מאמר מחקר

פלטפורמה חינוכית מקיפה המבוססת על בינה מלאכותית גנרטיבית

DOI:

10.3791/69821

⸱

10 ביולי 2026

1School of Education, City University of Macau

במאמר זה

סיכום

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

באמצעות בינה מלאכותית גנרטיבית (GAI) לתמיכה בהוראה, הפלטפורמה מספקת חוויות למידה מותאמות אישית לצרכים המגוונים של המשתמשים. הוא גם מספק גישות למידה מעשיות רבות שמעשירות לא רק את תהליך הלמידה אלא גם מטפחות מיומנויות למידה לכל החיים בעידן הדיגיטלי, בהתאם למטרות הפיתוח בר-קיימא בחינוך ההנדסה.

תקציר

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

בינה מלאכותית גנרטיבית (GAI) חוותה התקדמות משמעותית בשנים האחרונות, והדגימה פוטנציאל טרנספורמטיבי לחינוך על ידי יצירת תוכן דינמי ומסלולי למידה מותאמים אישית. עם זאת, פלטפורמות חינוכיות רבות קיימות מסתמכות על תוכן סטטי ונתיבים קבועים, וחסרות את הארכיטקטורה המשולבת הנדרשת לרתום במלוא יכולות GAI ליצירת חוויות למידה מגובשות ואדפטיביות. כדי להתמודד עם הפער הזה, מחקר זה מפרט את התכנון, היישום וההערכה האמפירית של פלטפורמה חינוכית חדשה ומקיפה שנבנתה על בסיס GAI. הפלטפורמה מבוססת על ארכיטקטורה בת שלוש שכבות החוצה מסגרות מסורתיות: שכבה טכנית בסיסית המשלבת מודלים מודולריים של בינה מלאכותית (למשל, Transformer, CNN-BiLSTM מבוסס קשב), מרכז עיבוד לסינתזת נתונים בזמן אמת ואופטימיזציה של מודלים, ושכבת יישום ואינטראקציה הכוללת שמונה מודולים פונקציונליים מרכזיים, כולל למידה מותאמת אישית, שאלות ותשובות חכמות והערכת מיומנויות. ארכיטקטורה משולבת זו מאפשרת חוויית למידה דינמית הניתנת להתאמה אישית שמתאימה כל הזמן לצרכים ולהתקדמות של הלומדים. כדי להעריך את יעילות הפלטפורמה, ערכנו ניסוי מבוקר אקראי (RCT) שכלל 50 סטודנטים לתואר ראשון ו-20 מחנכים במשך שני סמסטרים, והשווינו תוצאות מול קבוצת ביקורת באמצעות שיטות מסורתיות. תוצאות ניסוי מראות שהפלטפורמה המוצעת משפרת משמעותית את תוצאות הלמידה, מעלה מדדי מעורבות התלמידים (למשל, זמן ביצוע משימה וקצב אינטראקציה עם תוכן), ומשיגה דיוק גבוה בהתאמת תוכן מותאם אישית. הממצאים מצביעים על כך שפלטפורמה מבוססת GAI זו מהווה התקדמות בטכנולוגיה חינוכית על ידי התאמה אישית יעילה של ההוראה ותמיכה בלמידה אדפטיבית בקנה מידה רחב. מחקר זה תורם תכנית ארכיטקטורה מפורטת וניתנת לשכפול ומספק ראיות אמפיריות התומכות בערך המעשי של מערכות GAI משולבות בשיפור היעילות החינוכית וטיפוח מיומנויות למידה לכל החיים.

מבוא

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

על רקע החדשנות הטכנולוגית המואצת, במיוחד בבינה מלאכותית (AI), כלים כמו AI מוצאים יישומים הולכים וגדלים בחינוך ההנדסה. במקביל, אנשים הגיעו להסכמה שמטרת קידום פיתוח בר-קיימא היא שאיפה עולמית. לכן, שילוב פיתוח בר-קיימא בחינוך ההנדסי — שיפור רמות הטכנולוגיה בתעשייה והגברת המודעות לקיימות בקרב הלומדים — הפך למוקד מרכזי ברפורמת החינוך הנוכחית, ומניע את חקר החידושים החינוכיים המבוססי בינה מלאכותית. היישום של הבינה המלאכותית בחינוך פותח אפשרויות ללמידה מותאמת אישית. באופן ספציפי, GAI מציע פוטנציאל משנה חיים לסביבות הוראה ולמידה. הוא מאפשר יצירה דינמית של צורות תוכן מגוונות והתאמת משאבי הלמידה לפרופילים אישיים של הלומדים, מה שיכול לשפר את המעורבות והיעילות. טכנולוגיה זו מאפשרת יצירת פורמטים מגוונים של תוכן, ומקלה על יצירת חומרי למידה מותאמים אישית. יתרה מזאת, היא יכולה להתאים באופן דינמי את משאבי הלמידה לפרופילים של כל לומד, ובכך לשפר את המעורבות ויעילות הלמידה1. יתרה מזאת, הפלטפורמה מתוכננת להסתגל להתקדמות של הלומדים. היא מתאימה באופן דינמי את הצגת התוכן וממליצה על פעילויות למידה התואמות למטרות האישיות, במטרה למקסם את תוצאות הלמידה.

