اثر بخشی آموزش شخصی سازی شده مبتنی بر هوش مصنوعی برتاب آوری تحصیلی دانش آموزان با سبک های یادگیری متفاوت

هدف اصلی پژوهش حاضر، بررسی اثربخشی نظام‌های آموزشی شخصی‌سازی شده مبتنی بر هوش مصنوعی بر میزان تاب‌آوری تحصیلی دانش‌آموزانی است که دارای سبک‌های یادگیری متفاوت (دیداری، شنیداری و خواندن/نوشتن) هستند. این پژوهش با هدف شناسایی نقش واسطه‌ای فناوری‌های تطبیقی در کاهش اضطراب تحصیلی و افزایش خودکارآمدی در محیط‌های آموزشی متنوع انجام شده است. برای دستیابی به اهداف مذکور، از روش نیمه‌تجربی با استفاده از طرح پیش‌آزمون-پس‌آزمون با گروه کنترل و آزمایش بهره گرفته شده است. نمونه آماری شامل دانش‌آموزانی است که بر اساس پرسشنامه سبک یادگیری VAK طبقه‌بندی شده‌اند. مدل تحلیل مطالب در این تحقیق بر پایه رویکرد تحلیل محتوای کیفی و مدل‌های آماری استنباطی (آزمون تی و تحلیل کوواریانس) استوار است تا تغییرات متغیرهای تاب‌آوری در گروه‌های مختلف بررسی شود. یافته‌های پژوهش نشان می‌دهد که استفاده از پلتفرم‌های یادگیری تطبیقی که محتوا را بر اساس نیاز لحظه‌ای و سبک شناختی دانش‌آموز بازتعریف می‌کنند، به طور معناداری باعث ارتقای تاب‌آوری تحصیلی شده است. نتایج حاکی از آن است که هوش مصنوعی با کاهش شکاف میان سرعت یادگیری فردی و سرعت آموزش کلاسیک، استرس ناشی از عدم درک مطالب را در سبک‌های یادگیری غیرمتداول کاهش داده و موجب تقویت تاب‌آوری روان‌شناختی در مواجهه با چالش‌های درسی می‌گردد.

The main objective of the present study is to investigate the effectiveness of personalized educational systems based on artificial intelligence on the level of academic resilience of students with different learning styles (visual, auditory, and reading/writing). This study was conducted with the aim of identifying the mediating role of adaptive technologies in reducing academic anxiety and increasing self-efficacy in diverse educational environments. To achieve the aforementioned goals, a quasi-experimental method was used using a pre-test-post-test design with a control and experimental group. The statistical sample included students who were classified based on the VAK learning style questionnaire. The content analysis model in this study is based on a qualitative content analysis approach and inferential statistical models (t-test and analysis of covariance) to examine changes in resilience variables in different groups. The research findings show that the use of adaptive learning platforms that redefine content based on the student's current needs and cognitive style has significantly improved academic resilience. The results indicate that artificial intelligence, by reducing the gap between individual learning speed and the speed of classical education, reduces the stress caused by lack of understanding of the material in unconventional learning styles and strengthens psychological resilience in the face of academic challenges.