Abstrakt
Technologie sztucznej inteligencji (AI) są wykorzystywane w wielu wymiarach naszego życia, w tym w edukacji. Zmotywowane rosnącym wykorzystaniem technologii sztucznej inteligencji i obecnym stanem wiedzy, niniejsze badanie analizuje badania nad sztuczną inteligencją z perspektywy edukacji na odległość online. Zgodnie z protokołem przeglądu systematycznego i przy użyciu metod eksploracji i analizy danych, w badaniu przeanalizowano łącznie 276 publikacji. W związku z tym analiza trendów czasowych stale rośnie, osiągając szczyt w ostatnich latach, a Chiny, Indie i Stany Zjednoczone są wiodącymi krajami w badaniach nad sztuczną inteligencją w nauczaniu online i edukacji na odległość. Informatyka i inżynieria to obszary badawcze, które w największym stopniu wykorzystują wkład, a następnie nauki społeczne. Analiza t-SNE ujawnia trzy dominujące skupienia wykazujące tendencje tematyczne, które przedstawiają się następująco: (1) w jaki sposób technologie sztucznej inteligencji są wykorzystywane w procesach nauczania i uczenia się online, (2) w jaki sposób algorytmy są wykorzystywane do rozpoznawania, identyfikacji i przewidywania zachowań uczniów oraz (3) adaptacyjne i spersonalizowane uczenie się wspierane przez technologie sztucznej inteligencji. Ponadto eksploracja tekstu i analiza sieci społecznościowych pozwoliły zidentyfikować trzy szerokie tematy badawcze, którymi są (1) eksploracja danych edukacyjnych, analiza uczenia się oraz sztuczna inteligencja na potrzeby adaptacyjnego i spersonalizowanego uczenia się; (2) algorytmiczne internetowe przestrzenie edukacyjne, etyka i ludzka sprawczość; oraz (3) uczenie się online poprzez wykrywanie, identyfikację, rozpoznawanie i przewidywanie. oraz (3) adaptacyjne i spersonalizowane uczenie się wspierane przez technologie sztucznej inteligencji. Ponadto eksploracja tekstu i analiza sieci społecznościowych pozwoliły zidentyfikować trzy szerokie tematy badawcze, którymi są (1) eksploracja danych edukacyjnych, analiza uczenia się oraz sztuczna inteligencja na potrzeby adaptacyjnego i spersonalizowanego uczenia się; (2) algorytmiczne internetowe przestrzenie edukacyjne, etyka i ludzka sprawczość; oraz (3) uczenie się online poprzez wykrywanie, identyfikację, rozpoznawanie i przewidywanie. oraz (3) adaptacyjne i spersonalizowane uczenie się wspierane przez technologie sztucznej inteligencji. Ponadto eksploracja tekstu i analiza sieci społecznościowych pozwoliły zidentyfikować trzy szerokie tematy badawcze, którymi są (1) eksploracja danych edukacyjnych, analiza uczenia się oraz sztuczna inteligencja na potrzeby adaptacyjnego i spersonalizowanego uczenia się; (2) algorytmiczne internetowe przestrzenie edukacyjne, etyka i ludzka sprawczość; oraz (3) uczenie się online poprzez wykrywanie, identyfikację, rozpoznawanie i przewidywanie.
Słowa kluczowe:
sztuczna inteligencja; głębokie uczenie się; uczenie maszynowe; kształcenie na odległość; nauka online.
1. Wstęp
Żyjemy w epoce wiedzy cyfrowej intensywnie wykorzystującej technologię, a technologie sztucznej inteligencji (tj. uczenie maszynowe, głębokie uczenie się) przeniknęły każdy wymiar naszego życia, w tym edukację. W związku z tym sztuczna inteligencja może być wykorzystana do przezwyciężenia wielu wyzwań stojących przed edukacją na odległość online i może być dodatkowo pomocna w optymalizacji procesów nauczania i uczenia się [ 1 ]. Dostępność dużych zbiorów danych, zdolność technologii sztucznej inteligencji do generowania własnych modeli oraz powszechne przyjęcie podejść do analizy uczenia się zmuszają nas do zastanowienia się, jak skutecznie wykorzystać sztuczną inteligencję w edukacji w ogóle, a w szczególności w edukacji na odległość online [ 2]. Motywowany aktualnym stanem technologii sztucznej inteligencji, głównym celem tego artykułu jest zbadanie badań nad sztuczną inteligencją w edukacji na odległość online.
2. Przegląd literatury
Istniejące badania dotyczące sztucznej inteligencji i edukacji online mają różne podejścia pod względem metodologii i zakresu. Zaproponowano podobne badania w celu zbadania literatury na temat sztucznej inteligencji i szkolnictwa wyższego. Na przykład w swoich badaniach Zawacki-Richter i in. [ 3] zbadali 2565 artykułów opublikowanych w latach 2007-2008 i w rezultacie przeanalizowali 146 artykułów po wyłączeniu nieistotnych treści. Wyniki ich badań pokazały, że zdecydowana większość artykułów naukowych na temat sztucznej inteligencji i szkolnictwa wyższego pochodziła z informatyki i STEM. Liczba odpowiednich artykułów na ten temat osiągnęła najwyższy poziom w 2018 r., a 50% zidentyfikowanych artykułów pochodzi z czterech głównych krajów: USA, Chin, Tajwanu i Turcji. We wniosku z badania wspomniano, że technologia edukacyjna oparta na sztucznej inteligencji nie ma powiązanych psychologicznych i pedagogicznych teorii uczenia się. Podobnie Ouyang i in. [ 4] przeprowadził badanie dotyczące systematycznego przeglądu badań empirycznych dotyczących sztucznej inteligencji w internetowym szkolnictwie wyższym w bazach danych WoS, Scopus, IEEE i EBSCO. W badaniu przeanalizowano łącznie 434 początkowo zidentyfikowane artykuły opublikowane w latach 2011-2020. Zgłoszono, że tylko 32 z 434 artykułów naukowych dotyczyło badań empirycznych, a 72 z nich opublikowano po 2016 r. W ich artykule stwierdzono, że teorie edukacyjne zwykle nie były stosowane w badaniach nad sztuczną inteligencją w internetowym szkolnictwie wyższym.
