ВИКОРИСТАННЯ ШТУЧНОГО ІНТЕЛЕКТУ ДЛЯ СТВОРЕННЯ ПЕРСОНАЛІЗОВАНИХ НАВЧАЛЬНИХ ТРАЄКТОРІЙ ФОРМУВАННЯ РАДІАЦІЙНОЇ ГРАМОТНОСТІ

Автор(и)

DOI:

https://doi.org/10.14308/ite000804

Ключові слова:

штучний інтелект, радіаційна освіта, радіаційна безпека, радіаційна грамотність, навчальна траєкторія, майбутні вчителі природничих наук, безпека життєдіяльності, охорона праці, цивільна безпека

Анотація

У статті висвітлені результати дослідження й обґрунтування можливостей використання штучного інтелекту (ШІ) для створення персоналізованих навчальних траєкторій формування радіаційної грамотності різних груп населення. Наголошено на дедалі більшій ролі радіаційної грамотності в сучасному світі, що детермінована застосуванням радіаційних технологій. Наголошено на необхідності переходу від традиційних методів формування у різних верств населення здатності критично мислити, аналізувати інформацію та приймати обґрунтовані рішення щодо радіаційної безпеки.

В тексті статті представлені результати аналізу та узагальнення наукових праць щодо використання ШІ в освітньому процесі, зокрема для персоналізації навчального процесу. Ідентифіковано ключові тенденції розвитку цифрових освітніх середовищ та можливості застосування ШІ для адаптації навчального матеріалу з урахуванням індивідуальних потреб та рівня підготовки здобувачів освіти.

Представлено експериментально-емпіричний етап дослідження, метою якого було вивчення ефективності різних концепцій використання ШІ для створення персоналізованих навчальних траєкторій формування радіаційної грамотності. В ролі  учасників були залучені такі верстви населення: фахівці, що працюють з радіаційно-небезпечним обладнанням (рентгенологічне обладнання), майбутні вчителі природничих наук та особи, що проживають поруч з атомними електростанціями. Здійснено аналіз та порівняння ефективність різних підходів  використання ШІ за критеріями відповідності контрольним матеріалам та якості формулювань й зрозумілості згенерованої навчальної інформації для учасників експерименту.

Доведено, що сучасні засоби ШІ є ефективними інструментами удосконалення радіаційної освітньої підготовки та мають значний потенціал для персоналізованого формування радіаційної грамотності. Встановлено, що ШІ здатний адаптуватися до освітніх потреб різних груп населення, надаючи об'єктивну та науково-обґрунтовану інформацію. Відмічено, що різні підходи з використання ШІ, такі як модель "помічника", адаптування навчального наповнення та персоналізовані рекомендації, відрізняються за своєю ефективністю. Результати обробки емпіричних даних свідчать про те, що найвищу ефективність продемонстрував підхід "персоналізованих рекомендацій".

Завантаження

Дані завантаження ще не доступні.

Показники метрики:

##plugins.generic.paperbuzz.loading##

Посилання

Gorard, S., Rees, G., Fevre, R., & Furlong, J. (1998). Learning trajectories: travelling towards a learning society?. International Journal of Lifelong Education, 17(6), 400-410.

Edwards, A., & Mackenzie, L. (2005). Steps towards participation: The social support of learning trajectories. International journal of lifelong education, 24(4), 287-302.

Confrey, J., Maloney, A. P., & Corley, A. K. (2014). Learning trajectories: A framework for connecting standards with curriculum. ZDM, 46, 719-733.

Fortuin, K. P. J., Gulikers, J. T., Post Uiterweer, N. C., Oonk, C., & Tho, C. W. (2024). Developing a boundary crossing learning trajectory: supporting engineering students to collaborate and co-create across disciplinary, cultural and professional practices. European Journal of Engineering Education, 49(2), 212-235.

Khalil, M., Wong, J., Wasson, B., & Paas, F. (2024). Adaptive support for self‐regulated learning in digital learning environments. British Journal of Educational Technology.

