بررسی مدل های محاسباتی تصمیم گیری مبتنی بر سازوکار عصبی مغز انسان در حوزه آموزش عصبی

سال انتشار: 1402
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 163

فایل این مقاله در 16 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JEIT-17-2_001

تاریخ نمایه سازی: 9 اردیبهشت 1402

چکیده مقاله:

پیشینه و اهداف: از دیرباز، فن آموزش و پروش، یک عمل اجتماعی مبتنی بر تجربیات مستقیم از گذشته بوده است و بسیاری از روش های تدریس، به طور سنتی شکل گرفته است. این روش ها توسط یک سیستم مبتنی بر نظریه های علمی، پشتیبانی نمی شد و نمی توانست نیازهای اجتماعی را که به سرعت در حال تغییر است برآورده کند. آموزش عصبی، یک علم تجربی و یک موضوع بین رشته ای است که آخرین پیشرفت های نظری در مغز انسان و روانشناسی را در آموزش به کار می برد. با مطالعه دقیق نظریه های موجود در آموزش عصبی، می توان نحوه ارائه محتوای بهینه برای یک دوره آموزشی، راهبرد تدریس و روش های آموزش مطالب جدید و در عین حال بهبود توانایی تفکر محاسباتی دانش آموزان را بهبود بخشید. یکی از راه هایی که می توان این نظریه ها را امتحان کرد، مطالعه نحوه شکل گیری تصمیم در مغز انسان است. تصمیم و رفتارهای مبتنی بر هدف، هم به سازوکارهای شواهد حسی که اطلاعات ادراکی را از دنیای بیرون جمع آوری می کند و هم به سازوکارهای تصمیم گیری که رفتار مناسب را بر اساس آن اطلاعات حسی انتخاب می کنند، بستگی دارد. رفتارگرایی، یکی از پایه های اساسی نظریه های یادگیری و رفتار است. یکی از راه های مطالعه  دقیق رفتار، استفاده از مدل های محاسباتی مبتنی بر بیولوژی مغز است که متخصصان حوزه علوم اعصاب طی سالیان اخیر ارائه کرده اند. این مقاله سعی بر بررسی ارتباط بین آموزش عصبی و نحوه تدریس از طریق مطالعه دستاوردهای نظری تصمیم گیری در علوم اعصاب محاسباتی، عصب شناسی شناختی و روانشناسی، دارد.روش ها : به منظور بررسی این مساله، از یک مدل نورونی-محاسباتی تصمیم گیری مبتنی بر مغز استفاده شده است. این مدل، متشکل از دو نورون پویای بازگشتی است که می تواند نحوه شکل گیری تصمیم های ادارکی را در فضاهای پیچیده رفتاری بررسی کند و پارامترهای کلیدی که باعث به وجود آمدن تصمیم می شوند را نمایش دهد. در این پژوهش، سه آزمایش مختلف که شامل موازنه دقت-سرعت در هنگام پاسخ دادن، اثر توجه در تصمیم گیری و اثر قطعیت تصمیم بود، در مدل طراحی شده و سپس به تحلیل نحوه تغییر پارامترها و رفتار مدل و نگاشت آن ها به کلاس درس و تغییرات تفکر دانش آموز پرداخته شده. است در نهایت با استفاده از مدل رگرسیون خطی، روابط و همبستگی بین پارامترهای رفتاری مدل مطالعه شد.یافته ها: نتایج نشان داد که با استفاده از این مدل تصمیم گیری محاسباتی، می توان موازنه سرعت و دقت دانش آموزان در هنگام پاسخ به سوالات امتحان را به خوبی مطالعه کرد و با استفاده از مدل، به یک حد موازنه بهینه برای پاسخ به سوالات رسید. همین طور تحلیل پارامترهای مدل نشان داد که میزان توجه دانش آموزان در کلاس درس توسط مدل قابل اندازه گیری است و تاثیر  مهمی در تصمیم گیری و پاسخ به سوالات دارد. در نهایت، مدل می تواند تاثیر میزان اعتماد به نفس دانش آموزان بر روی عملکردشان را به خوبی نمایش دهد و براساس داده های برازش شده مدل به داده های رفتاری دانش آموزان، پیشنهادهای بهینه ای را از منظر روانشناسی تربیتی ارائه کرد.نتیجه گیری:  در این مطالعه، نشان داده شد که با استفاده از مدل های نورونی-محاسباتی تصمیم گیری، می توان رفتار دانش آموزان در کلاس درس و هنگام یاد گیری را مدل کرد. کارشناسان علوم تربیتی و روانشناسان حوزه آموزش می توانند از یافته های مدل استفاده کنند تا طبق آن بهترین و بهینه ترین روش های آموزش را در جهت آموزش آسان و شکوفایی خلاقیت دانش آموزان ارائه کنند.

