Articolo di ricerca

Una piattaforma educativa completa basata sull'intelligenza artificiale generativa

DOI:

10.3791/69821

⸱

10 luglio 2026

1School of Education, City University of Macau

In questo articolo

Sommario

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Sfruttando l'intelligenza artificiale generativa (GAI) per il supporto didattico, la piattaforma offre esperienze di apprendimento su misura, adattabili alle diverse esigenze degli utenti. Fornisce inoltre abbondanti approcci pratici che non solo arricchiscono il processo di apprendimento, ma favoriscono anche competenze di apprendimento permanente nell'era digitale, in linea con gli obiettivi di sviluppo sostenibile nell'educazione ingegneristica.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

L'Intelligenza Artificiale Generativa (GAI) ha registrato notevoli progressi negli ultimi anni, dimostrando un potenziale trasformativo per l'istruzione grazie alla creazione dinamica di contenuti e a percorsi di apprendimento personalizzati. Tuttavia, molte piattaforme educative esistenti si affidano a contenuti statici e percorsi fissi, prive dell'architettura integrata necessaria per sfruttare appieno le capacità di GAI e creare esperienze di apprendimento coese e adattive. Per colmare questa lacuna, questo studio dettaglia la progettazione, l'implementazione e la valutazione empirica di una piattaforma educativa nuova e completa basata su GAI. La piattaforma si basa su un'architettura a tre livelli che va oltre i framework tradizionali: un Livello Tecnico Base che integra modelli di IA modulari (ad esempio, Transformer, CNN-BiLSTM basato sull'attenzione), un Centro di Elaborazione per la sintesi dei dati in tempo reale e l'ottimizzazione dei modelli, e un Livello di Applicazione e Interazione che ospita otto moduli funzionali fondamentali, tra cui apprendimento personalizzato, Q&A intelligenti e valutazione delle competenze. Questa architettura integrata facilita un'esperienza di apprendimento dinamicamente personalizzabile che si adatta continuamente alle esigenze e ai progressi dei singoli studenti. Per valutare l'efficacia della piattaforma, abbiamo condotto uno studio controllato randomizzato (RCT) coinvolgendo 50 studenti universitari e 20 docenti in due semestri, confrontando gli esiti con un gruppo di controllo utilizzando metodi tradizionali. I risultati sperimentali dimostrano che la piattaforma proposta migliora significativamente i risultati di apprendimento, aumenta le metriche di coinvolgimento degli studenti (ad esempio, tempo sul compito e tassi di interazione con i contenuti) e raggiunge un'elevata accuratezza nell'abbinamento personalizzato dei contenuti. I risultati suggeriscono che questa piattaforma basata su GEI rappresenta un progresso nella tecnologia educativa, personalizzando efficacemente l'istruzione e supportando l'apprendimento adattivo su larga scala. Questo studio fornisce un progetto architettonico dettagliato e replicabile e fornisce prove empiriche a sostegno del valore pratico dei sistemi integrati GAI nel migliorare l'efficacia educativa e favorire competenze di apprendimento permanente.

Introduzione

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

In un contesto di innovazione tecnologica in accelerazione, in particolare nell'intelligenza artificiale (IA), strumenti come l'IA stanno trovando sempre più applicazioni nell'educazione ingegneristica. Allo stesso tempo, le persone hanno raggiunto un consenso sul fatto che l'obiettivo di promuovere lo sviluppo sostenibile sia un'attività globale. Pertanto, integrare lo sviluppo sostenibile nell'educazione ingegneristica—migliorando contemporaneamente i livelli tecnici industriali e rafforzando la consapevolezza della sostenibilità degli studenti—è diventato un punto chiave della riforma educativa attuale, guidando l'esplorazione di innovazioni educative abilitate dall'IA. L'applicazione dell'IA nell'istruzione apre possibilità di apprendimento personalizzato. In particolare, il GAI offre un potenziale trasformativo per ambienti di insegnamento e apprendimento. Consente la creazione dinamica di diversi contenuti e l'adattamento delle risorse di apprendimento ai profili individuali degli studenti, aumentando il coinvolgimento e l'efficacia. Questa tecnologia consente la generazione di diversi formati di contenuto, facilitando la creazione di materiali didattici su misura. Inoltre, può adattare dinamicamente le risorse di apprendimento ai profili individuali degli studenti, aumentando così il coinvolgimento e l'efficacia dell'apprendimento1. Inoltre, la piattaforma è progettata per adattarsi ai progressi degli studenti. Adatta dinamicamente la presentazione dei contenuti e raccomanda attività di apprendimento allineate agli obiettivi individuali, con l'obiettivo di ottimizzare i risultati di apprendimento.

