פלטפורמת חינוך מקיפה המבוססת על בינה מלאכותית גנרטיבית

Summary

תוך שימוש בבינה מלאכותית גנרטיבית (GAI) לתמיכה בהוראה, הפלטפורמה מספקת חוויות למידה מותאמות אישית הניתנות להתאמה לצרכים המגוונים של המשתמשים. היא גם מספקת גישות למידה מעשיות בשפע אשר לא רק מעשירות את תהליך הלמידה אלא גם מטפחות יכולות למידה לכל החיים בעידן הדיגיטלי, בהתאם למטרות הפיתוח הבר-קיימא בחינוך ההנדסי.

Abstract

הבינה המלאכותית הגנרטיבית (GAI) חזתה התקדמות משמעותית בשנים האחרונות, והפגינה פוטנציאל טרנספורמטיבי לחינוך על ידי אפשרות יצירת תוכן דינמית ודרכי למידה מותאמות אישית. עם זאת, פלטפורמות חינוכיות רבות קיימות מסתמכות על תוכן סטטי ודרכים קבועות, וחסרות את הארכיטקטורה המשולבת הדרושה כדי לנצל במלואן את יכולות ה-GAI ליצירת חוויות למידה מגובשות ומסתגלות. כדי לטפל בפער זה, המחקר הנוכחי מפרט את העיצוב, היישום וההערכה האמפירית של פלטפורמה חינוכית חדשנית ומקיפה שנבנתה על בסיס GAI. הפלטפורמה מבוססת על ארכיטקטורה תלת שכבתית החורגת ממסגרות מסורתיות: שכבה טכנית בסיסית המשלבת מודלי AI מודולריים (למשל, Transformer, CNN-BiLSTM מבוסס תשומת לב), מרכז עיבוד לסינתזת נתונים בזמן אמת ואופטימיזציה של מודלים, ושכבת יישום ואינטראקציה המאכלסת שמונה מודולי פונקציות ליבה, כולל למידה מותאמת אישית, שאלות ותשובות חכמות והערכת יכולות. ארכיטקטורה משולבת זו מאפשרת חווית למידה הניתנת להתאמה אישית דינמית המסתגלת ברציפות לצרכים והתקדמות של לומדים בודדים. כדי להעריך את יעילות הפלטפורמה, ערכנו ניסוי מבוקר אקראי (RCT) שכלל 50 סטודנטים לתואר ראשון ו-20 מחנכים לאורך שני סמסטרים, והשווינו תוצאות לעומת קבוצת ביקורת שהשתמשה בשיטות מסורתיות. תוצאות הניסוי מראות כי הפלטפורמה המוצעת משפרת משמעותית את תוצאות הלמידה, מגדילה מדדי מעורבות סטודנטים (למשל, זמן על המשימה ושיעורי אינטראקציה עם התוכן), ומשיגה דיוק גבוה בהתאמת תוכן מותאם אישית. הממצאים מצביעים על כך שפלטפורמה מבוססת GAI זו מהווה התקדמות בטכנולוגיה החינוכית על ידי אישור אישי של ההוראה ותמיכה בלמידה מסתגלת בקנה מידה רחב. מחקר זה תורם תכנית ארכיטקטורה מפורטת וניתנת לשכפול ומספק עדות אמפירית התומכת בערך המעשי של מערכות GAI משולבות בשיפור האפקטיביות החינוכית ועידוד יכולות למידה לכל החיים.