Tang i in. [ 5 ], przyjmując systematyczne strategie przeglądu i analizę sieci współcytowań, zbadali wzorce publikacji e-learningu wspieranego przez AI w bazie danych WoS w latach 1998-2019. Wyniki pokazały, że nie było e-learningu wspieranego przez AI ani powiązanych artykułów od 1998 do 2004. Liczba artykułów na temat e-learningu wspieranego przez sztuczną inteligencję zaczęła rosnąć w 2007 roku, a większość z nich dotyczyła inteligentnych systemów nauczania, które przekazują informacje zwrotne na temat statusu uczenia się uczniów. Ich przegląd wykazał również, że opublikowano tylko ograniczoną liczbę artykułów z zakresu teorii edukacyjnych i psychologicznych integrujących zastosowania sztucznej inteligencji w internetowym szkolnictwie wyższym. Bozkurt i in. [ 6] przeprowadził badanie mające na celu przegląd badań nad sztuczną inteligencją z perspektywy pedagogicznej i technologicznej. W badaniu przeanalizowano łącznie 276 artykułów opublikowanych w bazie danych Scopus. Wyniki badania pokazały, że do 2018 i 2019 roku nastąpił dramatyczny wzrost liczby publikowanych artykułów na temat sztucznej inteligencji i edukacji. Główne dziedziny publikacji to informatyka, inżynieria, matematyka i nauki społeczne. W artykule stwierdzono, że brakuje literatury na temat zastosowań sztucznej inteligencji w edukacji i że istnieje potrzeba większego skupienia się na etyce, jak również sugerowali Tang i in. [ 5 ] oraz Zawacki-Richter i in. [ 3 ]. Aby zmniejszyć lukę w powiązanej literaturze na temat sztucznej inteligencji i etyki, Casas-Roma i Conesa [ 7] przeprowadził przegląd literatury, koncentrując się na sztucznej inteligencji i etyce w nauczaniu online. W rezultacie w ich artykule zasugerowano, że integracja sztucznej inteligencji z nauczaniem online w instytucjach szkolnictwa wyższego powinna zapewnić uczciwą, dostępną i wysokiej jakości edukację dla całego społeczeństwa. Nassoura [ 8 ] zbadał opinie wykładowców na temat sztucznej inteligencji jako narzędzia nauczania i uczenia się. Wyniki badania ujawniły, że 40% artykułów opublikowanych w trzech czołowych czasopismach poświęconych technologii edukacyjnej miało charakter hipotetyczny.
Przegląd wcześniejszych badań wykazał, że badania nad sztuczną inteligencją w nauczaniu online w szkolnictwie wyższym odnotowały zauważalny wzrost po 2007 r., a większość artykułów opublikowanych w bazach danych pokazuje, że w badaniach nad sztuczną inteligencją w szkolnictwie wyższym brakuje teorii edukacyjnych i psychologicznych. Zdecydowana większość opublikowanych artykułów na temat sztucznej inteligencji i szkolnictwa wyższego lub edukacji online pochodzi z dziedziny informatyki lub inżynierii i koncentruje się na technologicznych wdrożeniach sztucznej inteligencji w szkolnictwie wyższym. W oparciu o powyższe argumenty i luki zidentyfikowane w powiązanej literaturze, celem tego badania jest systematyczny przegląd artykułów empirycznych na temat sztucznej inteligencji w edukacji na odległość online. W tym kontekście artykuł poszukuje odpowiedzi na następujące pytania badawcze. Czym są:
-
ogólne perspektywy bibliometryczne;
-
oraz trendy i wzorce badawcze w wybranych publikacjach?
3. Metody
3.1. Projekt badawczy
W celu systematycznego przeglądu [ 9 ] i zbadania wykorzystania technologii sztucznej inteligencji w edukacji na odległość online, w badaniu tym wykorzystano tradycyjną analizę bibliometryczną [ 10 ] oraz eksplorację danych i podejścia analityczne [ 11 ], takie jak analiza sieci społecznościowych [ 12 ], eksploracja tekstu [ 13 ] i osadzanie stochastycznych sąsiadów z rozkładem t (t-SNE) [ 14 ]. Uzasadnieniem zastosowania różnych podejść była triangulacja danych badawczych [ 15 ], a tym samym zwiększenie trafności i wiarygodności badania.
3.2. Kryteria włączenia i próbka
Recenzowane publikacje, które znalazły się w korpusie badawczym, spełniały następujące kryteria: (1) miały w tytule zapytania ( tabela 1 ), (2) były indeksowane przez Scopus oraz (3) były napisane w języku angielskim. Uzasadnieniem uwzględnienia publikacji, które zawierają zapytania wyszukiwania w swoich tytułach, była identyfikacja recenzowanych publikacji z silnym naciskiem na przedmiotowe badania i których główne cele są zgodne z ogólnym celem tego badania. Uzasadnieniem zastosowania Scopus było to, że jest to największa baza danych [ 16], obejmujące większość publikacji już zindeksowanych w innych bazach danych, takich jak Web of Science (WoS) i Centrum Informacji o Zasobach Edukacyjnych (ERIC). Wreszcie, próbkowanie publikacji napisanych w języku angielskim umożliwia przeprowadzenie trafnej i wiarygodnej analizy wizualnej, ponieważ analiza text-mining może być lepiej przeprowadzona w celu zidentyfikowania relacji leksykalnych w danych tekstowych, gdy korpus badawczy składa się z artykułów napisanych tylko w jednym języku.
Korpus badawczy | |
Baza danych | Scopus |
Okres | 1999–2022 |
Zapytania | |
Zapytania tematyczne | TITLE („sztuczna inteligencja” LUB „uczenie maszynowe” LUB „uczenie głębokie”) |
Boolowski parametr wyszukiwania | I |
Zapytania specyficzne dla pól | TYTUŁ („nauczanie na odległość” LUB „nauczanie na odległość” LUB „nauczanie na odległość” LUB „nauczanie na odległość” LUB „nauczanie na odległość” LUB „nauczanie na odległość” LUB „edukacja online” LUB „nauczanie online” LUB „nauczanie online” LUB „kurs online ” LUB „e-learning” LUB „e-learning” LUB „m-learning” LUB „edtech” LUB „technologia edukacyjna”) |
W procesie losowania i generowania korpusu badawczego w badaniu przyjęto protokół PRISMA ( tabela 2 ) [ 17 ], a faza końcowa obejmowała łącznie 276 publikacji.
Identyfikacja | Łączna liczba zidentyfikowanych dokumentów w Scopus (n = 301) |
Ekranizacja | Wyłączone dokumenty w innych językach (n = 2) |
Wyłączone dokumenty nieempiryczne (łącznie n = 18; rozdział w książce [n = 16], redakcja [n = 5], książka [n = 1], errata [n = 1]) | |
Dołączony | W końcowym korpusie badawczym znalazło się łącznie 276 artykułów (142 artykuły; 134 publikacje konferencyjne). |
3.3. Analiza danych i procedury badawcze
Zakładając, że tytuł, streszczenie i słowa kluczowe reprezentują samą istotę publikacji naukowych, niniejszy artykuł analizuje artykuły za pomocą czterech linii procedur analizy danych. Po pierwsze, stosuje się tradycyjne techniki analizy bibliometrycznej, aby uzyskać ogólny pogląd na korpus badawczy. Po drugie, analiza t-SNE [ 14 ] jest wykorzystywana do zbadania tytułów wybranych publikacji i określenia ogólnych tendencji sztucznej inteligencji w internetowych badaniach nad edukacją na odległość. Po trzecie, streszczenia wybranych badań są analizowane poprzez eksplorację tekstu [ 18 ] w celu wizualizacji mapy tematycznej. Wreszcie analiza sieci społecznościowych [ 12] służy do identyfikacji istotnych słów kluczowych. Zarówno wyniki eksploracji tekstu, jak i analizy sieci społecznościowych zostały wykorzystane do zidentyfikowania szerokich tematów badawczych w wybranych publikacjach.
