Araştırma makalesi

Üretken Yapay Zekaya Dayalı Kapsamlı Bir Eğitim Platformu

DOI:

10.3791/69821

⸱

10 Temmuz 2026

1School of Education, City University of Macau

Bu makalede

Özet

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

Öğretim desteği için üretken yapay zekayı (GAI) kullanarak, platform kullanıcıların çeşitli ihtiyaçlarına uyarlanabilir kişiselleştirilmiş öğrenme deneyimleri sunar. Ayrıca, sadece öğrenme sürecini zenginleştirmekle kalmayıp, dijital çağda yaşam boyu öğrenme yetkinliklerini teşvik eden bol pratik öğrenme yaklaşımları sunar ve mühendislik eğitiminde sürdürülebilir kalkınma hedefleriyle uyumludur.

Özet

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

Üretken Yapay Zeka (GAI), son yıllarda önemli ilerlemeler kaydetmiş ve dinamik içerik üretimi ile kişiselleştirilmiş öğrenme yolları sağlayarak eğitim için dönüştürücü potansiyel göstermiştir. Ancak, mevcut birçok eğitim platformu statik içeriğe ve sabit yollara dayanır; GAI'nin yeteneklerini bütünlüklü, uyarlanabilir öğrenme deneyimleri yaratmak için gerekli entegre mimariye sahip değildir. Bu boşluğu gidermek için, bu çalışma GAI üzerine inşa edilmiş yeni, kapsamlı bir eğitim platformunun tasarımı, uygulanması ve ampirik değerlendirmesini detaylandırıyor. Platform, geleneksel çerçeveleri aşan üç katmanlı bir mimariye dayanıyor: modüler yapay zeka modellerini entegre eden Temel Teknik Katman (örneğin, Transformer, dikkat odaklı CNN-BiLSTM), gerçek zamanlı veri sentezi ve model optimizasyonu için İşleme Merkezi ile kişiselleştirilmiş öğrenme, akıllı Soru-Cevap ve yeterlilik değerlendirmesi dahil olmak üzere sekiz temel fonksiyonel modülü barındıran Uygulama ve Etkileşim Katmanı. Bu entegre mimari, bireysel öğrenenlerin ihtiyaçlarına ve ilerlemesine sürekli uyum sağlayan, dinamik olarak özelleştirilebilir bir öğrenme deneyimi sağlar. Platformun etkinliğini değerlendirmek için, iki dönem boyunca 50 lisans öğrencisi ve 20 eğitimciyi içeren randomize kontrollü bir çalışma (RCT) gerçekleştirdik ve sonuçları geleneksel yöntemlerle kontrol grubuyla karşılaştırdık. Deneysel sonuçlar, önerilen platformun öğrenme sonuçlarını önemli ölçüde iyileştirdiğini, öğrenci katılım metriklerini (örneğin, görev süresi ve içerik etkileşim oranları) artırdığını ve kişiselleştirilmiş içerik eşleştirmesinde yüksek doğruluk sağladığını göstermektedir. Bulgular, bu GAI tabanlı platformun, öğretimi etkili bir şekilde kişiselleştirerek ve ölçekli adaptif öğrenmeyi destekleyerek eğitim teknolojisinde bir ilerleme oluşturduğunu göstermektedir. Bu çalışma, detaylı, tekrarlanabilir bir mimari plan sunar ve entegre GAI sistemlerinin eğitim etkinliğini artırmada ve yaşam boyu öğrenme yetkinliklerini geliştirmede pratik değerini destekleyen ampirik kanıtlar sunar.

