Una piattaforma educativa completa basata sull'intelligenza artificiale generativa

Summary

Sfruttando l'intelligenza artificiale generativa (GAI) per il supporto all'insegnamento, la piattaforma offre esperienze di apprendimento su misura adattabili alle diverse esigenze degli utenti. Fornisce anche numerosi approcci pratici di apprendimento che non solo arricchiscono il processo di apprendimento, ma favoriscono anche le competenze di apprendimento permanente nell'era digitale, in linea con gli obiettivi di sviluppo sostenibile nell'istruzione ingegneristica.

Abstract

L'Intelligenza Artificiale Generativa (GAI) ha registrato notevoli progressi negli ultimi anni, dimostrando un potenziale trasformativo per l'istruzione consentendo la creazione dinamica di contenuti e percorsi di apprendimento personalizzati. Tuttavia, molte piattaforme educative esistenti si basano su contenuti statici e percorsi fissi, mancando dell'architettura integrata necessaria per sfruttare appieno le capacità della GAI per creare esperienze di apprendimento coerenti e adattive. Per colmare questa lacuna, questo studio descrive la progettazione, l'implementazione e la valutazione empirica di una piattaforma educativa innovativa e completa basata sulla GAI. La piattaforma si basa su un'architettura a tre livelli che trascende i tradizionali quadri: un Livello Tecnico di Base che integra modelli AI modulari (ad esempio, Transformer, CNN-BiLSTM basati sull'attenzione), un Centro di Elaborazione per la sintesi dei dati in tempo reale e l'ottimizzazione dei modelli e un Livello di Applicazione e Interazione che ospita otto moduli funzionali di base, tra cui apprendimento personalizzato, Q&A intelligente e valutazione delle competenze. Questa architettura integrata facilita un'esperienza di apprendimento dinamicamente personalizzabile che si adatta continuamente alle esigenze e ai progressi degli individui. Per valutare l'efficacia della piattaforma, abbiamo condotto un trial controllato randomizzato (RCT) coinvolgendo 50 studenti universitari e 20 educatori per due semestri, confrontando i risultati con un gruppo di controllo che utilizzava metodi tradizionali. I risultati sperimentali dimostrano che la piattaforma proposta migliora significativamente i risultati di apprendimento, aumenta le metriche di coinvolgimento degli studenti (ad esempio, tempo dedicato all'attività e tassi di interazione con i contenuti) e raggiunge un'elevata precisione nell'abbinamento dei contenuti personalizzati. I risultati suggeriscono che questa piattaforma basata su GAI costituisce un progresso nella tecnologia educativa, personalizzando efficacemente l'istruzione e supportando l'apprendimento adattivo su larga scala. Questo studio fornisce un blueprint architettonico dettagliato e replicabile e fornisce prove empiriche a sostegno del valore pratico dei sistemi GAI integrati nel migliorare l'efficacia educativa e nel promuovere le competenze di apprendimento permanente.

Introduction

In mezzo all'accelerazione dell'innovazione tecnologica, in particolare nell'intelligenza artificiale (IA), strumenti come l'IA stanno trovando un'applicazione crescente nell'educazione ingegneristica. Allo stesso tempo, le persone hanno raggiunto un consenso sul fatto che l'obiettivo di promuovere lo sviluppo sostenibile è un perseguimento globale. Pertanto, l'integrazione dello sviluppo sostenibile nell'educazione ingegneristica - migliorando contemporaneamente i livelli tecnici del settore e migliorando la consapevolezza della sostenibilità degli studenti - è diventato un obiettivo chiave della riforma educativa attuale, guidando l'esplorazione di innovazioni educative basate sull'IA. L'applicazione dell'IA nell'istruzione apre possibilità per l'apprendimento personalizzato. In particolare, l'IA generativa offre un potenziale trasformativo per gli ambienti di insegnamento e apprendimento. Consente la creazione dinamica di diverse forme di contenuti e l'adattamento delle risorse di apprendimento ai profili individuali degli studenti, che possono migliorare il coinvolgimento e l'efficacia. Questa tecnologia consente la generazione di diversi formati di contenuto, facilitando la creazione di materiali di apprendimento su misura. Inoltre, può adattare dinamicamente le risorse di apprendimento ai profili individuali degli studenti, migliorando così il coinvolgimento e l'efficacia dell'apprendimento¹. Inoltre, la piattaforma è progettata per adattarsi al progresso degli studenti. Regola dinamicamente la presentazione dei contenuti e raccomanda attività di apprendimento allineate con gli obiettivi individuali, mirando a ottimizzare i risultati dell'apprendimento.

