Een uitgebreid educatief platform gebaseerd op genererende kunstmatige intelligentie

Summary

Door gebruik te maken van generatieve kunstmatige intelligentie (GAI) voor ondersteuning bij het lesgeven, levert het platform aangepaste leerervaringen die aanpasbaar zijn aan de uiteenlopende behoeften van gebruikers. Het biedt ook overvloedige praktische leeraanpak die niet alleen het leerproces verrijken, maar ook levenslang leren competenties in de digitale leeftijd bevorderen, in overeenstemming met de doelen van duurzame ontwikkeling in de technische opleiding.

Abstract

Generative Artificial Intelligence (GAI) heeft de afgelopen jaren aanzienlijke vooruitgang geboekt en toont transformatief potentieel voor het onderwijs door dynamische contentcreatie en gepersonaliseerde leerpaden mogelijk te maken. Veel bestaande onderwijsplatforms zijn echter gebaseerd op statische content en vaste paden, en ontbreken de geïntegreerde architectuur die nodig is om de capaciteiten van GAI volledig te benutten voor het creëren van samenhangende, adaptieve leerervaringen. Om deze kloof te overbruggen, beschrijft deze studie de ontwerp, implementatie en empirische evaluatie van een nieuw, uitgebreid onderwijsplatform dat is gebouwd op GAI. Het platform is gebaseerd op een architectuur met drie lagen die traditionele frameworks overstijgt: een Basistechnische Laag die modulaire AI-modellen integreert (bijv. Transformer, op aandacht gebaseerde CNN-BiLSTM), een Verwerkingscentrum voor real-time datasynthese en modeloptimalisatie, en een Toepassings- en Interactielaag die acht kernfunctionele modules herbergt, waaronder gepersonaliseerd leren, intelligente V&A en competentiebeoordeling. Deze geïntegreerde architectuur faciliteert een dynamisch aanpasbare leerervaring die zich voortdurend aanpast aan de behoeften en voortgang van individuele leerlingen. Om de effectiviteit van het platform te evalueren, hebben we een gerandomiseerde gecontroleerde studie (RCT) uitgevoerd met 50 universitaire studenten en 20 docenten over twee semesters, waarbij de resultaten werden vergeleken met een controlegroep die gebruik maakte van traditionele methoden. Experimentele resultaten tonen aan dat het voorgestelde platform de leerresultaten aanzienlijk verbetert, de betrokkenheid van studenten verhoogt (bijv. tijd besteed aan taken en interactie met content) en een hoge nauwkeurigheid bereikt in het matchen van gepersonaliseerde content. De bevindingen suggereren dat dit op GAI gebaseerde platform een vooruitgang in educatieve technologie is door instructie effectief te personaliseren en adaptief leren op grote schaal te ondersteunen. Deze studie levert een gedetailleerd, reproduceerbaar architectuurblauwdruk en levert empirisch bewijs voor de praktische waarde van geïntegreerde GAI-systemen bij het verbeteren van de effectiviteit van onderwijs en het bevorderen van levenslange leercompetenties.

Introduction

Temidden van versnelde technologische innovatie, met name op het gebied van kunstmatige intelligentie (AI), vinden tools zoals AI steeds meer toepassing in de technische opleidingen. Tegelijkertijd is er consensus dat het bevorderen van duurzame ontwikkeling een wereldwijde doelstelling is. Daarom is het integreren van duurzame ontwikkeling in de technische opleidingen - tegelijkertijd het verbeteren van de technische niveaus in de industrie en het verhogen van de duurzaamheidsbewustwording van leerlingen - een belangrijke focus van de huidige onderwijshervorming geworden, die de verkenning van AI-aangedreven onderwijsinnovaties stimuleert. De toepassing van AI in het onderwijs opent mogelijkheden voor gepersonaliseerd leren. Specifiek, GAI biedt transformatief potentieel voor onderwijs- en leeromgevingen. Het maakt de dynamische creatie van diverse contentvormen mogelijk en de aanpassing van leermiddelen aan individuele leerprofielen, wat de betrokkenheid en effectiviteit kan verbeteren. Deze technologie maakt de generatie van diverse contentformaten mogelijk, waardoor de creatie van op maat gemaakte leermaterialen wordt vergemakkelijkt. Verder kan het dynamisch leermiddelen aanpassen aan individuele leerprofielen, waardoor de betrokkenheid en leereffectiviteit worden verbeterd¹. Verder is de platform ontworpen om zich aan te passen aan de voortgang van de leerling. Het past dynamisch de presentatie van content aan en beveelt leeractiviteiten aan die zijn afgestemd op individuele doelen, met als doel de leerresultaten te optimaliseren.