Giriş

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

Özellikle yapay zeka (AI) alanında hızla gelişen teknolojik yenilikler arasında, yapay zeka gibi araçlar mühendislik eğitiminde giderek daha fazla uygulama buluyor. Aynı zamanda, sürdürülebilir kalkınmayı teşvik etme hedefinin küresel bir çaba olduğu konusunda bir uzlaşmaya vardılar. Bu nedenle, sürdürülebilir kalkınmayı mühendislik eğitimine entegre etmek—aynı anda sektör teknik seviyelerini iyileştirmek ve öğrencilerin sürdürülebilirlik farkındalığını artırmak—mevcut eğitim reformunun ana odağı haline gelmiş ve yapay zeka destekli eğitim yeniliklerinin keşfini teşvik etmiştir. Yapay zekanın eğitimdeki uygulaması, kişiselleştirilmiş öğrenme için fırsatlar açıyor. Özellikle, GAI, öğretim ve öğrenme ortamları için dönüştürücü potansiyel sunar. Çeşitli içerik formlarının dinamik olarak oluşturulmasını ve öğrenme kaynaklarının bireysel öğrenici profillerine uyarlanmasını sağlar; bu da katılımı ve etkinliği artırabilir. Bu teknoloji, çeşitli içerik formatlarının oluşturulmasını sağlar ve özel öğrenme materyallerinin oluşturulmasını kolaylaştırır. Ayrıca, öğrenme kaynaklarını bireysel öğrenen profillerine dinamik olarak uyarlayarak katılımı ve öğrenme etkinliğiniartırabilir 1. Ayrıca, platform öğrenenlerin ilerlemesine uyum sağlamak üzere tasarlanmıştır. İçerik sunumunu dinamik olarak ayarlar ve öğrenme sonuçlarını optimize etmeyi amaçlayan bireysel hedeflerle uyumlu öğrenme faaliyetleri önerir.

Ancak, yapay zekayı eğitim platformlarına entegre etmek önemli teknik engellerin aşılması gerektirir. İlk olarak, derin öğrenme modelleri eğitim standartlarına uygun yüksek kaliteli içerik üretmeleri için devasa veri setleri üzerinde eğitilmelidir. Ayrıca, pekiştirme öğrenme algoritmalarının ince bir şekilde ayarlanması gerekir—sadece bireysel kullanıcılar için öğrenme yollarını doğru şekilde özelleştirmek için değil, aynı zamanda öğretim içeriğinin tamlığını korumak için. Ayrıca, doğal dil işleme yetenekleri, insan benzeri diyalogları simüle edebilen ve gerçek zamanlı geri bildirim sağlayabilen etkileşimli ders sistemleri oluşturmak içingereklidir 2,3,4. Bu bağlamda, GAI'nin tüm potansiyelinden yararlanarak kişiselleştirilmiş, ilgi çekici ve uyarlanabilir öğrenme deneyimleri sunan kapsamlı bir eğitim platformuna acil ihtiyaçvardır 5. Bu tür platformlar, çevrimiçi eğitim ortamını daha uyumlu ve kişiselleştirilmiş hale getirerek çağdaş yaşam boyu öğrenme paradigmalarının hedefleriyle uyumlu ve destekleme konusunda önemli bir potansiyele sahiptir. Bu yeni dönemde, eğitim içeriği sabit kalmayacak; Bunun yerine, öğrenenlerin kişisel gelişimi ve sürekli değişen ihtiyaçlarıyla birlikte gelişecektir.

Mevcut araştırmalar, yapay zeka ve büyük ölçekli modeller gibi yeni teknolojilerin mühendislik eğitiminde öğretim ve öğrenme kalitesini etkili bir şekilde iyileştirebileceğinigöstermiştir 5 ve birçok çalışma, GAI'nin kişiselleştirilmiş eğitim platformlarındaki potansiyel uygulamalarını inceleyerek öğrenciler için kişiselleştirilmiş öğrenme deneyimleri sunmayıamaçlamıştır 6. Aynı zamanda, sürdürülebilir kalkınma eğitimi (ESD) küresel mühendislik eğitiminde giderek daha temel bir öncelik haline gelmiştir; mevcut araştırmalar, sürdürülebilirlik okuryazarlığı ve sistem düşüncesinin çağdaş mühendisler için pazarlık konusu olmayan temel yetkinlikler olduğunu süreklivurgulamaktadır 7. Bu kritik eğitim talebini karşılamak için, bu çalışmada önerilen GAI mimarisi, ESD öğrenme hedefleri ile mühendislik becerisi geliştirme arasında pratik ve uygulanabilir bir bağlantı kurar: platformumuz sürdürülebilirlik etki değerlendirme modüllerini, yaşam döngüsü analizi (LCA) iş akışlarını ve senaryo tabanlı sürdürülebilir tasarım yönlendirmelerini temel çerçevesine entegre ederek, mühendislik öğrenenlerinin sürdürülebilirlik ilkelerini teknik karar alma süreçlerine doğrudan aktarmalarını sağlar mühendislik tasarım döngüsü. Odak noktalarından biri, eğitim içeriğinin oluşturulmasını otomatikleştirmek için GAI'nin kullanımıdır. Moulaei ve ark.7 , yapay zeka algoritmalarının bireysel öğrencilerin özel ihtiyaçları ve öğrenme tarzlarına göre egzersizler, testler ve hatta tüm dersleri nasıl oluşturabileceğini araştırmıştır. Bu yaklaşım, eğitimcilerin iş yükünü azaltma ve öğrenciler için daha kişiselleştirilmiş bir öğrenme deneyimi sunma potansiyelini göstermektedir; bu da Zhao ve ark.8'in sonraki çalışmalarına belirli bir teknik temel sağlamıştır.