Tuttavia, l'integrazione dell'IA nelle piattaforme educative richiede di superare significativi ostacoli tecnici. Innanzitutto, i modelli di apprendimento profondo devono essere addestrati su enormi set di dati per garantire che generino contenuti di alta qualità che soddisfino gli standard educativi. Inoltre, gli algoritmi di apprendimento per rinforzo devono essere finemente regolati - non solo per personalizzare accuratamente i percorsi di apprendimento per i singoli utenti, ma anche per mantenere la completezza del contenuto didattico. Inoltre, le capacità di elaborazione del linguaggio naturale sono essenziali per creare sistemi di tutoraggio interattivi che possono simulare dialoghi simili a quelli umani e fornire feedback in tempo reale^2,3,4. In questo contesto, c'è un'urgente necessità di una piattaforma educativa completa che sfrutti appieno il potenziale dell'IA generativa per fornire esperienze di apprendimento personalizzate, coinvolgenti e adattive⁵. Tali piattaforme hanno un significativo potenziale per ridisegnare il panorama dell'educazione online rendendola più adattiva e personalizzata, allineandosi e supportando così gli obiettivi dei paradigmi di apprendimento permanente contemporanei. In questa nuova era, il contenuto educativo non rimarrà fisso; al contrario, si evolverà insieme alla crescita personale degli studenti e alle loro mutevoli esigenze.

La ricerca esistente ha dimostrato che le tecnologie emergenti come l'IA e i modelli su larga scala possono migliorare efficacemente la qualità dell'insegnamento e dell'apprendimento nell'educazione ingegneristica⁵ e molti studi hanno esplorato le potenziali applicazioni dell'IA generativa nelle piattaforme di educazione personalizzata, mirando a fornire esperienze di apprendimento su misura per gli studenti⁶. Allo stesso tempo, l'educazione allo sviluppo sostenibile (ESD) è diventata una priorità sempre più centrale nell'educazione ingegneristica globale, con la ricerca esistente che evidenzia costantemente che l'alfabetizzazione sulla sostenibilità e il pensiero sistemico sono competenze fondamentali non negoziabili per gli ingegneri contemporanei⁷. Per affrontare questa esigenza critica di formazione, l'architettura dell'IA generativa proposta in questo studio stabilisce un collegamento pratico e azionabile tra gli obiettivi di apprendimento ESD e lo sviluppo delle competenze ingegneristiche: la nostra piattaforma integra moduli di valutazione dell'impatto sulla sostenibilità, flussi di lavoro di analisi del ciclo di vita (LCA) e prompt di progettazione sostenibile basati su scenari nel suo quadro fondamentale, consentendo agli studenti ingegneri di tradurre direttamente i principi di sostenibilità nel processo decisionale tecnico durante l'intero ciclo di progettazione ingegneristica. Un'area di interesse è l'uso dell'IA generativa per automatizzare la creazione di contenuti educativi. Moulaei et al.⁷ ha esplorato come gli algoritmi di IA possano generare esercizi, quiz e persino intere lezioni basate sui bisogni specifici e gli stili di apprendimento degli studenti individuali. Questo approccio mostra il potenziale per ridurre il carico di lavoro degli educatori e fornire un'esperienza di apprendimento più personalizzata per gli studenti, che ha fornito una certa base tecnica per il lavoro successivo di Zhao et al.⁸.

