Onderzoeksartikel

Een uitgebreid educatief platform gebaseerd op generatieve kunstmatige intelligentie

DOI:

10.3791/69821

⸱

10 juli 2026

1School of Education, City University of Macau

In dit artikel

Samenvatting

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

Door gebruik te maken van generatieve kunstmatige intelligentie (GAI) voor onderwijsondersteuning, biedt het platform op maat gemaakte leerervaringen die zich kunnen aanpassen aan de uiteenlopende behoeften van gebruikers. Het biedt ook overvloedige praktische leermethoden die niet alleen het leerproces verrijken, maar ook levenslange leercompetenties bevorderen in het digitale tijdperk, in lijn met de doelstellingen van duurzame ontwikkeling in het ingenieursonderwijs.

Samenvatting

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

Generatieve Kunstmatige Intelligentie (GAI) heeft de afgelopen jaren aanzienlijke vooruitgang geboekt en toont transformatief potentieel voor onderwijs door dynamische contentcreatie en gepersonaliseerde leerpaden mogelijk te maken. Veel bestaande onderwijsplatforms vertrouwen echter op statische inhoud en vaste trajecten, omdat ze niet beschikken over de geïntegreerde architectuur die nodig is om GAI's mogelijkheden volledig te benutten en samenhangende, adaptieve leerervaringen te creëren. Om deze kloof aan te pakken, beschrijft deze studie het ontwerp, de implementatie en de empirische evaluatie van een nieuw, uitgebreid onderwijsplatform gebaseerd op GAI. Het platform is gebaseerd op een drielaagse architectuur die traditionele frameworks overstijgt: een Basic Technical Layer die modulaire AI-modellen integreert (bijv. Transformer, aandachtgerichte CNN-BiLSTM), een Processing Centre voor realtime datasynthese en modeloptimalisatie, en een Application and Interaction Layer met acht kernmodules, waaronder gepersonaliseerd leren, intelligente Q&A en competentiebeoordeling. Deze geïntegreerde architectuur faciliteert een dynamisch aanpasbare leerervaring die continu wordt aangepast aan de behoeften en voortgang van individuele leerlingen. Om de effectiviteit van het platform te evalueren, voerden we een gerandomiseerde gecontroleerde studie (RCT) uit met 50 bachelorstudenten en 20 docenten over twee semesters, waarbij we de uitkomsten vergeleken met een controlegroep met traditionele methoden. Experimentele resultaten tonen aan dat het voorgestelde platform de leerresultaten aanzienlijk verbetert, de betrokkenheid van studenten verhoogt (bijvoorbeeld time-on-task en interactiepercentages tussen content) en een hoge nauwkeurigheid behaalt in gepersonaliseerde contentmatching. De bevindingen suggereren dat dit GAI-gebaseerde platform een vooruitgang vormt in onderwijstechnologie door het effectief personaliseren van instructie en het ondersteunen van adaptief leren op grote schaal. Deze studie levert een gedetailleerd, reproduceerbaar architectonisch blauwdruk en levert empirisch bewijs dat de praktische waarde van geïntegreerde GAI-systemen ondersteunt bij het vergroten van de onderwijseffectiviteit en het bevorderen van levenslange leercompetenties.

Inleiding

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

Te midden van de versnellende technologische innovatie, vooral op het gebied van kunstmatige intelligentie (AI), vinden tools zoals AI steeds meer toepassing in het ingenieursonderwijs. Tegelijkertijd zijn mensen tot overeenstemming gekomen dat het doel van het bevorderen van duurzame ontwikkeling een wereldwijde onderneming is. Daarom is het integreren van duurzame ontwikkeling in het ingenieursonderwijs—waarbij tegelijkertijd het technische niveau van de industrie verbetert en het duurzaamheidsbewustzijn van leerlingen wordt versterkt—een belangrijk aandachtspunt geworden van de huidige onderwijshervorming, die de verkenning van AI-ondersteunde onderwijsinnovaties stimuleert. De toepassing van AI in het onderwijs opent mogelijkheden voor gepersonaliseerd leren. Specifiek biedt GAI transformerend potentieel voor onderwijs- en leeromgevingen. Het maakt de dynamische creatie van diverse contentvormen mogelijk en de aanpassing van leermiddelen aan individuele leerlingprofielen, wat de betrokkenheid en effectiviteit kan vergroten. Deze technologie maakt het mogelijk om diverse contentformaten te genereren, waardoor het creëren van op maat gemaakte leermaterialen mogelijk wordt. Bovendien kan het leermiddelen dynamisch aanpassen aan individuele leerlingprofielen, waardoor de betrokkenheid enleereffectiviteit toenemen. Bovendien is het platform ontworpen om zich aan te passen aan de voortgang van de leerlingen. Het past de inhoudspresentatie dynamisch aan en beveelt leeractiviteiten aan die aansluiten bij individuele doelstellingen, met als doel de leerresultaten te optimaliseren.

