هوش مصنوعی در آموزش و پرورش و نقش آن در شخصی‌سازی فرآیند یادگیری (تمرکز روی تفاوت‌های فردی دانش‌آموزان)

هدف از پژوهش حاضر، تبیین نقش هوش مصنوعی (AI) در تحول پارادایم‌های آموزشی با تمرکز بر شخصی‌سازی یادگیری و پوشش تفاوت‌های فردی دانش‌آموزان است. در عصر کنونی، سیستم‌های آموزشی سنتی «یک نسخه برای همه» (One-size-fits-all) کارایی خود را از دست داده‌اند و هوش مصنوعی به عنوان ابزاری راهبردی برای پاسخگویی به تنوع شناختی، عاطفی و رفتاری فراگیران ظهور کرده است. روش‌شناسی: این پژوهش با روش کتابخانه‌ای و مرور نظام‌مند اسنادی انجام شده است. جامعه آماری شامل مقالات، کتب و گزارش‌های علمی منتشر شده در پایگاه‌های معتبر (ScienceDirect، Google Scholar، Scopus) و پایگاه‌های داخلی (SID، Magiran) بین سال‌های ۲۰۲۰ تا ۲۰۲۵ می‌باشد. داده‌ها با استفاده از روش تحلیل مضمون (Thematic Analysis) دسته‌بندی و تفسیر شده‌اند. یافته‌ها: یافته‌ها نشان می‌دهد که هوش مصنوعی از طریق الگوریتم‌های یادگیری ماشین و سامانه‌های یادگیری تطبیقی (ALS)، قادر است با تحلیل کلان‌داده‌های رفتاری دانش‌آموزان، محتوا، سرعت و استراتژی‌های تدریس را بر اساس «تفاوت‌های فردی» (شامل سبک‌های یادگیری، دانش پیشین و ویژگی‌های شخصیتی) تنظیم کند. همچنین، نقش هوش مصنوعی در کاهش بار شناختی (Cognitive Load) و افزایش خودتنظیمی (Self-regulation) مشهود است. نتیجه‌گیری: نتایج حاکی از آن است که استقرار هوش مصنوعی در آموزش، نه به معنای حذف معلم، بلکه به معنای ارتقای نقش او به یک «تسهیل‌گر داده‌محور» است. با این حال، چالش‌های اخلاقی و حریم خصوصی داده‌ها همچنان به عنوان موانع اصلی در مسیر شخصی‌سازی کامل یادگیری باقی مانده‌اند.

The aim of this study is to explain the role of artificial intelligence (AI) in the transformation of educational paradigms with a focus on personalizing learning and covering individual differences of students. In the current era, traditional “one-size-fits-all” educational systems have lost their effectiveness and artificial intelligence has emerged as a strategic tool to respond to the cognitive, emotional and behavioral diversity of learners. Methodology: This study was conducted using a library method and systematic document review. The statistical population includes scientific articles, books and reports published in reputable databases (ScienceDirect, Google Scholar, Scopus) and domestic databases (SID, Magiran) between 2020 and 2025. The data were categorized and interpreted using thematic analysis. Findings: The findings show that artificial intelligence, through machine learning algorithms and adaptive learning systems (ALS), is able to adjust content, pace, and teaching strategies based on “individual differences” (including learning styles, prior knowledge, and personality traits) by analyzing big data on students’ behaviors. Also, the role of artificial intelligence in reducing cognitive load and increasing self-regulation is evident. Conclusion: The results indicate that the deployment of artificial intelligence in education does not mean eliminating the teacher, but rather elevating his or her role to a “data-driven facilitator.” However, ethical challenges and data privacy remain major obstacles to fully personalizing learning.