مولفه‌‌های فضایی محیط فیزیکی و نحوۀ اثرگذاری آنها بر یادگیری عمیق (مرور سیستماتیک)

بیان مسئله: در این پژوهش به‌منظور بررسی نحوۀ اثرگذاری محیط فیزیکی بر یادگیری، رویکرد یادگیری عمیق اتخاذ شده است. از منظری شناختی، یادگیری عمیق به دامنۀ گسترده‌‌ای از موضوعات مرتبط با یادگیری از تفکر تا عمل می‌‌پردازد؛ ازاین‌رو، نقش قابل توجهی در میان رویکردهای جدید یادگیری داشته و منجر به پیوند میان مطالعات گوناگون شناختی و علوم‌ اعصاب دربارۀ یادگیری شده است.  هدف پژوهش: این پژوهش‌‌ با هدف بررسی ارتباط دو حوزۀ علوم‌‌شناختی و طراحی فضا‌‌های یادگیری، به شناسایی مولفه‌‌های فضایی محیط فیزیکی و تحلیل نحوۀ اثرگذاری آنها بر یادگیری عمیق پرداخته است. به‌‌‌همین‌‌منظور پرسش پژوهش عبارت است از: مولفه‌‌های فضایی اثرگذار بر یادگیری عمیق کدامند و به چه نحوی بر بهبود یادگیری عمیق اثر می‌‌گذارند؟ روش پژوهش: در این پژوهش ابتدا به‌منظور نزدیک‌شدن به موضوع یادگیری عمیق و استخراج مولفه‌‌های مرتبط با محیط فیزیکی، با روشی اکتشافی به تحلیل ادبیات موضوع و مبانی نظری پرداخته شد و سپس با روش مرورسیستماتیک مولفه‌‌های فضایی محیط فیزیکی شناسایی و دسته‌‌‌‌‌‌بندی شدند و با روش گلولۀ برفی از میان پژوهش‌‌های انتخابی تکمیل و معرفی شدند. نتیجه‌‌گیری: اثرگذاری مولفه‌‌های فضایی بر یادگیری عمیق از طریق انواع درگیری‌‌ و حیطه‌‌های عملکردی ذهن قابل بررسی است که بیانگر نحوۀ اثرگذاری مستقیم از طریق فرایندهای انواع درگیری‌‌‌‌‌‌ شناختی، هیجانی و رفتاری و همچنین اثرگذاری غیرمستقیم از طریق حیطه‌‌های عملکردی ذهن شامل ادارک، شناخت، هیجان و عمل است. همچنین مولفه‌‌های فضایی در دو  بُعد عملکردی و کالبدی شناسایی شدند که مولفه‌‌های عملکردی به‌دلیل نقششان در فعالیت‌‌های یادگیری در پژوهش‌‌ها بیشتر کاربرد داشته‌‌اند. نحوۀ اثرگذاری مولفه‌‌های بُعد عملکردی در ارتباط با انواع درگیری بیشتر بررسی شده‌‌ و مولفه‌‌های بُعد کالبدی نیز از نظر اثرگذاری بر حیطه‌‌های عملکردی ذهن بیشتر اهمیت داشته‌‌اند.

spatial components of the physical environment and their impact on deep learning (a systematic review)

problem statement: this study adopts the deep learning approach to examine how the physical environment affects learning. from a cognitive perspective, deep learning encompasses a wide range of learning-related issues—from thinking to action—and therefore plays a significant role among modern learning approaches. it has also contributed to the integration of diverse research in cognitive science and neuroscience on learning. research objective: aiming to connect the fields of cognitive science and learning space design, this study identifies the spatial components of the physical environment and analyzes how they influence deep learning. accordingly, the research question is: what are the spatial components that influence deep learning, and how do they contribute to its enhancement?research method: first, to approach the subject of deep learning and extract the components related to the physical environment, an exploratory analysis of the literature and theoretical foundations was conducted. then, a systematic review was employed to identify and categorize the spatial components of the physical environment. these findings were refined and completed using the snowball sampling method from selected studies.conclusion: the influence of spatial components on deep learning can be analyzed through types of student engagement and domains of mental functioning. this demonstrates both direct effects—via cognitive, emotional, and behavioral engagement processes—and indirect effects—via domains of mental functioning including perception, cognition, emotion, and action. spatial components were also categorized into two dimensions: functional and physical. functional components were more frequently addressed in previous studies due to their role in learning activities. the effects of these components were mainly discussed in relation to types of engagement, while physical components were considered more important in terms of their influence on domains of mental functioning.