Het integreren van AI in onderwijsplatforms vereist echter het overwinnen van aanzienlijke technische obstakels. Ten eerste moeten deep learning-modellen worden getraind op enorme datasets om ervoor te zorgen dat ze hoogwaardige content genereren die voldoet aan onderwijsstandaarden. Daarnaast moeten reinforcement learning-algoritmen fijn worden afgestemd—niet alleen om leerpaden nauwkeurig aan individuele gebruikers aan te passen, maar ook om de volledigheid van instructiemateriaal te behouden. Daarnaast zijn natuurlijke taalverwerkingsmogelijkheden essentieel voor het creëren van interactieve bijlessystemen die mensachtige dialogen kunnen simuleren en realtime feedback kunnen geven 2,3,4. Tegen deze achtergrond is er een dringende behoefte aan een uitgebreid educatief platform dat het volledige potentieel van GAI benut om gepersonaliseerde, boeiende en adaptieve leerervaringen te bieden5. Dergelijke platforms hebben aanzienlijk potentieel om het landschap van online onderwijs te hervormen door het meer adaptief en persoonlijk te maken, waardoor het aansluit bij en ondersteunt de doelen van hedendaagse paradigma's voor levenslang leren. In dit nieuwe tijdperk zal de educatieve inhoud niet vast blijven; In plaats daarvan zal het zich ontwikkelen met de persoonlijke groei en steeds veranderende behoeften van leerlingen.

Bestaand onderzoek heeft aangetoond dat opkomende technologieën zoals AI en grootschalige modellen de kwaliteit van onderwijs en leren in het ingenieursonderwijs effectief kunnen verbeteren5 en veel studies hebben de potentiële toepassingen van GAI in gepersonaliseerde onderwijsplatforms onderzocht, met als doel het bieden van op maat gemaakte leerervaringen voor studenten6. Tegelijkertijd is onderwijs voor duurzame ontwikkeling (ESD) een steeds belangrijkere prioriteit geworden in het wereldwijde ingenieursonderwijs, waarbij bestaand onderzoek consequent benadrukt dat duurzaamheidsgeletterdheid en systeemdenken niet-onderhandelbare kerncompetenties zijn voor hedendaagse ingenieurs7. Om aan deze kritieke trainingsbehoefte te voldoen, legt de in deze studie voorgestelde GAI-architectuur een praktische, bruikbare koppeling tussen ESD-leerdoelstellingen en het opbouwen van technische vaardigheden: ons platform integreert duurzaamheidsimpactbeoordelingsmodules, levenscyclusanalyses (LCA)-workflows en scenario-gebaseerde duurzame ontwerpprompts in het kernkader, waardoor ingenieursstudenten duurzaamheidsprincipes direct kunnen vertalen naar technische besluitvorming gedurende het volledige kader Technische ontwerpcyclus. Een aandachtsgebied is het gebruik van GAI voor het automatiseren van het creëren van educatieve inhoud. Moulaei et al.7 heeft onderzocht hoe AI-algoritmen oefeningen, quizzen en zelfs volledige lessen kunnen genereren op basis van de specifieke behoeften en leerstijlen van individuele leerlingen. Deze aanpak toont potentieel om de werklast van docenten te verminderen en een meer persoonlijke leerervaring voor studenten te bieden, wat een zekere technische basis heeft gelegd voor het latere werk van Zhao et al.8.

