Wszechstronna Platforma Edukacyjna oparta na Generatywnej Sztucznej Inteligencji

Podsumowanie

Wykorzystując generatywną sztuczną inteligencję (GSI) do wsparcia nauczania, platforma zapewnia spersonalizowane doświadczenia edukacyjne, dostosowane do różnorodnych potrzeb użytkowników. Oferuje również liczne praktyczne podejścia do nauki, które nie tylko wzbogacają proces uczenia się, ale także wspierają kompetencje uczenia się przez całe życie w erze cyfrowej, zgodnie z celami zrównoważonego rozwoju w edukacji inżynierskiej.

Streszczenie

Generatywna Sztuczna Inteligencja (GSI) zanotowała znaczny postęp w ostatnich latach, wykazując transformacyjny potencjał dla edukacji poprzez umożliwienie dynamicznego tworzenia treści i spersonalizowanych ścieżek edukacyjnych. Jednak wiele istniejących platform edukacyjnych opiera się na statycznej treści i stałych ścieżkach, brakujących zintegrowanej architektury potrzebnej do pełnego wykorzystania możliwości GSI do stworzenia spójnych, adaptacyjnych doświadczeń edukacyjnych. Aby zapełnić tę lukę, niniejsze badanie szczegółowo opisuje projekt, implementację i empiryczną ocenę nowatorskiej, kompleksowej platformy edukacyjnej zbudowanej na bazie GSI. Platforma oparta jest na trójwarstwowej architekturze wykraczającej poza tradycyjne ramy: podstawowej warstwie technicznej integrującej modułowe modele AI (np. Transformer, oparte na uważności CNN-BiLSTM), Centrum Przetwarzania do syntezy danych w czasie rzeczywistym i optymalizacji modelu oraz warstwę Aplikacji i Interakcji mieszczącą osiem rdzeniowych modułów funkcjonalnych, w tym spersonalizowane nauka, inteligentne pytania i odpowiedzi oraz ocena kompetencji. Ta zintegrowana architektura umożliwia dynamicznie dostosowywalne doświadczenie edukacyjne, które ciągle adaptuje się do potrzeb i postępu indywidualnych uczniów. Aby ocenić skuteczność platformy, przeprowadziliśmy randomizowane badanie kontrolne (RCT) z udziałem 50 studentów licencjackich i 20 nauczycieli przez dwa semestry, porównując wyniki z grupą kontrolną stosującą tradycyjne metody. Wyniki eksperymentalne wykazują, że zaproponowana platforma znacząco poprawia wyniki nauczania, zwiększa wskaźniki zaangażowania studentów (np. czas poświęcany na zadanie i współczynnik interakcji z treścią) oraz osiąga wysoką dokładność w dopasowywaniu spersonalizowanej treści. Wyniki sugerują, że ta platforma oparta na GSI stanowi postęp w technologii edukacyjnej poprzez efektywne personalizowanie nauki i wspieranie adaptacyjnego uczenia się na skalę. To badanie dostarcza szczegółowego, możliwego do powtórzenia projektu architektonicznego i dostarcza empirycznych dowodów na praktyczną wartość zintegrowanych systemów GSI w podnoszeniu efektywności edukacji i wspomaganiu kompetencji nauki przez całe życie.

Wprowadzenie

W świetle przyspieszającej innowacji technologicznej, szczególnie w dziedzinie sztucznej inteligencji (AI), narzędzia takie jak AI znajdują coraz większe zastosowanie w edukacji inżynierskiej. W tym samym czasie osiągnięto konsensus, że promocja zrównoważonego rozwoju jest globalnym celem. Dlatego integracja zrównoważonego rozwoju w edukacji inżynierskiej - poprawiając jednocześnie poziom techniczny przemysłu i zwiększając świadomość zrównoważonego rozwoju uczniów - stała się kluczowym punktem obecnej reformy edukacyjnej, napędzającą poszukiwanie innowacji edukacyjnych wspomaganych przez AI. Zastosowanie AI w edukacji otwiera możliwości dla spersonalizowanego uczenia się. Szczególnie GAI oferuje transformacyjny potencjał dla środowisk nauczania i uczenia się. Umożliwia dynamiczne tworzenie różnorodnych form treści i dostosowywanie zasobów edukacyjnych do indywidualnych profili uczniów, co może zwiększyć zaangażowanie i efektywność. Technologia ta umożliwia generowanie różnorodnych formatów treści, ułatwiając tworzenie spersonalizowanych materiałów edukacyjnych. Ponadto może dynamicznie dostosowywać zasoby edukacyjne do indywidualnych profili uczniów, zwiększając w ten sposób zaangażowanie i efektywność uczenia się¹. Co więcej, platforma jest zaprojektowana tak, aby dostosowywać się do postępu uczniów. Dynamicznie dostosowuje prezentację treści i zaleca aktywności edukacyjne zgodne z indywidualnymi celami, dążąc do optymalizacji wyników uczenia się.