Un'altra area di interesse è l'uso dell'IA generativa per i sistemi di apprendimento adattivo⁹. Questi sistemi utilizzano algoritmi di IA per analizzare le prestazioni di apprendimento degli studenti e adattare i materiali di apprendimento in tempo reale, soddisfacendo così più precisamente le esigenze degli studenti. Questo approccio non solo migliora i risultati dell'apprendimento, ma assicura anche che gli studenti siano sfidati a un livello appropriato - né troppo facile per mancare di stimolazione né troppo difficile da tenere il passo. Inoltre, l'IA generativa è stata anche esplorata per il suo potenziale nell'automatizzare i processi di valutazione e feedback¹⁰ e per servire come piattaforma di supporto decisionale intelligente¹¹. Gli algoritmi di IA possono essere utilizzati per valutare automaticamente i compiti degli studenti e fornire feedback tempestivo, risparmiando tempo agli educatori e aiutando gli studenti ad apprendere in modo più efficace. Smith et al.¹² hanno anche esplorato l'applicazione di strumenti di IA generativa, come ChatGPT, nell'istruzione superiore, con un focus sull'accettazione e l'utilizzo di queste tecnologie tra studenti e insegnanti di diverse generazioni. Lo studio ha rivelato che gli studenti nativi digitali, per virtù del loro immergersi per tutta la vita nelle tecnologie digitali, mostrano un livello di accettazione più elevato verso tali applicazioni; al contrario, gli insegnanti immigrati digitali tendono ad adottare un atteggiamento più cauto e conservatore verso queste applicazioni digitali, mostrando riluttanza a sperimentarle casualmente. Questa differenza generazionale presenta nuove sfide e opportunità per l'integrazione di stili di insegnamento e tecnologie educative. Imran et al.¹³ hanno valutato l'applicazione di strumenti di IA generativa di prossima generazione nell'istruzione, in particolare nella creazione di materiali didattici e nella fornitura di feedback personalizzati.

I risultati suggeriscono che questi strumenti possono aiutare gli educatori a generare diverse risorse educative e fornire feedback in tempo reale, ma indicano anche sfide relative agli standard etici e all'uso equo. Cabrera et al.¹⁴ hanno analizzato la consapevolezza e l'uso dell'IA generativa attraverso sondaggi in sei università di Hong Kong. La maggior parte degli studenti ha un atteggiamento positivo, riconoscendo la sua utilità nell'apprendimento personalizzato e nel feedback immediato. Tuttavia, vengono espresse anche preoccupazioni sull'eccessiva dipendenza e potenziali pregiudizi. Mishra et al.¹⁵ elaborano sull'applicazione dell'IA generativa, come ChatGPT, nell'educazione degli insegnanti, in particolare nella pianificazione del curriculum, nel pensiero critico e nell'apertura educativa.

