توسعه هوش مصنوعی در حوزه آموزش
گروه تحقیق و پژوهش دفتر تحریریه
درآمد
علم روانشناسی نه تنها باید به انسانها در درک ماهیت انسانی خود کمک کند، بلکه باید در امور عملی نیز به افراد کمک کند. با توجه به گستردگی محیط‌هایی که برای خود طراحی می‌کنیم، محدودیتی برای تعداد حوزه‌هایی که ممکن است انتظار داشته باشیم دانش علمی از طبیعت انسان مورد استفاده قرار گیرد وجود ندارد.
پیشرفتهای اخیر در روانشناسی شناختی و علوم مرتبط، ما را به این نتیجه می‌رساند که دانش و اطلاعات در مورد رفتار شناختی انسان به اندازۀ کافی توسعه یافته است تا امکان استفاده از آن را در علوم کامپیوتر و سایر حوزههای عملی فراهم کند. پس از جنگ جهانی دوم، همکاری در زمان جنگ بین دانشمندان علوم طبیعی، مهندسان و روانشناسان، نه تنها در مورد سیستمهای انسان و ماشین طراحی شده، بلکه در مورد خود نظریۀ روان‌شناختی نیز پیشرفتهای عمده‌ای داشت. از جمله نمونههای دومی عبارتند از: نظریۀ تشخیص سیگنال[1]، نظریۀ کنترل دستی[2]، و روشی برای طراحی سیستمهای نمایشگر در کابین خلبان. در حدود یک دهۀ اخیر، این نظریهها و تکنیکها حوزههای اصلی روانشناسی تجربی انسان را در بر گرفته است: ادراک، عملکرد، حافظه، یادگیری، حل مسئله و روانشناسی زبان[3] (ارشاد و همکاران[4]، 2022: 20).
در حال حاضر، افراد در زمینههای مختلف مانند علوم اعصاب، علوم فیزیکی کوانتومی و علم مغز، به پیشرفتهای خارقالعادهای دست یافتهاند و استدلال‌های انسانساخته همچنان به وجود می‌آیند. رویکردهای متعددی برای حل مسئله در روانشناسی، انفورماتیک شناختی و هوش محاسباتی به شرح زیر مورد مطالعه و پیشنهاد قرار گرفته است: الگوریتم حقایق مستقیم[5]، الگوریتم هیوریستیک[6]، الگورتیم قیاس[7]، الگوریتم تپهنوردی[8]، الگوریتم استنتاج الگوریتمی[9]، الگوریتم جستجوی جامع[10]، الگوریتم تقسیم و حل[11]، الگوریتم تجزیه و تحلیل و سنتز[12] (روبینسین و فریستنبرگ[13]، 1995؛ متلین[14]، 1998؛ اورمورد[15]، 1999؛ وانگ و همکاران[16]، 2006؛ وانگ و روهه[17]، 2007).
مفهوم “آگاهی انسانساخته”[18] برای اولین بار توسط جان مککارتی[19] در نشست دارتموث در سال 1956 مورد استفاده قرار گرفت. از آن نقطه به بعد، آگاهی انسانساخته (هوش مبتنی بر رایانه)[20] در طول سالیان متمادی چرخش منطقی و نوآورانۀ وقایع سه انفجار را پشت سر گذاشته است. به عنوان یک پیشرفت اساسی برای بینش انسان، هوش مبتنی بر رایانه با موفقیت مغز انسان را گسترش میدهد و دانش آن را افزایش میدهد. هوش مصنوعی و مغز انسان مطابقت داشتند و از یکدیگر حمایت میکردند (ارشاد و همکاران، 2022). هوش مصنوعی در اصل «علم و مهندسی ساخت ماشین‌های هوشمند، به‌ویژه برنامههای رایانه‌ای هوشمند» است. این تعریف به وظیفۀ مشابه استفاده از رایانه برای درک هوش انسانی مربوط میشود، اما هوش مصنوعی مجبور نیست خود را به روشهای قابل مشاهدۀ بیولوژیکی محدود کند». جان مک کارتی اصطلاح هوش مصنوعی را برای توصیف توانایی ماشین‌ها برای انجام عملکردهای هوش انسانی مانند: استدلال، یادگیری، ادراک، تصمیم‌گیری، سازگاری و کنترل به کار برد (پاندی و میسرا[21]، 2022).