3.4. Mocne strony i ograniczenia
Mocne strony tego badania polegają na zastosowaniu innowacyjnych podejść analitycznych, które były pomocne w analizie dużej ilości danych tekstowych, a następnie ich wizualizacji. Jednak obecne badanie uwzględnia również pewne ograniczenia. Po pierwsze, chociaż Scopus jest największą bazą danych, nie indeksuje i nie obejmuje wszystkich publikacji dotyczących danych badań. Dlatego badacze tego badania przyznają, że wyniki tego badania nadal stanowią częściowy przegląd. Po drugie, ze względów technicznych do ostatecznego korpusu badawczego włączono jedynie publikacje napisane w języku angielskim; jednak publikacje w innych językach nadal mogą stanowić uzupełniający przegląd.
4. Ustalenia i dyskusje
4.1. Ogólne spojrzenie bibliometryczne
Aby uchwycić holistyczną perspektywę w ramach tego badania, autorzy nie wyznaczyli konkretnych ram czasowych. W związku z tym od 1999 do 2022 r. korpus badawczy obejmuje publikacje rozłożone na ponad dwie dekady. Ponad 276 publikacji, łącznie 769 autorów przyczyniło się do powstania literatury na temat sztucznej inteligencji w internetowych studiach na odległość. Spośród nich 42 publikacje są autorstwa jednego autora.
Jak pokazano na rysunku 1 , chociaż badania nad sztuczną inteligencją w nauczaniu na odległość online sięgają późnych lat 90.
Rysunek 1. Trend czasowy sztucznej inteligencji w publikacjach dotyczących nauczania na odległość online.
Najczęściej cytowane publikacje dotyczą odpowiednio przewidywania zachowań i projektowania interwencji (patrz np. [ 19 , 20 , 21 ]). Najbardziej produktywnymi krajami są Chiny (n = 88), Indie (n = 46) i Stany Zjednoczone (n = 17) (zob. wykres 2 ).
Rysunek 2. Geograficzne rozmieszczenie sztucznej inteligencji w publikacjach dotyczących nauczania na odległość online.
Jeśli chodzi o perspektywę dyscyplinarną, pięć głównych obszarów tematycznych stanowiło większość korpusu badawczego (zob. wykres 3 ). Oczekuje się, że techniczne obszary tematyczne, takie jak informatyka, inżynieria i matematyka, przeważają nad innymi obszarami badawczymi. Co zaskakujące, tylko około 13,3% studiów dotyczy nauk społecznych. To odkrycie sugeruje, że większość publikacji jest szczególnie zainteresowana wymiarami technicznymi, a mniej aspektami pedagogicznymi.
Rysunek 3. Obszary tematyczne publikacji na temat AI w edukacji na odległość online (jedna publikacja może być zakodowana dla więcej niż jednego obszaru tematycznego).
4.2. Trendy i wzorce badawcze
4.2.1. Analiza tytułów
t-SNE to nienadzorowana „technika redukcji wymiarów nieliniowych, której celem jest zachowanie lokalnej struktury danych” [ 14 ] (s. 2580), używana do eksploracji i wizualizacji danych wielowymiarowych. Aby ujawnić ogniska publikacji, przeprowadzono analizę t-SNE przy użyciu danych tekstowych wyodrębnionych z tytułów publikacji zawartych w korpusie badawczym ( ryc. 4 ). W związku z tym istnieją trzy dominujące klastry. Zielony klaster podkreśla, że technologie sztucznej inteligencji są wykorzystywane w procesach nauczania i uczenia się online. Wzorce w zielonym skupieniu są zgodne z raportem Horizon [ 1], w którym zwrócono uwagę na powszechne stosowanie technologii sztucznej inteligencji, zwłaszcza w szkolnictwie wyższym, i dalej doniesiono, że „sztuczna inteligencja pojawia się w nauczaniu i uczeniu się w szkolnictwie wyższym, w takich dziedzinach, jak systemy zarządzania uczeniem się, nadzór, ocenianie/ocena, systemy informacji o studentach, produktywności, usług bibliotecznych, przyjęć, wsparcia osób niepełnosprawnych i aplikacji mobilnych, żeby wymienić tylko kilka” (s. 13). Niebieski klaster wskazuje, w jaki sposób algorytmy są wykorzystywane do rozpoznawania, identyfikacji i przewidywania zachowań uczniów. Na przykład Wang [ 22 ] badał rozpoznawanie emocji w przypadku zaangażowania uczniów w naukę online i stwierdził, że techniki głębokiego uczenia się mogą być skuteczne. Ganidisastra i Bandung [ 23] twierdzą, że techniki głębokiego uczenia się poprzez rozpoznawanie twarzy mogą być wykorzystywane do nadzorowania egzaminów online w trybie m-learning. Feng i in. [ 24 ] stwierdzili, że akademickie rozpoznawanie emocji może być przeprowadzane w środowiskach uczenia się online jako psychologiczny wskaźnik uczniów. Badanie Wanga i wsp. [ 25 ] wykazało, że wyniki uczenia się można przewidzieć za pomocą technik uczenia maszynowego. Podobnie Luo i in. [ 26 ] poinformował również, że techniki uczenia maszynowego mogą być skutecznie wykorzystywane do przewidywania efektów uczenia się w mieszanym środowisku edukacyjnym. Wreszcie Park i Yoo [ 27] stwierdzili, że uczenie maszynowe można wykorzystać do przewidywania wczesnego przerwania nauki wśród uczniów w środowiskach uczenia się online. Ostatni, różowy klaster dotyczy adaptacyjnego i spersonalizowanego uczenia się wspieranego przez technologie sztucznej inteligencji. Srisa-An i Yongsiriwit [ 28 ] zauważyli, że uczenie maszynowe może być skutecznie wykorzystywane do umożliwienia spersonalizowanego uczenia się. Czetyrbok i in. [ 29 ] argumentują, że technologie sztucznej inteligencji obiecują wiele w zakresie adaptacyjnego uczenia się i potwierdzając ten pogląd, Adnan i in. [ 30] stwierdzili, że techniki głębokiego uczenia się wykazują znaczący wpływ na adaptacyjne uczenie się. Krótko mówiąc, wszystkie te klastry wskazują, że sztuczna inteligencja może być wykorzystywana do nauczania na odległość online, a ponadto sugerują, że istnieje algorytmiczna przyszłość, która wymaga ostrożnego podejścia i przeprowadzenia bardziej wielowymiarowych badań przed pełną integracją tych technologii z procesami edukacji na odległość online.