Jednakże integracja AI w platformy edukacyjne wymaga przezwyciężenia znaczących barier technicznych. Po pierwsze, modele głębokiego uczenia muszą być szkolewane na ogromnych zbiorach danych, aby zapewnić, że generuje wysokiej jakości treści spełniające standardy edukacyjne. Ponadto algorytmy uczenia przez wzmacnianie muszą być precyzyjnie dostrojone - nie tylko aby dokładnie dostosować ścieżki uczenia się dla poszczególnych użytkowników, ale również aby zachować kompletność treści instruktażowych. Dodatkowo, zdolności przetwarzania języka naturalnego są niezbędne do tworzenia interaktywnych systemów korepetycyjnych, które mogą symulować ludzką rozmowę i dostarczać opinię w czasie rzeczywistym^2,3,4. W tym kontekście istnieje pilna potrzeba kompleksowej platformy edukacyjnej, która wykorzystuje pełny potencjał GAI do dostarczania spersonalizowanych, angażujących i adaptacyjnych doświadczeń edukacyjnych⁵. Takie platformy mają znaczący potencjał do przekształcenia krajobrazu edukacji online, czyniąc ją bardziej adaptacyjną i spersonalizowaną, co jest zgodne z celami współczesnych paradygmatów uczenia się przez całe życie. W tej nowej erze treści edukacyjne nie pozostaną niezmienione; zamiast tego będą ewoluować wraz z osobistym rozwojem uczniów i ciągle zmieniającymi się potrzebami.

Istniejące badania wykazały, że nowe technologie, takie jak AI i duże modele, mogą efektywnie poprawić jakość nauczania i uczenia się w edukacji inżynierskiej⁵ i wiele badań zbadano potencjalne zastosowania GAI w spersonalizowanych platformach edukacyjnych, mając na celu zapewnienie indywidualnych doświadczeń edukacyjnych dla studentów⁶. Jednocześnie edukacja dla zrównoważonego rozwoju (ESD) stała się coraz ważniejszą priorytetem w globalnej edukacji inżynierskiej, a istniejące badania konsekwentnie podkreślają, że piśmienność zrównoważonego rozwoju i myślenie systemowe są nienegocjowalnymi kompetencjami rdzennymi współczesnych inżynierów⁷. Aby sprostać temu krytycznemu zapotrzebowaniu na szkolenie, architektura GAI zaproponowana w niniejszym badaniu ustanawia praktyczne, działalne połączenie między celami edukacyjnymi ESD a budowaniem umiejętności inżynierskich: nasza platforma integruje moduły oceny wpływu na zrównoważony rozwój, przepływy pracy analizy cyklu życia (LCA) i scenariuszowe zachęty do zrównoważonego projektowania w swoją podstawową strukturę, umożliwiając inżynierom uczącym się bezpośrednie przekładanie zasad zrównoważonego rozwoju na decyzje techniczne w całym cyklu projektowania inżynierskiego. Jednym z obszarów zainteresowania jest wykorzystanie GAI do automatyzacji tworzenia treści edukacyjnych. Moulaei et al.⁷ zbadał, jak algorytmy AI mogą generować ćwiczenia, testy i nawet całe lekcje na podstawie konkretnych potrzeb i stylów uczenia się poszczególnych uczniów. To podejście pokazuje potencjał zmniejszenia obciążenia nauczycieli i zapewnienia bardziej spersonalizowanych doświadczeń edukacyjnych dla studentów, co dostarczyło pewnej technicznej podstawy dla późniejszych prac Zhao et al.⁸.

