مفهوم‌بخشی به سواد هوش مصنوعی: یک بررسی اکتشافی

چکیده

هوش مصنوعی (AI) در صنایع (به‌عنوان‌مثال، کسب‌وکار، علم، هنر، آموزش) گسترش‌یافته است تا تجربه کاربر را افزایش دهد، اثربخشی کار را بهبود بخشد و فرصت‌های شغلی زیادی را در آینده ایجاد کند. بااین‌حال، درک عمومی از فناوری‌های هوش مصنوعی و نحوه تعریف سواد هوش مصنوعی بررسی نشده است. این چشم‌انداز چالش‌های مبرمی را برای نسل بعدی برای یادگیری هوش مصنوعی ایجاد می‌کند. در این مقاله، یک بررسی اکتشافی برای مفهوم بخشی به مفهوم جدید “سواد هوش مصنوعی” و ایجاد یک‌پایه نظری محکم برای تعریف، آموزش و ارزیابی سواد هوش مصنوعی انجام شد. با بررسی 30 مقاله مروری موجود، چهار بعد (یعنی دانش و درک، استفاده و کاربرد، ارزیابی و ایجاد، و مسائل اخلاقی) را برای تقویت سواد هوش مصنوعی برمبنای سازگاری با سوادهای کلاسیک پیشنهاد می‌کند. این مطالعه یک تعریف تلفیقی، آموزش و نگرانی‌های اخلاقی درباره سواد هوش مصنوعی را روشن می‌کند و زمینه را برای پژوهش‌های آینده مانند توسعه قابلیت‌ها و معیارهای ارزیابی درباره سواد هوش مصنوعی فراهم می‌کند.

منبع: 

Ng, D. T. K., Leung, J. K. L., Chu, S. K. W., & Qiao, M. S. (2021). Conceptualizing AI literacy: An exploratory review. Computers and Education: Artificial Intelligence, 2. Retrieved from https://doi.org/10.1016/j.caeai.2021.100041

ترجمه دکتر مریم اسدی

مقدمه

هوش مصنوعی (AI) برای اولین‌بار در سال 1956 به‌عنوان “علم و مهندسی ساخت ماشین‌های هوشمند” تعریف شد (مک کارتی، 2007، ص.2). در طول چندین دهه از قرن بیستم، هوش مصنوعی به تدریج به ماشین‌ها و الگوریتم‌های هوشمندی تبدیل شده است که می‌توانند بر اساس مجموعه‌ای از قوانین و محیطی که هوش انسانی را تقلید می‌کنند استدلال کرده و تطبیق دهند (مک کارتی، 2007). وانگ (2019) تعریف هوش مصنوعی را گسترش داد که می‌تواند وظایف شناختی به ویژه یادگیری و حل مسئله را با نوآوری های فن‌آورانه هیجان انگیز مانند یادگیری ماشینی، پردازش زبان طبیعی و شبکه های عصبی انجام دهد (Zawacki-Richter، Marín، Bond و Gouverneur، 2019). هوش مصنوعی در نهایت بر بسیاری از جنبه های زندگی انسان، نه صرفاً بر صنایع رایانه، تأثیر می گذارد و همه باید هوش مصنوعی را یاد بگیرند. در حال حاضر، استفاده از هوش مصنوعی در صنایع (به‌عنوان‌مثال، کسب و کار، علم، هنر، آموزش) برای افزایش تجربه کاربر و بهبود کارایی گسترش یافته است. کاربردهای هوش مصنوعی در بسیاری از بخش‌های زندگی روزمره ما وجود دارد (به‌عنوان‌مثال، لوازم خانگی هوشمند، تلفن‌های هوشمند، گوگل، سیری Siri). اکثریت مردم وجود خدمات و دستگاه‌های هوش مصنوعی را تأیید می‌کنند، اما به ندرت از مفاهیم و فناوری پشت سر آن اطلاع دارند یا از مسائل اخلاقی بالقوه مرتبط با هوش مصنوعی آگاهی دارند (Burgsteiner, Kandlhofer, & Steinbauer, 2016; Ghallab, 2019). هوش مصنوعی مزایای قابل توجهی را برای کاربران، کسب‌وکارها و اقتصادها ایجاد می‌کند و بهره‌وری و رشد اقتصادی را افزایش می‌دهد؛ اما آن آماده کاهش یا حذف میلیون‌ها شغل است (Davenport & Ronanki، 2018؛ Manyika et al., 2017).

دوم، مطالعات نشان می‌دهد که ظهور هوش مصنوعی فرصت‌های شغلی زیادی در صنایع مختلف ایجاد می‌کند و احتمالاً هوش مصنوعی جایگزین محل کار فردا خواهد شد. حتی اگر قرار نیست همه رشته‌ها با هوش مصنوعی جایگزین شوند، افرادی که دانش هوش مصنوعی دارند در آینده جایگزین افرادی می‌شوند که این دانش را دارند. در گزارش مکنزی، مانیکا و همکاران (2017) تخمین زده است که 15 درصد از ساعات کاری جهانی تا سال 2030 اتوماسیونی خواهد شد و 47 درصد از مشاغل آمریکایی در معرض خطر بالای اتوماسیون قرار دارند. علاوه بر این، این وضعیت می‌تواند برای زنان بدتر باشد، زیرا بیش از 160 میلیون زن در سراسر جهان ممکن است نیاز داشته باشند که به نقش‌هایی با مهارت‌های بالاتر منتقل شوند. در میان مشاغل مختلف کاری، مشاغل اداری مانند منشی و دفتردار به‌راحتی با هوش مصنوعی حذف می‌شوند، باتوجه‌به اینکه 72 درصد از این مشاغل در اقتصادهای پیشرفته در اختیار زنان است (Manyika et al., 2017). به‌این‌ترتیب، برای به‌دست‌آوردن مزیت رقابتی در محل کار، مشابه سواد کلاسیک که شامل خواندن/نوشتن و توانایی‌های ریاضی است، سواد هوش مصنوعی نیز به‌عنوان مجموعه مهارت‌های جدید پدیدآمده است که همه باید در پاسخ به این عصر جدید، هوشمندی را بیاموزند.

عموماً سواد به‌عنوان توانایی خواندن و نوشتن شناخته شد (مک براید، 2015). در عصر دیجیتال امروزی، ظهور جامعه مبتنی بر دانش بیانگر این است که هر شهروندی باید «سواد دیجیتالی» و توانمندی‌های اساسی داشته باشد تا در شرایط فرصت‌های برابر در محل کار خود در جایگاه بهتری قرار گیرد (باودن، 2008، ص. 102). این اصطلاح به سوادهای جدید مانند سواد رسانه، سواد دیجیتال، سواد اطلاعاتی، سواد کامپیوتر و هوش مصنوعی تعمیم داده شده است (Kong et al., 2021). در قرن بیست و یکم، دانش‌آموزانی که به این مهارت‌ها مجهزند، می‌توانند از فناوری‌ها و رایانه‌های مرتبط به روش‌های بسیار پیشرفته برای یادگیری دانش و مهارت‌های جدید با همتایان خود استفاده کنند (بل، 2010؛ گریفین و کر، 2014؛ لارسون و میلر، 2011). امروزه، فناوری هوش مصنوعی ظهور کرده و به مهارت‌های ضروری برای ایفای نقش‌های حیاتی در رشته‌ها و صنایع تبدیل شده است (Ng et al., 2021; Touretzky et al., 2019). دانش‌آموزان باید یاد بگیرند که چگونه از فناوری‌های هوش مصنوعی به طور عاقلانه استفاده کنند و همچنین بین شیوه‌های اخلاقی و غیراخلاقی تمایز قائل شوند (رابینسون، 2020؛ رودریگز-گارسیا، مورنو-لئون، رومان-گونزالس، و روبلز، 2020). هوش مصنوعی به طور بالقوه به یکی از مهارت‌های مهم فناوری در قرن بیست و یکم تبدیل می‌شود. به‌این‌ترتیب، با ترکیب هوش مصنوعی و سواد، سواد هوش مصنوعی به دست می‌آید که به معنای داشتن توانایی‌های ضروری است که افراد برای زندگی، یادگیری و کار در دنیای دیجیتال از طریق فناوری‌های مبتنی بر هوش مصنوعی به آن نیاز دارند، و این باید در سطوح آموزشی K-12 اعمال شود ]به دوره پیش‌دبستانی تا دوره راهنمایی در آمریکا اطلاق می‌شود. مترجم. [(Steinbauer et al. .، 2021).

یادگیری هوش مصنوعی در آموزش دانشگاهی علوم کامپیوتر شروع شد که به مهارت‌های برنامه‌نویسی پیشرفته نیاز داشت که برای یادگیرندگان K-12 مناسب نبود. مربیان در بافت کودکان K-12 برای درک مفاهیم هوش مصنوعی از طریق برنامه‌نویسی مبتنی بر نحو با چالش‌هایی مواجه شدند (به‌عنوان‌مثال، مک کارتی، 2007؛ وونگ و همکاران، 2020). ظهور سخت‌افزارها و نرم‌افزارهای متناسب با سن، مربیان را قادر ساخت تا در سال‌های اخیر فرایند یادگیری را برای دانش‌آموزان جوان‌تر بهبود بخشند. دسترسی به طیف وسیعی از فناوری‌ها در زندگی روزمره، مانند ربات‌های گفتگو و برنامه‌های ترجمه، فرصت‌هایی را برای همه فراهم می‌کند تا هوش مصنوعی را در زندگی روزمره درک کنند و از آن استفاده کنند. این امر به مربیان امکان می‌دهد تا از دردسترس‌بودن فناوری‌های هوش مصنوعی برای القای سواد هوش مصنوعی به یادگیرندگان جوان استفاده کنند. به‌عنوان‌مثال، مطالعات قبلی در مورد ظرفیت گنجاندن یادگیری هوش مصنوعی در آموزش K-12 STEAM از طریق تجربه‌های بازی؛ مانند ابزارهای بازی‌سازی و رسانه‌های اجتماعی برای آماده‌سازی کودکان برای نیروی کار آینده علم، فناوری، مهندسی، هنر و ریاضیات بحث کرده‌اند (به‌عنوان‌مثال، Ng، 2021; نگ و چو، 2021؛ زو، وانگ، و ژائو، 2019).