نویسندگان

امیرمحمود موسوی هریس

گروه هوش مصنوعی، دانشکده مهندسی کامپیوتر، دانشگاه تربیت دبیر شهید رجائی، تهران، ایران

رضا ابراهیم پور

پژوهشکده جامع علوم و فناوری های همگرا، دانشگاه صنعتی شریف، تهران، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Newell B R, D A Lagnado, D R Shanks, Straight ...
  • Olsen K, A Roepstorff, D Bang. Knowing whom to learn ...
  • Koukouli F et al. Nicotine reverses hypofrontality in animal models ...
  • Camerer C, G Loewenstein, D Prelec. Neuroeconomics: How neuroscience can ...
  • Glimcher P W, E Fehr. Neuroeconomics: Decision making and the ...
  • Braddon-Mitchell D, F Jackson. Philosophy Of Mind And Cognition: an ...
  • Anderson S J et al. A reinforcement-based learning paradigm increases ...
  • Ansari D, B De Smedt, R H Grabner. Neuroeducation–a critical ...
  • Hardiman M et al. Neuroethics, neuroeducation, and classroom teaching: Where ...
  • Latifzadeh K et al. Evaluating cognitive load of multimedia learning ...
  • Blake K. A Neuroeducation Model for an Inclusive School-wide Intervention ...
  • Zhang J. Teaching Strategy of Programming Course Guided by Neuroeducation. ...
  • Pulvermüller F. The case of CAUSE: neurobiological mechanisms for grounding ...
  • Ghazanfar A A, C E Schroeder. Is neocortex essentially multisensory?. ...
  • Mehta A. ‘Neuroeducation’ Emerges as Insights into Brain Development, Learning ...
  • Battro AM, Fischer KW, Léna PJ. The educated brain: Essays ...
  • Blair C. School readiness: Integrating cognition and emotion in a ...
  • Caine R N, G Caine. Understanding a brain-based approach to ...
  • Schmitz T W, E De Rosa, A K Anderson. Opposing ...
  • Bishop DV. What is educational neuroscience. Consultado en http://deevybee. blogspot. ...
  • Bowers J S. The practical and principled problems with educational ...
  • Bruer J T. Education and the brain: A bridge too ...
  • Gabrieli J D. The promise of educational neuroscience: Comment on ...
  • Howard-Jones P A et al. The principles and practices of ...
  • Okazawa G et al. Psychophysical reverse correlation reflects both sensory ...
  • Anderson J R. Arguments concerning representations for mental imagery. Psychological ...
  • Anderson J R. Cognitive skills and their acquisition. ۲۰۱۳: Psychology ...
  • Binder J R. In defense of abstract conceptual representations. Psychonomic ...
  • Britten K H et al. A relationship between behavioral choice ...
  • Esch T, K A Mesce, W B Kristan. Evidence for ...
  • Hanks T D, C Summerfield. Perceptual decision making in rodents, ...
  • Farzmahdi A et al. A specialized face-processing model inspired by ...
  • Mirzaei A et al. Predicting the human reaction time based ...
  • Gold J I, M N Shadlen. The neural basis of ...
  • Shadlen M N, W T Newsome. Neural basis of a ...
  • Getha-Eby T J et al. Meaningful learning: Theoretical support for ...
  • Pulvermüller F. Meaning and the brain: The neurosemantics of referential, ...
  • Menghini D et al. The influence of generalized anxiety disorder ...
  • Lamblin M et al. Social connectedness, mental health and the ...
  • Britten K H et al. The analysis of visual motion: ...
  • Kiani R, A K Churchland, M N Shadlen. Integration of ...