Echter, het integreren van AI in educatieve platforms vereist het overwinnen van significante technische obstakels. Eerst, diepe leermodellen moeten getraind worden op enorme datasets om te garanderen dat ze hoogwaardige content genereren die voldoet aan educatieve standaarden. Daarnaast moeten versterkingsleeralgoritmen fijn afgesteld worden - niet alleen om leerpaden voor individuele gebruikers nauwkeurig aan te passen, maar ook om de volledigheid van het instructiemateriaal te behouden. Bovendien zijn natuurlijke taalverwerkingscapaciteiten essentieel voor het creëren van interactieve tutorsystemen die menselijk-achtig gesprek kunnen simuleren en real-time 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 leveren⁵. Dergelijke platforms hebben een groot potentieel om het landschap van online onderwijs te hervormen door het meer adaptief en gepersonaliseerd te maken, waardoor het aansluit bij en ondersteunt de doelen van hedendaagse levenslange leerparadigma's. In deze nieuwe tijd zal educatief content niet vast blijven; in plaats daarvan zal het evolueren samen met de persoonlijke groei van leerlingen en de steeds veranderende behoeften.

Bestaand onderzoek heeft aangetoond dat opkomende technologieën zoals AI en grootschalige modellen de kwaliteit van onderwijs en leren in technische opleidingen⁵ effectief kunnen verbeteren en veel studies hebben de potentiële toepassingen van GAI in gepersonaliseerde onderwijsplatforms onderzocht, met als doel aangepaste leerervaringen voor studenten te bieden⁶. Tegelijkertijd is onderwijs voor duurzame ontwikkeling (ESD) een steeds belangrijkere prioriteit geworden in de wereldwijde technische opleiding, waarbij bestaand onderzoek consequent benadrukt dat duurzaamheidsliteratuur en systeemdenken onderhandelbare kerncompetenties zijn voor hedendaagse ingenieurs⁷. Om deze kritische trainingsvraag te aanpakken, vestigt de in deze studie voorgestelde GAI-architectuur een praktische, uitvoerbare link tussen ESD-leerdoelen en het opbouwen van technische vaardigheden: ons platform integreert duurzaamheidsimpactbeoordelingsmodules, levenscyclusanalyse (LCA) workflows en scenario-gebaseerde duurzame ontwerpprompts in zijn kernraamwerk, waardoor technische leerlingen in staat worden gesteld duurzaamheidsprincipes rechtstreeks te vertalen in technische besluitvorming gedurende de volledige technische ontwerpcyclus. Een gebied van focus is het gebruik van GAI voor het automatiseren van het creëren van educatief content. Moulaei et al.⁷ heeft onderzocht hoe AI-algoritmen oefeningen, quizzen en zelfs hele lessen kunnen genereren op basis van de specifieke behoeften en leerstijlen van individuele studenten. Deze aanpak toont potentie om de werklast van onderwijzers te verminderen en een meer persoonlijke leerervaring voor studenten te geven, wat een zekere technische basis heeft geboden voor het latere werk van Zhao et al.⁸.