Tuttavia, integrare l'IA nelle piattaforme educative richiede di superare ostacoli tecnici significativi. Innanzitutto, i modelli di deep learning devono essere addestrati su grandi dataset per garantire che generino contenuti di alta qualità che rispettino gli standard educativi. Inoltre, gli algoritmi di reinforcement learning devono essere finemente ottimizzati—non solo per personalizzare accuratamente i percorsi di apprendimento per i singoli utenti, ma anche per mantenere la completezza dei contenuti didattici. Inoltre, le capacità di elaborazione del linguaggio naturale sono essenziali per creare sistemi di tutoraggio interattivi in grado di simulare dialoghi simili a quelli umani e fornire feedback in temporeale 2,3,4. In questo contesto, è urgente la necessità di una piattaforma educativa completa che sfrutti appieno il potenziale di GAI per offrire esperienze di apprendimento personalizzate, coinvolgenti eadattive 5. Tali piattaforme hanno un potenziale significativo per rimodellare il panorama dell'istruzione online rendendola più adattativa e personalizzata, allineandosi e supportando così gli obiettivi dei paradigmi contemporanei dell'apprendimento permanente. In questa nuova era, i contenuti educativi non rimarranno fissi; Al contrario, si evolverà insieme alla crescita personale degli studenti e ai bisogni in continuo cambiamento.

Ricerche esistenti hanno dimostrato che tecnologie emergenti come l'IA e i modelli su larga scala possono migliorare efficacemente la qualità dell'insegnamento e dell'apprendimento nell'educazioneingegneristica 5 e molti studi hanno esplorato le potenziali applicazioni del GAI nelle piattaforme educative personalizzate, con l'obiettivo di offrire esperienze di apprendimento personalizzate aglistudenti 6. Allo stesso tempo, l'educazione allo sviluppo sostenibile (ESD) è diventata una priorità sempre più centrale nell'educazione ingegneristica globale, con ricerche esistenti che evidenziano costantemente che l'alfabetizzazione sulla sostenibilità e il pensiero sistemico sono competenze fondamentali non negoziabili per gli ingegnericontemporanei 7. Per rispondere a questa domanda critica di formazione, l'architettura GAI proposta in questo studio stabilisce un legame pratico e pratico tra gli obiettivi di apprendimento ESD e lo sviluppo delle competenze ingegneristiche: la nostra piattaforma integra moduli di valutazione dell'impatto sulla sostenibilità, flussi di lavoro di analisi del ciclo di vita (LCA) e prompt di progettazione sostenibile basati su scenari nel suo quadro centrale, permettendo agli studenti ingegneristici di tradurre direttamente i principi della sostenibilità nelle decisioni tecniche durante tutto il processo ciclo di progettazione ingegneristica. Un ambito di interesse è l'uso del GAI per automatizzare la creazione di contenuti educativi. Moulaei et al.7 hanno esplorato come gli algoritmi di IA possano generare esercizi, quiz e persino intere lezioni in base alle esigenze specifiche e agli stili di apprendimento dei singoli studenti. Questo approccio mostra il potenziale di ridurre il carico di lavoro degli educatori e offrire un'esperienza di apprendimento più personalizzata agli studenti, il che ha fornito una certa base tecnica per i lavori successivi di Zhao et al.8.