سواد هوش مصنوعی فقط به شناخت و استفاده از هوش مصنوعی برای مشاغل آینده نیست و آن فقط یکی از جنبه‌های آموزش سواد هوش مصنوعی برای مربیان است. هر فناوری به قدرتمندی هوش مصنوعی نیز خطرات جدیدی را به دلیل سوگیری الگوریتمی و استفاده مخرب از هوش مصنوعی به همراه خواهد داشت (Brundage et al., 2018). سوگیری الگوریتمی به نتایج غیرمنصفانه یا تبعیض‌آمیزی اشاره دارد که می‌تواند درنتیجه استفاده از الگوریتم‌های هوش مصنوعی حاصل شود (هاگندورف، 2020). این نبود توجه به اخلاق هوش مصنوعی می‌تواند منجر به عدم مسئولیت‌پذیری و بی‌اهمیتی اخلاقی در میان توسعه‌دهندگان نرم‌افزار شود. انگیزه‌های اقتصادی به‌راحتی می‌توانند تعهد به اصول و ارزش‌های اخلاقی در توسعه فناوری‌های هوش مصنوعی را نادیده بگیرند (هاگندورف، 2020). به‌این‌ترتیب، آموزش اخلاق هوش مصنوعی به شهروندان و به دانشمندان رایانه برای تقویت مسئولیت اجتماعی آنها ضروری است، و این آموزش باید بر اهمیت تنوع اجتماعی هنگام استفاده از هوش مصنوعی برای منافع اجتماعی تأکید کند (دیگنیوم، 2019). در این بررسی، مقالات را برای ارزیابی نگرانی‌های اخلاقی در حوزه سواد هوش مصنوعی بررسی می‌کنیم.

با جستجو در گوگل اسکالر، افزایش چشمگیری در انتشارات سواد هوش مصنوعی از سال 2014 تا 2021 را شاهد هستیم (شکل 1 را ببینید). همانطور که هوش مصنوعی در محیط‌های کاری و زندگی روزمره اهمیت بیشتری پیدا می‌کند، پژوهشگران نیز شروع به تعریف سواد هوش مصنوعی بر اساس اصطلاح “سواد” کردند که در تعریف مجموعه مهارت‌ها در رشته‌های مختلف به کار رفته است (لانگ و مگرکو، 2020).

 

بااین‌حال، مطالعات کمی شرح مفصلی از نحوه مفهوم‌سازی سواد هوش مصنوعی ارائه کرده‌اند. برای دستیابی به درک بهتری از مفهوم سواد هوش مصنوعی، شیوه تعریف این اصطلاح توسط پژوهشگران را در چهار بعد، با الهام از حوزه‌های شناختی و طبقه‌بندی بلوم، دسته‌بندی می‌کنیم. سپس، ارزیابی می‌کنیم که چگونه مربیان به یادگیرندگان کمک می‌کنند تا مهارت‌های سواد هوش مصنوعی را با ابزارهای فناوری در حال ظهور توسعه می‌دهند و ارزیابی آن‌ها را براین‌اساس بررسی می‌کنیم. برای پر کردن این شکاف، مطالعه حاضر مروری بر ادبیات مرتبط درباره اینکه چگونه پژوهشگران «سواد هوش مصنوعی» را تعریف می‌کنند؟ چگونه می‌توان آن را یاد گرفت؟ و نگرانی‌های اخلاقی چیست؟ است. به طور خاص، پژوهش حاضر چهار سؤال پژوهشی زیر را مطرح می‌کند:

  1. پژوهشگران اصطلاح “سواد هوش مصنوعی” را چگونه تعریف می‌کنند؟
  2. چگونه مربیان به یادگیرندگان کمک می‌کنند تا سواد هوش مصنوعی را در چارچوب محصولات یادگیری، رویکردها و مباحث مربوط به شیوه آموزش توسعه دهند؟
  3. پژوهشگران چگونه مهارت‌های سواد هوش مصنوعی دانش‌آموزان را ارزیابی می‌کنند؟
  4. نگرانی های اخلاقی در حوزه سواد هوش مصنوعی چیست؟

روش

جستجو و فرآیند انتخاب منبع

ازآنجایی‌که سواد هوش مصنوعی یک زمینه نوظهور در قرن بیست و یکم است، ادبیات موجود در این زمینه محدود است. برای جستجوی ادبیات مربوط به سواد هوش مصنوعی، مقالات علمی داوری شده و مقالات کنفرانسی از K-12 تا سطوح آموزش عالی، در فاصله زمانی 2016 تا 2021 ، از طریق پایگاه های اطلاعاتی  Web of Science، Scopus، ProQuest Education Collection،  IEEE و کتابخانه دیجیتال ACM  بررسی شدند. اولین مقاله منتشر شده در پایگاه‌های اطلاعاتی مربوط به 2016 بود. پایگاه‌های اطلاعاتی فوق‌الذکر جزو قابل اعتمادترین و معتبرترین پلتفرم‌ها و پایگاه اطلاعاتی در جهان برای پژوهش های علمی در نظر گرفته شدند و از این رو به ما کمک کردند تا از اعتبار محتوا و مقالات مطمئن باشیم(Mongeon & Paul-Hus, 2016). مقالاتی که شامل عبارت AI literacy یا literacy Artificial intelligence  در عنوان، چکیده، متن اصلی یا کلمات کلیدی بودند، دانلود و بررسی شدند. این جستجو به 46 مقاله منجر شد.

پس از حذف مطالعات غیرمرتبط، تا 11 آوریل 2021، در مجموع 30 مقاله شناسایی شد. مقالات دانلود و بررسی شدند. سپس مقالات انتخاب شده، توسط دو پژوهشگر دیگر بررسی شدند تا مشخص شود که آیا برای هدف این مطالعه مناسب هستند یا خیر. در طول بررسی، مجموعه‌ای از معیارها برای اطمینان از تعمیم یافته‌ها و اجتناب از سوگیری در انتخاب مطالعات اتخاذ شد (جدول 1 را ببینید). به‌عنوان‌مثال، شارما (2019) به جای ادغام هوش مصنوعی در محیط های آموزشی، بر تأثیر هوش مصنوعی در فعالیت های کارآفرینانه از جمله تشویق نوآوری اجتماعی، بهبود محیط سازمانی و جلب حمایت سازمان های بین المللی تمرکز کرد.

جدول 1: معیارهای در نظر گرفته شده و در نظگر گرفته نشده

معیارهای در نظر گرفته شده

 

معیارهای در نظر گرفته نشده

 

(1) مطالعات باید مقالات، مقالات تجربی، مقالات مرو.ری ، مطالعات موردی، یا مقالات کنفرانس منتشر شده در مجلات نمایه شده توسط پایگاه های اطلاعاتی فوق الذکر را بررسی می کردند. 1) سرمقاله ها و کتاب ها به دلیل عدم داوری حذف می‌شوند.
(2) مطالعات باید در زمینه آموزشی باشد که با سواد هوش مصنوعی مرتبط است. (2) مقالاتی که اصطلاح “سواد هوش مصنوعی” را ذکر می‌کنند در واقع در مورد نحوه کاربرد هوش مصنوعی در زمینه های تخصصی است و غیر مرتبط با آموزش است.
(3) مطالعات باید توصیفی از نظریه و روش‌های مهم را ارائه دهند.
فرایندهای کدگذاری و تجزیه‌وتحلیل داده‌ها

این مطالعه با فرمول‌بندی اهداف مطالعه آغاز شد و با بررسی و تحلیل روندهای پژوهش سواد هوش مصنوعی بر پایه چهار سؤال پژوهش دنبال شد. سپس، متن کامل مقالات انتخاب شده با استفاده از روش تطبیقی ثابت مورد حمایت گلاسر (1965)، که در دیگر بررسی های سیستماتیک اخیر استفاده شد، به صورت کیفی طبقه‌بندی شد (به‌عنوان‌مثال، هیو و چونگ، 2014؛ تراس و وارویک، 2013). با مطالعه محتوای مقالات انتخابی، مفاهیم معنادار مشابه شناسایی و برای تحلیل موضوعی بیشتر استخراج شدند. بخش‌هایی از متن با طرح‌های کدگذاری در هر سؤال پژوهش کدگذاری شدند. برای ایجاد پایایی کدگذاری، شش مقاله (30درصد) به طور تصادفی انتخاب و توسط دو پژوهشگر، کدگذاری و تحلیل شد. سپس دو پژوهشگر با تجربه دیگر مقالات را بر اساس طرح کدگذاری مطالعه و دسته بندی کردند. موارد اختلاف با بحث درباره مقالات مورد مناقشه حل شد. ضریب کاپا کوهن (9/0) برای نشان دادن قابلیت اطمینان بین کدگذاران ارزیابی شد (مایلز و هابرمن، 1994) . پس از اعتبارسنجی طرح کدگذاری، داده‌ها به صورت توصیفی تحلیل و بر حسب فراوانی، درصد و مضامین (تم ها) شناسایی شده خلاصه شدند. در صورت مغایرت، کدگذاران این موضوع را حل کردند و با بحث و گفتگو به تصمیم نهایی رسیدند.

نتایج و بحث

در ابتدا در این بخش، اطلاعات زمینه‌ای (به‌عنوان‌مثال، سال انتشار، کشور، مقطع تحصیلی و روش پژوهش) 30 مطالعه انتخاب شده شرح داده شده است (جدول 2 را ببینید). سپس نتایج را ارائه می کنیم و باتوجه‌به چهار سوال پژوهش، این نتایج را مورد بحث قرار می دهیم. انتشار مقالات سواد هوش مصنوعی از سال 2016 (2 مقاله) تا سال 2019 (8 مقاله) افزایش یافته است. نوزده مقاله بین سال های 2020 تا آوریل 2021 بدست آمد.

جدول 2: بسامد (فراوانی و درصد) مشخصات مقالات بررسی شده

تعداد انتشارات به‌دست‌آمده در پایگاه‌های اطلاعاتی فوق محدود بود، اما روند افزایشی انتشارات با روند گوگل اسکالر مطابقت دارد. علاوه بر این، اطلاعات ملیت نویسنده اول را در مقاله سواد هوش مصنوعی فهرست کردیم و مشاهده کردیم که بسیاری از کشورها به مفهوم سواد هوش مصنوعی پرداختند. کشورهایی که دو یا چند مقاله درباره سواد هوش مصنوعی منتشر کردند عبارت‌اند از: ایالات متحده (9)، چین (4)، هنگ کنگ (4)، اسپانیا (3) و اتریش (3) است.

