مدلسازی دانشجویی در آموزش جراحی ارتوپدی: بهره گیری از تعامل بین شبکه ‌های بیزی زمانی و تحلیل تعلیمی ظریف Student Modeling in Orthopedic Surgery Training: Exploiting Symbiosis between Temporal Bayesian Networks and Fine-grained Didactic Analysis

رشته های مرتبط علوم تربیتی و کامپیوتر، تکنولوژی آموزشی و هوش مصنوعی
مقدمه مدلسازی دانش و مدلسازی دانشجویی در سی سال گذشته نتایج پژوهش‌ها در علوم شناختی برای مدلسازی دانشجویی در حل مسأله مورد بهره‌برداری قرار گرفته‌است، همان‌طور که با روش‌های شناختی متعددی اثبات شده‌است. بررسی‌های زیادی بر روی آموزش مباحث پایه‌ای مانند هندسه ، جبر فیزیک و زبان برنامه‌سازی کامپیوتر صورت گرفته‌است. اما طبیعت دانش محیطی و پیچیدگی رفتار شناختی فراگیران به‌ویژه در مباحث خاص (مانند آموزش پزشکی) مورد بررسی دقیق قرار نگرفته‌است. نخست، نقش دانش ضمنی عملگرا (حاصل از تجربه) هم برای آموزگار مجرب و هم برای دانشجوی تازه‌کار در یک فرایند حل مسأله بسیار حیاتی است. این دانش ضمنی در اصل عبارت است از «فوت‌وفن‌های عملی مربوط به کار که به طور غیر رسمی در حین تجربه‌ی ضمن کار به دست می‌آید؛ در مقابل آموزش رسمی». در حین مشاهده‌ی اقدامات پزشکی در یک بیمارستان فرانسوی، ما دریافتیم که هنگام مواجهه با یک مشکل خاص، آموزگار خبره و دانشجوی تازه‌کار، با استفاده از دانش عملگرا راه‌حلی نو برای مشکل پیش‌آمده پیدا می‌کنند که از پیش تعریف نشده‌است. دوم، رفتار شناختی دانشجویان که در این اقدامات مورد مشاهده‌ی ما قرار گرفتند پیچیده بود. یک فراگیرنده‌ی بامهارت، حتی یک کارشناس دامنه ، پیش از رسیدن به راه‌حل مطلوب تلاش‌های متعددی انجام می‌دهد: او ممکن است اشتباه کرده و بارها برای جبران آن تلاش کند. بنابراین از دیدگاه مشاهده‌کننده، باید توالی اعمال فراگیرنده را در نظر گرفت تا بتوان حالت و رفتار شناختی او را تشخیص داد. تعدادی از پژوهشگران بحث کرده‌اند که بررسی سازگاری راه‌حل دانشجو با محدودیت‌های دامنه (مانند بررسی‌های سازگاری محلی) مهم‌تر از مقایسه‌ی راه‌حل دانشجو با راه‌حل اصولی کارشناس دامنه (دلیل مقدم) است. این عقیده به‌ویژه برای بنیان‌نهادن سیستم‌های آموزشی برای دامنه‌های خاصی که در پاراگراف پیشین مورد بحث قرار گرفت مفید است، چرا که در این دامنه‌ها ممکن است راه‌حل‌های زیادی برای یک مسأله‌ی به‌خصوص وجود داشته‌باشد که برخی از آنها استادانه توسط کارشناس دامنه به کار می‌روند. بنابراین، نخستین پرسش طرح‌شده در این مقاله درباره‌ی تحلیل و بهره‌برداری از انواع مختلف دانش محیطی، به‌ویژه دانش ضمنی عملگرا، برای ساختن یک مدل دامنه‌ی استوار است که مدلسازی و تشخیص دانشجویی بسیار حیاتی است. دانش ضمنی عملگرا اغلب به روشنی در واحدهای تئوری و کتاب‌های مرجع شرح داده‌نشده‌است. برای پاسخ به پرسش نخست درباره‌ی تحلیل «تعلیمی» ظریف بحث خواهیم‌کرد. واژه‌ی