Zalety i wady sztucznej inteligencji w opracowywaniu programów nauczania: badanie

Spis treści:

• Potencjalne zagrożenia związane z wprowadzeniem sztucznej inteligencji do procesu tworzenia kursów edukacyjnych
• Wkład sztucznej inteligencji w proces tworzenia programów edukacyjnych
• Kluczowe aspekty integracji sztucznej inteligencji z projektowaniem edukacyjnym

W ciągu ostatnich dwóch lat przeprowadzono wiele badań naukowych dotyczących wpływu generatywnej sztucznej inteligencji na proces edukacyjny. Philippa Hardman, była pracownik naukowy Uniwersytetu Cambridge i twórczyni systemu projektowania nauczania DOMS™️, podsumowuje najważniejsze ustalenia tych badań, podkreślając zarówno ryzyko, jak i korzyści związane z integracją sztucznej inteligencji z projektowaniem nauczania.

Omawiając wyniki badań wybrane przez Philippę, nie będziemy zagłębiać się w powszechnie akceptowane wady sieci neuronowych, takie jak „halucynacje”, ryzyko wycieku danych podczas korzystania z otwartych platform, ani w złożone kwestie etyczne i regulacyjne. Zamiast tego skupimy się na mniej oczywistych zaletach i wadach, które bezpośrednio wpływają na rozwój programów edukacyjnych i tworzenie materiałów dydaktycznych.

Potencjalne zagrożenia związane z wdrażaniem sztucznej inteligencji w tworzeniu kursów

Niedawne badania zidentyfikowały luki w zabezpieczeniach sztucznej inteligencji, które należy wziąć pod uwagę przy tworzeniu programów edukacyjnych opartych na sieciach neuronowych.

Wykorzystanie narzędzi opartych na sztucznej inteligencji może znacznie usprawnić proces projektowania programów edukacyjnych i zwiększyć ich skalowalność. Naukowcy podkreślają jednak, że rozwiązania oparte na sztucznej inteligencji, oparte na gotowych szablonach, znacząco ograniczają swobodę projektantów dydaktycznych w podejmowaniu niezależnych decyzji metodologicznych.

Badania przeprowadzone przez naukowców z Norwegii i Wielkiej Brytanii wykazały, że stosowanie sztywnych ram w narzędziach do projektowania dydaktycznego ogranicza kreatywność metodyków. Takie ujednolicone podejścia stwarzają poczucie „ściśnięcia” w ramach, co utrudnia dostosowanie materiałów dydaktycznych do potrzeb grupy docelowej. Jednocześnie na rynku dostępne są bardziej elastyczne rozwiązania, takie jak iLUKS i ChatCLD. Narzędzia te oferują pewną strukturę, z której może korzystać projektant materiałów dydaktycznych, ale także dają możliwość modyfikowania, udoskonalania i dalszego rozwijania różnych elementów programu.

Przeczytaj także:

Konkurs: Kto może stworzyć bardziej wysokiej jakości kurs – projektant materiałów dydaktycznych wykorzystujący sieć neuronową, czy ktoś pracujący bez jej pomocy?

W trakcie swoich badań naukowcy odkryli, że sztuczna inteligencja często tworzy treści bez uwzględnienia norm metodologicznych i nie jest w stanie dostosować materiałów do konkretnych warunków. Na przykład badanie przeprowadzone w Chinach wykazało, że plany lekcji matematyki opracowane w oparciu o model GPT-4 wymagały znacznych korekt w 78% przypadków, zanim spełniły ustalone standardy edukacyjne i poziom zaawansowania uczniów.

Badania przeprowadzone przez belgijskich naukowców wykazały, że narzędzia sztucznej inteligencji w większym stopniu odtwarzają elementy projektowania materiałów dydaktycznych, niż faktycznie wykorzystują jego zasady do wnikliwej analizy i tworzenia treści. Jednocześnie, jak zauważają autorzy badania, wielu specjalistów ds. projektowania nauczania bezmyślnie przyjmuje rady AI bez krytycznej refleksji, co negatywnie wpływa na jakość produktu końcowego.