עם זאת, שילוב בינה מלאכותית בפלטפורמות חינוכיות דורש התגברות על מכשולים טכניים משמעותיים. ראשית, יש לאמן מודלים של למידה עמוקה על מערכי נתונים עצומים כדי להבטיח שהם מייצרים תוכן איכותי העומד בסטנדרטים חינוכיים. בנוסף, יש לכוונן את אלגוריתמי הלמידה החיזוקית בקפידה—לא רק כדי להתאים את מסלולי הלמידה למשתמשים באופן מדויק, אלא גם כדי לשמור על שלמות תוכן ההוראה. בנוסף, יכולות עיבוד שפה טבעית חיוניות ליצירת מערכות שיעורים אינטראקטיביות שיכולות לדמות דיאלוג דמוי אדם ולספק משוב בזמן אמת 2,3,4. על רקע זה, יש צורך דחוף בפלטפורמה חינוכית מקיפה שמנצלת את מלוא הפוטנציאל של GAI כדילספק חוויות למידה מותאמות אישית, מרתקות ואדפטיביות. פלטפורמות כאלה מחזיקות בפוטנציאל משמעותי לעצב מחדש את נוף החינוך המקוון על ידי הפיכתו לאדפטיבי ומותאם אישית יותר, ובכך להתאים ולתמוך במטרות של פרדיגמות למידה לכל החיים העכשוויות. בעידן החדש הזה, התוכן החינוכי לא יישאר קבוע; במקום זאת, היא תתפתח יחד עם הצמיחה האישית והצרכים המשתנים של הלומדים.

מחקרים קיימים הראו שטכנולוגיות מתפתחות כמו בינה מלאכותית ומודלים רחבי היקף יכולות לשפר ביעילות את איכות ההוראה והלמידה בחינוך הנדסי5 ומחקרים רבים בחנו את היישומים הפוטנציאליים של GAI בפלטפורמות חינוך מותאמות אישית, במטרה לספק חוויות למידה מותאמות אישית לתלמידים6. במקביל, חינוך לפיתוח בר קיימא (ESD) הפך לעדיפות מרכזית הולכת וגוברת בחינוך ההנדסי הגלובלי, כאשר מחקרים קיימים מדגישים בעקביות כי אוריינות קיימות וחשיבה מערכתית הן מיומנויות ליבה בלתי ניתנות למשא ומתןעבור מהנדסים עכשוויים. כדי לענות על דרישת ההכשרה הקריטית הזו, ארכיטקטורת GAI המוצעת במחקר זה יוצרת קשר מעשי וניתן ליישום בין מטרות למידה של ESD לבניית מיומנויות הנדסיות: הפלטפורמה שלנו משלבת מודולי הערכת השפעה על קיימות, תהליכי עבודה של ניתוח מחזור חיים (LCA) והנחיות עיצוב בר-קיימא מבוססות תרחישים במסגרת הליבה שלה, המאפשרת ללומדי הנדסה לתרגם ישירות עקרונות קיימות לקבלת החלטות טכניות לאורך כל התקופה מחזור תכנון הנדסי. אחד התחומים המרכזיים הוא השימוש ב-GAI לאוטומציה של יצירת תוכן חינוכי. מולאי ואח' חקרו כיצד אלגוריתמים של בינה מלאכותית יכולים לייצר תרגילים, חידונים ואפילו שיעורים שלמים המבוססים על הצרכים הספציפיים וסגנונות הלמידה של תלמידים בודדים. גישה זו מראה פוטנציאל להפחית את עומס העבודה של המורים ולספק חוויית למידה מותאמת אישית יותר לתלמידים, מה שסיפק בסיס טכני מסוים לעבודתם המאוחרת של ג'או ואחרים.

