پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 48 |
| تعداد شماره‌ها | 1,233 |
| تعداد مقالات | 10,593 |
| تعداد مشاهده مقاله | 21,313,932 |
| تعداد دریافت فایل اصل مقاله | 14,339,483 |
شناسایی ابعاد، مولفه‌ها و شاخص های کارکردهای هوش مصنوعی در آموزش عالی با رویکرد فراترکیب | ||
| فناوری و دانش پژوهی در تعلیم و تربیت | ||
| مقاله 3، دوره 5، شماره 4 - شماره پیاپی 18، آذر 1404 | ||
| نوع مقاله: ویژه‌نامه پاییز ۱۴۰۴ | ||
| شناسه دیجیتال (DOI): 10.30473/t-edu.2025.73448.1240 | ||
| نویسندگان | ||
| نازیلا خطیب زنجانی* 1؛ مهسا کریمی2 | ||
| 1دانشیار برنامه ریزی آموزش از دور گروه علوم تربیتی، دانشگاه پیام نور، ایران | ||
| 2دانشجوی دکتری برنامه ریزی آموزش از راه دور، دانشگاه پیام نور، واحد امارات | ||
| چکیده | ||
| پژوهش حاضر با هدف شناسایی ابعاد، مولفه‌ها و شاخص های کارکردهای هوش مصنوعی در آموزش عالی پرداخته است. این تحقیق به لحاظ هدف، کاربردی و از نوع داده‌ها، کیفی بوده و با استفاده از روش فراترکیب انجام شده است. جامعه مورد مطالعه شامل تمامی اسناد، مبانی نظری و پیشینه مرتبط با کارکردهای هوش مصنوعی در آموزش عالی در پایگاه‌های داده داخلی (1403-1395) و خارجی (2025-2010) می‌باشد. نمونه‌گیری به‌صورت غیرتصادفی هدفمند انجام شده و حجم نمونه بر اساس حذف سیستماتیک طبق نمودار جریان مدل پریزما تعیین گردیده است. ابزار جمع‌آوری داده‌ها شامل فیش‌برداری و مرور سیستماتیک ادبیات بوده و برای محاسبه روایی از چک‌لیست 27 موردی براساس مدل پریزما و برای محاسبه پایایی از ضریب کاپای کوهن استفاده شده است. تحلیل داده‌ها با نرم‌افزار MaxQDA2018 و به‌روش تحلیل مضمون انجام شده است. یافته‌ها نشان می‌دهد که کارکردهای هوش مصنوعی در آموزش عالی شامل ابعاد شخصی سازی یادگیری، تجزیه و تحلیل داده های آموزشی، پشتیبانی از تدریس و یادگیری و ارزیابی و پیش‌بینی موفقیت است که بعد شخصی سازی یادگیری دارای مولفه های شناسایی نیازهای یادگیری، منابع آموزشی متنوع و یادگیری خودگردان؛ بعد تجزیه و تحلیل داده های آموزشی دارای مولفه هایجمع‌آوری داده‌های یادگیری، تجزیه و تحلیل پیشرفته و گزارش‌دهی و مصورسازی؛ پشتیبانی از تدریس و یادگیری دارای مولفه های ابزارهای تدریس هوشمند، پشتیبانی از اساتید و یادگیری مشارکتی و بعد ارزیابی و پیش‌بینی موفقیت شامل مولفه های ارزیابی خودکار، پیش‌بینی موفقیت دانشجویان، ارزیابی کیفیت آموزش و بهبود مستمر است. ابعاد به طور تنگاتنگ به هم مرتبط هستند و همچنین به بهبود کیفیت آموزش و یادگیری در آموزش عالی کمک می‌کنند. این تحولات می‌توانند منجر به ارتقاء کیفیت آموزش و افزایش موفقیت دانشجویان شوند. | ||
| کلیدواژه‌ها | ||
| آموزش عالی؛ شخصی سازی یادگیری؛ هوش مصنوعی | ||
| عنوان مقاله [English] | ||
| Identifying the Dimensions, Components, and Indicators of Artificial Intelligence Functions in Higher Education with a Meta-Synthesis Approach | ||
| نویسندگان [English] | ||
| Nazila Khatib Zanjani1؛ Mahsa Karimi2 | ||
| 1Associate Professor of Distance Education Planning, Department of Educational Sciences, Payame_ Noor University, Iran | ||
| 2PhD student, Department of Distance Education Planning, Payame_ Noor University, Emirates Branch | ||
| چکیده [English] | ||
| The present research aims to identify the dimensions, components, and indicators of the functions of artificial intelligence in higher education. This study is applied in nature and qualitative in terms of data, and it was conducted using a meta-synthesis method. The study population includes all documents, theoretical foundations, and literature related to the functions of artificial intelligence in higher education from Iranian databases (1395-1403) and international databases (2010-2025). Non-random purposive sampling was employed, and the sample size was determined based on systematic elimination according to the PRISMA flowchart. The data collection tools included data extraction and systematic literature review, and to assess validity, a 27-item checklist based on the PRISMA model was used, while Cohen’s Kappa coefficient was employed to assess reliability. Data analysis was conducted using MaxQDA2018 software and thematic analysis method. The findings indicate that the functions of artificial intelligence in higher education encompass dimensions such as personalized learning, educational data analytics, teaching and learning support, and assessment and success prediction. The personalized learning dimension includes components such as identifying learning needs, diverse educational resources, and self-directed learning; the educational data analytics dimension comprises components such as collecting learning data, advanced analysis, and reporting and visualization; the teaching and learning support dimension includes components such as intelligent teaching tools, support for instructors, and collaborative learning; and the assessment and success prediction dimension consists of components such as automated assessment, predicting student success, evaluating educational quality, and continuous improvement. These dimensions are closely interconnected and contribute to enhancing the quality of education and learning in higher education. These transformations can lead to improved educational quality and increased student success. | ||
| کلیدواژه‌ها [English] | ||
| Higher Education, Personalized Learning, Artificial Intelligence | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 955 |
||