Een ander interessegebied is het gebruik van GAI voor adaptieve leersystemen9. Deze systemen maken gebruik van AI-algoritmen om de leerprestaties van studenten te analyseren en leermaterialen in realtime aan te passen, waardoor ze nauwkeuriger aan de behoeften van studenten voldoen. Deze aanpak verbetert niet alleen de leerresultaten, maar zorgt er ook voor dat leerlingen op een passend niveau worden uitgedaagd—noch te gemakkelijk om prikkels te missen, noch te moeilijk om bij te houden. Daarnaast is GAI ook onderzocht vanwege het potentieel om beoordelings- en feedbackprocessen10 te automatiseren en te dienen als een intelligent besluitvormingsondersteuningsplatform11. AI-algoritmen kunnen worden gebruikt om opdrachten van leerlingen automatisch te beoordelen en tijdige feedback te geven, waardoor docenten tijd besparen en leerlingen effectiever leren kunnen leren. Smith et al.12 onderzochten ook de toepassing van GAI-tools, zoals ChatGPT, in het hoger onderwijs, met een focus op de acceptatie en het gebruik van deze technologieën onder studenten en docenten van verschillende generaties. De studie toonde aan dat digitale native studenten, door hun levenslange onderdompeling in digitale technologieën, een hoger niveau van acceptatie voor dergelijke toepassingen vertonen; Daarentegen nemen docenten van digitale immigranten doorgaans een voorzichtigere en conservatievere houding aan ten opzichte van deze digitale applicaties en tonen ze terughoudendheid om ze informeel uit te proberen. Dit generatieverschil brengt nieuwe uitdagingen en kansen met zich mee om lesmethoden en onderwijstechnologieën te integreren. Imran et al.13 evalueerden de toepassing van generatieve AI-tools van de volgende generatie in het onderwijs, met name bij het creëren van lesmateriaal en het geven van gepersonaliseerde feedback.

De bevindingen suggereren dat deze tools docenten kunnen helpen diverse onderwijsbronnen te genereren en realtime feedback te geven, maar ook uitdagingen kunnen aanwijzen met betrekking tot ethische normen en rechtvaardig gebruik. Cabrera et al.14 analyseerden het bewustzijn en gebruik van GAI bij studenten via enquêtes aan zes universiteiten in Hongkong. De meeste studenten hebben een positieve houding en erkennen het nut ervan voor gepersonaliseerd leren en directe feedback. Er worden echter ook zorgen geuit over overmatige afhankelijkheid en mogelijke vooroordelen. Mishra et al.15 lichten de toepassing van GAI toe, net als ChatGPT, uit in lerarenopleiding, met name bij curriculumplanning, kritisch denken en openheid in het onderwijs. Het benadrukt dat GAI specifieke ondersteuningsmechanismen en educatieve middelen voor leraren kan bieden, maar benadrukt ook de noodzaak om de beperkingen en mogelijke vooroordelen zorgvuldig te evalueren om de effectiviteit als educatief instrument te waarborgen. Mishra et al.16 reflecteert op de transformerende impact van GAI-strategieën op het onderwijs en de lerarenopleiding. De methode pleit voor het overwegen van ethiek en beleid bij het gebruik van onderwijstechnologie om een eerlijk en effectief gebruik van AI-technologieën te waarborgen.

Bestaande academische inspanningen 17,18,19,20,21,22 suggereren dat GAI het potentieel heeft om onderwijs te transformeren door gepersonaliseerde leerervaringen te bieden, zich realtime aan te passen aan de behoeften van studenten en tijdrovende taken voor docenten te automatiseren. Er zijn echter ook uitdagingen verbonden aan het gebruik van AI in het onderwijs, zoals de noodzaak van nauwkeurige data om AI-modellen te trainen en mogelijke biases in AI-algoritmen23,24. Er is verder onderzoek nodig om deze uitdagingen aan te pakken en het potentieel van GAI in effectief onderwijs volledig te benutten. Eerder onderzoek heeft de effectiviteit van AI-technologieënaangetoond 20,21,22,23,24,25 in het mogelijk maken van adaptief leren 26,27, het leveren van op maat gemaakte feedback28,29 en het verkennen van bredere onderwijstoepassingen30,31. Bestaande studies naar GAI-ondersteunde onderwijsplatforms hebben zich echter vooral gericht op incrementele functionele optimalisatie en geïsoleerde toepassingen. Er blijft een cruciale, onopgeloste onderzoekskloof bestaan: bestaande GAI-onderwijsplatforms missen een uniforme, schaalbare en pedagogisch robuuste geïntegreerde architectuur, met wijdverspreide beperkingen zoals gefragmenteerd moduleontwerp, slechte interoperabiliteit tussen scenario's en geen embedded kader voor systematische competentietraining (inclusief duurzaamheidsbewustzijn voor technische leerlingen). Om deze kloof aan te pakken, onderzoekt deze studie een uitgebreid GAI-gebaseerd onderwijsplatform vanuit een fundamenteel architectonisch perspectief, waarbij systematisch het modulaire ontwerp, het cross-scenario interoperabiliteitskader en de empirische evaluatie van meerdere belanghebbenden worden beschreven. Dit werk bevordert het vakgebied door een gestandaardiseerd geïntegreerd architectonisch paradigma voor GAI-toepassingen in het ingenieursonderwijs te vestigen, om zowel de onderwijsresultaten als de ontwikkeling van kerncompetenties te verbeteren. De drie belangrijkste bijdragen van dit werk zijn als volgt opgesomd.