תחום עניין נוסף הוא השימוש ב-GAI למערכות למידה אדפטיבית9. מערכות אלו משתמשות באלגוריתמים של בינה מלאכותית לניתוח ביצועי הלמידה של התלמידים והתאמת חומרי הלמידה בזמן אמת, ובכך עונות בדיוק רב יותר על צורכי התלמידים. גישה זו לא רק משפרת את תוצאות הלמידה אלא גם מבטיחה שהתלמידים יאתגרו ברמה מתאימה—לא קלה מדי להיעדר גירוי ולא קשה מדי לעמוד בקצב. בנוסף, GAI נבחנה גם בזכות הפוטנציאל שלה לאוטומציה של תהליכי סימון ומשוב10 ולשמש כפלטפורמת תמיכה חכמהבהחלטות 11. אלגוריתמים של בינה מלאכותית יכולים לשמש לדירוג אוטומטי של מטלות תלמידים ולספק משוב בזמן, מה שחוסך זמן למורים ועוזר לתלמידים ללמוד בצורה יעילה יותר. סמית' ואח' חקרו גם את יישום כלי GAI, כגון ChatGPT, בהשכלה גבוהה, עם דגש על קבלת ושימוש בטכנולוגיות אלו בקרב סטודנטים ומורים מדורות שונים. המחקר גילה כי סטודנטים ילידיים דיגיטליים, בזכות הטבילה המתמשכת שלהם בטכנולוגיות דיגיטליות, מפגינים רמת קבלה גבוהה יותר ליישומים כאלה; לעומת זאת, מורים מהגרים דיגיטליים נוטים לאמץ גישה זהירה ושמרנית יותר כלפי יישומים דיגיטליים אלה, ומפגינים היסוס לנסות אותם באופן מזדמן. הבדל דורי זה מציב אתגרים והזדמנויות חדשות לשילוב סגנונות הוראה וטכנולוגיות חינוכיות. עימראן ואח' העריכו את יישום כלי הבינה המלאכותית הגנרטיבית מהדור הבא בחינוך, במיוחד ביצירת חומרי הוראה ובמתן משוב מותאם אישית.

הממצאים מצביעים על כך שכלים אלו יכולים לסייע למחנכים לייצר משאבים חינוכיים מגוונים ולספק משוב בזמן אמת, אך גם להצביע על אתגרים הקשורים לסטנדרטים אתיים ולשימוש הוגן. Cabrera ואחרים 14 ניתחו את מודעות הסטודנטים והשימוש ב-GAI באמצעות סקרים בשש אוניברסיטאות בהונג קונג. רוב התלמידים מחזיקים בגישה חיובית, ומכירים בתועלתו בלמידה מותאמת אישית ובמשוב מיידי. עם זאת, מודעות גם הן לגבי הסתמכות יתר והטיות פוטנציאליות. מישרה ואח' 15 מרחיבים את יישום ה-GAI, כמו ChatGPT, בהכשרת מורים, במיוחד בתכנון תכניות לימודים, חשיבה ביקורתית ופתיחות חינוכית. הוא מדגיש כי GAI יכול לספק מנגנוני תמיכה ומשאבים חינוכיים ספציפיים למורים, אך גם מדגיש את הצורך להעריך בקפידה את מגבלותיו וההטיות הפוטנציאליות שלו כדי להבטיח את יעילותו ככלי חינוכי. מישרה ואחרים 16 משקפים את ההשפעה המהפכנית של אסטרטגיות GAI על ההוראה והחינוך למורים. השיטה טוענת שיש לשקול אתיקה ומדיניות בשימוש בטכנולוגיה חינוכית כדי להבטיח שימוש הוגן ויעיל בטכנולוגיות בינה מלאכותית.