Bir diğer ilgi alanı ise GAI'nin uyarlanabilir öğrenme sistemleriiçin kullanılmasıdır 9. Bu sistemler, öğrencilerin öğrenme performansını analiz etmek ve öğrenme materyallerini gerçek zamanlı olarak ayarlamak için yapay zeka algoritmalarını kullanır; böylece öğrencilerin ihtiyaçlarını daha hassas şekilde karşılar. Bu yaklaşım sadece öğrenme sonuçlarını artırmakla kalmaz, aynı zamanda öğrencilerin uygun seviyede zorlanmasını sağlar—ne uyarıcılıktan mahrum bırakmak çok kolay ne de takip etmek çok zordur. Ayrıca, GAI, işaretleme ve geri bildirim süreçlerini otomatikleştirme ve akıllı bir karar destek platformu olarak hizmet etme potansiyeli açısından daaraştırılmıştır 11. Yapay zeka algoritmaları, öğrenci ödevlerini otomatik olarak not vermek ve zamanında geri bildirim sağlamak için kullanılabilir, böylece eğitimciler için zaman kazanır ve öğrencilerin daha etkili öğrenmelerine yardımcı olur. Smith ve ark.12, ChatGPT gibi GAI araçlarının yükseköğretimde uygulanışını, farklı nesillerden öğrenciler ve öğretmenler arasında bu teknolojilerin kabulü ve kullanımı üzerine odaklanarak incelemiştir. Çalışma, dijital ana dili öğrencilerin, dijital teknolojilere ömür boyu dalışları sayesinde bu tür uygulamalara daha yüksek bir kabul düzeyi gösterdiklerini ortaya koydu; Buna karşılık, dijital göçmen öğretmenler bu dijital uygulamalara karşı daha temkinli ve muhafazakar bir tutum benimseme eğiliminde, bunları rastgele denemeye isteksiz davranıyorlar. Bu kuşaklar arasındaki fark, öğretim stilleri ile eğitim teknolojilerini entegre etmek için yeni zorluklar ve fırsatlar sunar. Imran ve ark.13, özellikle öğretim materyalleri oluşturma ve kişiselleştirilmiş geri bildirim sağlama süreçlerinde eğitimde yeni nesil üretken yapay zeka araçlarının uygulanmasını değerlendirdi.

Bulgular, bu araçların eğitimcilere çeşitli eğitim kaynakları üretmesine ve gerçek zamanlı geri bildirim sağlamasına yardımcı olabileceğini, ayrıca etik standartlar ve adil kullanımla ilgili zorlukları da işaret edebileceğini gösteriyor. Cabrera ve ark.14 , Hong Kong'daki altı üniversitede yapılan anketler aracılığıyla öğrencilerin GAI'nin farkındalığını ve kullanımını analiz etti. Çoğu öğrenci, kişiselleştirilmiş öğrenme ve anında geri bildirimde faydasını kabul eden olumlu bir tutum sergiler. Ancak, aşırı bağımlılık ve potansiyel önyargılar konusunda endişeler de dile getiriliyor. Mishra ve ark.15 , ChatGPT gibi GAI'nin öğretmen eğitiminde, özellikle müfredat planlaması, eleştirel düşünme ve eğitim açıklığında uygulanmasını detaylandırıyor. GAI'nin öğretmenler için özel destek mekanizmaları ve eğitim kaynakları sağlayabileceğini vurgularken, etkinliğini sağlamak için sınırlamalarını ve potansiyel önyargılarını dikkatlice değerlendirme gerekliliğini vurguluyor. Mishra ve ark.16 , GAI stratejilerinin öğretim ve öğretmen eğitimi üzerindeki dönüştürücü etkisini değerlendirir. Yöntem, eğitim teknolojisinin kullanımında etik ve politikaların dikkate alınmasını savunarak yapay zeka teknolojilerinin adil ve etkili kullanımını sağlamayı savunur.