Un altro ambito di interesse è l'uso del GAI per i sistemi di apprendimentoadattivo 9. Questi sistemi utilizzano algoritmi di intelligenza artificiale per analizzare le prestazioni di apprendimento degli studenti e adattare i materiali didattici in tempo reale, soddisfacendo così con maggiore precisione le esigenze degli studenti. Questo approccio non solo migliora i risultati di apprendimento, ma garantisce anche che gli studenti siano stimolati a un livello adeguato—né troppo facile da mancare di stimoli né troppo difficili da seguire. Inoltre, GAI è stato esplorato per il suo potenziale nell'automatizzare i processi di correzione e feedback10 e per fungere da piattaforma intelligente di supporto alledecisioni 11. Gli algoritmi di IA possono essere utilizzati per valutare automaticamente i compiti degli studenti e fornire feedback tempestivi, risparmiando tempo agli educatori e aiutando gli studenti ad apprendere in modo più efficace. Smith et al.12 hanno inoltre esplorato l'applicazione di strumenti GAI, come ChatGPT, nell'istruzione superiore, con particolare attenzione all'accettazione e all'uso di queste tecnologie tra studenti e insegnanti di diverse generazioni. Lo studio ha rivelato che gli studenti nativi digitali, grazie alla loro immersione di una vita nelle tecnologie digitali, mostrano un livello più elevato di accettazione verso tali domande; Al contrario, gli insegnanti immigrati digitali tendono ad adottare un atteggiamento più cauto e conservatore verso queste applicazioni digitali, mostrando riluttanza a provarle in modo casuale. Questa differenza generazionale presenta nuove sfide e opportunità per integrare stili di insegnamento e tecnologie educative. Imran et al.13 hanno valutato l'applicazione di strumenti di IA generativa di nuova generazione nell'istruzione, in particolare nella creazione di materiali didattici e nel fornire feedback personalizzati.

I risultati suggeriscono che questi strumenti possono aiutare gli educatori a generare risorse educative diversificate e fornire feedback in tempo reale, ma anche evidenziare sfide legate agli standard etici e all'uso equo. Cabrera et al.14 hanno analizzato la consapevolezza e l'uso del GAI da parte degli studenti attraverso sondaggi in sei università di Hong Kong. La maggior parte degli studenti ha un atteggiamento positivo, riconoscendone l'utilità nell'apprendimento personalizzato e nel feedback immediato. Tuttavia, vengono espresse anche preoccupazioni riguardo a una dipendenza eccessiva e a potenziali pregiudizi. Mishra et al.15 approfondiscono l'applicazione di GAI, come ChatGPT, nella formazione degli insegnanti, in particolare nella pianificazione del curriculum, nel pensiero critico e nell'apertura educativa. Sottolinea che il GAI può fornire meccanismi di supporto specifici e risorse educative agli insegnanti, ma sottolinea anche la necessità di valutare attentamente i propri limiti e potenziali pregiudizi per garantirne l'efficacia come strumento educativo. Mishra et al.16 riflettono sull'impatto trasformativo delle strategie GAI sull'insegnamento e sulla formazione degli insegnanti. Il metodo sostiene la considerazione dell'etica e delle politiche nell'uso delle tecnologie educative per garantire un uso equo ed efficace delle tecnologie di IA.