Introduction

בתוך החידושים הטכנולוגיים המואצים, במיוחד בתחום הבינה המלאכותית (AI), כלים כמו AI מוצאים יישום הולך וגדל בחינוך ההנדסי. במקביל, הגיעו אנשים להסכמה שמטרת קידום הפיתוח הבר-קיימא היא מרדף גלובלי. לכן, שילוב הפיתוח הבר-קיימא בחינוך ההנדסי - תוך שיפור רמות הטכניקה של התעשייה ושיפור מודעות הקיימות של הלומדים - הפך למוקד מרכזי ברפורמה החינוכית הנוכחית, ודחף את החקר של חידושים חינוכיים מאפשרי AI. היישום של AI בחינוך פורש אפשרויות ללמידה מותאמת אישית. באופן ספציפי, GAI מציע פוטנציאל טרנספורמטיבי לסביבות הוראת ולמידה. הוא מאפשר יצירה דינמית של צורות תוכן מגוונות והתאמה של משאבי למידה לפרופילי לומדים אישיים, מה שמסוגל לשפר את ההתקשרות ואת האפקטיביות. טכנולוגיה זו מאפשרת יצירת פורמטים שונים של תוכן, המאפשרים יצירת חומרי למידה מותאמים אישית. יתר על כן, היא יכולה להתאים באופן דינמי משאבי למידה לפרופילי לומדים אישיים, ובכך לשפר את ההתקשרות ויעילות הלמידה¹. יתר על כן, הפלטפורמה מתוכננת להתאים לקידמה של הלומדים. היא מתאימה באופן דינמי את הצגת התוכן וממליצה על פעילויות למידה המתאימות ליעדים אישיים, במטרה לייעל את תוצאות הלמידה.

עם זאת, שילוב של AI בפלטפורמות חינוכיות דורש גברת על מכשולים טכניים משמעותיים. ראשית, יש לאמן מודלי למידה עמוקה על מאגרי נתונים עצומים כדי להבטיח שהם ייצרו תוכן באיכות גבוהה שעומד בתקנים חינוכיים. בנוסף, יש לכוונן במדויק אלגוריתמים של למידת חיזוק - לא רק כדי לבצע התאמה אישית של נתיבי למידה עבור משתמשים בודדים בדיוק אלא גם כדי לשמור על שלמות התוכן ההוראתי. בנוסף, יכולות עיבוד שפה טבעית הן חיוניות ליצירת מערכות הוראה 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 כדי לספק חוויות למידה מותאמות אישית, מרתקות ומתאימות⁵. פלטפורמות כאלה מחזיקות פוטנציאל משמעותי לעצב מחדש את נוף החינוך המקוון על ידי הפיכתו ליותר מותאם אישית, ובכך ליישור קו ולתמיכה במטרות הפרדיגמות החינוכיות המודרניות של למידה לכל החיים. בעידן החדש הזה, תוכן החינוכי לא יישאר קבוע; במקום זאת, הוא יתפתח לצד הצמיחה האישית והצרכים המשתנים של הלומדים.

מחקרים קיימים הראו שטכנולוגיות מתפתחות כמו AI ומודלים בקנה מידה גדול יכולים לשפר ביעילות את איכות ההוראה והלמידה בחינוך הנדסי⁵ ומחקרים רבים חקרו את היישום הפוטנציאלי של GAI בפלטפורמות חינוך מותאמות אישית, במטרה לספק חוויות למידה מותאמות אישית לסטודנטים⁶. במקביל, חינוך לפיתוח בר-קיימא (ESD) הפך לעדיפות מרכזית יותר ויותר בחינוך ההנדסי העולמי, כאשר מחקרים קיימים מדגישים באופן עקבי שאוריינות קיימות ומחשבת מערכות הם יכולות ליבה בלתי ניתנות למשא ומתן עבור מהנדסים עכשוויים⁷. כדי להתמודד עם דרישת ההכשרה הקריטית הזו, הארכיטקטורה של GAI המוצעת במחקר זה מבססת קישור מעשי וראוי ליישום בין יעדי הלמידה של ESD לבין בניית כישורים הנדסיים: הפלטפורמה שלנו משלבת מודולים של הערכת השפעת הקיימות, זרימות ניתוח מחזור החיים (LCA), ודחפים לעיצוב בר-קיימא מבוססי תרחישים במסגרתה הליבה, מאפשרת ללומדי הנדסה לתרגם ישירות עקרונות קיימות לקבלת החלטות טכניות לאורך כל מחזור עיצוב ההנדסי. אחד מהתחומים המוקדים הוא השימוש ב-GAI לאוטומציה של יצירת תוכן חינוכי. Moulaei ועמיתיו⁷ חקרו כיצד אלגוריתמי AI יכולים ליצור תרגילים, חידות

Protocol

```html

המחקר בוצע בהתאם להנחיות האתיות של אוניברסיטת החינוך של הונג קונג. הסכמה מדעת הושגה מכל המשתתפים לפני איסוף הנתונים.

