Tworzenie materiałów edukacyjnych z wykorzystaniem sztucznej inteligencji: przewodnik krok po kroku

Spis treści:

• Kluczowe aspekty struktury GAIDE
• Przygotowanie
• Tworzenie wstępnej wersji materiałów edukacyjnych
• Ulepszanie treści na poziomie globalnym
• Dopracowywanie i ulepszanie treści na poziomie szczegółowym
• Integracja opracowań w harmonijny system
• Kluczowe aspekty wykorzystania sieci neuronowych w tworzeniu materiałów edukacyjnych

Proces integracji generatywnej sztucznej inteligencji z tworzeniem materiałów edukacyjnych i całych kursów edukacyjnych stopniowo zyskuje na popularności. Jednak nowe badania naukowe dotyczące korzyści i potencjalnych zagrożeń związanych z wykorzystaniem sieci neuronowych w projektowaniu dydaktycznym przedstawiają złożony obraz. W tych samych obszarach pracy sztuczna inteligencja może zarówno znacząco wspomagać, jak i negatywnie wpływać na końcowe rezultaty.

Jak skutecznie zintegrować sztuczną inteligencję z procesem tworzenia programów edukacyjnych, minimalizując potencjalne ryzyko i maksymalizując korzyści? W dziedzinie projektowania dydaktycznego szeroko stosowane są różne ramy, które reprezentują ustrukturyzowane plany działania. Amerykańscy badacze Ethan Dickey i Andres Bejarano stworzyli unikalną platformę o nazwie GAIDE, która umożliwia kompleksowe i świadome podejście do tworzenia materiałów edukacyjnych z wykorzystaniem dowolnych technologii sieci neuronowych.

Kluczowe aspekty struktury GAIDE

GAIDE to akronim od Generative AI for Instructional Development and Education (Generatywna Sztuczna Inteligencja dla Rozwoju Nauczania i Edukacji). Taką nazwę naukowcy nadali swojemu algorytmowi tworzenia materiałów edukacyjnych, który obejmuje etapy przygotowania, generowania treści i późniejszego udoskonalania.

Struktura opiera się na metodzie iteracyjnej: użytkownik otrzymuje treści stworzone przez sztuczną inteligencję, analizuje je, wprowadza poprawki do sieci neuronowej i kontynuuje ten proces aż do osiągnięcia satysfakcjonującego rezultatu. Jako narzędzie sztucznej inteligencji zaproponowano dostępnego chatbota. Dickey i Bejarano przetestowali GAIDE, używając ChatGPT 3.5 i 4.0, Bard, LLaMA i Copilot w Microsoft Bing. Ich wyniki pokazały, że ChatGPT 4.0 wykazał się największą spójnością w tworzeniu wysokiej jakości treści.

Struktura opiera się na zasadach projektowania zorientowanego na rezultaty i teorii konstruktywistycznej, która zakłada, że ​​uczniowie nie otrzymują wiedzy w postaci gotowej, ale konstruują ją poprzez interakcję ze środowiskiem edukacyjnym. GAIDE zapewnia zatem adaptacyjną strukturę, która pozwala na modyfikację materiałów edukacyjnych w zależności od kontekstu i potrzeb różnych grup odbiorców.

Twórcy frameworka, profesorowie uniwersyteccy, opracowali go z myślą o specyfice szkolnictwa wyższego i wykorzystali go również przy opracowywaniu materiałów dydaktycznych do kursów informatycznych. Jednak, według nich, GAIDE został pomyślany jako uniwersalne narzędzie, z którego można korzystać niezależnie od poziomu edukacji i przedmiotu.

W następnej sekcji omówimy etapy tworzenia treści edukacyjnych w oparciu o framework GAIDE.

Przygotowanie

Pierwszy etap przygotowania odbywa się bez użycia technologii sieci neuronowych. Proces ten ma ogromne znaczenie, ponieważ zapewnia efektywność dalszego generowania materiałów edukacyjnych i zapobiega niepotrzebnej stracie czasu.