המאמצים האקדמיים הקיימים 17,18,19,20,21,22 מצביעים על כך של-GAI יש פוטנציאל לשנות את החינוך על ידי מתן חוויות למידה מותאמות אישית, התאמה לצרכי התלמידים בזמן אמת, ואוטומציה של משימות גוזלות זמן למחנכים. עם זאת, קיימים גם אתגרים הקשורים לשימוש בבינה מלאכותית בחינוך, כגון הצורך בנתונים מדויקים לאימון מודלים של בינה מלאכותית והטיות פוטנציאליות באלגוריתמים23,24. נדרש מחקר נוסף כדי להתמודד עם אתגרים אלו ולממש במלואו את הפוטנציאל של GAI בחינוך אפקטיבי. מחקרים קודמים קבעו את יעילות טכנולוגיות הבינה המלאכותית 20,21,22,23,24,25 במתן למידה אדפטיבית26,27, מתן משוב מותאם אישית28,29, ובחינת יישומים חינוכיים רחבים יותר 30,31. עם זאת, מחקרים קיימים על פלטפורמות חינוכיות מבוססות GAI התמקדו בעיקר באופטימיזציה פונקציונלית הדרגתית ובמחקרי מקרה מבודדים של יישומים. פער מחקר קריטי שלא נפתר נותר בדרך: פלטפורמות חינוכיות קיימות ל-GAI חסרות ארכיטקטורה משולבת מאוחדת, ניתנת להרחבה ובעלת יכולת פדגוגית חזקה, עם מגבלות נרחבות הכוללות עיצוב מודולים מפוצל, אינטרופרביליות לקויה בין תרחישים, וחוסר במסגרת משובצת להכשרת מיומנויות שיטתית (כולל מודעות לקיימות בקרב לומדי הנדסה). כדי להתמודד עם הפער הזה, מחקר זה בוחן פלטפורמה חינוכית מקיפה מבוססת GAI מנקודת מבט אדריכלית בסיסית, ומפרט באופן שיטתי את העיצוב המודולרי, מסגרת האינטרופרביליות בין תרחישים והערכה אמפירית רב-גורמתית. עבודה זו מקדמת את התחום על ידי הקמת פרדיגמה אדריכלית משולבת סטנדרטית ליישומי GAI בחינוך ההנדסתי, כדי לשפר הן את התוצאות החינוכיות והן את פיתוח הכישורים המרכזיים. שלוש התרומות המרכזיות של עבודה זו מפורטות להלן.

  • מסגרת ליצירת חוויות למידה דינמיות. המסגרת משתמשת ב-GAI לבניית סביבת למידה המתפתחת בהתבסס על אינטראקציות עם משתמשים ונתוני ביצועים. מסגרת זו בונה סביבה לימודית מתפתחת דינמית באמצעות GAI, אשר מתאימה ומאופטימיזציה בזמן אמת בהתאם לדפוסי האינטראקציה והרגלי הלמידה של המשתמשים—ומבטיחה שהתוכן החינוכי נשאר עדכני, מעניין ומותאם לצרכים האישיים. מנגנון דינמי זה עושה שני דברים מרכזיים: ראשית, הוא מבטיח שהתוכן החינוכי יישאר עדכני ולא יהפוך למיושן, ושנית, הוא הופך את התוכן למרתק יותר—וכל זאת תוך מענה לצרכים האישיים הייחודיים של כל לומד.
  • עיצוב אדריכלי משולב ואדפטיבי. הארכיטקטורה התלת-שכבתית מתאמת באופן הוליסטי רכיבים אדפטיביים, ומבטיחה שכלי הלמידה יישארו יעילים לאורך כל התקדמות המשתמש. הארכיטקטורה התלת-שכבתית הזו מתאמת באופן הוליסטי רכיבים אדפטיביים המתפתחים עם המשתמשים, ומבטיחה שהתוכן והכלים החינוכיים יישארו יעילים לאורך מסע הלמידה תוך מתן חוויית חינוך מגובשת ומקיפה.
  • התאמה אישית מונחית נתונים בקנה מידה רחב. הפלטפורמה מנצלת ניתוח למידה מתמשכת כדי לאפשר התאמה אישית מונחית נתונים בקנה מידה גדול. היא מתאימה באופן דינמי את תוכן הלמידה, קצב וסגנון ההוראה להעדפות וליכולות הקוגניטיביות של הלומד. מטרות העיצוב המרכזיות שלה הן להפחית עומס קוגניטיבי מיותר, לשפר את יעילות הלמידה ולשפר את חוויית הלמידה הכוללת. מחקר זה בוחן השערת מחקר מרכזית באמצעות ניסוי מבוקר אקראי. ההשערה היא שפלטפורמת הלמידה המותאמת הזו המותאמת GAI יכולה להפחית משמעותית את העומס הקוגניטיבי של לומדים מהנדסים, לשפר את יעילות הלמידה ולשפר הן את תוצאות הלמידה הקשורות ל-ESD ואת חוויית הלמידה בהשוואה למודלים ההוראה ההנדסיים המסורתיים שאינם מותאמים אישית.