1. מפרט פלטפורמה

המערכת המוערכת היא אב טיפוס מחקר מותאם אישית, הממומש כיישום מבוסס רשת. סביבת התוכנה בנויה על Python 3.9 ו-TensorFlow 2.12. מודלי ה-AI הבסיסיים (CNN-BiLSTM, Transformer) מתארחים על GPU A100 של NVIDIA (40 GB VRAM) בתוך צינור עיבוד מבוסס שרת. הארכיטקטורה מורכבת משלוש שכבות: ראשית, שכבה טכנית בסיסית המשלבת רשת CNN-BiLSTM משופרת בתשומת לב, מודול Transformer ורכיבי למידת חיזוק; שנית, מרכז עיבוד להתמזגות נתונים מרובת מודלים בזמן אמת ואופטימיזציה של המודל; ושלישית, שכבת יישום הכוללת שמונה מודולי פונקציות, כולל למידה מותאמת אישית, שאלות ותשובות, הערכת יכולות ואנליטיקה של התנהגות (איור 1).

2. הכנת ואוצרות נתוני אימון

איסוף מערכי נתונים מרובת מודלים ממאגרי מידע חינוכיים ציבוריים (למשל, תמלילי קורסים מקוונים פתוחים, יום שירות לוגי חילופי וידאו חינוכיים) ומקורות קנייניים. איסוף יום שירות מאנונימי מ-50 סטודנטים לתואר ראשון ו-20 מחנכים במהלך בדיקת פיילוט (ינואר-יוני 2024). עיבוד טקסט מוקדם באמצעות spaCy v3.5 (Honnibal et al., 2020) עם הנהלים הקבועים הבאים. ראשית, טעינת המודל האקדמי הכללי באנגלית en_core_web_md המאומן מראש. שנית, ביצוע טקסטוליזציה באמצעות טקסטור מותאם אקדמי ברירת המחדל של המודל, המטפל במונחים הנדסיים טכניים והתפתחות ברת קיימא כראוי. שלישית, ביצוע סגולות שימוש בברירת המחדל של המודל לבסיס כללים וסטטיסטי היברידי, ללא חוקי סגולות מותאמים אישית. נורמליזציה של מסגרות וידאו לרזולוציה של 224 x 224 באמצעות השלבים הקבועים הבאים. ראשית, שינוי גודל כל המסגרות באמצעות אינטרפולציה דו-ליניארית, שהיא השיטה הסטנדרטית לעיבוד מסגרות וידאו חינוכיות. שנית, לא להחיל נורמליזציה נוספת של צבע או חיתוך מעבר לגודל אחיד כדי לשמור על תוכן חינוכי מקורי. הסרת מידע אישי מזהה כדי להבטיח תאימות פרטיות באמצעות הנהלים הקבועים הבאים. ראשית, שימוש במודול זיהוי הישויות השמות ב-spaCy v3.5 במודל en_core_web_md כדי לזהות ולהסיר אוטומטית את כל השמות האישיים, כתובות הדוא"ל, מספרי הטלפון ומזהים מוסדיים. שנית, בדיקה ידנית של דגימה אקראית של 10 אחוז מכל הטקסט ומסגרות הווידאו המעובדות מראש כדי לאמת הסרה מלאה של PII, ללא פערים שנמצאו במערך הסופי.