Twórcy GAIDE zalecają przede wszystkim zdefiniowanie głównego celu, który będzie stanowił wytyczne do tworzenia treści i pomoże projektantowi materiałów dydaktycznych utrzymać koncentrację na określonym kierunku.

Jak zauważają Dickey i Bejarano, cel można sformułować ogólnie, na przykład: „Stworzenie sensownego, interesującego i istotnego materiału edukacyjnego dla studentów informatyki i technologii”. Konieczne jest jednak powiązanie tego szerokiego celu z konkretnymi, mierzalnymi rezultatami. Zatem sformułowanie „studenci nauczą się sortowania w programowaniu” nie jest dobrym przykładem, podczas gdy „studenci będą umieli korzystać z podstawowych algorytmów sortowania” brzmi znacznie lepiej.

Monit zazwyczaj rozpoczyna się od opisu sytuacji edukacyjnej i cech uczącego się. Główną zasadą jest dostarczenie sztucznej inteligencji informacji, które będą przydatne specjaliście tworzącemu materiały edukacyjne dla nowej publiczności. Opis kontekstu często zawiera następujące elementy:

• definicja roli, jaką sieć neuronowa powinna przyjąć (np. „Jesteś wykładowcą informatyki w instytucji szkolnictwa wyższego”);
• temat szkolenia;
• wstępne informacje dostępne dla grupy docelowej;
• parametry demograficzne grupy docelowej w kontekście uniwersytetów zazwyczaj sprowadzają się do wskazania kierunku studiów studentów.

Z uwagi na fakt, że jako ramy wybrano podejście oparte na wynikach w projektowaniu procesu edukacyjnego, cele nauczania, które reprezentują oczekiwane efekty uczenia się, odgrywają kluczową rolę w GAIDE. Do ich sformułowania można wykorzystać możliwości sieci neuronowej.

Formułując zapytanie, eksperci zalecają używanie specjalistycznej terminologii. Pozwala to, po pierwsze, precyzyjnie i jasno przekazać modelowi swoje intencje, a po drugie, pomaga sieci neuronowej zacząć „rozumować” w duchu profesjonalnego twórcy oprogramowania edukacyjnego, co z kolei poprawia jej wydajność.

Biorąc pod uwagę wyniki uzyskane na etapie przygotowawczym, polecenie będzie wyglądać następująco:

1. Określ główne cechy i właściwości binarnego drzewa poszukiwań, w tym jego strukturę i zasady działania.

2. Przeanalizuj algorytmy wstawiania i usuwania węzłów w binarnym drzewie poszukiwań, porównując ich wydajność i nakład czasu.

3. Zastosuj metody przeszukiwania binarnego drzewa poszukiwań (pre-order, symetryczne i post-order) do pobierania danych w różnej kolejności.

4. Porównaj binarne drzewo poszukiwań z innymi strukturami danych, takimi jak tablice i listy powiązane, aby zidentyfikować ich zalety i wady w zależności od konkretnych problemów.

5. Napisz kod implementujący binarne drzewo wyszukiwania, w tym funkcje wstawiania, usuwania i wyszukiwania elementów, a następnie przetestuj go na różnych zbiorach danych.

Początkowe wyniki mogą nie być wysokiej jakości, co jest uwzględniane w środowisku GAIDE. Eksperci zalecają zadawanie modelowi większej liczby opcji niż to konieczne, a następnie wyróżnianie zarówno prawidłowych, jak i niepoprawnych odpowiedzi w kolejnym zapytaniu. Pomoże to sieci neuronowej ulepszyć wyniki końcowe.

