Η Τεχνητή Νοημοσύνη ως Καταλύτης Ευέλικτων και Εξατομικευμένων Εκπαιδευτικών Πρακτικών

PDF
Δημοσιευμένα: Απρ 7, 2025
DOI: https://doi.org/10.12681/codiste.7849
Λέξεις-κλειδιά:
εξατομικευμένη μάθηση ευέλικτα συστήματα Τεχνητή νοημοσύνη υβριδική εκπαίδευση
Σταύρος Σταυρινίδης
https://orcid.org/0000-0001-8484-1402
Χρήστος Κουκάρας
Δημοκρίτειο Πανεπιστήμιο Θράκης
https://orcid.org/0009-0002-5947-1117
Μαρία Μητσιάκη
Δημοκρίτειο Πανεπιστήμιο Θράκης
Παρασκευάς Κουκάρας
Διεθνές Πανεπιστημιο της Ελλάδος
https://orcid.org/0000-0002-1183-9878
Ευριπίδης Χατζηκρανιώτης
Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης`
Περίληψη

Η Τεχνητή Νοημοσύνη (TN) αναδιαμορφώνει ραγδαία τον σύγχρονο εκπαιδευτικό χώρο, οδηγώντας σε στρατηγικές μάθησης που προσαρμόζονται στις ατομικές ανάγκες των μαθητών. Η παρούσα επισκόπηση πεδίου, διερευνά πώς τα προσαρμοστικά συστήματα μάθησης και τα ευφυή συστήματα διδασκαλίας, μπορούν να προσφέρουν πιο ουσιαστικές και εξατομικευμένες διδακτικές προσεγγίσεις. Επίσης, παρουσιάζονται περιπτώσεις σχεδιασμού μαθητο-κεντρικών μοντέλων και αναδεικνύονται οι προκλήσεις (τεχνολογικές υποδομές, επιμόρφωση, διαχείριση δεδομένων). Τέλος, δίνονται ρεαλιστικές λύσεις που μπορούν να διευκολύνουν την αποτελεσματική ενσωμάτωση των νέων τεχνολογιών στην εκπαιδευτική πράξη, εστιάζοντας στη διαφάνεια, στη διαθεσιμότητα και στην ισότιμη πρόσβαση.

Λεπτομέρειες άρθρου
  • Ενότητα
  • 14o Συνέδριο Διδακτικής Φυσικών Επιστημών και Νέων Τεχνολογιών στην Εκπαίδευση
Λήψεις
Τα δεδομένα λήψης δεν είναι ακόμη διαθέσιμα.
Αναφορές
Bukar, M. S., Sayeed, S., Fatimah Abdul Razak, S., Yogarayan, R., & Sneesl, R. (2024). Decision-making framework for the utilization of generative artificial intelligence in education: A case study of ChatGPT. IEEE Access, 12, 95368–95389. https://doi.org/10.1109/ACCESS.2024.3425172
Hwang, G.-J., Xie, H., Wah, B. W., & Gasevic, D. (2020). Vision, challenges, roles and research issues of artificial intelligence in education. Computers & Education: Artificial Intelligence, 1, 100001. https://doi.org/10.1016/j.caeai.2020.100001
iFlyTek. (2024). iFLYTEK supports Sichuan Province’s high-quality education through artificial intelligence. https://www.iflytek.com/en/news-events/news/41.html
Kim, H., Chae, Y., Kim, S., & Im, C.-H. (2022). Development of a computer-aided education system inspired by face-to-face learning by incorporating EEG-based neurofeedback into online video lectures. IEEE Transactions on Learning Technologies, 16(1), 78–91.https://doi.org/10.1109/TLT.2022.3200394
Lahza, H., Khosravi, H., & Demartini, G. (2023). Analytics of learning tactics and strategies in an online learnersourcing environment. Journal of Computer Assisted Learning, 39(1), 94–112. https://doi.org/10.1111/jcal.12729
Lu, Y., Wang, D., Chen, P., & Zhang, Z. (2024). Design and Evaluation of Trustworthy Knowledge Tracing Model for Intelligent Tutoring System," in IEEE Transactions on Learning Technologies, vol. 17, pp. 1661-1676, 2024, https://doi.org/10.1109/TLT.2024.3403135
Mao, J., Chen, B., & Liu, J. C. (2024). Generative artificial intelligence in education and its implications for assessment. TechTrends, 68(1), 58–66. https://doi.org/10.1007/s11528-023-00911-4
Olmo-Muñoz, J., González-Calero, J. A., Diago, P. D., Arnau, D., & Arevalillo-Herráez, M. (2023). Intelligent tutoring systems for word problem solving in COVID-19 days: Could they have been (part of) the solution? ZDM Mathematics Education, 55(1, SI), 35–48. https://doi.org/10.1007/s11858-022-01396-w
Orlando, S., Gaudioso, E., & Paz, F. (2024). Toward embedding robotics in learning environments with support to teachers: The IDEE experience. IEEE Transactions on Learning Technologies, 17, 874–884. https://doi.org/10.1109/TLT.2023.3339882
Rizvi, M. (2023). Investigating AI-powered tutoring systems that adapt to individual student needs, providing personalized guidance and assessments. The Eurasia Proceedings of Educational and Social Sciences, 31, 67–73. https://doi.org/10.55549/epess.1381518.
Tang, J., Zhou, X., Wan, X., Daley, M., & Bai, Z. (2023). ML4STEM professional development program: Enriching K-12 STEM teaching with machine learning. International Journal of Artificial Intelligence in Education, 33(1), 185–224. https://doi.org/10.1007/s40593-022-00292-4
UNESCO. (2023). Reflections on Generative AI and the Future of Education. Retrieved from https://unesdoc.unesco.org/ark:/48223/pf0000385877
Wambui, D. A. (2024). Adaptive learning technologies: Customizing education to individual needs. Research Output Journal of Arts and Management, 3(3), 1–6. ROJAM Publications. https://www.researchgate.net/publication/383273049_Adaptive_Learning_Technologies_Customizing_Education_to_Individual_Needs
Wang, S., Wang, F., Zhu, Z., Wang, J., Tran, T., & Du, Z. (2024). Artificial intelligence in education: A systematic literature review. Expert Systems with Applications, 252, 124167. https://doi.org/10.1016/j.eswa.2024.124167
Zhu, H., Hu, P., Tang, X., Xia, D., & Huang, H. (2023). Nagnet: A novel framework for real-time students’ sentiment analysis in the wisdom classroom. Concurrency and Computation: Practice & Experience, 35(22). https://doi.org/10.1002/cpe.7727