3. אימון ואימות מודלים

האימון השתמש בשלושה פרדיגמות: ראשית, למידה מפוקחת (מנתח Adam, קצב למידה = 1e-4, גודל אצווה = 32) כדי לחזות ביצועי תלמידים מתוך יום שירות מתויג; שנית, קביעת קבוצות K-means ללא השגחה (k = 5) כדי לזהות דפוסי התנהגות שונים; ושלישית, למידת חיזוק להמלצת תוכן אדפטיבית, עם פונקציית תגמול המוגדרת כמעורבות x דיוק. הפרמטרים הוכווננו באמצעות חיפוש אקראי על פני 100 ניסויים על קבוצת אימות מושהית כדי להבטיח חסינות. נתוני הקלט עבור המודלים כללו זרמי מודלים מרובת מודלים מעובדים ואנונימיים: רצפי טקסט מטקסטוליזציה, מסגרות וידאו RGB 224 x 224 ו-מטא נתונים של אינטראקציה מובנית (למשל, חותמות זמן, סוגי פעולות). הפלטים העיקריים שנוצרו על ידי המערכת כוללים ציוני חיזוי מספריים (למשל, הסתברות שליטה), יום שירות מפורט בפורמט JSON ודוחות הערכת יכולות ב-PDF.

איור 1: ארכיטקטורה של הפלטפורמה החינוכית המקיפה. תרשים זה ממחיש את המבנה ההירר

Results

ניסוי פשוט מבוקר אקראי גילה הבדלים משמעותיים בין קבוצת פלטפורמת GAI (ניסויית) לבין קבוצת LMS המסורתית (ביקורת). לגבי רווח למידה, קבוצת הניסוי קיבלה ציון גבוה יותר משמעותית במבחן הפוסט (M = 85.2, SD = 6.4) מאשר קבוצת הביקורת (M = 76.8, SD = 7.1); הפרש ממוצע = 8.4, 95% CI [4.5, 12.3], t(68) = 4.32, p < 0.001, d של Cohen = 1.02. לגבי מעורבות (זמן בביצוע משימה), קבוצת הניסוי השקיעה יותר זמן (M = 42.5 דקות, SD = 8.2) מאשר קבוצת הביקורת (M = 28.7 דקות, SD = 9.5); הפרש ממוצע = 13.8 דקות, 95% CI [8.4, 19.2], t(68) = 5.15, p < 0.001, d = 1.21. לגבי שביעות רצון המשתמש, קבוצת הניסוי דיווחה על דירוגים גבוהים יותר (M = 6.2, SD = 0.7) בהשוואה לקבוצת הביקורת (M = 4.8, SD = 1.1); הפרש ממוצע = 1.4, 95% CI [0.9, 1.9], t(68) = 5.87, p < 0.001, d = 1.38. כל התוצאות הראו שיפור משמעותי מבחינה סטטיסטית עם גודל השפעה גדול, ואישר את היעילות של הפלטפורמה המוצעת.

שכבת הבסיס הטכנית
שכבת הטכנולוגיה הבסיסית מספקת לפלטפורמה תמיכה בסיסית להטמעה של רשתות עצביות מבוססות למידה. שכבה זו כוללת מספר מודולים מעשיים, כגון שיטות סטטיסטיות ליניאריות, רשתות CNN-BiLSTM מבוססות תשומת לב, ארכיטקטורות טרנספורמטור ותכנות למידה מחזקת. יתרה מכך, מודולים אלו תומכים בהתקנה לאחר הפריסה, מה שמגדיל את הגמישות של הפלטפורמה. איור 2 מציג את כל הטכניקות הסטטיסטיות הליניאריות הכלולות בפלטפורמה.

מודלים סטטיסטיים ליניאריים הם סוג של מודלים סטטיסטיים המכונים לעתים קרובות מודלים ליניאריים<sup>22</sup>. רבים מהטכניקות המוזכרות במאמר זה, כגון רגרסיה לינארית, רגרסיה לוגיסטית, רגרסיה מרובה ורגרסיה צעד אחר צעד, הם מודלים ליניאריים. שיטות סטטיסטיות מבוססות אלו מאפשרות זיהוי מגמות נתונים ויחסי משתנים. בסיס ניתוח זה תומך בקבלת החלטות מושכלת ומבוססת נתונים בתוך יישומים של הפלטפורמה. איורים 3, איורים 4 ואיורים 5 מציגים את מסגרת שיטת הלמידה המחזקת, CNN-BiLSTM ורשת הטרנספורמטור, בהתאמה. מסגרות אלו נבדקות כדי להדגים כיצד הן תומכות בחוסן ובגמישות הפלטפורמה, ועונים על צרכים חישוביים שונים ויישומי למידה.

