مقاله انگلیسی با ترجمه موانع کلیدی یادگیری شخصی‌سازی‌شده در عصر هوش مصنوعی: مروری بر ادبیات

مشخصات مقاله  فهرست مطالب نمونه ترجمه مقاله انگلیسی خرید ترجمه مقالات مرتبط

عنوان فارسی:

موانع کلیدی یادگیری شخصی‌سازی‌شده در عصر هوش مصنوعی: مروری بر ادبیات

عنوان انگلیسی:

Key Barriers to Personalized Learning in Times of Artificial Intelligence: A Literature Review

کد محصول: M2009

سال نشر: 2025

نام ناشر (پایگاه داده): MDPI

نام مجله: Applied Sciences

نوع مقاله: علمی پژوهشی (Research Article)

متغیر : ندارد

فرضیه: ندارد

مدل مفهومی: ندارد

پرسشنامه : ندارد

تعداد صفحه انگلیسی:  16  صفحه PDF

تعداد صفحه ترجمه فارسی:   32 صفحه WORD

قیمت فایل ترجمه شده:  119000 تومان

برای دانلود رایگان مقاله انگلیسی بر روی دکمه ذیل کلیک نمایید

وضعیت ترجمه: این مقاله به صورت کامل ترجمه شده برای خرید ترجمه کامل مقاله بر روی دکمه ذیل کلیک نمایید (لینک دانلود بلافاصله بعد از خرید نمایش داده می شود)

مقالات مرتبط با این موضوع: برای مشاهده سایر مقالات مرتبط با این موضوع (با ترجمه و بدون ترجمه)  بر روی دکمه ذیل کلیک نمایید

چکیده 

یادگیری شخصی‌سازی شده (PL) به عنوان یک رویکرد امیدوارکننده برای رفع نیازهای آموزشی متنوع ظهور کرده است، و هوش مصنوعی (AI) نقشی محوری و فزاینده در اجرای آن ایفا می‌کند. این مرور نظام‌مند ادبیات، چشم‌انداز یادگیری شخصی‌سازی شده را در زمینه‌های مختلف آموزشی، با تمرکز بر استفاده از هوش مصنوعی و چالش‌های مرتبط با آن، بررسی می‌کند. با استفاده از دستورالعمل‌های PRISMA، 68 مطالعه تجربی منتشر شده بین سال‌های 2018 تا 2024 تحلیل شدند و همبستگی‌هایی را بین سطوح آکادمیک، روش‌های یادگیری، فناوری‌ها و موانع پیاده‌سازی آشکار ساختند. یافته‌های کلیدی عبارتند از: (الف) استفاده غالب از هوش مصنوعی در پیاده‌سازی‌های یادگیری شخصی‌سازی شده در آموزش عالی، (ب) ترجیح یادگیری ترکیبی در آموزش متوسطه و ابتدایی، (ج) تغییر از موانع فناورانه به موانع آموزشی در سطوح مختلف آموزشی، و (د) موانع روانشناختی پایدار در تمام زمینه‌ها. این مطالعه، بینش‌های ارزشمندی را برای مربیان، سیاست‌گذاران و پژوهشگران فراهم می‌کند و درکی جامع از وضعیت فعلی و مسیرهای آینده یادگیری شخصی‌سازی شده مبتنی بر هوش مصنوعی ارائه می‌دهد.

کلمات کلیدی: یادگیری شخصی‌سازی شده؛ هوش مصنوعی؛ آموزش 4.0؛ مرور نظام‌مند؛ یادگیری تطبیقی؛ فناوری آموزشی؛ آموزش عالی؛ نوآوری آموزشی.

Abstract: Personalized learning (PL) has emerged as a promising approach to address diverse educational needs, with artificial intelligence (AI) playing an increasingly pivotal role in its implementation. This systematic literature review examines the landscape of PL across various educational contexts, focusing on the use of AI and associated challenges. Using the PRISMA guidelines, 68 empirical studies published between 2018 and 2024 were analyzed, revealing correlations between academic levels, learning modalities, technologies, and implementation barriers. Key findings include (a) predominant use of AI in higher education PL implementations, (b) preference for blended learning in secondary and elementary education, (c) shift from technological to pedagogical barriers across educational levels, and (d) persistent psychological barriers across all contexts. This review provides valuable insights for educators, policymakers, and researchers, offering a comprehensive understanding of the current state and future directions of AI-driven personalized learning.