پژوهشگران مطالعاتی را انجام دادند و مداخلات مربوط به سواد هوش مصنوعی را در سطوح مختلف آموزشی اجرا کردند. بیشتر مقالات بر دانش‌آموزان مقطع ابتدایی (14) و دبیرستان (14) متمرکز بودند که تقریباً نیمی از مطالعات بررسی‌شده را پوشش می‌داد. فقط چند مطالعه برای شهروندان (4)، دانشجویان دانشگاه (4) و معلمان (2) اجرا شد. در نهایت، برخی از مقاله‌ها، سواد هوش مصنوعی را در محیط‌های کمتر متعارف از جمله کتابخانه‌ها (1)، پزشکی (1) و هواشناسی (1) در هوش مصنوعی مطالعه کردند تا دانش‌آموزان را برای کارهای آینده خود تربیت کنند. حدود یک سوم از مطالعات (9) در یک محیط غیررسمی انجام شد که شامل برنامه‌های بعد از مدرسه، فعالیت های خارج از مدرسه و ارائه پوستر بود. هفت مطالعه در دروس عادی در یک محیط رسمی انجام شد. بقیه مقالات مشخص نکرده اند که آیا در یک بافت رسمی است یا غیر رسمی. یکی از دلایل احتمالی این کار این است که سواد هوش مصنوعی یک زمینه نوظهور است و بیشتر پژوهشگران تمایل دارند مطالعات اولیه را در یک محیط غیررسمی انجام دهند یا صرفاً مقالات نظری را بر اساس مشاهدات خود بنویسند.

به‌طورکلی، 1 مقاله مروری، 4 مقاله مفهومی و 25 مطالعه تجربی وجود داشت. در مورد روش پژوهش، اکثر مطالعات تجربی از روش‌های کیفی (12) استفاده کردند (جدول 3 را ببینید). پژوهشگران، روش‌های کمی (5) را برای ارزیابی مفاهیم هوش مصنوعی، قابلیت‌های درک شده و سایر ساختارهای دانش‌آموزی مانند اطمینان در استفاده از هوش مصنوعی و مهارت‌های اجتماعی استفاده کردند. هفت مطالعه، روش پژوهش آمیخته (8) را برای جمع‌آوری داده‌ها از طریق منابع داده‌ای متعدد از جمله آزمون‌های توانایی، نظرسنجی‌های پرسشنامه‌ای، یادداشت‌های میدانی، مصاحبه و مشاهده‌ای استفاده کردند. یک مقاله مروری پیدا کردیم (یعنی لانگ و ماگرکو، 2020) که در آن، از عبارات گسترده تری مانند “آموزش هوش مصنوعی”، “آموزش درباره هوش مصنوعی” و “مدرسه هوش مصنوعی” استفاده کردند تا مفاهیم کلیدی زیربنای سواد هوش مصنوعی را در فهرست پستی AI4K12 و مقالات منتخب خود ترسیم کنند. ازآنجایی‌که مقالات مربوط به سواد هوش مصنوعی در این چند سال پدیدار شدند، این بررسی به این موضوع می‌پردازد که چگونه پژوهشگران از اصطلاح تخصصی “سواد هوش مصنوعی” به جای “آموزش و یادگیری هوش مصنوعی” استفاده می‌کنند.

جدول 3: روش‌های پژوهش

پرسش 1. پژوهشگران چگونه اصطلاح”سواد هوش مصنوعی” را تعریف می‌کنند؟

از 30 مقاله، 17 مقاله سواد هوش مصنوعی را بر اساس ایده های “سواد” تعریف کردند. قبل از سواد هوش مصنوعی، اصطلاح “سواد دیجیتال” برای توصیف مفاهیم و مهارت‌های اساسی رایانه پدیدار شد قبل از انکه برنامه‌های کاربردی رایانه ای در صنایع در دهه 1970 محبوبیت یابند. لازم بود که کاربران در استفاده از نظام های رایانه ای مرتبط با وظیفه یا شغل خاص خود صلاحیت داشته باشند. اهمیت سواد دیجیتال افزایش یافته بود؛ زیرا افراد بیشتری برای ایجاد فرصت‌های اجتماعی و اقتصادی جدید به استفاده از فناوری‌های رایانه ای وابسته بودند (لیهی و دولان، 2010).

در پی پیشرفت‌های دیجیتال، هوش مصنوعی شروع به ظهور و تقلید از هوش انسانی کرد تا رایانه‌ها بتوانند آن را یاد بگیرند، استدلال کنند و درک کنند. در ابتدا در پژوهش‌های علمی و محیط‌های دانشگاهی استفاده می‌شد، اما اکنون در زندگی روزمره ما، همه‌جا حاضرند. به طور خلاصه، این بررسی چهار بعد از توسعه سواد هوش مصنوعی را شناسایی کرد. (جدول 4 را ببینید).

جدول 4: چارچوب کدگذاری سواد هوش مصنوعی

 

سواد هوش مصنوعی تعاریف تعداد نمونه مراجع نمونه مطالعات
دانش و درک هوش مصنوعی

 

عملکردهای اساسی هوش مصنوعی و نحوه استفاده از برنامه‌های کاربردی هوش مصنوعی را بشناسید.

27 اگرچه شفافیت در الگوریتم‌ها و به‌طورکلی هوش مصنوعی از نظر اخلاقی مهم است، اما عموم مردم حتی از عملکردهای اساسی هوش مصنوعی نیز آگاه نیستند. تلاش‌هایی برای درک بیشتر هوش مصنوعی وجود دارد (رابینسون، 2020). Lin et al. (2021)Lin et al. (2021); Kandlhofer et al., 2016; Robinson (2020).
استفاده و کاربرد هوش مصنوعی به‌کارگیری دانش، مفاهیم و کاربردهای هوش مصنوعی در سناریوهای مختلف. 30 خوشه‌بندی k-means را در زمینه‌های علمی اعمال کنید. رابطه نقشه‌برداری بین ویژگی‌های چهره و مقادیر داده را بررسی کنید و این مفهوم را برای طوفان مغزی اشیا دیگر مانند لگو به کار ببرید (Wan et al., 2020). Druga et al. (2019); Julie et al. (2020); Vazhayil et  al. (2019).
ارزیابی و ایجاد هوش مصنوعی مهارت‌های تفکر درجه بالاتر (به‌عنوان‌مثال، ارزیابی، مقایسه، پیش‌بینی، طراحی) با برنامه‌های کاربردی هوش مصنوعی. 19 تجارب طراحی و ساخت: فعالیت‌های اکتشاف و ایجاد فناوری از دانش‌آموزان برای درک مفاهیم زیربنایی هوش مصنوعی را باید حمایت کرد. (لی، 2020).

Druga et al. (2019); Han et al. (2018); How and Hung (2019).

اخلاق هوش مصنوعی ملاحظات انسان‌محور (به‌عنوان‌مثال، انصاف، پاسخگویی، شفافیت، اخلاق، ایمنی). 19

“هوش مصنوعی برای خیر اجتماعی” ادراک فرد از محیط اجتماعی پیرامون رفتار را که با هنجارهای ذهنی مرتبط است، اندازه‌گیری می‌کند (چای و همکاران، 2020).

Chai et al. (2020); Druga et al. (2019); Gong et al. (2020).

هوش مصنوعی را بشناسید و درک کنید

بیست و هفت مقاله، سواد هوش مصنوعی را به‌عنوان آموزش یادگیرندگان در کسب مفاهیم اساسی، مهارت‌ها، دانش و نگرش‌هایی که نیازی به دانش قبلی ندارند، مفهوم‌سازی می‌کنند. فراگیران علاوه بر اینکه کاربران برنامه‌های هوش مصنوعی هستند، باید فناوری‌های پشت آن را درک کنند. بورگشتاینر و همکاران (2016) و کاندلهوفر و همکاران (2016) سواد هوش مصنوعی را به‌عنوان توانایی درک فنون و مفاهیم زیربنای هوش مصنوعی در محصولات و خدمات مختلف تعریف کرد. علاوه بر این، برخی از پژوهشگران، سواد هوش مصنوعی را با توانایی‌های درک شده، اعتمادبه‌نفس و آمادگی در یادگیری هوش مصنوعی مرتبط می‌دانند. در آموزش K-12، داروگا و همکاران (2019) و لین و همکاران (2021) برنامه‌های درسی و فعالیت‌های سواد هوش مصنوعی را طراحی کردند که بر نحوه یادگیری مفاهیم هوش مصنوعی از سوی یادگیرندگان تمرکز دارد.

استفاده و کاربرد هوش مصنوعی

همه 30 مقاله بر اهمیت آموزش دانش‌آموزان برای استفاده از مفاهیم هوش مصنوعی در زمینه‌های مختلف و کاربردهای روزمره تأکید داشتند. برای مثال، رودریگز-گارسیا و همکاران (2020) LearningML، سازنده مدل یادگیری ماشینی را ارزیابی کرد تا به عموم مردم بیاموزندکه کاربردهای هوش مصنوعی و تأثیر آنها بر زندگی را درک کنند و از مسائل اخلاقی مرتبط با فناوری‌های هوش مصنوعی آگاه شوند. علاوه بر این، نیمی از مطالعات (19) ملاحظات اخلاقی و انسان محور را مورد بحث قرار دادند و بر استفاده از مفاهیم و کاربردهای هوش مصنوعی به لحاظ اخلاقی متمرکز شدند که در سوال پژوهشی چهارم بیشتر بحث می‌شود. هشت مقاله ایده‌های تفکر محاسباتی درباره اثر متقابل سواد هوش مصنوعی و تفکر هوش مصنوعی را به عاریت گرفتند (جدول 5 را ببینید). تفکر هوش مصنوعی به ساخت منطق و الگوریتم‌ها برای حمایت از درک دانش‌آموزان از نحوه استفاده از پایگاه‌های دانشی برای حل مسئله، پردازش معناشناسی و مدیریت داده‌های بدون ساختار اشاره دارد (واژیل و همکاران، 2019). برای مثال، ها و هانگ (2019) با تحلیل داده‌ها با رایانه و تفسیر یافته‌های جدید، با کشف الگوهای پنهان در داده های آموخته شده توسط ماشین، از تفکر هوش مصنوعی بهره بردند.

جدول 5: تعامل بین هوش مصنوعی و تفکر محاسباتی برنان-رزنیک (2012).

عناصر توصیف مثال‌ها

مفاهیم هوش مصنوعی

درک فنی و مفهومی مفاهیم اساسی هوش مصنوعی ·         مفاهیم اولیه هوش مصنوعی و ریشه‌های آنها مانند یادگیری ماشینی، یادگیری عمیق و شبکه عصبی را درک کنید.

·         توجه به کاربردهای دنیای واقعی مفاهیم هوش مصنوعی مانند تشخیص گفتار، روباتیک

عملکردهای هوش مصنوعی تکنیک‌ها و استراتژی‌های مورداستفاده در هنگام استفاده از هوش مصنوعی. ·         آموزش، اعتبارسنجی و آزمایش.

·         ترکیب مجدد یا استفاده مجدد از کد.