  • Een kader voor dynamische generatie leerervaringen. Het framework maakt gebruik van GAI om een leeromgeving te creëren die evolueert op basis van gebruikersinteracties en prestatiegegevens. Dit kader bouwt een dynamisch evoluerende leeromgeving op via GAI, die in realtime wordt aangepast en optimaliseerd op basis van de interactiepatronen en leergewoonten van gebruikers—zodat de educatieve inhoud up-to-date, boeiend en afgestemd blijft op individuele behoeften. Dit dynamische mechanisme doet twee belangrijke dingen: ten eerste zorgt het ervoor dat educatieve inhoud up-to-date blijft en niet veroudert, en ten tweede maakt het de inhoud boeiender – terwijl het tegelijkertijd voldoet aan de unieke persoonlijke behoeften van elke leerling.
  • Een geïntegreerd en adaptief architectonisch ontwerp. De drielaagse architectuur coördineert de adaptieve componenten holistisch, zodat de leertools gedurende de hele gebruikersvoortgang effectief blijven. Deze drielaagse architectuur coördineert op holistische wijze adaptieve componenten die met gebruikers meegroeien, waardoor educatieve inhoud en tools gedurende het hele leertraject effectief blijven en tegelijkertijd een samenhangende, allesomvattende onderwijservaring wordt geleverd.
  • Datagedreven personalisatie op grote schaal. Het platform maakt gebruik van continue learning-analyses om grootschalige datagedreven personalisatie mogelijk te maken. Het past de leerinhoud, het tempo en de instructiestijl dynamisch af op de individuele voorkeuren en cognitieve vaardigheden van de leerling. De kerndoelstellingen zijn het verminderen van buitensporige cognitieve belasting, het verbeteren van de leerefficiëntie en het verbeteren van de algehele leerervaring. Deze studie test een centrale onderzoekshypothese via een gerandomiseerde gecontroleerde studie. De hypothese is dat dit GAI-ondersteunde gepersonaliseerde leerplatform de cognitieve belasting van technische leerlingen aanzienlijk kan verminderen, de leerefficiëntie kan verbeteren en zowel ESD-gerelateerde leerresultaten als leerervaring kan verbeteren in vergelijking met traditionele niet-gepersonaliseerde ingenieursinstructiemodellen.

Het werk test een centrale onderzoekshypothese. Het is dat dit GAI-ondersteunde gepersonaliseerde leerplatform de cognitieve belasting van ingenieursleerlingen aanzienlijk kan verminderen, de leerefficiëntie kan verbeteren en zowel ESD-gerelateerde leerresultaten als leerervaring kan verbeteren in vergelijking met traditionele niet-gepersonaliseerde ingenieursinstructiemodellen.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Protocol

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

Deze studie werd uitgevoerd in overeenstemming met de ethische richtlijnen van The Education University of Hong Kong. Geïnformeerde toestemming werd van alle deelnemers verkregen voorafgaand aan de gegevensverzameling.

1. Platformspecificatie

Het geëvalueerde systeem is een op maat gemaakt onderzoeksprototype, geïmplementeerd als een webgebaseerde applicatie. De softwareomgeving is gebouwd op Python 3.9 en TensorFlow 2.12. De kern-AI-modellen (CNN-BiLSTM, Transformer) worden gehost op een NVIDIA A100 GPU (40 GB VRAM) binnen een servergebaseerde verwerkingspijplijn. De architectuur bestaat uit drie lagen: Ten eerste een basis technische laag die een aandachtsversterkt CNN-BiLSTM-netwerk integreert, een Transformer-module en reinforcement learning-componenten; ten tweede een verwerkingscentrum voor realtime multimodale datafusie en modeloptimalisatie; en ten derde een applicatielaag met acht functionele modules, waaronder gepersonaliseerd leren, Q&A, competentiebeoordeling en gedragsanalyse (Figuur 1).