העבודה בוחנת השערת מחקר מרכזית. הבעיה היא שפלטפורמת הלמידה המותאמת אישית המופעלת על ידי GAI יכולה להפחית משמעותית את העומס הקוגניטיבי של לומדי הנדסה, לשפר את יעילות הלמידה ולשפר הן את תוצאות הלמידה הקשורות ל-ESD ואת חוויית הלמידה בהשוואה למודלים ההנדסיים המסורתיים שאינם מותאמים אישית.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

פרוטוקול

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

מחקר זה נערך בהתאם להנחיות האתיות של אוניברסיטת החינוך של הונג קונג. התקבלה הסכמה מדעת מכל המשתתפים לפני איסוף הנתונים.

1. מפרט פלטפורמה

המערכת המוערכת היא אב-טיפוס מחקר מותאם אישית, המיושמת כאפליקציה מבוססת רשת. סביבת התוכנה בנויה על פייתון 3.9 ו-TensorFlow 2.12. המודלים המרכזיים של הבינה המלאכותית (CNN-BiLSTM, Transformer) מתארחים על כרטיס מסך NVIDIA A100 (40 GB VRAM) בתוך צינור עיבוד מבוסס שרת. הארכיטקטורה מורכבת משלוש שכבות: ראשית, שכבה טכנית בסיסית המשלבת רשת CNN-BiLSTM משודרגת קשב, מודול טרנספורמר, ורכיבי למידת חיזוק; שנית, מרכז עיבוד למיזוג נתונים רב-מודאלי בזמן אמת ואופטימיזציה של מודלים; ושלישית, שכבת יישום הכוללת שמונה מודולים פונקציונליים, כולל למידה מותאמת אישית, שאלות ותשובות, הערכת מיומנויות וניתוח התנהגות (איור 1).

2. הכנה ואוצרת נתוני הדרכה

אסוף מאגרי נתונים רב-מודליים ממאגרי חינוך ציבוריים (למשל, תמלילי קורסים מקוונים פתוחים, יומני אינטראקציה וידאו חינוכיים) ומקורות קנייניים. אספו יומני אינטראקציה אנונימיים מ-50 סטודנטים לתואר ראשון ו-20 מחנכים במהלך ניסויי פיילוט (ינואר–יוני 2024). עיבוד מקדים טקסט באמצעות spaCy v3.5 (Honnibal ואח', 2020) עם ההליכים הקבועים הבאים. ראשית, טענו את מודל האנגלית האקדמי הכללי המאומן מראש en_core_web_md. שנית, לבצע טוקניזציה באמצעות טוקנייזר ברירת המחדל המותאמת אקדמית של המודל, שמטפל במונחים של הנדסה טכנית ופיתוח בר-קיימא באופן מתאים. שלישית, לבצע למטיזציה באמצעות הלמטיזציה ההיברידית והמבוססת על כללים ברירת מחדל של המודל, ללא כללי למטיזציה מותאמים אישית. נרמול פריימים וידאו לרזולוציה של 224 x 224 באמצעות השלבים הקבועים הבאים. ראשית, לשנות את גודל כל הפריימים באמצעות אינטרפולציה בילינארית, שהיא השיטה הסטנדרטית לעיבוד פריימים חינוכיים של וידאו. שנית, אין להחיל נרמול או חיתוך צבע מעבר לשינוי גודל אחיד כדי לשמר את התוכן החינוכי המקורי. הסר מידע מזהה אישי כדי להבטיח עמידה בפרטיות באמצעות הנהלים הקבועים הבאים. ראשית, השתמש במודול זיהוי ישויות בשם spaCy v3.5 בתוך מודל en_core_web_md כדי לזהות ולשחרר אוטומטית את כל השמות האישיים, כתובות האימייל, מספרי הטלפון והמזהים המוסדיים. שנית, סקירה ידנית של מדגם אקראי של 10 אחוזים מכל הטקסט והפריימים המעובדים מראש כדי לאמת הסרת PII מלאה, ללא אי-התאמות במאגר הנתונים הסופי.