چشم‌انداز هوش مصنوعی نگرش‌ها و گرایش‌های اتخاذ شده در حل مشکلات.

·         همکاری برای حل مشکلات، درک فناوری به‌عنوان یک ابزار حل مسئله.

·         هنگام استفاده از فناوری‌های هوش مصنوعی در برنامه‌های کاربردی دنیای واقعی، نگرانی‌های اخلاقی و ایمنی را در نظر بگیرید

ارزیابی و ایجاد هوش مصنوعی

هوش مصنوعی، هوش انسانی را با خودکارسازی دیجیتال تقویت می‌کند و 19 مقاله به سواد هوش مصنوعی اشاره می‌کنند تا یادگیرندگان را در فعالیت‌های تفکر سطح بالاتر درگیر کند. این موضوع با دانش و استفاده از هوش مصنوعی که شامل مفاهیم و اعمال است، متفاوت است. ، برخی از مطالعات، سواد هوش مصنوعی را به دو قابلیت دیگر گسترش داده‌اند که افراد را قادر می‌سازد تا فناوری‌های هوش مصنوعی را به‌طور انتقادی ارزیابی کنند، با هوش مصنوعی ارتباط برقرار کنند و به طور مؤثر با آن همکاری کنند (به‌عنوان‌مثال، لانگ و ماگرکو، 2020). به‌عنوان‌مثال، هان و همکاران (2018) دانش علمی و فناوری دانش‌آموزان را افزایش داد که در یادگیری مبتنی بر پژوهش علمی برای حل مشکلات عملی استفاده شد. به‌طورکلی، اگرچه این مقالات در تعریف سواد هوش مصنوعی کمی متفاوت هستند، اما از این ایده حمایت می‌کنند که همه، به ویژه کودکان K-12، باید دانش و مهارت‌های اولیه هوش مصنوعی را کسب ‌کنند، که انگیزه شغلی آینده را افزایش می‌دهد و همچنین از فناوری مبتنی بر هوش مصنوعی استفاده می‌کنند.

چای، لین، و همکاران، (2020). سواد هوش مصنوعی علاوه بر دانش و استفاده اخلاقی از هوش مصنوعی، به‌عنوان مجموعه‌ای از شایستگی‌ها عمل می‌کند که افراد را قادر می‌سازد تا فناوری‌های هوش مصنوعی را به‌طور انتقادی ارزیابی کنند، با هوش مصنوعی ارتباط برقرار کنند و به طور مؤثر با آن همکاری کنند (لانگ و ماگرکو، 2020).

طبقه‌بندی بلوم

به طور خاص، تعریفی برای یادگیری سواد هوش مصنوعی در سه بعد ذکر شده ارائه شده است. در واقع، توانایی‌ها و مهارت‌های درگیر در هر بعد را می‌توان به طور بالقوه با حوزه‌های شناختی در طبقه‌بندی بلوم ترسیم کرد. طبقه‌بندی بلوم رویکردی برای طبقه‌بندی سطح مهارت‌های استدلال و تفکر سازمان‌یافته موردنیاز در موقعیت‌های مختلف یادگیری است. شش سطح در طبقه‌بندی وجود دارد و هر سطح به سطح بالاتری از پیچیدگی و تفکر سازمان‌یافته دانش‌آموزان نیاز دارد. سطوح، متوالی درک می‌شوند، به‌طوری‌که برای رسیدن به سطح بعدی، ابتدا باید در یک سطح تسلط پیدا کرد (بلوم، 1956؛ هویت، 2011). دلیل اینکه ما معماری بلوم را پذیرفتیم این است که سواد هوش مصنوعی برای مربیان، جدید است و هنوز طبقه‌بندی سطوح فرایندهای شناختی در زمینه یادگیری هوش مصنوعی ایجاد نشده است. بااین‌حال، این مدل یک نظریه کلاسیک آموزشی است که پایه اصلی آموزش هوش مصنوعی به یادگیرندگان جوان را تشکیل می‌دهد. در بررسی ما، پیشنهاد شده است که این سه بعد (یعنی دانش و درک، استفاده، ارزیابی و ایجاد هوش مصنوعی) را به سطوح شناختی طبقه‌بندی بلوم اختصاص دهیم. “دانش و درک هوش مصنوعی” به دو سطح پایین اختصاص داده شده است. “استفاده و به‌کارگیری هوش مصنوعی” در بکارگیری مفاهیم و برنامه‌ها به سطح “کاربرد” اختصاص دارد. “ارزیابی و ایجاد هوش مصنوعی” به سه سطح بالایی تحلیل، ارزیابی و ایجاد هوش مصنوعی اختصاص دارد (شکل 2 را ببینید).

شکل 2: طبقه‌بندی بلوم و سواد هوش مصنوعی

در بررسی ما، بیشتر مطالعات بر چگونگی ارتقای توانایی سواد هوش مصنوعی یادگیرندگان برای دانش و درک هوش مصنوعی (27)، و همچنین نحوه استفاده از برنامه‌های کاربردی هوش مصنوعی در زندگی روزمره و به اعمال مفاهیم اساسی در موقعیت‌های مختلف تمرکز دارند (30). تنها 19 مقاله (63.3درصد) به نحوه کمک به دانش‌آموزان در تحلیل، ارزیابی و ساخت برنامه‌های کاربردی هوش مصنوعی از طریق فعالیت های تفکر سطح بالاتر اشاره کردند. یکی از دلایل احتمالی اینکه چرا مطالعات سواد هوش مصنوعی موجود بیشتر بر مهارت‌ها و دانش عمومی درباره هوش مصنوعی متمرکز شده اند این است که سواد هوش مصنوعی به همه، از جمله کودکان و شهروندان، کمک می‌کند تا مجموعه‌ای از مهارت‌ها و توانایی‌های اساسی را کسب کنند و به کار بگیرند. آنها لزوماً در انتزاع و تجزیه مشکلات هوش مصنوعی یا توسعه برنامه‌های کاربردی هوش مصنوعی مهارت ندارند. در عوض، شما باید مفاهیم اولیه را درک کنید و از هوش مصنوعی به طور اخلاقی استفاده کنید.

به‌این‌ترتیب، اکثر مطالعات سواد هوش مصنوعی منتخب ما تأکید بیشتری بر درگیرکردن یادگیرندگان در فعالیت‌های تفکر سطح پایین دارند. بااین‌حال، هنگامی که دانش‌آموزان به مدارس متوسطه و دانشگاه ارتقا می‌یابند، می‌توانند از دانش قبلی برای ایجاد مواد آموزشی و از برنامه‌ها و الگوریتم‌های هوش مصنوعی برای توجیه تصمیمات خود استفاده کنند.

پرسش 2. چگونه مربیان به یادگیرندگان کمک می‌کنند تا سواد هوش مصنوعی را در چارچوب محصولات یادگیری، رویکردهای آموزشی و محتوای آموزشی توسعه دهند؟

هدف این بررسی پرکردن شکاف‌های دانشی شناسایی شده است؛ اینکه چگونه سواد هوش مصنوعی می‌توانند به طور مؤثر در برنامه‌های درسی مدارس گنجانده شوند و چگونه مربیان می‌توانند از یادگیرندگان برای توسعه سواد هوش مصنوعی حمایت کنند. عناصر موجود در پژوهشمان، درون چارچوب دانش فناورانه، آموزشی و محتوایی (TPACK) باتوجه‌به محصولات یادگیری، رویکردهای آموزشی، و محتوای آموزشی طبقه‌بندی می‌شوند (شکل 3 را ببینید).

شکل 3: چارچوب سواد هوش مصنوعی TPACK

دلیل اینکه چارچوب دانش فناورانه، آموزشی و محتوایی (TPACK) را اتخاذ می‌کنیم این است که این مدل به طور گسترده در مطالعات زیادی استفاده شده است تا مشخص کند چگونه مربیان می‌توانند فناوری‌ها را در روش‌های آموزشی و دانش محتوایی خود بگنجانند و مهارت‌ها و دانش موردنیاز برای ادغام آموزش سواد هوش مصنوعی مرتبط با فناوری را مفهوم‌سازی کنند (به‌عنوان‌مثال. گراهام، 2011؛ کوهلر و همکاران، 2013). این مدل نقشه ای برای درک چگونگی ادغام سواد هوش مصنوعی در کلاس های درس ارائه می‌دهد. به‌عنوان‌مثال، کیم و همکاران (2021، صفحات 1-13) بر اساس منابع یادگیری هوش مصنوعی، چارچوب دانش فناورانه، آموزشی و محتوایی (TPACK) را برای بهبود آموزش های هوش مصنوعی به K-12 و آموزش اصول اولیه هوش مصنوعی توسعه دادند.

در میان این سه دانش، دانش فناوری دربرگیرنده امکانات و استفاده از ابزارهای یادگیری تخصصی حوزه مانند سخت‌افزار و نرم‌افزار در آموزش سواد هوش مصنوعی، ابزارهایی با قابلیت هوش مصنوعی (مانند ابزارهای هوشمند)، و ابزارهای یادگیری (مانند یادگیری با بازی) است. دوم، دانش شیوه آموزش به روش‌های تدریس و کاربرد آن‌ها برای ترویج یادگیری سواد هوش مصنوعی دانش‌آموز مربوط می‌شود که مستلزم استراتژی‌های آموزشی، بازخورد فرایندهای یادگیری دانش‌آموزان است (جانسن و همکاران، 2019). سوم، دانش محتوا مربوط به دانش درباره موضوع سواد هوش مصنوعی است که مباحث تخصصی باید در برنامه درسی قرار گیرد.