Gli sforzi accademici esistenti 17,18,19,20,21,22 suggeriscono che il GAI abbia il potenziale di trasformare l'istruzione offrendo esperienze di apprendimento personalizzate, adattandosi in tempo reale alle esigenze degli studenti e automatizzando compiti che richiedono molto tempo per gli educatori. Tuttavia, ci sono anche sfide associate all'uso dell'IA nell'istruzione, come la necessità di dati accurati per addestrare i modelli di IA e i potenziali bias negli algoritmi di IA23,24. Sono necessarie ulteriori ricerche per affrontare queste sfide e realizzare pienamente il potenziale del GAI in un'educazione efficace. Ricerche precedenti hanno stabilito l'efficacia delle tecnologie di IA 20,21,22,23,24,25 nel consentire l'apprendimento adattivo26,27, nel fornire feedback personalizzati 28,29 ed esplorare applicazioni educative piùampie 30,31. Tuttavia, gli studi esistenti sulle piattaforme educative abilitate a GAI si sono concentrati principalmente sull'ottimizzazione funzionale incrementale e su casi di studio applicativi isolati. Rimane una lacuna critica di ricerca irrisolta: le piattaforme educative GAI esistenti non dispongono di un'architettura integrata unificata, scalabile e pedagogicamente robusta, con limitazioni diffuse tra cui la progettazione dei moduli frammentata, scarsa interoperabilità tra scenari e l'assenza di un quadro integrato per la formazione sistematica sulle competenze (inclusa la consapevolezza della sostenibilità per gli studenti di ingegneria). Per colmare questa lacuna, questo studio indaga una piattaforma educativa completa basata su GAI da una prospettiva architettonica fondamentale, dettagliando sistematicamente il suo design modulare, il quadro di interoperabilità tra scenari e la valutazione empirica multi-stakeholder. Questo lavoro promuove il campo stabilendo un paradigma architettonico integrato standardizzato per le applicazioni GAI nell'educazione ingegneristica, al fine di migliorare sia i risultati educativi sia la coltivazione delle competenze fondamentali. I tre principali contributi di quest'opera sono elencati come segue.

  • Un quadro per la generazione dinamica di esperienze di apprendimento. Il framework impiega GAI per costruire un ambiente di apprendimento che si evolve in base alle interazioni con gli utenti e ai dati di prestazione. Questo framework costruisce un ambiente di apprendimento in evoluzione dinamica tramite GAI, che regola e ottimizza in tempo reale in base ai modelli di interazione e alle abitudini di apprendimento degli utenti—assicurando che i contenuti educativi rimangano aggiornati, coinvolgenti e allineati alle esigenze individuali. Questo meccanismo dinamico fa due cose chiave: primo, garantisce che i contenuti educativi rimangano aggiornati e non diventino obsoleti, e secondo, rende i contenuti più coinvolgenti—il tutto soddisfacendo al contempo le esigenze uniche e personalizzate di ogni studente.
  • Un progetto architettonico integrato e adattivo. L'architettura a tre livelli coordina in modo olistico i componenti adattivi, assicurando che gli strumenti di apprendimento rimangano efficaci durante tutta la progressione dell'utente. Questa architettura a tre livelli coordina in modo olistico componenti adattivi che si evolvono con gli utenti, garantendo che i contenuti e gli strumenti educativi rimangano efficaci durante tutto il percorso di apprendimento, offrendo al contempo un'esperienza educativa coesa e completa.
  • Personalizzazione guidata dai dati su larga scala. La piattaforma sfrutta l'analisi dell'apprendimento continuo per consentire una personalizzazione su larga scala basata sui dati. Adatta dinamicamente i contenuti, il ritmo e lo stile didattico alle preferenze e alle capacità cognitive di ogni apprendente. I suoi obiettivi principali di progettazione sono ridurre il carico cognitivo superfluo, migliorare l'efficienza dell'apprendimento e arricchire l'esperienza complessiva di apprendimento. Questo studio testa un'ipotesi centrale di ricerca attraverso uno studio controllato randomizzato. L'ipotesi è che questa piattaforma di apprendimento personalizzato abilitata dal GAI possa ridurre significativamente il carico cognitivo degli studenti ingegneristici, migliorare l'efficienza dell'apprendimento e migliorare sia i risultati di apprendimento correlati all'ESD sia l'esperienza di apprendimento rispetto ai tradizionali modelli didattici ingegneristici non personalizzati.