Na przykład, jeśli sieć neuronowa zasugerowała szereg celów edukacyjnych, z których niektóre nie są dla Ciebie całkowicie istotne, a chcesz skupić się na praktycznym zastosowaniu wiedzy, możesz skorzystać z następującego komunikatu: „Opcje 2, 3 i 7 są dla mnie istotne, ale cel 2 powinien zostać przeformułowany tak, aby odpowiadał wyższemu poziomowi w piramidzie Blooma. Dodatkowo zmień Cel 3, aby położyć nacisk na praktyczne zastosowanie, a nie na zrozumienie”.

Jeśli planujesz samodzielnie wprowadzić zmiany w wynikach sieci neuronowej, Dickey i Bejarano zalecają, aby na tym samym czacie komunikować, co dokładnie zmieniłeś i jak, nawet jeśli obecnie nie potrzebujesz informacji zwrotnej od sztucznej inteligencji. Dzięki temu model będzie mógł lepiej uwzględniać Twoje preferencje w przyszłości.

Przeczytaj także:

Zalety i wady korzystania z ChatGPT podczas tworzenia kursów online.

Tworzenie wstępnej wersji materiałów edukacyjnych

Po doprecyzowaniu celów nauczania można rozpocząć tworzenie materiałów edukacyjnych do kursu.

W GAIDE materiały edukacyjne dzielą się na dwie główne grupy: wykłady i zadania dla studentów. Zadania obejmują nie tylko pytania, ale także ćwiczenia, problemy, studia przypadków i inne aktywności. Dla każdej z tych grup opracowano oddzielne algorytmy, które pomagają autorom w tworzeniu treści i ich późniejszym ulepszaniu.

Wersja robocza wykładu to wstępny plan, który można dopracować w następujących etapach. Przykładowe zlecenie może wyglądać następująco: „Opracuj konspekt 50-minutowego wykładu na temat „Drzewo poszukiwań binarnych”, uwzględniając następujące cele nauczania: ...”.

Wersja robocza zadania to wstępna lista opcji, z której nauczyciel może wybrać te najbardziej odpowiednie. Jak wspomniano wcześniej, zaleca się poproszenie sieci neuronowej o bardziej obszerną listę, aby zapewnić różnorodność wyborów. Przykładowe zapytanie: „Proszę podać 20 propozycji zadań na temat „Drzewo poszukiwań binarnych”, koncentrując się na następujących celach edukacyjnych: ....”

Globalne ulepszanie treści

Po wygenerowaniu wersji roboczej materiałów za pomocą sieci neuronowej, należy dokładnie przeanalizować wyniki i rozpocząć ogólną korektę. Na tym etapie ważne jest, aby rozważyć treść jako całość, zwracając uwagę na główne sekcje. Kluczem jest ocena zgodności wersji roboczej z ogólnym celem kursu, a także ze szczegółowymi celami nauczania, poziomem studenta i kontekstem. Jeśli pewne elementy generalnie zmierzają w dobrym kierunku, ale jakość ich rozwoju pozostawia wiele do życzenia, to ten etap nie powinien być na tym skupiony — kolejny etap zostanie poświęcony uszczegółowieniu i rewizji.

Wprowadzając zmiany do planu wykładu, warto wziąć pod uwagę kilka ważnych punktów:

• Jaka jest preferowana długość wykładu?
• Czy proces przygotowywania wykładu wiąże się z dodatkowymi obowiązkami dla prowadzącego, takimi jak tworzenie materiałów oceniających i pomocniczych?
• Czy istnieje możliwość uczestniczenia w zajęciach przed lub po wykładzie?
• Które podtematy należy uznać za najważniejsze do dyskusji?
• Czy wykład musi zawierać pewne elementy, takie jak testy lub praca w grupach?

Jeśli którykolwiek z elementów z tej listy jest ważny dla rozwoju lekcji, należy dodać odpowiednie zalecenia do polecenia jego rewizji.