هوش مصنوعی شاخه‌ای از علوم کامپیوتر است که از الگوریتم‌ها و تکنیکهای یادگیری ماشین برای تکرار یا شبیه‌سازی هوش انسانی استفاده میکند. سه نوع هوش مصنوعی وجود دارد: هوش مصنوعی محدود (ضعیف)، هوش مصنوعی عمومی و ابرهوش مصنوعی. هوش مصنوعی باریک رایجترین و تحققیافتهترین شکل هوش مصنوعی تا به امروز است. این نوع هوش مصنوعی، بسیار هدفگرا است و از تکنیکهای یادگیری ماشین برای دستیابی به یک هدف یا وظیفۀ خاص استفاده میکند (به عنوان مثال، تشخیص تصویر و چهره، دستیارهای هوشمند سیری/ الکسا). هوش مصنوعی عمومی (یا عمیق)، هوش مصنوعی است که همتراز با تواناییهای انسان در نظر گرفته میشود (به عنوان مثال، هوش مصنوعی که میتواند نیازها و احساسات موجودات هوشمند دیگر را تشخیص دهد). ثالثاً، ابرهوش مصنوعی هوش مصنوعی است که توانایی بیشتری نسبت به انسان دارد (شبیه به تصویرسازی فیلم علمی تخیلی از هوش مصنوعی که از هر نظر جانشین انسانها میشود).
تعریف هوش مصنوعی- که آن را در حیطۀ زمینۀ محیط‌های انسانی قرار میدهد- از سوی یونیسف[22] (2021) ارائه شد:
هوش مصنوعی، به سیستمهای مبتنی بر ماشین اشاره دارد که- مشروط به مجموعه‌ای از ابژکتیوهای تعریف شده انسانی- میتوانند پیش‌بینی‌ها، توصیه‌ها یا تصمیماتی داشته باشند که محیط‌های واقعی یا مجازی را تحت تأثیر قرار میدهند. سیستمهای هوش مصنوعی با ما در تعامل هستند و تأثیر مستقیم یا غیرمستقیم بر محیط ما دارند. اغلب اینطور به نظر میرسد که این سیستم‌ها به طور خودمختار عمل میکند و رفتار خود را با یادگیری دربارۀ زمینه انطباق میدهند (یونیسف، 2021: 13).
نقش هوش مصنوعی در علم روانشناسی هنوز توسط متخصصان علوم روانشناسی دست کم گرفته میشود. گاهیاوقات روانشناسان استفاده از ساختارهای تخصصی را در زمینههای کاری خود رد میکنند؛ زیرا میترسند که رایانه جایگزین آنها شود. هوش مصنوعی در حال حاضر هنوز به آن مرحله از موفقیت عملکرد در تقلید همزمان از همۀ بخش‌های رفتار انسانی نرسیده است، اما محققان در مسیر درستی برای رسیدن به آن هستند (کلین[23]، 1999 به نقل از ارشاد و همکاران، 2022).