Il lavoro mette alla prova un'ipotesi centrale di ricerca. È che questa piattaforma di apprendimento personalizzato abilitata da GAI può ridurre significativamente il carico cognitivo degli studenti ingegneristici, migliorare l'efficienza dell'apprendimento e migliorare sia i risultati di apprendimento correlati all'ESD sia l'esperienza di apprendimento rispetto ai tradizionali modelli didattici non personalizzati dell'ingegneria.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Protocollo

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Questo studio è stato condotto in conformità con le linee guida etiche dell'Education University of Hong Kong. Il consenso informato è stato ottenuto da tutti i partecipanti prima della raccolta dei dati.

1. Specifica della piattaforma

Il sistema valutato è un prototipo di ricerca personalizzato, implementato come applicazione web-basata. L'ambiente software è costruito su Python 3.9 e TensorFlow 2.12. I modelli AI principali (CNN-BiLSTM, Transformer) sono ospitati su una GPU NVIDIA A100 (40 GB VRAM) all'interno di una pipeline di elaborazione basata su server. L'architettura è composta da tre livelli: primo, un livello tecnico di base che integra una rete CNN-BiLSTM con attenzione migliorata, un modulo Transformer e componenti di apprendimento per rinforzo; secondo, un centro di elaborazione per la fusione multimodale di dati in tempo reale e l'ottimizzazione dei modelli; e terzo, un livello applicativo con otto moduli funzionali, tra cui apprendimento personalizzato, Q&A, valutazione delle competenze e analisi comportamentale (Figura 1).

2. Preparare e curare i dati di addestramento

Raccogli dataset multimodali da archivi educativi pubblici (ad esempio, trascrizioni di corsi online aperti, log di interazione video educativa) e fonti proprietarie. Raccogli log di interazione anonimizzati da 50 studenti universitari e 20 educatori durante i test pilota (gennaio-giugno 2024). Pre-elabora il testo usando spaCy v3.5 (Honnibal et al., 2020) con le seguenti procedure fisse. Innanzitutto, carica il modello accademico generale pre-formato in inglese en_core_web_md. In secondo luogo, effettua la tokenizzazione utilizzando il tokenizzatore predefinito del modello ottimizzato per l'accademico, che gestisce correttamente la terminologia dell'ingegneria tecnica e dello sviluppo sostenibile. Terzo, eseguire la lemmatizzazione utilizzando il lemmatizzatore ibrido basato su regole e statistico predefinito del modello, senza che vengano applicate regole di lemmatizzazione personalizzate. Normalizzare i fotogrammi video a una risoluzione di 224 x 224 utilizzando i seguenti passaggi fissi. Primo, ridimensionare tutti i fotogrammi utilizzando interpolazione bilineare, che è il metodo standard per la pre-elaborazione dei fotogrammi video educativi. In secondo luogo, non applicare ulteriori normalizzazioni o ritaglio dei colori oltre il ridimensionamento uniforme per preservare i contenuti educativi originali. Rimuovere le informazioni personali identificabili per garantire il rispetto della privacy utilizzando le seguenti procedure fisse. Per prima cosa, utilizza il modulo di riconoscimento di entità nominate spaCy v3.5 all'interno del modello en_core_web_md per rilevare e oscurare automaticamente tutti i nomi personali, indirizzi email, numeri di telefono e identificatori istituzionali. In secondo luogo, rivedere manualmente un campione casuale del 10% di tutti i fotogrammi preprocessati di testo e video per verificare la completa rimozione delle informazioni PII, senza trovare discrepanze nel dataset finale.

3. Addestrare e Convalidare i Modelli

L'addestramento utilizzava tre paradigmi: primo, apprendimento supervisionato (Adam optimizer, tasso di apprendimento = 1e-4, dimensione del lotto = 32) per prevedere le prestazioni degli studenti da log di interazione etichettati; secondo, clustering K-means non supervisionato (k = 5) per identificare schemi comportamentali distinti; e terzo, apprendimento per rinforzo per raccomandazione di contenuti adattivi, con una funzione ricompensa definita come coinvolgimento x accuratezza. Gli iperparametri sono stati regolati tramite ricerca casuale su 100 prove su un set di validazione tenuto per garantire la robustezza. I dati di input per i modelli consistevano in flussi multimodali preprocessati e anonimizzati: sequenze di testo tokenizzate, fotogrammi video RGB 224 x 224 e metadati di interazione strutturata (ad esempio, timestamp, tipi di azione). I principali output generati dal sistema includono punteggi di previsione numerica (ad esempio, probabilità di padronanza), log dettagliati di interazione in formato JSON e rapporti di valutazione delle competenze in PDF.