Protocol

```html

Questo studio è stato condotto in conformità con le linee guida etiche dell'Università dell'Istruzione di Hong Kong. Il consenso informato è stato ottenuto da tutti i partecipanti prima della raccolta dei dati.

1. Specifiche della piattaforma

Il sistema valutato è un prototipo di ricerca personalizzato, implementato come un'applicazione basata sul web. L'ambiente software è costruito su Python 3.9 e TensorFlow 2.12. I modelli AI principali (CNN-BiLSTM, Transformer) sono ospitati su una GPU NVIDIA A100 (40 GB VRAM) all'interno di un pipeline di elaborazione basato su server. L'architettura consiste di tre livelli: Primo, un livello tecnico di base che integra una rete CNN-BiLSTM potenziata con attenzione, un modulo Transformer e componenti di apprendimento per rinforzo; secondo, un centro di elaborazione per la fusione di dati multimodali in tempo reale e l'ottimizzazione del modello; e terzo, un livello applicativo contenente otto moduli funzionali, tra cui apprendimento personalizzato, Q&A, valutazione delle competenze e analisi del comportamento (Figura 1).

2. Preparare e curare i dati di addestramento

Raccogli dataset multimodali da repository educativi pubblici (ad esempio, trascrizioni di corsi online aperti, registri di interazione con video educativi) e fonti proprietarie. Raccogli log di interazione anonimizzati da 50 studenti universitari e 20 educatori durante i test pilota (gennaio-giugno 2024). Preprocessa il testo utilizzando spaCy v3.5 (Honnibal et al., 2020) con le seguenti procedure fisse. Primo, carica il modello accademico generale inglese pre-addestrato en_core_web_md. Secondo, esegui la tokenizzazione utilizzando il tokenizer ottimizzato per l'accademico predefinito del modello, che gestisce adeguatamente la terminologia tecnica di ingegneria e sviluppo sostenibile. Terzo, esegui la lemmatizzazione utilizzando il lemmatizzatore ibrido rule-based e statistico predefinito del modello, senza applicare regole di lemmatizzazione personalizzate. Normalizza i fotogrammi video alla risoluzione 224 x 224 utilizzando i seguenti passaggi fissi. Primo, ridimensiona tutti i fotogrammi utilizzando l'interpolazione bilineare, che è il metodo standard per la preprocessing dei fotogrammi dei video educativi. Secondo, non applicare alcuna normalizzazione del colore o ritaglio aggiuntivo oltre al ridimensionamento uniforme per preservare il contenuto educativo originale. Rimuovi le informazioni personali identificabili per garantire la conformità alla privacy utilizzando le seguenti procedure fisse. Primo, utilizza il modulo di riconoscimento delle entità nominate spaCy v3.5 all'interno del modello en_core_web_md per rilevare automaticamente e redigere tutti i nomi personali, indirizzi email, numeri di telefono e identificatori istituzionali. Secondo, rivedi manualmente un campione casuale del 10 percento di tutto il testo preprocessato e dei fotogrammi video per verificare la rimozione completa di PII, senza trovare discrepanze nel dataset finale.

3. Addestrare e validare i modelli

L'addestramento ha impiegato tre paradigmi: primo, l'apprendimento supervisionato (ottimizzatore Adam, learning rate = 1e-4, dimensione del batch = 32) per prevedere le prestazioni degli studenti da log di interazione etichettati; secondo, il clustering K-means non supervisionato (k = 5) per identificare modelli comportamentali distinti; e terzo, l'apprendimento per rinforzo per la raccomandazione di contenuti adattivo, con una funzione di ricompensa definita come coinvolgimento x accuratezza. Gli iperparametri sono stati sintonizzati tramite ricerca casuale su 100 prove su un set di validazione trattenuto per garantire la robustezza. I dati di input per i modelli consistevano in flussi multimodali anonimizzati preprocessati: sequenze di testo tokenizzate, fotogrammi video RGB 224 x 224 e metadati di interazione strutturati (ad esempio, timestamp, tipi di azione). I principali output generati dal sistema includono punteggi di previsione numerici (ad esempio, probabilità di padronanza), log di interazione dettagliati in formato JSON e rapporti di valutazione delle competenze in PDF.

Figura 1: Architettura della piattaforma educativa completa. Questo diagramma illustra la struttura gerarchica completa del prototipo di ricerca educativa GAI basato sul web personalizzato, inclusa l'applicazione rivolta all'utente e lo strato di interazione, il centro di elaborazione dati multimodali e lo strato tecnico di base guidato dall'IA, con una chiara mappatura del flusso di dati tra gli strati. Fai clic qui per visualizzare una versione ingrandita di questa figura.

4. Condurre la valutazione empirica

Sono stati reclutati 70 partecipanti (50 studenti universitari di ingegneria e 20 educatori) dall'Università dell'Istruzione di Hong Kong. Sono stati assegnati casualmente al gruppo sperimentale, che ha utilizzato la nostra piattaforma GAI personalizzata basata sul web, o al gruppo di controllo, che ha utilizzato un sistema di gestione dell'apprendimento (LMS) convenzionale. La valutazione ha misurato quattro risultati chiave: (1) guadagno di apprendimento (valutato tramite punteggi del pre-test e del post-test), (2) coinvolgimento (misurato dal tempo dedicato al compito e dalla frequenza di interazione), (3) soddisfazione dell'utente (valutata attraverso un sondaggio Likert a 7 punti) e (4) usabilità del sistema. Tutti i dati empirici sono stati analizzati utilizzando test t appaiati per determinare la significatività statistica, accompagnati da calcoli della dimensione dell'effetto per valutare l'impatto pratico.

5. Finalizzare e validare l'implementazione

Prima dello studio principale, abbiamo condotto una convalida completa del sistema. Ciò ha comportato la verifica dell'integrazione completa e del funzionamento stabile di tutti e tre gli strati architettonici (Tecnico di base, Centro di elaborazione e Strato applicativo), confermando l'integrità dei dati in tutto il pipeline, assicurando la convergenza del modello sul set di validazione e testando la reattività e l'affidabilità dell'interfaccia utente basata sul web. Dopo il completamento con successo di questa fase di convalida, la piattaforma è stata considerata pronta per il dispiegamento empirico formale e la valutazione comparativa nell'ambito del framework di studio controllato randomizzato.