Rysunek 4. Analiza t-SNE tytułów wybranych publikacji.
4.2.2. Analiza abstraktu i słów kluczowych
W tej sekcji zaproponowano szeroko zakrojone, pojawiające się tematy badawcze zidentyfikowane na podstawie wyników eksploracji tekstu abstraktów (patrz Rysunek 5 ) i wyników słów kluczowych w sieciach społecznościowych (patrz Rysunek 6 ). W celu eksploracji tekstu abstraktów naukowcy przeprowadzili analizę leksykalną, która obejmuje „dwa etapy ekstrakcji informacji o współwystępowaniu — semantyczny i relacyjny — przy użyciu innego algorytmu dla każdego etapu” [18] .] (s. 262). W ten sposób analiza eksploracji tekstu umożliwiła naukowcom zidentyfikowanie ukrytych wzorców i zwizualizowanie ich na tematycznej mapie pojęciowej. Słowa kluczowe są przedstawicielami granularnymi, a do analizy słów kluczowych wykorzystano SNA. SNA „zapewnia skuteczne sposoby podsumowywania sieci i identyfikowania kluczowych osób, [podmiotów] lub innych obiektów, które zajmują strategiczne lokalizacje i pozycje w macierzy powiązań” [ 12 ] (str. 6). W tym badaniu słowa kluczowe zostały przeanalizowane na podstawie ich współwystępowania i zwizualizowane na wykresie sieciowym. W ten sposób autorzy byli w stanie zidentyfikować strategiczne słowa kluczowe i odpowiednio je przeanalizować. Pojawiające się tematy są przedstawiane poprzez przedstawienie śladów z ryciny 5 i ryciny 6 , a następnie omawiane, korzystając z powiązanej literatury.
Rysunek 5. Mapa koncepcyjna abstraktów zwizualizowana za pomocą eksploracji tekstu.
Rysunek 6. Analiza słów kluczowych w sieciach społecznościowych.
Eksploracja danych edukacyjnych, analityka uczenia się i sztuczna inteligencja na potrzeby uczenia się adaptacyjnego i spersonalizowanego (patrz połączone ścieżki na rysunku 5 : AI, inteligencja, uczenie się, spersonalizowane, systemowe, e-learning, adaptacyjne, środowiska; zobacz połączone węzły na rysunku 5 : uczenie adaptacyjne, sztuczna inteligencja, analityka uczenia się, technologia edukacyjna, szkolnictwo wyższe i eksploracja danych, uczenie maszynowe, klasyfikacja, predykcja, edukacja online i uczenie się online, głębokie uczenie się, e-learning, system rekomendacji ).
Pierwszym tematem zidentyfikowanym w analizie była eksploracja danych edukacyjnych, analityka uczenia się i sztuczna inteligencja do adaptacyjnego i spersonalizowanego uczenia się. Eksploracja danych edukacyjnych (EDM) to rodząca się interdyscyplinarna dziedzina badań zajmująca się rozwojem metod badania danych edukacyjnych [ 31 ]. Eksploracja danych w edukacji jest alternatywą dla eksploracji danych w celu wydobycia wiedzy i przydatnych informacji, aby uczynić nauczanie i uczenie się bardziej efektywnymi [ 32 ]. Szybki wzrost i dostępność dużych ilości danych w edukacji pokazuje, że destylacja ogromnych ilości danych wymaga coraz bardziej wyrafinowanych technologii, takich jak sztuczna inteligencja i algorytmy oparte na sztucznej inteligencji. Dziedzina EDM, która zrodziła się z wyżej wymienionych potrzeb [ 33 ],34 ] wykazały wzrost wydajności dzięki wykorzystaniu technologii sztucznej inteligencji. Konwencjonalnych algorytmów eksploracji danych nie można bezpośrednio zastosować do problemów edukacyjnych, ponieważ często mają one specyficzną funkcję i cel [ 35 ] (s. 15991). EDM dotyczy wszelkiego rodzaju danych pochodzących ze środowisk edukacyjnych, które tworzą bazę i dalej promują inną koncepcję, zajmującą się gromadzeniem, pomiarem, analizą i raportowaniem danych o uczniach i ich kontekstach w celu zrozumienia i optymalizacji uczenia się i uczenia się środowisk, znanych jako analityka uczenia się (LA) [ 36 ] (s. 2).
LA koncentruje się na analizie danych środowisk edukacyjnych w celu doskonalenia działań dydaktycznych [ 37 , 38 , 39 ]. Salas-Pilco i in. [ 40] dzielą LA na dwa podejścia analityczne: (1) analiza opisowa, która koncentruje się na działaniach opartych na danych, które uczniowie pozostawiają za sobą, gdy korzystają z narzędzi cyfrowych lub wchodzą w interakcje na platformach internetowych, oraz (2) analiza predykcyjna, która wykorzystuje dane behawioralne uczącego się, historyczne dane (np. oceny z poprzednich kursów) oraz dane socjodemograficzne w celu przewidywania wyników edukacyjnych, takich jak odsetek osób przedwcześnie kończących naukę. Jednak korzystanie ze sztucznej inteligencji rodzi wiele krytycznych pytań dotyczących roli i kompetencji nauczycieli oraz roli uczniów jako autonomicznych, samodzielnych uczniów. W obecnych adaptacyjnych środowiskach edukacyjnych działania edukacyjne mają charakter zindywidualizowanych, spersonalizowanych doświadczeń edukacyjnych [ 41 ].
Powiązana literatura również potwierdza powyższe argumenty. Na przykład w swoim badaniu Lin i in. [ 42 ] wykorzystali algorytmy eksploracji danych do dostosowywania środowisk uczenia się w celu stworzenia spersonalizowanego nauczania na potrzeby kursu kreatywności, a uczestnicy ich badania osiągnęli 90% szans na uzyskanie wyników wyższych niż przeciętne w spersonalizowanym środowisku uczenia się zaprojektowanym z pomocą sztucznej inteligencji. Podobnie Garrido i Onaindia [ 43] wykorzystali sztuczną inteligencję do planowania i konstruowania spersonalizowanych tras e-learningu dla uczniów poprzez tworzenie obiektów edukacyjnych, a ich odkrycia pokazały, że wykorzystanie sztucznej inteligencji do planowania badania uczniów ułatwia spersonalizowaną ścieżkę uczenia się dla uczniów. Podobnie wiele innych badań pokazuje, że wykorzystanie sztucznej inteligencji i uczenia maszynowego poprzez EDM i LA przynosi sukces w planowaniu i tworzeniu spersonalizowanych środowisk edukacyjnych, zwłaszcza w e-learningu. Podsumowując, sztuczna inteligencja wzmocniła podejście EDM i LA oraz utorowała drogę do adaptacyjnego i spersonalizowanego uczenia się.