Mevcut akademikçabalar 17,18,19,20,21,22, GAI'nin kişiselleştirilmiş öğrenme deneyimleri sunarak, öğrencilerin ihtiyaçlarına gerçek zamanlı uyum sağlayarak ve eğitimciler için zaman alan görevleri otomatikleştirerek eğitimi dönüştürme potansiyeline sahip olduğunu göstermektedir. Ancak, eğitimde yapay zeka kullanımıyla ilgili zorluklar da vardır; örneğin, yapay zeka modellerini eğitmek için doğru veri ihtiyacı ve yapay zeka algoritmalarındaki potansiyel önyargılar23,24. Bu zorlukları ele almak ve GAI'nin etkili eğitimdeki potansiyelini tam olarak gerçekleştirmek için daha fazla araştırma gereklidir. Önceki araştırmalar, yapay zeka teknolojilerinin 20,21,22,23,24,25 uyarlanabilir öğrenmeyi mümkün kılma 26,27, kişiselleştirilmişgeri bildirim sağlama ve daha geniş eğitim uygulamalarını keşfetme konusundaki etkinliğiniortaya koymuştur 30,31. Ancak, GAI destekli eğitim platformlarında mevcut çalışmalar büyük ölçüde artımlı fonksiyonel optimizasyon ve izole uygulama vaka çalışmalarına odaklanmıştır. Kritik ve çözülmemiş bir araştırma boşluğu hâlâ devam ediyor: mevcut GAI eğitim platformları, parçalanmış modül tasarımı, kötü senaryolar arası birlikte çalışabilirlik ve sistematik yeterlilik eğitimi için gömülü çerçeve (mühendislik öğrenenleri için sürdürülebilirlik farkındalığı dahil) gibi yaygın sınırlamalara sahip değildir. Bu boşluğu gidermek için, bu çalışma kapsamlı bir GAI tabanlı eğitim platformunu temel mimari perspektiften inceleyerek modüler tasarımını, senaryolar arası birlikte çalışabilirlik çerçevesini ve çok paydaşlı ampirik değerlendirmesini sistematik olarak detaylandırmaktadır. Bu çalışma, mühendislik eğitiminde GAI uygulamaları için standartlaştırılmış entegre mimari paradigma oluşturarak hem eğitim sonuçlarını hem de temel yetkinlik gelişimini geliştirerek alanı ilerletmektedir. Bu çalışmanın üç ana katkısı aşağıdaki gibi listelenmiştir.