2. Trainingsgegevens voorbereiden en cureren

Verzamel multimodale datasets uit openbare onderwijsbronnen (bijvoorbeeld open online cursustranscripties, educatieve video-interactielogs) en propriëtaire bronnen. Verzamel geanonimiseerde interactielogs van 50 bachelorstudenten en 20 docenten tijdens pilottests (januari–juni 2024). Preprocess-tekst met spaCy v3.5 (Honnibal et al., 2020) met de volgende vaste procedures. Laad eerst het vooraf getrainde algemene academisch Engelse model en_core_web_md. Ten tweede voer je tokenisatie uit met de standaard academisch-geoptimaliseerde tokenizer van het model, die technische engineering en terminologie voor duurzame ontwikkeling op de juiste manier hanteert. Ten derde, voer lemmatisatie uit met behulp van de standaard regelgebaseerde en statistische hybride lemmatiseerder van het model, zonder toegepaste aangepaste lemmatisatieregels. Normaliseer videoframes naar een resolutie van 224 x 224 met de volgende vaste stappen. Ten eerste, verander alle frames van formaat met behulp van bilineaire interpolatie, wat de standaardmethode is voor educatieve videoframe-preprocessing. Ten tweede, pas geen extra kleurnormalisatie of bijsnijden toe, behalve uniforme grootteverandering om originele educatieve inhoud te behouden. Verwijder persoonlijk identificeerbare informatie om privacynaleving te waarborgen volgens de volgende vaste procedures. Gebruik eerst de spaCy v3.5 named entity recognition module binnen het en_core_web_md-model om automatisch alle persoonlijke namen, e-mailadressen, telefoonnummers en institutionele identificaties te detecteren en te redigeren. Ten tweede, bekijk handmatig een willekeurige steekproef van 10 procent van alle voorbewerkte tekst- en videoframes om volledige PII-verwijdering te verifiëren, zonder afwijkingen in de uiteindelijke dataset.

3. Modellen trainen en valideren

De training maakte gebruik van drie paradigma's: ten eerste, supervised learning (Adam optimizer, leersnelheid = 1e-4, batchgrootte = 32) om de prestaties van studenten te voorspellen op basis van gelabelde interactielogs; ten tweede, ongecontroleerde K-means clustering (k = 5) om verschillende gedragspatronen te identificeren; en ten derde, reinforcement learning voor adaptieve contentaanbeveling, met een beloningsfunctie gedefinieerd als betrokkenheid x nauwkeurigheid. Hyperparameters werden via willekeurige zoekopdrachten van meer dan 100 onderzoeken op een vastgehouden validatieset afgestemd om robuustheid te waarborgen. De invoerdata voor de modellen bestond uit vooraf bewerkte, geanonimiseerde multimodale stromen: getokeniseerde tekstreeksen, 224 x 224 RGB videoframes en gestructureerde interactiemetadata (bijv. tijdstempels, actietypes). De primaire output die door het systeem wordt gegenereerd omvatten numerieke voorspellingsscores (bijv. mastery probability), gedetailleerde interactielogboeken in JSON-formaat en competentiebeoordelingsrapporten in PDF.

figure-protocol-1
Figuur 1: Architectuur van het uitgebreide onderwijsplatform. Dit diagram illustreert de volledige hiërarchische structuur van het op maat gemaakte webgebaseerde GAI-educatieve onderzoeksprototype, inclusief de gebruikersgerichte Application and Interaction Layer, het multimodale dataverwerkingscentrum en de AI-modelgestuurde Basic Technical Layer, met duidelijke datastroommapping tussen lagen. Klik hier om een grotere versie van deze figuur te bekijken.

