رویکردهای هوش مصنوعی در ارزیابی شایستگی‌های معلمان و دانشجو-معلمان ریاضی

در سال‌های اخیر، ارزیابی شایستگی‌های حرفه‌ای معلمان و دانشجو-معلمان ریاضی با چالش‌هایی مانند ذهنی بودن قضاوت‌ها و محدودیت روش‌های سنتی روبه‌رو بوده است. به‌کارگیری فناوری‌های نوین به‌ویژه هوش مصنوعی، امکان تحلیل داده‌های آموزشی، شناسایی الگوهای تدریس و ارائه بازخوردهای دقیق‌تر را فراهم کرده است. پژوهش حاضر با هدف مرور نظام‌مند مطالعات مربوط به «رویکردهای هوش مصنوعی در ارزیابی شایستگی معلمان و دانشجو-معلمان ریاضی» انجام شده است. روش پژوهش مبتنی بر مدل پریسما بوده و از میان 179 مقاله بررسی‌شده طی سال‌های 2015 تا 2025، در نهایت 35 مقاله واجد معیارهای انتخاب شدند. یافته‌ها نشان داد که کاربردهای هوش مصنوعی در این حوزه عمدتاً در چهار محور جای می‌گیرند: 1) استفاده از الگوریتم‌های یادگیری ماشین و داده‌کاوی آموزشی برای تحلیل عملکرد، 2) بهره‌گیری از تحلیل یادگیری برای سنجش تعاملات آموزشی، 3) توسعه سیستم‌های خبره و سامانه‌های توصیه‌گر جهت ارزیابی شایستگی حرفه‌ای، و 4) طراحی مدل‌های پیش‌بینی عملکرد مبتنی بر داده‌های چندمنبعی. الگوریتم‌هایی مانند جنگل تصادفی، ماشین بردار پشتیبان و شبکه‌های عصبی در این زمینه نقش مهمی ایفا کرده‌اند. نتایج نشان می‌دهد که هوش مصنوعی می‌تواند ارزیابی شایستگی معلمان ریاضی را از شیوه‌های توصیفی به تحلیلی و پیش‌بینی‌کننده تبدیل کند. با این حال، مسائلی مانند کمبود داده‌های استاندارد و ضرورت تبیین‌پذیری مدل‌ها همچنان چالش‌برانگیز است. پیشنهاد می‌شود مطالعات آینده به توسعه مدل‌های بومی و شفاف برای ارتقای کیفیت آموزش ریاضی تمرکز کنند.