  • Dinamik Öğrenme Deneyimi Üretimi İçin Bir Çerçeve. Çerçeve, kullanıcı etkileşimleri ve performans verilerine dayalı olarak gelişen bir öğrenme ortamı oluşturmak için GAI'yi kullanır. Bu çerçeve, kullanıcıların etkileşim kalıpları ve öğrenme alışkanlıklarına göre gerçek zamanlı olarak ayarlanan ve optimize edilen dinamik bir öğrenme ortamı oluşturuyor; böylece eğitim içeriği güncel, ilgi çekici ve bireysel ihtiyaçlarla uyumlu kalmasını sağlıyor. Bu dinamik mekanizma iki önemli şeyi başarır: birincisi, eğitim içeriğinin güncel kalmasını ve modası geçmemesini sağlar; ikincisi ise içeriği daha ilgi çekici kılar—tüm bunlar her öğrencinin kendine özgü kişiselleştirilmiş ihtiyaçlarını karşılarken.
  • Entegre ve Uyarlanabilir Mimari Tasarım. Üç katmanlı mimari, uyarlanabilir bileşenleri bütüncül bir şekilde koordine ederek öğrenme araçlarının kullanıcının ilerlemesi boyunca etkili kalmasını sağlar. Bu üç katmanlı mimari, kullanıcılarla birlikte gelişen uyarlanabilir bileşenleri bütüncül olarak koordine ederek, eğitim içeriği ve araçlarının öğrenme yolculuğu boyunca etkili kalmasını sağlarken, tutarlı, kapsamlı bir eğitim deneyimi sunar.
  • Ölçekli Veri Odaklı Kişiselleştirme. Platform, büyük ölçekli veri odaklı kişiselleştirmeyi mümkün kılmak için sürekli öğrenme analizlerinden yararlanıyor. Öğrenme içeriğini, temposunu ve öğretim tarzını bireysel öğrenen tercihlerine ve bilişsel yeteneklerine dinamik olarak uyarlar. Temel tasarım hedefleri, gereksiz bilişsel yükü azaltmak, öğrenme verimliliğini artırmak ve genel öğrenme deneyimini geliştirmektir. Bu çalışma, rastgele kontrollü bir çalışma yoluyla merkezi bir araştırma hipotezini test etmektedir. Hipotez, bu GAI destekli kişiselleştirilmiş öğrenme platformunun, mühendislik öğrenenlerinin bilişsel yükünü önemli ölçüde azaltabileceği, öğrenme verimliliğini artırabileceği ve geleneksel kişiselleştirilmişsiz mühendislik öğretim modellerine kıyasla hem ESD ile ilgili öğrenme sonuçlarını hem de öğrenme deneyimini geliştirebileceğidir.

Çalışma, merkezi bir araştırma hipotezini test etmektedir. Bu GAI destekli kişiselleştirilmiş öğrenme platformunun, mühendislik öğrenenlerinin bilişsel yükünü önemli ölçüde azaltabileceği, öğrenme verimliliğini artırabileceği ve hem ESD ile ilgili öğrenme sonuçlarını hem de öğrenme deneyimini geleneksel kişiselleştirilmiş olmayan mühendislik öğretim modellerine kıyasla geliştirebileceğidir.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Protokol

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

Bu çalışma, Hong Kong Eğitim Üniversitesi'nin etik yönergelerine uygun olarak yürütülmüştür. Veri toplamadan önce tüm katılımcılardan bilgilendirilmiş onay alındı.

1. Platform Spesifikasyonu

Değerlendirilen sistem, web tabanlı uygulama olarak uygulanan özel bir araştırma prototipidir. Yazılım ortamı Python 3.9 ve TensorFlow 2.12 üzerine inşa edilmiştir. Çekirdek yapay zeka modelleri (CNN-BiLSTM, Transformer), sunucu tabanlı bir işlem hattı içinde NVIDIA A100 GPU (40 GB VRAM) üzerinde barındırılır. Mimari üç katmandan oluşur: Birincisi, dikkat artırılmış CNN-BiLSTM ağı, Transformer modülü ve pekiştirme öğrenme bileşenlerini entegre eden temel teknik katman; ikincisi, gerçek zamanlı çok modlu veri füzyonu ve model optimizasyonu için bir işleme merkezi; üçüncüsü, kişiselleştirilmiş öğrenme, Soru-Cevap, yeterlilik değerlendirmesi ve davranış analitiği dahil olmak üzere sekiz fonksiyonel modülden oluşan bir uygulama katmanı (Şekil 1).