Algorytmiczne przestrzenie edukacyjne online, etyka i sprawczość ludzka (patrz połączone ścieżki na rysunku 5 : AI, inteligencja, uczenie się, model, algorytmy i uczenie się, maszyna, automatycznie, metoda, klasyfikacja, szkolenie, dane, wyodrębnianie i wiedza ludzka, edukacyjna, wiedza , środowisko ; patrz połączone węzły na rysunku 5 : sieci neuronowe, sztuczna inteligencja, uczenie maszynowe, uczenie online, głębokie uczenie się, analiza nastrojów, system rekomendacji, e-learning ).
Drugim zidentyfikowanym tematem były algorytmiczne przestrzenie edukacyjne online, etyka i ludzka sprawczość. Algorytmiczne przestrzenie edukacyjne online odnoszą się do środowisk uczenia się, które wykorzystują sztuczną inteligencję i techniki uczenia maszynowego do wdrażania i projektowania środowiska uczenia się. Korzystanie ze sztucznej inteligencji ma zalety w tworzeniu ścieżki sukcesu dla uczniów. Sztuczna inteligencja może zapewnić uczniowi lepszą jakość uczenia się dzięki spersonalizowanym funkcjom prowadzącym do lepszych efektów uczenia się [ 44]. Oparte na sztucznej inteligencji doświadczenia edukacyjne w środowiskach uczenia się online, takie jak masowe otwarte kursy online (MOOC), wykorzystują algorytmy uczenia maszynowego (ML) do śledzenia działań uczniów w celu poprawy ich wyników. Przetwarzanie dużych ilości danych dotyczących uczenia się za pomocą algorytmów uczenia maszynowego może wyjaśnić związek między zachowaniem podczas uczenia się a skutecznością oraz stworzyć wydajne ścieżki z systemem rekomendującym podejmującym decyzje za uczniów w nauczaniu online [45 ].
Istnieją jednak poważne ograniczenia dotyczące sposobu działania tych algorytmów podczas wykorzystywania danych edukacyjnych do podejmowania decyzji [ 46 ]. Algorytmiczne podejmowanie decyzji powinno być rozpatrywane w ramach struktury społecznej, dla której algorytmy są zaprojektowane iw której funkcjonują [ 47 ]. Badania w tym kontekście pokazują, że dane wykorzystywane do trenowania modeli do przewidywania danych edukacyjnych w systemach opartych na sztucznej inteligencji mogą mieć silne uprzedzenia i powodować nierówności w edukacji online [47 , 48 , 49 ] . W systemach opartych na sztucznej inteligencji jakość danych wykorzystywanych przez algorytmy może być niska lub stronnicza, a także mogą być podejmowane nieuzasadnione decyzje. W decyzjach może też brakować równości i sprawiedliwości dla grup społecznych [7 , 50]. Nierówne lub niesprawiedliwe decyzje podejmowane przez algorytmy nie są łatwe do śledzenia. Krótko mówiąc, projekty uczenia się oparte na sztucznej inteligencji, wykorzystujące algorytmy ML w celu zapewnienia lepszych doświadczeń edukacyjnych, mogą również powodować problemy etyczne podczas funkcjonowania ze względu na sposób działania algorytmów i tworzyć nierówności dla uczniów w środowiskach uczenia się online. Na koniec być może ważniejsze jest pytanie, czy projektujemy środowisko uczenia się oparte na procesach decyzyjnych opartych na sztucznej inteligencji, jaka jest wartość ludzkiej sprawczości i jak powinniśmy umieszczać uczniów w utkanej algorytmicznie przestrzeni edukacyjnej?
Uczenie się online poprzez wykrywanie, identyfikację, rozpoznawanie i przewidywanie (patrz połączone ścieżki na rysunku 5 : nauczanie, online, studenci, rozpoznawanie i rekomendacje, techniki, uczenie się, oparte, analiza i uczenie się, głębokie, wykrywanie, emocje ; patrz połączone węzły na rysunku 5 : uczenie maszynowe, klasyfikacja, przewidywanie ).
Trzecim ujawnionym tematem było uczenie się online poprzez wykrywanie, identyfikację, rozpoznawanie i przewidywanie. Wykorzystanie uczenia maszynowego i głębokiego uczenia się w edukacji online zapewnia nauczycielom możliwość tworzenia spersonalizowanych systemów rekomendacji (RS) poprzez analizę ogromnych ilości danych o uczniach. Inteligentne spersonalizowane systemy rekomendacji wykorzystują różne technologie rekomendacji, aby kierować zasoby do użytkowników na podstawie ich cech lub preferencji, takich jak zainteresowania, hobby, zawody i cechy zawodowe [51 ].
W środowiskach nauki online RS może sugerować działania wprowadzające przed przystąpieniem do modułów szkoleniowych. Poprzez wykrywanie i rozpoznawanie indywidualnych zainteresowań edukacyjnych RS zapewnia spersonalizowane rekomendacje ścieżek edukacyjnych i materiałów [ 52 ]. Jednak niektóre RS dostarczają bardzo dokładnych zaleceń i mogą być również bezużyteczne w niektórych rzeczywistych scenariuszach nauki online. Dlatego, aby przezwyciężyć nieskuteczność takich zaleceń w środowisku e-learningowym, dobry RS powinien być umiejscowiony społecznie. Dobry RS powinien również być w stanie śledzić, rozumieć i modelować różne etapy zdobywania wiedzy przez uczącego się [ 53]. Krótko mówiąc, algorytmy ML i DL są używane do rozpoznawania i analizowania zachowań edukacyjnych poszczególnych osób w celu dostarczania spersonalizowanych rekomendacji w celu lepszego uczenia się online. RS są kluczowe dla zapewnienia spersonalizowanych ścieżek nauczania i materiałów, które mogą zwiększyć efektywność nauki w środowiskach e-learningowych.
5. Wnioski i implikacje
W badaniu tym zbadano sztuczną inteligencję w edukacji na odległość online za pomocą systematycznego przeglądu. W związku z tym badanie wykazało rosnące zainteresowanie badawcze i szeroki zakres wykorzystania technologii sztucznej inteligencji, co dodatkowo wymaga zbadania wykorzystania sztucznej inteligencji z różnych perspektyw. Odkrycia wskazują, że w dużym stopniu polegamy na technologiach sztucznej inteligencji i czekają na nas algorytmiczne scenariusze przyszłości. W badaniu zaproponowano trzy szerokie tematy badawcze, którymi były (1) eksploracja danych edukacyjnych, analityka uczenia się i sztuczna inteligencja na potrzeby uczenia się adaptacyjnego i spersonalizowanego, (2) algorytmiczne przestrzenie edukacyjne online, etyka i sprawczość ludzka oraz (3) uczenie się online poprzez wykrywanie, identyfikacja, rozpoznawanie i przewidywanie.