توسعه هوش مصنوعی در حوزه آموزش
در چند سال گذشته، توسعۀ شتابان هوش مصنوعی تغییرات اساسی در بخش‌های مختلف زندگی انسان از جمله آموزش ایجاد کرده است. در طول نیم قرن اخیر، تحقیقات زیادی در مورد آموزش هوش مصنوعی صورت گرفته است که دیدگاه‌های جالبی را ایجاد کرده است (بوزکورت و همکاران[24]، 2021). همانند بسیاری از حوزههای دیگر، هوش مصنوعی در آموزش نیز به کار گرفته شده است که در چند دهۀ اخیر تحت تأثیر عوامل و تغییرات مختلفی قرار گرفته است (پوپنیچی و کر[25]، 2017). اهمیت بهکارگیری هوش مصنوعی در حوزۀ آموزش به دلیل همه‌گیری کووید +19 که منجر به تغییر آموزش سنتی حضوری به شکل آموزش و یادگیری دیجیتالی شد، مورد تأکید قرار گرفت (مقبول و همکاران[26]، 2021؛ پانتلیمون و همکاران[27]، 2021؛ میجویل و همکاران[28]، 2022).
هوش مصنوعی توانایی ایجاد تجربیات یادگیری را دارد. با این وجود، هوش مصنوعی موانع و نگرانی‌های جدیدی را نیز ایجاد میکند. علم و موهانتی[29] (2023) اذعان داشتهاند که استفاده از هوش مصنوعی (AI) در آموزش مستلزم ارزیابی عمیق‌تر روشهای اخلاقی و پداگوژیکی است (علم و موهانتی، 2023).
ادغام هوش مصنوعی در آموزش، پتانسیل ایجاد انقلابی در روشهای تدریس سنتی را دارد. با افزایش کارایی، بهبود اثربخشی تدریس و توسعۀ روشهای جدید یادگیری، معلمان میتوانند به راحتی طرح‌های درسی را توسعه دهند، مواد آموزشی مناسب را انتخاب کنند و موضوعات را ارائه کنند. هوش مصنوعی همچنین میتواند دادههای عملکرد دانشآموزان را تجزیه و تحلیل کند و بینش‌هایی در مورد چگونگی بهبود آموزش و یادگیری ارائه دهد. به این ترتیب، بسیاری از محققین در عرصۀ آموزش و پرورش به برنامههای کاربردی هوش مصنوعی برای آموزش و یادگیری علاقه نشان دادهاند (درایسه[30]، 2023).
مطالعات نشان دادهاند که پیادهسازی هوش مصنوعی در آموزش میتواند به طور مؤثر مسائل را حل کند و تجارب یادگیری دانشآموزان را بهبود بخشد (کاشیو و همکاران[31]، 2020؛ الغامدی[32]، 2022). ادغام هوش مصنوعی همچنین میتواند دسترسی به دانش را افزایش داده و کیفیت فرآیند آموزشی را بهبود بخشد (اوستسکی و همکاران[33]، 2023). بنابراین، بررسی پتانسیل هوش مصنوعی در آموزش و در نظر گرفتن آن به عنوان رویکردی جدید برای تغییر روشهای سنتی و در نتیجه دستیابی به آموزش پایدار بسیار مهم است.