محصولات یادگیری

باتوجه‌به پیچیدگی هوش مصنوعی، محصولات آموزشی متناسب با سن، برای درک دانش‌آموزان از مفاهیم هوش مصنوعی و ایجاد انگیزه و علاقه آنها به یادگیری هوش مصنوعی مهم بودند. در سال‌های اخیر، سخت‌افزار و نرم‌افزارهایی افزایش‌یافته است که مفاهیم هوش مصنوعی را برای دانش‌آموزان جوان‌تر در دسترس قرار می‌دهد. جدول 6 یک نمای کلی از انواع محصولات یادگیری هوش مصنوعی از سخت افزار (8) تا محصولات مبتنی بر نرم‌افزار (6)، عوامل هوشمند (11) و ابزارهای یادگیری بدون پلاگ (5) ارائه می‌دهد. دموکراتیک کردن فناوری‌های هوش مصنوعی فعلی، دانش‌آموزان را تشویق می‌کند تا عوامل هوشمند و مدل‌های یادگیری ماشینی را بدون نیاز به برنامه‌هایی مانند ML-for-kids و Teachable Machine بسازند (کاسبرسن و همکاران، 2021؛ لانگ و مگرگو، 2020). در این زمینه، می توانیم فرصتی را برای مربیان فراهم کرد تا دسترسی به سواد هوش مصنوعی را دموکراتیک کرده و مفاهیم هوش مصنوعی را از طریق این ابزارهای نو ظهور تقویت کنند. علاوه بر این، ابزارهای مبتنی بر هوش مصنوعی مانند چت بات، دستیاران نوشتن و نقشه‌برداری وب، دانش‌آموزان را تشویق می‌کنند تا تأثیر اجتماعی و قابلیت‌های فناوری برنامه‌های هوش مصنوعی را تجربه کنند. پنج مطالعه دیگر برای تقویت سواد هوش مصنوعی دانش‌آموزان بدون استفاده از رایانه از طریق رویکردهای جذاب مانند مطالعه موردی، ایفای نقش و داستان‌گویی، فعالیت‌های یادگیری بدون پلاگین را طراحی کردند (به‌عنوان‌مثال، جولی و همکاران، 2020؛ رودریگز-گارسیا و همکاران، 2020). در کل، بیشتر پژوهشگران توسعه مهارت‌های سواد هوش مصنوعی را در محصولات یادگیری مرتبط با علوم رایانه محدود کردند، در حالی که برخی از پژوهشگران مهارت‌های سواد هوش مصنوعی را به عناصر غیر CS مانند ایفای نقش و داستان‌گویی گسترش دادند.

جدول 6: محصولات یادگیری

رویکرد آموزشی

شیوه آموزش شامل روش‌ها و راهبردهای آموزشی بر اساس سطوح تحصیلی طبقه‌بندی می‌شوند. یکی از اهداف آموزش سواد هوش مصنوعی برای مدارس ابتدایی، آشنایی کودکان با مفاهیم اولیه هوش مصنوعی/علوم رایانه و تشویق آنها به کشف ارتباط بین برنامه‌های کاربردی هوش مصنوعی و مفاهیم اساسی است. به‌عنوان‌مثال، پژوهشگران از طریق فعالیت‌های تفکر سطح بالا مانند ایجاد داستان‌های دیجیتال (کادلهوفر، 2016)، انجام تست تورینگ با عوامل هوشمند، ایجاد ربات چت و الگوریتم‌های استنتاج (وانگ و همکاران، 2020)، و ساخت برنامه‌های کاربردی از طریق برنامه‌نویسی مبتنی بر بلوک (هانگ و همکاران، 2020) دانش‌آموزان را با مفاهیم هوش مصنوعی آشنا کردند. دانش‌آموزان دبیرستانی علاوه بر درک ارتباط بین فنون هوش مصنوعی و کاربردهای رایج هوش مصنوعی، باید توانایی به‌کارگیری دانش قبلی درباره هوش مصنوعی در پروژه‌های گروهی عملی برای تجزیه‌وتحلیل و حل مسائل مستقل را داشته باشند (کادلهوفر و همکاران، 2016)؛ بنابراین، مربیان می‌توانند پروژه‌های مشارکتی و در دنیای واقعی را بر اساس اصول ساخت‌گرایی و آموزش گرایی طراحی کنند (کادلهوفر و همکاران، 2016). پژوهشگران فعالیت‌های عملی مختلفی مانند ساخت ربات (ویلیامز و همکاران، 2019)، داده‌ها و تجسم مقایسه‌ای (ون و همکاران، 2020)، و همچنین آموزش مدل‌های هوش مصنوعی (واژشلی و همکاران، 2019) را برای ترویج سواد هوش مصنوعی در سطوح دبیرستانی پیشنهاد می‌کنند.

فراگیران بزرگسال به‌عنوان دانشجویان دانشگاه و عموم مردم طبقه‌بندی می‌شوند. ازآنجایی‌که دانشجویان دانشگاه به درک اساسی هوش مصنوعی دست یافته‌اند، آمادگی بیشتری برای پیشرفت‌های بیشتر در این زمینه دارند. آنها می‌توانند پروژه‌ها یا پژوهش‌هایی را برای بیان مشکلات و در سطح انتزاعی بالاتر انجام دهند (کادلهوفر و همکاران، 2016). به‌این‌ترتیب، آنها می‌توانند مهارت‌ها و دانش هوش مصنوعی را برای حل مشکلات دنیای واقعی و برای چالش‌های تحصیلی و شغلی آینده به کار گیرند (چت و همکاران، 2020). برای آموزش عموم مردم برای درک و استفاده اخلاقی از برنامه‌های هوش مصنوعی، منابع و دوره‌های آنلاین رایگان (رابینسون؛ 2020)، تأسیسات هنری عمومی و نمایشگاه‌های موزه (رودریگز-گارسیا و همکاران، 2020) رویکردهای مناسبی هستند تا شاهد جامعه‌ای قوی و ایمن، خلاق و مشارکتی باشیم.

جدول 7: ارزیابی ابزارها و ساختارها برای ارزیابی یادگیری هوش مصنوعی دانش‌آموزان

دانش محتوا

در آموزش K-12، مطالعاتی که شامل طراحی برنامه‌های درسی و فعالیت‌های یادگیری می‌شد، بر چگونگی دستیابی دانش‌آموزان به مفاهیم هوش مصنوعی و نحوه استفاده از هوش مصنوعی در زمینه‌های موردعلاقه تمرکز می‌کنند (به‌عنوان‌مثال، دراگا و همکاران، 2019؛ لین و همکاران، 2019). لانگ و ماگرکو (2020) و رودریگز-گارسیا و همکاران (2020) به پنج “ایده بزرگ” هوش مصنوعی تورتزکی و همکاران (2019) اشاره کردند که چارچوبی مناسب برای پژوهش‌های آینده در زمینه تقویت سواد هوش مصنوعی است:

  • تصورات: کامپیوترها با استفاده از حسگرها دنیا را درک می‌کنند.
  • بازنمایی و استدلال: عوامل بازنمایی جهان را حفظ می‌کنند و از آنها برای استدلال استفاده می‌کنند.
  • یادگیری: رایانه‌ها می‌توانند از داده‌ها یاد بگیرند.
  • تعامل طبیعی: عوامل هوشمند برای تعامل طبیعی با انسان به انواع مختلفی از دانش نیاز دارند.
  • تأثیر اجتماعی: هوش مصنوعی می‌تواند به دو روش مثبت و منفی بر جامعه تأثیر بگذارد.

با الهام از این چارچوب، وانگ و همکاران. (2020) سواد هوش مصنوعی را در K-12 در سه بعد طبقه‌بندی کردند: مفاهیم هوش مصنوعی، کاربردها و اخلاق. در مطالعه دیگری، رودریگز-گارسیا و همکاران (2020) LearningML، سازنده مدل یادگیری ماشینی را برای توسعه تفکر انتقادی ارزیابی کرد. این سازنده مدل به دانش‌آموزان K-12 اصول هوش مصنوعی را آموزش می‌دهد تا کاربردهای هوش مصنوعی، نحوه تأثیرگذاری آن بر زندگی آنها و مسائل اخلاقی ناشی از فناوری‌های هوش مصنوعی را درک کنند.

در آموزش عالی، دانش و مهارت‌های هوش مصنوعی برای برآوردن نیازهای شغلی آینده پیشرفته‌تر می‌شوند. کاندلهوفر و همکاران (2016) و بورگشتاینر و همکاران (2016) مجموعه‌ای از مفاهیم هوش مصنوعی را فهرست کردند که ظرفیت تبدیل‌شدن به اصولی برای مشاغل در علم و مهندسی را دارند: ماشین‌های خودکار، عوامل هوشمند، نمودارها و ساختارهای داده‌ای، مبانی علوم کامپیوتر، یادگیری ماشین و غیره، بر اساس “هوش مصنوعی: یک رویکرد مدرن نوشته راسل استوارت و نورویگ (2009).

چهار مطالعه به اهمیت آموزش شهروندان در مورد مفاهیم اساسی هوش مصنوعی و تأثیرات فناوری‌های هوش مصنوعی بر زندگی روزمره آنها اشاره کردند. به‌عنوان‌مثال، رابینسون (2020) اشاره کرد که سند خط‌مشی نروژ، در بخشی با عنوان “هوش مصنوعی برای همه: عناصر هوش مصنوعی” (ص. 44) تاکید می‌کند که دولت دوره های آموزشی هوش مصنوعی را در سال 2020 در دسترس جهانی قرار می‌دهد، که سواد هوش مصنوعی را به‌عنوان آموزش شهروندان خود در مورد عناصر هوش مصنوعی که نیازی به دانش قبلی ندارند مفهوم‌سازی می‌کند (رابینسون، 2020). علاوه بر این، سه مطالعه بر یادگیری هوش مصنوعی در رشته‌های تخصصی (به‌عنوان‌مثال، هواشناسی، پزشکی و کتابداری) متمرکز شدند تا چگونگی استفاده از هوش مصنوعی را در آموزش حرفه‌ای و استفاده در محل کار (مانند استفاده از فناوری‌های هوش مصنوعی در مراقبت‌های بهداشتی در موارد پیشگیری، تشخیص، درمان و خدمات توانبخشی) نشان دهد (کاراکا و همکاران، 2021؛ ریورو، 2020؛ زو و همکاران، 2019).

 آموزش مربیان

در این باره، چهارمقاله بحث کردند که چگونه برنامه‌های یادگیری می‌توانند آمادگی مربیان را به‌ویژه برای کسانی که دانش قبلی ندارند تقویت کند تا بتوانند سواد هوش مصنوعی را در برنامه‌های درسی مدرسه بگنجانند (وزهیل و همکاران، 2019؛زو، 2020). وزهیل و همکاران (2019) به بررسی چگونگی درک 34 معلم هندی از یادگیری سواد هوش مصنوعی پس از کارگاه آموزشی پرداختند.

کارگاه آموزشی (به‌عنوان‌مثال، “روش‌های آموزشی مورداستفاده در طول تدریس را چگونه پیدا کردید؟”، “فکر می‌کنید این کارگاه بیشترین فایده را برای شما خواهد داشت؟”) (ص.74). اول مربیان باید دانش خود را درباره مفاهیم هوش مصنوعی که در مدارس مطرح می‌شود به روز کنند. سپس، روش‌ها و راهبردهای آموزشی مناسب را طراحی ‌کنند (مثلاً حل مسئله مشارکتی) و مواد آموزشی متناسب سن را برای برانگیختن علاقه دانش‌آموزان انتخاب ‌کنند. آن‌ها همچنین باید چالش‌های آموزشی مختلف مانند بودجه ناکافی، برنامه‌های درسی هوش مصنوعی نابالغ، ابزارها و روش‌های ارزشیابی را در نظر بگیرند (گونگ و همکاران، 2020)، و همچنین نگرانی‌های فنی در مورد اینکه آیا زیرساخت اینترنت مدارس برای دانش‌آموزان برای تدوین الگوریتم‌ها و برنامه‌های کاربردی هوش مصنوعی آماده است یا خیر (وزهیل و همکاران، 2019).

