اما برخی ممکن است استدلال کنند که بهینه سازی اتصالات شبکه یک کار مبهم تری نسبت به بهینه سازی نمرات آزمون است. تابع(های) هدف دقیقاً چه باید باشد؟
یک چارچوب برای کاوش در این مورد ممکن است شامل تمرکز بر چگونگی شبکههایی باشد که کودکان و خانوادهها در شکل و شکل درگیر شدهاند و در وهله اول تکامل مییابند. در زمینه مدرسه، این شامل طیف وسیعی از خطمشیهایی است که نواحی مدرسه برای تعیین مدارسی که دانشآموزان میتوانند در آن شرکت کنند (“سیاستهای تکلیف مدرسه”)، همراه با شیوههایی که خانوادهها هنگام انتخاب مدارس برای فرزندان خود تحت این سیاستها اتخاذ میکنند، طراحی میکنند. چنین سیاستها و شیوههایی از لحاظ تاریخی ویژگیهای مضری مانند جداسازی مدارس بر اساس نژاد و وضعیت اجتماعی-اقتصادی را تداوم بخشیدهاند – که با وجود گذشت نزدیک به ۷۰ سال از غیرقانونیشدن رسمی آن، همچنان ادامه دارد. آموزش عمومی را تعریف کنید در امریکا. بسیاری از محققان استدلال می کنند که ادغام جمعیتی از نظر تاریخی یکی از موارد بوده است موثرترین روش ها نه تنها برای افزایش آمادگی تحصیلی گروه های محروم از نظر تاریخی، بلکه برای پرورش شفقت بیشتر و درک – مثلاً یک اخلاق ،رت گرایی– در میان افراد با پیشینه های مختلف.
هوش مصنوعی میتواند به حمایت از طراحی سیاستهای عادلانهتر تکالیف مدرسه کمک کند که مدارس متنوع و یکپارچه را پرورش میدهد، برای مثال، با حمایت از تلاشهای برنامهریزی در سطح ناحیه برای ترسیم مجدد «مناطق حضور در مدرسه» – ی،ی مناطق حوضه آبریز که تعیین میکنند کدام محلهها به کدام مدارس تغذیه میکنند. به روش هایی که به دنبال کاهش ال،ای اساسی تفکیک مس، بدون تحمیل بار مسافرتی زیاد و سایر ناراحتی ها بر خانواده ها هستند.
موجود مشارکت محقق و پزشک– و برخی از خودم پژوهش با همکاران داگ بیفرمن، کریستین وگا-پورحیدریان، کاساندرا اورنی، پاسکال ون هنتریک، کومار چاندرا و دب روی – در حال استفاده از ابزارهایی از جامعه تحقیقات عملیات و هوش مصنوعی مبتنی بر قانون هستند. برنامه نویسی محدودیت برای بررسی سیاستهای تعیین تکلیف جایگزین که میتواند ادغام نژادی و اجتماعی-اقتصادی را در مدارس بهینه کند.
این الگوریتمها میتوانند به سادهسازی فرآیند دست و پا گیر کاوش در تعداد به ظاهر نامتناهی از تغییرات احتمالی مرزی برای شناسایی مسیرهای بالقوه به سمت مدارس یکپارچهتر که تعدادی از اه، رقابتی (مانند زمان سفر خانواده و تغییر مدرسه) را متعادل میکنند، کمک کنند. همچنین میتوان آنها را با سیستمهای یادگیری ماشین ،یب کرد – به ،وان مثال، آنهایی که سعی میکنند انتخاب خانواده را در مواجهه با تغییرات مرزی پیشبینی کنند تا به طور واقعیتر برآورد کنند که چگونه تغییر سیاستها ممکن است بر جمعیتشناسی مدرسه تأثیر بگذارد.
البته هیچ یک از این کاربردهای هوش مصنوعی بدون خطر نیستند. تغییر مدرسه می تواند برای دانش آموزان مختل باشد، و حتی با ادغام در سطح مدرسه، جداسازی می تواند در مقیاس های کوچکتر مانند ک، های درس و کافه تریاها ادامه یابد. پیگیری برنامه درسیفقدان شیوه های آموزشی پاسخگو از نظر فرهنگی و عوامل دیگر. علاوه بر این، برنامهها باید در زیرساختهای اجتماعی-تکنیکی من،ی که صداهای جامعه را در فرآیند سیاستگذاری ادغام میکند، ارائه شوند. با این حال، استفاده از هوش مصنوعی برای کمک به اطلاعرس، اینکه کدام دانشآموز و خانواده با یکدیگر به مدرسه میروند، ممکن است جرقه تغییرات ساختاری عمیقتری را ایجاد کند که شبکههایی را که دانشآموزان به آن متصل میشوند، و در نتیجه، نتایج زندگی را که در نهایت به دست میآورند، تغییر میدهد.
با این حال، تغییر در سیاستهای تکالیف مدرسه بدون تغییر در رفتارهای انتخاب مدرسه در میان خانوادهها، بعید است که منجر به تحولات پایدار در شبکههایی شود که دانشآموزان از آن بهره میبرند. در اینجا نیز ممکن است هوش مصنوعی نقشی داشته باشد. به ،وان مثال، پلتفرم های دیجیتال رتبه بندی مدارس مانند GreatSc،ols.org به طور فزایندهای شکل میدهند که خانوادهها چگونه مدارس را برای فرزندان خود ارزیابی و انتخاب میکنند – به خصوص که رتبهبندی آنها اغلب در سایتهای مسکن مانند Redfin تعبیه میشود، که میتواند بر محل زندگی خانوادهها تأثیر بگذارد.
منبع: https://www.wired.com/story/chatgpt-artificial-intelligence-education-networks/