هولمز و همکاران[34] (2019) و هولمز و پورایسکا پومسا[35] (2023)، موضوع هوش مصنوعی در آموزش را به چهار بخش تقسیم کردند. اولاً یادگیری با [استفاده از] هوش مصنوعی، شامل این است که چگونه هوش مصنوعی میتواند به دانشآموزان در کلاس درس یا از طریق اپلیکیشن‌های کلاس درس یا سیستمهای اداری مدارس کمک کند. ثانیاً کاربرد هوش مصنوعی برای یادگیری دربارۀ یادگیری، شیوه‌ای است که محققان و مربیان میتوانند از داده‌کاوی و دیگر ابزارهای مبتنی بر هوش مصنوعی استفاده کنند تا دادههای آموزشی را تجزیه و تحلیل نمایند. ثالثاً یادگیری دربارۀ هوش مصنوعی، همان کاری است که با مطالعۀ این کتاب انجام می‌دهید. مطالبی که این کتاب در این زمینه پوشش میدهد، شامل همه چیز است: از تدریس دربارۀ حریم خصوصی به خردسالان تا تدریس جزئیات پردازش زبان طبیعی به فراگیران. بالأخره آنکه هوش مصنوعی در آموزش، آمادگی برای هوش مصنوعی را شامل میشود. این آمادگی، گام‌هایی عملی است که به مجرد یادگیری دربارۀ هوش مصنوعی، می‌توان این گام‌ها را برداشت ( کارن موران جکسون و رزماری پاپا ، 2024)
در حوزۀ آموزش، توسعۀ هوش مصنوعی احتمالاً در قالب هوش مصنوعی محدود باقی خواهد ماند. فناوری‌های آموزشی کنونی شامل تشخیص معنایی گفتار، تشخیص تصویر، واقعیت افزوده/ واقعیت مجازی، یادگیری ماشینی، علوم اعصاب مغز، محاسبات کوانتومی، بلاک چین و غیره است. این فناوریها به سرعت در کلاسهای درس ادغام میشوند. تعداد روزافزونی از محصولات آموزشی هوش مصنوعی در آموزش و پرورش عمومی استفاده میشود. مطالعات ادبیات نشان میدهد که فناوری هوش مصنوعی در آموزش حداقل در 10 جنبه به کار رفته است: “(1) سیستم نمرهدهی خودکار[36]، (2) یادآوری فاصلۀ زمانی[37]، (3) بازخورد معلم[38]، (4) معلمان مجازی[39]، (5) یادگیری شخصیسازی شده[40]، (6) یادگیری تطبیقی[41]، (7) واقعیت افزوده/ واقعیت مجازی[42]، (8) خواندن دقیق[43]، (9) پردیس هوشمند[44]، و (10) یادگیری از راه دور[45].
هوش مصنوعی و پیشرفت تحصیلی
امروزه استفاده از فناوری اطلاعات و ارتباطات به بخشی جداییناپذیر از زندگی انسان تبدیل شده است (ستیاوان[46]، 2018؛ سوپیانتی[47]، 2018؛ پراجانا و آستوتی[48]، 2020). اشکال مختلف زندگی انسان تحت تأثیر پیشرفتهای فناوری اطلاعات و ارتباطات از افراد گرفته تا سازمانها قرار گرفته است. علاوه بر این، فناوری اطلاعات و ارتباطات میتواند انتقال تمدن بشری از عصر صنعتی به عصر اطلاعات را پیش ببرد (هرلیانی و وهیودین[49]، 2019؛ شودیک[50]، 2021). فناوری اطلاعات و ارتباطات یا به اختصار ICT یک فناوری است که معمولاً در فرآیند اکتساب، گردآوری، ذخیره و مدیریت دادهها یا اطلاعات به منظور تولید دادههای دقیق، مرتبط و به موقع برای افراد و گروههای اجتماعی استفاده میشود (گوستی و امبیار[51]، 2021).همانطور که هوش انسانی افزایش مییابد ICT نیز با ایجاد آخرین فناوری برای حل مشکلی که رخ میدهد به توسعه خود ادامه میدهد. هرچه این فناوری اطلاعات بیشتر توسعه یابد، نوآوریهای بیشتری حاصل میشود (دلیانتی[52]، ۲۰۱۸؛ کورنیاوان و همکاران[53]، ۲۰۲۱). به طوری که امروزه نقش فناوری اطلاعات اغلب به عنوان نوعی پشتیبانی برای یادگیری، چه دروس رسمی مدرسه و چه برای دروسی که مستقل هستند (خودآموزی) استفاده میشود.