Keywords: personalized learning; artificial intelligence; education 4.0; systematic review; adaptive learning; educational technology; higher education; educational innovation

1.مقدمه

در بستر انقلاب صنعتی چهارم، شخصی‌سازی یادگیری از اهمیت ویژه‌ای برخوردار شده است، چرا که نشان‌دهنده ادغام فزاینده توانایی‌های انسانی با پیشرفت‌های فناورانه است [1]. این پدیده توسط فناوری‌های تحول‌آفرین مانند هوش مصنوعی (AI)، اینترنت اشیا، و رباتیک تحت تاثیر قرار می گیرد. هوش مصنوعی، که به عنوان توانایی ماشین‌ها برای پردازش داده‌ها از طریق الگوریتم‌ها، یادگیری از الگوها، و به‌کارگیری آن دانش در تصمیم‌گیری مشابه انسان‌ها تعریف می‌شود [2]، پیشرفت‌های چشمگیری داشته است. هوش مصنوعی از اولین سیستم‌های تدریس هوشمند تا محیط‌های یادگیری شخصی‌سازی شده [3]، فراهم‌آوری منابع و ارزیابی‌های متناسب با هر دانش‌آموز را تسهیل کرده است، و خود را با ویژگی ها، سبک یادگیری و سطوح شناختی آن‌ها تطبیق می‌دهد [4،5]. علاوه بر این، فناوری‌های ردیابی بیومتریک و زمینه ای ظهور کرده‌اند که امکان تشخیص احساسات و ترجیحات را فراهم می‌کنند، بنابراین به سیستم‌ها اجازه می‌دهند تا با دقت بیشتری با نیازهای دانش‌آموزان تنظیم شوند [6]…

1. Introduction In the context of the Fourth Industrial Revolution, the personalization of learning has become crucial, as it represents the increasing integration of human capabilities with technological advancements [1]. This phenomenon is driven by disruptive technologies such as artificial intelligence (AI), the Internet of Things, and robotics. AI, defined as the ability of machines to process data through algorithms, learn from patterns, and apply that knowledge in decision-making similarly to humans [2], has made significant advancements. From the first intelligent tutoring systems to personalized learning environments [3], AI has facilitated the provision of resources and assessments tailored to each student, adapting to their profile, learning style, and cognitive levels [4,5]. Moreover, biometric and contextual tracking technologies have emerged, enabling the detection of emotions and preferences, thus allowing systems to be adjusted more precisely to students’ needs [6]…

2.روش‌شناسی

این مرور نظام‌مند ادبیات (SLR) با پیروی از اصول بیانیه PRISMA [35] و روش‌شناسی‌ای که توسط کیچنهام و همکاران [36] و لیننلوک و همکاران [37] تشریح شده است، انجام گردید. این رویکرد به بررسی ساختاریافته پدیده از طریق جمع‌آوری، ارزیابی و خلاصه‌سازی نظام‌مند یافته‌های پژوهشی کمک می‌کند. این روش، دسترسی و درک شواهد را تسهیل کرده و از طریق پنج مرحله اصلی، دقت و صحت را تضمین می‌کند: (1) تدوین سوالات پژوهش، (2) طراحی پروتکل جستجو، (3) تعریف معیارهای ورود و خروج، (4) اجرای فرآیند انتخاب و استخراج داده‌ها، و در نهایت، (5) فرآیند ترکیب داده‌ها، همانطور که در شکل 1 نشان داده شده است….

2. Method This systematic literature review (SLR) was conducted following the principles of the PRISMA statement [35] and the methodology outlined by Kitchenham et al. [36] and Linnenluecke et al. [37], which facilitate a structured examination of the phenomenon by systematically collecting, evaluating, and summarizing research findings. This approach facilitates access to and understanding of the evidence, ensuring rigor through five main phases: (1) the formulation of research questions, (2) the design of a search protocol, (3) the definition of inclusion and exclusion criteria, (4) the execution of a selection and data extraction process, and finally, (5) a data synthesis process, as shown in Figure 1…

2.1. تدوین سوالات پژوهش

برای تحلیل تجربیات یادگیری شخصی‌سازی شده که توسط ادبیات از طریق یافته‌های پژوهش‌های تجربی آشکار شده‌اند، محققان چهار سوال را بر اساس معیارهای روش SMART برای تدوین سوالات پژوهش [38] تدوین کردند که در ادامه ارائه شده‌اند:

RQ1. چه روش‌های پژوهشی عمدتاً در مطالعات منتشر شده بین سال‌های 2018 تا 2024 استفاده می‌شوند، و چگونه آن‌ها به نتایج یادگیری شخصی‌سازی شده کمک می‌کنند؟