Na podstawie wyników badania i wrażeń z recenzowanych publikacji można rozważyć następujące implikacje dla przyszłych kierunków badań. Po pierwsze, większość zastosowań sztucznej inteligencji w edukacji na odległość online to badania czysto techniczne, które ignorują takie kwestie, jak pedagogika, program nauczania i projektowanie instruktażowe/uczenia się. Jednak aplikacje te powinny koncentrować się na sprawczości człowieka i łączyć procesy techniczne poprzez teorię i praktykę. Po drugie, chociaż technologie sztucznej inteligencji wykorzystują dane generowane przez człowieka, brakuje regulacji dotyczących sposobu korzystania z tych danych i stosowania zasad etyki sztucznej inteligencji. W związku z tym sugeruje się, aby przyszłe badania koncentrowały się na tym zagadnieniu,
Autorskie Wkłady
Konceptualizacja, AB i MED; metodologia, AB; oprogramowanie, AB; walidacja, TGD, AB i MED; analiza formalna, AB; dochodzenie, MED; zasoby, TGD; przechowywanie danych, AB; pisanie – przygotowanie projektu autorskiego, MED, AB i TGD; pisanie — recenzja i redakcja, TGD, AB i MED; wizualizacja, AB; nadzór, TGD; administracja projektami, MED; pozyskanie finansowania, TGD Wszyscy autorzy przeczytali i zaakceptowali opublikowaną wersję manuskryptu.
Finansowanie
Badania te są finansowane przez Odesoft Ltd. Co. z Antalya Technopolis.
Oświadczenie instytucjonalnej komisji rewizyjnej
W przypadku tego badania zrezygnowano z oceny etycznej i zatwierdzenia, ponieważ systematyczne badania przeglądowe nie obejmują żadnych ludzi ani żywych uczestników.
Oświadczenie o świadomej zgodzie
Nie dotyczy.
Oświadczenie o dostępności danych
Dane są dostępne u odpowiedniego autora na uzasadnione żądanie.
Konflikt interesów
Autorzy deklarują brak konfliktu interesów.
Bibliografia
- Pelletier, K.; Brązowy, M.; Brooks, DC; McCormack, M.; Reeves, J.; Arbino, N.; Bozkurt, A.; Crawford, S.; Czerniewicz L.; Gibson, R.; i in. Educause Horizon Raport Nauczanie i uczenie się Edycja. Edukacja. 2021. Dostępne online: https://www.learntechlib.org/p/219489/ (dostęp: 18 grudnia 2022).
- Pelletier, K.; McCormack, M.; Reeves, J.; Robert, J.; Arbino, N.; Al-Freih, WM; Dickson-Deane, C.; Guevara, C.; Koster, L.; Sanchez-Mendiola, M.; i in. Educause Horizon Raport Nauczanie i uczenie się Edycja. Edukacja. 2022. Dostępne online: https://www.learntechlib.org/p/221033/ (dostęp: 17.12.2022).
- Zawacki-Richter, O.; Marín, VI; Bond, M.; Gouverneur, F. Systematyczny przegląd badań nad zastosowaniami sztucznej inteligencji w szkolnictwie wyższym – gdzie są pedagodzy? Int. J. Eduk. Techno. Wysoki. Eduk. 2019 , 16 , 39. [ Google Scholar ] [ CrossRef ][ Wersja zielona ]
- Ouyang, F.; Zheng, L.; Jiao, P. Sztuczna inteligencja w internetowym szkolnictwie wyższym: systematyczny przegląd badań empirycznych w latach 2011-2020. Educ. Inf. Techno. 2022 , 27 , 7893–7925. [ Google Scholar ] [ CrossRef ]
- Tang, Kentucky; Chang, CY; Hwang, GJ Trendy w e-learningu wspieranym przez sztuczną inteligencję: systematyczny przegląd i analiza sieci współcytowania (1998–2019). Oddziaływać. Uczyć się. Otaczać. 2021 , 1–19. [ Google Scholar ] [ CrossRef ]
- Bozkurt, A.; Karadeniz, K.; Baneres, D.; Guerrero-Roldán, AE; Rodríguez, ME Sztuczna inteligencja i refleksje z krajobrazu edukacyjnego: przegląd badań nad sztuczną inteligencją za pół wieku. Zrównoważony rozwój 2021 , 13 , 800. [ Google Scholar ] [ CrossRef ]
- Casas-Roma, J.; Conesa, J. Przegląd literatury na temat sztucznej inteligencji i etyki w nauczaniu online. W inteligentnych systemach i analizie danych edukacyjnych w edukacji online ; Caballé S., Demetriadis SN, Gómez-Sánchez E., Papadopoulos PM, Weinberger A., wyd.; Prasa akademicka: Cambridge, MA, USA, 2021; s. 111–131. [ Google Scholar ] [ CrossRef ]
- Nassoura, AB Zastosowane aplikacje sztucznej inteligencji w instytucjach szkolnictwa wyższego: przegląd systematyczny. Webologia 2022 , 19 , 1168–1183. [ Google Scholar ]
- Gough, D.; Oliver S.; Thomas, J. Wprowadzenie przeglądów systematycznych. We wstępie do przeglądów systematycznych ; Gough, D., Oliver, S., Thomas, J., wyd.; Sage: Londyn, Wielka Brytania, 2012; s. 1–18. [ Google Scholar ]
- Donthu, N.; Kumar, S.; Mukherjee, D.; Pandey, N.; Lim, WM Jak przeprowadzić analizę bibliometryczną: przegląd i wytyczne. J. Autobus. Rez. 2021 , 133 , 285–296. [ Google Scholar ] [ CrossRef ]
- Fayyad, U.; Grinstein, GG; Wierse, A. (red.) Wizualizacja informacji w eksploracji danych i odkrywaniu wiedzy ; Morgan Kaufmann: San Francisco, Kalifornia, USA, 2002. [ Google Scholar ]
- Hansen, DL; Shneiderman, B.; Smith, MA; Himelboim, I. Analizowanie sieci mediów społecznościowych za pomocą Nodexl: Insights from a Connected World , wyd. 2; Morgan Kaufmann: Cambridge, MA, USA, 2020. [ Google Scholar ]
- Aggarwal, CC; Zhai, C. Wydobywanie danych tekstowych ; Springer Science & Business Media: Boston, MA, USA, 2012. [ Google Scholar ] [ CrossRef ]
- van der Maaten, L.; Hinton, G. Wizualizacja danych za pomocą t-SNE. J. Mach. Uczyć się. Rez. 2008 , 9 , 2579–2605. [ Google Scholar ]
- Thurmond, Wirginia Punkt triangulacji. J. Nurs. Uczony. 2001 , 33 , 253–258. [ Google Scholar ] [ CrossRef ]
- Scopus. Dostępne online: https://www.elsevier.com/solutions/scopus/how-scopus-works/content (dostęp: 13 lipca 2022 r.).
