Tudásfejlesztés az alapoktatásban a mesterséges intelligencia támogatásával
Absztrakt
Napjaninkban a mesterséges intelligencia az élet különböző területein történő megjelenése egyáltalán nem meglepő, hiszen nincs olyan terület, ahol a generatív MI ne tudna újat hozni. Ez alól az oktatás sem kivétel, sőt talán itt alkalmazható nagyon nagy hatékonysággal és igen széles körben. Jelen tanulmányban a szerző néhány példán keresztül bemutatja azon alkalmazási irányokat, melyek az alapoktatásban megjelentek. Az alkalmazási lehetőségek bemutatása jobbára nemzetközi példákon keresztül történik meg, az adott megoldás részletes bemutatásával. Ismertetésre kerül a kérdésgenerálás, személyre szabott oktatás, játékosítás és ezek alkalmazhatósága, kapcsolata a műveltségi szint növelésében. A szerző megemlíti azt a legfontosabb területet, ahol az alapfokú oktatásban várhatóan a legnagyobb előrelépés lesz majd, és kifejti a véleményét azzal kapcsolatban, hogy ez milyen módon hathat a pedagógus, oktató szerepére.
Hivatkozások
Varga A. (2024): Az esélyegyenlőség fenntarthatósági aspektusai. In: Balázs László– Rajcsányi-Molnár Mónika–András István–Keszi-Szeremlei Andrea (Szerk.): A jövő fenntartható közgazdaságtana. Dunaújváros: DUE Press, pp. 53–63.
Varga A. (2023): A szervezeti kultúra versus esélyegyenlőség. Civil Szemle, 20., (7.), pp. 61–75.
Pedagógiai lapok, 13., (2025), Ősz – Oktatás 6. Budapest: Oktatási Hivatal. https://www.oktatas.hu/pub_bin/dload/kozoktatas/pok/Budapest/2025/pedagogiai_lapok13_osz_okt6.pdf
Bachiri, Y. A.– Mouncif, H.–Bouikhalene, B. (2023): Artificial intelligence empowers gamification: Optimizing student engagement and learning outcomes in e-learning and moocs. International Journal of Engineering Pedagogy, 13., (8.). https://online-journals.org/index.php/i-jep/article/view/40853/14311
Bachiri, Y. A.– Mouncif, H.–Bouikhalene, B. (2023): Artificial intelligence empowers gamification: Optimizing student engagement and learning outcomes in e-learning and moocs. International Journal of Engineering Pedagogy, 13., (8.). https://online-journals.org/index.php/i-jep/article/view/40853/14311
Tarus, J. K.–Niu, Z.–Yousif, A. (2017): A hybrid knowledgebased recommender system for e-learning based on ontology and sequential pattern mining. Future Generation Computer Systems, 72., pp. 37–48.
Awad, S. O.–Mohamed, Y.–Shaheen, R. (2022): Applications of artificial intelligence in education. Al-Azkiyaa- International Journal of Language and Education, 1., (1.), pp. 71–81. https://azkiyaa.usim.edu.my/index.php/jurnal/article/view/10/7
Nugraheni, E.– Pangaribuan, N. (2006): Gaya belajar dan strategi belajar mahasiswa jarak jauh: Kasus di Universitas Terbuka. Jurnal pendidikan terbuka dan jarak jauh, 7., (1.), pp. 68–82.
Koren, Y.–Bell, R. –Volinsky, C. (2009): Matrix factorization techniques for recommender systems. Computer, 42., (8.), pp. 30–37. https://ieeexplore.ieee.org/abstract/document/5197422
Pardamean, B.– Suparyanto, T.–Cenggoro, T. W.–Sudigyo, D.–Anugrahana, A. (2022): AI-based learning style prediction in online learning for primary education. IEEE Access, 10., pp. 35725–35735. https://ieeexplore.ieee.org/stamp/stamp.
Farkas, I. (2024): Literacy levels in small villages in relation to local primary school. Journal of Applied Technical and Educational Sciences, 14., (1.), pp. 1–23. https://real.mtak.hu/201286/1/374-Article%20Text-1258-1-10-20240414.pdf
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
