Αποτελέσματα:

Η αξιολόγηση της απόδοσης των μαθητών:

• Είναι κρίσιμη για τη βιωσιμότητα των εκπαιδευτικών προσεγγίσεων (Chen et al., 2020).

Αποτελεί βασικό εργαλείο διασφάλισης της ποιότητας διδασκαλίας.

Η πρόβλεψη των επιδόσεων:

• Υποστηρίζει διδάσκοντες και μαθητές στην προσαρμογή της εκπαιδευτικής διαδικασίας.
• Βοηθά στον σχεδιασμό εξατομικευμένων παρεμβάσεων (Chen et al., 2020).

Εφαρμογές αλγορίθμων και νευρωνικών δικτύων:

• Ανίχνευση μαθησιακού στυλ
• Πρόβλεψη εγκατάλειψης μαθημάτων (ειδικά στην εξ αποστάσεως εκπαίδευση)
• Διατήρηση μαθητών και υποστήριξή του
• Πρόβλεψη διάθεσης και συμπεριφοράς
• Υποστήριξη ρομποτικής διδασκαλίας (Chen et al., 2020)

Επίδραση της Generative AI (GenAI):

• Στη μάθηση, διδασκαλία, αξιολόγηση και διοίκηση σχολικών μονάδων
• Παρέχει πληροφορίες για μαθησιακά αποτελέσματα από τη σκοπιά εκπαιδευτικών και διευθυντών (Chiu, 2023)

Ανάλυση μαθησιακής συμπεριφοράς σε 4 στάδια (Yang et al., 2021):

• Διάγνωση: αναγνώριση δυσκολιών
• Πρόβλεψη: εκτίμηση μελλοντικής επίδοσης
• Θεραπεία: στοχευμένες παρεμβάσεις
• Πρόληψη: αποτροπή υποτροπών και αποτυχίας

Ηθικά ζητήματα & προκλήσεις της AI:

• Κίνδυνοι για δικαιοσύνη και αυτοδιάθεση
• Πιθανή διαιώνιση προκαταλήψεων και κοινωνικών ανισοτήτων (Akgun & Greenhow, 2022)
• Προβλήματα σχετικά με:

1. Παρακολούθηση και συλλογή δεδομένων
2. Ανάλυση και αξιολόγηση
3. Δεοντολογία και ιδιωτικότητα (Wong, 2017)