فهرست نشریات علمی دسترسی آزاد ایران

چکیده مقدمه: پژوهشگران سال‌هاست در تلاش‌اند تا منشأ هوش و آگاهی انسانی را درک کنند و ماشین‌هایی بسازند که بتوانند این قابلیت‌ها را بازتولید کنند. آغاز جدی مطالعات در زمینۀ هوش مصنوعی (AI) به دوران پس از جنگ جهانی دوم بازمی‌گردد، اما نقطه‌عطف تاریخی آن کنفرانس دارموث در سال 1956 بود که جان مک‌کارتی و ماروین مینسکی برای نخستین‌بار اصطلاح «هوش مصنوعی» را به‌کار بردند. هرچند تلاش‌هایی پیش از آن نیز، مانند نظریه سیبرنتیک نوبرت وینر و مدل‌های رفتاری روس اشبای، زمینه‌ساز این حوزه بودند. در دهه‌های بعد، با ظهور زبان‌های برنامه‌نویسی و تحقیقات گسترده، هوش مصنوعی به یکی از محورهای اصلی علم کامپیوتر بدل شد. دهه‌های 1970 و 1980 میلادی دوران رشد سریع هوش مصنوعی بود و پروژه‌هایی نظیر ساخت ربات‌های انسان‌نما و توسعۀ سیستم‌های خبره، تصور توانایی تفکر ماشینی را تقویت کردند. با این حال، در اواخر دهه 1980، به‌دلیل کمبود بازده عملی و هزینه‌های بالا، سرمایه‌گذاری‌ها کاهش یافت و «زمستان هوش مصنوعی» رقم خورد. با وجود این افت، دهۀ 1990 آغاز فصل جدیدی از پیشرفت‌ها بود؛ از نرم‌افزارهای تشخیص گفتار تا ربات‌های هوشمند خانگی و سیستم‌هایی که می‌توانستند شطرنج‌بازان حرفه‌ای را شکست دهند. از اوایل قرن بیست‌ویکم، هوش مصنوعی با ظهور یادگیری عمیق، کلان‌داده و پردازش زبان طبیعی، دوباره به یکی از ارکان اصلی فناوری جهانی تبدیل شد. پیشرفت‌های خیره‌کننده در حوزه هوش مصنوعی و فناوری‌های نوین آموزشی، ابزارهای قدرتمندی را برای متحول‌ساختن فرایند سنجش کلاسی فراهم آورده است؛ از سیستم‌های نمره‌دهی خودکار و تحلیل کلان داده‌های یادگیری گرفته تا ابزارهای بازخورد فوری شخصی‌سازی‌شده. اگر هوش مصنوعی صرفاً به‌عنوان یک ابزار فنی دیده شود و پشتوانه‌های نظری آن مورد بررسی قرار نگیرد، ریسک‌های جدی متوجه کیفیت فرایند آموزش خواهد شد، از جمله کاهش عمق ارزیابی، سوگیری‌های پنهان در سیستم آموزشی، تفسیر نادرست از نقش مربی و متربی و... . بنابراین، مسئلۀ پژوهش در تقاطع این چالشهای فنی و پارادایم‌های فکری شکل می‌گیرد. این تحقیق درصدد پاسخ به این سوال است که چگونه می‌توان بنیادهای نظری و فلسفی سنجش و ارزشیابی آموزشی را به گونه‌ای بازنگری کرد که کاربرد هوش مصنوعی و فناوری‌های نوین در آن کارآمد باشد. روش‌شناسی پژوهش: روش پژوهش حاضر، توصیفی و تحلیلی است. در تحقیقات توصیفی- تحلیلی، محقق علاوه‌بر تصویرسازی، به تشریح و تبیین دلایل چگونه بودن و چرایی وضعیت مسئله و ابعاد آن می‌پردازد. محقق برای تبیین و توجیه دلایل، نیاز به تکیه‌گاه استدلالی محکمی دارد. این تکیه‌گاه از طریق جستجو در ادبیات و مباحث نظری تحقیق و تدوین گزاره‌ها و قضایای کلی موجود فراهم می‌شود. در این پژوهش ابزار گردآوری اطلاعات به‌صورت فیش‌برداری از کتب، مقاله و سایر اسناد علمی بوده است. یافته‌های پژوهش: بنیادهای فلسفی هوش مصنوعی (AI) بر دو رهیافت اصلی استوار است: نشانه‌گرایی و پیوندگرایی. نشانه‌گرایی، که ذهن را یک سیستم پردازش نمادین و منطقی مبتنی بر قواعد صریح می‌داند، و پیوندگرایی، که هوش را محصول الگوهای پویای ارتباطات در شبکه‌های عصبی (مشابه مغز) می‌داند که از