Wniosek: Wykorzystanie sieci neuronowych umożliwia tworzenie wstępnych wersji materiałów, które wymagają starannego przeglądu pod kątem zgodności z zasadami projektowania dydaktycznego i znacznych poprawek. W związku z tym oczekiwana oszczędność czasu może nie być aż tak oczywista, biorąc pod uwagę dodatkowy wysiłek wymagany do przeglądu i poprawek.

Philippa Hardman zauważa, że ​​istnieją zróżnicowane opinie na temat kreatywności projektantów materiałów dydaktycznych. Z jednej strony narzędzia oparte na sztucznej inteligencji mogą pomóc w generowaniu nowych pomysłów. Z drugiej strony istnieje tendencja do automatyzacji i standaryzacji wszystkich procesów, tam gdzie to możliwe. Jednak nadmierne poleganie na sieciach neuronowych przy podejmowaniu decyzji twórczych może negatywnie wpłynąć na efekt końcowy.

Badania przeprowadzone w Stanach Zjednoczonych wykazały, że projektanci materiałów dydaktycznych, którzy aktywnie wykorzystują sztuczną inteligencję w swojej pracy, znacznie rzadziej tworzą unikalne zadania dla studentów w porównaniu z kolegami, którzy są mniej zainteresowani sieciami neuronowymi. Podobne wnioski wyciągnięto w badaniu przeprowadzonym w Belgii, w którym również zauważono, że brak krytycznego myślenia o propozycjach dotyczących sztucznej inteligencji prowadzi do przewidywalności i braku oryginalności materiałów edukacyjnych.

Wniosek: Wykorzystanie sieci neuronowych do tworzenia treści jest właściwe, jeśli zadowala Cię standardowy, ogólny format zadań i materiałów edukacyjnych. Jeśli jednak dążysz do unikalności, warto świadomie korzystać z sieci neuronowych – używać ich jako narzędzia pomocniczego podczas grupowych sesji burzy mózgów, a następnie samodzielnie dopracowywać pomysły. Omówimy ten aspekt szczegółowo później.

Wniosek: Wykorzystanie sieci neuronowych pozwala na tworzenie „roboczych wersji”, ale takie materiały wymagają starannej oceny pod kątem zgodności z zasadami pedagogicznymi i znacznych poprawek. W związku z tym szacowana oszczędność czasu może być wątpliwa lub przynajmniej nieznaczna, biorąc pod uwagę czas potrzebny na ich przegląd i korektę.

Wkład sztucznej inteligencji w proces projektowania dydaktycznego

Niedawne badania zidentyfikowały kluczowe obszary, w których wykorzystanie generatywnej sztucznej inteligencji może realnie wpłynąć na projektowanie dydaktyczne. Możesz być zaskoczony, ale to w dużej mierze te same obszary, które są obarczone ryzykiem. Albo wyniki badań są sprzeczne, albo problem leży w sposobie, w jaki te technologie są stosowane.

Wygląda na to, że sztuczna inteligencja rzeczywiście znacznie przyspiesza proces tworzenia materiałów edukacyjnych. Naukowcy z Korei Południowej donieśli, że ChatGPT skrócił czas poświęcany na przygotowanie lekcji o 65%. Z kolei ich koledzy z Chin zaprezentowali platformę TreeQuestion, która wykorzystuje sztuczną inteligencję do generowania testów wielokrotnego wyboru, co pozwala skrócić czas opracowywania pytań testowych o 95%.

Niemniej jednak zdajemy sobie sprawę z wyżej wymienionych zagrożeń i rozumiemy, że skrócone ramy czasowe mogą negatywnie wpłynąć na jakość treści edukacyjnych, jeśli nie będziemy weryfikować i edytować materiałów stworzonych z wykorzystaniem sztucznej inteligencji. A jeśli to zrobimy, pojawia się pytanie, o ile faktycznie przyspieszy to proces przygotowywania materiałów, biorąc pod uwagę dodatkowy poświęcony czas.