- Strona, MJ; McKenzie, JE; Bossuyt, PM; Boutron, I.; Hoffmann, TC; Mulrow, CD; Shamseer, L.; Tetzlaff, JM; Akl, EA; Brennan, SE; i in. Oświadczenie PRISMA 2020: Zaktualizowane wytyczne dotyczące zgłaszania przeglądów systematycznych. Int. J. Surg. 2021 , 372 , n71. [ Google Scholar ] [ CrossRef ]
- Smith, AE; Humphreys, MS Ocena nienadzorowanego mapowania semantycznego języka naturalnego za pomocą mapowania koncepcji Leximancer. Zachowanie Rez. Metody 2006 , 38 , 262–279. [ Google Scholar ] [ CrossRef ][ Wersja zielona ]
- Kotsiantis S.; Pierrakeas, C.; Pintelas, P. Przewidywanie wyników uczniów w nauczaniu na odległość przy użyciu technik uczenia maszynowego. Aplikacja Artif. Intel. 2004 , 18 , 411–426. [ Google Scholar ] [ CrossRef ]
- Lykourentzou, I.; Giannoukos, I.; Nikolopoulos, V.; Mpardis, G.; Loumos, V. Przewidywanie rezygnacji z kursów e-learningowych poprzez połączenie technik uczenia maszynowego. Oblicz. Eduk. 2009 , 53 , 950–965. [ Google Scholar ] [ CrossRef ]
- Tan, M.; Shao, P. Przewidywanie odpadu ucznia w programie e-Learning z wykorzystaniem metody uczenia maszynowego. Int. J. Emerg. Techno. Uczyć się. 2015 , 10 , 11–17. [ Google Scholar ] [ CrossRef ]
- Wang, C. Rozpoznawanie emocji związane z zaangażowaniem studentów w naukę online w oparciu o głębokie uczenie się. Int. J. Emerg. Techno. Uczyć się. 2022 , 17 , 110–122. [ Google Scholar ] [ CrossRef ]
- Ganidisastra, AHS; Bandung, Y. Przyrostowe szkolenie w zakresie głębokiego uczenia się rozpoznawania twarzy dla M-Learning Online Exam Proctoring. W Proceedings of the IEEE Asia Pacific Conference on Wireless and Mobile (APWiMob), Bandung, Indonezja, 8–10 kwietnia 2021 r. [ Google Scholar ] [ CrossRef ]
- Feng, X.; Wei, Y.; Pan, X .; Qiu, L.; Ma, Y. Akademicka metoda klasyfikacji i rozpoznawania emocji w środowisku uczenia się online na dużą skalę — oparta na metodzie głębokiego uczenia A-CNN i LSTM-ATT. Int. J. Środowisko. Rez. Zdrowie publiczne 2020 , 17 , 1941. [ Google Scholar ] [ CrossRef ] [ PubMed ][ Green Version ]
- Wang, X.; Zhang, L.; On, T. Uczenie się spersonalizowanych informacji zwrotnych opartych na przewidywaniach wydajności w uczeniu się online za pośrednictwem uczenia maszynowego. Zrównoważony rozwój 2022 , 14 , 7654. [ Google Scholar ] [ CrossRef ]
- Luo, Y.; Han, X.; Zhang, C. Przewidywanie efektów uczenia się za pomocą algorytmu uczenia maszynowego na podstawie danych dotyczących zachowań podczas uczenia się online na kursach mieszanych. Azja Pac. Eduk. Obj. 2022 , 1–19. [ Google Scholar ] [ CrossRef ]
- Park, HS; Yoo, SJ Przewidywanie wczesnego odpadnięcia w uczeniu się online na uniwersytecie przy użyciu uczenia maszynowego. Int. J. Poinformuj. Vis. 2021 , 5 , 347–353. [ Google Scholar ] [ CrossRef ]
- Srisa-An, C.; Yongsiriwit, K. Zastosowanie uczenia maszynowego i sztucznej inteligencji do samodzielnego, spersonalizowanego uczenia się online. W systemach rozmytych i eksploracji danych ; Tallón-Ballesteros, AJ, wyd.; IOS Press: Amsterdam, Holandia, 2019; Tom 5, s. 137–145. [ Google Scholar ]
- Chetyrbok, PV; Szostak, mgr; Alimova, LU Adaptacyjne uczenie się z wykorzystaniem sztucznej inteligencji w edukacji na odległość. W Proceedings of the Distance Learning Technologies, Jałta, Krym, 16–21 września 2021 r. [ Google Scholar ]
- Adnan, M.; AlSaeed, DH; Al-Baity, HH; Rehman, A. Wykorzystanie mocy techniki głębokiego uczenia się do stworzenia inteligentnego, kontekstowego i adaptacyjnego modelu m-learningu. Złożoność 2021 , 2021 , 5519769. [ Google Scholar ] [ CrossRef ]
- IEDMS. Eksploracja danych edukacyjnych. Dostępne online: https://educationaldatamining.org/ (dostęp: 27 grudnia 2022 r.).