Kolejnym obszarem zainteresowania jest wykorzystanie GAI dla adaptacyjnych systemów uczenia się⁹. Te systemy wykorzystują algorytmy AI do analizowania wydajności uczenia się studentów i dostosowywania materiałów edukacyjnych w czasie rzeczywistym, co pozwala na dokładniejsze zaspokojenie potrzeb studentów. To podejście nie tylko poprawia wyniki uczenia się, ale również zapewnia, że studenci są wyzywani na odpowiednim poziomie - ani za łatwym, aby brakowało stymulacji, ani z

Protokół

Badanie to przeprowadzono zgodnie z wytycznymi etycznymi The Education University of Hong Kong. Przed zebraniem danych uzyskano pisemną zgodę wszystkich uczestników.

1. Specyfikacja platformy

Oceniany system to niestandardowy prototyp badawczy, zaimplementowany jako aplikacja internetowa. Środowisko oprogramowania jest zbudowane na Python 3.9 i TensorFlow 2.12. Podstawowe modele AI (CNN-BiLSTM, Transformer) są hostowane na karcie graficznej NVIDIA A100 GPU (40 GB VRAM) w ramach serwerowej linii przetwarzania. Architektura składa się z trzech warstw: Pierwsza, warstwa techniczna integrująca ulepszoną uwagą sieć CNN-BiLSTM, moduł Transformera i komponenty uczenia wzmacniającego; druga, centrum przetwarzania do łączenia danych multimodalnych w czasie rzeczywistym i optymalizacji modelu; i trzecia, warstwa aplikacyjna zawierająca osiem modułów funkcjonalnych, w tym uczenie indywidualne, pytania i odpowiedzi, ocena kompetencji i analityka zachowań (Rysunek 1).

2. Przygotuj i skataloguj dane treningowe

Zbierz zbiory danych multimodalnych z publicznych repozytoriów edukacyjnych (np. otwarte transkrypcje kursów online, logi interakcji z wideo edukacyjnych) i źródeł firmowych. Zebrać anonimowe logi interakcji od 50 studentów studiów licencjackich i 20 nauczycieli podczas testów pilotażowych (styczeń–czerwiec 2024). Przetwarzaj tekst za pomocą spaCy v3.5 (Honnibal i in., 2020) z następującymi ustalonymi procedurami. Po pierwsze, załaduj wstępnie wytrenowany ogólny model angielski akademickiego en_core_web_md. Po drugie, wykonaj tokenizację przy użyciu domyślnego tokenizera zoptymalizowanego dla akademickiego modelu, który odpowiednio obsługuje terminologię inżynieryjną i rozwój zrównoważony. Po trzecie, wykonaj lemmatyzację za pomocą domyślnego hybrydowego lemmatyzatora opartego na regułach i statystycznym modelu, bez stosowania niestandardowych reguł lemmatyzacji. Normalizuj klatki wideo do rozdzielczości 224 x 224, wykonując następujące ustalone kroki. Po pierwsze, skaluj wszystkie klatki przy użyciu interpolacji dwuliniowej, która jest standardową metodą przetwarzania klatek wideo edukacyjnych. Po drugie, nie stosuj żadnej dodatkowej normalizacji kolorów ani przycinania poza jednolitą skalą, aby zachować oryginalną treść edukacyjną. Usuń dane osobowe, aby zapewnić zgodność z prywatnością, stosując następujące ustalone procedury. Po pierwsze, użyj modułu rozpoznawania nazwisk en_core_web_md modelu spaCy v3.5 w ramach modelu, aby automatycznie wykrywać i redagować wszystkie nazwiska osobowe, adresy e-mail, numery telefonów i identyfikatory instytucjonalne. Po drugie, przeprowadź ręczną weryfikację losowej próby 10 procent wszystkich przetworzonych tekstów i klatek wideo w celu zweryfikowania pełnego usunięcia PII, bez stwierdzenia dyskrepancji w ostatecznym zbiorze danych.

3. Trenuj i zweryfikuj modele

Trening zastosował trzy paradygmaty: po pierwsze, uczenie nadzorowane (optymalizator Adam, wskaźnik uczenia = 1e-4, wielkość partii = 32) w celu przewidywania wyników studentów na podstawie oznaczonych logów interakcji; po drugie, nienadzorowane klasteryzacja K-średnich (k = 5) w celu zidentyfikowania odrębnych wzorców zachowania; i po trzecie, uczenie wzmacniające dla adaptacyjnej rekomendacji treści, przy czym funkcja nagrody została zdefiniowana jako zaangażowanie x dokładność. Hiperparametry dostosowano za pomocą losowego przeszukiwania na podstawie 100 prób na wydzielonej walidacji zestawie, aby zapewnić niezawodność. Dane wejściowe dla modeli składały się z przetworzonych, anonimowych strumieni multimodalnych: tokenizowane sekwencje tekstowe, klatki wideo RGB 224 x 224 i strukturalne metadane interakcji (np. znaczniki czasowe, typy akcji). Główne wyjścia generowane przez system obejmują liczbowe wyniki przewidywań (np. prawdopodobieństwo opanowania), szczegółowe logi interakcji w formacie JSON oraz raporty oceny kompetencji w formacie PDF.

Rysunek 1: Architektura kompleksowej platformy edukacyjnej. Diagram ten przedstawia pełną hierarchiczną strukturę niestandardowego opartego na Internecie prototypu badań edukacyjnych GAI, w tym warstwy użytkownika i interakcji, centrum przetwarzania danych multimodalnych i warstwy technicznej kierowanej przez modele AI, z jasnym mapowaniem przepływu danych między warstwami. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

4. Przeprowadź empiryczną ocenę

Zrekrutowano 70 uczestników (50 studentów inżynierii studiów licencjackich i 20 nauczycieli) z The Education University of Hong Kong. Zostali oni losowo przydzieleni do grupy eksperymentalnej, która korzystała z naszego niestandardowego, internetowego platformy GAI, lub grupy kontrolnej, która korzystała z konwencjonalnego systemu zarządzania nauczaniem (LMS). Ocena obejmowała cztery kluczowe wyniki: (1) zyski z nauki (ocenione za pomocą wyników testu wstępnego i ko

Wyniki

Badanie z randomizacją kontrolną wykazało istotne różnice między grupą platformy GAI (eksperymentalną) a grupą tradycyjnej LMS (kontrolną). W przypadku zysku w nauce, grupa eksperymentalna uzyskała znacznie wyższy wynik w pościeście (M = 85,2, SD = 6,4) niż grupa kontrolna (M = 76,8, SD = 7,1); różnica średnich = 8,4, 95% CI [4,5, 12,3], t(68) = 4,32, p < 0,001, Cohen’s d = 1,02. W przypadku zaangażowania (czas spędzony na zadaniu), grupa eksperymentalna spędziła więcej czasu (M = 42,5 min, SD = 8,2) niż grupa kontrolna ...

Dyskusja

To badania mają na celu przetestowanie centralnej hipotezy badawczej: że platforma uczenia się personalizowanego z włączoną AI może znacząco zmniejszyć obciążenie poznawcze uczniów inżynierii, poprawić efektywność uczenia się oraz zwiększyć zarówno wyniki uczenia się związane z EDS, jak i ogólne doświadczenie edukacyjne, w porównaniu z tradycyjnymi, niepersonalizowanymi modelami nauczania inżynierii. Nasze wyniki z randomizowanego RCT dostarczają pełnego empirycznego wsparcia dla tej hipotezy, z trzema kluczowymi stwierd...

Materiały

Lista materiałów użytych w tym artykule

Nazwa	Firma	Numer katalogowy	Komentarze
A100 GPU (40 GB VRAM)	NVIDIA Corporation	900-4H100-0000-000	Używane do hostowania rdzeniowych modeli AI w serwerowym piplinie przetwarzania.
en_core_web_md (spaCy model)	Explosion AI	https://spacy.io/models/en#en_core_web_md	Pre-trenowany ogólny akademicki model języka angielskiego używany do tokenizacji i lematyzacji. Wersja: v3.5.
Python	Python Software Foundation	https://www.python.org/	Język programowania dla środowiska oprogramowania. Wersja: 3.9.
SlimPajama dataset	Cerebras Systems Inc.	https://www.cerebras.net/blog/cerebras-releases-slimpajama-a-cleaned-version-of-redpajama/	Duży, open-source korpus pre-treningowy pochodzący z RedPajama.
spaCy	Explosion AI	https://spacy.io/	Biblioteka do przetwarzania języka naturalnego służąca do przetwarzania tekstu. Wersja: 3.5.
TensorFlow	Google LLC	https://www.tensorflow.org/	Open-source framework do uczenia maszynowego. Wersja: 2.12.