جدا از به‌روزرسانی دانش هوش مصنوعی مربیان برای حل چالش‌های آموزشی، مربیان باید فناوری‌های مبتنی بر هوش مصنوعی مانند سیستم‌های یادگیری تطبیقی را برای تسهیل و مدیریت روزانه تدریس و ترویج یادگیری و برای درک پیشرفت یادگیری و نیازهای دانش‌آموزان بدانند و از آنها استفاده کنند. زو (2020) به اهمیت یادگیری هوش مصنوعی برای مربیان به شرح زیر اشاره کرد: “هوش مصنوعی می‌تواند معلمان را توانمند کند و تغییر نقش را تسهیل کند، بنابراین معلمانی که می‌دانند چگونه از هوش مصنوعی استفاده کنند می‌توانند جایگزین کسانی شوند که این کار را نمی‌کنند و “مدیریت و سطح تصمیم‌گیری” به طور قابل‌توجهی بهبود می‌یابد (ص.290). علاوه بر این، معلمان باید دانش‌آموزان را آموزش دهند تا از ابزارهای یادگیری هوش مصنوعی مانند مربیان هوشمند و سیستم‌های یادگیری تطبیقی برای تسهیل یادگیری (مانند تشخیص خود، ارائه بازخورد خودکار و ترویج همکاری آنلاین بین فراگیران) استفاده کنند (کاوالکانتی و همکاران، 2021).

 پرسش3. پژوهشگران چگونه مهارت‌های سواد هوش مصنوعی دانش‌آموزان را ارزیابی می‌کنند؟

در 30 مطالعه، پژوهشگران نحوه ارزیابی مهارت‌های دانش‌آموزان و کاربرد مهارت‌های مرتبط با دانش هوش مصنوعی را با استفاده از روش‌های ارزیابی کمی (13) و کیفی (18) بررسی کردند (جدول 7)، مشروط بر اینکه روش پژوهش آمیخته را می توان درون روش‌های ارزیابی کمی و روش‌های ارزیابی کیفی تقسیم کرد. علاوه بر این، رابینسون (2020) در سوال 3 کدگذاری نشده است زیرا این مطالعه با هدف مقایسه نحوه تعریف و بررسی اعتماد، شفافیت و باز بودن در اسناد خط مشی دولتی درباره هوش مصنوعی در کشورهای مختلف انجام شده است.

روش‌های کمی: برای ارزیابی سواد هوش مصنوعی دانش‌آموزان K-12، یکی از مؤلفه‌های مهم این است که قصد آن‌ها را برای یادگیری و کسب دانش اولیه در مورد هوش مصنوعی ارتقا دهیم. سیزده مطالعه از روش‌های کمی برای ارزیابی کسب دانش K-12 و دانشجویان دانشگاه از طریق پیش‌وپس آزمون (مثلاً ویژگی‌های جستجوی عمیق چیست؟) و توانایی‌های درک شده دانشجویان (مثلاً چگونه دانش خود را در مورد الگوریتم‌های جستجو رتبه‌بندی کنید؟) استفاده کردند. (کندهوفر و غیره، 2020؛ ون و همکاران، 2020). علاوه بر این، مطالعات جنبه‌های کمی دیگر را از طریق نظرسنجی‌ها موردبحث قرار دادند تا درک دانش‌آموزان (جنبه‌های غیرشناختی) نسبت به آموزش سواد هوش مصنوعی مانند اعتماد به استفاده از هوش مصنوعی، انگیزه و هوش مصنوعی برای منافع اجتماعی را موردبحث قرار دهند.

روش‌های کیفی: نوزده پژوهشگر با گرفتن عکس، یادداشت‌های میدانی در حین تدریس و مصاحبه با دانش‌آموزان، داده‌های کیفی را جمع‌آوری کردند تا انگیزه‌ها، انتظارات و درس‌های آموخته‌شده را درک کنند. به‌عنوان‌مثال، داروگا (2019) تعامل دانش‌آموزان با عوامل هوش مصنوعی را از طریق مشاهدات میدانی ثبت کرد و یک پرسش‌نامه ادراکی هوش مصنوعی سه مشخصه‌ای برای ارزیابی نحوه تعامل و درک 102 کودک (7 تا ۱۲ساله) از عوامل هوش مصنوعی در درس‌های خود را اتخاذ کرد. این سه مشخصه باهوش‌تر، صادق‌تر بودن و درک عوامل را اندازه‌گیری می‌کنند (به‌عنوان‌مثال، «نظر شما در مورد Google Voice، ایجنتی مبتنی بر هوش مصنوعی چیست؟»). بچه‌ها پاسخ دادند که سرگرم‌کننده‌ترین ویژگی‌ها پخش بیت باکس و موسیقی، عکس‌گرفتن و بازی‌کردن است. واتکینز (2020) بازخورد نمایشگاه را از 367 شرکت‌کننده جمع‌آوری کرد تا متداول‌ترین سؤالات پرسیده شده را در یک جلسه ارائه کند (به‌عنوان‌مثال، «آیا کتابداران می‌توانند برنامه‌نویسی را با این ابزار توسعه دهند؟») (ص. 17).

ابزارها برای ارزیابی سواد هوش مصنوعی

پژوهشگران و مربیان هوش مصنوعی در حال حاضر از ابزارهای کمی و کیفی برای ارزیابی توسعه سواد هوش مصنوعی دانش‌آموزان استفاده می‌کنند. اکنون مطالعات بر بررسی تغییرات در نگرش‌ها، رفتارها و شناخت‌ها ورای آمارها در زمینه‌های آموزشی مختلف هوش مصنوعی متمرکز شده‌اند تا درک بهتری از رابطه بین جنبه‌های شناختی و غیرشناختی پرورش سواد هوش مصنوعی به دست آورند. جدول 7 ساختارها و ابزارهای ارزیابی را برای ارزیابی رشد شناختی و غیرشناختی هوش مصنوعی دانش‌آموزان نشان می‌دهد. برای درک بیشتر نحوه بررسی سواد هوش مصنوعی از طریق ابزارهای کمی و کیفی، ما سه نوع ارزیابی اصلی را که در ادبیات یافت شده است، از جمله آزمون‌های دانش، نظرسنجی، ارزیابی نمونه کارها و مصاحبه‌های مبتنی بر محصول طبقه‌بندی کردیم. برخی از مطالعات بیش از یک نوع ارزیابی را برای چندوجهی کردن نتایج یادگیری سواد هوش مصنوعی دانش‌آموزان اتخاذ کردند.

آزمون دانش: شش مطالعه سؤالات پاسخ گزینشی یا ساخته شده مانند سؤالات چندگزینه‌ای و ساختاریافته را ایجاد کردند که با درستی و کامل‌بودن ارزیابی می‌شوند. کاندلهوفر و همکاران (2016) از تمرین‌های کاغذ و مداد برای ارزیابی دانش موجود دانش‌آموزان از مفاهیم هوش مصنوعی مانند نمودارها و ساختارهای داده به‌عنوان مدرکی برای مهارت هوش مصنوعی دانش‌آموز استفاده کرد. کسب دانش هوش مصنوعی و حفظ مهارت‌های هوش مصنوعی دانشجویان در مطالعات لین و همکاران (2021)، وان و همکاران. (2020) و رودریگز-گارسیا، مورنو-لئون، رومان-گونزالز، و روبلز، از طریق آزمون‌های پیش از پس از آن ارزیابی شد. لین و همکاران (2021) آزمایش‌های مفاهیم هوش مصنوعی را برای بررسی مفاهیم اصلی هوش مصنوعی از جمله درخت تصمیم، سیستم منطقی، شبکه عصبی و یادگیری ماشین اجرا کردند.

وان و همکاران (2020) پرسشنامه‌های پیش از پس‌آزمایی را با پاسخ‌های کتبی به سؤالات مربوط به خوشه‌بندی، مقایسه شباهت و فرآیند خوشه‌بندی k-means انجام دادند در حالی که رودریگز-گارسیا، مورنو-لئون، رومان-گونزالس و روبلز، 2021 چهارده سؤال اصلاح شده از سایر آزمون‌های موجود و منابع آنلاین، مانند وب‌سایت یادگیری ماشینی برای کودکان و پلتفرم‌های موک در هوش مصنوعی انتخاب کردند. ویلیامز و همکاران (2019) سه یا چهار سؤال چندگزینه‌ای را روی یک تبلت یا کاغذ نوشتند تا بفهمد کودکان مهدکودک در مورد دانش هوش مصنوعی مانند طبقه‌بندی و هوش مصنوعی مولد چه می‌دانند تا مشاهدات رفتار یادگیری دانش‌آموزان در فعالیت‌های مربوطه را دسته بندی کنند.

استفاده از این آزمون سنتی دانش نشان می‌دهد که سواد هوش مصنوعی می‌تواند به‌عنوان دانش و مهارت‌های به‌دست‌آمده در نظر گرفته شود. ازآنجایی‌که هوش مصنوعی به طور گسترده‌تری در برنامه‌های دانشگاه K-12 و علوم غیر کامپیوتری آموزش داده می‌شود، مشاهده می‌شود که ارزیابی دانش معتبرتر و قابل‌اعتمادتری وجود خواهد داشت که می‌تواند به‌راحتی در مداخلات یادگیری برای درک دانش هوش مصنوعی دانش‌آموزان تطبیق داده شود.