  • Vafaei S, R Ebrahimpour, S Zabbah. The Relationship Between Pupil ...
  • Van den Berg R et al. Confidence is the bridge ...
  • Purcell B A, R Kiani. Hierarchical decision processes that operate ...
  • Sarafyazd M, M Jazayeri. Hierarchical reasoning by neural circuits in ...
  • Churchland A K, R Kiani, M N Shadlen. Decision-making with ...
  • Gallistel C R, L D Matzel. The neuroscience of learning: ...
  • Jaskowiak E. “Is it his Language?” A Neuroeducation Approach to ...
  • Klingberg T. Training and plasticity of working memory. Trends in ...
  • Olesen P J, H Westerberg, T Klingberg. Increased prefrontal and ...
  • Holmes J, S E Gathercole, D L Dunning. Adaptive training ...
  • Gabrieli J D. Dyslexia: a new synergy between education and ...
  • Hoeft F et al. Neural basis of dyslexia: a comparison ...
  • Hoeft F et al. Functional and morphometric brain dissociation between ...
  • Shaywitz B A et al. Disruption of posterior brain systems ...
  • Eden G F et al. Neural changes following remediation in ...
  • Shaywitz B A et al. Development of left occipitotemporal systems ...
  • Temple E et al. Neural deficits in children with dyslexia ...
  • De Smedt B, L Verschaffel. Traveling down the road: from ...
  • Molfese D L. Predicting dyslexia at ۸ years of age ...
  • Shiffrin R M, W Schneider. Controlled and automatic human information ...
  • Anderson M L. After phrenology: Neural reuse and the interactive ...
  • Poldrack R A. Mapping mental function to brain structure: how ...
  • Price C J, K J Friston. Functional ontologies for cognition: ...
  • Han H, F Soylu, D M Anchan. Connecting levels of ...
  • Murray J D, J Jaramillo, X J Wang. Working memory ...
  • Taghia J et al. Uncovering hidden brain state dynamics that ...
  • Collins A G, M J Frank. Within-and across-trial dynamics of ...
  • Brinkman B A et al. Metastable dynamics of neural circuits ...
  • Wang X J. Probabilistic decision making by slow reverberation in ...
  • Wong K F, X J Wang. A recurrent network mechanism ...
  • Okazawa G et al. Representational geometry of perceptual decisions in ...
  • Bredenberg C, C Savin, R Kiani. Recurrent neural circuits overcome ...
  • Shinn M, N H Lam, J D Murray. A flexible ...
  • Stine G M et al. Differentiating between integration and non-integration ...
  • Ratcliff R, G McKoon. The diffusion decision model: theory and ...
  • Lo C C, X J Wang. Cortico–basal ganglia circuit mechanism ...
  • McCormick D A, Y Shu, Y Yu. Hodgkin and Huxley ...
  • Amit D J, N Brunel. Dynamics of a recurrent network ...
  • Renart A, N Brunel, X J Wang. Mean-field theory of ...
  • Esmaily J, R Ebrahimpour, S Zabbah. Changing in the Reaction ...
  • Bang D et al. Confidence matching in group decision-making. Nature ...
  • Khalvati K, R Kiani, R P Rao. Bayesian inference with ...
  • Kiani R, M N Shadlen. Representation of confidence associated with ...
  • Goette L et al. Stress pulls us apart: Anxiety leads ...
  • Postareff L, S Lindblom-Ylänne. Emotions and confidence within teaching in ...
  • Sadler I. The role of self-confidence in learning to teach ...
  • Cecchini J et al. The influence of the physical education ...
  • نمایش کامل مراجع