنوان معاون ارشد مایاسپیس در این شرکت مشغول به کار بوده است.
این پست را برای دانشآموزان و نوجوانان بفرستید تا از این امکان بینظیر بهرهمند شوند.
@Modern_Learning_for_GenZ
برای فرزندان ایرانزمین
«هادی پرتوی»، مؤسس و مدیرعامل code.org با انتشار پستی در ایکس از راهاندازی نسخه فارسی این وبسایت خبر داد.
نزدیک به یک دهه قبل، هادی پرتوی و علی پرتوی سازمان غیرانتفاعی Code را تأسیس کردند تا یادگیری علوم کامپیوتر و برنامهنویسی را رایگان در اختیار همه و بهخصوص دانشآموزان زیر ۱۲ سال بگذارند.
علی پروتوی و هادی پرتوی دو برادر ایرانی آمریکایی مقیم ایالات متحده هستند.
علی پرتوی عضو تیم موسس شرکت تبلیغاتی LinkExchange بود که در سال ۱۹۹۸ به قیمت ۲۶۵ میلیون دلار توسط مایکروسافت خریداری شد.
هادی پرتوی در تاسیس استارتاپ تشخیص صدای TellMe Networks نقش داشت که آن هم در سال ۲۰۰۷ به قیمت ۸۰۰ میلیون دلار به مایکروسافت فروخته شد.
هادی در پروژههای اینترنت اکسپلورر و msn مایکروسافت نیز نقش مدیریتی داشته و مدتی بهعنوان معاون ارشد مایاسپیس در این شرکت مشغول به کار بوده است.
این پست را برای دانشآموزان و نوجوانان بفرستید تا از این امکان بینظیر بهرهمند شوند.
@Modern_Learning_for_GenZ
❤4👍1
Media is too big
VIEW IN TELEGRAM
پست موقت برای آگاهی نسل زد
مستند چرا سوریه؟
نگاهی تحلیلی و مستند
به دلایل اصلی وضعیت کنونی سوریه
و علل اصلی دخالت ابرقدرتها
و رقابت قدرتهای منطقهای در سرزمین شام
@Modern_Learning_for_GenZ
مستند چرا سوریه؟
نگاهی تحلیلی و مستند
به دلایل اصلی وضعیت کنونی سوریه
و علل اصلی دخالت ابرقدرتها
و رقابت قدرتهای منطقهای در سرزمین شام
@Modern_Learning_for_GenZ
👍1
نسل زِد - یادگیری مدرن
پست موقت برای آگاهی نسل زد مستند چرا سوریه؟ نگاهی تحلیلی و مستند به دلایل اصلی وضعیت کنونی سوریه و علل اصلی دخالت ابرقدرتها و رقابت قدرتهای منطقهای در سرزمین شام @Modern_Learning_for_GenZ
این مستند را حتما کامل و روی دور تند ببینید. یکی از ریشههای مهم درگیریهای خاورمیانه را درخواهید یافت.
ما در این منطقه قربانی رقابت ابرقدرتها و تسلط بر شاهراههای عبور نفت و گاز و رقابت قدرتهای منطقهای و جهانی بر سر آن شدهایم.
رقابت کثیف آمریکا، روسیه و چین بر سر انرژی و تسلط بر آن و نیز رقابت احمقانه قدرتهای منطقهای برای در مسیر قرار گرفتن و نفع بردن از این ثروت ترانزیت.
واقعا کشور ما یک قرن است که قربانی نفت و گاز و تبعات آن شده است.
ما در این منطقه قربانی رقابت ابرقدرتها و تسلط بر شاهراههای عبور نفت و گاز و رقابت قدرتهای منطقهای و جهانی بر سر آن شدهایم.
رقابت کثیف آمریکا، روسیه و چین بر سر انرژی و تسلط بر آن و نیز رقابت احمقانه قدرتهای منطقهای برای در مسیر قرار گرفتن و نفع بردن از این ثروت ترانزیت.
واقعا کشور ما یک قرن است که قربانی نفت و گاز و تبعات آن شده است.
پست موقت برای آگاهی نسل زد
مستند چرا سوریه؟
(دیدن در آپارات بدون نیاز به VPN)
نگاهی تحلیلی و مستند
به دلایل اصلی وضعیت کنونی سوریه
و علل اصلی دخالت ابرقدرتها
و رقابت قدرتهای منطقهای در سرزمین شام
@Modern_Learning_for_GenZ
https://www.aparat.com/v/7iXrQ
مستند چرا سوریه؟
(دیدن در آپارات بدون نیاز به VPN)
نگاهی تحلیلی و مستند
به دلایل اصلی وضعیت کنونی سوریه
و علل اصلی دخالت ابرقدرتها
و رقابت قدرتهای منطقهای در سرزمین شام
@Modern_Learning_for_GenZ
https://www.aparat.com/v/7iXrQ
آپارات - سرویس اشتراک ویدیو
مستند «چرا سوریه»...
مستند کامل «چرا سوریه»...این مستند به کارگردانی آقای فراهانی، از همکاران کانال تلگرامی اخبارسوریه به ثمر نشسته است.