```

Results

Lo studio randomizzato controllato ha rivelato differenze significative tra il gruppo della piattaforma GAI (sperimentale) e il gruppo LMS tradizionale (di controllo). Per il guadagno di apprendimento, il gruppo sperimentale ha ottenuto un punteggio significativamente più alto nel post-test (M = 85,2, DS = 6,4) rispetto al gruppo di controllo (M = 76,8, DS = 7,1); differenza media = 8,4, 95% CI [4,5, 12,3], t(68) = 4,32, p < 0,001, Cohen’s d = 1,02. Per il coinvolgimento (tempo trascorso sul compito), il gruppo sperimentale ha trascorso più tempo (M = 42,5 min, SD = 8,2) rispetto al gruppo di controllo (M = 28,7 min, SD = 9,5); differenza media = 13,8 min, 95% CI [8,4, 19,2], t(68) = 5,15, p < 0,001, d = 1,21. Per la soddisfazione degli utenti, il gruppo sperimentale ha riportato valutazioni più alte (M = 6,2, DS = 0,7) rispetto al gruppo di controllo (M = 4,8, SD = 1,1); differenza media = 1,4, 95% CI [0,9, 1,9], t(68) = 5,87, p < 0,001, d = 1,38. Tutti i risultati hanno mostrato miglioramenti statisticamente significativi con grandi dimensioni dell'effetto, confermando l'efficacia della piattaforma proposta.

Strato tecnico di base
Lo strato tecnologico di base fornisce alla piattaforma il supporto sottostante per l'implementazione di varie reti neurali basate sull'apprendimento. Questo strato include diversi moduli pratici, come metodi statistici lineari, reti CNN-BiLSTM basate sull'attenzione, architetture di trasformatori e tecnologie di apprendimento a rinforzo. Inoltre, questi moduli supportano l'installazione post-distribuzione, migliorando la flessibilità della piattaforma. Figura 2 mostra tutte le tecniche statistiche lineari incluse nella piattaforma.

I modelli statistici lineari sono una classe di modelli statistici spesso indicati come modelli lineari²². Molte delle tecniche menzionate in questo articolo, come la regressione lineare, la regressione logistica, la regressione multipla e la regressione stepwise, sono modelli lineari. Questi metodi statistici consolidati consentono l'identificazione di tendenze dei dati e relazioni tra le variabili. Questa base analitica supporta un processo decisionale più informato basato sui dati all'interno delle applicazioni della piattaforma. Figure 3, Figure 4 e Figure 5 illustrano il framework del metodo di apprendimento a rinforzo, CNN-BiLSTM e la rete dei trasformatori, rispettivamente. Questi framework sono esaminati per dimostrare come supportino la robustezza e la versatilità della piattaforma, soddisfacendo diverse esigenze computazionali e applicazioni di apprendimento.