نظرسنجی: نظرسنجی‌ها به طور گسترده برای بررسی توانایی درک شده، پیامدهای یادگیری عاطفی و غیرشناختی (مانند انگیزه‌ها، نگرش‌ها نسبت به یادگیری هوش مصنوعی) در تحقیقات آموزشی مورداستفاده قرار می‌گیرند. یازده مطالعه، نظرسنجی‌هایی را توسعه دادند که گزینه‌های کمی را برای فهمیدن درک دانش‌آموزان از هوش مصنوعی و سؤالات باز برای جمع‌آوری پاسخ‌های دانش‌آموز طراحی کردند. اگرچه از نظرسنجی‌ها اغلب برای بررسی نتایج غیرشناختی دانش‌آموزان استفاده می‌شد، اما چندین مطالعه از نظرسنجی‌ها برای استخراج درک دانش‌آموزان از هوش مصنوعی استفاده کردند. به‌عنوان‌مثال، زو، وانگ و چیا (2020) و چیا، لین و همکاران (2020)، یک پرسش‌نامه 6 ماده‌ای برای درک اعتماد دانش‌آموزان، یادگیری هوش مصنوعی و آمادگی برای هوش مصنوعی طراحی کردند. سپس نظرسنجی توسط لین و همکاران (2021) اصلاح شد که از مدل‌سازی معادلات ساختاری برای اعتبارسنجی انگیزه دانش‌آموزان ابتدایی برای یادگیری هوش مصنوعی برای توسعه آینده برنامه‌های درسی و آموزش هوش مصنوعی استفاده کرد. مشخص شده است که سواد هوش مصنوعی به طور قابل‌توجهی با جنبه‌هایی از جمله هنجارهای ذهنی، سودمندی درک شده از هوش مصنوعی، هوش مصنوعی برای خیر اجتماعی، نگرش به استفاده از هوش مصنوعی، خوش‌بینی هوش مصنوعی و اعتمادبه‌نفس در یادگیری هوش مصنوعی مرتبط است (چای، وانگ، و زو، 2020؛ لین و همکاران، 2021). مطالعه دیگری ریجیستر و کو (2020) تحلیل موضوعی کیفی پاسخ‌های باز دانش‌آموزان را در مورد نحوه عملکرد سیستم‌های یادگیری ماشین و همچنین جنبه‌های دیگر از جمله شفافیت مدل یادگیری ماشین، تفکر انتقادی و علایق و پیشینه‌های یادگیرندگان به کاربرد. یکی از مزیت‌های استفاده از نظرسنجی این است که جمع‌آوری داده‌ها از حجم نمونه بزرگ است که می‌تواند نتایج قابل‌اندازه‌گیری تولید کند. بااین‌حال، توصیف غنی دانش‌آموزان را از مواجهه یادگیری آنها محدود می‌کند. برای پر کردن این شکاف، استفاده از تجزیه‌وتحلیل پورتفولیوی پروژه و مصاحبه‌های مبتنی بر مصنوعات می‌تواند در آزمون‌های دانش و نظرسنجی‌ها برای مثلث‌بندی یادگیری هوش مصنوعی دانش‌آموزان گنجانده شود.

تجزیه‌وتحلیل پورتفولیو[1] پروژه و مصاحبه مبتنی بر مصنوعات: تجزیه‌وتحلیل پورتفولیو پروژه به فرایندی هدفمند و سیستماتیک از جمع‌آوری و ارزیابی انواع مختلف مصنوعات یادگیری دانش‌آموزان مانند محصولات، پروژه‌ها و برنامه‌ها اشاره دارد (مک میلان، 2013). با استفاده از نمونه کارهای پروژه‌های دانش‌آموزان، محققان و مربیان می‌توانند با دانش‌آموزان مصاحبه کنند تا مفاهیم و شیوه های هوش مصنوعی آنها را بررسی کنند. پنج مطالعه از تجزیه‌وتحلیل پورتفولیوی پروژه با مصاحبه بعدی برای بررسی دستیابی به اهداف یادگیری استفاده کردند. به‌عنوان‌مثال، کسپرسن و همکاران. (2021) مدل‌های هوش مصنوعی و طراحی رابط کاربری دانش‌آموزان را از طریق جمع‌آوری و برچسب‌گذاری داده‌ها و ساخت، آزمایش و ارزیابی مدل‌ها ارزیابی کرد. پس از تجزیه‌وتحلیل مصنوعات در پروژه‌های دانش‌آموزان، محققان دریافتند که کودکان می‌توانند دانش جدید خود را از یادگیری ماشین در زندگی خود به کار ببرند و با استفاده از یادگیری ماشین به برنامه‌های کاربردی معنادار شخصی بیاندیشند. مطالعه دیگری واتکینز (2020) از شرکت‌کنندگان خواست تا تجسم دو بعدی و برنامه‌های کاربردی کیوسک را ایجاد کنند که در فضاهای سازندگان و کتابخانه‌های دانشگاه‌ها نشان داده شد و بازدیدکنندگان را دعوت کرد تا کاربردهای هوش مصنوعی خود را در کیهان‌شناسی درک کنند. کاندلهوفر و همکاران (2021) عکس گرفتن دانش‌آموزان را مطالعه کرد، یادداشت های میدانی، تعامل و نمایش پروژه در طول هر واحد آموزشی. سپس، آنها مصاحبه‌های نیمه ساختاریافته و تجزیه‌وتحلیل محتوا را برای بررسی اینکه چگونه دانش‌آموزان درک هوش مصنوعی خود را تقویت می‌کنند، انجام دادند.

از طریق مصاحبه‌های مبتنی بر مصنوعات، درک این نکته مفید است که دانش‌آموزان می‌توانند از طریق ارتباطات و پروژه‌های دانش‌آموزی کدام مؤلفه‌های هوش مصنوعی را بفهمند و بیشتر استفاده کنند. ازآنجایی‌که یادگیری هوش مصنوعی برای مربیان K-12 مبتدی است، استفاده از ارزیابی پورتفولیو و مصاحبه‌های بعدی می‌تواند دیدگاهی جامع از میزان دانش و مهارت‌هایی که دانش‌آموزان باید به دست آورند، و چگونه مربیان مواد و ابزارهای آموزشی خود را طراحی و انتخاب می‌کنند، به تصویر بکشد. طراحی یادگیری آنها علاوه بر این، این امر همچنین مربیان را تشویق می‌کند تا در کلاس‌های درس و در سراسر پلتفرم‌ها برای ارزیابی شکلی دانش‌آموزان برای ارائه بازخوردی که به طور بالقوه برای یادگیری هوش مصنوعی آینده آنها مفید است، استفاده کنند.

با پتانسیل بسیار زیاد استفاده از مصاحبه‌های مبتنی بر مصنوعات، محققان، معمولاً از مصاحبه‌ها برای پشتیبانی و تشریح ارزیابی نمونه کارها دانش‌آموزان با مشخص‌کردن فرایندهای تفکر آنها در استفاده از مهارت‌های هوش مصنوعی برای حل مشکلات استفاده می‌شود (به‌عنوان‌مثال، چگونه شروع کردند، چگونه پروژه تکامل یافت، چه چیزی برای آنها مهم بود که برای ساختن پروژه بدانند، چه چیزی. مشکلاتی که در طول فرایند با آن‌ها مواجه شدند و نحوه برخورد با آن مشکلات). علاوه بر این، دانش‌آموزان می‌توانند هنگام کار بر روی پروژه‌های عملی، مانند آنچه که بیشتر از همه به آن اطمینان دارند، چه چیزی را می‌خواهند بیشتر بهبود بخشند و چه چیزی آنها را درگیر می‌کند، درباره خود فکر کنند. بااین‌حال، چالش‌های استفاده از مصاحبه شامل هزینه بالا و زمان طولانی صرف شده برای مصاحبه و کدگذاری داده‌ها و همچنین توزیع کم آن بین دانش‌آموزان است که تعیین کمیت آن را دشوار می‌کند (تانگ و همکاران، 2020). در طول مصاحبه‌های مبتنی بر مواد، محققان می‌توانستند در مورد عناصر مختلف هوش مصنوعی در پروژه‌های دانش‌آموزان بحث‌های مفصلی داشته باشند و توصیف‌های غنی از شیوه‌های توسعه آنها ایجاد کنند.

پرسش 4. نگرانی های اخلاقی در حوزه سواد هوش مصنوعی چیست؟

ازآنجایی‌که هوش مصنوعی نقش مهمی در تصمیم‌گیری روزانه ایفا می‌کند، استفاده نادرست یا طراحی ضعیف هوش مصنوعی می‌تواند صدمات جبران‌ناپذیری به انسان‌ها و جامعه وارد کند (فورتان، 2020). دانشمندان و مهندسان مرتبط با هوش مصنوعی مانند ایلان ماسک ترسهایی را که فناوری‌های هوش مصنوعی آینده ممکن است در دهه‌های آینده بر بشریت وارد کنند توضیح می‌دهند (جانسون، 2019). در بررسی ما، شاپر و همکاران (2020) نشان دادند که سازمان‌های بین‌المللی مانند یونیسف و OECD بر اهمیت شفافیت و قابلیت در سیستم‌های هوش مصنوعی، تعاملات کاربر و پیامدهای اجتماعی تاکید کردند (وینست لنسرین و ون در والیز، 2020؛ یونیسف، 2019). ). نوزده مطالعه بر ملاحظات انسان محور تاکید کردند و توجه را به آموزش شهروندان برای تبدیل‌شدن به کاربرانی با مسئولیت اجتماعی و اخلاقی جلب کردند (احمد، تردسای و اکرت، 2020). گونگ و همکاران (2020) دریافتندکه دانشجویان به نگرانی های اخلاقی مانند سوگیری در هوش مصنوعی و مسئولیت قانونی و مالکیت معنوی توجه کمی دارند.

در این راستا، پژوهشگران متوجه اهمیت نگرانی‌های انسان‌محور در هوش مصنوعی مانند فراگیر بودن، انصاف، مسئولیت‌پذیری، شفافیت و اخلاق شدند، به‌جای اینکه صرفاً توانایی‌ها و علایق هوش مصنوعی دانش‌آموزان را افزایش دهند (هاگندورف، 2021؛ مایکروسافت، 2021). به‌عنوان‌مثال، لین و همکاران. (2021) برنامه درسی دوره راهنمایی را برای توسعه سواد هوش مصنوعی از طریق ترکیب مفاهیم، اخلاق، آگاهی و مشاغل هوش مصنوعی طراحی کرد. مطالعه آنها پیشنهاد می‌کند که صنایع آینده هوش مصنوعی بر اصولی مانند فراگیر بودن، ارائه دسترسی عادلانه با درنظرگرفتن سهام‌داران متعدد و کاربران بالقوه و به‌حداقل‌رساندن سوگیری‌ها ایجاد شوند (ص.191). به طور خلاصه، مفهوم‌سازی سواد هوش مصنوعی با ملاحظات انسان‌محور برای ساختن یک جامعه فراگیر آینده بسیار مهم است.

