Jafarzadeh Hesari M, Soleimanpouromran M, Abbasi Z. A Systematic Review of Artificial Intelligence Applications in Educational Management with a Focus on Medical Students. , nkums. 2026; 18 (3) :1-13
URL:
http://journal.nkums.ac.ir/article-1-3422-fa.html
جعفرزاده حصاری مهسا، سلیمانپور عمران محبوبه، عباسی زهره. مرور نظاممند کاربردهای هوش مصنوعی در مدیریت آموزشی با تمرکز بر عملکرد تحصیلی دانشجویان پزشکی. , مجله دانشگاه علوم پزشکی خراسان شمالی. 1405; 18 (3) :1-13
URL: http://journal.nkums.ac.ir/article-1-3422-fa.html
1- دانشجوی دکتری مدیریت آموزشی، گروه علوم تربیتی، واحد بجنورد، دانشگاه آزاد اسلامی، بجنورد، ایران
2- دانشیار، گروه علوم تربیتی، واحد بجنورد، دانشگاه آزاد اسلامی، بجنورد، ایران ، soleimanpouromran@iau.ac.ir
3- گروه مامایی، دانشکدۀ پرستاری، دانشگاه علوم پزشکی خراسان شمالی، بجنورد، ایران
چکيده: (539 مشاهده)
مقدمه: هوش مصنوعی در سالهای اخیر بهعنوان یکی از فناوریهای کلیدی تحولآفرین، نقش مهمی در بهبود مدیریت آموزشی و ارتقای عملکرد تحصیلی دانشجویان پزشکی ایفا کرده است. رشد سریع ابزارهای دادهمحور، نظامهای آموزشی پزشکی را بهسوی تصمیمسازی مبتنیبر شواهد سوق داده است؛ بااینحال، یافتههای پژوهشی موجود پراکنده و نیازمند یکپارچهسازی است. این مطالعه با هدفِ مرور نظاممند شواهد مرتبط با کاربردهای هوش مصنوعی در مدیریت آموزشی و بررسی پیامدهای آن بر عملکرد تحصیلی دانشجویان پزشکی انجام شد.
روش کار: مطالعۀ مروری نظاممند حاضر مطابق با دستورالعمل PRISMA 2020 طراحی شد. جستوجو در پایگاههای Scopus، PubMed، Web of Science، ERIC، IEEE Xplore و Google Scholar برای مقالات منتشرشده بین سالهای ۲۰۲۰ تا ۲۰۲۵ انجام گرفت. از مجموعِ ۵۴۲ رکورد اولیه، پس از غربالگری، ارزیابی متن کامل و سنجش کیفیت با ابزارهای CASP، JBI و AMSTAR-2، در نهایت، ۳۵ مطالعه واجد شرایط وارد تحلیل نهایی شدند. تحلیل دادهها با روش ترکیببندی موضوعی انجام شد.
یافتهها: نتایج نشان داد کاربردهای هوش مصنوعی در مدیریت آموزشی در سه سطح یادگیرندهمحور، دادهمحور و راهبردی قابلطبقهبندی است. سامانههای یادگیری تطبیقی موجب افزایش بیش از ۲۰٪ نمرات نظری، بهبود خودراهبری و کاهش اضطراب امتحان شدند. مدلهای دادهمحور نیز دقت پیشبینی افت تحصیلی و ارزشیابی مهارتهای بالینی را بهطور معناداری افزایش دادند. در سطح راهبردی، سیستمهای تصمیمیار هوشمند به بهبود سیاستگذاری آموزشی کمک کردند. بااینحال، چالشهایی مانند شکاف دیجیتال و نگرانیهای اخلاقی گزارش شد.
نتیجهگیری: شواهد نشان میدهد ادغام هوش مصنوعی در مدیریت آموزش پزشکی میتواند عملکرد تحصیلی را بهطور قابلتوجهی ارتقا دهد و تصمیمگیریهای آموزشی مبتنیبر شواهد را تسهیل کند؛ بااینحال، رسیدگی به چالشهای اخلاقی و نابرابریهای زیرساختی برای پیادهسازی پایدارِ آن، امری حیاتی است.
نوع مطالعه:
مقالات مروری |
موضوع مقاله:
علوم پایه دریافت: 1404/10/23 | پذیرش: 1405/4/10 | انتشار: 1405/7/7