Nel contesto della piattaforma, l'apprendimento a rinforzo ottimizza il processo decisionale per i percorsi di apprendimento personalizzati e le raccomandazioni di contenuti massimizzando i premi cumulativi derivanti dalle interazioni degli utenti (ad esempio, completamento dei compiti, valutazioni di feedback) e dai risultati delle prestazioni. I suoi approcci fondamentali alla soluzione sono suddivisi in tre categorie: programmazione dinamica, metodi Monte Carlo e apprendimento a differenza temporale. Recentemente, l'apprendimento a rinforzo profondo è riuscito a superare le prestazioni umane in diverse aree impegnative utilizzando metodi di apprendimento profondo come le reti neurali convoluzionali e le reti neurali ricorrenti³¹.

Come mostrato in Figura 4, il modello CNN-BiLSTM integrato utilizza i vantaggi delle reti di Reti Neurali Convoluzionali (CNN) e delle reti Bidirezionali a Lunga Memoria a Breve Termine (BiLSTM). Estrae caratteristiche spaziali contemporaneamente alla cattura delle dipendenze temporali, questo modello è specificamente ottimizzato per i dati multidimensionali. Questo lo rende una scelta appropriata per l'elaborazione di set di dati complessi e migliora notevolmente la capacità della piattaforma di gestire compiti impegnativi in campi come l'analisi multimediale e l'elaborazione del linguaggio naturale. Il metodo dei trasformatori mostrato in Figura 5 elabora i dati di sequenza utilizzando l'auto-attenzione in parallelo e riduce notevolmente il tempo di addestramento. Il metodo elabora enormi quantità di dati ottenendo alta accuratezza. Pertanto, viene utilizzato in attività di traduzione linguistica ed elaborazione del testo.

Figura 2: Metodi statistici lineari nello strato tecnico. Questo diagramma dettaglia i sotto-modelli inclusi nel modulo statistico lineare della piattaforma, un componente fondamentale dello Strato Tecnico di Base utilizzato per l'analisi dei dati comportamentali educativi e la previsione delle prestazioni degli studenti. Fai clic qui per visualizzare una versione più grande di questa figura.

Figura 3: Il framework di apprendimento a rinforzo nello strato tecnico. Questo diagramma mostra il flusso di lavoro decisionale a ciclo chiuso del componente di apprendimento a rinforzo della piattaforma, utilizzato per ottimizzare le raccomandazioni di contenuti di apprendimento personalizzati e le strategie didattiche dinamiche. Fai clic qui per visualizzare una versione più grande di questa figura.

Figura 4: Il framework CNN-BiLSTM nello strato tecnico. Questo diagramma presenta la struttura sequenziale della rete di estrazione delle caratteristiche di base, progettata per elaborare dati comportamentali di apprendimento multimodali e prevedere livelli di carico cognitivo e competenza di padronanza in tempo reale. Fai clic qui per visualizzare una versione più grande di questa figura.