RQ2. چه فناوری‌هایی بیشتر در مطالعات منتشر شده بین سال‌های 2018 تا 2024 برای دستیابی به یادگیری شخصی‌سازی شده استفاده می‌شوند، و چگونه آن‌ها در زمینه‌های مختلف آموزشی به کار گرفته می‌شوند؟

RQ3. کدام روش‌های آموزشی (مثلاً آنلاین، ترکیبی، حضوری) بیشتر در مطالعات متمرکز بر یادگیری شخصی‌سازی شده بین سال‌های 2018 تا 2024 گزارش شده‌اند، و چه الگوها یا روندهایی را می‌توان شناسایی کرد؟

RQ4. چه موانعی برای اجرای یادگیری شخصی‌سازی شده در مطالعات منتشر شده بین سال‌های 2018 تا 2024 گزارش شده‌اند، و چگونه این موانع در سطوح یا مناطق آموزشی مختلف متفاوت هستند؟…

2.1. Formulation of Research Questions ; To analyze personalized learning experiences revealed by the literature through empirical research findings, the researchers formulated four questions, following the SMART method criteria for the formulation of research questions [38], which are presented below:

RQ1. What research methods are predominantly used in studies published between 2018 and 2024, and how do they contribute to the outcomes of personalized learning?

RQ2. Which technologies are most frequently utilized in studies published between 2018 and 2024 to achieve personalized learning, and how are they applied across different educational contexts?

RQ3. What instructional modalities (e.g., online, blended, face-to-face) are most commonly reported in studies focused on personalized learning between 2018 and 2024, and what patterns or trends can be identified?

RQ4. What barriers to the implementation of personalized learning are reported in studies published between 2018 and 2024, and how do these barriers vary across different educational levels or regions?

4.بحث

یافته‌های این مرور نظام‌مند ادبیات، بینش‌های ارزشمندی را در مورد چشم‌انداز کنونی اجرای یادگیری شخصی‌سازی شده در زمینه‌های مختلف آموزشی، به ویژه در مورد نقش هوش مصنوعی در تسهیل یادگیری شخصی‌سازی شده ، ارائه می‌دهد. نتایج بر تعامل بین سطوح تحصیلی، شیوه‌های یادگیری، فناوری‌های به کار گرفته شده و موانع موجود، تاکید می‌کند و پتانسیل و چالش‌های شخصی‌سازی مبتنی بر هوش مصنوعی در آموزش را نشان می‌دهد. برای درک بهتر پیامدهای گسترده‌تر، این بحث سه حوزه کلیدی را در نظر می‌گیرد: نقش مربیان، تأثیر سیاست‌گذاران، و مشارکت توسعه‌دهندگان فناوری…

4. Discussion The findings of this systematic literature review provide valuable insights into the current landscape of personalized learning implementation across various educational contexts, particularly concerning the role of artificial intelligence in facilitating PL. The results highlight the interplay between academic levels, learning modalities, technologies employed, and barriers encountered, demonstrating both the potential and challenges of AI-driven personalization in education. To better understand the broader implications, this discussion considers three key areas: the role of educators, the influence of policymakers, and the contributions of technology developers…

4.4. استراتژی‌هایی برای غلبه بر چالش‌ها

برای رسیدگی به چالش‌های شناسایی شده در نتایج، یک رویکرد چندوجهی ضروری است. یکی از استراتژی‌های کلیدی شامل سرمایه‌گذاری در برنامه‌های توسعه حرفه‌ای هدفمند است که بر سواد هوش مصنوعی و کاربردهای آموزشی آن تمرکز دارند. این طرح ها باید با کارگاه‌های عملی تکمیل شوند که در آن‌ها مربیان می‌توانند ابزارهای هوش مصنوعی را در محیط‌های شبیه‌سازی شده کلاسی آزمایش کنند. علاوه بر این، مؤسسات باید تیم‌های بین‌رشته‌ای متشکل از مربیان، متخصصان هوش مصنوعی و طراحان آموزشی را برای هم‌آفرینی برنامه‌های درسی یکپارچه مبتنی بر هوش مصنوعی که متناسب با نیازهای یادگیری متنوع هستند، تشکیل دهند…

4.4. Strategies to Overcome Challenges To address the challenges identified in the results, a multifaceted approach is necessary. One key strategy involves investing in targeted professional development programs that focus on AI literacy and its pedagogical applications. These initiatives should be complemented by hands-on workshops where educators can experiment with AI tools in simulated classroom settings. Additionally, institutions must establish interdisciplinary teams comprising educators, AI specialists, and instructional designers to co-develop AI-integrated curricula tailored to diverse learning needs…