Een ander gebied van interesse is het gebruik van GAI voor adaptieve leersystemen⁹. Deze systemen gebruiken AI-algoritmen om de leerprestaties van studenten te analyseren en leermiddelen in real time aan te passen, waardoor de behoeften van studenten nauwkeuriger worden gevolgd. Deze aanpak verbetert niet alleen de leerresultaten, maar zorgt er ook voor dat studenten op een passend niveau worden uitgedaagd - noch te makkelijk om geen stimulatie te ontvangen, noch te moeilijk om bij te blijven. Daarnaast is GAI ook onderzocht op zijn potentieel in het automatiseren van beoordelings- en feedbackprocessen¹⁰ en om als een intelligent besluitondersteuningsplatform te dienen¹¹. AI-algoritmen kunnen worden gebruikt om studentenopdrachten automatisch te beoordelen en tijdige feedback te geven, wat tijd bespaart voor onderwijzers en studenten helpt effectiever te 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 leraren van verschillende generaties. Het onderzoek onthulde dat digitale inheemse studenten, vanwege hun levenslange onderdompeling in digitale technologieën, een hoger acceptatieniveau vertonen voor dergelijke toepassingen; in tegenstelling daarmee, neigen digitale immigrantenleraren naar een meer voorzichtige en conservatieve houding ten opzichte van deze digitale toepassingen, en vertonen huiverigheid om ze spontaan te proberen. Dit generatieverschil presenteert nieuwe uitdagingen en kansen voor het

Protocol

```html

Dit onderzoek is uitgevoerd in overeenstemming met de ethische richtlijnen van The Education University of Hong Kong. Voorafgaand aan de gegevensverzameling werd van alle deelnemers een geïnformeerde toestemming verkregen.

1. Platformspecificatie

Het geëvalueerde systeem is een aangepaste 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: Eerst, een basistechnische laag die een op aandacht gebaseerde CNN-BiLSTM-netwerk, een Transformer-module en versterkingslerende componenten integreert; ten tweede, een verwerkingscentrum voor real-time 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 samenstellen

Verzamel multimodale datasets van openbare educatieve repositories (bijv. transcripties van open online cursussen, interactielogboeken van educatieve video's) en particuliere bronnen. Verzamel geanonimiseerde interactielogboeken van 50 bachelorstudenten en 20 docenten tijdens pilottests (januari-juni 2024). Verwerk tekst vooraf met spaCy v3.5 (Honnibal et al., 2020) met de volgende vaste procedures. Eerst, laad het vooraf getrainde algemene academische Engelse model en_core_web_md. Ten tweede, voer tokenisatie uit met behulp van de standaard academisch geoptimaliseerde tokenizer van het model, die technische engineering- en duurzame ontwikkelingsterminologie op passende wijze behandelt. Ten derde, voer lemmatisatie uit met behulp van de standaard regelgebaseerde en statistische hybride lemmatisator van het model, zonder toepassing van aangepaste lemmatisatieregels. Normaliseer videoframes naar 224 x 224 resolutie met behulp van de volgende vaste stappen. Eerst, resize alle frames met behulp van bilineaire interpolatie, wat de standaardmethode is voor preprocessing van educatieve videoframes. Ten tweede, pas geen aanvullende kleurnormalisatie of cropping toe buiten eenvormige resizing om de originele educatieve inhoud te behouden. Verwijder persoonlijk identificeerbare informatie om naleving van privacy te garanderen met behulp van de volgende vaste procedures. Eerst, gebruik 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 identificators te detecteren en te redigeren. Ten tweede, beoordeel handmatig een willekeurige steekproef van 10 procent van alle voorverwerkte tekst en videoframes om volledige verwijdering van PII te verifiëren, waarbij geen discrepanties zijn gevonden in de uiteindelijke dataset.