Autorzy twierdzą, że istnieją dwa podejścia do udoskonalania planu: Możesz wprowadzać zmiany pojedynczo, dodając Możesz dodawać jedno nowe zdanie na raz lub dostarczyć sieciom neuronowym pełną listę niezbędnych korekt. Na przykład, możesz powiedzieć: „Zmień plan tak, aby wykład trwał nie dłużej niż 45 minut i uwzględnij dyskusję grupową”. W rezultacie powinna powstać wiarygodna podstawa do dokładniejszego opracowania i wyjaśnienia szczegółów.

Cel Dopracowanie zadań na wysokim poziomie polega na stworzeniu listy różnorodnych i praktycznych rozwiązań. Podczas opracowywania sprzężenia zwrotnego dla sieci neuronowej należy wziąć pod uwagę następujące aspekty:

• Rodzaje zadań mogą obejmować takie formy, jak rozwiązywanie równań lub problemów, analiza konkretnych przypadków, pytania otwarte, pytania wielokrotnego wyboru i inne opcje.
• Stopień zaawansowania w wiedzy i umiejętnościach ocenia się za pomocą taksonomii Blooma lub innego wybranego modelu.
• Skupienie się na nauce oznacza skupienie się na konkretnych umiejętnościach w ramach ogólnego tematu lekcji.
• Temat oznacza oryginalne przedstawienie zadań.

Instrukcje dla sieci neuronowej zależą od opcji otrzymanych na etapie roboczym i tego, co dokładnie Cię nie satysfakcjonuje. Na przykład, jeśli tylko niektóre zadania spełniają Twoje cele edukacyjne, warto oznaczyć je w zgłoszeniu jako odpowiednie i poprosić sieć neuronową o zaproponowanie podobnych opcji. Jeśli sieć neuronowa zaczyna się powtarzać lub odbiegać od ustalonych wymagań, eksperci zalecają stworzenie własnego przykładu i wykorzystanie go jako szablonu.

Autorzy zauważają, że podczas tworzenia zestawu zadań granica między makro- i mikropoziomem udoskonalenia staje się dość niewyraźna. Gdy zaczniesz skupiać się nie na finalizowaniu całego zestawu jako całości, lecz na ulepszaniu poszczególnych wybranych opcji, będzie to oznaczać przejście do nowego etapu pracy.

Przeczytaj także:

Tworzenie kursów online z wykorzystaniem technologii neuronowych Sieci: Praktyczne przykłady

Doskonalenie i udoskonalenie treści na poziomie szczegółowym

Gdy upewnisz się, że struktura materiału spełnia Twoje wymagania i jest zgodna z celami edukacyjnymi, możesz rozpocząć dogłębną pracę nad poszczególnymi elementami – takimi jak podsekcje, podtematy oraz konkretne pytania i zadania. Na tym etapie polecenia mogą być bardzo szczegółowe, w tym wskazywanie konkretnych słów lub fraz i proszenie sieci neuronowej o przeformułowanie określonych fragmentów tekstu.

Jednak w miarę jak sieć neuronowa generuje jedną wersję po drugiej, mogą pojawić się trudności, takie jak utrata koncentracji i niespójność kontekstowa.

Dickey i Bejarano opisują zjawisko, które nazywają utratą koncentracji. Sieć neuronowa zaczyna słabo realizować polecenia, jakby traciła kontakt zarówno z poprzednimi prośbami, jak i z własnymi odpowiedziami. W takiej sytuacji zaleca się rozpoczęcie nowej sesji z siecią neuronową poprzez otwarcie nowego okna czatu. Ważne jest, aby ponownie przedstawić kontekst i grupę docelową, a także wymienić cele edukacyjne. Pamiętaj, aby wskazać, na jakim etapie rozwoju się znajdujesz; na przykład może to być wcześniej utworzony konspekt wykładu, który pomoże Ci przejść do szczegółowego opracowania poszczególnych sekcji. Pomyłka kontekstowa występuje, gdy sieć neuronowa używa tych samych parametrów do generowania różnych elementów. Na przykład, jeśli określisz, że pierwsze zadanie powinno koncentrować się na zrozumieniu i zapamiętaniu informacji, istnieje ryzyko, że sieć neuronowa zastosuje to wymaganie do zadań 2 i 3, gdzie nacisk może zostać przesunięty na przykład na praktyczne ćwiczenie umiejętności. W związku z tym autorzy frameworka zalecają bardziej szczegółowe formułowanie żądań, określając, którą sekcję edytujesz i jaki jest konkretny cel edukacyjny tekstu lub zadania.