בהקשר של הפלטפורמה, למידה מחזקת מייעלת את קבלת ההחלטות עבור נתיבי למידה מותאמים אישית והמלצות תוכן על ידי מקסום התגמולים המצטברים הנגזרים מאינטראקציות המשתמש (למשל, השלמת משימות, דירוגי משוב) ותצריות ביצוע. גישות הפתרון הבסיסיות שלה מחולקות לשלוש קטגוריות: תכנות דינמי, שיטות מונטה קרלו ולמידה הבדלי זמן. לאחרונה, למידה מחזקת עמוקה הצליחה להתגבר על ביצועים אנושיים בתחומים מאתגרים שונים על ידי שימוש בשיטות למידה עמוקה כגון רשתות עצביות קונבולוציוניות ורשתות עצביות חוזרות<sup>31</sup>.

כמוצג באיור 4, מודל CNN-BiLSTM המשולב מנצל את היתרונות של רשתות עצביות קונבולוציוניות (CNN) ורשתות Bidirectional Long Short-Term Memory (BiLSTM). על ידי חילוץ תכונות מרחביות בו זמנית עם לכידת התלות הזמנית, מודל זה מותאם במיוחד לנתונים רב-ממדיים. זה הופך את המודל לבחירה מתאימה לעיבוד מערכי נתונים מורכבים ומגביר מאוד את יכולת הפלטפורמה לטפל במשימות מאתגרות בתחומים כגון ניתוח מולטימדיה ועיבוד שפה טבעית. שיטת הטרנספורמטור המוצגת באיור 5 מעבדת נתוני רצף באמצעות תשומת לב עצמית במקביל ומקטינה מאוד את ז

Discussion

מחקר זה נועד לבחון את השערת המחקר המרכזית: שפלטפורמת למידה מותאמת אישית המאפשרת בינה מלאכותית כללית יכולה להפחית משמעותית את העומס הקוגניטיבי של לומדים בהנדסה, לשפר את יעילות הלמידה ולשפר הן את תוצאות הלמידה הקשורות לפיתוח בר קיימא והן את חווית הלמידה הכוללת, בהשוואה למודלים חינוכיים מסורתיים שאינם מותאמים אישית. תוצאות ה-RCT המקרי שלנו מספקות תמיכה אמפירית מלאה להשערה זו, עם שלוש ממצאים מרכזיים המיושרים ישירות עם התוצאות שציינו מראש. ראשית, ההתאמה האישית המתמשכת של הפלטפורמה המונעת על ידי אנליטיקה למידה הפחיתה משמעותית את העומס הקוגניטיבי החיצוני עבור הלומדים, כפי שמוכח על ידי שיפור של 45% ביעילות הלמידה (הזמן לשליטה בידע) בקבוצת הניסוי ביחס לקבוצת הביקורת, ממצא שמרחיב מחקרים קודמים על הפחתת עומס קוגניטיבי מונע בינה מלאכותית בסביבות חינוכיות. שנית, ארכיטקטורת שלוש השכבות המאוחדת של הפלטפורמה אפשרה הדרכה אישית מותאמת פדגוגית ומדרגית, והביאה לרווחים משמעותיים יותר בלמידה לאחר הבדיקה (p < 0.001, Cohen’s d = 1.02) ומעורבות רבה יותר במשימה בהשוואה למערכות ניהול למידה מסורתיות, תוך התאמה והתקדמות של מחקרים קודמים על יכולות הלמידה ההסתגלותיות של GAI. שלישית, מסגרת היכולות המשובצת של ESD ומודולים להנדסה בר קיימא של הפלטפורמה הביאו לשיפורים משמעותיים במודעות הקיימות של הלומדים ויכולות חשיבה מערכתית, תוך טיפול בפער קריטי בפלטפורמות חינוכיות קיימות של GAI, שהתעלמו במידה רבה משילוב תוצאות קיימות לתוך תכנון ארכיטקטורת טכניקה.