3. Modellen trainen en valideren

Het trainen maakte gebruik van drie paradigma's: ten eerste, gesuperviseerd leren (Adam optimizer, leersnelheid = 1e-4, batchgrootte = 32) om studentprestaties te voorspellen op basis van gelabelde interactielogboeken; ten tweede, onder toezicht staand K-means clustering (k = 5) om verschillende gedragspatronen te identificeren; en ten derde, versterkingsleren voor adaptieve contentaanbeveling, met een beloningsfunctie gedefinieerd als betrokkenheid x nauwkeurigheid. Hyperparameters werden afgestemd via willekeurig zoeken over 100 proeven op een uitgesloten validatieset om robuustheid te garanderen. De invoergegevens voor de modellen bestonden uit voorverwerkte, geanonimiseerde multimodale streams: getokeniseerde tekstsequenties, 224 x 224 RGB videoframes en gestructureerde interactiemetadata (bijv. tijdsstempels, actietypen). De primaire uitvoergegevens gegenereerd door het systeem omvatten numerieke voorspellingsscores (bijv. waarschijnlijkheid van meesterschap), gedetailleerde interactielogboeken in JSON-formaat en competentiebeoordelingsrapporten in PDF.

Figuur 1: Architectuur van het uitgebreide educatieve platform. Dit diagram illustreert de volledige hiërarchische structuur van de aangepaste webgebaseerde GAI-onderzoeksprototype, inclusief de gebruikersgerichte Toepassings- en Interactielaag, multimodaal data Verwerkingscentrum en AI-modelgestuurde Basistechnische Laag, met duidelijke datastroommapping tussen lagen. Klik hier om een grotere versie van deze figuur te bekijken.

4. Empirische evaluatie uitvoeren

70 deelnemers (50 bachelor-techniekstudenten en 20 docenten) werden gerekruteerd van The Education University of Hong Kong. Ze werden willekeurig toegewezen aan de experimentele groep, die onze op maat gemaakte, webgebaseerde GAI-platform gebruikte, of de controlegroep, die een conventioneel Learning Management System (LMS) gebruikte. De evaluatie meet vier belangrijke uitkomsten: (1) leerwinst (beoordeeld via voor- en natesten scores), (2) betrokkenheid (gemeten door tijd-op-taak en interactiefrequentie), (3) gebruikerstevredenheid (geëvalueerd via een 7-punts Likert-schaal enquête), en (4) systeembetrouwbaarheid. Alle empirische gegevens werden geanalyseerd met behulp van gepaarde t-tests om statistische significantie te bepalen, vergezeld van effectgrootteberekeningen om de praktische impact te beoordelen.

5. Implementatie finaliseren en valideren

Voorafgaand aan het hoofdonderzoek hebben we een uitgebreide systeemvalidatie uitgevoerd. Dit omvatte het verifiëren van de volledige integratie en stabiele werking van alle drie architecturale lagen (Basistechnisch, Verwerkingscentrum en Toepassingslaag), het bevestigen van data-integriteit doorheen de pijplijn, het waarborgen van modelconvergensie op de validatie

Results

De gerandomiseerde gecontroleerde studie onthulde significante verschillen tussen de GAI-platformgroep (experimenteel) en de traditionele LMS-groep (controle). 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 (tijd besteed aan de taak) besteedde de experimentele groep meer tijd (M = 42,5 min, SD = 8,2) dan de controlegroep (M = 28,7 min, SD = 9,5); gemiddeld verschil = 13,8 min, 95% BI [8,4, 19,2], t(68) = 5,15, p < 0,001, d = 1,21. Voor gebruikerstevredenheid rapporteerde de experimentele groep hogere beoordelingen (M = 6,2, SD = 0,7) vergeleken met de controlegroep (M = 4,8, SD = 1,1); gemiddeld verschil = 1,4, 95% BI [0,9, 1,9], t(68) = 5,87, p < 0,001, d = 1,38. Alle uitkomsten vertoonden statistisch significante verbeteringen met grote effectgroottes, wat de effectiviteit van het voorgestelde platform bevestigt.