figure-protocol-1
Figura 1: Architettura della piattaforma educativa completa. Questo diagramma illustra l'intera struttura gerarchica del prototipo educativo GAI personalizzato basato sul web, inclusi il Livello Application e Interaction rivolto all'utente, il Centro di Elaborazione dati multimodale e il Livello Tecnico Base guidato da modelli IA, con una mappatura chiara del flusso di dati tra i livelli. Clicca qui per visualizzare una versione più grande di questa figura.

4. Condotta di una valutazione empirica

Hanno reclutato 70 partecipanti (50 studenti di ingegneria triennale e 20 docenti) dall'Università dell'Educazione di Hong Kong. Venivano assegnati casualmente al gruppo sperimentale, che utilizzava la nostra piattaforma GAI web costruita su misura, oppure al gruppo di controllo, che utilizzava un convenzionale Sistema di Gestione dell'Apprendimento (LMS). La valutazione ha misurato quattro risultati chiave: (1) guadagno di apprendimento (valutato tramite punteggi pre-test e post-test), (2) coinvolgimento (misurato dal tempo di lavoro e dalla frequenza di interazione), (3) soddisfazione dell'utente (valutata tramite un'indagine su scala Likert a 7 punti) e (4) usabilità del sistema. Tutti i dati empirici sono stati analizzati utilizzando test t accoppiati per determinare la significatività statistica, accompagnati da calcoli della dimensione dell'effetto per valutare l'impatto pratico.

5. Finalizza e convalida l'implementazione

Prima dello studio principale, abbiamo condotto una validazione completa del sistema. Ciò comportava la verifica della piena integrazione e del funzionamento stabile di tutti e tre i livelli architettonici (Basic Technical, Processing Centre e Application Layer), la conferma dell'integrità dei dati durante tutta la pipeline, il garantire la convergenza del modello sul set di validazione e il test della reattività e affidabilità dell'interfaccia utente web-based web. Al termine con successo di questa fase di validazione, la piattaforma è stata ritenuta pronta per l'implementazione empirica formale e la valutazione comparativa all'interno del quadro di studi randomizzati controllati.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Risultati

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Lo studio controllato randomizzato ha rivelato differenze significative tra il gruppo della piattaforma GAI (sperimentale) e il gruppo LMS tradizionale (controllo). Per quanto riguarda il guadagno di apprendimento, il gruppo sperimentale ha ottenuto punteggi significativamente più alti nel post-test (M = 85,2, SD = 6,4) rispetto al gruppo di controllo (M = 76,8, SD = 7,1); differenza media = 8,4, IC 95% [4,5, 12,3], t(68) = 4,32, p < 0,001, Cohen's d = 1,02. Per l'ingaggio (tempo sul com...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Discussione

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Questo studio si è proposto di testare l'ipotesi centrale della ricerca: che una piattaforma di apprendimento personalizzata abilitata da GAI possa ridurre significativamente il carico cognitivo degli studenti ingegneristici, migliorare l'efficienza dell'apprendimento e migliorare sia i risultati di apprendimento legati all'ESD sia l'esperienza complessiva di apprendimento, rispetto ai tradizionali modelli didattici ingegneristici non personalizzati. I nostri risultati randomizzati dell'...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Dichiarazioni

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Conflitti di Interessi: Gli autori non hanno interessi finanziari o non finanziari rilevanti da divulgare.

