اهداف پژوهش: با توجه به چالش‌های آموزش انبوه در علوم پزشکی و نیاز به توجه به تفاوت‌های فردی یادگیرندگان، این پژوهش با هدف بررسی نظام‌مند کاربردها، مزایا، چالش‌ها و اثربخشی راهکارهای هوش مصنوعی در شخصی‌سازی آموزش دانشجویان علوم پزشکی انجام شد. روش تحقیق: این مطالعه مروری نظام‌مند با جستجوی مقالات منتشر شده در بازه ۲۰۱۴ تا ۲۰۲۴ در پایگاه‌های اطلاعاتی Scopus، PubMed، Web of Science و همچنین پایگاه‌های معتبر فارسی مانند SID و Magiran انجام گرفت. معیار ورود، مقالات اصلی انگلیسی و فارسی با موضوع کاربرد هوش مصنوعی در شخصی‌سازی آموزش پزشکی بود. در نهایت، ۴۷ مقاله مرتبط مورد تحلیل کیفی قرار گرفتند. یافته‌های کلیدی: یافته‌ها نشان داد هوش مصنوعی از طریق چند مکانیسم اصلی، شخصی‌سازی را ممکن می‌سازد: ۱) سامانه‌های توصیه‌گر محتوا بر اساس پروفایل یادگیری و پیشرفت دانشجو (چن و همکاران، ۲۰۲۱) 2) تجزیه و تحلیل پیش‌بینی کننده برای شناسایی دانشجویان در معرض خطر تحصیلی (رضائی و همکاران، ۱۴۰۰) ۳) آموزش‌دهندگان مجازی و چت‌بات‌های هوشمند برای ارائه تمرین و بازخورد تعاملی و انطباقی (Winkler-Schwartz, 2019) ۴) شبیه‌سازهای مبتنی بر هوش مصنوعی برای ایجاد محیط‌های آموزشی ایمن و سفارشی‌شده. این راهکارها به افزایش انگیزه، بهبود نتایج یادگیری و ارتقای خودتنظیمی منجر شدند. با این حال، چالش‌هایی مانند مسائل اخلاقی، حریم خصوصی داده‌ها، نیاز به زیرساخت و مقاومت فرهنگی نیز شناسایی شدند. نتیجه‌گیری کلی: هوش مصنوعی پتانسیل تحول‌آفرینی برای گذار از آموزش یکسان‌سازی به آموزش شخصی‌شده در علوم پزشکی دارد. موفقیت این فناوری در گرو طراحی انسان‌محور، رعایت اصول اخلاقی و ادغام هوشمندانه آن در بستر آموزشی به عنوان مکمل اساتید است. پژوهش‌های آتی باید بر ارزیابی‌های طولی‌مدت اثربخشی و توسعه چارچوب‌های بومی معطوف شوند.

هوش مصنوعی شخصی‌سازی آموزش یادگیری تطبیقی سامانه‌های توصیه‌گر آموزشی تحلیل یادگیری آموزش مبتنی بر فناوری