3. אימון ואימות מודלים

ההכשרה השתמשה בשלושה פרדיגמות: ראשית, למידה מפוקחת (אדם אופטימייזר, קצב למידה = 1e-4, גודל אצווה = 32) לחיזוי ביצועי התלמידים מתוך יומני אינטראקציה מסומנים; שנית, קיבוץ K-means לא מפוקח (k = 5) לזיהוי דפוסי התנהגות מובחנים; ושלישית, למידה מחזקת להמלצות תוכן אדפטיבי, עם פונקציית תגמול המוגדרת כמעורבות x דיוק. ההיפרפרמטרים כוונו באמצעות חיפוש אקראי מעל 100 ניסויים על סט אימות שהוחזק כדי להבטיח עמידות. נתוני הקלט למודלים כללו זרמים מולטימודליים מעובדים מראש, אנונימיים: רצפי טקסט טוקניים, פריימים של וידאו RGB בגודל 224 x 224, ומטא-דאטה מובנית של אינטראקציה (למשל, חותמות זמן, סוגי פעולות). התוצרים העיקריים שנוצרים על ידי המערכת כוללים ציוני חיזוי מספריים (למשל, הסתברות שליטה), יומני אינטראקציה מפורטים בפורמט JSON, ודוחות הערכת מיומנויות ב-PDF.

figure-protocol-1
איור 1: ארכיטקטורה של הפלטפורמה החינוכית המקיפה. תרשים זה ממחיש את המבנה ההיררכי המלא של אב הטיפוס החינוכי המותאם אישית למחקר GAI מבוסס רשת, הכולל את שכבת היישום והאינטראקציה הפונה למשתמש, מרכז עיבוד נתונים רב-מודלי, ושכבת טכנולוגיה בסיסית מונחית מודלים מבוססת בינה מלאכותית, עם מיפוי ברור של זרימת נתונים בין השכבות. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

4. ביצוע הערכה אמפירית

גייס 70 משתתפים (50 סטודנטים להנדסה לתואר ראשון ו-20 מחנכים) מאוניברסיטת החינוך של הונג קונג. הם הוקצו באקראי או לקבוצת הניסוי, שהשתמשה בפלטפורמת GAI מבוססת רשת שנבנתה בהתאמה אישית, או לקבוצת הביקורת, שהשתמשה במערכת ניהול למידה קונבנציונלית (LMS). ההערכה מדדה ארבע תוצאות מרכזיות: (1) שיפור בלמידה (הוערך באמצעות ציוני לפני ואחרי המבחן), (2) מעורבות (נמדדה על ידי זמן ביצוע משימה ותדירות אינטראקציה), (3) שביעות רצון משתמשים (הוערכה באמצעות סקר ליקרט בעל 7 נקודות), ו-(4) שימושיות מערכת. כל הנתונים האמפיריים נותחו באמצעות מבחני t זוגות לקביעת מובהקות סטטיסטית, בליווי חישובי גודל אפקט להערכת ההשפעה המעשית.

5. לסיים ולאמת את היישום

לפני המחקר המרכזי, ערכנו אימות מערכת מקיף. זה כלל אימות אינטגרציה מלאה ותפעול יציב של שלוש השכבות הארכיטקטוניות (טכני בסיסי, מרכז עיבוד ושכבת יישום), אישור שלמות הנתונים לאורך כל הצינור, הבטחת התכנסות מודל על מערך האימות ובדיקת התגובה והאמינות של ממשק המשתמש המבוסס רשת. עם סיום מוצלח של שלב האימות הזה, הפלטפורמה נחשבה מוכנה לפריסה אמפירית פורמלית ולהערכה השוואתית במסגרת הניסוי המבוקר האקראי.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

תוצאות

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

הניסוי המבוקר האקראי חשף הבדלים משמעותיים בין קבוצת פלטפורמת GAI (ניסויית) לקבוצת LMS המסורתית (קבוצת הביקורת). מבחינת שיפור בלמידה, קבוצת הניסוי קיבלה ציון גבוה משמעותית לאחר המבחן (M = 85.2, SD = 6.4) מאשר קבוצת הביקורת (M = 76.8, SD = 7.1); הפרש ממוצע = 8.4, רווח בר-סמך 95% [4.5, 12.3], t(68) = 4.32, p < 0.001, D של כהן = 1.02. למעורבות (זמן על המשימה), קבוצת הניסוי בילתה יותר זמן (M = 42.5 דקות, SD = 8.2) מאשר קבוצת הביקורת (M = 28.7 דקות, SD = 9.5); הפרש ממוצע = 13.8 דקות, רווח בר-ס...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

