Empowering Schools through AI:Transforming Education with Adaptive Learning Platforms
Notice bibliographique
Résumé
Digitalisation is transforming education, offering both opportunities and challenges for schools worldwide. Central to this transformation is the integration of artificial intelligence (AI) within Learning Management Systems (LMS) to support adaptive and blended learning environments. This paper introduces an innovative AI-driven LMS equipped with modules such as Flipped Classroom and Adaptive Learning, enabling students to engage independently with foundational concepts while providing educators with real-time diagnostic insights. Leveraging advanced AI techniques, including recurrent neural networks (RNN) and long short-term memory (LSTM) algorithms, the platform dynamically evaluates student performance, personalises learning activities, and optimises learning paths to enhance outcomes. Emphasising the importance of digital leadership, professional development, and interoperability, this study presents actionable pathways for successfully implementing AI-driven LMS platforms to foster inclusive, innovative, and future-ready educational ecosystems. Цифровизация трансформирует образование, создавая как возможности, так и вызовы для школ по всему миру. Центральным элементом этой трансформации является интеграция искусственного интеллекта (ИИ) в системы управления обучением (LMS) для поддержки адаптивных и смешанных учебных сред. В данной статье представлена инновационная LMS на базе ИИ, оснащённая такими модулями, как «Перевёрнутый класс» и «Адаптивное обучение», которые позволяют ученикам самостоятельно осваивать базовые концепции, одновременно предоставляя педагогам диагностическую информацию в режиме реального времени. Используя передовые технологии ИИ, в том числе рекуррентные нейронные сети (RNN) и алгоритмы долгой краткосрочной памяти (LSTM), платформа динамически оценивает успеваемость учеников, персонализирует учебные задания и оптимизирует учебные траектории для улучшения результатов. Подчёркивая важность цифрового лидерства, профессионального развития и взаимодействия, в данном исследовании представлены практические пути успешного внедрения платформ LMS на базе ИИ для создания инклюзивных, инновационных и готовых к будущему образовательных экосистем. Цифрландыру әлемнің барлық мектептері үшін жаңа мүмкіндіктер мен сын-талаптар ұсына отырып білім беру саласына тың өзгерістер енгізіп түрлендіруде. Мұндай өзгерістер енгізуде бейімделген және аралас оқу орталарын қолдау үшін жасанды интеллектіні (ЖИ) оқытуды басқару жүйелерімен (LMS) интеграциялау маңызды орын алады. Бұл мақалада «Төңкерілген сынып» және «Бейімделген оқыту» модульдерін қамтитын және жасанды интеллектіге негізделген оқытуды басқарудың инновациялық LMS жүйесі ұсынылған. Бұл білім алушылардың негізгі тұжырымдамаларды өз бетінше игеруіне, ал оқытушылардың нақты уақыт тәртібінде диагностикалық деректерді алуына мүмкіндік береді. Рекуррентті нейрожелі (RNN) және ұзақ мерзімді қысқа жады (LSTM) алгоритмдері сияқты озық жасанды интеллект технологияларын пайдалану арқылы платформа оқушылардың үлгерімін динамикалық түрде бағалайды, оқу іс-әрекеттерін дербестендіреді және нәтижелерді жақсарту үшін оқыту тәсілдерін оңтайландырады. Цифрлық көшбасшылықтың, кәсіби дамудың және функционалдық үйлесімділіктің маңыздылығын атап көрсете отырып, бұл зерттеу инклюзивті, инновациялық және болашаққа дайын білім беру экожүйелерін қалыптастыру үшін жасанды интеллектіге негізделген LMS платформаларын табысты енгізудің практикалық тәсілдерін ұсынады.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,008 | 0,009 |
| Science ouverte | 0,001 | 0,008 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».