Co więcej, sztuczna inteligencja ułatwia ocenę wiedzy i umiejętności na większą skalę. Na przykład, zautomatyzowane tworzenie testów nie tylko oszczędza czas nauczycieli, ale także pozwala na częstsze przeprowadzanie ocen. Badania przeprowadzone w Chinach potwierdziły, że taka automatyzacja nie prowadzi do spadku dokładności wyników. Zgodnie z doświadczeniem naukowców, stosowanie taksonomii Blooma w podpowiedziach jest zalecane do tworzenia wysokiej jakości zadań testowych. Podkreślają jednak, że nauczyciele muszą z wyprzedzeniem upewnić się, że pytania generowane przez sieć neuronową są odpowiednie do poziomu uczniów i rzeczywiście mierzą osiągnięcia w określonych obszarach akademickich.

Personalizacja nauczania to podejście, które dostosowuje się do poziomu wiedzy i doświadczenia ucznia, uwzględniając jego zainteresowania i preferencje dotyczące tempa i metod nauki. Kontekstualizacja nauczania to z kolei obecny trend w szkoleniach i rozwoju, który obejmuje również dostosowywanie programu nauczania nie do cech indywidualnych uczniów, ale do konkretnego środowiska, w którym pracują lub będą pracować, a także do ich kontekstu zawodowego.

Liczni eksperci edukacyjni podkreślają, że sztuczna inteligencja otwiera nowe horyzonty dla adaptacyjnego uczenia się, które można dostosować do indywidualnych potrzeb uczniów. Najnowsze badania jedynie potwierdzają ten pogląd. Na przykład chatboty skonfigurowane do różnych zbiorowych person stworzonych na podstawie cech grup uczniów (proces zwany personami) wykazały 29% wzrost efektów uczenia się na kursie dotyczącym pracy z informacjami. Naukowcy przypisują ten efekt temu, że dostosowane wyjaśnienia, wskazówki i zadania miały skuteczniejszy wpływ na przyswajanie materiału przez uczniów niż standardowe materiały edukacyjne.

Czytaj również:

„W tej chwili nie da się wdrożyć »Personalizacja za pomocą sieci neuronowych jest niemożliwa… Jednak za rok stanie się rzeczywistością!«

Chwila, a co z twierdzeniem, że sztuczna inteligencja nie jest w stanie dostosować materiałów do konkretnych warunków? W rzeczywistości wszystko zależy od konfiguracji systemu i poziomu zaangażowania człowieka w ten proces. Na przykład, aby stworzyć programy nauczania skoncentrowane na uczniu, grupa badaczy ze Stanów Zjednoczonych opracowała ramy o nazwie ARCHED. W ramach tych ram jedno narzędzie AI odpowiada za generowanie treści edukacyjnych, podczas gdy inne ocenia je pod kątem zgodności z zasadami projektowania instrukcji i celami nauczania opartymi na taksonomii Blooma. Człowiek kontroluje cały proces, ustawiając niezbędne parametry, aby dostosować program do różnych grup uczniów i podejmując ważne decyzje metodologiczne.

Philippa Hardman twierdzi, że szereg badań pokazuje, jak chatboty oparte na sztucznej inteligencji i adaptacyjne platformy edukacyjne mogą dostosowywać się do potrzeb uczniów w czasie rzeczywistym. Są one w stanie analizować ich zachowanie i aktualne osiągnięcia, a następnie udzielać informacji zwrotnej, a także sugerować istotne materiały edukacyjne i zadania dostosowane do poziomu trudności.

Chociaż jednym z wymienionych zagrożeń jest to, że wykorzystanie sieci neuronowych może czasami utrudniać kreatywne myślenie, Philip Hardman zauważa, że ​​wszystko zależy od tego, jak specjalista stosuje te narzędzia sztucznej inteligencji. Prawidłowo stosowane, technologie te mogą stać się doskonałym asystentem w pracy twórczej, zdolnym do generowania pomysłów, na które dana osoba mogłaby nie wpaść samodzielnie.