Discussion

Questo studio è stato ideato per testare l'ipotesi di ricerca centrale: che una piattaforma di apprendimento personalizzata abilitata da IA generativa possa ridurre significativamente il carico cognitivo degli studenti di ingegneria, migliorare l'efficienza di apprendimento e migliorare sia i risultati di apprendimento relativi all'EDS che l'esperienza di apprendimento complessiva, rispetto ai modelli di istruzione tradizionali non personalizzati. I nostri risultati randomizzati RCT forniscono un pieno supporto empirico per questa ipotesi, con tre risultati chiave direttamente allineati ai nostri esiti predefiniti. Primo, la personalizzazione continua della piattaforma guidata dall'analisi dell'apprendimento ha ridotto significativamente il carico cognitivo extraneo per gli studenti, come evidenziato dal 45% di miglioramento nell'efficienza di apprendimento (tempo per la padronanza delle conoscenze) nel gruppo di intervento rispetto al gruppo di controllo, un risultato che estende il lavoro precedente sulla mitigazione del carico cognitivo basata sull'IA in contesti educativi. Secondo, l'architettura unificata a tre livelli della piattaforma ha permesso un'istruzione personalizzata scalabile e pedagogicamente allineata, risultando in guadagni di apprendimento post-test significativamente più elevati (p < 0,001, Cohen's d = 1,02) e una maggiore attenzione al compito rispetto ai sistemi di gestione dell'apprendimento tradizionali, allineandosi e facendo avanzare la ricerca precedente sulle capacità di apprendimento adattivo dell'IA generativa. Terzo, il framework di competenza ESD incorporato e i moduli di progettazione ingegneristica sostenibile della piattaforma hanno fornito miglioramenti significativi nella consapevolezza della sostenibilità e nelle competenze di pensiero sistemico degli studenti, affrontando una lacuna critica nei piattaforme educative basate su IA esistenti, che hanno in gran parte trascurato l'integrazione dei risultati di sostenibilità nella progettazione architettura tecnica.

La ricerca esistente sull'IA generativa nell'istruzione si è prevalentemente concentrata sull'ottimizzazione funzionale incrementale di strumenti esistenti e casi di studio di applicazione isolati, senza un'architettura integrata unificata, scalabile e pedagogicamente robusta per i contesti di ESD ingegneristica. Il nostro lavoro va oltre questi studi precedenti in tre modi fondamentali. Primo, stabiliamo un paradigma architetturale a tre livelli standardizzato e replicabile che integra l'elaborazione dati multimodale, modelli di IA multi-paradigma e moduli funzionali allineati all'EDS in un sistema coeso, risolvendo i problemi diffusi di progettazione di moduli frammentati e scarsa interoperabilità tra scenari identificati nelle piattaforme precedenti. Secondo, forniamo prove rigorose di RCT sull'impatto causale dell'architettura IA generativa sia sui risultati di apprendimento cognitivi che affettivi, affrontando la scarsità di validazione empirica robusta delle piattaforme educative basate su IA nell'istruzione ingegneristica. Terzo, operiamo il collegamento tra la progettazione tecnica dell'IA generativa e i risultati di educazione alla sostenibilità, fornendo un blueprint pratico per incorporare la formazione sulle competenze ESD nell'architettura centrale delle piattaforme educative basate su IA, anziché trattarla come un supplemento aggiuntivo come nel lavoro precedente.

Il lavoro futuro si concentrerà sulla validazione su larga scala multi-istituzionale, l'integrazione dell'IA multimodale per l'apprendimento immersivo di progettazione ingegneristica sostenibile e la valutazione dell'impatto a lungo termine della ritenzione delle competenze ESD. Particolare attenzione sarà data alle considerazioni etiche come l'equità algoritmica, la privacy dei dati e la collaborazione uomo-IA per garantire un'implementazione responsabile. In definitiva, questa ricerca contribuisce alla costruzione di ambienti di apprendimento lifelong più efficaci, equi e sostenibili alimentati dall'IA generativa.

