چالشهای فنی پیادهسازی ابزارهای هوش مصنوعی در آموزش حضوری و مجازی (یک مرور نظاممند) | ||
| پژوهش در روشهای آموزش | ||
| دوره 3، شماره 5 - شماره پیاپی 13، اسفند 1404، صفحه 4-18 اصل مقاله (1.52 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22091/jrim.2026.13803.1371 | ||
| نویسنده | ||
| رحیم کریمی* | ||
| دانش آموخته رشته مدیریت آموزشی ، واحد اصفهان(خوراسگان)، دانشگاه آزاد اسلامی، اصفهان، ایران | ||
| چکیده | ||
| در پی تحول دیجیتال نظامهای آموزشی، هوش مصنوعی به عنوان یک رکن اصلی نوآوری مطرح شده است؛ با این حال، پیادهسازی عملی آن با موانع فنی پیچیدهای در هر دو محیط حضوری و مجازی روبهرو است. این مطالعه با هدف شناسایی و تحلیل این چالشها و ارائه راهکارهای مبتنی بر شواهد، به انجام یک مرور نظاممند (SLR) پرداخت. پژوهش حاضر با هدف شناسایی و تحلیل عمیق چالشهای فنی بهکارگیری ابزارهای هوش مصنوعی در این دو محیط آموزشی و ارائه راهکارهای مبتنی بر شواهد برای غلبه بر آنها انجام شده است. این مطالعه از روش مرور نظاممند ادبیات [1] بهره میبرد. جستجو در پایگاههای داده IEEE Xplore، ScienceDirect و Springer با کلیدواژههای تخصصی انجام و از پروتکل PRISMA برای غربالگری مقالات منتشرشده بین سالهای ۲۰۲۰ تا ۲۰۲۵ استفاده شد که در نهایت از میان ۱۰۳۵ مقاله شناساییشده، ۳۰ مقاله واجد شرایط برای تحلیل نهایی انتخاب گردید. یافتهها شش دسته چالش فنی اصلی را نشان داد: مسائل مرتبط با داده (حریم خصوصی، امنیت، کیفیت، سوگیری)، محدودیتهای زیرساختی، مشکلات الگوریتمی و مدلسازی (شامل مشکل جعبه سیاه)، دشواریهای یکپارچهسازی با سامانههای مدیریت یادگیری، چالشهای تجربه کاربری برای کاربران غیرفنی و مسائل نگهداری و مقیاسپذیری در بلندمدت. همچنین مشخص شد که در محیطهای مجازی، تأخیر شبکه و امنیت دادهها بحرانیتر است، در حالی که در محیطهای حضوری، یکپارچهسازی با سختافزارهای کلاسی چالش بزرگتری ایجاد میکند. نتیجهگیری کلی حاکی از آن است که موفقیت در پیادهسازی هوش مصنوعی مستلزم رویکردی همهجانبه شامل سرمایهگذاری در زیرساخت، تدوین استانداردهای داده، توسعه مدلهای قابل توضیح[2] (XAI)[3]، طراحی پلتفرمهای تعاملپذیر و آموزش فنی مربیان است. این چارچوب تحلیلی میتواند راهنمای مدیران فناوری، سیاستگذاران و توسعهدهندگان در تدوین راهبردهای واقعبینانه و کارآمد باشد. | ||
تازه های تحقیق | ||
این پژوهش با هدف شناسایی و تحلیل نظاممند چالشهای فنی پیادهسازی هوش مصنوعی در محیطهای آموزشی حضوری و مجازی انجام شد. یافتههای حاصل از مرور جامع ادبیات، تصویری چندبعدی و به هم پیوسته از این موانع ارائه میدهد که در شش دسته اصلی چالشهای داده، زیرساخت، الگوریتم، یکپارچهسازی، تجربه کاربری و نگهداری دستهبندی شدند. تحلیل این یافتهها نشان میدهد که گذار به آموزش هوشمند، بیش از آنکه یک خرید فناوری ساده باشد، یک فرآیند پیچیده «مهندسی مجدد سیستمهای فنی-اجتماعی» است. | ||
| کلیدواژهها | ||
| هوش مصنوعی در آموزش؛ چالشهای فنی؛ آموزش مجازی؛ آموزش حضوری؛ یکپارچهسازی سیستم؛ امنیت داده؛ مرور نظاممند | ||
| عنوان مقاله [English] | ||
| Technical Challenges of Implementing Artificial Intelligence Tools in Face-to-Face and Virtual Education: A Systematic Review | ||
| نویسندگان [English] | ||
| Rahim Karimi | ||
| Department of Educational Management, Isfahan (Khorasgan) Branch, Islamic Azad University, Isfahan, | ||
| چکیده [English] | ||
| The digital transformation of educational systems has positioned Artificial Intelligence (AI) as a cornerstone of innovation. Despite its considerable potential in personalizing learning, optimizing assessment processes, and empowering teachers, the practical implementation of AI faces complex technical barriers. These barriers vary in nature and intensity across face-to-face and virtual learning environments. This study aims to identify and critically analyze the technical challenges of integrating AI tools in both contexts and to propose evidence-based strategies to overcome them. The research employs a Systematic Literature Review (SLR). Reputable databases, including IEEE Xplore, ScienceDirect, and Springer, were searched using specialized keywords and Boolean operators. Studies published between 2020 and 2025 that specifically addressed technical barriers to AI adoption in education were screened according to inclusion and exclusion criteria. The selection process was documented using the PRISMA flow diagram. The analysis revealed six main categories of technical challenges: (1) data-related issues, including privacy, security, quality, and bias; (2) infrastructural challenges, such as high computational power and stable bandwidth requirements; (3) algorithmic and modeling issues, including the opacity of models (black-box problem) and reliability concerns; (4) integration and interoperability challenges with existing Learning Management Systems (LMS); (5) user experience (UX) and user interface (UI) issues for non-technical stakeholders; and (6) challenges of long-term maintenance, scalability, and technical sustainability. Results further indicated that, in virtual settings, network