تعلیمی (didactic در واقع یک اصطلاح فرانسوی‌زبان است) به مفهوم بررسی آموزش و کسب دانش در دامنه‌ی مباحث گوناگون است. تعلیم و آموزش در نتیجه بر اساس نقش مرکزی محتوای دامنه‌ی مبحث و بعد معرفت‌شناختی آن (یعنی طبیعت دانشی که یاد داده‌می‌شود) از پرورش متفاوت است. تحلیل تعلیمی تا حدودی شبیه تحلیل کارکرد شناختی است. هر دو برای درک بهتر مبحثی که آموزش داده‌می‌شود تلاش می‌کنند تا موقعیت‌های آموزشی، بهتر برای دانشجویان ایجاد شود. تفاوت اصلی آنها پروتکل تحلیل است: تحلیل کارکرد شناختی معمولاً با مشاهده‌ی کارورزان پر‌مهارت و توضیح دقیق فعالیت‌هایی برای انجام کامل کارکرد پیچیده لازم است انجام می‌شود، در حالی که تحلیل تعلیمی معمولاً در حالت آموزشی دستور‌العملی و کارآموزی انجام می‌شود که در آن یک فراگیرنده‌ی تازه‌کار برای حل یک مسأله با یک آموزگار خبره همکاری می‌کند. بر خلاف تحلیل کارکرد شناختی که در تلاش است تا فرایند حل مسأله‌ی کارشناسان دامنه را تا حد امکان کامل توضیح دهد و مفاهیم پرورشی را در این فرایند جستجو کند، تحلیل تعلیمی مستقیماً از طریق مشاهده‌ی محیط آموزشی دستورالعملی و کارآموزی انواع مختلف دانش مورد نیاز برای تدریس موفق را جستجو می‌کند. پس، تحلیل تعلیمی می‌تواند انواع به‌خصوصی از دانش مانند دانش محتوای پرورشی را نشان دهد که تحلیلی کارکرد شناختی نمی‌تواند نشان دهد، چرا که کارشناسان دامنه ممکن است این نوع دانش‌ها را در ذهن نداشته‌باشند یا آنها را به روشنی در محیط تحلیل کارکرد شناختی نشان ندهند. انواع خاصی از دانش مانند دانش محتوای پرورشی برای طراحی محیط یادگیری مفید هستند. پرسش دوم درباره‌ی بهره‌گیری از تکنیک‌های مناسب در هوش مصنوعی برای مدلسازی و «تشخیص » دانش دانشجو یا حالت شناختی او در یک مقطع زمانی مشخص و رفتار شناختی او در طی زمان است. تشخیص نخستین بسیار مهم و در بسیاری از ITSهای معمول رایج است. ما اعتقاد داریم که تشخیص دوم درباره‌ی رفتار شناختی نیز بسیار مهم است؛ چرا که می‌توان به ایجاد بازخورد بهتر برای دانشجو کمک کند. یکی از راه‌های انجام چنین تشخیص‌هایی تحلیل برهم‌کنش‌های دانشجو با واسطه‌های سیستم یادگیری و مانند شبیه سازی کامپیوتری است. به هر حال اما تشخیص دانش و رفتار شناختی دانشجو آسان نیست، چرا که دانستن این که در حین یادگیری یک مفهوم یا حل یک مسأله توسط یک شخص در ذهن او دقیقاً چه می‌گذرد دشوار است. یک شبکه‌ی بیزی تکنیک مفیدی برای مدلسازی در شرایط نامطمئن (مثلاً درباره‌ی حالت شناختی دانشجو) است و بنا بر گفته‌ی Mayo و Mitrovic (2001) در بسیاری از کاربردها از جمله ITSها به کار گرفته‌شده‌است. با در نظر گرفتن پیچیدگی رفتار شناختی فراگیرنده در طی زمان (مثلاً فرایند تصحیحی یک فراگیرنده در حالی که در حال پایه‌گذاری یک راه‌حل است) در دامنه‌های خاص، همان‌طور که ذکر شد، شبکه‌های بیزی زمانی (پویا ) می‌توانند ابزار مؤثری باشند.