انقلاب جدید گوگل در زمینه تراشه کوانتومی
تراشه کوانتومی «ویلو» گوگل مسئلهای را حل کرد که قدرتمندترین ابرکامپیوتر دنیا هم اگر میخواست حل کند، چند برابر عمر جهان زمان نیاز داشت.
گوگل بهتازگی اعلام کرد که با یک تراشه نسل جدید بر مسئلهای کلیدی در محاسبات کوانتومی غلبه کرده است. این تراشه جدید میتواند با کاهش خطاها، به مسئلهای محاسباتی که ابرکامپیوتری معمولی طی 10,000,000,000,000,000,000,000,000 سال حل میکند، در عرض 5 دقیقه پاسخ دهد.
براساس گزارش ورج، آزمایشگاه محاسبات کوانتومی گوگل بهتازگی به نقطه عطف بزرگی دست یافته است. این شرکت میگوید تراشه محاسباتی کوانتومی جدیدش، «Willow»، میتواند مسئله محاسباتی پیچیدهای را در کمتر از 5 دقیقه حل کند درحالیکه همین فرایند برای ابرکامپیوتر معمولی 10 سپتیلیون سال یا بیشتر از سن جهان زمان میبرد
تراشه کوانتومی جدید گوگل
تراشه جدید نسبت به نسل قبلی ارتقای قابلتوجهی داشته است؛ سال 2019 گوگل اعلام کرد پردازنده کوانتومیاش میتواند راهحل یک معادله ریاضی را در 3 دقیقه ارائه دهد، درحالیکه این مسئله را ابرکامپیوتر معمولی در 10 هزار سال حل میکند. البته آن سال IBM با این ادعا مخالفت کرد
در کنار عملکرد قدرتمندتر، محققان راهی برای کاهش خطاها نیز پیدا کردهاند که گوگل آن را «یکی از بزرگترین چالشها در محاسبات کوانتومی» مینامد. محاسبات کوانتومی بهجای بیتها که 1 یا 0 را نشان میدهند، از کیوبیتها استفاده میکند؛ واحدی که میتواند در چندین حالت همزمان وجود داشته باشد؛ ممکن است هم صفر باشد هم یک.
همانطور که گوگل اشاره کرده، کیوبیتها مستعد خطا هستند؛ زیرا «تمایل دارند اطلاعات را بهسرعت با محیط خود تبادل کنند». دانشمندان مختلف نیز از دهه 1990 روی تصحیح خطای کوانتومی کار کردهاند. اکنون محققان گوگل راهی برای کاهش خطاها کشف کردهاند؛ آنها کیوبیتهای بیشتری در سیستم خود قرار دادند تا نرخ خطا را کاهش دهند. یافتههای این پژوهش در نیچر منتشر شد.
البته به گفته معمار ارشد Google Quantum AI، برخی رقبای گوگل تراشههایی با تعداد کیوبیتهای بیشتر تولید میکنند اما گوگل روی ساخت کیوبیتهایی مطمئنتر متمرکز شده است. به گفته گوگل، Willow در برخی کاربردهای عملی استفاده خواهد شد اما درحالحاضر جزئیات زیادی درباره برنامههای گوگل برای این تراشه وجود ندارد.
@Modern_Learning_for_GenZ
تراشه کوانتومی «ویلو» گوگل مسئلهای را حل کرد که قدرتمندترین ابرکامپیوتر دنیا هم اگر میخواست حل کند، چند برابر عمر جهان زمان نیاز داشت.
گوگل بهتازگی اعلام کرد که با یک تراشه نسل جدید بر مسئلهای کلیدی در محاسبات کوانتومی غلبه کرده است. این تراشه جدید میتواند با کاهش خطاها، به مسئلهای محاسباتی که ابرکامپیوتری معمولی طی 10,000,000,000,000,000,000,000,000 سال حل میکند، در عرض 5 دقیقه پاسخ دهد.
براساس گزارش ورج، آزمایشگاه محاسبات کوانتومی گوگل بهتازگی به نقطه عطف بزرگی دست یافته است. این شرکت میگوید تراشه محاسباتی کوانتومی جدیدش، «Willow»، میتواند مسئله محاسباتی پیچیدهای را در کمتر از 5 دقیقه حل کند درحالیکه همین فرایند برای ابرکامپیوتر معمولی 10 سپتیلیون سال یا بیشتر از سن جهان زمان میبرد
تراشه کوانتومی جدید گوگل
تراشه جدید نسبت به نسل قبلی ارتقای قابلتوجهی داشته است؛ سال 2019 گوگل اعلام کرد پردازنده کوانتومیاش میتواند راهحل یک معادله ریاضی را در 3 دقیقه ارائه دهد، درحالیکه این مسئله را ابرکامپیوتر معمولی در 10 هزار سال حل میکند. البته آن سال IBM با این ادعا مخالفت کرد
در کنار عملکرد قدرتمندتر، محققان راهی برای کاهش خطاها نیز پیدا کردهاند که گوگل آن را «یکی از بزرگترین چالشها در محاسبات کوانتومی» مینامد. محاسبات کوانتومی بهجای بیتها که 1 یا 0 را نشان میدهند، از کیوبیتها استفاده میکند؛ واحدی که میتواند در چندین حالت همزمان وجود داشته باشد؛ ممکن است هم صفر باشد هم یک.