latency and data security are more critical, whereas in face-to-face settings, integration with classroom hardware poses greater challenges. Successful implementation of AI in education requires a comprehensive and multidimensional approach that extends beyond tool selection. Key strategies include investing in robust infrastructures, establishing data standards, developing explainable AI (XAI) models, designing modular platforms with high interoperability, and providing technical training for teachers. By offering an analytical framework of technical barriers, this study supports IT managers, educational policymakers, and software developers in designing more efficient and realistic AI implementation strategies | ||
| کلیدواژهها [English] | ||
| artificial intelligence in education, technical challenges, virtual learning, face-to-face learning, system integration, data security, systematic review | ||
| مراجع | ||
|
Ahmad, K., Iqbal, W., El-Hassan, A., Qadir, J., Benhaddou, D., Ayyash, M., & Al-Fuqaha, A. (2024). Data-driven artificial intelligence in education: A comprehensive review. IEEE Transactions on Learning Technologies, 17, 12–31. https://doi.org/10.1109/TLT.2023.3314610 Ahmad, S., Rahmat, M., Mubarik, M., Alam, M., & Hyder, S. (2021). Artificial intelligence and its role in education. Sustainability, 13(22), 12902. https://doi.org/10.3390/su132212902 Bahroun, Z., Anane, C., Ahmed, V., & Zacca, A. (2023). Transforming education: A comprehensive review of generative artificial intelligence in educational settings through bibliometric and content analysis. Sustainability, 15(17), 12983. https://doi.org/10.3390/su151712983 Bates, T., Cobo, C., Mariño, O., & Wheeler, S. (2020). Can artificial intelligence transform higher education? International Journal of Educational Technology in Higher Education, 17, 42. https://doi.org/10.1186/s41239-020-00218-x Celik, I. (2022). Towards Intelligent-TPACK: An empirical study on teachers' professional knowledge to ethically integrate artificial intelligence (AI)-based tools into education. Computers in Human Behavior, 138, 107468. https://doi.org/10.1016/j.chb.2022.107468 Chen, L., Chen, P., & Lin, Z. (2020). Artificial intelligence in education: A review. IEEE Access, 8, 75264–75278. https://doi.org/10.1109/ACCESS.2020.2988510 Crompton, H., & Burke, D. (2023). Artificial intelligence in higher education: The state of the field. International Journal of Educational Technology in Higher Education, 20, 22. https://doi.org/10.1186/s41239-023-00392-8 Crompton, H., Jones, M., & Burke, D. (2022). Affordances and challenges of artificial intelligence in K-12 education: A systematic review. Journal of Research on Technology in Education, 56(2), 248–268. https://doi.org/10.1080/15391523.2022.2121344 Fan, O., Zheng, L., & Jiao, P. (2022). Artificial intelligence in online higher education: A systematic review of empirical research from 2011 to 2020. Education and Information Technologies, 27, 7893–7925. https://doi.org/10.1007/s10639-022-10925-9 Guan, C., Mou, J., & Jiang, Z. (2020). Artificial intelligence innovation in education: A twenty-year data-driven historical analysis. International Journal of Innovation Studies, 4(4), 134–147. https://doi.org/10.1016/J.IJIS.2020.09.001 Kamalov, F., Calonge, D., & Gurrib, I. (2023). New era of artificial intelligence in education: Towards a sustainable multifaceted revolution. Sustainability, 15(16), 12451. https://doi.org/10.3390/su151612451 Ruiz-Rojas, L., Acosta-Vargas, P., De-Moreta-Llovet, J., & González-Rodríguez, M. (2023). Empowering education with generative artificial intelligence tools: Approach with an instructional design matrix. Sustainability, 15(15), 11524. https://doi.org/10.3390/su151511524 Tapalova, O., & Zhiyenbayeva, N. (2022). Artificial intelligence in education: AIEd for personalised learning pathways. Electronic Journal of E-Learning, 20(5), 536–548. https://doi.org/10.34190/ejel.20.5.2597 Wang, S., Wang, F., Zhu, Z., Wang, J., Tran, T., & Du, Z. (2024). Artificial intelligence in education: A systematic literature review. Expert Systems with Applications, 252, 124167. https://doi.org/10.1016/j.eswa.2024.124167 Yim, I. H., & Su, J. (2024). Artificial intelligence (AI) learning tools in K-12 education: A scoping review. Journal of Computers in Education, 11, 1–39. https://doi.org/10.1007/s40692-023-00304-9 Zafari, M., Bazargani, J. S., Sadeghi-Niaraki, A., & Choi, S. (2022). Artificial intelligence applications in K-12 education: A systematic literature review. IEEE Access, 10, 51940–51961. https://doi.org/10.1109/ACCESS.2022.3179356
| ||
|
آمار تعداد مشاهده مقاله: 69 تعداد دریافت فایل اصل مقاله: 77 |
||