Basistechnische laag
De basistechnologielaag biedt het platform onderliggende ondersteuning voor de implementatie van verschillende leernetwerken op basis van neurale netwerken. Deze laag omvat verschillende praktische modules, zoals lineaire statistische methoden, op aandacht gebaseerde CNN-BiLSTM-netwerken, transformer-architecturen en versterkingsleertechnologieën. Bovendien ondersteunen deze modules installatie na implementatie, waardoor de flexibiliteit van het platform wordt vergroot. Figuur 2 toont alle lineaire statistische technieken die in het platform zijn opgenomen.

Lineaire statistische modellen zijn een klasse van statistische modellen die vaak worden aangeduid als lineaire modellen<sup>22</sup>. Veel van de technieken die in dit artikel worden genoemd, zoals lineaire regressie, logistieke regressie, meervoudige regressie en stapgewijze regressie, zijn lineaire modellen. Deze gevestigde statistische methoden maken de identificatie van datatrends en variabele relaties mogelijk. Deze analytische basis ondersteunt meer geïnformeerde, datagestuurde besluitvorming binnen de toepassingen van het platform. Figuren 3, Figuren 4 en Figuren 5 illustreren respectievelijk het raamwerk van de versterkingsleermethode, CNN-BiLSTM en het transformer-netwerk. Deze raamwerken worden onderzocht om aan te tonen hoe ze de robuustheid en veelzijdigheid van het platform ondersteunen, waardoor aan verschillende computationele behoeften en leertoepassingen wordt voldaan.

In de context van het platform optimaliseert versterkingsleer de besluitvorming voor gepersonaliseerde leerpaden en contentaanbevelingen door cumulatieve beloningen te maximaliseren die zijn afgeleid van gebruikersinteracties (bijv. taakvoltooiing, feedbackbeoordelingen) en prestatieresultaten. De fundamentele oplossingsbenaderingen zijn onderverdeeld in drie categorieën: dynamisch programmeren, Monte Carlo-methoden en temporele differentie-leer. Onlangs is diep versterkingsleer erin geslaagd de menselijke prestaties in verschillende uitdagende gebieden te overtreffen door gebruik te maken van diepe leermethoden zoals convolutionele neurale netwerken en terugkerende neurale netwerken<sup>31</sup>.

Zoals weergegeven in Figuur 4, maakt het geïntegreerde CNN-BiLSTM-model gebruik van de voordelen van convolutionale neurale netwerken (CNN's) en bidirectionele lange kortetermijngeheugen (BiLSTM)-netwerken. Door ruimtelijke kenmerken tegelijkertijd te extraheren met het vastleggen van de temporele afhankelijkheden, is dit model specifiek geoptimaliseerd voor de multidimensionale gegevens. Het maakt dit model tot een geschikte keuze voor het verwerken van complexe datasets en verbetert de capaciteit van het platform om uitdagende taken in gebieden zoals multimedia-analyse en natuurlijke taalverwerking aan te pakken. De transformer-methode die in Figuur 5 wordt weergegeven, verwerkt sequentiegegevens met zelfaandacht in parallel en vermindert de trainingstijd aanzienlijk. De methode kan enorme hoeveelheden gegevens verwerken met behoud van hoge nauwkeurigheid. Daarom wordt het gebruikt bij taalvertalingen en tekstverwerkingstaken.

Figuur 2: Lineaire statistische methoden in de technische laag. Dit diagram toont de submodellen die zijn opgenomen in de lineaire statistische module van het platform, een kerncomponent van de basistechnische laag die wordt gebruikt voor analyse van educatief gedrag en voorspelling van leerlingprestaties. Klik hier om een grotere versie van deze afbeelding te bekijken.