4. Voer empirische evaluatie uit

Er werden 70 deelnemers gerekruteerd (50 bachelorstudenten techniek en 20 docenten) van The Education University of Hong Kong. Ze werden willekeurig toegewezen aan ofwel de experimentele groep, die ons op maat gemaakte, webgebaseerde GAI-platform gebruikte, of aan de controlegroep, die gebruikmaakte van een conventioneel Learning Management System (LMS). De evaluatie mat vier belangrijke uitkomsten: (1) leerwinst (beoordeeld via pre-test en post-test scores), (2) betrokkenheid (gemeten aan de hand van time-on-task en interactiefrequentie), (3) gebruikerstevredenheid (geëvalueerd via een 7-punts Likert-schaal enquête), en (4) bruikbaarheid van het systeem. Alle empirische gegevens werden geanalyseerd met behulp van gepaarde t-tests om de statistische significantie te bepalen, vergezeld van effectgrootteberekeningen om de praktische impact te beoordelen.

5. Afronden en valideren van de implementatie

Voorafgaand aan de hoofdstudie voerden we een uitgebreide systeemvalidatie uit. Dit hield in dat de volledige integratie en stabiele werking van alle drie de architectuurlagen (Basic Technical, Processing Centre en Application Layer) werden geverifieerd, de gegevensintegriteit door de hele pijplijn werden bevestigd, het waarborgen van modelconvergentie op de validatieset en het testen van de responsiviteit en betrouwbaarheid van de webgebaseerde gebruikersinterface. Na succesvolle afronding van deze validatiefase werd het platform als klaar beschouwd voor formele empirische implementatie en vergelijkende beoordeling binnen het kader van gerandomiseerde gecontroleerde onderzoeken.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Resultaten

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

De gerandomiseerde gecontroleerde studie toonde significante verschillen tussen de GAI-platformgroep (experimenteel) en de traditionele LMS-groep (controlegroep). Voor leerwinst scoorde de experimentele groep significant hoger op de post-test (M = 85,2, SD = 6,4) dan de controlegroep (M = 76,8, SD = 7,1); gemiddeld verschil = 8,4, 95% BI [4,5, 12,3], t(68) = 4,32, p < 0,001, Cohen's d = 1,02. Voor betrokkenheid (time-on-task) besteedde de experimentele groep meer tijd (M = 42,5 min, SD =...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Discussie

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

Deze studie wilde de centrale onderzoekshypothese testen: dat een GAI-ondersteund gepersonaliseerd leerplatform de cognitieve belasting van engineering-leerlingen aanzienlijk kan verminderen, de leerefficiëntie kan verbeteren en zowel ESD-gerelateerde leerresultaten als de algehele leerervaring kan verbeteren, vergeleken met traditionele niet-gepersonaliseerde ingenieursinstructiemodellen. Onze gerandomiseerde RCT-resultaten bieden volledige empirische ondersteuning voor deze hypothese, ...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Openbaarmakingen

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

Belangenconflicten: De auteurs hebben geen relevante financiële of niet-financiële belangen om te melden.

Dankbetuigingen

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

Geen financiering.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Materialen

Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
A100 GPU (40 GB VRAM)NVIDIA Corporation900-4H100-0000-000Wordt gebruikt voor het hosten van centrale AI-modellen binnen de servergebaseerde verwerkingspijplijn.
en_core_web_md (spaCy model)Explosion AIhttps://spacy.io/models/en#en_core_web_mdVoorgetraind algemeen academisch Engels model dat wordt gebruikt voor tokenisatie en lemmatisatie. Versie: v3.5.
PythonPython Software Foundationhttps://www.python.org/Programmeertaal voor de software-omgeving. Versie: 3.9.
SlimPajama datasetCerebras Systems Inc.https://www.cerebras.net/blog/cerebras-releases-slimpajama-a-cleaned-version-of-redpajama/Groot, open-source voortrainingscorpus afgeleid van RedPajama.
spaCyExplosion AIhttps://spacy.io/Natural Language Processing bibliotheek voor tekstvoorverwerking. Versie: 3.5.
TensorFlowGoogle LLChttps://www.tensorflow.org/Open-source machine learning framework. Versie: 2.12.

Referenties

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

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Herprints en machtigingen

Toestemming aanvragen om de tekst of afbeeldingen van dit JoVE-artikel te hergebruiken

Toestemming aanvragen

Trefwoorden

TechniekEditie 233Editie 233Deze maand in JoVEEditieGAIUitbreidbare ModuleIntelligent leren

Gerelateerde artikelen