طریق یادگیری حاصل می‌شود. با این حال، نظریۀ آشوب محدودیت‌های بنیادینی را بر هوش مصنوعی تحمیل می‌کند. بر اساس «اثر پروانه‌ای»، حساسیت شدید سیستم‌های دینامیکی غیرخطی به شرایط اولیه، منجر به واگرایی نمایی در نتایج پیش‌بینی‌های بلندمدت می‌شود و به‌ویژه رویکرد مبتنی بر قطعیت نشانه‌گرایی را به چالش می‌کشد. این چالش دو سویه است: از یک سو، محدودیت‌های مدل‌سازی را آشکار می‌کند و از سوی دیگر، کارآمدی پیوندگرایی را در مدل‌سازی دینامیک‌های غیرخطی تقویت می‌کند. همچنین، الگوریتم‌های هوش مصنوعی (به‌ویژه شبکه‌های عصبی) به‌ عنوان ابزاری تحلیلی برای کشف نظم پنهان در داده‌های آشوبناک و الهام‌بخش طراحی معماری‌های پیشرفته‌ای نظیر شبکه‌های عصبی بازگشتی (RNN) به‌کار می‌روند. نتیجه‌گیری: استفاده از هوش مصنوعی در فرایند آموزش و یادگیری با وجود مزایایی چون شخصی‌سازی محتوا و افزایش کارایی، پیامدهای منفی عمیقی را به دنبال دارد. اصلی‌ترین نگرانی، کاهش تدریجی مهارت‌های شناختی سطح بالا مانند تفکر انتقادی و حل مسئله است، چراکه اتکای بیش از حد به پاسخ‌های سریع و آماده مدل‌های زبانی بزرگ، فرایندهای ذهنی ضروری برای جستجو و ارزیابی مستقل را حذف می‌کند. در کنار این چالش شناختی، نابرابری آموزشی از طریق تشدید شکاف دیجیتال میان دانش‌آموزان دارای دسترسی و فاقد آن عمیق‌تر می‌شود؛ همچنین، اگر الگوریتم‌ها به درستی مدیریت نشوند، می‌توانند سوگیری‌های موجود در داده‌های آموزشی را بازتولید کرده و منجر به الگوهای تبعیض‌آمیز در ارزیابی و توصیه‌های آموزشی شوند. کاربرد هوش مصنوعی در آموزش، پرسش‌های فلسفی پیچیده‌ای را در حوزه‌های معرفت‌شناختی و انسان‌شناختی مطرح می‌کند که بررسی آنها برای طراحی مؤثر سیستم‌های آموزشی ضروری است. یکی از مهم‌ترین این دلالت‌ها، مسئلۀ اصالت دانش تولیدی توسط هوش مصنوعی است؛ در حالی که برخی آن را صرفاً ابزاری برای پردازش حقایق می‌دانند، برخی دیگر با توجه به توانایی آن در کشف الگوهای پیچیده و حل مسئله، این فناوری را در مسیر تولید دانش اصیل ارزیابی می‌کنند. بااین‌حال، یادگیری هوش مصنوعی با یادگیری انسانی تفاوت‌های بسیاری دارد؛ انسان‌ها از تجربیات، احساسات و خودآگاهی بهره می‌برند، درحالی‌که هوش مصنوعی بر الگوریتم‌ها و داده‌های دیجیتال وسیع متکی است و فقدان درک عمیق و خلاقیت، همچنان موانعی برای تولید دانش کاملاً اصیل توسط ماشین محسوب می‌شوند. حضور هوش مصنوعی تحول بنیادینی در نقش مربی و متربی در فرایند ارزشیابی ایجاد می‌کند. نقش مربی از یک مجری صرف آزمون‌ها و متصدی نمره‌دهی، به یک طراح ارزشیابی معنادار، مفسر داده‌های تولیدشده و تسهیل‌گر بازخورد شخصی‌سازی‌شده ارتقا می‌یابد. درنتیجه، تمرکز ارزشیابی از سنجش دانش صرف در آزمون‌های پایانی به سنجش مستمر شایستگی‌های کلیدی نظیر تفکر انتقادی و حل مسئله تغییر می‌یابد. از سوی دیگر، متربی از یک یادگیرنده منفعل به یک یادگیرنده فعال و خودراهبر تبدیل می‌شود که می‌تواند با استفاده از ابزارهای هوش مصنوعی سرعت یادگیری خود را تنظیم کرده و با خودارزیابی و مشارکت در فرایند بازخورد، مسئولیت‌پذیری بیشتری کسب کند، که این تغییرات کیفیت کلی آموزش و آمادگی برای چالش‌های قرن بیست و یکم را بهبود می‌بخشد.