דיון

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

מחקר זה נועד לבחון את ההשערה המחקרית המרכזית: שפלטפורמת למידה מותאמת אישית המופעלת על ידי GAI יכולה להפחית משמעותית את העומס הקוגניטיבי של לומדי הנדסה, לשפר את יעילות הלמידה ולשפר הן את תוצאות הלמידה הקשורות ל-ESD ואת חוויית הלמידה הכוללת, בהשוואה למודלים מסורתיים של הוראה הנדסית לא מותאמת אישית. תוצאות ה-RCT האקראי שלנו מספקות תמיכה אמפירית מלאה להשערה זו, עם שלושה ממצאים מרכזיים התואמים ישירות לתוצאות המוגדרות מראש. ראשית, ההתאמה האישית המונעת על ידי ניתוח למידה מתמשכת של הפלטפורמה הפח...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

גילויים

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

ניגודי עניינים: למחברים אין אינטרסים פיננסיים או לא-פיננסיים רלוונטיים לחשוף.

תודות

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

אין מימון.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שםחברהמספר קטלוגהערות
A100 GPU (40 GB VRAM)NVIDIA Corporation900-4H100-0000-000משמש לאירוח מודלי AI מרכזיים בתוך צינור העיבוד מבוסס השרת.
en_core_web_md (מודל spaCy)Explosion AIhttps://spacy.io/models/en#en_core_web_mdמודל אקדמי כללי באנגלית שהוכשר מראש לשימוש בפיצול לטוקנים וביצוע צמצום. גרסה: v3.5.
Pythonקרן תוכנת Pythonhttps://www.python.org/שפת תכנות עבור סביבת התוכנה. גרסה: 3.9.
מקבץ הנתונים SlimPajamaCerebras Systems Inc.https://www.cerebras.net/blog/cerebras-releases-slimpajama-a-cleaned-version-of-redpajama/קורפוס פתיחה גדול ומקור פתוח שמקורו ב-RedPajama.
spaCyExplosion AIhttps://spacy.io/ספריית עיבוד שפה טבעית לעיבוד טקסט מקדים. גרסה: 3.5.
TensorFlowGoogle LLChttps://www.tensorflow.org/מסגרת למידת מכונה קוד פתוח. גרסה: 2.12.