همانطور که گوگل اشاره کرده، کیوبیتها مستعد خطا هستند؛ زیرا «تمایل دارند اطلاعات را بهسرعت با محیط خود تبادل کنند». دانشمندان مختلف نیز از دهه 1990 روی تصحیح خطای کوانتومی کار کردهاند. اکنون محققان گوگل راهی برای کاهش خطاها کشف کردهاند؛ آنها کیوبیتهای بیشتری در سیستم خود قرار دادند تا نرخ خطا را کاهش دهند. یافتههای این پژوهش در نیچر منتشر شد.
البته به گفته معمار ارشد Google Quantum AI، برخی رقبای گوگل تراشههایی با تعداد کیوبیتهای بیشتر تولید میکنند اما گوگل روی ساخت کیوبیتهایی مطمئنتر متمرکز شده است. به گفته گوگل، Willow در برخی کاربردهای عملی استفاده خواهد شد اما درحالحاضر جزئیات زیادی درباره برنامههای گوگل برای این تراشه وجود ندارد.
@Modern_Learning_for_GenZ
🔥1
خاورمیانه در سالهای ۸۱۳ تا ۱۵۵۰ مرکز علم فناوری و اقتصاد در دنیا بود.
۳ دلیل مهمی که موجب عقبماندگی مسلمانان از غرب در ۴۰۰ سال اخیر شد چه بوده است؟
عمر سلطان العلما
وزیر هوش مصنوعی امارات
@Modern_Learning_for_GenZ
۳ دلیل مهمی که موجب عقبماندگی مسلمانان از غرب در ۴۰۰ سال اخیر شد چه بوده است؟
عمر سلطان العلما
وزیر هوش مصنوعی امارات
@Modern_Learning_for_GenZ
This media is not supported in your browser
VIEW IN TELEGRAM
کمک به جراحی تومور مغزی با استفاده از هوش مصنوعی FastGlioma
این هوش مصنوعی در ١٠ ثانیه بخشهای باقیمانده از تومور مغزی را در حین جراحی تشخیص میدهد
دانشمندان «دانشگاه میشیگان» و «دانشگاه کالیفرنیا» مدل هوشمصنوعی جدیدی با نام FastGlioma برای کمک به درمان سرطان مغز توسعه دادهاند که در حین جراحی میتواند دیگر بخشهای قابل برداشت تومور را در ١٠ ثانیه تشخیص بدهد.
دانشمندان میگویند که از روشهای مرسوم برای شناسایی بخشهای باقیمانده تومور در حین جراحی استفاده میکند.
برای توسعه این مدل مبتنی بر هوش مصنوعی، تیمهای جراحی مغز و اعصاب نمونههای تازه و پردازشنشده 220 بیمار مبتلا به گلیوما را تجزیهوتحلیل کردند. آنها در مطالعه خود که توسط مجله نیچر منتشر شده است، ادعا کردهاند که FastGlioma با میانگین دقت تقریباً ٩٢ درصدی توانسته تومورهای باقیمانده را شناسایی و میزان آنها را اندازهگیری کند.
همچنین درباره عملکرد FastGlioma ادعا شده که این فناوری هوش مصنوعی فقط در ٣.٨ درصد مواقع نتوانسته تومورهای پرخطر را تشخیص دهد، درحالیکه این میزان برای روشهای معمول فعلی تقریباً ٢۵ درصد است.
@Modern_Learning_for_GenZ
این هوش مصنوعی در ١٠ ثانیه بخشهای باقیمانده از تومور مغزی را در حین جراحی تشخیص میدهد
دانشمندان «دانشگاه میشیگان» و «دانشگاه کالیفرنیا» مدل هوشمصنوعی جدیدی با نام FastGlioma برای کمک به درمان سرطان مغز توسعه دادهاند که در حین جراحی میتواند دیگر بخشهای قابل برداشت تومور را در ١٠ ثانیه تشخیص بدهد.
دانشمندان میگویند که از روشهای مرسوم برای شناسایی بخشهای باقیمانده تومور در حین جراحی استفاده میکند.
برای توسعه این مدل مبتنی بر هوش مصنوعی، تیمهای جراحی مغز و اعصاب نمونههای تازه و پردازشنشده 220 بیمار مبتلا به گلیوما را تجزیهوتحلیل کردند. آنها در مطالعه خود که توسط مجله نیچر منتشر شده است، ادعا کردهاند که FastGlioma با میانگین دقت تقریباً ٩٢ درصدی توانسته تومورهای باقیمانده را شناسایی و میزان آنها را اندازهگیری کند.
همچنین درباره عملکرد FastGlioma ادعا شده که این فناوری هوش مصنوعی فقط در ٣.٨ درصد مواقع نتوانسته تومورهای پرخطر را تشخیص دهد، درحالیکه این میزان برای روشهای معمول فعلی تقریباً ٢۵ درصد است.
@Modern_Learning_for_GenZ