2. Eğitim Verilerini Hazırlayın ve Kürleyin

Kamu eğitim depolarından (örneğin, açık çevrimiçi ders transkriptleri, eğitim video etkileşim günlükleri) ve özel kaynaklardan çok modlu veri setleri toplayın. Pilot testler sırasında (Ocak–Haziran 2024) 50 lisans öğrencisi ve 20 eğitimciden anonimleştirilmiş etkileşim kayıtları toplayın. Metni spaCy v3.5 ile (Honnibal ve ark., 2020) ön işliyor ve aşağıdaki sabit prosedürler. Öncelikle, önceden eğitilmiş genel akademik İngilizce modeli en_core_web_md. İkinci olarak, teknik mühendislik ve sürdürülebilir kalkınma terminolojisini uygun şekilde ele alan modelin varsayılan akademik optimize tokenizer'ını kullanarak tokenizasyon gerçekleştirin. Üçüncü olarak, modelin varsayılan kural tabanlı ve istatistiksel hibrit lemmatizatorunu kullanarak özel lemmatizasyon kuralları uygulanmadan gerçekleştirin. Aşağıdaki sabit adımlarla video karelerini 224 x 224 çözünürlüğe normalize edin. İlk olarak, eğitim video kare ön işleme için standart yöntem olan bilinear interpolasyon ile tüm kareleri boyutlandırın. İkinci olarak, orijinal eğitim içeriğini korumak için tek tip boyutlandırmanın ötesinde ek renk normalizasyonu veya kırpma uygulanmamalıdır. Gizlilik uyumunu sağlamak için kişisel tanımlayıcı bilgileri aşağıdaki sabit prosedürlerle kaldırın. İlk olarak, en_core_web_md modelinde spaCy v3.5 adlı varlık tanıma modülünü kullanarak tüm kişisel isimleri, e-posta adreslerini, telefon numaralarını ve kurumsal tanımlayıcıları otomatik olarak tespit edip sansürleyin. İkinci olarak, tüm önceden işlenmiş metin ve video karelerinden yüzde 10 rastgele bir örneği manuel olarak inceleyerek PII tamamen kaldırılmasını doğrulayın ve nihai veri setinde herhangi bir tutarsızlık bulunmamıştır.

3. Modelleri Eğitin ve Doğrulayın

Eğitimde üç paradigma kullanıldı: birincisi, öğrenci performansını etiketlenmiş etkileşim günlüklerinden tahmin etmek için gözetimli öğrenme (Adam optimizator, öğrenme oranı = 1e-4, parti büyüklüğü = 32); ikincisi, gözetimsiz K-anlamına gelir (k = 5) ve belirgin davranışsal kalıpları belirlemek için kümelenme; Üçüncüsü, Adaptif İçerik Önerisi için Güçlendirme Öğrenmesi, Ödül Fonksiyonu Katılım X Doğruluk olarak tanımlanıyor. Hiperparametreler, dayanıklılığı sağlamak için 100'den fazla denemede rastgele arama yoluyla ayarlandı. Modeller için giriş verileri, önceden işlenmiş ve anonimleştirilmiş çok modlu akışlardan oluşuyordu: tokenize metin dizileri, 224 x 224 RGB video kareleri ve yapılandırılmış etkileşim meta verileri (örneğin, zaman damgaları, eylem türleri). Sistem tarafından üretilen birincil çıktılar arasında sayısal tahmin puanları (örneğin, ustalık olasılığı), JSON formatında ayrıntılı etkileşim günlükleri ve PDF formatında yeterlilik değerlendirme raporları yer alır.

figure-protocol-1
Şekil 1: Kapsamlı eğitim platformunun mimarisi. Bu diyagram, kullanıcıya yönelik Uygulama ve Etkileşim Katmanı, çoklu modlu veri İşleme Merkezi ve yapay zeka modeli odaklı Temel Teknik Katman dahil olmak üzere, özel web tabanlı GAI eğitim araştırma prototipinin tam hiyerarşik yapısını ve katmanlar arasında net veri akışı haritalamasını içermektedir. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

4. Ampirik Değerlendirme Yap

Hong Kong Eğitim Üniversitesi'nden 70 katılımcı (50 lisans mühendisliği öğrencisi ve 20 eğitimci) seçildi. Rastgele olarak ya özel oluşturulmuş, web tabanlı GAI platformumuzu kullanan deneysel gruba ya da geleneksel Öğrenme Yönetim Sistemi (LMS) kullanan kontrol grubuna atanıyordu. Değerlendirme dört temel sonucu ölçtü: (1) öğrenme kazanımı (test öncesi ve sonrası puanlarla değerlendirildi), (2) katılım (görevde çalışma süresi ve etkileşim sıklığı ile ölçülüyor), (3) kullanıcı memnuniyeti (7 puanlık Likert ölçeği anketiyle değerlendirildi) ve (4) sistem kullanılabilirliği. Tüm ampirik veriler, istatistiksel anlamlılığı belirlemek için eşleştirilmiş t-testleri kullanılarak analiz edildi ve pratik etkiyi değerlendirmek için etki büyüklüğü hesaplamaları da eklendi.