هوش مصنوعی بخشی از فناوری اطلاعات است که به عنوان شکل یا راهی برای بهبود پیشرفت یادگیری دانشآموزان ارائه میشود (پابوبونگ[54]، ۲۰۲۱؛ سوپریادی و آسیه[55]، ۲۰۲۱). هوش مصنوعی یا به اختصار AI یک برنامه و دستورالعمل است که به برنامه نویسی کامپیوتر متصل میشود تا بتواند کاری را انجام دهد که از نظر انسان هوشمند است یا میتواند به عنوان درسی در مورد چگونگی ساخت رایانهها برای انجام کارهایی که در حال حاضر بهتر از انسانهایی که آن را انجام میدهند، درک شود (غزمی[56]، ۲۰۲۱؛ ساسمیتو و همکاران[57]، ۲۰۲۱؛ الغفیقی[58]، ۲۰۲۲).
پایه و اساس هوش مصنوعی بسیار گسترده است که شامل حوزه آموزش نیز میشود. یادگیری با استفاده از این سیستم هوش مصنوعی، یادگیری است که به گونهای اصلاح شده است که بتواند پیشرفت و تمرکز یادگیری دانشآموزان را بهبود بخشد؛ چرا که هوش مصنوعی این مزیت را دارد که به صورت انفرادی به دانشآموزان آموزش داده و مشکل مورد نظر را مشخص کند تا با استفاده از فناوری هوش مصنوعی روش صحیح و مناسب تدریس به دانشآموزان را بیابد (سوگیارسو و همکاران[59]، ۲۰۲۴).
یادگیری با استفاده از عملکرد هوش مصنوعی، یادگیری شخصیسازی شده است (یادگیری که با نیازهای دانشآموزان منطبق میشود) به طوری که میتواند تجربه یادگیری دانشآموزان و درک آنها از یک موضوع را بهبود بخشد (آریپ نوراحمان و پاندو پریبادی[60]، 2022؛ سیفا[61]، 2022). افزایش تمرکز دانشآموزان در یادگیری یکی از اشکال نقش هوش مصنوعی در سیستم فردی است. از آنجا که توانایی هوش مصنوعی این است که میتواند به دانشآموزان بیاموزد که به صورت فردی یاد بگیرند و میتواند محیط اطراف مورد نیاز برای یافتن روش صحیح یادگیری دانشآموزان را از طریق هوش مصنوعی تشخیص دهد. بنابراین، میتواند عملکرد دانش آموزان را در طول فرآیند تدریس و یادگیری در کلاس درس بهبود بخشد. به عنوان مثال، اگر این فناوری بداند چه چیزی ما را به یک شی علاقهمند میسازد، از آن شی به عنوان مثال استفاده میکند تا درک موضوع را آسانتر نماید.
هوش مصنوعی میتواند تشخیص دهد که چه روشهایی درک درسهای جاری را برای دانشآموزان دشوار میسازد (چاسینول و همکاران[62]، ۲۰۱۸). بطوریکه هوش مصنوعی میتواند معلمان را عادت دهد تا مدام راههای جدید برای کمک به یادگیری دانشآموزان بیابند، تا بچهها راحتتر موضوعات ارائه شده در کلاس درس را درک کنند و در طول فرآیند یادگیری مشتاقتر شوند؛ زیرا اگر دانشآموزان درسهای ارائه شده را به خوبی متوجه نشوند، باعث بیحوصلگی آنها در کلاس درس میشود (چن و همکاران[63]، ۲۰۲۰؛ یانگ و همکاران[64]، ۲۰۲۱). بلکبرد مغناطیسی، یکی از ابزارهای حوزه آموزشی است که معمولاْ در مراکز آموزشی پیشرفته مورد استفاده قرار میگیرد. معلمان از این پلتفرم آنلاین برای انتشار یادداشت‌ها، امتحانات و برخی آزمون‌های خود استفاده میکنند، زیرا انتظار می‌رود که به دانشآموزان اجازه دهد مسائل و تکالیف را برای تکمیل ارزشیابی‌ها مطرح کنند. این امر میتواند دسترسی دانشآموزان به مواد درسی و تکالیف ارائه شده توسط معلمان را آسانتر کند. همچنین، هوش مصنوعی میتواند دلایل عدم فهم دانشآموزان در درک موضوع تدریس شده توسط مربیان را دریابد (سوگیارسو و همکاران، ۲۰۲۴).