Song, C., Shin, S. Y., & Shin, K. S. (2024). Implementing the Dynamic Feedback-Driven Learning Optimization Framework: A Machine Learning Approach to Personalize Educational Pathways. Applied Sciences, 14(2), 916.

Kaswan, K. S., Dhatterwal, J. S., & Ojha, R. P. (2024). AI in personalized learning. In Advances in Technological Innovations in Higher Education (pp. 103-117). CRC Press.

Boiko, A., Shevtsova, N., Yashanov, S., Tymoshchuk, O., & Parzhnytskyi, V. (2024). The impact of the integration of artificial intelligence on changes in the education process of Ukraine: prospects and challenges. Revista Eduweb, 18(1), 180-189.

Kayyali, M. (2024). Future possibilities and challenges of AI in education. In Transforming education with generative AI: Prompt engineering and synthetic content creation (pp. 118-137). IGI Global.

Bharathi, G. P., Chandra, I., Sanagana, D. P. R., Tummalachervu, C. K., Rao, V. S., & Neelima, S. (2024). AI-driven adaptive learning for enhancing business intelligence simulation games. Entertainment Computing, 50, 100699.

Perrotta, C., & Selwyn, N. (2020). Deep learning goes to school: Toward a relational understanding of AI in education. Learning, Media and Technology, 45(3), 251-269.

Luckin, R., & Holmes, W. (2016). Intelligence unleashed: An argument for AI in education.

Arruzza, E., Chau, M., & Kilgour, A. (2023). Problem-based learning in medical radiation science education: a scoping review. Radiography, 29(3), 564-572.

Alsop, S. (2001). Living with and learning about radioactivity: A comparative conceptual study. International Journal of Science Education, 23(3), 263-281.

Turcanu, C. O., El Jammal, M. H., Perko, T., Baumont, G., Latré, E., & de Witte, I. C. (2016). Satisfaction with information about ionising radiation: a comparative study in Belgium and France. Journal of radiological protection, 36(2), S122.

Baker, M. J. (2000). The roles of models in Artificial Intelligence and Education research: a prospective view. Journal of Artificial Intelligence and Education, 11, 122-143.

Gemini. (n.d.). Retrieved 2024, December 19, from https://gemini.google.com/

ChatGPT. (n.d.). ChatGPT: A conversational AI model. https://chatgpt.com/

Dekker, I., Bredeweg, B., te Winkel, W., & van de Poel, I. (2024). Ethical procedures for responsible experimental evaluation of AI-based education interventions. AI and Ethics, 1-10.

Wu, S. Y., & Yang, K. K. (2022). The effectiveness of teacher support for students’ learning of artificial intelligence popular science activities. Frontiers in Psychology, 13, 868623.

Zheng, M., Pei, J., Logeswaran, L., Lee, M., & Jurgens, D. (2024, November). When” A Helpful Assistant” Is Not Really Helpful: Personas in System Prompts Do Not Improve Performances of Large Language Models. In Findings of the Association for Computational Linguistics: EMNLP 2024 (pp. 15126-15154).

Liao, Q. V., Gruen, D., & Miller, S. (2020, April). Questioning the AI: informing design practices for explainable AI user experiences. In Proceedings of the 2020 CHI conference on human factors in computing systems (pp. 1-15).

##submission.downloads##

Опубліковано

2025-11-21

Як цитувати

Тимощук, О. С. (2025). ВИКОРИСТАННЯ ШТУЧНОГО ІНТЕЛЕКТУ ДЛЯ СТВОРЕННЯ ПЕРСОНАЛІЗОВАНИХ НАВЧАЛЬНИХ ТРАЄКТОРІЙ ФОРМУВАННЯ РАДІАЦІЙНОЇ ГРАМОТНОСТІ. Збірник наукових праць "Information Technologies in Education" (ITE), (58), 120–133. https://doi.org/10.14308/ite000804