مدل سیستم پیشنهاد دهنده ترکیبی برای شخصی‌سازی آموزش با استفاده از مدل‌های زبانی بزرگ هوش مصنوعی

این پژوهش با هدف طراحی و ارزیابی یک سیستم پیشنهاددهنده ترکیبی مبتنی بر هوش مصنوعی برای ارائه منابع آموزشی شخصی‌سازی‌شده به دانش‌آموزان به صورت کاربردی-توسعه‌ای، از رویکرد ترکیبی (کیفی-کمی) ارائه می‌شود. در بخش کمی، عملکرد سیستم با استفاده از معیارهای ارزیابی سیستم‌های پیشنهاددهنده (دقت، بازیابی، f1-score، mae، rmse) و در بخش کیفی، تجربه کاربری دانش‌آموزان و معلمان با استفاده از مصاحبه‌های نیمه‌ساختاریافته و تحلیل محتوا مورد بررسی قرار گرفت. سیستم پیشنهاددهنده ترکیبی طراحی‌شده، با تلفیق مدل‌های پیشنهاددهنده سنتی، یادگیری عمیق (خودرمزگذارها و شبکه‌های عصبی بازگشتی) و مدل زبانی بزرگ پیشرفته، توانست عملکرد بهتری در ارائه پیشنهادات مرتبط به دانش‌آموزان داشته باشد. نتایج نشان داد که سیستم هیبریدی در مقایسه با مدل‌های سنتی و یادگیری عمیق به تنهایی، دقت، بازیابی و f1-score بالاتری دارد و خطای کمتری در پیش‌بینی ترجیحات دانش‌آموزان دارد. همچنین، دانش‌آموزان و معلمان از پیشنهادات ارائه شده توسط سیستم رضایت بالایی داشتند و معتقد بودند که این سیستم به بهبود یادگیری و افزایش انگیزه آن‌ها کمک کرده است. این پژوهش نشان می‌دهد که سیستم‌های پیشنهاددهنده ترکیبی می‌توانند به عنوان ابزاری موثر در ارائه آموزش شخصی‌سازی‌شده و بهبود تجربه یادگیری دانش‌آموزان مورد استفاده قرار گیرند و چالش‌های مورد مطرح در پژوهش‌های اخیر را مرتفع سازند.