Ringraziamenti

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Nessun finanziamento.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Materiali

Elenco dei materiali utilizzati in questo articolo
NomeAziendaNumero di catalogoCommenti
A100 GPU (40 GB VRAM)NVIDIA Corporation900-4H100-0000-000Usato per l'hosting di modelli AI di base all'interno del pipeline di elaborazione basato su server.
en_core_web_md (spaCy model)Explosion AIhttps://spacy.io/models/en#en_core_web_mdModello inglese accademico generale pre-addestrato utilizzato per la tokenizzazione e la lemmatizzazione. Versione: v3.5.
PythonPython Software Foundationhttps://www.python.org/Lingua di programmazione per l'ambiente software. Versione: 3.9.
SlimPajama datasetCerebras Systems Inc.https://www.cerebras.net/blog/cerebras-releases-slimpajama-a-cleaned-version-of-redpajama/Ampio corpus di pre-training open-source derivato da RedPajama.
spaCyExplosion AIhttps://spacy.io/Libreria di elaborazione del linguaggio naturale per il pre-processing del testo. Versione: 3.5.
TensorFlowGoogle LLChttps://www.tensorflow.org/Framework di apprendimento automatico open-source. Versione: 2.12.

Riferimenti

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Wach, K., et al. The dark side of generative artificial intelligence: a critical analysis of controversies and risks of ChatGPT. Entrepreneurial Business and Economics Review. 11 (2), 7-30 (2023).
  2. Feuerriegel, S., Hartmann, J., Janiesch, C., Zschech, P., Bichler, M. Generative AI. Business & Information Systems Engineering. 66 (1), 111-126 (2024).
  3. Noy, S., Zhang, W. Experimental evidence on the productivity effects of generative artificial intelligence. Science. , (2023).
  4. Baidoo-Anu, D., Ansah, L. O. Education in the era of generative artificial intelligence (AI): understanding the potential benefits of ChatGPT in promoting teaching and learning. Journal of AI. 7 (1), 52-62 (2023).
  5. Holechek, S., Sreenivas, V. Generative AI in undergraduate academia: enhancing learning experiences and navigating ethical terrains. Journal of Biological Chemistry. 300 (3), 105921(2024).
  6. Sayyadi, M., Collina, L., Provitera, M. J. How to develop an artificial intelligence strategy. Industrial and Systems Engineering At Work. 55 (7), 38-41 (2023).
  7. Moulaei, K., Yadegari, A., Baharestani, M., Farzanbakhsh, S., Sabet, B., et al. Generative artificial intelligence in healthcare: a scoping review on benefits, challenges and applications. International Journal of Medical Informatics. , (2024).
  8. Zhao, H., Yilahun, H., Hamdulla, A. Pipeline chain-of-thought: a prompt method for large language model relation extraction. International Conference on Asian Language Processing (IALP), , (2023).
  9. Broadbent, J., Lodge, J. Use of live chat in higher education to support self-regulated help seeking behaviours: a comparison of online and blended learner perspectives. International Journal of Educational Technology in Higher Education. 18 (1), 1-20 (2021).
  10. Zhu, J. Evaluating ChatGPT for automated creation and grading of essay questions in higher education. Journal of Educational Technology & Society. 28 (4), 112-128 (2025).
  11. Liu, J. H., Wang, C. P., Xiao, X. C. Internet of Things (IoT) technology for the development of intelligent decision support education platform. Scientific Programming. , (2021).
  12. Smith, A., Johnson, B., Williams, C. Generative AI technologies in higher education: a comprehensive review. IEEE Transactions on Education. , (2023).
  13. Imran, M., Almusharraf, N. Next-generation generative AI as an educational tool: a review of emerging educational technology. Smart Learning Environments. , (2024).
  14. Cabrera, C., Neville, R. Widely used but barely trusted: understanding student perceptions on the use of generative AI in higher education. Perspectives: Policy and Practice in Higher Education. , (2025).
  15. Mishra, P., et al. Teacher education in the age of generative artificial intelligence: introducing the special issue. Journal of Teacher Education. 76 (3), 225-229 (2025).