- Rodrigues, MW; Isotani, S.; Zárate, LE Eksploracja danych edukacyjnych: przegląd procesu ewaluacji w e-learningu. Telemat. Poinformować. 2018 , 35 , 1701–1717. [ Google Scholar ] [ CrossRef ]
- Mohamad, SK; Tasir, Z. Eksploracja danych edukacyjnych: przegląd. Procedia Soc. Zachowanie nauka 2013 , 97 , 320–324. [ Google Scholar ] [ CrossRef ][ Wersja zielona ]
- Romero, C.; Ventura, S. Edukacyjna eksploracja danych: przegląd stanu techniki. IEEE Trans. Syst. Człowiek Cybern. C. Zał. Obj. 2010 , 40 , 601–618. [ Google Scholar ] [ CrossRef ]
- Dutt, A.; Ismail, MA; Herawan, T. Systematyczny przegląd eksploracji danych edukacyjnych. Dostęp IEEE 2017 , 5 , 15991–16005. [ Google Scholar ] [ CrossRef ]
- Romero, C.; Ventura, S. Eksploracja danych edukacyjnych i analityka uczenia się: zaktualizowana ankieta. WIRE 2021 , 10 , 1–21. [ Google Scholar ] [ CrossRef ]
- Bozkurt, A.; Sharma, RC Badanie równania analizy uczenia się: A co z carpe diem nauczania i uczenia się? Asian J. Kształcenie na odległość. 2022 , 17 , I–XIV. [ Google Scholar ] [ CrossRef ]
- Clow, D. Przegląd analityki uczenia się. Uczyć. Wysoki. Eduk. 2013 , 18 , 683–695. [ Google Scholar ] [ CrossRef ][ Wersja zielona ]
- Chatti, AM; Dyckoff, AL; Schroeder, U.; Thüs, H. Model referencyjny do analizy uczenia się. Int. J. Technol. Ulepsz. Uczyć się. 2013 , 4 , 318–331. [ Google Scholar ] [ CrossRef ]
- Salas-Pilco, SZ; Xiao, K.; Hu, X. Sztuczna inteligencja i analityka uczenia się w kształceniu nauczycieli: przegląd systematyczny. Eduk. nauka 2022 , 12 , 569. [ Google Scholar ] [ CrossRef ]
- Istenič Starčič, A. Uczenie się człowieka i analityka uczenia się w dobie sztucznej inteligencji. br. J. Eduk. Technhol. 2020 , 50 , 2974–2976. [ Google Scholar ] [ CrossRef ][ Wersja zielona ]
- Lin, CF; Tak, Y.; Zawieszony, YH; Chang, RI Eksploracja danych w celu zapewnienia spersonalizowanej ścieżki uczenia się w zakresie kreatywności: zastosowanie drzew decyzyjnych. Oblicz. Eduk. 2013 , 68 , 199–210. [ Google Scholar ] [ CrossRef ]
- Garrido, A.; Onaindia, E. Składanie obiektów edukacyjnych do spersonalizowanego uczenia się: perspektywa planowania AI. Intel IEEE. Syst. 2013 , 28 , 64–73. [ Google Scholar ] [ CrossRef ]
- Kavitha, V.; Lohani, RA Krytyczne badanie dotyczące wykorzystania sztucznej inteligencji, technologii i narzędzi e-learningowych w celu zwiększenia doświadczenia uczniów. klaster. Oblicz. 2019 , 22 , 6985–6989. [ Google Scholar ] [ CrossRef ]
- Lee, Kalifornia; Tzeng, JW; Huang, NF; Su, YS (2021). Przewidywanie wyników uczniów w masowych otwartych kursach online przy użyciu systemu głębokiego uczenia się w oparciu o zachowania związane z uczeniem się. Eduk. Techno. soc. 2021 , 24 , 130–146. [ Google Scholar ]
- Winters, TLF Educational Data Mining: Gromadzenie i analiza macierzy wyników do oceny opartej na wynikach. doktorat Teza, Uniwersytet Kalifornijski, Riverside, Kalifornia, USA, czerwiec 2006 r. (nr zamówienia 3226576). Dostępne online: https://www.proquest.com/dissertations-theses/educational-data-mining-collection-analysis-score/docview/305352728/se-2 (dostęp: 23 lutego 2023 r.).
- Prinsloo, P. Uciekając przed potworem Frankensteina i spotykając po drodze Kafkę: Algorytmiczne podejmowanie decyzji w szkolnictwie wyższym. e-learning. 2017 , 14 , 138–163. [ Google Scholar ] [ CrossRef ]
- Noble, SU Algorytmy ucisku: jak wyszukiwarki wzmacniają rasizm ; New York University Press: Nowy Jork, NY, USA, 2018. [ Google Scholar ] [ CrossRef ]
- Zembylas, M. Dekolonialne podejście do sztucznej inteligencji w nauczaniu i uczeniu się w szkolnictwie wyższym: strategie odwracania etyki cyfrowego neokolonializmu. Uczyć się. Technologia mediów. 2021 , 48 , 25–37. [ Google Scholar ] [ CrossRef ]
- Gudivada, V.; Apon, A.; Ding, J. Zagadnienia dotyczące jakości danych dla dużych zbiorów danych i uczenia maszynowego: wykraczanie poza czyszczenie i transformacje danych. Int. J. adw. Miękki. 2017 , 10 , 1–20. [ Google Scholar ]
- Xiao, J.; Wang, M.; Jiang, B.; Li, J. Spersonalizowany system rekomendacji z algorytmem kombinacyjnym do nauki online. J. Ambient Intel. Humanizuj. Oblicz. 2018 , 9 , 667–677. [ Google Scholar ] [ CrossRef ]
- Herlocker, JL; Konstanty, JA; Terveen, LG; Riedl, JT Ocena współpracujących systemów rekomendujących filtrowanie. ACM Trans. Inf. Syst. 2004 , 22 , 5–53. [ Google Scholar ] [ CrossRef ]
- Klašnja-Milićević, A.; Ivanović, M.; Nanopoulos, A. Systemy rekomendacyjne w środowiskach e-learningowych: przegląd najnowocześniejszych i możliwych rozszerzeń. Artif. Intel. Rev. 2015 , 44 , 571–604. [ Google Scholar ] [ CrossRef ]
Zastrzeżenie/Uwaga wydawcy: Oświadczenia, opinie i dane zawarte we wszystkich publikacjach należą wyłącznie do poszczególnych autorów i współautorów, a nie do MDPI i/lub redaktorów. MDPI i/lub redaktorzy zrzekają się odpowiedzialności za jakiekolwiek obrażenia osób lub mienia wynikające z pomysłów, metod, instrukcji lub produktów, do których odnosi się treść.
|
Wykorzystanie sztucznej inteligencji (AI) w procesach uczenia się online i edukacji na odległość: systematyczny przegląd badań empirycznych
Otrzymano: 19 stycznia 2023 r / Zmieniono: 17 lutego 2023 r / Przyjęto: 24 lutego 2023 r / Opublikowano: 27 lutego 2023 r
*
Autor do którego korespondencja powinna być adresowana.
Aplikacja nauka 2023 , 13 (5), 3056; https://doi.org/10.3390/app13053056
Otrzymano: 19 stycznia 2023 r / Zmieniono: 17 lutego 2023 r / Przyjęto: 24 lutego 2023 r / Opublikowano: 27 lutego 2023 r.
(Ten artykuł należy do wydania specjalnego Artificial Intelligence in Online Higher Educational Data Mining)
Udostępnij i cytuj
Styl MDPI i ACS
Dogan, ja; Goru Dogan, T.; Bozkurt, A. Wykorzystanie sztucznej inteligencji (AI) w procesach uczenia się online i edukacji na odległość: systematyczny przegląd badań empirycznych. Aplikacja nauka 2023 , 13 , 3056. https://doi.org/10.3390/app13053056
Link do artykułu: https://www.mdpi.com/2076-3417/13/5/3056
Obraz wyróżniający: Plik: Uzupełnienie monitu o sztuczną inteligencję przez dalle mini.jpg. Z Wikimedia Commons, repozytorium wolnych multimediów