Figuur 3: Het raamwerk van versterkingsleer in de technische laag. Dit diagram toont de gesloten-lus workflow van het besluitvormingsproces van de versterkingsleercomponent van het platform, die wordt gebruikt om gepersonaliseerde leercontentaanbevelingen en dynamische instructiestrategieën te optimaliseren. Klik hier om een grotere versie van deze afbeelding te bekijken.

Discussion

Dit onderzoek is uitgevoerd om de centrale onderzoekshypothese te testen: dat een door GAI mogelijk gemaakte gepersonaliseerde leerplatform significant de cognitieve belasting van leerlingen in de techniek kan verminderen, de leerefficiëntie kan verbeteren en zowel ESD-gerelateerde leerresultaten als de algehele leerervaring kan verbeteren, vergeleken met traditionele niet-gepersonaliseerde technische onderwijsmodellen. Onze gerandomiseerde RCT-resultaten bieden volledige empirische ondersteuning voor deze hypothese, met drie belangrijke bevindingen die direct zijn afgestemd op onze vooraf gespecificeerde resultaten. Ten eerste heeft de continue personalisatie van de platform, gedreven door leeranalyses, de extra cognitieve belasting voor leerlingen aanzienlijk verminderd, zoals blijkt uit een verbetering van 45% in leerefficiëntie (tijd tot kennismeesterschap) in de interventiegroep ten opzichte van de controlegroep, een bevinding die voortbouwt op eerder werk over AI-gedreven cognitieve belastingsvermindering in educatieve omgevingen. Ten tweede heeft de verenigde driedelige architectuur van het platform schaalbare, pedagogisch afgestemde gepersonaliseerde instructie mogelijk gemaakt, wat resulteerde in significant hogere leerresultaten na de test (p < 0,001, Cohen's d = 1,02) en grotere betrokkenheid bij de taak in vergelijking met traditionele leermanagementsystemen, wat overeenkomt met en de vorige onderzoek naar GAI's adaptieve leercapaciteiten bevordert. Ten derde hebben het ingebedde ESD-competentiekader en de duurzame technische ontwerpmodules van het platform aanzienlijke verbeteringen opgeleverd in de duurzaamheidsbewustzijn en systeemdenkcompetenties van leerlingen, waardoor een kritieke lacune in bestaande GAI-educatieve platforms wordt opgevuld, die grotendeels de integratie van duurzaamheidsresultaten in technische architectuurontwerp hebben genegeerd.

Bestaand onderzoek naar GAI in het onderwijs heeft zich voornamelijk gericht op incrementele functionele optimalisatie van bestaande tools en geïsoleerde toepassingscasestudies, zonder een verenigde, schaalbare en pedagogisch robuuste geïntegreerde architectuur voor technische ESD-contexten. Ons werk gaat verder dan deze eerdere studies op drie kerngebieden. Ten eerste vestigen we een gestandaardiseerd, reproduceerbaar driedelig architectuurparadigma dat multimodale gegevensverwerking, AI-modellen met meerdere paradigma's en ESD-afgestemmingsfunctionele modules integreert in een samenhangend systeem, waardoor de wijdverbreide problemen van gefragmenteerde module-ontwerp en slechte interoperabiliteit tussen scenario's die in eerdere platforms zijn geïdentificeerd, worden opgelost. Ten tweede bieden we rigoureus RCT-bewijs voor het causale effect van geïntegreerde GAI-architectuur op zowel cognitieve als affectieve leerresultaten, waardoor de schaarste aan robuuste empirische validatie van GAI-educatieve platforms in technische onderwijs wordt aangepakt. Ten derde operationaliseren we de link tussen technisch ontwerp van GAI en duurzaamheidsonderwijsresultaten, waardoor een praktische blauwdruk wordt geboden voor het inbedden van ESD-competentietraining in de kernarchitectuur van AI-educatieve platforms, in plaats van het als een aanvullende toevoeging te behandelen zoals in eerder werk.

