New ontological perspectives on artificial intelligence and mobile learning: an exploratory study.
DOI:
https://doi.org/10.32043/jimtlt.v4i1.161Parole chiave:
AIEDU, Digital education, Mobile LearningAbstract
In questo articolo vengono esaminate le sfide e le implicazioni dell'evoluzione delle Intelligenze Artificiali (IA) nell'apprendimento e come le stesse impattano sulla costruzione cognitiva e sull'educazione. La personalizzazione mediata dall'IA e la valutazione autentica sono al centro di nuove prospettive pedagogiche. Attraverso l'analisi delle tendenze di mercato, si evidenzia l'importanza della potenza di calcolo, mostrando il crescente interesse per l'intelligenza generativa alimentata da tecnologie chiave come il cloud e i chipset. La personalizzazione avanzata può essere ottenuta utilizzando le IA direttamente, concentrandosi sulle risposte prodotte, o utilizzando un approccio indiretto basato sull'analisi biometrica. Secondo i dati raccolti in uno studio tra gli insegnanti di alcune scuole di Roma, c'è una significativa accettazione dell'uso dei dispositivi mobili nell'istruzione, ma c'è una diffidenza nell'uso dei dispositivi mobili per l'apprendimento a distanza, indicando la complessità dell'adozione di queste tecnologie. L'ultimo punto è sottolineare l'importanza di andare oltre l'approccio ludico e promuovere un nuovo paradigma educativo e un'alfabetizzazione specifica per un uso consapevole delle IA.
Riferimenti bibliografici
Hawley, S. H. (2019). Challenges for an Ontology of Artificial Intelligence (arXiv:1903.03171). arXiv. https://doi.org/10.48550/arXiv.1903.03171
Ciasullo, A. (s.d.). Intelligenze Artificiali in educazione | RESEARCH TRENDS IN HUMANITIES Education & Philosophy. RTH 11 (2024), 70–74.
Tzimas, T. (2021). The Ontology of AI. In T. Tzimas (A c. Di), Legal and Ethical Challenges of Artificial Intelligence from an International Law Perspective (pp. 33–67). Springer International Publishing. https://doi.org/10.1007/978-3-030-78585-7_3
Guarino, N. (1995). Formal ontology, conceptual analysis and knowledge representation. International Journal of Human-Computer Studies, 43(5), 625–640. https://doi.org/10.1006/ijhc.1995.1066
Lei, C. (2021). Deep Learning Basics. In L. Chen (A c. Di), Deep Learning and Practice with MindSpore (pp. 17–28). Springer. https://doi.org/10.1007/978-981-16-2233-5_2
Fulton, L. B., Lee, J. Y., Wang, Q., Yuan, Z., Hammer, J., & Perer, A. (2020). Getting Playful with Explainable AI: Games with a Purpose to Improve Human Understanding of AI. Extended Abstracts of the 2020 CHI Conference on Human Factors in Computing Systems, 1–8. https://doi.org/10.1145/3334480.3382831
Frauenfelder, E. (1997). Nuove frontiere della ricerca pedagogica tra bioscienze e cibernetica.
Ciasullo, A. (s.d.). L’eredità scientifica di E. Frauenfelder. Per una prospettiva epigenetica nel virtuale | RESEARCH TRENDS IN HUMANITIES Education & Philosophy. Recuperato 11 agosto 2020, da http://www.tema.unina.it/index.php/rth/article/view/5457
Weissinger, L. B. (s.d.). AI, Complexity, and Regulation. In J. B. Bullock, Y.-C. Chen, J. Himmelreich, V. M. Hudson, A. Korinek, M. M. Young, & B. Zhang (A c. Di), The Oxford Handbook of AI Governance (p. 0). Oxford University Press. https://doi.org/10.1093/oxfordhb/9780197579329.013.66
Hatt, K. (2009). Considering Complexity: Toward a Strategy for Non-linear Analysis. The Canadian Journal of Sociology / Cahiers canadiens de sociologie, 34(2), 313–347.
Lodge, J. M., & Harrison, W. J. (2019). The Role of Attention in Learning in the Digital Age. The Yale Journal of Biology and Medicine, 92(1), 21–28.
Martinez, M. E. (2001). The Process of Knowing: A Biocognitive Epistemology. The Journal of Mind and Behavior, 22(4), 407–426.
Howes, D. (2003). Sensual relations: Engaging the senses in culture and social theory. University of Michigan Press.
Albawi, S., Mohammed, T. A., & Al-Zawi, S. (2017). Understanding of a convolutional neural network. 2017 International Conference on Engineering and Technology (ICET), 1–6. https://doi.org/10.1109/ICEngTechnol.2017.8308186
Gordon, C., & Debus, R. (2002). Developing deep learning approaches and personal teaching efficacy within a preservice teacher education context. British Journal of Educational Psychology, 72(4), 483–511. https://doi.org/10.1348/00070990260377488
Wach, K., Duong, C. D., Ejdys, J., Kazlauskaitė, R., Korzynski, P., Mazurek, G., Paliszkiewicz, J., & Ziemba, E. (2023). 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.
Bernhard, J. (2007). Humans, Intentionality, Experience And Tools For Learning: Some Contributions From Post‐cognitive Theories To The Use Of Technology In Physics Education. AIP Conference Proceedings, 951(1), 45–48. https://doi.org/10.1063/1.2820943
Intelligenza artificiale, chi sta vincendo davvero la corsa all’oro | Wired Italia. (s.d.). Recuperato 8 marzo 2024, da https://www.wired.it/article/intelligenza-artificiale-chatgpt-anno-openai-nvidia/
Kuhn, T. S. (2012). The Structure of Scientific Revolutions. University of Chicago Press.
Santoianni, F., Petrucco, C., Ciasullo, A., & Agostini, D. (2021). Teaching and Mobile Learning: Interactive Ed-ucational Design. CRC Press.
Ally, M. (2009). Mobile Learning: Transforming the Delivery of Education and Training. Athabasca University Press.
Hastie, T., Tibshirani, R., & Friedman, J. H. (2009). The elements of statistical learning: Data mining, inference, and prediction (Second edition). Springer. http://www-stat.stanford.edu/~tibs/ElemStatLearn/
Akour, M., Alsghaier, H., & Alqasem, O. (2020). The effectiveness of using deep learning algorithms in predicting students achievements. Indonesian Journal of Electrical Engineering and Computer Science, Vol. 14. https://doi.org/10.11591/ijeecs.v19.i1.pp388-394
##submission.downloads##
Pubblicato
Come citare
Fascicolo
Sezione
Licenza
Copyright (c) 2024 Alessandro Ciasullo
Questo lavoro è fornito con la licenza Creative Commons Attribuzione - Non commerciale - Non opere derivate 4.0 Internazionale.