מקורות

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Wach, K., et al. The dark side of generative artificial intelligence: a critical analysis of controversies and risks of ChatGPT. Entrepreneurial Business and Economics Review. 11 (2), 7-30 (2023).
  2. Feuerriegel, S., Hartmann, J., Janiesch, C., Zschech, P., Bichler, M. Generative AI. Business & Information Systems Engineering. 66 (1), 111-126 (2024).
  3. Noy, S., Zhang, W. Experimental evidence on the productivity effects of generative artificial intelligence. Science. , (2023).
  4. Baidoo-Anu, D., Ansah, L. O. Education in the era of generative artificial intelligence (AI): understanding the potential benefits of ChatGPT in promoting teaching and learning. Journal of AI. 7 (1), 52-62 (2023).
  5. Holechek, S., Sreenivas, V. Generative AI in undergraduate academia: enhancing learning experiences and navigating ethical terrains. Journal of Biological Chemistry. 300 (3), 105921(2024).
  6. Sayyadi, M., Collina, L., Provitera, M. J. How to develop an artificial intelligence strategy. Industrial and Systems Engineering At Work. 55 (7), 38-41 (2023).
  7. Moulaei, K., Yadegari, A., Baharestani, M., Farzanbakhsh, S., Sabet, B., et al. Generative artificial intelligence in healthcare: a scoping review on benefits, challenges and applications. International Journal of Medical Informatics. , (2024).
  8. Zhao, H., Yilahun, H., Hamdulla, A. Pipeline chain-of-thought: a prompt method for large language model relation extraction. International Conference on Asian Language Processing (IALP), , (2023).
  9. Broadbent, J., Lodge, J. Use of live chat in higher education to support self-regulated help seeking behaviours: a comparison of online and blended learner perspectives. International Journal of Educational Technology in Higher Education. 18 (1), 1-20 (2021).
  10. Zhu, J. Evaluating ChatGPT for automated creation and grading of essay questions in higher education. Journal of Educational Technology & Society. 28 (4), 112-128 (2025).
  11. Liu, J. H., Wang, C. P., Xiao, X. C. Internet of Things (IoT) technology for the development of intelligent decision support education platform. Scientific Programming. , (2021).
  12. Smith, A., Johnson, B., Williams, C. Generative AI technologies in higher education: a comprehensive review. IEEE Transactions on Education. , (2023).
  13. Imran, M., Almusharraf, N. Next-generation generative AI as an educational tool: a review of emerging educational technology. Smart Learning Environments. , (2024).
  14. Cabrera, C., Neville, R. Widely used but barely trusted: understanding student perceptions on the use of generative AI in higher education. Perspectives: Policy and Practice in Higher Education. , (2025).
  15. Mishra, P., et al. Teacher education in the age of generative artificial intelligence: introducing the special issue. Journal of Teacher Education. 76 (3), 225-229 (2025).
  16. Mishra, P., Oster, N., Henriksen, D. Generative AI, teacher knowledge and educational research: bridging short- and long-term perspectives. TechTrends: Linking Research & Practice to Improve Learning. , (2024).
  17. Bahroun, Z., Anane, C., Ahmed, V., Zacca, A. Transforming education: a comprehensive review of generative artificial intelligence in educational settings through bibliometric and content analysis. Sustainability. , (2023).
  18. Ayeni, O. O., Al Hamad, N. M., Chisom, O. N., Osawaru, B., Adewusi, O. E. AI in education: a review of personalized learning and educational technology. GSC Advanced Research and Reviews. 18 (2), 261-271 (2024).
  19. Hwang, G. J., Chen, N. S. Editorial position paper: exploring the potential of generative artificial intelligence in education: applications, challenges, and future research directions. Educational Technology & Society. , (2023).
  20. Liu, M., Ren, Y., Nyagoga, L. M., Stonier, F., Wu, Z., et al. Future of education in the era of generative artificial intelligence: consensus among Chinese scholars on applications of ChatGPT in schools. Future in Educational Research. 1 (1), 72-101 (2023).
  21. Acun, C., Acun, R. GAI-enhanced assignment framework: a case study on generative AI powered history education. NeurIPS'23 Workshop on Generative AI for Education (GAIED): Advances, Opportunities, and Challenges, , (2023).
  22. Cooper, G. Examining science education in ChatGPT: an exploratory study of generative artificial intelligence. Journal of Science Education and Technology. , (2023).
  23. Pavlik, J. V. Collaborating with ChatGPT: considering the implications of generative artificial intelligence for journalism and media education. Journalism & Mass Communication Educator. 78 (1), 84-93 (2023).
  24. Vasarhelyi, M. A., Moffitt, K. C., Stewart, T., Sunderland, D. Large language models: an emerging technology in accounting. Journal of Emerging Technologies in Accounting. 20 (2), 1-10 (2023).
  25. Farrokhnia, M., Banihashem, S. K., Noroozi, O., Wals, A. A SWOT analysis of ChatGPT: implications for educational practice and research. Innovations in Education and Teaching International. 61 (3), 460-474 (2024).
  26. Phutela, N., Grover, P., Singh, P., Mittal, N. Future prospects of ChatGPT in higher education. 2024 11th International Conference on Reliability, Infocom Technologies and Optimization (ICRITO), , (2024).
  27. Qadir, J. Engineering education in the era of ChatGPT: promise and pitfalls of generative AI for education. 2023 IEEE Global Engineering Education Conference (EDUCON), , (2023).
  28. Villarroel, V., Bloxham, S., Bruna, D., Bruna, C., Herrera-Seda, C. Authentic assessment: creating a blueprint for course design. Assessment & Evaluation in Higher Education. 43 (5), 840-854 (2018).
  29. Chen, Y., Jensen, S., Albert, L. J., Gupta, S., Lee, T. Artificial intelligence (AI) student assistants in the classroom: designing chatbots to support student success. Information Systems Frontiers. 25 (1), 161-182 (2023).
  30. Kumar, A. Analysis of ChatGPT tool to assess the potential of its utility for academic writing in biomedical domain. Biology, Engineering, Medicine and Science Reports. 9 (1), 24-30 (2023).
  31. Lakshmi, K. A study on mathematical and statistical aspects of linear models. Turkish Journal of Computer and Mathematics Education (TURCOMAT). 12 (4), 1328-1338 (2021).
  32. Soboleva, D., Al-Khateeb, F., Myers, R., Steeves, J. R., Hestness, J., et al. RedPajama: A 627B token cleaned and deduplicated version of SlimPajama. Cerebras Systems Technical Blog. , Available from: https://www.cerebras.net/blog/slimpajama-a-627b-token-cleaned-and-deduplicated-version-of-redpajama (2023).

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

הדפסות חוזרות והרשאות

בקש הרשאה לשימוש חוזר בטקסט או באיורים של מאמר JoVE זה

בקש הרשאה

תגיות

233233JoVEGAIExtensible Module

מאמרים קשורים