W zależności od rodzaju treści, autorzy GAIDE rozróżniają również różne metody ulepszania materiałów na poziomie mikro.

Dla każdego elementu planu lekcji sieć neuronowa jest w stanie generować zarówno kluczowe idee, jak i rozbudowane teksty na różne podtematy. Ważne jest, aby przeanalizować, w jakim stopniu powstały tekst spełnia założone cele edukacyjne i ocenić jego zdolność do angażowania uczniów. Równie ważne jest sprawdzenie materiału pod kątem błędów merytorycznych. Stopniowo dodając komentarze w podpowiedziach przy każdej nowej iteracji, ostatecznie będziesz w stanie wygenerować wysokiej jakości teksty na nadchodzący wykład.

Po edycji określonych fragmentów tekstu możesz poprosić sieć neuronową o połączenie ich w jeden scenariusz. Ponadto, po otrzymaniu odpowiednich żądań, sztuczna inteligencja będzie mogła pomóc w stworzeniu prezentacji wspierającej wykład, zaoferować studentom różne diagramy i obrazy, a także aktywne formaty zadań, co znacząco usprawni ich proces edukacyjny.

Czytaj Również:

Osiem sposobów, w jakie nauczyciele i metodycy mogą wdrożyć sieć neuronową Perplexity w swojej pracy.

Pracując nad pytaniami i zadaniami, możesz zmieniać ich poziom trudności i wprowadzać elementy narracyjne. Wszystko zależy od Twojego pomysłu: sieć neuronowa może albo „opakować” każde zadanie w krótką historię, albo stworzyć pełnoprawną narrację, na przykład z postacią, która zgłębia temat wspólnie z uczniami.

Aby poprawić sformułowania, skuteczne jest zaangażowanie sieci neuronowej w rolę ucznia, pozwalając jej wykonać konkretne zadanie. Autorzy zauważają, że takie podejście pomaga zidentyfikować niedociągnięcia w instrukcjach, które mogą dezorientować prawdziwych uczniów. Ta metoda jest szczególnie przydatna podczas dopracowywania sytuacji problemowych i studiów przypadków, a także pytań otwartych – są to formaty, z którymi uczniowie najczęściej pracują samodzielnie.

Ponadto sugestia wygenerowana przez sieć neuronową może posłużyć jako podstawa do stworzenia rubryki oceny. Może służyć jako przykład poprawnego i kompletnego wykonania zadania, pod warunkiem, że sztuczna inteligencja wykonała zadanie na właściwym poziomie, a także pomóc w sformułowaniu kryteriów oceny.

Integracja rozwoju w harmonijny system

Struktura GAIDE wykorzystuje podejście oparte na segmentacji, w którym różne elementy materiałów edukacyjnych Są tworzone i udoskonalane niezależnie od siebie, często w trakcie kilku sesji. Chociaż możliwe jest poproszenie sieci neuronowej o połączenie tych zmian w jeden scenariusz lekcji, nie należy oczekiwać wysokiej jakości rezultatów. Dlatego, jak zauważają Dickey i Bejarano, optymalnym rozwiązaniem byłoby utworzenie osobnego dokumentu, do którego można przenieść pomyślne wyniki generowania. Umożliwiłoby to ręczne zmontowanie wszystkich elementów, staranną organizację materiału i ostateczne udoskonalenie.