Domanda	Riassunto delle risposte (N=70)
Task 1. La piattaforma è facile e fluida da usare e hai incontrato problemi?	Media = 4,2 / 5; 83% ha segnalato "nessun problema grave"
Task 2. Pensi che la piattaforma offra una funzionalità più completa rispetto ad altre piattaforme?	Il 76% ha concordato che è più completa delle alternative
Task 3. Quanto sei soddisfatto complessivamente del feedback generato dall'IA?	Media = 4,0 / 5; 71% ha valutato ≥4
Task 4. Si prega di valutare la frequenza d'uso di ciascuno degli 8 moduli funzionali. (8 scale a 7 punti)	Il modulo 3 (D&R) è stato utilizzato di più (media 5,1/7); Il modulo 7 meno (2,3/7)
Task 5. Ti piacerebbe partecipare ai test di estensioni future della piattaforma o fornire un feedback più dettagliato?	L'89% ha espresso interesse
Task 6. L'uso della piattaforma è utile e promuove il tuo apprendimento?	Media = 4,4 / 5; L'87% ha concordato
Task 7. Ti piacerebbe usare la piattaforma per l'apprendimento su base continuativa in futuro?	L'81% ha detto "sì"

Tabella 1. I contenuti di 10 compiti nell'applicazione della piattaforma

I risultati quantitativi sono fortemente supportati dal feedback qualitativo degli utenti (Tabella 1). L'analisi delle risposte del sondaggio rivela un'alta soddisfazione degli utenti per l'usabilità e la funzionalità della piattaforma (Task 1 e 2), che si allinea con l'obiettivo di progettazione della piattaforma di dare priorità all'interazione centrata sull'utente, in particolare l'interfaccia intuitiva e la copertura funzionale completa che riducono le barriere all'adozione. I partecipanti hanno particolarmente apprezzato il feedback generato dall'IA e i percorsi di apprendimento personalizzati, con la maggioranza che ha riferito che la piattaforma è stata utile e ha promosso il loro apprendimento (Task 3 e 6). Questa ricezione positiva è cruciale, poiché l'accettazione da parte degli utenti è un fattore determinante fondamentale per l'adozione di successo di nuove tecnologie educative, che si allinea con i risultati di Smith et al.¹² e Cabrera et al.¹⁴ sui principali driver dell'adozione di strumenti IA generativa nell'istruzione superiore. Notabilmente, un'alta percentuale di utenti ha espresso il desiderio di continuare a utilizzare la piattaforma (Task 7), indicando la sua percepita sostenibilità come strumento di apprendimento a lungo termine. Questa convergenza di esperienza soggettiva positiva con metriche di performance obiettivo (riduzione del carico cognitivo, miglioramento dell'efficienza e guadagni nelle competenze ESD) rafforza la validità interna ed esterna degli obiettivi di progettazione della piattaforma e dei risultati di ricerca fondamentali.

Limitazioni e approcci metodologici alternativi
Diversi limiti di questo studio devono essere riconosciuti. Il campione di partecipanti era limitato a 50 studenti e 20 educatori di una singola istituzione, il che potrebbe influenzare la generalizzabilità dei risultati verso popolazioni più ampie e diversificate, una limitazione comune nelle valutazioni iniziali delle piattaforme²³. La durata dello studio, sebbene sufficiente per l'adozione iniziale, era inadeguata per valutare l'impatto educativo a lungo termine o la ritenzione delle competenze

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
A100 GPU (40 GB VRAM)	NVIDIA Corporation	900-4H100-0000-000	Utilizzato per ospitare i modelli AI principali all'interno del pipeline di elaborazione basato su server.
en_core_web_md (modello spaCy)	Explosion AI	https://spacy.io/models/en#en_core_web_md	Modello inglese accademico generale pre-addestrato utilizzato per tokenizzazione e lemmatizzazione. Versione: v3.5.
Python	Python Software Foundation	https://www.python.org/	Lingua di programmazione per l'ambiente software. Versione: 3.9.
Dataset SlimPajama	Cerebras Systems Inc.	https://www.cerebras.net/blog/cerebras-releases-slimpajama-a-cleaned-version-of-redpajama/	Corpus di pre-training aperto e di grandi dimensioni derivato da RedPajama.
spaCy	Explosion AI	https://spacy.io/	Libreria di Natural Language Processing per la pre-elaborazione del testo. Versione: 3.5.
TensorFlow	Google LLC	https://www.tensorflow.org/	Framework di apprendimento automatico open-source. Versione: 2.12.