Badania przeprowadzone w Stanach Zjednoczonych pokazują, że wykorzystanie sztucznej inteligencji w burzy mózgów przyczynia się do generowania pomysłów o 47% bardziej zróżnicowanych niż dyskusje prowadzone wyłącznie w grupie ludzi. Inne badanie wykazało, że ChatGPT może zaoferować nauczycielom różnorodne możliwości przekazywania informacji i angażowania się w działania edukacyjne, wzbogacając tym samym proces edukacyjny.

Ważne jest, aby pamiętać o sugestiach sieci neuronowych, ponieważ mogą one negatywnie wpłynąć na głębię i różnorodność doświadczeń edukacyjnych uczniów. Narzędzia sztucznej inteligencji są szczególnie przydatne na wczesnych etapach rozwoju, gdy projektanci dydaktyczni potrzebują pomysłów na nowe kursy, różne opcje zadań i wersje robocze materiałów edukacyjnych. Badania pokazują, że korzystanie z takich technologii uwalnia czas i zasoby umysłowe, które można poświęcić na analizę przesłanych pomysłów, wybór najwłaściwszych, dopracowanie ich i dostosowanie do konkretnych warunków uczenia się.

Kluczowe aspekty integracji sztucznej inteligencji z projektowaniem dydaktycznym

Philippa Hardman twierdzi, że obecne badania pokazują, iż nadzieje na radykalną transformację podejścia do projektowania dydaktycznego za pomocą sztucznej inteligencji są prawdopodobnie przesadzone. Nie należy jednak lekceważyć korzyści, jakie sieci neuronowe mogą wnieść do procesów pracy. Sztuczna inteligencja skutecznie radzi sobie z niektórymi zadaniami, wykazując znaczące wyniki i wskazując obszary, w których udział człowieka pozostaje niezbędny.

Aby zmaksymalizować korzyści płynące ze sztucznej inteligencji w pracy projektantów materiałów dydaktycznych i zminimalizować potencjalne zagrożenia, które mogłyby negatywnie wpłynąć na jakość procesu edukacyjnego, Hardman proponuje następujące zalecenia:

• Poprawa kompetencji cyfrowych i opanowanie umiejętności inżynierii podpowiedzi stają się ważnymi zadaniami, ponieważ dobrze sformułowane podpowiedzi mogą zwiększyć jakość generowania o 58% w porównaniu ze standardowymi opcjami.
• Należy unikać stosowania narzędzi sztucznej inteligencji, które znacząco ograniczają swobodę działania projektanta materiałów dydaktycznych. Zamiast tego rozsądniej jest wybrać bardziej adaptacyjne rozwiązania, które umożliwiają udoskonalanie i dostosowywanie wyników uzyskanych z sieci neuronowej.
• Powierz sztucznej inteligencji zadania takie jak tworzenie wersji roboczych i wersji alternatywnych, analiza dużych zbiorów danych, skalowanie informacji zwrotnych i dostosowywanie materiałów do różnych grup uczniów, a także inne rutynowe procesy, które można zautomatyzować. Uwolnij czas na podejmowanie decyzji twórczych, metodologicznych i strategicznych, w dziedzinach, w których sieci neuronowe nie mogą równać się z ludzkim myśleniem.
• Należy uważnie monitorować jakość tworzonych materiałów i nie używać ich w oryginalnej formie. Ważne jest, aby zadbać nie tylko o brak „halucynacji”, ale także o to, aby treść spełniała wymogi metodologiczne, cele edukacyjne, charakterystykę grupy docelowej i kontekst procesu edukacyjnego.
• Ważne jest, aby skupić się na różnorodności materiałów edukacyjnych i starać się minimalizować nadmierną standaryzację.

Przeczytaj również:

• Pięć umiejętności, które projektanci edukacji powinni rozwijać w kontekście wpływu sieci neuronowych.
• Pięć typowych błędów przy integracji narzędzi sztucznej inteligencji ze szkoleniami i rozwojem kadry.
• 8 sposobów na wykorzystanie sieci neuronowej Perplexity przez nauczycieli i metodyków.
• Zalety i wady ChatGPT podczas tworzenia kursu online.
• Tworzenie kursów online z wykorzystaniem sieci neuronowych: praktyczne przykłady.