مبانی نظری چت بات اجتماعی

ماشین‌های ساخته‌شده توسط انسان در حال حاضر قادر به انجام انواع کارهای سخت و پرزحمت به‌صورت جامع هستند. با این حال، در بسیاری از مواقع، به‌دلیل تقاضا برای بهره‌وری بالاتر و شاید صرفاً از روی کنجکاوی، انسان‌ها تلاش کرده‌اند هوش انسانی را در ماشین‌ها وارد کنند، که این تلاش انگیزه اصلی برای توسعه هوش مصنوعی را تشکیل می‌دهد (هِنگ[1] و همکاران، 2023). هوش مصنوعی و یادگیری ماشینی ([2]ML) که در آن الگوریتم‌ها از الگوهای موجود در داده‌ها برای انجام پیش‌بینی‌های آماری و تسهیل تصمیم‌گیری‌ها می‌آموزند می‌توانند آینده کار را به‌شدت دگرگون کنند. با این حال، سوالات زیادی در خصوص اینکه آیا این تکنولوژی‌ها جایگزین یا مکمل سرمایه انسانی خواهند بود مطرح است. علی‌رغم وعده‌های یادگیری ماشینی در افزایش بهره‌وری، بسیاری از شرکت‌ها با چالش‌های عمده‌ای به دلیل سوگیری‌های موجود در پیش‌بینی‌ها مواجه شده‌اند، که اغلب به‌دلیل داده‌های آموزشی یا الگوریتم‌های سوگیرانه است. در بسیاری از زمینه‌های مهم، یک منبع سوگیری دیگر ممکن است به‌وجود آید، چرا که عامل‌ها به طور استراتژیک ورودی به الگوریتم را تغییر می‌دهند، شاید به‌دلیل اینکه آنها از پیش‌بینی‌های سوگیرانه بهره‌مند می‌شوند. به عنوان مثال، الگوریتم‌های یادگیری ماشینی می‌توانند سرعت بررسی رزومه‌ها در فرآیند استخدام یا پردازش درخواست‌های بیمه را افزایش دهند. با این حال، رزومه‌ها و درخواست‌های بیمه توسط متقاضیانی تولید می‌شوند که منافع استراتژیکی در نتایج مثبت دارند. آیا یادگیری ماشینی می‌تواند این رفتار استراتژیک را اصلاح کند؟ تحقیقات در زمینه یادگیری ماشینی "مخالف " به بررسی تلاش‌ها برای "فریب دادن " تکنولوژی‌های یادگیری ماشینی پرداخته‌اند و معمولاً به این نتیجه می‌رسند که "آموزش مخالف " برای حساب کردن تمامی ورودی‌ها به تکنولوژی‌های یادگیری ماشینی چالش‌برانگیز است (جیانگ[3] و همکاران، 2022).

از زمان ظهور هوش مصنوعی در آموزش تقریباً سه دهه پیش، این فناوری به عنوان ابزاری قدرتمند برای تسهیل طراحی آموزشی، توسعه فناوری و تحقیقات آموزشی در نظر گرفته شده است که در روش‌های سنتی آموزش امکان‌پذیر نبود. به طور خاص، هوش مصنوعی در آموزش فرصت‌ها، پتانسیل‌ها و چالش‌های جدیدی برای نوآوری‌های آموزشی فراهم کرده است، از جمله تغییر به سمت یادگیری شخصی‌سازی‌شده، تغییر نقش مدرس و توسعه سیستم‌های آموزشی پیچیده. تکنیک‌های مختلف هوش مصنوعی مانند پردازش زبان طبیعی، شبکه‌های عصبی مصنوعی، یادگیری ماشین، یادگیری عمیق و الگوریتم‌های ژنتیکی برای ایجاد محیط‌های یادگیری هوشمند جهت تشخیص رفتار، ساخت مدل‌های پیش‌بینی و ارائه پیشنهادات یادگیری به کار گرفته شده‌اند. هوش مصنوعی در آموزش به عنوان تمرکز اصلی تحقیقات در حوزه کامپیوتر و آموزش در نظر گرفته می‌شود و پتانسیل ایجاد تحول در دانش، شناخت و فرهنگ را دارد. اگرچه هوش مصنوعی پتانسیل تحول در آموزش را دارد، اما نتایج آموزشی مطلوب صرفاً با استفاده از فناوری‌های پیشرفته محاسباتی حاصل نمی‌شود. مهم‌تر از آن، استفاده از انواع مختلف فناوری‌های آموزشی، دیدگاه‌های فلسفی و آموزشی متفاوتی را به همراه دارد که به نوبه خود تأثیرات مهمی بر کیفیت یادگیری و آموزش می‌گذارد (اویانگ و جیائو[4]، 2021).

 


[1] Heng

[2] Machine Learning

[3] Jiang

[4] Ouyang, F., & Jiao