به‌منظور پرورش شهروندانی مسئول و مسلط در استفاده از هوش مصنوعی به شیوه‌ای قابل‌اعتماد و عادلانه، گسترش مشارکت در هوش مصنوعی و اجرای چارچوب‌های یادگیری هوش مصنوعی فراگیر ضروری است. هنگام آموزش هوش مصنوعی، مربیان باید توجه به نیازهای آموزشی جوامع به حاشیه رانده شده را در اولویت قرار دهند. هدف ایجاد محیطی است که در آن همه افراد از فرصت‌های برابر برای کسب مهارت‌ها و دانش هوش مصنوعی برخوردار باشند و جامعه آینده را تضمین کند که هوش مصنوعی را مسئولانه و منصفانه بپذیرد. به‌عنوان‌مثال، دراگا (2019) دریافت که کودکانی که از نظر اقتصادی-اجتماعی پایین هستند، برای پیشبرد مفاهیم هوش مصنوعی مشکل بیشتری دارند، زیرا آنها تجربه کمتری در کدنویسی و تعامل با این فناوری‌ها در زندگی روزمره خود داشتند. به‌منظور ترویج یادگیری فراگیر هوش مصنوعی، او اجرای مجموعه‌ای از دستورالعمل‌ها را پیشنهاد کرد که از استفاده از فناوری‌های فریبنده جلوگیری می‌کند. او همچنین بر اهمیت‌دادن به کودکان برای شخصی‌سازی ماشین‌های خود به‌عنوان راهی برای افزایش تجربه یادگیری خود تأکید کرد. علاوه بر این، او همکاری بین فراگیران را برای تقویت به‌اشتراک‌گذاری کار و ایده‌های آنها تشویق کرد (دراگا، 2019).

نتیجه گیری

در این بررسی، تعاریف مختلفی از سواد هوش مصنوعی شناسایی شد. بیشتر تعاریف از سواد هوش مصنوعی بر اساس انواع مختلف «سواد» است که اخیراً برای تعریف مجموعه‌های مهارتی در رشته‌های دیگر به کار گرفته شده است. بیشتر پژوهشگران معتقدند که به‌جای اینکه یادگیرندگان فقط بدانند چگونه از برنامه‌های هوش مصنوعی استفاده کنند، باید درباره مفاهیم بنیادی هوش مصنوعی برای مشاغل آینده خود بیاموزند و نگرانی‌های اخلاقی را برای استفاده مسئولانه از هوش مصنوعی درک کنند.

سواد هوش مصنوعی یک‌رشته نوظهور است و درنتیجه مجلات تخصصی در این زمینه کم است. جستجوی کلیدواژه به دامنه اختصاصی در زمینه هوش مصنوعی محدود شد که منجر به حذف سایر زیرشاخه‌های هوش مصنوعی مانند یادگیری ماشین، شبکه‌های عصبی و غیره از بررسی حاضر شد. دوم، چندین مقاله در این بررسی بر مداخلات و برنامه‌های آموزشی مرتبط مصنوعات سواد هوش مصنوعی متمرکز بود. بااین‌حال، مقالات به‌صراحت اصطلاح سواد هوش مصنوعی را تعریف نکردند. سوم، مجموعه بزرگ‌تری از مطالعات درباره یادگیری و آموزش هوش مصنوعی بدون ذکر عبارت “سواد هوش مصنوعی” بود که در این بررسی کنار گذاشته شدند. بااین‌حال، مداخلات آنها به طور بالقوه می‌تواند معادل طراحی آموزشی سواد هوش مصنوعی تلقی شود که نشان‌دهنده نیاز به جستجوی گسترده‌تر در بررسی‌های آینده برای گنجاندن ادبیات مرتبط با هوش مصنوعی در زمینه آموزش و یادگیری است. این پژوهش شکاف‌ها و نیازهای موجود در پژوهش‌های سواد هوش مصنوعی را برجسته می‌کند و بینش‌هایی را برای مطالعات آینده ارائه می‌دهد. اکثر مقالات (22) مقالات کنفرانسی بودند و 8 مقاله دیگر از مجلات بودند.

همچنین 19 مقاله از روش تحقیق کیفی استفاده کرده و به‌عنوان مطالعات مقدماتی برای پژوهش های اکتشافی استفاده شده است. در سال های آینده، پیش بینی تغییر در طراحی پژوهش به سمت رویکرد تجربی و مداخله ای بیشتر وجود دارد. این ممکن است شامل استفاده از شبه آزمایش ها و پژوهش های مبتنی بر طراحی، با گروه های درمان و کنترل به خوبی مستند شده باشد. -علاوه بر این ، تأکید بیشتری بر استفاده از روشهای متنوع تجزیه‌وتحلیل داده‌ها مانند آزمون T ، تجزیه‌وتحلیل یک طرفه واریانس، تجزیه‌وتحلیل عاملی ، رگرسیون و مدل سازی معادلات ساختاری وجود خواهد داشت. علاوه بر این، نیاز به بررسی کیفیت ارزیابی‌های مختلف سواد هوش مصنوعی وجود دارد. تنها سه مطالعه، پایایی و اعتبار مقیاس‌ها را برای مهارت‌های سواد هوش مصنوعی با انجام تحلیل عاملی اکتشافی و تأییدی بررسی کردند (چای و همکاران، 2020a، 2020b؛ دای و همکاران، 2020). بر اهمیت توسعه چارچوب های روشن برای راهنمایی مربیان برای طراحی درس های متمرکز بر هوش مصنوعی با روش‌های آموزشی مناسب، مواد آموزشی و معیارهای ارزیابی تأکید کنید. امیدواریم این بررسی الهام بخش پژوهشگران، مربیان و مقامات دولتی برای شروع گفتگو در مورد تعریف، اجرا و ارزیابی سواد هوش مصنوعی باشد.

 توصیه‌هایی برای آموزش سواد هوش مصنوعی در آینده

 یافته‌های این بررسی مروری مقدماتی از ادبیات تحقیق تجربی درباره مطالعات سواد هوش مصنوعی در حوزه آموزش ارائه می‌کند. این مطالعه به شکاف‌های پژوهشی در این حوزه توجه می‌کند و دستورالعمل‌هایی را برای پژوهش‌های آینده درباره آموزش سواد هوش مصنوعی بر اساس سؤالات پژوهشی مطالعه حاضر ارائه می‌کند:

  • هوش مصنوعی برای همه، نه فقط برای دانشمندان کامپیوتر، به یک مهارت اساسی تبدیل می‌شود. علاوه بر خواندن، نوشتن، مهارت‌های حساب و دیجیتال، باید هوش مصنوعی را به سواد فناوری قرن بیست و یکم هر فراگیر در محیط‌های کاری و زندگی روزمره اضافه کنیم.
  • با الهام از طبقه‌بندی بلوم، سواد هوش مصنوعی دارای قابلیت‌های اساسی برای دانش و درک، استفاده و کاربرد، و نیز ارزیابی و ایجاد هوش مصنوعی است. مردم باید خود را از نظر شناختی برای چالش‌های فناورانه آینده در محل کارشان مجهز کنند. درعین‌حال، توجه به مسئولیت اجتماعی و آگاهی اخلاقی‌شان برای استفاده از هوش مصنوعی برای منافع اجتماعی مهم است.
  • دانش‌آموزان نه‌تنها کاربران نهایی هستند، بلکه به طور بالقوه برای استفاده از فناوری‌های هوش مصنوعی در سناریوهای مختلف، یا حتی ایجاد راه‌حل‌های سخت‌افزاری و نرم‌افزاری مبتنی بر هوش مصنوعی برای تبدیل جامعه به مکانی بهتر برای زندگی، حل‌کننده مشکلات هستند.
  • سواد هوش مصنوعی علم داده، تفکر محاسباتی و دانش چندرشته‌ای را برای اثر متقابل سواد هوش مصنوعی و تفکر هوش مصنوعی ترکیب می‌کند.
  • برای تسهیل آموزش مربیان، باید چارچوب دانش فنی، آموزشی و محتوایی در نظر گرفته شود تا نقشه‌ای برای درک چگونگی ادغام سواد هوش مصنوعی در کلاس‌های درس ارائه شود. مواد و برنامه‌های آموزشی متناسب با سن باید به‌گونه‌ای طراحی شوند که درک مفهومی از هوش مصنوعی در دانش‌آموزان K-12 را ایجاد کنند و انگیزه و علاقه آنها را به یادگیری هوش مصنوعی تحریک کنند.
  • مربیان باید دانش هوش مصنوعی خود را برای حل چالش‌های آموزشی از قبیل دانش و استفاده از فناوری‌های تقویت‌شده با هوش مصنوعی مانند سیستم‌های یادگیری تطبیقی که مدیریت روزانه تدریس آنها را تسهیل می‌کند، به‌روز کنند و یادگیری فردی را برای درک پیشرفت آموزش و نیازهای دانش‌آموزان ترویج کنند.
  • محققان و مربیان آینده راهبردهای آموزشی (مانند یادگیری مبتنی بر پروژه مشارکتی، گیمیفیکیشن) و مدل‌های نظری (مانند تئوری خود تعیین‌کننده، ساخت‌گرایی) را برای افزایش انگیزه و مشارکت دانش‌آموزان، ترویج تعامل و همکاری، افزایش انگیزه و نگرش و توسعه مهارت‌های یادگیری در بافت سواد هوش مصنوعی توسعه خواهند داد.
  • محققان و مربیان آینده ارزیابی‌های کمی و کیفی را برای بررسی عملکرد یادگیری دانش‌آموزان از طریق آزمون‌های پس از دانش، نظرسنجی‌های خود ادراک شده، مواد آموزشی یادگیرندگان، پروژه‌ها و گفتگوها ایجاد خواهند کرد.

● ملاحظات انسان‌محور مانند انصاف، مسئولیت‌پذیری، شفافیت و اخلاق برای توجه به آموزش شهروندان و برای تبدیل‌شدن به کاربرانی مسئولیت‌پذیر اجتماعی و اخلاقی مهم است، به‌جای اینکه صرفاً توانایی‌ها و علایق هوش مصنوعی دانش‌آموزان را افزایش دهد

[1] –  پورتفولیو مجموعه ای طرح ریزی شده و هدفمند از مدارک و شواهدی است که چگونگی پیشرفت دانشجو و گام های لازم برای رسیدن به آن را شامل می شود. پورتفولیو، مجموعه ای از کارهایی است که توسط دانشجو انجام شده است و نمایانگر دست یابی او به سطح از پیش تعیین شده ای از توانایی و شایستگی است. به طور شاخص یک پورتفولیو، شامل مدارک و مستندات مکتوب است، اما می توان فیلم ویدئویی، نوار صدای ضبط شده، عکس و سایر انواع اطلاعات را در آن قرار داد (مترجم).

Loading

امتیاز بدهید
0 پاسخ

دیدگاه خود را ثبت کنید

تمایل دارید در گفتگوها شرکت کنید؟
در گفتگو ها شرکت کنید.

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *