Portal:Інститут чорних дір/Семінари

<mediawiki xmlns="http://www.mediawiki.org/xml/export-0.11/" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://www.mediawiki.org/xml/export-0.11/ http://www.mediawiki.org/xml/export-0.11.xsd" version="0.11" xml:lang="en">
  <siteinfo>
    <sitename>Wikiversity</sitename>
    <dbname>betawikiversity</dbname>
    <base>https://beta.wikiversity.org/wiki/Main_Page</base>
    <generator>MediaWiki 1.47.0-wmf.12</generator>
    <case>first-letter</case>
    <namespaces>
      <namespace key="-2" case="first-letter">Media</namespace>
      <namespace key="-1" case="first-letter">Special</namespace>
      <namespace key="0" case="first-letter" />
      <namespace key="1" case="first-letter">Talk</namespace>
      <namespace key="2" case="first-letter">User</namespace>
      <namespace key="3" case="first-letter">User talk</namespace>
      <namespace key="4" case="first-letter">Wikiversity</namespace>
      <namespace key="5" case="first-letter">Wikiversity talk</namespace>
      <namespace key="6" case="first-letter">File</namespace>
      <namespace key="7" case="first-letter">File talk</namespace>
      <namespace key="8" case="first-letter">MediaWiki</namespace>
      <namespace key="9" case="first-letter">MediaWiki talk</namespace>
      <namespace key="10" case="first-letter">Template</namespace>
      <namespace key="11" case="first-letter">Template talk</namespace>
      <namespace key="12" case="first-letter">Help</namespace>
      <namespace key="13" case="first-letter">Help talk</namespace>
      <namespace key="14" case="first-letter">Category</namespace>
      <namespace key="15" case="first-letter">Category talk</namespace>
      <namespace key="710" case="first-letter">TimedText</namespace>
      <namespace key="711" case="first-letter">TimedText talk</namespace>
      <namespace key="828" case="first-letter">Module</namespace>
      <namespace key="829" case="first-letter">Module talk</namespace>
      <namespace key="1198" case="first-letter">Translations</namespace>
      <namespace key="1199" case="first-letter">Translations talk</namespace>
      <namespace key="1728" case="first-letter">Event</namespace>
      <namespace key="1729" case="first-letter">Event talk</namespace>
    </namespaces>
  </siteinfo>
  <page>
    <title>Portal:Інститут чорних дір/Семінари</title>
    <ns>0</ns>
    <id>49243</id>
    <revision>
      <id>385423</id>
      <parentid>385385</parentid>
      <timestamp>2026-07-21T09:38:32Z</timestamp>
      <contributor>
        <username>Galaxy Accelerator</username>
        <id>31236</id>
      </contributor>
      <origin>385423</origin>
      <model>wikitext</model>
      <format>text/x-wiki</format>
      <text bytes="8065" sha1="ez6qekn5xhp94tj7sek3sqjeqtf84d4" xml:space="preserve">=== План семінару 14 липня 2026 року ===
# Конкурс наукових тем.
# Квантова свідомість.
# Енергія обертання чорних дір.
# Графіки у європейський фізичний журнал.

== Минулі семінари ==

=== План семінару 14 липня 2026 року ===
# Aerosols and hydrocarbons in the atmosphere of a white dwarf planet.
# Огляд препринтів за червень.
# Нова діаграма активності галактик.
# Стійкість голих сингулярностей.

== 2024 ==

=== План семінару 15 липня 2025 року ===
# Гамовська конференція.
# Препринт про збурення у ЗТВ з скалярним полем.
# Семінар з f(R)-гравітації.
# Орбіти навколо чорних дір.

=== План семінару 10 червня 2025 року ===
# Resolution of the neutron lifetime puzzle.
# Полярні збурення у ЗТВ з скалярним полем.
# Інфляція у f(R)-гравітації.
# Проблеми ШІ з каскадною нотацією.


=== План семінару 13 травня 2025 року ===
# Реєстрація на конференцію &quot;Астрономія та фізика космосу&quot;.
# Статті за квітень.
# Коваріантна похідна.
# Виведення метрики Керра.

=== План семінару 29 квітня 2025 року ===
# Абстракт доповіді про сингулярності.
# Підготовка школярів з теоретичної астрофізики.
# Релятивістська теорія Владимирова.
# Електронний мікроскоп.

=== План семінару 22 квітня 2025 року ===
# Текст статті про сингулярності.
# План модернізації комп'ютерів до 2040.
# Релятивістська теорія гравітації.
# Символи Кристофеля.

== 2024 ==

=== План семінару 20 серпня 2024 року ===
# Гамовська конференція.
# Dip learning.
# Сингулярності зі скалярним полем.
# Написання книг у Chat GPT.

=== План семінару 5 березня 2024 року ===
# Колаборація з росіянами.
# Модернізація комп'ютера Умбріель.
# Новини астрофізики за лютий.
# Нові скрипти ХММ.

=== План семінару 30 січня 2024 року ===
# Планування публікацій на 2025 рік.
# Рецензія статті у Astronomy and Astrophysics.
# Полярні квазінормальні моди чорних дір.
# Перспективи використання MMODA.

== 2023 ==

=== План семінару 5 грудня 2023 року ===
# Сервер у лабораторії 425.
# Реєстрація на асамблею МАС до 1 березня.
# Перспективи теми МОН на КАО.
# Нові статті з рентгенівської астрономії.

=== План семінару 7 листопада 2023 року ===
# Нова стаття для гранту GFD.
# Реєстрація на асамблею МАС.
# Подвійний вік Всесвіту.
# Покупка кольорового принтера.

=== План семінару 17 жовтня 2023 року ===
# Результати поїздки у Львів 12-15 жовтня.
# Доповідь Євгена Сагая про NGC1275.
# Стаття в Astronomy and Astrophysics про SDSS.
# Адміністрування комп'ютера Нереїда.

=== План семінару 26 вересня 2023 року ===
# Поїздка у Львів 12-15 жовтня.
# Підсумки вступу в аспірантуру ФФ.
# Плани публікацій на 2024 рік.
# Комп'ютери з теми НФФД.

=== План семінару 29 серпня 2023 року ===
# Секційні доповіді Гамовської конференції.
# Новини клуба &quot;Астрополіс&quot;.
# Огляд україномовної літератури з астрономії.
# Методи досліджень великомасштабної структури.

=== План семінару 15, 22 серпня 2023 року ===
# Гамовська конференція.
# Лекції з теорії відносності.
# Огляд літератури.
# Густина нейтронних зір.

=== План семінару 8 серпня 2023 року ===
# Astro-ph news.
# Ліквідація VIRGO.UA.
# Набір аспірантів до КНУ.
# Конференція у Львові.

=== План семінару 1 серпня 2023 року ===
# Підготовка до конференції в Одесі. Надсилання статей до 30 вересня.
# Jiangsu Qingfei Talent Technology.
# Хід написання програми з моделювання аксіонів.
# Наукові публікації та тези конференцій за 2023 рік,

=== План семінару 20 червня 2023 року ===
# Швець Антон. Бакалаврська робота &quot;Розв'язки рівнянь Максвелла у сферичній системі координат&quot;.
# Prospects of detecting soft X-ray emission from typical WHIM filaments around massive clusters and the Coma cluster soft excess.
# Фізика високих енергій на гратці.
# Планківська відстань.

=== План семінару 13 червня 2023 року ===
# Швидкі блакитні наднові.
# Пакет SAS на комп'ютері Титанія.
# Алгоритм двовимірної апроксимації філаментів.
# Методи об'єднання рентгенівських спектрів.

=== План семінару 6 червня 2023 року ===
# Новини астрофізики.
# Тема Федорової.
# Іспит з позагалактичної астрономії.
# Статті про SDSS i Mrk 273.

=== План семінару 30 травня 2023 року ===
# Апроксимація міжгалактичних філаментів графами.
# Аксіонна зоря.
# VPN, VNC, SSH і вимикання світла.
# Робота у Китаї.

=== План семінару 23 травня 2023 року ===
# Публікація статті про мережу філаментів у Astrophysical Journal.
# Недостача рентгенівських галактик з низькою металічністю у SDSS.
# Проблема означення Великого Вибуху.
# Конференція &quot;Астрономія та фізика космосу&quot;.

=== План семінару 16 травня 2023 року ===
# Відповідь на рецензію MNRAS на статтю про рентгенівські галактики SDSS.
# Обговорення перенаправлення статті про Маркаряна 273 з Physics до Astronomische Nachrihten.
# Визначення журналу для публікації статті про графітовий всесвіт.
# Перспективи написання роботи на МАН про емерджентну гравітацію.
# Репетиція захисту дипломної Гугніна. 
# Встановлення програмного забезпечення ХММ на комп'ютер Титанія.

[[Category:Портал:Інститут чорних дір]]
[[Category:UK]]</text>
      <sha1>ez6qekn5xhp94tj7sek3sqjeqtf84d4</sha1>
    </revision>
    <revision>
      <id>385424</id>
      <parentid>385423</parentid>
      <timestamp>2026-07-21T09:38:49Z</timestamp>
      <contributor>
        <username>Galaxy Accelerator</username>
        <id>31236</id>
      </contributor>
      <comment>/* 2024 */</comment>
      <origin>385424</origin>
      <model>wikitext</model>
      <format>text/x-wiki</format>
      <text bytes="8065" sha1="dg076y50ar6xcftyuaiwrlk36dly5ar" xml:space="preserve">=== План семінару 14 липня 2026 року ===
# Конкурс наукових тем.
# Квантова свідомість.
# Енергія обертання чорних дір.
# Графіки у європейський фізичний журнал.

== Минулі семінари ==

=== План семінару 14 липня 2026 року ===
# Aerosols and hydrocarbons in the atmosphere of a white dwarf planet.
# Огляд препринтів за червень.
# Нова діаграма активності галактик.
# Стійкість голих сингулярностей.

== 2025 ==

=== План семінару 15 липня 2025 року ===
# Гамовська конференція.
# Препринт про збурення у ЗТВ з скалярним полем.
# Семінар з f(R)-гравітації.
# Орбіти навколо чорних дір.

=== План семінару 10 червня 2025 року ===
# Resolution of the neutron lifetime puzzle.
# Полярні збурення у ЗТВ з скалярним полем.
# Інфляція у f(R)-гравітації.
# Проблеми ШІ з каскадною нотацією.


=== План семінару 13 травня 2025 року ===
# Реєстрація на конференцію &quot;Астрономія та фізика космосу&quot;.
# Статті за квітень.
# Коваріантна похідна.
# Виведення метрики Керра.

=== План семінару 29 квітня 2025 року ===
# Абстракт доповіді про сингулярності.
# Підготовка школярів з теоретичної астрофізики.
# Релятивістська теорія Владимирова.
# Електронний мікроскоп.

=== План семінару 22 квітня 2025 року ===
# Текст статті про сингулярності.
# План модернізації комп'ютерів до 2040.
# Релятивістська теорія гравітації.
# Символи Кристофеля.

== 2024 ==

=== План семінару 20 серпня 2024 року ===
# Гамовська конференція.
# Dip learning.
# Сингулярності зі скалярним полем.
# Написання книг у Chat GPT.

=== План семінару 5 березня 2024 року ===
# Колаборація з росіянами.
# Модернізація комп'ютера Умбріель.
# Новини астрофізики за лютий.
# Нові скрипти ХММ.

=== План семінару 30 січня 2024 року ===
# Планування публікацій на 2025 рік.
# Рецензія статті у Astronomy and Astrophysics.
# Полярні квазінормальні моди чорних дір.
# Перспективи використання MMODA.

== 2023 ==

=== План семінару 5 грудня 2023 року ===
# Сервер у лабораторії 425.
# Реєстрація на асамблею МАС до 1 березня.
# Перспективи теми МОН на КАО.
# Нові статті з рентгенівської астрономії.

=== План семінару 7 листопада 2023 року ===
# Нова стаття для гранту GFD.
# Реєстрація на асамблею МАС.
# Подвійний вік Всесвіту.
# Покупка кольорового принтера.

=== План семінару 17 жовтня 2023 року ===
# Результати поїздки у Львів 12-15 жовтня.
# Доповідь Євгена Сагая про NGC1275.
# Стаття в Astronomy and Astrophysics про SDSS.
# Адміністрування комп'ютера Нереїда.

=== План семінару 26 вересня 2023 року ===
# Поїздка у Львів 12-15 жовтня.
# Підсумки вступу в аспірантуру ФФ.
# Плани публікацій на 2024 рік.
# Комп'ютери з теми НФФД.

=== План семінару 29 серпня 2023 року ===
# Секційні доповіді Гамовської конференції.
# Новини клуба &quot;Астрополіс&quot;.
# Огляд україномовної літератури з астрономії.
# Методи досліджень великомасштабної структури.

=== План семінару 15, 22 серпня 2023 року ===
# Гамовська конференція.
# Лекції з теорії відносності.
# Огляд літератури.
# Густина нейтронних зір.

=== План семінару 8 серпня 2023 року ===
# Astro-ph news.
# Ліквідація VIRGO.UA.
# Набір аспірантів до КНУ.
# Конференція у Львові.

=== План семінару 1 серпня 2023 року ===
# Підготовка до конференції в Одесі. Надсилання статей до 30 вересня.
# Jiangsu Qingfei Talent Technology.
# Хід написання програми з моделювання аксіонів.
# Наукові публікації та тези конференцій за 2023 рік,

=== План семінару 20 червня 2023 року ===
# Швець Антон. Бакалаврська робота &quot;Розв'язки рівнянь Максвелла у сферичній системі координат&quot;.
# Prospects of detecting soft X-ray emission from typical WHIM filaments around massive clusters and the Coma cluster soft excess.
# Фізика високих енергій на гратці.
# Планківська відстань.

=== План семінару 13 червня 2023 року ===
# Швидкі блакитні наднові.
# Пакет SAS на комп'ютері Титанія.
# Алгоритм двовимірної апроксимації філаментів.
# Методи об'єднання рентгенівських спектрів.

=== План семінару 6 червня 2023 року ===
# Новини астрофізики.
# Тема Федорової.
# Іспит з позагалактичної астрономії.
# Статті про SDSS i Mrk 273.

=== План семінару 30 травня 2023 року ===
# Апроксимація міжгалактичних філаментів графами.
# Аксіонна зоря.
# VPN, VNC, SSH і вимикання світла.
# Робота у Китаї.

=== План семінару 23 травня 2023 року ===
# Публікація статті про мережу філаментів у Astrophysical Journal.
# Недостача рентгенівських галактик з низькою металічністю у SDSS.
# Проблема означення Великого Вибуху.
# Конференція &quot;Астрономія та фізика космосу&quot;.

=== План семінару 16 травня 2023 року ===
# Відповідь на рецензію MNRAS на статтю про рентгенівські галактики SDSS.
# Обговорення перенаправлення статті про Маркаряна 273 з Physics до Astronomische Nachrihten.
# Визначення журналу для публікації статті про графітовий всесвіт.
# Перспективи написання роботи на МАН про емерджентну гравітацію.
# Репетиція захисту дипломної Гугніна. 
# Встановлення програмного забезпечення ХММ на комп'ютер Титанія.

[[Category:Портал:Інститут чорних дір]]
[[Category:UK]]</text>
      <sha1>dg076y50ar6xcftyuaiwrlk36dly5ar</sha1>
    </revision>
  </page>
  <page>
    <title>User:Віталій Васильович Івчук</title>
    <ns>2</ns>
    <id>55762</id>
    <revision>
      <id>385432</id>
      <parentid>384912</parentid>
      <timestamp>2026-07-23T07:15:10Z</timestamp>
      <contributor>
        <username>Віталій Васильович Івчук</username>
        <id>55643</id>
      </contributor>
      <minor />
      <origin>385432</origin>
      <model>wikitext</model>
      <format>text/x-wiki</format>
      <text bytes="2639" sha1="37urstdq2jolv4iirn2aiwmivdnflo8" xml:space="preserve">== Про мене ==
Вчений-біохімік.

Кандидат біологічних наук, доцент

Основні інтереси:

* біохімія
* фармація
* фармакологія
* фармакогнозія
* медицина
* лабораторна діагностика

== Внесок ==
* [https://xtools.wmcloud.org/ec/uk.wikipedia.org/%D0%92%D1%96%D1%82%D0%B0%D0%BB%D1%96%D0%B9%20%D0%92%D0%B0%D1%81%D0%B8%D0%BB%D1%8C%D0%BE%D0%B2%D0%B8%D1%87%20%D0%86%D0%B2%D1%87%D1%83%D0%BA Лічильник редагувань]
* [https://xtools.wmcloud.org/globalcontribs/%D0%92%D1%96%D1%82%D0%B0%D0%BB%D1%96%D0%B9%20%D0%92%D0%B0%D1%81%D0%B8%D0%BB%D1%8C%D0%BE%D0%B2%D0%B8%D1%87%20%D0%86%D0%B2%D1%87%D1%83%D0%BA Глобальний внесок користувача]
* [https://xtools.wmcloud.org/pages/uk.wikipedia.org/%D0%92%D1%96%D1%82%D0%B0%D0%BB%D1%96%D0%B9%20%D0%92%D0%B0%D1%81%D0%B8%D0%BB%D1%8C%D0%BE%D0%B2%D0%B8%D1%87%20%D0%86%D0%B2%D1%87%D1%83%D0%BA Створені сторінки]
* [https://xtools.wmcloud.org/topedits/uk.wikipedia.org/%D0%92%D1%96%D1%82%D0%B0%D0%BB%D1%96%D0%B9%20%D0%92%D0%B0%D1%81%D0%B8%D0%BB%D1%8C%D0%BE%D0%B2%D0%B8%D1%87%20%D0%86%D0%B2%D1%87%D1%83%D0%BA/0 Найредагованіші]
* [https://xtools.wmcloud.org/autoedits/uk.wikipedia.org/%D0%92%D1%96%D1%82%D0%B0%D0%BB%D1%96%D0%B9%20%D0%92%D0%B0%D1%81%D0%B8%D0%BB%D1%8C%D0%BE%D0%B2%D0%B8%D1%87%20%D0%86%D0%B2%D1%87%D1%83%D0%BA Автоматичні редагування]
* [https://xtools.wmcloud.org/topedits/uk.wikipedia.org/%D0%92%D1%96%D1%82%D0%B0%D0%BB%D1%96%D0%B9%20%D0%92%D0%B0%D1%81%D0%B8%D0%BB%D1%8C%D0%BE%D0%B2%D0%B8%D1%87%20%D0%86%D0%B2%D1%87%D1%83%D0%BA/14 Редагування категорій]
* [https://xtools.wmcloud.org/adminscore/uk.wikipedia.org/%D0%92%D1%96%D1%82%D0%B0%D0%BB%D1%96%D0%B9%20%D0%92%D0%B0%D1%81%D0%B8%D0%BB%D1%8C%D0%BE%D0%B2%D0%B8%D1%87%20%D0%86%D0%B2%D1%87%D1%83%D0%BA Оцінка адміністрування]
* [https://xtools.wmcloud.org/editsummary/uk.wikipedia.org/%D0%92%D1%96%D1%82%D0%B0%D0%BB%D1%96%D0%B9%20%D0%92%D0%B0%D1%81%D0%B8%D0%BB%D1%8C%D0%BE%D0%B2%D0%B8%D1%87%20%D0%86%D0%B2%D1%87%D1%83%D0%BA/0 Описи редагувань]
* [https://xtools.wmcloud.org/sc/uk.wikipedia.org/%D0%92%D1%96%D1%82%D0%B0%D0%BB%D1%96%D0%B9%20%D0%92%D0%B0%D1%81%D0%B8%D0%BB%D1%8C%D0%BE%D0%B2%D0%B8%D1%87%20%D0%86%D0%B2%D1%87%D1%83%D0%BA Швидкий, брудний, простий лічильник редагувань]
* [https://wiki-talents.toolforge.org/uk/wiki-uk/user-rating/Віталій%20Васильович%20Івчук Рейтинг профілю]</text>
      <sha1>37urstdq2jolv4iirn2aiwmivdnflo8</sha1>
    </revision>
  </page>
  <page>
    <title>تاریخچه هوش مصنوعی در آموزش</title>
    <ns>0</ns>
    <id>55858</id>
    <revision>
      <id>385425</id>
      <timestamp>2026-07-21T20:35:17Z</timestamp>
      <contributor>
        <username>Mehrabanf403</username>
        <id>55738</id>
      </contributor>
      <comment>/* */ '''خلاصه:''' هوش مصنوعی در آموزش (AIED) حوزه‌ای بین‌رشته‌ای با پیشینه‌ای نیم‌قرنی است. این نوشتار سیر تحول آن را از ماشین‌های تدریس مکانیکی تا سیستم‌های هوشمند، داده‌کاوی آموزشی و انقلاب مدل‌های زبانی بزرگ (ChatGPT) دنبال می‌کند. بر نقش مکمل هوش مصنوعی در کنار معلم و چشم‌اندازهای انسانی آن تأکید شده است.</comment>
      <origin>385425</origin>
      <model>wikitext</model>
      <format>text/x-wiki</format>
      <text bytes="21220" sha1="iuojazkl8zpazkvw7zztk33tgqfwzqe" xml:space="preserve">= تاریخچه هوش مصنوعی در آموزش =

== مقدمه ==
هوش مصنوعی در آموزش (Artificial Intelligence in Education - AIED) به‌عنوان یک حوزه مطالعاتی بین‌رشته‌ای، ریشه‌ای نزدیک به نیم‌قرن دارد. این حوزه از تلاقی علوم رایانه، علوم شناختی، روان‌شناسی تربیتی و طراحی آموزشی پدید آمده و در طول زمان دستخوش تحولات چشم‌گیری شده است. ''Handbook of Artificial Intelligence in Education''، که به‌کوشش بندیکت دو بولی، آنتونیا میتروویچ و کالینا یاسف گردآوری شده، ریشه‌های این حوزه را به دهه ۱۹۷۰ میلادی بازمی‌گرداند.

پیش‌تر از آن، در سال ۱۹۷۷، کنت کان در مقاله‌ای با عنوان «سه تعامل بین هوش مصنوعی و آموزش» سه نقش اصلی را برای هوش مصنوعی در آموزش ترسیم کرد: نوشتن برنامه‌های ساده هوش مصنوعی توسط کودکان، تعامل کودکان با «برنامه‌های آموزشی هوش مصنوعی»، و استفاده از «نظریه‌های هوش مصنوعی درباره هوش و یادگیری» برای طراحی محیط‌های یادگیری. این چارچوب سه‌گانه، اگرچه با تأکیدهای متفاوتی در طول زمان دنبال شد، همچنان مبنای مفهومی مهمی برای درک نسبت هوش مصنوعی و آموزش به‌شمار می‌رود.

== ریشه‌های مفهومی: از ماشین‌های تدریس تا تولد هوش مصنوعی ==
ایده استفاده از فناوری برای آموزش، پیش‌تر از تولد خود رایانه شکل گرفته بود. در دهه ۱۹۲۰، سیدنی پرسلی «ماشین تدریس» خود را معرفی کرد؛ دستگاهی مکانیکی که به‌زعم او انقلابی در آموزش ایجاد خواهد کرد. با این حال، نقطه عطف اصلی را باید در میانه‌های قرن بیستم جست‌وجو کرد.

در سال ۱۹۵۰، آلن تورینگ مقاله‌ی بنیادین «ماشین‌های محاسب و هوش» را منتشر کرد و برای اولین بار پرسش از امکان تفکر ماشین‌ها را به‌صورت نظام‌مند مطرح ساخت. شش سال بعد، در سال ۱۹۵۶، جان مک‌کارتی و همکارانش در کارگاه دارتموث، اصطلاح «هوش مصنوعی» را برای اولین بار به‌کار بردند و بدین‌ترتیب تولد این رشته را رقم زدند. این رویداد، سرآغاز مسیری شد که نهایتاً به کاربست هوش مصنوعی در آموزش انجامید.

هم‌زمان با شکل‌گیری هوش مصنوعی، رویکردهای دیگری نیز در آموزش پدیدار شدند. در سال ۱۹۵۴، بی.اف. اسکینر مقاله «علوم یادگیری و هنر تدریس» را منتشر کرد که مبنای نظری ماشین‌های تدریس مبتنی بر برنامه‌ریزی آموزشی (Programmed Instruction) را فراهم آورد. این جریان، بعدها به توسعه سیستم‌های آموزش به‌کمک رایانه (Computer-Assisted Instruction - CAI) انجامید.

== دهه‌های ۱۹۶۰ و ۱۹۷۰: ظهور سیستم‌های آموزش به‌کمک رایانه و نخستین سیستم‌های هوشمند ==
دهه ۱۹۶۰، دوران شکل‌گیری آموزش به‌کمک رایانه بود. در سال ۱۹۶۰، دانشگاه ایلینوی پروژه PLATO (Programmed Logic for Automatic Teaching Operations) را آغاز کرد؛ سیستمی که از طریق برنامه‌نویسی منطقی، تعاملات آموزشی متنوعی را ممکن می‌ساخت. PLATO به طیف گسترده‌ای از زبان‌آموزان، از دانش‌آموزان مدارس و دانشجویان تا زندانیان، خدمات آموزشی ارائه می‌داد و دروس متنوعی از ریاضیات و لاتین تا علوم را پوشش می‌داد. هشت سال بعد، در سال ۱۹۶۸، سیستم TICCIT (Time-shared, Interactive Computer-Controlled Instructional Television) توسعه یافت که محتوای چندرسانه‌ای فردی‌شده را به کاربران در مدارس و منازل ارائه می‌کرد. این سیستم‌ها با نظریه‌های تربیتی اسکینر و بنجامین بلوم، که بر آموزش فردی‌شده تأکید داشتند، همسو بودند.

اما نقطه عطف واقعی در سال ۱۹۷۰ رخ داد، زمانی که خایمه کاربونل (Jaime Carbonell) در مقاله خود با عنوان «هوش مصنوعی در CAI» سیستم SCHOLAR را معرفی کرد. SCHOLAR که در دانشگاه کارنگی ملون توسعه یافته بود، نخستین تلاش برای استفاده از بازنمایی هوش مصنوعی به‌عنوان مبنای یک برنامه آموزشی به‌شمار می‌رفت. این سیستم که برای آموزش جغرافیای آمریکای جنوبی طراحی شده بود، از یک پایگاه دانش مبتنی بر شبکه‌های معنایی استفاده می‌کرد و قادر بود بر اساس پیشرفت و سطح درک دانش‌آموز، محتوا و راهبرد آموزشی خود را تنظیم کند. کاربونل همچنین مفهوم «آموزش هوشمند به‌کمک رایانه» (Intelligent Computer-Assisted Instruction - ICAI) را مطرح کرد.

با این حال، پیشرفت‌های اولیه با محدودیت‌هایی نیز روبه‌رو بود. در اواسط دهه ۱۹۷۰، به‌دلیل محدودیت‌های توان محاسباتی، ذخیره‌سازی داده‌ها و درک ناقص از شناخت انسانی، پژوهش در حوزه هوش مصنوعی وارد «زمستان» شد و کاربست‌های آموزشی آن نیز با کندی مواجه گردید.

== دهه‌های ۱۹۸۰ و ۱۹۹۰: شکل‌گیری جامعه علمی AIED و گسترش سیستم‌های تدریس هوشمند ==
اواخر دهه ۱۹۸۰، هوش مصنوعی «تابستان دوم» خود را تجربه کرد و بار دیگر مورد توجه گسترده پژوهشگران قرار گرفت. در این دوره، سیستم‌های خبره (Expert Systems) که توسط پژوهشگران کارنگی ملون، از جمله جان اندرسون، توسعه می‌یافتند، نقشی برجسته ایفا کردند.

نخستین کنفرانس بین‌المللی هوش مصنوعی در آموزش (AIED) در سال ۱۹۸۳ برگزار شد. این کنفرانس در سال‌های آغازین، تأکید زیادی بر محیط‌های یادگیری مبتنی بر LOGO و زبان برنامه‌نویسی آن داشت. با این حال، کنفرانس سوم در سال ۱۹۸۹، تأکید خود را به‌سوی سیستم‌های تدریس هوشمند (Intelligent Tutoring Systems - ITS) و دیدگاه‌های شناختی سوق داد. در همین سال، نخستین شماره از Journal of Artificial Intelligence in Education منتشر شد.

سیستم‌های تدریس هوشمند، برنامه‌های رایانه‌ای هستند که از تکنیک‌های هوش مصنوعی برای شبیه‌سازی رفتار یک معلم خصوصی انسانی استفاده می‌کنند. این سیستم‌ها می‌دانند چه چیزی را تدریس می‌کنند، به چه کسی تدریس می‌کنند و چگونه تدریس کنند.

جان اندرسون در کارنگی ملون، نظریه ACT-R را توسعه داد که چارچوبی برای شناخت انسانی فراهم می‌آورد و قابلیت پیاده‌سازی در رایانه را داشت. بر اساس این نظریه، اندرسون و همکارانش عوامل آموزشی (tutoring agents) را برای حوزه‌های ریاضی مانند هندسه یا برنامه‌نویسی LISP طراحی کردند که مبتنی بر حل مسئله بودند و بازخورد فوری ارائه می‌دادند.

در همین سال‌ها، جامعه علمی AIED نهادهای رسمی خود را تثبیت کرد. انجمن بین‌المللی هوش مصنوعی در آموزش (International AIED Society) در اول ژانویه ۱۹۹۳ راه‌اندازی شد و تاکنون بیش از ۱۵۰۰ عضو از ۴۰ کشور را جذب کرده است. عنوان ژورنال این انجمن در سال ۱۹۹۵ به نام فعلی، International Journal of Artificial Intelligence in Education، تغییر یافت.

در این دوره، مفاهیم و اصطلاحات حوزه نیز تکامل یافت. از اصطلاحات اولیه مانند CAL (یادگیری به‌کمک رایانه)، CAT (آموزش به‌کمک رایانه) و CAI (آموزش به‌کمک رایانه)، اصطلاح ITS (سیستم تدریس هوشمند) به‌عنوان اصطلاح غالب مطرح شد.

در اوایل دهه ۱۹۹۰، سیستم‌های تدریس هوشمند شروع به استفاده از تکنیک‌های پردازش زبان طبیعی (NLP) کردند تا بتوانند بهتر زبان انسانی را درک و تولید کنند. در سال ۱۹۹۷، سیستم ALEKS (Assessment and LEarning in Knowledge Spaces) به‌طور رسمی راه‌اندازی شد. هسته این سیستم از یک موتور هوش مصنوعی تشکیل شده بود که به‌طور مداوم وضعیت یادگیری هر دانش‌آموز را ارزیابی می‌کرد و بر اساس آن، محتوای آموزشی مناسب را توصیه می‌نمود. همچنین در همین سال، سیستم Auto Tutor در دانشگاه ممفیس توسعه یافت که قادر به گفت‌وگوی طبیعی با دانش‌آموزان و ارائه بازخورد فوری بود.

اختراع شبکه جهانی وب (World Wide Web) در سال ۱۹۸۹، تحول بزرگی در این حوزه ایجاد کرد. وب امکان جمع‌آوری داده‌های تعامل کاربران را فراهم آورد که می‌توانست برای آموزش عامل‌های نرم‌افزاری مورد استفاده قرار گیرد و قابلیت‌های تحلیل یادگیری (Learning Analytics) را به‌شدت افزایش دهد. در دهه ۱۹۹۰، سیستم‌های مدیریت یادگیری (Learning Management Systems - LMS) نیز پدید آمدند که محتوا را سازماندهی، پیشرفت دانش‌آموزان را پیگیری و آموزش آنلاین را مدیریت می‌کردند.

== دهه ۲۰۰۰ تا ۲۰۱۰: داده‌کاوی آموزشی، تحلیل یادگیری و یادگیری تطبیقی ==
با آغاز قرن بیست‌یکم، هوش مصنوعی در آموزش وارد مرحله جدیدی شد. داده‌کاوی آموزشی (Educational Data Mining - EDM) و تحلیل یادگیری (Learning Analytics - LA) به‌عنوان حوزه‌های مستقل اما مرتبط با AIED شکل گرفتند. مقاله بنیادین بیکر و زیمنس در سال ۲۰۱۲، به‌خوبی تفاوت‌های نظری و اشتراکات این دو جامعه را تبیین کرد. پژوهش‌ها در این حوزه از سال ۲۰۰۵ به‌بعد رشد چشم‌گیری داشت و مفاهیمی مانند «آموزش عالی»، «یادگیری ماشین» و «داده‌کاوی آموزشی» به‌عنوان موضوعات محوری ظهور کردند.

سیستم‌های یادگیری تطبیقی (Adaptive Learning Systems) نیز در این دوره گسترش یافتند. این سیستم‌ها با استفاده از الگوریتم‌های هوش مصنوعی، محتوای آموزشی را بر اساس نیازهای فردی هر یادگیرنده تعدیل می‌کردند. هدف اصلی این سیستم‌ها، ارائه مسیرهای یادگیری شخصی‌شده و یافتن مواد آموزشی متناسب با توانایی‌ها و نیازهای یادگیرندگان بود. فناوری کلیدی در این سیستم‌ها، پیش‌بینی وضعیت دانش فعلی یادگیرنده بر اساس عملکرد گذشته او بود که به «ردیابی دانش» (Knowledge Tracing) معروف است.

مؤسسات آموزشی نیز به‌تدریج از این فناوری‌ها استقبال کردند. دانشگاه کارنگی ملون در این دوره نرم‌افزارهای ریاضی مبتنی بر هوش مصنوعی را توسعه داد که تجربه‌های یادگیری بسیار شخصی‌شده و تطبیقی را ارائه می‌دادند. این پیشرفت بر اساس علوم شناختی و الگوریتم‌های یادگیری ماشین بود که اثربخشی یک معلم خصوصی را شبیه‌سازی می‌کردند.

== دهه ۲۰۲۰: انقلاب مدل‌های زبانی بزرگ و هوش مصنوعی مولد ==
سال ۲۰۲۲ نقطه عطفی در تاریخ هوش مصنوعی در آموزش محسوب می‌شود. انتشار عمومی ChatGPT توسط OpenAI در نوامبر ۲۰۲۲، علاقه جهانی به کاربست مدل‌های زبانی بزرگ (Large Language Models - LLMs) در کلاس‌های درس و برنامه‌های درسی را به‌طور بی‌سابقه‌ای افزایش داد.

مدل‌های زبانی بزرگ، شبکه‌های عصبی عمیقی هستند که بر روی حجم عظیمی از متون آموزش دیده‌اند و توانایی‌های خارق‌العاده‌ای در تولید، خلاصه‌سازی و تحلیل متن از خود نشان داده‌اند. این مدل‌ها حوزه‌های متعددی از جمله آموزش را متحول کرده‌اند و کاربردهایی مانند نمره‌دهی خودکار و یادگیری شخصی‌شده را با کارایی بی‌سابقه‌ای ممکن ساخته‌اند.

پژوهش‌های اخیر نشان می‌دهد که حوزه AIED از سال ۲۰۰۰ تا ۲۰۲۴ رشد شتابانی داشته است، به‌ویژه پس از سال ۲۰۲۲ که با جهش قابل‌توجهی همراه بوده و جهت‌گیری پژوهش‌های این حوزه نیز دستخوش تغییرات اساسی شده است. مقاله‌های ارائه‌شده در کنفرانس AIED 2024 نشان می‌دهد که شور و شوق روزافزون پژوهشگران برای استفاده از هوش مصنوعی مولد، فرصت‌های تازه‌ای برای درک عمیق‌تر از دانش و فرآیندهای یادگیری دانش‌آموزان فراهم آورده است.

سازمان‌های بین‌المللی نیز به سرعت به این تحولات واکنش نشان دادند. یونسکو در سپتامبر ۲۰۲۳، نخستین سند راهنما درباره هوش مصنوعی مولد در آموزش و پژوهش را منتشر کرد تا به چالش‌های ناشی از این فناوری‌های جدید پاسخ دهد. یونسکو بر این باور است که هوش مصنوعی می‌تواند به یکی از محرک‌های اصلی تغییر آموزشی تبدیل شود، مشروط بر اینکه پیاده‌سازی آن رویکردی انسان‌محور داشته باشد، نقش معلم را تقویت کند و استفاده اخلاقی از فناوری را تضمین نماید.

سازمان همکاری و توسعه اقتصادی (OECD) نیز در گزارش «چشم‌انداز آموزش دیجیتال ۲۰۲۶» خود استدلال کرده است که مسئله محوری، دسترسی به هوش مصنوعی یا پیچیدگی فنی نیست، بلکه شرایطی است که در آن استفاده از هوش مصنوعی از تفکر، عاملیت و یادگیری حمایت می‌کند، نه اینکه جایگزین آنها شود. این گزارش هشدار می‌دهد که اتکای بیش‌ازحد دانش‌آموزان به هوش مصنوعی مولد ممکن است به کاهش درگیری فراشناختی (metacognitive engagement) منجر شود.

== چشم‌انداز آینده ==
با نگاهی به بیش از نیم‌قرن تکامل هوش مصنوعی در آموزش، می‌توان این مسیر را به چهار دوره تقسیم کرد: دوره پیدایش و کمک به آموزش (دهه ۱۹۵۰ تا ۱۹۷۰)، دوره اکتشاف و گسترش (دهه ۱۹۸۰ تا ۱۹۹۰)، دوره توسعه و بهینه‌سازی (اوایل قرن ۲۱ تا میانه دهه ۲۰۱۰)، و دوره شکوفایی و بازتعریف (اواخر دهه ۲۰۱۰ تا کنون).

پژوهشگران آینده‌پژوهی در این حوزه، روندهای سه‌گانه‌ای را برای آینده هوش مصنوعی در آموزش ترسیم می‌کنند: روند فنی، روند آموزشی و روند کاربستی. ''Handbook of Artificial Intelligence in Education'' نیز در بخش پایانی خود به بررسی چشم‌اندازهای بیست‌ساله پیشِ روی این حوزه پرداخته و بر چالش‌ها و فرصت‌های پیشِ رو تأکید دارد.

از منظر چهارچوب تحلیلی AI×Ed که در کنفرانس AIED 2023 به مناسبت سی‌اُمین سالگرد انجمن بین‌المللی هوش مصنوعی در آموزش ارائه شد، نسبت هوش مصنوعی و آموزش فراتر از یک رابطه صرفاً ابزاری است. هوش مصنوعی نه تنها به‌عنوان ابزاری عملی برای حل مسائل آموزشی عمل می‌کند، بلکه به‌عنوان قیاسی مفهومی برای فهم هوش و یادگیری انسانی نیز نقشی اساسی ایفا می‌کند.

در عصر هوش مصنوعی مولد، پرسش‌های بنیادین درباره ماهیت یادگیری، نقش معلم، و نسبت فناوری با عاملیت انسانی، بیش از پیش در کانون توجه قرار گرفته‌اند. همان‌گونه که یونسکو تأکید کرده، آینده آموزش در گرو آن است که چگونه بتوان از توانمندی‌های هوش مصنوعی برای غنی‌سازی تجربه یادگیری استفاده کرد، بی‌آنکه ارزش‌های انسانی و نقش محوری معلم در فرآیند آموزش به حاشیه رانده شود.

== منابع ==
* du Boulay, B., Mitrovic, A., &amp; Yacef, K. (Eds.). (2023). ''Handbook of Artificial Intelligence in Education''. Edward Elgar Publishing.
* Rismanchian, S., &amp; Doroudi, S. (2025). The Evolution of Research on AI and Education Across Four Decades: Insights from the AIxEd Framework. ''International Journal of Artificial Intelligence in Education'', 35, 2797–2820.
* Kahn, K. (1977). Three Interactions between AI and Education. ''[Proceedings]''.
* Carbonell, J. R. (1970). AI in CAI: An Artificial-Intelligence Approach to Computer-Assisted Instruction. ''IEEE Transactions on Man-Machine Systems'', 11(4), 190-202.
* Turing, A. M. (1950). Computing Machinery and Intelligence. ''Mind'', 59(236), 433-460.
* McCarthy, J., et al. (1956). ''A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence''.
* Skinner, B. F. (1954). The Science of Learning and the Art of Teaching. ''Harvard Educational Review'', 24(2), 86-97.
* Self, J. (2016). The Birth of IJAIED. ''International Journal of Artificial Intelligence in Education'', 26, 1-12.
* Anderson, J. R. (1993). ''Rules of the Mind''. Lawrence Erlbaum Associates.
* UNESCO (2023). ''Guidance for generative AI in education and research''. UNESCO Publishing.
* OECD (2026). ''Digital Education Outlook 2026''. OECD Publishing.
* Baker, R. S., &amp; Siemens, G. (2012). Educational Data Mining and Learning Analytics. In ''Cambridge Handbook of the Learning Sciences''.
* 余亮،邓双洁،张馨月 (2025). 人工智能技术赋能教育的演进脉络、内在逻辑和发展趋势.
* 胡小勇،林梓柔،刘晓红 (2024). 人工智能融入教育：全球态势与中国路向. ''唐山师范学院学报'', 2024(12).</text>
      <sha1>iuojazkl8zpazkvw7zztk33tgqfwzqe</sha1>
    </revision>
    <revision>
      <id>385426</id>
      <parentid>385425</parentid>
      <timestamp>2026-07-21T20:43:17Z</timestamp>
      <contributor>
        <username>Mehrabanf403</username>
        <id>55738</id>
      </contributor>
      <comment>/* مقدمه */</comment>
      <origin>385426</origin>
      <model>wikitext</model>
      <format>text/x-wiki</format>
      <text bytes="21454" sha1="n9cu35vrybrb8y74jqpljuft9rkic34" xml:space="preserve">= تاریخچه هوش مصنوعی در آموزش =

== مقدمه ==
''نوشته شده توسط '''فاطمه مهربان'''، دانشجوی دکتری برنامه‌ریزی آموزش از دور، زیر نظر استاد گرامی '''سرکار خانم دکتر خطیب زنجانی''' .''

هوش مصنوعی در آموزش (Artificial Intelligence in Education - AIED) به‌عنوان یک حوزه مطالعاتی بین‌رشته‌ای، ریشه‌ای نزدیک به نیم‌قرن دارد. این حوزه از تلاقی علوم رایانه، علوم شناختی، روان‌شناسی تربیتی و طراحی آموزشی پدید آمده و در طول زمان دستخوش تحولات چشم‌گیری شده است. ''Handbook of Artificial Intelligence in Education''، که به‌کوشش بندیکت دو بولی، آنتونیا میتروویچ و کالینا یاسف گردآوری شده، ریشه‌های این حوزه را به دهه ۱۹۷۰ میلادی بازمی‌گرداند.

پیش‌تر از آن، در سال ۱۹۷۷، کنت کان در مقاله‌ای با عنوان «سه تعامل بین هوش مصنوعی و آموزش» سه نقش اصلی را برای هوش مصنوعی در آموزش ترسیم کرد: نوشتن برنامه‌های ساده هوش مصنوعی توسط کودکان، تعامل کودکان با «برنامه‌های آموزشی هوش مصنوعی»، و استفاده از «نظریه‌های هوش مصنوعی درباره هوش و یادگیری» برای طراحی محیط‌های یادگیری. این چارچوب سه‌گانه، اگرچه با تأکیدهای متفاوتی در طول زمان دنبال شد، همچنان مبنای مفهومی مهمی برای درک نسبت هوش مصنوعی و آموزش به‌شمار می‌رود.

== ریشه‌های مفهومی: از ماشین‌های تدریس تا تولد هوش مصنوعی ==
ایده استفاده از فناوری برای آموزش، پیش‌تر از تولد خود رایانه شکل گرفته بود. در دهه ۱۹۲۰، سیدنی پرسلی «ماشین تدریس» خود را معرفی کرد؛ دستگاهی مکانیکی که به‌زعم او انقلابی در آموزش ایجاد خواهد کرد. با این حال، نقطه عطف اصلی را باید در میانه‌های قرن بیستم جست‌وجو کرد.

در سال ۱۹۵۰، آلن تورینگ مقاله‌ی بنیادین «ماشین‌های محاسب و هوش» را منتشر کرد و برای اولین بار پرسش از امکان تفکر ماشین‌ها را به‌صورت نظام‌مند مطرح ساخت. شش سال بعد، در سال ۱۹۵۶، جان مک‌کارتی و همکارانش در کارگاه دارتموث، اصطلاح «هوش مصنوعی» را برای اولین بار به‌کار بردند و بدین‌ترتیب تولد این رشته را رقم زدند. این رویداد، سرآغاز مسیری شد که نهایتاً به کاربست هوش مصنوعی در آموزش انجامید.

هم‌زمان با شکل‌گیری هوش مصنوعی، رویکردهای دیگری نیز در آموزش پدیدار شدند. در سال ۱۹۵۴، بی.اف. اسکینر مقاله «علوم یادگیری و هنر تدریس» را منتشر کرد که مبنای نظری ماشین‌های تدریس مبتنی بر برنامه‌ریزی آموزشی (Programmed Instruction) را فراهم آورد. این جریان، بعدها به توسعه سیستم‌های آموزش به‌کمک رایانه (Computer-Assisted Instruction - CAI) انجامید.

== دهه‌های ۱۹۶۰ و ۱۹۷۰: ظهور سیستم‌های آموزش به‌کمک رایانه و نخستین سیستم‌های هوشمند ==
دهه ۱۹۶۰، دوران شکل‌گیری آموزش به‌کمک رایانه بود. در سال ۱۹۶۰، دانشگاه ایلینوی پروژه PLATO (Programmed Logic for Automatic Teaching Operations) را آغاز کرد؛ سیستمی که از طریق برنامه‌نویسی منطقی، تعاملات آموزشی متنوعی را ممکن می‌ساخت. PLATO به طیف گسترده‌ای از زبان‌آموزان، از دانش‌آموزان مدارس و دانشجویان تا زندانیان، خدمات آموزشی ارائه می‌داد و دروس متنوعی از ریاضیات و لاتین تا علوم را پوشش می‌داد. هشت سال بعد، در سال ۱۹۶۸، سیستم TICCIT (Time-shared, Interactive Computer-Controlled Instructional Television) توسعه یافت که محتوای چندرسانه‌ای فردی‌شده را به کاربران در مدارس و منازل ارائه می‌کرد. این سیستم‌ها با نظریه‌های تربیتی اسکینر و بنجامین بلوم، که بر آموزش فردی‌شده تأکید داشتند، همسو بودند.

اما نقطه عطف واقعی در سال ۱۹۷۰ رخ داد، زمانی که خایمه کاربونل (Jaime Carbonell) در مقاله خود با عنوان «هوش مصنوعی در CAI» سیستم SCHOLAR را معرفی کرد. SCHOLAR که در دانشگاه کارنگی ملون توسعه یافته بود، نخستین تلاش برای استفاده از بازنمایی هوش مصنوعی به‌عنوان مبنای یک برنامه آموزشی به‌شمار می‌رفت. این سیستم که برای آموزش جغرافیای آمریکای جنوبی طراحی شده بود، از یک پایگاه دانش مبتنی بر شبکه‌های معنایی استفاده می‌کرد و قادر بود بر اساس پیشرفت و سطح درک دانش‌آموز، محتوا و راهبرد آموزشی خود را تنظیم کند. کاربونل همچنین مفهوم «آموزش هوشمند به‌کمک رایانه» (Intelligent Computer-Assisted Instruction - ICAI) را مطرح کرد.

با این حال، پیشرفت‌های اولیه با محدودیت‌هایی نیز روبه‌رو بود. در اواسط دهه ۱۹۷۰، به‌دلیل محدودیت‌های توان محاسباتی، ذخیره‌سازی داده‌ها و درک ناقص از شناخت انسانی، پژوهش در حوزه هوش مصنوعی وارد «زمستان» شد و کاربست‌های آموزشی آن نیز با کندی مواجه گردید.

== دهه‌های ۱۹۸۰ و ۱۹۹۰: شکل‌گیری جامعه علمی AIED و گسترش سیستم‌های تدریس هوشمند ==
اواخر دهه ۱۹۸۰، هوش مصنوعی «تابستان دوم» خود را تجربه کرد و بار دیگر مورد توجه گسترده پژوهشگران قرار گرفت. در این دوره، سیستم‌های خبره (Expert Systems) که توسط پژوهشگران کارنگی ملون، از جمله جان اندرسون، توسعه می‌یافتند، نقشی برجسته ایفا کردند.

نخستین کنفرانس بین‌المللی هوش مصنوعی در آموزش (AIED) در سال ۱۹۸۳ برگزار شد. این کنفرانس در سال‌های آغازین، تأکید زیادی بر محیط‌های یادگیری مبتنی بر LOGO و زبان برنامه‌نویسی آن داشت. با این حال، کنفرانس سوم در سال ۱۹۸۹، تأکید خود را به‌سوی سیستم‌های تدریس هوشمند (Intelligent Tutoring Systems - ITS) و دیدگاه‌های شناختی سوق داد. در همین سال، نخستین شماره از Journal of Artificial Intelligence in Education منتشر شد.

سیستم‌های تدریس هوشمند، برنامه‌های رایانه‌ای هستند که از تکنیک‌های هوش مصنوعی برای شبیه‌سازی رفتار یک معلم خصوصی انسانی استفاده می‌کنند. این سیستم‌ها می‌دانند چه چیزی را تدریس می‌کنند، به چه کسی تدریس می‌کنند و چگونه تدریس کنند.

جان اندرسون در کارنگی ملون، نظریه ACT-R را توسعه داد که چارچوبی برای شناخت انسانی فراهم می‌آورد و قابلیت پیاده‌سازی در رایانه را داشت. بر اساس این نظریه، اندرسون و همکارانش عوامل آموزشی (tutoring agents) را برای حوزه‌های ریاضی مانند هندسه یا برنامه‌نویسی LISP طراحی کردند که مبتنی بر حل مسئله بودند و بازخورد فوری ارائه می‌دادند.

در همین سال‌ها، جامعه علمی AIED نهادهای رسمی خود را تثبیت کرد. انجمن بین‌المللی هوش مصنوعی در آموزش (International AIED Society) در اول ژانویه ۱۹۹۳ راه‌اندازی شد و تاکنون بیش از ۱۵۰۰ عضو از ۴۰ کشور را جذب کرده است. عنوان ژورنال این انجمن در سال ۱۹۹۵ به نام فعلی، International Journal of Artificial Intelligence in Education، تغییر یافت.

در این دوره، مفاهیم و اصطلاحات حوزه نیز تکامل یافت. از اصطلاحات اولیه مانند CAL (یادگیری به‌کمک رایانه)، CAT (آموزش به‌کمک رایانه) و CAI (آموزش به‌کمک رایانه)، اصطلاح ITS (سیستم تدریس هوشمند) به‌عنوان اصطلاح غالب مطرح شد.

در اوایل دهه ۱۹۹۰، سیستم‌های تدریس هوشمند شروع به استفاده از تکنیک‌های پردازش زبان طبیعی (NLP) کردند تا بتوانند بهتر زبان انسانی را درک و تولید کنند. در سال ۱۹۹۷، سیستم ALEKS (Assessment and LEarning in Knowledge Spaces) به‌طور رسمی راه‌اندازی شد. هسته این سیستم از یک موتور هوش مصنوعی تشکیل شده بود که به‌طور مداوم وضعیت یادگیری هر دانش‌آموز را ارزیابی می‌کرد و بر اساس آن، محتوای آموزشی مناسب را توصیه می‌نمود. همچنین در همین سال، سیستم Auto Tutor در دانشگاه ممفیس توسعه یافت که قادر به گفت‌وگوی طبیعی با دانش‌آموزان و ارائه بازخورد فوری بود.

اختراع شبکه جهانی وب (World Wide Web) در سال ۱۹۸۹، تحول بزرگی در این حوزه ایجاد کرد. وب امکان جمع‌آوری داده‌های تعامل کاربران را فراهم آورد که می‌توانست برای آموزش عامل‌های نرم‌افزاری مورد استفاده قرار گیرد و قابلیت‌های تحلیل یادگیری (Learning Analytics) را به‌شدت افزایش دهد. در دهه ۱۹۹۰، سیستم‌های مدیریت یادگیری (Learning Management Systems - LMS) نیز پدید آمدند که محتوا را سازماندهی، پیشرفت دانش‌آموزان را پیگیری و آموزش آنلاین را مدیریت می‌کردند.

== دهه ۲۰۰۰ تا ۲۰۱۰: داده‌کاوی آموزشی، تحلیل یادگیری و یادگیری تطبیقی ==
با آغاز قرن بیست‌یکم، هوش مصنوعی در آموزش وارد مرحله جدیدی شد. داده‌کاوی آموزشی (Educational Data Mining - EDM) و تحلیل یادگیری (Learning Analytics - LA) به‌عنوان حوزه‌های مستقل اما مرتبط با AIED شکل گرفتند. مقاله بنیادین بیکر و زیمنس در سال ۲۰۱۲، به‌خوبی تفاوت‌های نظری و اشتراکات این دو جامعه را تبیین کرد. پژوهش‌ها در این حوزه از سال ۲۰۰۵ به‌بعد رشد چشم‌گیری داشت و مفاهیمی مانند «آموزش عالی»، «یادگیری ماشین» و «داده‌کاوی آموزشی» به‌عنوان موضوعات محوری ظهور کردند.

سیستم‌های یادگیری تطبیقی (Adaptive Learning Systems) نیز در این دوره گسترش یافتند. این سیستم‌ها با استفاده از الگوریتم‌های هوش مصنوعی، محتوای آموزشی را بر اساس نیازهای فردی هر یادگیرنده تعدیل می‌کردند. هدف اصلی این سیستم‌ها، ارائه مسیرهای یادگیری شخصی‌شده و یافتن مواد آموزشی متناسب با توانایی‌ها و نیازهای یادگیرندگان بود. فناوری کلیدی در این سیستم‌ها، پیش‌بینی وضعیت دانش فعلی یادگیرنده بر اساس عملکرد گذشته او بود که به «ردیابی دانش» (Knowledge Tracing) معروف است.

مؤسسات آموزشی نیز به‌تدریج از این فناوری‌ها استقبال کردند. دانشگاه کارنگی ملون در این دوره نرم‌افزارهای ریاضی مبتنی بر هوش مصنوعی را توسعه داد که تجربه‌های یادگیری بسیار شخصی‌شده و تطبیقی را ارائه می‌دادند. این پیشرفت بر اساس علوم شناختی و الگوریتم‌های یادگیری ماشین بود که اثربخشی یک معلم خصوصی را شبیه‌سازی می‌کردند.

== دهه ۲۰۲۰: انقلاب مدل‌های زبانی بزرگ و هوش مصنوعی مولد ==
سال ۲۰۲۲ نقطه عطفی در تاریخ هوش مصنوعی در آموزش محسوب می‌شود. انتشار عمومی ChatGPT توسط OpenAI در نوامبر ۲۰۲۲، علاقه جهانی به کاربست مدل‌های زبانی بزرگ (Large Language Models - LLMs) در کلاس‌های درس و برنامه‌های درسی را به‌طور بی‌سابقه‌ای افزایش داد.

مدل‌های زبانی بزرگ، شبکه‌های عصبی عمیقی هستند که بر روی حجم عظیمی از متون آموزش دیده‌اند و توانایی‌های خارق‌العاده‌ای در تولید، خلاصه‌سازی و تحلیل متن از خود نشان داده‌اند. این مدل‌ها حوزه‌های متعددی از جمله آموزش را متحول کرده‌اند و کاربردهایی مانند نمره‌دهی خودکار و یادگیری شخصی‌شده را با کارایی بی‌سابقه‌ای ممکن ساخته‌اند.

پژوهش‌های اخیر نشان می‌دهد که حوزه AIED از سال ۲۰۰۰ تا ۲۰۲۴ رشد شتابانی داشته است، به‌ویژه پس از سال ۲۰۲۲ که با جهش قابل‌توجهی همراه بوده و جهت‌گیری پژوهش‌های این حوزه نیز دستخوش تغییرات اساسی شده است. مقاله‌های ارائه‌شده در کنفرانس AIED 2024 نشان می‌دهد که شور و شوق روزافزون پژوهشگران برای استفاده از هوش مصنوعی مولد، فرصت‌های تازه‌ای برای درک عمیق‌تر از دانش و فرآیندهای یادگیری دانش‌آموزان فراهم آورده است.

سازمان‌های بین‌المللی نیز به سرعت به این تحولات واکنش نشان دادند. یونسکو در سپتامبر ۲۰۲۳، نخستین سند راهنما درباره هوش مصنوعی مولد در آموزش و پژوهش را منتشر کرد تا به چالش‌های ناشی از این فناوری‌های جدید پاسخ دهد. یونسکو بر این باور است که هوش مصنوعی می‌تواند به یکی از محرک‌های اصلی تغییر آموزشی تبدیل شود، مشروط بر اینکه پیاده‌سازی آن رویکردی انسان‌محور داشته باشد، نقش معلم را تقویت کند و استفاده اخلاقی از فناوری را تضمین نماید.

سازمان همکاری و توسعه اقتصادی (OECD) نیز در گزارش «چشم‌انداز آموزش دیجیتال ۲۰۲۶» خود استدلال کرده است که مسئله محوری، دسترسی به هوش مصنوعی یا پیچیدگی فنی نیست، بلکه شرایطی است که در آن استفاده از هوش مصنوعی از تفکر، عاملیت و یادگیری حمایت می‌کند، نه اینکه جایگزین آنها شود. این گزارش هشدار می‌دهد که اتکای بیش‌ازحد دانش‌آموزان به هوش مصنوعی مولد ممکن است به کاهش درگیری فراشناختی (metacognitive engagement) منجر شود.

== چشم‌انداز آینده ==
با نگاهی به بیش از نیم‌قرن تکامل هوش مصنوعی در آموزش، می‌توان این مسیر را به چهار دوره تقسیم کرد: دوره پیدایش و کمک به آموزش (دهه ۱۹۵۰ تا ۱۹۷۰)، دوره اکتشاف و گسترش (دهه ۱۹۸۰ تا ۱۹۹۰)، دوره توسعه و بهینه‌سازی (اوایل قرن ۲۱ تا میانه دهه ۲۰۱۰)، و دوره شکوفایی و بازتعریف (اواخر دهه ۲۰۱۰ تا کنون).

پژوهشگران آینده‌پژوهی در این حوزه، روندهای سه‌گانه‌ای را برای آینده هوش مصنوعی در آموزش ترسیم می‌کنند: روند فنی، روند آموزشی و روند کاربستی. ''Handbook of Artificial Intelligence in Education'' نیز در بخش پایانی خود به بررسی چشم‌اندازهای بیست‌ساله پیشِ روی این حوزه پرداخته و بر چالش‌ها و فرصت‌های پیشِ رو تأکید دارد.

از منظر چهارچوب تحلیلی AI×Ed که در کنفرانس AIED 2023 به مناسبت سی‌اُمین سالگرد انجمن بین‌المللی هوش مصنوعی در آموزش ارائه شد، نسبت هوش مصنوعی و آموزش فراتر از یک رابطه صرفاً ابزاری است. هوش مصنوعی نه تنها به‌عنوان ابزاری عملی برای حل مسائل آموزشی عمل می‌کند، بلکه به‌عنوان قیاسی مفهومی برای فهم هوش و یادگیری انسانی نیز نقشی اساسی ایفا می‌کند.

در عصر هوش مصنوعی مولد، پرسش‌های بنیادین درباره ماهیت یادگیری، نقش معلم، و نسبت فناوری با عاملیت انسانی، بیش از پیش در کانون توجه قرار گرفته‌اند. همان‌گونه که یونسکو تأکید کرده، آینده آموزش در گرو آن است که چگونه بتوان از توانمندی‌های هوش مصنوعی برای غنی‌سازی تجربه یادگیری استفاده کرد، بی‌آنکه ارزش‌های انسانی و نقش محوری معلم در فرآیند آموزش به حاشیه رانده شود.

== منابع ==
* du Boulay, B., Mitrovic, A., &amp; Yacef, K. (Eds.). (2023). ''Handbook of Artificial Intelligence in Education''. Edward Elgar Publishing.
* Rismanchian, S., &amp; Doroudi, S. (2025). The Evolution of Research on AI and Education Across Four Decades: Insights from the AIxEd Framework. ''International Journal of Artificial Intelligence in Education'', 35, 2797–2820.
* Kahn, K. (1977). Three Interactions between AI and Education. ''[Proceedings]''.
* Carbonell, J. R. (1970). AI in CAI: An Artificial-Intelligence Approach to Computer-Assisted Instruction. ''IEEE Transactions on Man-Machine Systems'', 11(4), 190-202.
* Turing, A. M. (1950). Computing Machinery and Intelligence. ''Mind'', 59(236), 433-460.
* McCarthy, J., et al. (1956). ''A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence''.
* Skinner, B. F. (1954). The Science of Learning and the Art of Teaching. ''Harvard Educational Review'', 24(2), 86-97.
* Self, J. (2016). The Birth of IJAIED. ''International Journal of Artificial Intelligence in Education'', 26, 1-12.
* Anderson, J. R. (1993). ''Rules of the Mind''. Lawrence Erlbaum Associates.
* UNESCO (2023). ''Guidance for generative AI in education and research''. UNESCO Publishing.
* OECD (2026). ''Digital Education Outlook 2026''. OECD Publishing.
* Baker, R. S., &amp; Siemens, G. (2012). Educational Data Mining and Learning Analytics. In ''Cambridge Handbook of the Learning Sciences''.
* 余亮،邓双洁،张馨月 (2025). 人工智能技术赋能教育的演进脉络、内在逻辑和发展趋势.
* 胡小勇،林梓柔،刘晓红 (2024). 人工智能融入教育：全球态势与中国路向. ''唐山师范学院学报'', 2024(12).</text>
      <sha1>n9cu35vrybrb8y74jqpljuft9rkic34</sha1>
    </revision>
    <revision>
      <id>385429</id>
      <parentid>385426</parentid>
      <timestamp>2026-07-21T21:09:45Z</timestamp>
      <contributor>
        <username>Mehrabanf403</username>
        <id>55738</id>
      </contributor>
      <comment>/* تاریخچه هوش مصنوعی در آموزش */ Add image</comment>
      <origin>385429</origin>
      <model>wikitext</model>
      <format>text/x-wiki</format>
      <text bytes="21605" sha1="cqc92upm84teyrcafbogytptb6vuzu8" xml:space="preserve">= تاریخچه هوش مصنوعی در آموزش =

[[File:Inteligencia-artificial-en-la-educacion-retos-y-perspectivas-futuras.jpg|Inteligencia-artificial-en-la-educacion-retos-y-perspectivas-futuras]]
== مقدمه ==
''نوشته شده توسط '''فاطمه مهربان'''، دانشجوی دکتری برنامه‌ریزی آموزش از دور، زیر نظر استاد گرامی '''سرکار خانم دکتر خطیب زنجانی''' .''

هوش مصنوعی در آموزش (Artificial Intelligence in Education - AIED) به‌عنوان یک حوزه مطالعاتی بین‌رشته‌ای، ریشه‌ای نزدیک به نیم‌قرن دارد. این حوزه از تلاقی علوم رایانه، علوم شناختی، روان‌شناسی تربیتی و طراحی آموزشی پدید آمده و در طول زمان دستخوش تحولات چشم‌گیری شده است. ''Handbook of Artificial Intelligence in Education''، که به‌کوشش بندیکت دو بولی، آنتونیا میتروویچ و کالینا یاسف گردآوری شده، ریشه‌های این حوزه را به دهه ۱۹۷۰ میلادی بازمی‌گرداند.

پیش‌تر از آن، در سال ۱۹۷۷، کنت کان در مقاله‌ای با عنوان «سه تعامل بین هوش مصنوعی و آموزش» سه نقش اصلی را برای هوش مصنوعی در آموزش ترسیم کرد: نوشتن برنامه‌های ساده هوش مصنوعی توسط کودکان، تعامل کودکان با «برنامه‌های آموزشی هوش مصنوعی»، و استفاده از «نظریه‌های هوش مصنوعی درباره هوش و یادگیری» برای طراحی محیط‌های یادگیری. این چارچوب سه‌گانه، اگرچه با تأکیدهای متفاوتی در طول زمان دنبال شد، همچنان مبنای مفهومی مهمی برای درک نسبت هوش مصنوعی و آموزش به‌شمار می‌رود.

== ریشه‌های مفهومی: از ماشین‌های تدریس تا تولد هوش مصنوعی ==
ایده استفاده از فناوری برای آموزش، پیش‌تر از تولد خود رایانه شکل گرفته بود. در دهه ۱۹۲۰، سیدنی پرسلی «ماشین تدریس» خود را معرفی کرد؛ دستگاهی مکانیکی که به‌زعم او انقلابی در آموزش ایجاد خواهد کرد. با این حال، نقطه عطف اصلی را باید در میانه‌های قرن بیستم جست‌وجو کرد.

در سال ۱۹۵۰، آلن تورینگ مقاله‌ی بنیادین «ماشین‌های محاسب و هوش» را منتشر کرد و برای اولین بار پرسش از امکان تفکر ماشین‌ها را به‌صورت نظام‌مند مطرح ساخت. شش سال بعد، در سال ۱۹۵۶، جان مک‌کارتی و همکارانش در کارگاه دارتموث، اصطلاح «هوش مصنوعی» را برای اولین بار به‌کار بردند و بدین‌ترتیب تولد این رشته را رقم زدند. این رویداد، سرآغاز مسیری شد که نهایتاً به کاربست هوش مصنوعی در آموزش انجامید.

هم‌زمان با شکل‌گیری هوش مصنوعی، رویکردهای دیگری نیز در آموزش پدیدار شدند. در سال ۱۹۵۴، بی.اف. اسکینر مقاله «علوم یادگیری و هنر تدریس» را منتشر کرد که مبنای نظری ماشین‌های تدریس مبتنی بر برنامه‌ریزی آموزشی (Programmed Instruction) را فراهم آورد. این جریان، بعدها به توسعه سیستم‌های آموزش به‌کمک رایانه (Computer-Assisted Instruction - CAI) انجامید.

== دهه‌های ۱۹۶۰ و ۱۹۷۰: ظهور سیستم‌های آموزش به‌کمک رایانه و نخستین سیستم‌های هوشمند ==
دهه ۱۹۶۰، دوران شکل‌گیری آموزش به‌کمک رایانه بود. در سال ۱۹۶۰، دانشگاه ایلینوی پروژه PLATO (Programmed Logic for Automatic Teaching Operations) را آغاز کرد؛ سیستمی که از طریق برنامه‌نویسی منطقی، تعاملات آموزشی متنوعی را ممکن می‌ساخت. PLATO به طیف گسترده‌ای از زبان‌آموزان، از دانش‌آموزان مدارس و دانشجویان تا زندانیان، خدمات آموزشی ارائه می‌داد و دروس متنوعی از ریاضیات و لاتین تا علوم را پوشش می‌داد. هشت سال بعد، در سال ۱۹۶۸، سیستم TICCIT (Time-shared, Interactive Computer-Controlled Instructional Television) توسعه یافت که محتوای چندرسانه‌ای فردی‌شده را به کاربران در مدارس و منازل ارائه می‌کرد. این سیستم‌ها با نظریه‌های تربیتی اسکینر و بنجامین بلوم، که بر آموزش فردی‌شده تأکید داشتند، همسو بودند.

اما نقطه عطف واقعی در سال ۱۹۷۰ رخ داد، زمانی که خایمه کاربونل (Jaime Carbonell) در مقاله خود با عنوان «هوش مصنوعی در CAI» سیستم SCHOLAR را معرفی کرد. SCHOLAR که در دانشگاه کارنگی ملون توسعه یافته بود، نخستین تلاش برای استفاده از بازنمایی هوش مصنوعی به‌عنوان مبنای یک برنامه آموزشی به‌شمار می‌رفت. این سیستم که برای آموزش جغرافیای آمریکای جنوبی طراحی شده بود، از یک پایگاه دانش مبتنی بر شبکه‌های معنایی استفاده می‌کرد و قادر بود بر اساس پیشرفت و سطح درک دانش‌آموز، محتوا و راهبرد آموزشی خود را تنظیم کند. کاربونل همچنین مفهوم «آموزش هوشمند به‌کمک رایانه» (Intelligent Computer-Assisted Instruction - ICAI) را مطرح کرد.

با این حال، پیشرفت‌های اولیه با محدودیت‌هایی نیز روبه‌رو بود. در اواسط دهه ۱۹۷۰، به‌دلیل محدودیت‌های توان محاسباتی، ذخیره‌سازی داده‌ها و درک ناقص از شناخت انسانی، پژوهش در حوزه هوش مصنوعی وارد «زمستان» شد و کاربست‌های آموزشی آن نیز با کندی مواجه گردید.

== دهه‌های ۱۹۸۰ و ۱۹۹۰: شکل‌گیری جامعه علمی AIED و گسترش سیستم‌های تدریس هوشمند ==
اواخر دهه ۱۹۸۰، هوش مصنوعی «تابستان دوم» خود را تجربه کرد و بار دیگر مورد توجه گسترده پژوهشگران قرار گرفت. در این دوره، سیستم‌های خبره (Expert Systems) که توسط پژوهشگران کارنگی ملون، از جمله جان اندرسون، توسعه می‌یافتند، نقشی برجسته ایفا کردند.

نخستین کنفرانس بین‌المللی هوش مصنوعی در آموزش (AIED) در سال ۱۹۸۳ برگزار شد. این کنفرانس در سال‌های آغازین، تأکید زیادی بر محیط‌های یادگیری مبتنی بر LOGO و زبان برنامه‌نویسی آن داشت. با این حال، کنفرانس سوم در سال ۱۹۸۹، تأکید خود را به‌سوی سیستم‌های تدریس هوشمند (Intelligent Tutoring Systems - ITS) و دیدگاه‌های شناختی سوق داد. در همین سال، نخستین شماره از Journal of Artificial Intelligence in Education منتشر شد.

سیستم‌های تدریس هوشمند، برنامه‌های رایانه‌ای هستند که از تکنیک‌های هوش مصنوعی برای شبیه‌سازی رفتار یک معلم خصوصی انسانی استفاده می‌کنند. این سیستم‌ها می‌دانند چه چیزی را تدریس می‌کنند، به چه کسی تدریس می‌کنند و چگونه تدریس کنند.

جان اندرسون در کارنگی ملون، نظریه ACT-R را توسعه داد که چارچوبی برای شناخت انسانی فراهم می‌آورد و قابلیت پیاده‌سازی در رایانه را داشت. بر اساس این نظریه، اندرسون و همکارانش عوامل آموزشی (tutoring agents) را برای حوزه‌های ریاضی مانند هندسه یا برنامه‌نویسی LISP طراحی کردند که مبتنی بر حل مسئله بودند و بازخورد فوری ارائه می‌دادند.

در همین سال‌ها، جامعه علمی AIED نهادهای رسمی خود را تثبیت کرد. انجمن بین‌المللی هوش مصنوعی در آموزش (International AIED Society) در اول ژانویه ۱۹۹۳ راه‌اندازی شد و تاکنون بیش از ۱۵۰۰ عضو از ۴۰ کشور را جذب کرده است. عنوان ژورنال این انجمن در سال ۱۹۹۵ به نام فعلی، International Journal of Artificial Intelligence in Education، تغییر یافت.

در این دوره، مفاهیم و اصطلاحات حوزه نیز تکامل یافت. از اصطلاحات اولیه مانند CAL (یادگیری به‌کمک رایانه)، CAT (آموزش به‌کمک رایانه) و CAI (آموزش به‌کمک رایانه)، اصطلاح ITS (سیستم تدریس هوشمند) به‌عنوان اصطلاح غالب مطرح شد.

در اوایل دهه ۱۹۹۰، سیستم‌های تدریس هوشمند شروع به استفاده از تکنیک‌های پردازش زبان طبیعی (NLP) کردند تا بتوانند بهتر زبان انسانی را درک و تولید کنند. در سال ۱۹۹۷، سیستم ALEKS (Assessment and LEarning in Knowledge Spaces) به‌طور رسمی راه‌اندازی شد. هسته این سیستم از یک موتور هوش مصنوعی تشکیل شده بود که به‌طور مداوم وضعیت یادگیری هر دانش‌آموز را ارزیابی می‌کرد و بر اساس آن، محتوای آموزشی مناسب را توصیه می‌نمود. همچنین در همین سال، سیستم Auto Tutor در دانشگاه ممفیس توسعه یافت که قادر به گفت‌وگوی طبیعی با دانش‌آموزان و ارائه بازخورد فوری بود.

اختراع شبکه جهانی وب (World Wide Web) در سال ۱۹۸۹، تحول بزرگی در این حوزه ایجاد کرد. وب امکان جمع‌آوری داده‌های تعامل کاربران را فراهم آورد که می‌توانست برای آموزش عامل‌های نرم‌افزاری مورد استفاده قرار گیرد و قابلیت‌های تحلیل یادگیری (Learning Analytics) را به‌شدت افزایش دهد. در دهه ۱۹۹۰، سیستم‌های مدیریت یادگیری (Learning Management Systems - LMS) نیز پدید آمدند که محتوا را سازماندهی، پیشرفت دانش‌آموزان را پیگیری و آموزش آنلاین را مدیریت می‌کردند.

== دهه ۲۰۰۰ تا ۲۰۱۰: داده‌کاوی آموزشی، تحلیل یادگیری و یادگیری تطبیقی ==
با آغاز قرن بیست‌یکم، هوش مصنوعی در آموزش وارد مرحله جدیدی شد. داده‌کاوی آموزشی (Educational Data Mining - EDM) و تحلیل یادگیری (Learning Analytics - LA) به‌عنوان حوزه‌های مستقل اما مرتبط با AIED شکل گرفتند. مقاله بنیادین بیکر و زیمنس در سال ۲۰۱۲، به‌خوبی تفاوت‌های نظری و اشتراکات این دو جامعه را تبیین کرد. پژوهش‌ها در این حوزه از سال ۲۰۰۵ به‌بعد رشد چشم‌گیری داشت و مفاهیمی مانند «آموزش عالی»، «یادگیری ماشین» و «داده‌کاوی آموزشی» به‌عنوان موضوعات محوری ظهور کردند.

سیستم‌های یادگیری تطبیقی (Adaptive Learning Systems) نیز در این دوره گسترش یافتند. این سیستم‌ها با استفاده از الگوریتم‌های هوش مصنوعی، محتوای آموزشی را بر اساس نیازهای فردی هر یادگیرنده تعدیل می‌کردند. هدف اصلی این سیستم‌ها، ارائه مسیرهای یادگیری شخصی‌شده و یافتن مواد آموزشی متناسب با توانایی‌ها و نیازهای یادگیرندگان بود. فناوری کلیدی در این سیستم‌ها، پیش‌بینی وضعیت دانش فعلی یادگیرنده بر اساس عملکرد گذشته او بود که به «ردیابی دانش» (Knowledge Tracing) معروف است.

مؤسسات آموزشی نیز به‌تدریج از این فناوری‌ها استقبال کردند. دانشگاه کارنگی ملون در این دوره نرم‌افزارهای ریاضی مبتنی بر هوش مصنوعی را توسعه داد که تجربه‌های یادگیری بسیار شخصی‌شده و تطبیقی را ارائه می‌دادند. این پیشرفت بر اساس علوم شناختی و الگوریتم‌های یادگیری ماشین بود که اثربخشی یک معلم خصوصی را شبیه‌سازی می‌کردند.

== دهه ۲۰۲۰: انقلاب مدل‌های زبانی بزرگ و هوش مصنوعی مولد ==
سال ۲۰۲۲ نقطه عطفی در تاریخ هوش مصنوعی در آموزش محسوب می‌شود. انتشار عمومی ChatGPT توسط OpenAI در نوامبر ۲۰۲۲، علاقه جهانی به کاربست مدل‌های زبانی بزرگ (Large Language Models - LLMs) در کلاس‌های درس و برنامه‌های درسی را به‌طور بی‌سابقه‌ای افزایش داد.

مدل‌های زبانی بزرگ، شبکه‌های عصبی عمیقی هستند که بر روی حجم عظیمی از متون آموزش دیده‌اند و توانایی‌های خارق‌العاده‌ای در تولید، خلاصه‌سازی و تحلیل متن از خود نشان داده‌اند. این مدل‌ها حوزه‌های متعددی از جمله آموزش را متحول کرده‌اند و کاربردهایی مانند نمره‌دهی خودکار و یادگیری شخصی‌شده را با کارایی بی‌سابقه‌ای ممکن ساخته‌اند.

پژوهش‌های اخیر نشان می‌دهد که حوزه AIED از سال ۲۰۰۰ تا ۲۰۲۴ رشد شتابانی داشته است، به‌ویژه پس از سال ۲۰۲۲ که با جهش قابل‌توجهی همراه بوده و جهت‌گیری پژوهش‌های این حوزه نیز دستخوش تغییرات اساسی شده است. مقاله‌های ارائه‌شده در کنفرانس AIED 2024 نشان می‌دهد که شور و شوق روزافزون پژوهشگران برای استفاده از هوش مصنوعی مولد، فرصت‌های تازه‌ای برای درک عمیق‌تر از دانش و فرآیندهای یادگیری دانش‌آموزان فراهم آورده است.

سازمان‌های بین‌المللی نیز به سرعت به این تحولات واکنش نشان دادند. یونسکو در سپتامبر ۲۰۲۳، نخستین سند راهنما درباره هوش مصنوعی مولد در آموزش و پژوهش را منتشر کرد تا به چالش‌های ناشی از این فناوری‌های جدید پاسخ دهد. یونسکو بر این باور است که هوش مصنوعی می‌تواند به یکی از محرک‌های اصلی تغییر آموزشی تبدیل شود، مشروط بر اینکه پیاده‌سازی آن رویکردی انسان‌محور داشته باشد، نقش معلم را تقویت کند و استفاده اخلاقی از فناوری را تضمین نماید.

سازمان همکاری و توسعه اقتصادی (OECD) نیز در گزارش «چشم‌انداز آموزش دیجیتال ۲۰۲۶» خود استدلال کرده است که مسئله محوری، دسترسی به هوش مصنوعی یا پیچیدگی فنی نیست، بلکه شرایطی است که در آن استفاده از هوش مصنوعی از تفکر، عاملیت و یادگیری حمایت می‌کند، نه اینکه جایگزین آنها شود. این گزارش هشدار می‌دهد که اتکای بیش‌ازحد دانش‌آموزان به هوش مصنوعی مولد ممکن است به کاهش درگیری فراشناختی (metacognitive engagement) منجر شود.

== چشم‌انداز آینده ==
با نگاهی به بیش از نیم‌قرن تکامل هوش مصنوعی در آموزش، می‌توان این مسیر را به چهار دوره تقسیم کرد: دوره پیدایش و کمک به آموزش (دهه ۱۹۵۰ تا ۱۹۷۰)، دوره اکتشاف و گسترش (دهه ۱۹۸۰ تا ۱۹۹۰)، دوره توسعه و بهینه‌سازی (اوایل قرن ۲۱ تا میانه دهه ۲۰۱۰)، و دوره شکوفایی و بازتعریف (اواخر دهه ۲۰۱۰ تا کنون).

پژوهشگران آینده‌پژوهی در این حوزه، روندهای سه‌گانه‌ای را برای آینده هوش مصنوعی در آموزش ترسیم می‌کنند: روند فنی، روند آموزشی و روند کاربستی. ''Handbook of Artificial Intelligence in Education'' نیز در بخش پایانی خود به بررسی چشم‌اندازهای بیست‌ساله پیشِ روی این حوزه پرداخته و بر چالش‌ها و فرصت‌های پیشِ رو تأکید دارد.

از منظر چهارچوب تحلیلی AI×Ed که در کنفرانس AIED 2023 به مناسبت سی‌اُمین سالگرد انجمن بین‌المللی هوش مصنوعی در آموزش ارائه شد، نسبت هوش مصنوعی و آموزش فراتر از یک رابطه صرفاً ابزاری است. هوش مصنوعی نه تنها به‌عنوان ابزاری عملی برای حل مسائل آموزشی عمل می‌کند، بلکه به‌عنوان قیاسی مفهومی برای فهم هوش و یادگیری انسانی نیز نقشی اساسی ایفا می‌کند.

در عصر هوش مصنوعی مولد، پرسش‌های بنیادین درباره ماهیت یادگیری، نقش معلم، و نسبت فناوری با عاملیت انسانی، بیش از پیش در کانون توجه قرار گرفته‌اند. همان‌گونه که یونسکو تأکید کرده، آینده آموزش در گرو آن است که چگونه بتوان از توانمندی‌های هوش مصنوعی برای غنی‌سازی تجربه یادگیری استفاده کرد، بی‌آنکه ارزش‌های انسانی و نقش محوری معلم در فرآیند آموزش به حاشیه رانده شود.

== منابع ==
* du Boulay, B., Mitrovic, A., &amp; Yacef, K. (Eds.). (2023). ''Handbook of Artificial Intelligence in Education''. Edward Elgar Publishing.
* Rismanchian, S., &amp; Doroudi, S. (2025). The Evolution of Research on AI and Education Across Four Decades: Insights from the AIxEd Framework. ''International Journal of Artificial Intelligence in Education'', 35, 2797–2820.
* Kahn, K. (1977). Three Interactions between AI and Education. ''[Proceedings]''.
* Carbonell, J. R. (1970). AI in CAI: An Artificial-Intelligence Approach to Computer-Assisted Instruction. ''IEEE Transactions on Man-Machine Systems'', 11(4), 190-202.
* Turing, A. M. (1950). Computing Machinery and Intelligence. ''Mind'', 59(236), 433-460.
* McCarthy, J., et al. (1956). ''A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence''.
* Skinner, B. F. (1954). The Science of Learning and the Art of Teaching. ''Harvard Educational Review'', 24(2), 86-97.
* Self, J. (2016). The Birth of IJAIED. ''International Journal of Artificial Intelligence in Education'', 26, 1-12.
* Anderson, J. R. (1993). ''Rules of the Mind''. Lawrence Erlbaum Associates.
* UNESCO (2023). ''Guidance for generative AI in education and research''. UNESCO Publishing.
* OECD (2026). ''Digital Education Outlook 2026''. OECD Publishing.
* Baker, R. S., &amp; Siemens, G. (2012). Educational Data Mining and Learning Analytics. In ''Cambridge Handbook of the Learning Sciences''.
* 余亮،邓双洁،张馨月 (2025). 人工智能技术赋能教育的演进脉络、内在逻辑和发展趋势.
* 胡小勇،林梓柔،刘晓红 (2024). 人工智能融入教育：全球态势与中国路向. ''唐山师范学院学报'', 2024(12).</text>
      <sha1>cqc92upm84teyrcafbogytptb6vuzu8</sha1>
    </revision>
    <revision>
      <id>385430</id>
      <parentid>385429</parentid>
      <timestamp>2026-07-21T21:10:49Z</timestamp>
      <contributor>
        <username>Mehrabanf403</username>
        <id>55738</id>
      </contributor>
      <comment>/* چشم‌انداز آینده */ Add image</comment>
      <origin>385430</origin>
      <model>wikitext</model>
      <format>text/x-wiki</format>
      <text bytes="21693" sha1="h80uvcwrxbv5wqlphi8n8mmck5vkteh" xml:space="preserve">= تاریخچه هوش مصنوعی در آموزش =

[[File:Inteligencia-artificial-en-la-educacion-retos-y-perspectivas-futuras.jpg|Inteligencia-artificial-en-la-educacion-retos-y-perspectivas-futuras]]
== مقدمه ==
''نوشته شده توسط '''فاطمه مهربان'''، دانشجوی دکتری برنامه‌ریزی آموزش از دور، زیر نظر استاد گرامی '''سرکار خانم دکتر خطیب زنجانی''' .''

هوش مصنوعی در آموزش (Artificial Intelligence in Education - AIED) به‌عنوان یک حوزه مطالعاتی بین‌رشته‌ای، ریشه‌ای نزدیک به نیم‌قرن دارد. این حوزه از تلاقی علوم رایانه، علوم شناختی، روان‌شناسی تربیتی و طراحی آموزشی پدید آمده و در طول زمان دستخوش تحولات چشم‌گیری شده است. ''Handbook of Artificial Intelligence in Education''، که به‌کوشش بندیکت دو بولی، آنتونیا میتروویچ و کالینا یاسف گردآوری شده، ریشه‌های این حوزه را به دهه ۱۹۷۰ میلادی بازمی‌گرداند.

پیش‌تر از آن، در سال ۱۹۷۷، کنت کان در مقاله‌ای با عنوان «سه تعامل بین هوش مصنوعی و آموزش» سه نقش اصلی را برای هوش مصنوعی در آموزش ترسیم کرد: نوشتن برنامه‌های ساده هوش مصنوعی توسط کودکان، تعامل کودکان با «برنامه‌های آموزشی هوش مصنوعی»، و استفاده از «نظریه‌های هوش مصنوعی درباره هوش و یادگیری» برای طراحی محیط‌های یادگیری. این چارچوب سه‌گانه، اگرچه با تأکیدهای متفاوتی در طول زمان دنبال شد، همچنان مبنای مفهومی مهمی برای درک نسبت هوش مصنوعی و آموزش به‌شمار می‌رود.

== ریشه‌های مفهومی: از ماشین‌های تدریس تا تولد هوش مصنوعی ==
ایده استفاده از فناوری برای آموزش، پیش‌تر از تولد خود رایانه شکل گرفته بود. در دهه ۱۹۲۰، سیدنی پرسلی «ماشین تدریس» خود را معرفی کرد؛ دستگاهی مکانیکی که به‌زعم او انقلابی در آموزش ایجاد خواهد کرد. با این حال، نقطه عطف اصلی را باید در میانه‌های قرن بیستم جست‌وجو کرد.

در سال ۱۹۵۰، آلن تورینگ مقاله‌ی بنیادین «ماشین‌های محاسب و هوش» را منتشر کرد و برای اولین بار پرسش از امکان تفکر ماشین‌ها را به‌صورت نظام‌مند مطرح ساخت. شش سال بعد، در سال ۱۹۵۶، جان مک‌کارتی و همکارانش در کارگاه دارتموث، اصطلاح «هوش مصنوعی» را برای اولین بار به‌کار بردند و بدین‌ترتیب تولد این رشته را رقم زدند. این رویداد، سرآغاز مسیری شد که نهایتاً به کاربست هوش مصنوعی در آموزش انجامید.

هم‌زمان با شکل‌گیری هوش مصنوعی، رویکردهای دیگری نیز در آموزش پدیدار شدند. در سال ۱۹۵۴، بی.اف. اسکینر مقاله «علوم یادگیری و هنر تدریس» را منتشر کرد که مبنای نظری ماشین‌های تدریس مبتنی بر برنامه‌ریزی آموزشی (Programmed Instruction) را فراهم آورد. این جریان، بعدها به توسعه سیستم‌های آموزش به‌کمک رایانه (Computer-Assisted Instruction - CAI) انجامید.

== دهه‌های ۱۹۶۰ و ۱۹۷۰: ظهور سیستم‌های آموزش به‌کمک رایانه و نخستین سیستم‌های هوشمند ==
دهه ۱۹۶۰، دوران شکل‌گیری آموزش به‌کمک رایانه بود. در سال ۱۹۶۰، دانشگاه ایلینوی پروژه PLATO (Programmed Logic for Automatic Teaching Operations) را آغاز کرد؛ سیستمی که از طریق برنامه‌نویسی منطقی، تعاملات آموزشی متنوعی را ممکن می‌ساخت. PLATO به طیف گسترده‌ای از زبان‌آموزان، از دانش‌آموزان مدارس و دانشجویان تا زندانیان، خدمات آموزشی ارائه می‌داد و دروس متنوعی از ریاضیات و لاتین تا علوم را پوشش می‌داد. هشت سال بعد، در سال ۱۹۶۸، سیستم TICCIT (Time-shared, Interactive Computer-Controlled Instructional Television) توسعه یافت که محتوای چندرسانه‌ای فردی‌شده را به کاربران در مدارس و منازل ارائه می‌کرد. این سیستم‌ها با نظریه‌های تربیتی اسکینر و بنجامین بلوم، که بر آموزش فردی‌شده تأکید داشتند، همسو بودند.

اما نقطه عطف واقعی در سال ۱۹۷۰ رخ داد، زمانی که خایمه کاربونل (Jaime Carbonell) در مقاله خود با عنوان «هوش مصنوعی در CAI» سیستم SCHOLAR را معرفی کرد. SCHOLAR که در دانشگاه کارنگی ملون توسعه یافته بود، نخستین تلاش برای استفاده از بازنمایی هوش مصنوعی به‌عنوان مبنای یک برنامه آموزشی به‌شمار می‌رفت. این سیستم که برای آموزش جغرافیای آمریکای جنوبی طراحی شده بود، از یک پایگاه دانش مبتنی بر شبکه‌های معنایی استفاده می‌کرد و قادر بود بر اساس پیشرفت و سطح درک دانش‌آموز، محتوا و راهبرد آموزشی خود را تنظیم کند. کاربونل همچنین مفهوم «آموزش هوشمند به‌کمک رایانه» (Intelligent Computer-Assisted Instruction - ICAI) را مطرح کرد.

با این حال، پیشرفت‌های اولیه با محدودیت‌هایی نیز روبه‌رو بود. در اواسط دهه ۱۹۷۰، به‌دلیل محدودیت‌های توان محاسباتی، ذخیره‌سازی داده‌ها و درک ناقص از شناخت انسانی، پژوهش در حوزه هوش مصنوعی وارد «زمستان» شد و کاربست‌های آموزشی آن نیز با کندی مواجه گردید.

== دهه‌های ۱۹۸۰ و ۱۹۹۰: شکل‌گیری جامعه علمی AIED و گسترش سیستم‌های تدریس هوشمند ==
اواخر دهه ۱۹۸۰، هوش مصنوعی «تابستان دوم» خود را تجربه کرد و بار دیگر مورد توجه گسترده پژوهشگران قرار گرفت. در این دوره، سیستم‌های خبره (Expert Systems) که توسط پژوهشگران کارنگی ملون، از جمله جان اندرسون، توسعه می‌یافتند، نقشی برجسته ایفا کردند.

نخستین کنفرانس بین‌المللی هوش مصنوعی در آموزش (AIED) در سال ۱۹۸۳ برگزار شد. این کنفرانس در سال‌های آغازین، تأکید زیادی بر محیط‌های یادگیری مبتنی بر LOGO و زبان برنامه‌نویسی آن داشت. با این حال، کنفرانس سوم در سال ۱۹۸۹، تأکید خود را به‌سوی سیستم‌های تدریس هوشمند (Intelligent Tutoring Systems - ITS) و دیدگاه‌های شناختی سوق داد. در همین سال، نخستین شماره از Journal of Artificial Intelligence in Education منتشر شد.

سیستم‌های تدریس هوشمند، برنامه‌های رایانه‌ای هستند که از تکنیک‌های هوش مصنوعی برای شبیه‌سازی رفتار یک معلم خصوصی انسانی استفاده می‌کنند. این سیستم‌ها می‌دانند چه چیزی را تدریس می‌کنند، به چه کسی تدریس می‌کنند و چگونه تدریس کنند.

جان اندرسون در کارنگی ملون، نظریه ACT-R را توسعه داد که چارچوبی برای شناخت انسانی فراهم می‌آورد و قابلیت پیاده‌سازی در رایانه را داشت. بر اساس این نظریه، اندرسون و همکارانش عوامل آموزشی (tutoring agents) را برای حوزه‌های ریاضی مانند هندسه یا برنامه‌نویسی LISP طراحی کردند که مبتنی بر حل مسئله بودند و بازخورد فوری ارائه می‌دادند.

در همین سال‌ها، جامعه علمی AIED نهادهای رسمی خود را تثبیت کرد. انجمن بین‌المللی هوش مصنوعی در آموزش (International AIED Society) در اول ژانویه ۱۹۹۳ راه‌اندازی شد و تاکنون بیش از ۱۵۰۰ عضو از ۴۰ کشور را جذب کرده است. عنوان ژورنال این انجمن در سال ۱۹۹۵ به نام فعلی، International Journal of Artificial Intelligence in Education، تغییر یافت.

در این دوره، مفاهیم و اصطلاحات حوزه نیز تکامل یافت. از اصطلاحات اولیه مانند CAL (یادگیری به‌کمک رایانه)، CAT (آموزش به‌کمک رایانه) و CAI (آموزش به‌کمک رایانه)، اصطلاح ITS (سیستم تدریس هوشمند) به‌عنوان اصطلاح غالب مطرح شد.

در اوایل دهه ۱۹۹۰، سیستم‌های تدریس هوشمند شروع به استفاده از تکنیک‌های پردازش زبان طبیعی (NLP) کردند تا بتوانند بهتر زبان انسانی را درک و تولید کنند. در سال ۱۹۹۷، سیستم ALEKS (Assessment and LEarning in Knowledge Spaces) به‌طور رسمی راه‌اندازی شد. هسته این سیستم از یک موتور هوش مصنوعی تشکیل شده بود که به‌طور مداوم وضعیت یادگیری هر دانش‌آموز را ارزیابی می‌کرد و بر اساس آن، محتوای آموزشی مناسب را توصیه می‌نمود. همچنین در همین سال، سیستم Auto Tutor در دانشگاه ممفیس توسعه یافت که قادر به گفت‌وگوی طبیعی با دانش‌آموزان و ارائه بازخورد فوری بود.

اختراع شبکه جهانی وب (World Wide Web) در سال ۱۹۸۹، تحول بزرگی در این حوزه ایجاد کرد. وب امکان جمع‌آوری داده‌های تعامل کاربران را فراهم آورد که می‌توانست برای آموزش عامل‌های نرم‌افزاری مورد استفاده قرار گیرد و قابلیت‌های تحلیل یادگیری (Learning Analytics) را به‌شدت افزایش دهد. در دهه ۱۹۹۰، سیستم‌های مدیریت یادگیری (Learning Management Systems - LMS) نیز پدید آمدند که محتوا را سازماندهی، پیشرفت دانش‌آموزان را پیگیری و آموزش آنلاین را مدیریت می‌کردند.

== دهه ۲۰۰۰ تا ۲۰۱۰: داده‌کاوی آموزشی، تحلیل یادگیری و یادگیری تطبیقی ==
با آغاز قرن بیست‌یکم، هوش مصنوعی در آموزش وارد مرحله جدیدی شد. داده‌کاوی آموزشی (Educational Data Mining - EDM) و تحلیل یادگیری (Learning Analytics - LA) به‌عنوان حوزه‌های مستقل اما مرتبط با AIED شکل گرفتند. مقاله بنیادین بیکر و زیمنس در سال ۲۰۱۲، به‌خوبی تفاوت‌های نظری و اشتراکات این دو جامعه را تبیین کرد. پژوهش‌ها در این حوزه از سال ۲۰۰۵ به‌بعد رشد چشم‌گیری داشت و مفاهیمی مانند «آموزش عالی»، «یادگیری ماشین» و «داده‌کاوی آموزشی» به‌عنوان موضوعات محوری ظهور کردند.

سیستم‌های یادگیری تطبیقی (Adaptive Learning Systems) نیز در این دوره گسترش یافتند. این سیستم‌ها با استفاده از الگوریتم‌های هوش مصنوعی، محتوای آموزشی را بر اساس نیازهای فردی هر یادگیرنده تعدیل می‌کردند. هدف اصلی این سیستم‌ها، ارائه مسیرهای یادگیری شخصی‌شده و یافتن مواد آموزشی متناسب با توانایی‌ها و نیازهای یادگیرندگان بود. فناوری کلیدی در این سیستم‌ها، پیش‌بینی وضعیت دانش فعلی یادگیرنده بر اساس عملکرد گذشته او بود که به «ردیابی دانش» (Knowledge Tracing) معروف است.

مؤسسات آموزشی نیز به‌تدریج از این فناوری‌ها استقبال کردند. دانشگاه کارنگی ملون در این دوره نرم‌افزارهای ریاضی مبتنی بر هوش مصنوعی را توسعه داد که تجربه‌های یادگیری بسیار شخصی‌شده و تطبیقی را ارائه می‌دادند. این پیشرفت بر اساس علوم شناختی و الگوریتم‌های یادگیری ماشین بود که اثربخشی یک معلم خصوصی را شبیه‌سازی می‌کردند.

== دهه ۲۰۲۰: انقلاب مدل‌های زبانی بزرگ و هوش مصنوعی مولد ==
سال ۲۰۲۲ نقطه عطفی در تاریخ هوش مصنوعی در آموزش محسوب می‌شود. انتشار عمومی ChatGPT توسط OpenAI در نوامبر ۲۰۲۲، علاقه جهانی به کاربست مدل‌های زبانی بزرگ (Large Language Models - LLMs) در کلاس‌های درس و برنامه‌های درسی را به‌طور بی‌سابقه‌ای افزایش داد.

مدل‌های زبانی بزرگ، شبکه‌های عصبی عمیقی هستند که بر روی حجم عظیمی از متون آموزش دیده‌اند و توانایی‌های خارق‌العاده‌ای در تولید، خلاصه‌سازی و تحلیل متن از خود نشان داده‌اند. این مدل‌ها حوزه‌های متعددی از جمله آموزش را متحول کرده‌اند و کاربردهایی مانند نمره‌دهی خودکار و یادگیری شخصی‌شده را با کارایی بی‌سابقه‌ای ممکن ساخته‌اند.

پژوهش‌های اخیر نشان می‌دهد که حوزه AIED از سال ۲۰۰۰ تا ۲۰۲۴ رشد شتابانی داشته است، به‌ویژه پس از سال ۲۰۲۲ که با جهش قابل‌توجهی همراه بوده و جهت‌گیری پژوهش‌های این حوزه نیز دستخوش تغییرات اساسی شده است. مقاله‌های ارائه‌شده در کنفرانس AIED 2024 نشان می‌دهد که شور و شوق روزافزون پژوهشگران برای استفاده از هوش مصنوعی مولد، فرصت‌های تازه‌ای برای درک عمیق‌تر از دانش و فرآیندهای یادگیری دانش‌آموزان فراهم آورده است.

سازمان‌های بین‌المللی نیز به سرعت به این تحولات واکنش نشان دادند. یونسکو در سپتامبر ۲۰۲۳، نخستین سند راهنما درباره هوش مصنوعی مولد در آموزش و پژوهش را منتشر کرد تا به چالش‌های ناشی از این فناوری‌های جدید پاسخ دهد. یونسکو بر این باور است که هوش مصنوعی می‌تواند به یکی از محرک‌های اصلی تغییر آموزشی تبدیل شود، مشروط بر اینکه پیاده‌سازی آن رویکردی انسان‌محور داشته باشد، نقش معلم را تقویت کند و استفاده اخلاقی از فناوری را تضمین نماید.

سازمان همکاری و توسعه اقتصادی (OECD) نیز در گزارش «چشم‌انداز آموزش دیجیتال ۲۰۲۶» خود استدلال کرده است که مسئله محوری، دسترسی به هوش مصنوعی یا پیچیدگی فنی نیست، بلکه شرایطی است که در آن استفاده از هوش مصنوعی از تفکر، عاملیت و یادگیری حمایت می‌کند، نه اینکه جایگزین آنها شود. این گزارش هشدار می‌دهد که اتکای بیش‌ازحد دانش‌آموزان به هوش مصنوعی مولد ممکن است به کاهش درگیری فراشناختی (metacognitive engagement) منجر شود.

== چشم‌انداز آینده ==

[[File:Artificial intelligence in education.jpg|Artificial_intelligence_in_education]]
با نگاهی به بیش از نیم‌قرن تکامل هوش مصنوعی در آموزش، می‌توان این مسیر را به چهار دوره تقسیم کرد: دوره پیدایش و کمک به آموزش (دهه ۱۹۵۰ تا ۱۹۷۰)، دوره اکتشاف و گسترش (دهه ۱۹۸۰ تا ۱۹۹۰)، دوره توسعه و بهینه‌سازی (اوایل قرن ۲۱ تا میانه دهه ۲۰۱۰)، و دوره شکوفایی و بازتعریف (اواخر دهه ۲۰۱۰ تا کنون).

پژوهشگران آینده‌پژوهی در این حوزه، روندهای سه‌گانه‌ای را برای آینده هوش مصنوعی در آموزش ترسیم می‌کنند: روند فنی، روند آموزشی و روند کاربستی. ''Handbook of Artificial Intelligence in Education'' نیز در بخش پایانی خود به بررسی چشم‌اندازهای بیست‌ساله پیشِ روی این حوزه پرداخته و بر چالش‌ها و فرصت‌های پیشِ رو تأکید دارد.

از منظر چهارچوب تحلیلی AI×Ed که در کنفرانس AIED 2023 به مناسبت سی‌اُمین سالگرد انجمن بین‌المللی هوش مصنوعی در آموزش ارائه شد، نسبت هوش مصنوعی و آموزش فراتر از یک رابطه صرفاً ابزاری است. هوش مصنوعی نه تنها به‌عنوان ابزاری عملی برای حل مسائل آموزشی عمل می‌کند، بلکه به‌عنوان قیاسی مفهومی برای فهم هوش و یادگیری انسانی نیز نقشی اساسی ایفا می‌کند.

در عصر هوش مصنوعی مولد، پرسش‌های بنیادین درباره ماهیت یادگیری، نقش معلم، و نسبت فناوری با عاملیت انسانی، بیش از پیش در کانون توجه قرار گرفته‌اند. همان‌گونه که یونسکو تأکید کرده، آینده آموزش در گرو آن است که چگونه بتوان از توانمندی‌های هوش مصنوعی برای غنی‌سازی تجربه یادگیری استفاده کرد، بی‌آنکه ارزش‌های انسانی و نقش محوری معلم در فرآیند آموزش به حاشیه رانده شود.

== منابع ==
* du Boulay, B., Mitrovic, A., &amp; Yacef, K. (Eds.). (2023). ''Handbook of Artificial Intelligence in Education''. Edward Elgar Publishing.
* Rismanchian, S., &amp; Doroudi, S. (2025). The Evolution of Research on AI and Education Across Four Decades: Insights from the AIxEd Framework. ''International Journal of Artificial Intelligence in Education'', 35, 2797–2820.
* Kahn, K. (1977). Three Interactions between AI and Education. ''[Proceedings]''.
* Carbonell, J. R. (1970). AI in CAI: An Artificial-Intelligence Approach to Computer-Assisted Instruction. ''IEEE Transactions on Man-Machine Systems'', 11(4), 190-202.
* Turing, A. M. (1950). Computing Machinery and Intelligence. ''Mind'', 59(236), 433-460.
* McCarthy, J., et al. (1956). ''A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence''.
* Skinner, B. F. (1954). The Science of Learning and the Art of Teaching. ''Harvard Educational Review'', 24(2), 86-97.
* Self, J. (2016). The Birth of IJAIED. ''International Journal of Artificial Intelligence in Education'', 26, 1-12.
* Anderson, J. R. (1993). ''Rules of the Mind''. Lawrence Erlbaum Associates.
* UNESCO (2023). ''Guidance for generative AI in education and research''. UNESCO Publishing.
* OECD (2026). ''Digital Education Outlook 2026''. OECD Publishing.
* Baker, R. S., &amp; Siemens, G. (2012). Educational Data Mining and Learning Analytics. In ''Cambridge Handbook of the Learning Sciences''.
* 余亮،邓双洁،张馨月 (2025). 人工智能技术赋能教育的演进脉络、内在逻辑和发展趋势.
* 胡小勇،林梓柔،刘晓红 (2024). 人工智能融入教育：全球态势与中国路向. ''唐山师范学院学报'', 2024(12).</text>
      <sha1>h80uvcwrxbv5wqlphi8n8mmck5vkteh</sha1>
    </revision>
  </page>
  <page>
    <title>فناوری‌های پوشیدنی در آموزش</title>
    <ns>0</ns>
    <id>55859</id>
    <revision>
      <id>385427</id>
      <timestamp>2026-07-21T20:50:45Z</timestamp>
      <contributor>
        <username>Mehrabanf403</username>
        <id>55738</id>
      </contributor>
      <comment>/* */ Complete article</comment>
      <origin>385427</origin>
      <model>wikitext</model>
      <format>text/x-wiki</format>
      <text bytes="19985" sha1="6jg2dz2axgyr2ctzqgznsmyr786nb06" xml:space="preserve">= فناوری‌های پوشیدنی در آموزش =

نوشته شده توسط '''فاطمه مهربان'''، دانشجوی دکتری برنامه‌ریزی آموزش از دور، زیر نظر استاد گرامی '''سرکار خانم دکتر نازیلا خطیب زنجانی'''.

'''خلاصه:''' فناوری پوشیدنی (Wearable Technology) به مجموعه‌ای از دستگاه‌های الکترونیکی گفته می‌شود که روی بدن پوشیده می‌شوند و امکان تعامل بی‌وقفه با محیط دیجیتال را فراهم می‌آورند. این نوشتار به بررسی تاریخچه، انواع، کاربردهای آموزشی، چالش‌ها و چشم‌انداز آیندهٔ این فناوری در حوزهٔ آموزش می‌پردازد.

== مقدمه ==

فناوری پوشیدنی (Wearable Technology) یکی از حوزه‌های نوظهور و رو به رشد در عرصه فناوری اطلاعات و ارتباطات است که در سال‌های اخیر توجه بسیاری از پژوهشگران، به‌ویژه در حوزهٔ آموزش، را به خود جلب کرده است. این فناوری که به دستگاه‌های الکترونیکی قابل‌پوشیدن بر روی بدن اطلاق می‌شود[reference:0]، با فراهم آوردن امکان تعامل مداوم، بی‌وقفه و بی‌دست با رایانه‌ها و محیط دیجیتال[reference:1]، افق‌های تازه‌ای را در زمینهٔ یادگیری شخصی‌شده، تجربی و مبتنی بر داده گشوده است[reference:2].

پژوهش‌ها نشان می‌دهد که فناوری‌های پوشیدنی با ارائهٔ تجارب فراگیر و تعاملی، در حال تغییر شکل دادن به شیوه‌های آموزشی هستند و فعالیت‌های روزمره را به فرصت‌های یادگیری مستمر تبدیل می‌کنند[reference:3]. این دستگاه‌ها با جمع‌آوری داده‌های فیزیولوژیکی و محیطی، بینش‌های ارزشمندی دربارهٔ میزان درگیری، درک مطلب و وضعیت یادگیری دانش‌آموزان فراهم می‌آورند[reference:4].

== تعریف فناوری پوشیدنی ==

فناوری پوشیدنی که با عناوینی همچون «دستگاه‌های پوشیدنی» یا «پوشیدنی‌ها» (Wearables) نیز شناخته می‌شود، به فناوری‌های الکترونیکی یا رایانه‌هایی اطلاق می‌گردد که درون پوشاک و لوازم جانبی که به‌راحتی بر روی بدن قابل‌پوشیدن هستند، تعبیه می‌شوند[reference:5]. به عبارت دیگر، فناوری پوشیدنی شامل طیف گسترده‌ای از اجزای حسی، ارتباطی و محاسباتی است که ممکن است بر روی بدن، زیر، روی یا درون لباس پوشیده شوند[reference:6].

این دستگاه‌ها که می‌توانند به‌صورت ساعت، عینک، لنز تماسی، پارچه‌های هوشمند، دستبند و حتی سمعک طراحی شوند[reference:7]، داده‌های مربوط به فرد پوشنده را جمع‌آوری کرده و به یک برنامه یا اینترنت ارسال می‌کنند، یا داده‌ها را از محیط یا اینترنت دریافت و برای کاربر نمایش می‌دهند[reference:8]. هدف نهایی فناوری پوشیدنی، ایجاد دسترسی مداوم، راحت، بی‌وقفه، قابل‌حمل و عمدتاً بی‌دست به رایانه‌ها و دستگاه‌های الکترونیکی است[reference:9].

== تاریخچه فناوری پوشیدنی ==

تاریخچهٔ فناوری پوشیدنی به نیمهٔ نخست قرن بیستم بازمی‌گردد. نخستین دستگاه پوشیدنی، یک دستگاه زمان‌سنج به‌اندازهٔ یک جعبه سیگار بود که توسط ادوارد تورپ و کلود شانون در سال ۱۹۵۵ طراحی شد. این دستگاه که در کفش پنهان می‌شد، برای پیش‌بینی جای توپ در چرخ‌های رولت در کازینوها استفاده می‌شد و پیش‌درآمدی بر ایدهٔ ادغام فناوری در زندگی روزمره بود[reference:10]. این مفهوم در سال ۱۹۶۶ به‌صورت عمومی معرفی شد و علاقه به کاربردهای بالقوهٔ فناوری پوشیدنی را فراتر از قمار، به حوزه‌هایی مانند پایش سلامت و ارتباطات گسترش داد[reference:11].

دههٔ ۱۹۷۰ دورهٔ رشد قابل‌توجهی برای فناوری پوشیدنی بود، به‌ویژه با معرفی ساعت‌های ماشین‌حساب. دستگاه‌هایی مانند ساعت ماشین‌حساب پولسار توسط شرکت ساعت‌سازی همیلتون در سال ۱۹۷۵، عملکرد یک ماشین‌حساب را با راحتی یک ساعت مچی ترکیب کردند[reference:12]. این نوآوری یکی از نخستین نمونه‌های یک دستگاه پوشیدنی چندمنظوره بود که می‌توانست در محیط‌های حرفه‌ای و شخصی مورد استفاده قرار گیرد و زمینه‌ساز توسعهٔ دستگاه‌های جمع‌وجور و چندمنظوره‌ای شد که کاربردهای عملی فراتر از زمان‌سنجی داشتند[reference:13].

در اواخر دههٔ ۱۹۷۰ و اوایل دههٔ ۱۹۸۰، فناوری پوشیدنی به صنعت سرگرمی نیز راه یافت. معرفی سونی واکمن در سال ۱۹۷۹، نحوهٔ مصرف موسیقی را متحول کرد و به مردم اجازه داد در حال حرکت به موسیقی موردعلاقهٔ خود گوش دهند. این لحظهٔ مهمی در تاریخ دستگاه‌های پوشیدنی بود، زیرا پتانسیل پوشیدنی‌ها را برای بهبود تجربیات سرگرمی شخصی نشان داد و انتظارات مصرف‌کنندگان را برای دستگاه‌های آینده شکل داد[reference:14]. دههٔ ۱۹۹۰ نیز شاهد گسترش بیشتر فناوری پوشیدنی به محیط‌های کاری با معرفی دستگاه‌های پیجر بود[reference:15].

در حوزهٔ رایانه‌های پوشیدنی، تورپ و شانون یک پیش‌بینی‌کنندهٔ چرخ رولت ساختند که تا سال ۱۹۶۶ عنوان نخستین رایانهٔ پوشیدنی را به خود اختصاص نداد[reference:16]. یکی دیگر از مشارکت‌کنندگان در این حوزه، استیو مان بود که نخستین سیستم رایانهٔ پوشیدنی خود را در اوایل دههٔ ۱۹۸۰ توسعه داد. این سیستم از یک دوربین نصب‌شده روی سر و یک کوله‌پشتی تشکیل شده بود[reference:17]. در اواخر دههٔ ۱۹۸۰ و اوایل دههٔ ۱۹۹۰، پیشرفت‌های بیشتری در زمینهٔ فناوری پوشیدنی، عینک‌های هوشمند را به‌صورت تجاری در دسترس قرار داد[reference:18].

پس از معرفی شبکهٔ جهانی وب، پژوهشگران شروع به اشتراک‌گذاری بین‌المللی مطالعات خود در زمینهٔ رایانه‌های پوشیدنی کردند[reference:19]. در سال ۱۹۹۳، پلت و استارنر عینک‌های هوشمند به نام Private Eye را با یک صفحه‌کلید یک‌دست ترکیب کردند تا نخستین سیستم آگاه از زمینه را توسعه دهند[reference:20]. در طول دههٔ ۱۹۹۰، پژوهشگران رایانه‌های پوشیدنی دیگری مانند سیستم Pathfinder (نخستین GPS پوشیدنی) و نمونه‌های اولیه برای سیستم‌های واقعیت افزوده را توسعه دادند[reference:21].

در اوایل دههٔ ۲۰۰۰، LilyPad Arduino معرفی شد که به‌عنوان یک پروژهٔ تحقیقاتی دانشگاهی آغاز گردید. این سیستم به کاربران اجازه می‌داد با دوخت ماژول‌های ریزکنترل‌گر، حسگر و محرک نصب‌شده روی پارچه با نخ رسانا، پوشیدنی‌های نرم خود را بسازند[reference:22][reference:23].

== کاربردهای فناوری پوشیدنی در آموزش ==

فناوری پوشیدنی در سال‌های اخیر کاربردهای گسترده‌ای در حوزهٔ آموزش یافته است. این دستگاه‌ها راه‌های جدیدی برای پایش درگیری، سلامت و نتایج یادگیری دانش‌آموزان ارائه می‌دهند[reference:24][reference:25]. در ادامه به برخی از مهم‌ترین کاربردهای این فناوری در آموزش اشاره می‌شود:

=== یادگیری شخصی‌شده و تطبیقی ===

فناوری‌های پوشیدنی از طریق ارائهٔ محتوای تطبیقی، بازخورد بی‌درنگ و فعالیت‌های بازی‌محور، از یادگیری شخصی‌شده و تجربی حمایت می‌کنند[reference:26]. این دستگاه‌ها با جمع‌آوری داده‌های فیزیولوژیکی و رفتاری، امکان شناسایی نیازهای فردی هر یادگیرنده و تنظیم محتوای آموزشی متناسب با آن را فراهم می‌آورند[reference:27].

=== افزایش تعامل و انگیزه ===

دستگاه‌های پوشیدنی با ایجاد تجارب فراگیر و تعاملی، به افزایش تعامل و انگیزهٔ دانش‌آموزان کمک می‌کنند. به‌عنوان مثال، عینک‌های واقعیت افزوده می‌توانند موضوعات تاریخی یا جغرافیایی را به‌صورت بازی‌محور ارائه دهند و به دانش‌آموزان امکان دهند تا دربارهٔ تمدن‌های باستانی یا کشورهای مختلف از طریق شکارهای مجازی بیاموزند[reference:28].

=== آموزش علوم، فناوری، مهندسی و ریاضی (STEM) ===

مربیان از پارچه‌های الکترونیکی و سایر فناوری‌های پوشیدنی برای بهبود نگرش و علاقه به STEM و مهندسی استفاده می‌کنند[reference:29]. این فناوری به دانش‌آموزان فرصت می‌دهد تا بر اهداف آموزشی مسلط شوند و با استفاده از محاسبات آموزشی، پروژه‌هایی را طراحی و ایجاد کنند[reference:30].

=== آموزش آمار و تحلیل داده ===

در یک مطالعه، دانش‌آموزان دبیرستانی از دستگاه‌های پایش ضربان قلب Garmin Forerunner برای تمرین تفسیر نمایش‌های بصری داده استفاده کردند. همچنین دانش‌آموزان کلاس پنجم از داده‌های دستگاه Fitbit Ultra برای شناسایی معیارهای گرایش مرکزی بهره بردند[reference:31]. در مطالعه‌ای دیگر، از دستگاه‌های Fitbit Ultra و Fitbit One در کلاس‌های تربیت بدنی برای آموزش آمار مقدماتی به دانش‌آموزان پایهٔ سوم تا هشتم استفاده شد. گام‌های جمع‌آوری‌شده از ردیاب‌های فعالیت به‌عنوان داده برای ایجاد هیستوگرام و درک مفهوم تغییرپذیری به کار رفت[reference:32].

=== آموزش از راه دور ===

در آموزش باز و از راه دور، فناوری‌های پوشیدنی باعث افزایش درگیری فراگیر، خودمختاری و انگیزهٔ یادگیرندگان می‌شوند[reference:33]. با این حال، چالش‌های مرتبط با اخلاق داده، حریم خصوصی، سوگیری الگوریتمی و نابرابری دسترسی همچنان وجود دارد[reference:34].

=== پایش توجه و عملکرد ===

پژوهش‌ها نشان داده است که ترکیب الگوریتم‌های هوش مصنوعی با فناوری حسگر پوشیدنی می‌تواند حرکات بیش‌فعال را تا ۵۴٪ کاهش دهد و منجر به بهبود توجه و عملکرد در کلاس شود[reference:35].

== چالش‌ها و چشم‌انداز آینده ==

علیرغم پتانسیل بالای فناوری‌های پوشیدنی در آموزش، چالش‌های متعددی پیش روی توسعه و کاربرد گستردهٔ آنها وجود دارد:

=== چالش‌های اخلاقی و حریم خصوصی ===

دستگاه‌های پوشیدنی حجم عظیمی از داده تولید می‌کنند که بدون زمینه می‌توانند گمراه‌کننده باشند[reference:36]. چالش پیشِ رو نه فنی، بلکه فلسفی، اخلاقی و عمیقاً انسانی است[reference:37]. مسائل مربوط به حریم خصوصی، امنیت داده‌ها و سوگیری الگوریتمی از جمله مهم‌ترین دغدغه‌های اخلاقی در این حوزه به‌شمار می‌روند[reference:38][reference:39].

=== چالش‌های فنی و مدیریت داده ===

کیفیت داده‌های حسگر، پایداری انرژی و طراحی بهینه از جمله چالش‌های فنی در طراحی و بهینه‌سازی دستگاه‌های پوشیدنی هستند[reference:40]. همچنین جریان‌های گسترده و مداوم داده‌های تولیدشده توسط این حسگرها، چالش‌های قابل‌توجهی برای تحلیل یادگیری ایجاد می‌کند[reference:41].

=== چالش‌های آموزشی ===

خطر تحت‌الشعاع قرار گرفتن آموزش توسط فناوری، یکی از چالش‌های اساسی در کاربرد فناوری‌های پوشیدنی در آموزش است[reference:42]. همچنین نابرابری در دسترسی به این فناوری‌ها، شکاف دیجیتال را تشدید می‌کند[reference:43].

=== چشم‌انداز آینده ===

آیندهٔ فناوری‌های پوشیدنی در آموزش در طراحی‌های اخلاقی، فراگیر و یادگیرنده‌محور نهفته است که ظرفیت انسانی را بدون به‌خطر انداختن یکپارچگی آموزشی افزایش می‌دهند[reference:44]. پژوهشگران هفت جهت توسعهٔ آینده برای حسگرهای پوشیدنی در زمینهٔ آموزش ترسیم کرده‌اند که شامل تحلیل یادگیری چندحالته، سیستم‌های یادگیری تطبیقی و رویکردهای اخلاقی‌محور است[reference:45].

هم‌چنین همگرایی فناوری پوشیدنی با هوش مصنوعی، یادگیری سیار، واقعیت افزوده/واقعیت مجازی، تحلیل یادگیری و اینترنت اشیا، افق‌های تازه‌ای را برای تحول در آموزش گشوده است[reference:46]. همان‌گونه که پژوهشگران تأکید کرده‌اند، فناوری‌های پوشیدنی با ادغام فیزیولوژی، آموزش‌شناسی و سیستم‌های هوشمند، پتانسیل تحول‌آفرینی برای آموزش دارند[reference:47].

== نتیجه‌گیری ==

فناوری پوشیدنی به‌عنوان یکی از حوزه‌های نوین فناوری اطلاعات، پتانسیل بالایی برای تحول در نظام‌های آموزشی دارد. این فناوری با فراهم آوردن امکان یادگیری شخصی‌شده، تجربی و مبتنی بر داده، می‌تواند به بهبود کیفیت آموزش و افزایش تعامل و انگیزهٔ یادگیرندگان کمک کند. با این حال، تحقق این پتانسیل مستلزم توجه جدی به چالش‌های اخلاقی، فنی و آموزشی مرتبط با این فناوری و توسعهٔ رویکردهای انسان‌محور و یادگیرنده‌محور است.

== منابع ==

* du Boulay, B., Mitrovic, A., &amp; Yacef, K. (Eds.). (2023). ''Handbook of Artificial Intelligence in Education''. Edward Elgar Publishing.
* Buechley, L., &amp; Hill, B. M. (2010). LilyPad Arduino: Using computational textiles to investigate engagement, aesthetics, and diversity in computer science education. ''Proceedings of the SIGCHI Conference on Human Factors in Computing Systems'', 711-720.
* Buechley, L., Eisenberg, M., Catchen, J., &amp; Crockett, A. (2008). The LilyPad Arduino: Toward wearable engineering for everyone. ''IEEE Pervasive Computing'', 7(2), 12-15.
* Havard, B., &amp; Podsiad, M. (2017). Wearable Computers: Past, Present, and Future Possibilities. ''Proceedings of the Association for Educational Communications and Technology'', 1-12.[reference:48]
* Kayabaş, İ. (2026). The Transformative Role of Wearable Technologies in Education. In ''Emerging Technologies in Education''. Taylor &amp; Francis.[reference:49]
* Lee, V. R., Drake, J., &amp; Thayne, J. L. (2016). Appropriating quantified self technologies to support elementary statistical teaching and learning. ''IEEE Transactions on Learning Technologies'', 9(4), 354-365.
* Lee, V. R., Drake, J., &amp; Williamson, K. (2015). Let's get physical: K-12 students using wearable devices to obtain and learn about data from physical activities. ''TechTrends'', 59(4), 46-53.
* Mann, S. (1997). Wearable computing: A first step toward personal imaging. ''Computer'', 30(2), 25-32.
* McCann, J., &amp; Bryson, D. (2009). ''Smart Clothes and Wearable Technology''. Woodhead Publishing.
* Meriçelli, M. (2026). The Use of Body-Integrated Technologies for Educational Purposes. In ''Emerging Technologies in Education''. Taylor &amp; Francis.[reference:50]
* Schaefer, S. E., Ching, C. C., Breen, H., &amp; German, J. (2016). Wearing, thinking, and moving: Testing the feasibility of fitness tracking with urban youth. ''American Journal of Health Education'', 47(1), 2-11.
* Thorp, E. O. (1998). The invention of the first wearable computer. ''Proceedings of the Second International Symposium on Wearable Computers'', 4-8.
*  خطیب زنجانی، نازیلا و کریمی، مهسا. (۱۴۰۴). شناسایی ابعاد، مؤلفه‌ها و شاخص‌های آموزش فراشخصی‌سازی‌شده با بهره‌گیری از هوش مصنوعی. ''مجله ایرانی آموزش از دور''، 5(5)، 9-25.[reference:51]
* خطیب زنجانی، نازیلا و کریمی، مهسا. (۱۴۰۳). اثربخشی آموزش زبان به روش هوش مصنوعی با روش رایج بر میزان یادگیری در بین زبان‌آموزان مبتدی. ''فصلنامه پژوهش و برنامه‌ریزی در آموزش عالی''.[reference:52]
* خطیب زنجانی، نازیلا و فرج‌اللهی، مهران. (۱۴۰۲). عوامل مؤثر در اشاعه مفاهیم و باورهای دینی بین دانش‌آموزان. ''فصلنامه روان‌شناسی اجتماعی''.[reference:53]</text>
      <sha1>6jg2dz2axgyr2ctzqgznsmyr786nb06</sha1>
    </revision>
    <revision>
      <id>385428</id>
      <parentid>385427</parentid>
      <timestamp>2026-07-21T21:07:58Z</timestamp>
      <contributor>
        <username>Mehrabanf403</username>
        <id>55738</id>
      </contributor>
      <comment>/* فناوری‌های پوشیدنی در آموزش */ Add image</comment>
      <origin>385428</origin>
      <model>wikitext</model>
      <format>text/x-wiki</format>
      <text bytes="20209" sha1="j3rv4pkv6lp1tr21agfy3snol9ay99m" xml:space="preserve">= فناوری‌های پوشیدنی در آموزش =
[[File:Wearable technology (27482) - The Noun Project.svg|thumb|200px|آیکون فناوری پوشیدنی]]
نوشته شده توسط '''فاطمه مهربان'''، دانشجوی دکتری برنامه‌ریزی آموزش از دور، زیر نظر استاد گرامی '''سرکار خانم دکتر نازیلا خطیب زنجانی'''.

'''خلاصه:''' فناوری پوشیدنی (Wearable Technology) به مجموعه‌ای از دستگاه‌های الکترونیکی گفته می‌شود که روی بدن پوشیده می‌شوند و امکان تعامل بی‌وقفه با محیط دیجیتال را فراهم می‌آورند. این نوشتار به بررسی تاریخچه، انواع، کاربردهای آموزشی، چالش‌ها و چشم‌انداز آیندهٔ این فناوری در حوزهٔ آموزش می‌پردازد.

== مقدمه ==

فناوری پوشیدنی (Wearable Technology) یکی از حوزه‌های نوظهور و رو به رشد در عرصه فناوری اطلاعات و ارتباطات است که در سال‌های اخیر توجه بسیاری از پژوهشگران، به‌ویژه در حوزهٔ آموزش، را به خود جلب کرده است. این فناوری که به دستگاه‌های الکترونیکی قابل‌پوشیدن بر روی بدن اطلاق می‌شود[reference:0]، با فراهم آوردن امکان تعامل مداوم، بی‌وقفه و بی‌دست با رایانه‌ها و محیط دیجیتال[reference:1]، افق‌های تازه‌ای را در زمینهٔ یادگیری شخصی‌شده، تجربی و مبتنی بر داده گشوده است[reference:2].

پژوهش‌ها نشان می‌دهد که فناوری‌های پوشیدنی با ارائهٔ تجارب فراگیر و تعاملی، در حال تغییر شکل دادن به شیوه‌های آموزشی هستند و فعالیت‌های روزمره را به فرصت‌های یادگیری مستمر تبدیل می‌کنند[reference:3]. این دستگاه‌ها با جمع‌آوری داده‌های فیزیولوژیکی و محیطی، بینش‌های ارزشمندی دربارهٔ میزان درگیری، درک مطلب و وضعیت یادگیری دانش‌آموزان فراهم می‌آورند[reference:4].

== تعریف فناوری پوشیدنی ==

فناوری پوشیدنی که با عناوینی همچون «دستگاه‌های پوشیدنی» یا «پوشیدنی‌ها» (Wearables) نیز شناخته می‌شود، به فناوری‌های الکترونیکی یا رایانه‌هایی اطلاق می‌گردد که درون پوشاک و لوازم جانبی که به‌راحتی بر روی بدن قابل‌پوشیدن هستند، تعبیه می‌شوند[reference:5]. به عبارت دیگر، فناوری پوشیدنی شامل طیف گسترده‌ای از اجزای حسی، ارتباطی و محاسباتی است که ممکن است بر روی بدن، زیر، روی یا درون لباس پوشیده شوند[reference:6].

این دستگاه‌ها که می‌توانند به‌صورت ساعت، عینک، لنز تماسی، پارچه‌های هوشمند، دستبند و حتی سمعک طراحی شوند[reference:7]، داده‌های مربوط به فرد پوشنده را جمع‌آوری کرده و به یک برنامه یا اینترنت ارسال می‌کنند، یا داده‌ها را از محیط یا اینترنت دریافت و برای کاربر نمایش می‌دهند[reference:8]. هدف نهایی فناوری پوشیدنی، ایجاد دسترسی مداوم، راحت، بی‌وقفه، قابل‌حمل و عمدتاً بی‌دست به رایانه‌ها و دستگاه‌های الکترونیکی است[reference:9].

== تاریخچه فناوری پوشیدنی ==

تاریخچهٔ فناوری پوشیدنی به نیمهٔ نخست قرن بیستم بازمی‌گردد. نخستین دستگاه پوشیدنی، یک دستگاه زمان‌سنج به‌اندازهٔ یک جعبه سیگار بود که توسط ادوارد تورپ و کلود شانون در سال ۱۹۵۵ طراحی شد. این دستگاه که در کفش پنهان می‌شد، برای پیش‌بینی جای توپ در چرخ‌های رولت در کازینوها استفاده می‌شد و پیش‌درآمدی بر ایدهٔ ادغام فناوری در زندگی روزمره بود[reference:10]. این مفهوم در سال ۱۹۶۶ به‌صورت عمومی معرفی شد و علاقه به کاربردهای بالقوهٔ فناوری پوشیدنی را فراتر از قمار، به حوزه‌هایی مانند پایش سلامت و ارتباطات گسترش داد[reference:11].
[[File:Smartwatches.jpg|thumb|250px|نمونه‌ای از ساعت‌های هوشمند (Samsung Galaxy Watch)]]
دههٔ ۱۹۷۰ دورهٔ رشد قابل‌توجهی برای فناوری پوشیدنی بود، به‌ویژه با معرفی ساعت‌های ماشین‌حساب. دستگاه‌هایی مانند ساعت ماشین‌حساب پولسار توسط شرکت ساعت‌سازی همیلتون در سال ۱۹۷۵، عملکرد یک ماشین‌حساب را با راحتی یک ساعت مچی ترکیب کردند[reference:12]. این نوآوری یکی از نخستین نمونه‌های یک دستگاه پوشیدنی چندمنظوره بود که می‌توانست در محیط‌های حرفه‌ای و شخصی مورد استفاده قرار گیرد و زمینه‌ساز توسعهٔ دستگاه‌های جمع‌وجور و چندمنظوره‌ای شد که کاربردهای عملی فراتر از زمان‌سنجی داشتند[reference:13].

در اواخر دههٔ ۱۹۷۰ و اوایل دههٔ ۱۹۸۰، فناوری پوشیدنی به صنعت سرگرمی نیز راه یافت. معرفی سونی واکمن در سال ۱۹۷۹، نحوهٔ مصرف موسیقی را متحول کرد و به مردم اجازه داد در حال حرکت به موسیقی موردعلاقهٔ خود گوش دهند. این لحظهٔ مهمی در تاریخ دستگاه‌های پوشیدنی بود، زیرا پتانسیل پوشیدنی‌ها را برای بهبود تجربیات سرگرمی شخصی نشان داد و انتظارات مصرف‌کنندگان را برای دستگاه‌های آینده شکل داد[reference:14]. دههٔ ۱۹۹۰ نیز شاهد گسترش بیشتر فناوری پوشیدنی به محیط‌های کاری با معرفی دستگاه‌های پیجر بود[reference:15].

در حوزهٔ رایانه‌های پوشیدنی، تورپ و شانون یک پیش‌بینی‌کنندهٔ چرخ رولت ساختند که تا سال ۱۹۶۶ عنوان نخستین رایانهٔ پوشیدنی را به خود اختصاص نداد[reference:16]. یکی دیگر از مشارکت‌کنندگان در این حوزه، استیو مان بود که نخستین سیستم رایانهٔ پوشیدنی خود را در اوایل دههٔ ۱۹۸۰ توسعه داد. این سیستم از یک دوربین نصب‌شده روی سر و یک کوله‌پشتی تشکیل شده بود[reference:17]. در اواخر دههٔ ۱۹۸۰ و اوایل دههٔ ۱۹۹۰، پیشرفت‌های بیشتری در زمینهٔ فناوری پوشیدنی، عینک‌های هوشمند را به‌صورت تجاری در دسترس قرار داد[reference:18].

پس از معرفی شبکهٔ جهانی وب، پژوهشگران شروع به اشتراک‌گذاری بین‌المللی مطالعات خود در زمینهٔ رایانه‌های پوشیدنی کردند[reference:19]. در سال ۱۹۹۳، پلت و استارنر عینک‌های هوشمند به نام Private Eye را با یک صفحه‌کلید یک‌دست ترکیب کردند تا نخستین سیستم آگاه از زمینه را توسعه دهند[reference:20]. در طول دههٔ ۱۹۹۰، پژوهشگران رایانه‌های پوشیدنی دیگری مانند سیستم Pathfinder (نخستین GPS پوشیدنی) و نمونه‌های اولیه برای سیستم‌های واقعیت افزوده را توسعه دادند[reference:21].

در اوایل دههٔ ۲۰۰۰، LilyPad Arduino معرفی شد که به‌عنوان یک پروژهٔ تحقیقاتی دانشگاهی آغاز گردید. این سیستم به کاربران اجازه می‌داد با دوخت ماژول‌های ریزکنترل‌گر، حسگر و محرک نصب‌شده روی پارچه با نخ رسانا، پوشیدنی‌های نرم خود را بسازند[reference:22][reference:23].

== کاربردهای فناوری پوشیدنی در آموزش ==

فناوری پوشیدنی در سال‌های اخیر کاربردهای گسترده‌ای در حوزهٔ آموزش یافته است. این دستگاه‌ها راه‌های جدیدی برای پایش درگیری، سلامت و نتایج یادگیری دانش‌آموزان ارائه می‌دهند[reference:24][reference:25]. در ادامه به برخی از مهم‌ترین کاربردهای این فناوری در آموزش اشاره می‌شود:

=== یادگیری شخصی‌شده و تطبیقی ===

فناوری‌های پوشیدنی از طریق ارائهٔ محتوای تطبیقی، بازخورد بی‌درنگ و فعالیت‌های بازی‌محور، از یادگیری شخصی‌شده و تجربی حمایت می‌کنند[reference:26]. این دستگاه‌ها با جمع‌آوری داده‌های فیزیولوژیکی و رفتاری، امکان شناسایی نیازهای فردی هر یادگیرنده و تنظیم محتوای آموزشی متناسب با آن را فراهم می‌آورند[reference:27].

=== افزایش تعامل و انگیزه ===

دستگاه‌های پوشیدنی با ایجاد تجارب فراگیر و تعاملی، به افزایش تعامل و انگیزهٔ دانش‌آموزان کمک می‌کنند. به‌عنوان مثال، عینک‌های واقعیت افزوده می‌توانند موضوعات تاریخی یا جغرافیایی را به‌صورت بازی‌محور ارائه دهند و به دانش‌آموزان امکان دهند تا دربارهٔ تمدن‌های باستانی یا کشورهای مختلف از طریق شکارهای مجازی بیاموزند[reference:28].

=== آموزش علوم، فناوری، مهندسی و ریاضی (STEM) ===

مربیان از پارچه‌های الکترونیکی و سایر فناوری‌های پوشیدنی برای بهبود نگرش و علاقه به STEM و مهندسی استفاده می‌کنند[reference:29]. این فناوری به دانش‌آموزان فرصت می‌دهد تا بر اهداف آموزشی مسلط شوند و با استفاده از محاسبات آموزشی، پروژه‌هایی را طراحی و ایجاد کنند[reference:30].

=== آموزش آمار و تحلیل داده ===

در یک مطالعه، دانش‌آموزان دبیرستانی از دستگاه‌های پایش ضربان قلب Garmin Forerunner برای تمرین تفسیر نمایش‌های بصری داده استفاده کردند. همچنین دانش‌آموزان کلاس پنجم از داده‌های دستگاه Fitbit Ultra برای شناسایی معیارهای گرایش مرکزی بهره بردند[reference:31]. در مطالعه‌ای دیگر، از دستگاه‌های Fitbit Ultra و Fitbit One در کلاس‌های تربیت بدنی برای آموزش آمار مقدماتی به دانش‌آموزان پایهٔ سوم تا هشتم استفاده شد. گام‌های جمع‌آوری‌شده از ردیاب‌های فعالیت به‌عنوان داده برای ایجاد هیستوگرام و درک مفهوم تغییرپذیری به کار رفت[reference:32].

=== آموزش از راه دور ===

در آموزش باز و از راه دور، فناوری‌های پوشیدنی باعث افزایش درگیری فراگیر، خودمختاری و انگیزهٔ یادگیرندگان می‌شوند[reference:33]. با این حال، چالش‌های مرتبط با اخلاق داده، حریم خصوصی، سوگیری الگوریتمی و نابرابری دسترسی همچنان وجود دارد[reference:34].

=== پایش توجه و عملکرد ===

پژوهش‌ها نشان داده است که ترکیب الگوریتم‌های هوش مصنوعی با فناوری حسگر پوشیدنی می‌تواند حرکات بیش‌فعال را تا ۵۴٪ کاهش دهد و منجر به بهبود توجه و عملکرد در کلاس شود[reference:35].

== چالش‌ها و چشم‌انداز آینده ==

علیرغم پتانسیل بالای فناوری‌های پوشیدنی در آموزش، چالش‌های متعددی پیش روی توسعه و کاربرد گستردهٔ آنها وجود دارد:

=== چالش‌های اخلاقی و حریم خصوصی ===

دستگاه‌های پوشیدنی حجم عظیمی از داده تولید می‌کنند که بدون زمینه می‌توانند گمراه‌کننده باشند[reference:36]. چالش پیشِ رو نه فنی، بلکه فلسفی، اخلاقی و عمیقاً انسانی است[reference:37]. مسائل مربوط به حریم خصوصی، امنیت داده‌ها و سوگیری الگوریتمی از جمله مهم‌ترین دغدغه‌های اخلاقی در این حوزه به‌شمار می‌روند[reference:38][reference:39].

=== چالش‌های فنی و مدیریت داده ===

کیفیت داده‌های حسگر، پایداری انرژی و طراحی بهینه از جمله چالش‌های فنی در طراحی و بهینه‌سازی دستگاه‌های پوشیدنی هستند[reference:40]. همچنین جریان‌های گسترده و مداوم داده‌های تولیدشده توسط این حسگرها، چالش‌های قابل‌توجهی برای تحلیل یادگیری ایجاد می‌کند[reference:41].

=== چالش‌های آموزشی ===

خطر تحت‌الشعاع قرار گرفتن آموزش توسط فناوری، یکی از چالش‌های اساسی در کاربرد فناوری‌های پوشیدنی در آموزش است[reference:42]. همچنین نابرابری در دسترسی به این فناوری‌ها، شکاف دیجیتال را تشدید می‌کند[reference:43].

=== چشم‌انداز آینده ===

آیندهٔ فناوری‌های پوشیدنی در آموزش در طراحی‌های اخلاقی، فراگیر و یادگیرنده‌محور نهفته است که ظرفیت انسانی را بدون به‌خطر انداختن یکپارچگی آموزشی افزایش می‌دهند[reference:44]. پژوهشگران هفت جهت توسعهٔ آینده برای حسگرهای پوشیدنی در زمینهٔ آموزش ترسیم کرده‌اند که شامل تحلیل یادگیری چندحالته، سیستم‌های یادگیری تطبیقی و رویکردهای اخلاقی‌محور است[reference:45].

هم‌چنین همگرایی فناوری پوشیدنی با هوش مصنوعی، یادگیری سیار، واقعیت افزوده/واقعیت مجازی، تحلیل یادگیری و اینترنت اشیا، افق‌های تازه‌ای را برای تحول در آموزش گشوده است[reference:46]. همان‌گونه که پژوهشگران تأکید کرده‌اند، فناوری‌های پوشیدنی با ادغام فیزیولوژی، آموزش‌شناسی و سیستم‌های هوشمند، پتانسیل تحول‌آفرینی برای آموزش دارند[reference:47].

== نتیجه‌گیری ==

فناوری پوشیدنی به‌عنوان یکی از حوزه‌های نوین فناوری اطلاعات، پتانسیل بالایی برای تحول در نظام‌های آموزشی دارد. این فناوری با فراهم آوردن امکان یادگیری شخصی‌شده، تجربی و مبتنی بر داده، می‌تواند به بهبود کیفیت آموزش و افزایش تعامل و انگیزهٔ یادگیرندگان کمک کند. با این حال، تحقق این پتانسیل مستلزم توجه جدی به چالش‌های اخلاقی، فنی و آموزشی مرتبط با این فناوری و توسعهٔ رویکردهای انسان‌محور و یادگیرنده‌محور است.

== منابع ==

* du Boulay, B., Mitrovic, A., &amp; Yacef, K. (Eds.). (2023). ''Handbook of Artificial Intelligence in Education''. Edward Elgar Publishing.
* Buechley, L., &amp; Hill, B. M. (2010). LilyPad Arduino: Using computational textiles to investigate engagement, aesthetics, and diversity in computer science education. ''Proceedings of the SIGCHI Conference on Human Factors in Computing Systems'', 711-720.
* Buechley, L., Eisenberg, M., Catchen, J., &amp; Crockett, A. (2008). The LilyPad Arduino: Toward wearable engineering for everyone. ''IEEE Pervasive Computing'', 7(2), 12-15.
* Havard, B., &amp; Podsiad, M. (2017). Wearable Computers: Past, Present, and Future Possibilities. ''Proceedings of the Association for Educational Communications and Technology'', 1-12.[reference:48]
* Kayabaş, İ. (2026). The Transformative Role of Wearable Technologies in Education. In ''Emerging Technologies in Education''. Taylor &amp; Francis.[reference:49]
* Lee, V. R., Drake, J., &amp; Thayne, J. L. (2016). Appropriating quantified self technologies to support elementary statistical teaching and learning. ''IEEE Transactions on Learning Technologies'', 9(4), 354-365.
* Lee, V. R., Drake, J., &amp; Williamson, K. (2015). Let's get physical: K-12 students using wearable devices to obtain and learn about data from physical activities. ''TechTrends'', 59(4), 46-53.
* Mann, S. (1997). Wearable computing: A first step toward personal imaging. ''Computer'', 30(2), 25-32.
* McCann, J., &amp; Bryson, D. (2009). ''Smart Clothes and Wearable Technology''. Woodhead Publishing.
* Meriçelli, M. (2026). The Use of Body-Integrated Technologies for Educational Purposes. In ''Emerging Technologies in Education''. Taylor &amp; Francis.[reference:50]
* Schaefer, S. E., Ching, C. C., Breen, H., &amp; German, J. (2016). Wearing, thinking, and moving: Testing the feasibility of fitness tracking with urban youth. ''American Journal of Health Education'', 47(1), 2-11.
* Thorp, E. O. (1998). The invention of the first wearable computer. ''Proceedings of the Second International Symposium on Wearable Computers'', 4-8.
*  خطیب زنجانی، نازیلا و کریمی، مهسا. (۱۴۰۴). شناسایی ابعاد، مؤلفه‌ها و شاخص‌های آموزش فراشخصی‌سازی‌شده با بهره‌گیری از هوش مصنوعی. ''مجله ایرانی آموزش از دور''، 5(5)، 9-25.[reference:51]
* خطیب زنجانی، نازیلا و کریمی، مهسا. (۱۴۰۳). اثربخشی آموزش زبان به روش هوش مصنوعی با روش رایج بر میزان یادگیری در بین زبان‌آموزان مبتدی. ''فصلنامه پژوهش و برنامه‌ریزی در آموزش عالی''.[reference:52]
* خطیب زنجانی، نازیلا و فرج‌اللهی، مهران. (۱۴۰۲). عوامل مؤثر در اشاعه مفاهیم و باورهای دینی بین دانش‌آموزان. ''فصلنامه روان‌شناسی اجتماعی''.[reference:53]</text>
      <sha1>j3rv4pkv6lp1tr21agfy3snol9ay99m</sha1>
    </revision>
  </page>
  <page>
    <title>Talk:فناوری‌های پوشیدنی در آموزش</title>
    <ns>1</ns>
    <id>55860</id>
    <revision>
      <id>385431</id>
      <timestamp>2026-07-21T21:26:21Z</timestamp>
      <contributor>
        <username>فرحان حیاوی چاملی</username>
        <id>55740</id>
      </contributor>
      <comment>/* همگرایی هوش مصنوعی و یادگیری ترکیبی */ new section</comment>
      <origin>385431</origin>
      <model>wikitext</model>
      <format>text/x-wiki</format>
      <text bytes="339" sha1="m9ogf57nfw5diqzdocyiu6zi5vxqwai" xml:space="preserve">== همگرایی هوش مصنوعی و یادگیری ترکیبی  ==

چگونه می توان یادگیری ترکیبی مبتنی بر هوش مصنوعی داشته باشین [[User:فرحان حیاوی چاملی|فرحان حیاوی چاملی]] ([[User talk:فرحان حیاوی چاملی|talk]]) 21:26, 21 July 2026 (UTC)</text>
      <sha1>m9ogf57nfw5diqzdocyiu6zi5vxqwai</sha1>
    </revision>
  </page>
</mediawiki>