هوش مصنوعی و خودکارآمدی دانش آموزان
خودکارآمدی به باور افراد به توانایی آنها در انجام وظایف خاص و دستیابی به نتایج مطلوب با موفقیت مربوط میشود (آسیو و سوئرو[65]، 2024). براساس مطالعۀ وانگ و همکاران (2023)، قابلیت‌های هوش مصنوعی مؤسسات آموزشی متأثر از خلاقیت و خودکارآمدی فراگیران است (وانگ و همکاران، 2023). مطالعۀ دیگری نشان داد که استفاده از اپلیکیشن‌های هوش مصنوعی در فرآیند بررسی، دقیقاً حس خودکارآمدی دانشآموزان را افزایش میدهد (لی و همکاران[66]، 2022). ایانواله[67] (2023) دریافت که اکثر دانشآموزان سطح بالایی از خودکارآمدی دارند و معتقدند که میتوانند هوش مصنوعی را یاد بگیرند (ایانواله، 2023). افزایش سطح نگرانی در مورد هوش مصنوعی میتواند بر احساس خودکارآمدی دانشآموزان تأثیر منفی بگذارد. در تحقیقات قبلی خود، وانگ و همکاران (2022) نقش خودکارآمدی در یادگیری آنلاین را به عنوان واسطهای بین تعامل و مشارکت یادگیری در بین دانشآموزان برجسته کرد. آنها ممکن است نسبت به تواناییهای خود تردید کنند و از سیستمهای هوش مصنوعی بیش از حد استفاده کنند، بنابراین اعتماد به نفس آنها کاهش مییابد (وانگ و همکاران، 2022). وانگ و همکاران (2021) دریافتند که خودکارآمدی، استفادۀ مربیان از هوش مصنوعی را در کلاس‌هایشان پیش‌بینی میکند (وانگ و همکاران، 2021). وو و همکاران[68] (2023) با برجسته کردن رابطۀ سودمند متقابلی که بین خودکارآمدی و مشارکت دانشآموزی وجود دارد، پتانسیل انقلابی هوش مصنوعی را برجسته کردند (وو و همکاران، 2023).
سابوردینو و همکاران[69] (2024) در تحقیقات خود نشان دادند که اگرچه دانشآموزان از سطح بالای اعتماد به نفس در توانایی خود برای استفادۀ مؤثر از هوش مصنوعی برخوردارند، به نظر میرسد خودکارآمدی آنها پایینتر است. اضطراب در مورد هوش مصنوعی ممکن است باعث شود دانشآموزان به تواناییهای خود بیاعتماد شوند و نسبت به فناوریهایی که از هوش مصنوعی استفاده میکنند احساس حقارت کنند (سابوردینو و همکاران، 2024). به طور خاص، سانوسی و همکاران[70] (2022) در مطالعۀ تحقیقاتی خود بر اهمیت شایستگیهای هوش مصنوعی تأکید کردند. علاوه بر این، نتایج نشان داد که خودکارآمدی بازتابی از خودارزیابی فرد از قابلیت‌های خود برای مشارکت در فعالیت‌ها است. این فقدان تخصص درک شده میتواند بر انگیزه، مشارکت و تمایل شرکتکنندگان برای انجام وظایف چالش برانگیز تأثیر منفی بگذارد (سانوسی و همکاران، 2022).