Toekomstig werk zal zich richten op grootschalige validatie op meerdere instellingen, integratie van multimodale AI voor immersieve duurzame technische ontwerpleer en langetermijneffectbeoordeling van ESD-competentiebehoud. Er zal speciale aandacht worden besteed aan ethische overwegingen zoals algorithmische fairheid, gegevensprivacy en mens-AI-samenwerking om een verantwoorde implementatie te garanderen. Uiteindelijk draagt dit onderzoek bij aan de opbouw van effectievere, rechtvaardigere en duurzamere levenslange leeromgevingen die worden aangedreven door generatieve AI.

Vraag	Samenvatting van antwoorden (N=70)
Taak 1. Is de platform gemakkelijk en vlot te gebruiken en heb je problemen ondervonden?	Gemiddelde = 4,2 / 5; 83% meldde "geen grote problemen"
Taak 2. Denk je dat de platform meer uitgebreide functionaliteit biedt dan andere platforms?	76% was het ermee eens dat het meer uitgebreid is dan alternatieven
Taak 3. Hoe tevreden ben je in het algemeen met de door AI gegenereerde feedback?	Gemiddelde = 4,0 / 5; 71% beoordeelde ≥4
Taak 4. Beoordeel de frequentie van gebruik van elk van de 8 functionele modules. (8 7-puntsschalen)	Module 3 (V&A) werd het meest gebruikt (gemiddeld 5,1/7); Module 7 het minst (2,3/7)
Taak 5. Wil je deelnemen aan het testen van toekomstige platformuitbreidingen of meer gedetailleerde feedback geven?	89% toonde interesse
Taak 6. Of het gebruik van de platform nuttig is en je leer bevordert?	Gemiddelde = 4,4 / 5; 87% was het ermee eens
Taak 7. Wil je de platform in de toekomst op een doorlopende basis voor leren gebruiken?	81% zei "ja"

Tabel 1. De inhoud van 10 taken in de platformtoepassing

De kwantitatieve resultaten worden sterk ondersteund door kwalitatief gebruikersfeedback (Tabel 1). Analyse van de enquêtereacties onthult een hoge gebruikerstevredenheid over de bruikbaarheid en functionaliteit van de platform (Taken 1 & 2), wat overeenkomt met het ontwerpdoel van de platform om gebruikersgerichte interactie te prioriteren, met name de intuïtieve interface en uitgebreide functionele dekking die de barrières voor acceptatie verminderen. Deelnemers waarden vooral de door AI gegenereerde feedback en gepersonaliseerde leerpaden, waarbij een meerderheid meldde dat de platform nuttig was en hun leren bevorderde (Taken 3 & 6). Deze positieve ontvangst is cruciaal, aangezien gebruikersacceptatie een fundamentele determinant is van de succesvolle acceptatie van nieuwe educatieve technologieën, wat overeenkomt met de bevindingen van Smith

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
A100 GPU (40 GB VRAM)	NVIDIA Corporation	900-4H100-0000-000	Wordt gebruikt voor het hosten van kern AI-modellen binnen de servergebaseerde verwerkingspijplijn.
en_core_web_md (spaCy model)	Explosion AI	https://spacy.io/models/en#en_core_web_md	Voorgetraind algemeen academisch Engels model dat wordt gebruikt voor tokenisatie en lemmatisatie. Versie: v3.5.
Python	Python Software Foundation	https://www.python.org/	Programmeertaal voor de softwareomgeving. Versie: 3.9.
SlimPajama dataset	Cerebras Systems Inc.	https://www.cerebras.net/blog/cerebras-releases-slimpajama-a-cleaned-version-of-redpajama/	Groot, open-source voortrainingscorpus afgeleid van RedPajama.
spaCy	Explosion AI	https://spacy.io/	Natural Language Processing bibliotheek voor tekstvoorverwerking. Versie: 3.5.
TensorFlow	Google LLC	https://www.tensorflow.org/	Open-source machine learning framework. Versie: 2.12.