  16. Mishra, P., Oster, N., Henriksen, D. Generative AI, teacher knowledge and educational research: bridging short- and long-term perspectives. TechTrends: Linking Research & Practice to Improve Learning. , (2024).
  17. Bahroun, Z., Anane, C., Ahmed, V., Zacca, A. Transforming education: a comprehensive review of generative artificial intelligence in educational settings through bibliometric and content analysis. Sustainability. , (2023).
  18. Ayeni, O. O., Al Hamad, N. M., Chisom, O. N., Osawaru, B., Adewusi, O. E. AI in education: a review of personalized learning and educational technology. GSC Advanced Research and Reviews. 18 (2), 261-271 (2024).
  19. Hwang, G. J., Chen, N. S. Editorial position paper: exploring the potential of generative artificial intelligence in education: applications, challenges, and future research directions. Educational Technology & Society. , (2023).
  20. Liu, M., Ren, Y., Nyagoga, L. M., Stonier, F., Wu, Z., et al. Future of education in the era of generative artificial intelligence: consensus among Chinese scholars on applications of ChatGPT in schools. Future in Educational Research. 1 (1), 72-101 (2023).
  21. Acun, C., Acun, R. GAI-enhanced assignment framework: a case study on generative AI powered history education. NeurIPS'23 Workshop on Generative AI for Education (GAIED): Advances, Opportunities, and Challenges, , (2023).
  22. Cooper, G. Examining science education in ChatGPT: an exploratory study of generative artificial intelligence. Journal of Science Education and Technology. , (2023).
  23. Pavlik, J. V. Collaborating with ChatGPT: considering the implications of generative artificial intelligence for journalism and media education. Journalism & Mass Communication Educator. 78 (1), 84-93 (2023).
  24. Vasarhelyi, M. A., Moffitt, K. C., Stewart, T., Sunderland, D. Large language models: an emerging technology in accounting. Journal of Emerging Technologies in Accounting. 20 (2), 1-10 (2023).
  25. Farrokhnia, M., Banihashem, S. K., Noroozi, O., Wals, A. A SWOT analysis of ChatGPT: implications for educational practice and research. Innovations in Education and Teaching International. 61 (3), 460-474 (2024).
  26. Phutela, N., Grover, P., Singh, P., Mittal, N. Future prospects of ChatGPT in higher education. 2024 11th International Conference on Reliability, Infocom Technologies and Optimization (ICRITO), , (2024).
  27. Qadir, J. Engineering education in the era of ChatGPT: promise and pitfalls of generative AI for education. 2023 IEEE Global Engineering Education Conference (EDUCON), , (2023).
  28. Villarroel, V., Bloxham, S., Bruna, D., Bruna, C., Herrera-Seda, C. Authentic assessment: creating a blueprint for course design. Assessment & Evaluation in Higher Education. 43 (5), 840-854 (2018).
  29. Chen, Y., Jensen, S., Albert, L. J., Gupta, S., Lee, T. Artificial intelligence (AI) student assistants in the classroom: designing chatbots to support student success. Information Systems Frontiers. 25 (1), 161-182 (2023).
  30. Kumar, A. Analysis of ChatGPT tool to assess the potential of its utility for academic writing in biomedical domain. Biology, Engineering, Medicine and Science Reports. 9 (1), 24-30 (2023).
  31. Lakshmi, K. A study on mathematical and statistical aspects of linear models. Turkish Journal of Computer and Mathematics Education (TURCOMAT). 12 (4), 1328-1338 (2021).
  32. Soboleva, D., Al-Khateeb, F., Myers, R., Steeves, J. R., Hestness, J., et al. RedPajama: A 627B token cleaned and deduplicated version of SlimPajama. Cerebras Systems Technical Blog. , Available from: https://www.cerebras.net/blog/slimpajama-a-627b-token-cleaned-and-deduplicated-version-of-redpajama (2023).

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Ristampe e permessi

Richiedi il permesso di riutilizzare il testo o le figure di questo articolo JoVE

Richiedi permesso

Tag

IngegneriaNumero 233Numero 233Questo mese in JoVENumeroGAIModulo estensibileApprendimento intelligente

Articoli correlati