5. Uygulamayı Kesinleştirin ve Doğrulayın

Ana çalışmadan önce, kapsamlı bir sistem doğrulaması gerçekleştirdik. Bu, üç mimari katmanın (Temel Teknik, İşleme Merkezi ve Uygulama Katmanı) tam entegrasyonu ve stabil çalışmasını doğrulamayı, boru hattı genelinde veri bütünlüğünü doğrulamayı, doğrulama setinde model yakınsamasını sağlamak ve web tabanlı kullanıcı arayüzünün yanıt verebilirliği ve güvenilirliğini test etmeyi içeriyordu. Bu doğrulama aşamasının başarılı tamamlanmasının ardından, platform rastgele kontrollü deneme çerçevesinde resmi ampirik dağıtım ve karşılaştırmalı değerlendirmeye hazır olarak kabul edildi.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Sonuçlar

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

Randomize kontrollü çalışma, GAI platform grubu (deneysel) ile geleneksel LMS grubu (kontrol grubu) arasında anlamlı farklılıklar ortaya koydu. Öğrenme kazanımı açısından deneysel grup, kontrol grubuna (M = 76,8, SD = 7,1) göre (M = 85,2, SD = 6,4) test sonrası puanları anlamlı şekilde daha yüksek aldı (M = 85,2, SD = 6,4); ortalama fark = 8.4, %95 GA [4.5, 12.3], t(68) = 4.32, p < 0.001, Cohen'in d = 1.02. Görev süresi (görevde çalışma) için deneysel grup, kontrol grubuna göre daha fazl...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Tartışma

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

Bu çalışma, merkezi araştırma hipotezini test etmeyi amaçlamıştır: GAI destekli kişiselleştirilmiş öğrenme platformunun, mühendislik öğrenenlerinin bilişsel yükünü önemli ölçüde azaltabileceği, öğrenme verimliliğini artırabileceği ve ESD ile ilgili öğrenme sonuçlarını ve genel öğrenme deneyimini geleneksel kişiselleştirilmiş olmayan mühendislik öğretim modellerine kıyasla geliştirebileceği. Rastgele RCT sonuçlarımız bu hipotezi tam ampirik destekliyor ve önceden belirlenmiş sonuçlarla do...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Açıklamalar

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

Çıkar Çatışmaları: Yazarların açıklamaları gereken ilgili finansal veya finansal olmayan çıkarları yoktur.

Teşekkürler

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

Hiçbir fon yok.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
A100 GPU (40 GB VRAM)NVIDIA Corporation900-4H100-0000-000Sunucu tabanlı işleme boru hattı içinde temel AI modellerini barındırmak için kullanılır.
en_core_web_md (spaCy modeli)Explosion AIhttps://spacy.io/models/en#en_core_web_mdTokenizasyon ve çekimleme için kullanılan ön eğitimli genel akademik İngilizce modeli. Versiyon: v3.5.
PythonPython Software Foundationhttps://www.python.org/Yazılım ortamı için programlama dili. Versiyon: 3.9.
SlimPajama veri setiCerebras Systems Inc.https://www.cerebras.net/blog/cerebras-releases-slimpajama-a-cleaned-version-of-redpajama/RedPajama'dan türetilmiş büyük, açık kaynaklı ön eğitim korpusu.
spaCyExplosion AIhttps://spacy.io/Metin ön işleme için Doğal Dil İşleme kütüphanesi. Versiyon: 3.5.
TensorFlowGoogle LLChttps://www.tensorflow.org/Açık kaynaklı makine öğrenimi çerçevesi. Versiyon: 2.12.

Kaynaklar

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

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Yeniden basım ve izinler

Bu JoVE makalesinin metnini veya şekillerini yeniden kullanmak için izin iste

İzin iste

Etiketler

M hendislikSay 233Say 233Bu Ay JoVE deSayGAIGeni letilebilir Mod lAk ll renme

İlgili makaleler