Autorzy zauważają, że generatywna sztuczna inteligencja może nie tylko tworzyć pojedyncze materiały edukacyjne, ale także pomagać w organizacji całych kursów. Po zdefiniowaniu celów nauczania i zarysowaniu podstawowej struktury kursu, w tym metod oceny, sieć neuronowa może zaproponować szczegółowy plan lekcji, który wskaże rozkład czasu na różne tematy.

Przeczytaj także:

Cztery kluczowe zasady tworzenia skutecznych podpowiedzi, które pomogą nauczycielom w tworzeniu materiałów edukacyjnych.

Kluczowe aspekty wykorzystania sieci neuronowych w tworzeniu materiałów edukacyjnych

Autorzy przekazali dodatkowe komentarze dotyczące wykorzystania generatywnych sieci społecznościowych. Chociaż te obserwacje nie są bezpośrednio związane z frameworkiem GAIDE, mogą być bardzo przydatne dla osób pracujących z sieciami neuronowymi:

• Sztuczna inteligencja jest bardzo podobna do pilnego ucznia szkoły podstawowej. Dickey i Bejarano twierdzą, że ta analogia jest bardzo przydatna do zrozumienia optymalnych sposobów interakcji ze sztuczną inteligencją. Podobnie jak dzieci w wieku od sześciu do ośmiu lat, sieci neuronowe z powodzeniem wykonują zadania, gdy otrzymują jasne instrukcje. Jednak, podobnie jak małe dzieci, sztucznej inteligencji brakuje niezależności i inicjatywy, aby znaleźć rozwiązania bez jasnych wskazówek. W rezultacie, jeśli człowiek nie monitoruje procesu uważnie, sieć neuronowa może zacząć odbiegać od z góry określonych celów.
• Jedną ze znaczących zalet sztucznej inteligencji jest jej zdolność do generowania pomysłów. Według twórców frameworka, zamiast od samego początku ustalać ścisłe parametry tworzenia konkretnych treści, rozsądniej jest wykorzystać sieć neuronową do burzy mózgów. Sugestie generowane przez sztuczną inteligencję są często różnorodne i kreatywne, co z kolei przyczynia się do ulepszenia finalnego materiału edukacyjnego.
• Sztuczna inteligencja może dostarczać informacji zwrotnych z różnych perspektyw. Dickey i Bejarano zalecają zwracanie uwagi na polecenia, które przypisują sieci neuronowej określone role, takie jak „Wyobraź sobie siebie jako studenta pierwszego roku” lub „Jesteś studentem pierwszego roku”. Dzięki takim podejściom możemy lepiej zrozumieć, jak różni studenci o różnym poziomie wiedzy i doświadczenia będą wchodzić w interakcje z materiałami, co pozwala nam dostosować proces edukacyjny do potrzeb różnych grup uczniów.
• Ważne jest, aby zdawać sobie sprawę z ograniczeń sieci neuronowych. Podczas tworzenia materiałów edukacyjnych może pojawić się chęć osiągnięcia perfekcji ze strony sztucznej inteligencji – wielokrotne żądanie zmian i podejmowanie prób ulepszania generowanych treści w każdej nowej wersji. Jednak takie próby nie zawsze prowadzą do oczekiwanych rezultatów. Skuteczniejszym podejściem byłoby uznanie, że istnieją obszary, w których sztuczna inteligencja nie radzi sobie najlepiej i mądre wykorzystanie możliwości, jakie oferuje.

Przeczytaj także:

• Pięć umiejętności, które stają się istotne dla projektantów materiałów dydaktycznych w obliczu rosnącego wpływu sieci neuronowych.
• Struktura IDEAS dla edukacji online: czym jest i jak działa?
• Pięć typowych błędów przy włączaniu narzędzi sztucznej inteligencji do procesów szkoleniowych i rozwoju personelu.
• Lista sieci neuronowych do tworzenia obrazów: sposoby na ulepszenie materiałów edukacyjnych.
• Lista platform internetowych, na których można bezpłatnie tworzyć infografiki do prezentacji edukacyjnych.