طراحی مسیر یادگیری هوشمند‌محور: تحلیلی نظام‌مند از سامانه‌های توسعه مهارت تطبیقی

چکیده

 تحولات فناورانه و نیازهای پویای بازار کار، طراحی مسیرهای یادگیری شخصی‌شده را ضروری ساخته‌اند. در حالی که داده‌کاوی آموزشی و تحلیل یادگیری عمدتاً نقش توصیفی داشته‌اند، پتانسیل هوش مصنوعی برای طراحی تجویزی مسیرها به طور نظام‌مند بررسی نشده است. این مرور ترکیبی (ساختاریافته-مفهومی) با رعایت اصول PRISMA، به تحلیل ادبیات روش‌های طراحی مسیر با استفاده از EDM و AI می‌پردازد. جستجوی نظام‌مند در پایگاه‌های اسکوپوس، وب آو ساینس، IEEE Xplore، ACM و SpringerLink (۲۰۱۵-۲۰۲۵) انجام شد. پس از غربالگری، منابع با کدگذاری موضوعی و تحلیل محتوای کیفی بررسی شدند. یافته‌ها گذار از تحلیل توصیفی به طراحی تجویزی را نشان می‌دهد. روش‌های طراحی در پنج دسته قاعدهمند، سیستم‌های توصیه‌گر، مدل‌های پیش‌بین، بهینه‌ساز و ترکیبی طبقه‌بندی شدند. اثربخشی این روش‌ها وابسته به پروفایل‌سازی چندبعدی یادگیرنده (شناختی، رفتاری، عاطفی-انگیزشی) و تلفیق قیود حوزه‌ای است. سه شکاف عمده شناسایی شد: فقدان مدل‌های پویای بلادرنگ، غفلت از بعد عاطفی-انگیزشی، و چالش تفسیرپذیری مدل‌های پیچیده. بلوغ حوزه نیازمند گذار از «تحلیل برای تحلیل» به «تحلیل برای طراحی» است. توسعه موتورهای طراحی پویا، چندبعدی و تفسیرپذیر، بر پایه همگرایی علوم تربیتی، شناختی و هوش مصنوعی مسئولیت‌پذیر، می‌تواند تحولی در شخصی‌سازی آموزش مهارت‌های دیجیتال ایجاد کند.