با این حال، خودکارآمدی به تنهایی ایجاد نمیشود. بیشتر تحت تأثیر متغیرهایی مانند سواد، علاقه، نگرش و استفاده است، همانطور که در بسیاری از نظریههای روانشناسی در سطوح مختلف آموزشی و در سراسر فرآیند یادگیری به بحث گذارده شده است (به عنوان مثال به اکلز و ویگفیلد[71]، 2002 نگاه کنید). به عنوان مثال، مطالعات تأثیر توانایی (گینور و لنت[72]، 1998)، اضطراب و تجربۀ قبلی (جانسون[73]، 2005) بر خودکارآمدی را نشان دادهاند. تحقیقات بیشتر نشان داده است که اثرات این متغیرها و پویایی خاص آنها اغلب مختص حوزه است (آشر و پاجارس[74]، 2008). بنابراین برای مربیان هوش مصنوعی، درک تأثیر متقابل بین متغیرهای شناختی (سواد هوش مصنوعی)، عاطفی (نگرش مثبت و منفی نسبت به هوش مصنوعی، علاقه به هوش مصنوعی) و رفتاری (استفاده از هوش مصنوعی) و چگونگی تأثیر آنها بر خودکارآمدی بسیار مهم است. در حالیکه مطالعات اخیر شروع به نشان دادن همبستگی بین چندین مورد از این سازه‌های کلیدی کرده‌اند (هورنبرگر و همکاران[75]، 2023؛ کارولوس و همکاران[76]، 2023)، اما اینکه کدام متغیرها به طور قابل توجهی خودکارآمدی را شکل میدهند، کاملاً آشکار نیست. محققان همچنین در حال کار برای درک اثرات علی هستند (مارکوس و همکاران[77]، 2024). با اینحال، تا به امروز، ما فاقد درک جامعی از متغیرهای خاصی هستیم که بر خودکارآمدی در حوزۀ هوش مصنوعی تأثیر می‌گذارند (بیورسدورف و همکاران[78]، 2025).
[1]. theory of signal detection
[2]. manual control theory
[3]. psycholinguistics
[4]. Irshad et al
[5]. Direct facts
[6]. Heuristic
[7]. Analogy
[8]. Hill climbing
[9]. Algorithmic deduction
[10]. Exhaustive search
[11]. Divide-and-conquer
[12]. Analysis and synthesis
[13]. Rubinsyein & Firstenberg
[14]. Matlin
[15]. Ormord
[16]. Wang et al
[17]. Ruhe
[18]. man-made consciousness
[19]. John McCarthy
[20]. computer-based intelligence
[21]. Pandey & Misra
[22]. UNICEF
[23]. Klein
[24]. Bozkurt et al
[25]. Popenici & Kerr
[26]. Maqbool et al
[27]. Pantelimon et al
[28]. Mijwil et al
[29]. Alam & Mohanty
[30]. Darayseh
[31]. Kashive et al
[32]. AlGhamdi
[33]. Osetskyi et al
[34]. Holmes et al
[35]. Porayska-Pomsta
[36]. automatic grading system
[37]. interval reminder
[38]. teacher’s feedback
[39]. virtual teachers
[40]. personalized learning
[41]. adaptive learning
[42]. augmented reality/virtual reality
[43]. accurate reading
[44]. intelligent campus
[45]. distance learning
[46]. Setiawan
[47]. Supianti
[48]. Prajana & Astuti
[49]. Herliani & Wahyudin
[50]. Shodiq
[51]. Gusti & Ambiyar
[52]. Delianti
[53]. Kurniawan et al
[54]. Pabubung
[55]. Supriyadi & Asih
[56]. Ghazmi
[57]. Sasmito et al
[58]. Alghafiqi
[59]. Sugiarso et al
[60]. Arip Nurahman & Pandu Pribadi
[61]. Syifa
[62]. Chassignol
[63]. Chen et al
[64]. Yang et al
[65]. Asio & Suero
[66]. Lee et al
[67]. Ayanwale
[68]. Wu et al
[69]. Sabordino et al
[70]. Sanusi et al
[71]. Eccles & Wigfield
[72]. Gainor & Lent
[73]. Johnson
[75]. Hornberger et al
[76]. Carolus et al
[77]. Markus et al
[78]. Bewersdorff et al