מחקר קיים על GAI בחינוך התמקד בעיקר באופטימיזציה פונקציונלית מדורגת של כלים קיימים ומחקרי מקרה יישומיים מבודדים, ללא ארכיטקטורה משולבת מאוחדת, מדרגית ופדגוגית חזקה להקשרי ESD הנדסיים. העבודה שלנו מתקדמת מעבר למחקרים קודמים בשלוש דרכים מרכזיות. ראשית, אנו קובעים פרדיגמת ארכיטקטורה תלת-שכבתית סטנדרטית וניתנת לשכפול המשלבת עיבוד נתונים מרובה מודלים, מודלי AI מרובה פרדיגמות ומודולים פונקציונליים מיושר בר קיימא לתוך מערכת מלוכדת, תוך פתרון של בעיות נרחבות של עיצוב מודולים מקוטעים וחוסר תאימות חוצה תרחישים שזוהו בפלטפורמות קודמות. שנית, אנו מספקים ראיות RCT קפדניות להשפעה הסיבתית של ארכיטקטורת GAI משולבת על תוצאות למידה קוגניטיביות וחברתיות, תוך טיפול במחסור באימות אמפירי חזק של פלטפורמות חינוכיות של GAI בחינוך הנדסי. שלישית, אנו מפעילים את הקישור בין עיצוב טכני של GAI לבין תוצאות חינוך קיימות, תוך מתן תוכנית מעשית להטמעת הכשרת מיומנויות ESD בארכיטקטורה הליבה של פלטפורמות חינוכיות של AI, במקום להתייחס אליה כתוספת משנית כמו בעבודותינו הקודמות.

עבודה עתידית תתמקד באימות רחב היקף ובין מוסדות, בשילוב של AI מרובה מודלים ללמידה מהנדסית בר קיימא טבולה, והערכת השפעה ארוכת טווח של שימור מיומנויות ESD. תשומת לב מיוחדת תינתן לשיקולים אתיים כגון הוגנות אלגוריתמית, פרטיות נתונים ושיתוף פעולה אדם-AI כדי להבטיח פריסה אחראית. בסופו של דבר, מחקר זה תורם לבניית סביבות למידה חיי שימושיות, שוות יותר ובר קיימא יותר המונעות על ידי בינה מלאכותית גנרטיבית.

שאלה	סיכום תגובות (N=70)
משימה 1. האם הפלטפורמה קלה וחלקה לשימוש, והאם נתקלת בבעיות כלשהן?	ממוצע = 4.2 / 5; 83% דיווחו על “אין בעיות גדולות”
משימה 2. האם אתה חושב שהפלטפורמה מציעה פונקציונליות מקיפה יותר מאשר פלטפורמות אח

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
A100 GPU (40 GB VRAM)	NVIDIA Corporation	900-4H100-0000-000	משמש לאירוח מודלי AI מרכזיים בתוך צינור העיבוד המבוסס על שרת.
en_core_web_md (מודל spaCy)	Explosion AI	https://spacy.io/models/en#en_core_web_md	מודל אקדמי כללי מאומן מראש המשמש לפיצול לרכיבים ולצורת יסוד. גרסה: v3.5.
Python	Python Software Foundation	https://www.python.org/	שפת תכנות לסביבת התוכנה. גרסה: 3.9.
מקבץ הנתונים SlimPajama	Cerebras Systems Inc.	https://www.cerebras.net/blog/cerebras-releases-slimpajama-a-cleaned-version-of-redpajama/	מאגר נתונים גדול ופתוח למקור לפני אימון שמקורו ב-RedPajama.
spaCy	Explosion AI	https://spacy.io/	ספריית עיבוד שפה טבעית לעיבוד טקסט מקדים. גרסה: 3.5.
TensorFlow	Google LLC	https://www.tensorflow.org/	מסגרת למידת מכונה קוד פתוח. גרסה: 2.12.