فرگشت برنامه درسی در عصر هوش مصنوعی

هدف اصلی این پژوهش، بررسی تغییرات برنامه درسی در عصر هوش مصنوعی است که در این مقاله با استعاره فرگشت برنامه درسی به آن پرداخته شده است. هوش مصنوعی با قرار گرفتن در مرز میان فلسفه و علم چشم‌انداز تغییرات وسیعی در حوزه‌های مختلف زندگی و رویکردهای آنها را به ما نشان می-دهد. با استیلای هوش مصنوعی یکی از دغدغه‌های اصلی آموزش و پرورش، مواجهه با آن همراه با حفظ اصول اساسی است. ضرورت انکار ناپذیر گذر از تعهد به پارادایم‌های ثابت و توجه به موقعیت و شرایط پیرامونی در مقابل عدم کفایت و صلاحیت هوش مصنوعی در به دست گرفتن کلیت کار تعلیم و تربیت نقطه عطفی برای برنامه‌ درسی است. در این مقاله با رویکردی فلسفی و با زنجیره‌ای از استدلال‌ها، فرگشت عناصر برنامه درسی و فرگشت برنامه درسی مورد بررسی قرار گرفته و به عنوان سازوکاری برای بقاء فعالانه برنامه درسی پیشنهاد شده است. در این مقاله بر اساس اصولی از قبیل داده محوری، تجزیه و تحلیل، شبکه، یادگیری ماشین، الگوریتم‌های ژنتیکی، خود مختاری، منطق فازی و گراف در هوش مصنوعی، ویژگی‌هایی همچون توجه به تجربه‌های تربیتی، عاملیت تلفیق یافته، پایش چندگانه، فرا رشته‌ای بودن، خودآفرینی و خود تنظیم‌گری برای برنامه درسی فرگشتی مشخص شده است.

curriculum evolution in the age of artificial intelligence

abstractthis study explores curriculum changes in the age of artificial intelligence (ai) through the lens of &curriculum evolution.& positioned at the intersection of philosophy and science, ai is driving profound transformations across various aspects of life. as ai continues to expand, a key challenge for education is to integrate ai while preserving fundamental educational principles. a pivotal shift in curriculum development involves moving away from rigid paradigms and instead adapting to evolving conditions, recognizing ai’s limitations in fully managing educational processes. adopting a philosophical approach and a structured chain of arguments, this paper examines the evolution of curricula and their core elements. as a result, &curriculum evolution& is proposed as a dynamic framework for navigating the ai era. additionally, we outline the key characteristics of an evolutionary curriculum, including responsiveness to educational experiences, integration of diverse agents, multiple monitoring mechanisms, transdisciplinary approaches, autopoiesis, and self-regulation. these features are aligned with fundamental ai principles such as data-driven analysis, networking, machine learning, genetic algorithms, autonomy, fuzzy logic, and graph theory.