Potencjał sztucznej inteligencji w szkolnictwie wyższym / Helen Crompton i Donggil Song

Streszczenie

Sztuczna inteligencja (AI) przenika do wielu aspektów naszego codziennego życia, z powszechnymi aplikacjami internetowymi, smartfonami, a nawet urządzeniami gospodarstwa domowego. W edukacji sztuczna inteligencja jest szybko rozwijającą się dziedziną i istnieje duży potencjał, aby sztuczna inteligencja znacznie rozszerzyła i ulepszyła nauczanie i uczenie się w szkolnictwie wyższym (Crompton i in., 2020). Sztuczną inteligencję definiuje się jako „systemy komputerowe, które są w stanie angażować się w procesy podobne do ludzkich, takie jak uczenie się, adaptacja, synteza, autokorekta i wykorzystanie danych do złożonych zadań przetwarzania” (Popenici & Kerr, 2017). W raporcie Horizon Report 2020 (Brown i in., 2020) sztuczna inteligencja została wymieniona jako jedna z sześciu technologii o potencjalnie dużym wpływie na szkolnictwo wyższe. Horizon Report (2020) to coroczna publikacja, która analizuje główne trendy w technologiach edukacyjnych, które kształtują globalne szkolnictwo wyższe. W niniejszym artykule podkreślono niektóre ze sposobów, w jakie sztuczna inteligencja wspiera zarówno studentów, jak i wykładowców, w tym uczenie się na zamówienie, inteligentne systemy nauczania, ułatwianie współpracy i automatyczne ocenianie. Następnie omówione zostaną implikacje etyczne.

Uczenie się na zamówienie

Przez wiele lat naukowcy opowiadali się za uczeniem się dostosowanym do indywidualnych potrzeb ucznia. Istniało wiele odmian tego podejścia, w tym zindywidualizowane uczenie się, zróżnicowane uczenie się i najnowsze, spersonalizowane uczenie się. Ważne jest, aby nauka była dostosowana do potrzeb ucznia, a nie uczeń do potrzeb systemu. Jednym ze sposobów, w jaki sztuczna inteligencja zapewnia uczniom naukę na miarę, jest prezentowanie treści dopasowanych do konkretnego ucznia. Obserwując zachowanie ucznia na kursie, systemy sztucznej inteligencji są w stanie przedstawić konkretne zalecenia dotyczące materiałów do czytania i działań.

Inteligentne systemy nauczania

Adaptacyjne systemy sztucznej inteligencji, inteligentni agenci, inteligentne systemy e-learningowe i inteligentne systemy nauczania to systemy, które sugerują lub dostarczają materiały edukacyjne w oparciu o to, czego „nauczyły się” od ucznia podczas zbierania informacji o jego zachowaniu. Może to być poziom zadawania pytań w oparciu o wcześniejsze odpowiedzi lub sugerowane materiały do czytania w oparciu o to, czego uczeń szukał wcześniej. Huang i Chen (2016) opisali różne aspekty inteligentnych systemów nauczania w szkolnictwie wyższym jako:

1) Model studenta: Informacje na temat wiedzy studenta, jego poziomu poznawczego, motywacji i stylu uczenia się.
2) Model nauczyciela: Analiza studentów, strategii i metod.
3) Model domeny: Reprezentacja wiedzy nauczycieli i uczniów
4) Model diagnozy: Gdy system AI ocenia błędy i wady inteligentnego modelu.

Ułatwianie współpracy

Członkowie wydziału mogą spędzać dużo czasu na organizowaniu studentów w grupy współpracy i sposobach inicjowania dyskusji. Sztuczna inteligencja może być wykorzystywana do adaptacyjnego tworzenia grup, aby wykorzystać dużą szybkość i dokładność do grupowania uczniów (Luckin i in., 2016). Sztuczna inteligencja może wykorzystywać wiedzę o uczniach, aby zapewnić dopasowane lub zróżnicowane grupy w zależności od potrzeb edukacyjnych, a także grupować uczniów według zainteresowań. Czasochłonnym zadaniem dla wykładowców w szkolnictwie wyższym jest czytanie i moderowanie forów dyskusyjnych. Systemy sztucznej inteligencji mogą przejąć tę rolę, badając dyskusje i informując wykładowcę o tym, że studenci zbaczają z tematu lub mają błędne przekonania.

Automatyczne ocenianie

Jednym z najbardziej znanych zastosowań sztucznej inteligencji jest automatyczne ocenianie. Wykracza to poza testy wielokrotnego wyboru, aby naprawdę wykorzystać sztuczną inteligencję do oceniania bardziej złożonych tekstów przesłanych przez studentów. Ocenianie esejów to ogromna korzyść dla wykładowców, którzy muszą spędzać godziny na ocenianiu długich prac. Zaoszczędzony czas można następnie wykorzystać na bardziej indywidualne interakcje między wykładowcą a studentem. Zautomatyzowane systemy oceny esejów AI, takie jak CyWrite, WriteToLearn i Research Writing Tutor, mogą być wykorzystywane do dostarczania dogłębnych informacji zwrotnych, a co najważniejsze, mogą być wykorzystywane przez studentów do sprawdzania, w jaki sposób mogą poprawić pracę przed przekazaniem jej do oceny. Są to narzędzia wzmacniające pozycję studentów, które mogą oferować podpowiedzi dotyczące poprawek, a także szczegółowe samouczki wyjaśniające, w jaki sposób te poprawki powinny być przeprowadzane.

Implikacje etyczne

Z wielką mocą wiąże się również wielka odpowiedzialność. Podczas gdy sztuczna inteligencja ma duży potencjał wspierania zarówno uczących się, jak i wykładowców w szkolnictwie wyższym, ważne jest również, aby rozważyć, jakie informacje o studentach są potrzebne do kierowania tą inteligencją. Aby sztuczna inteligencja była potężna, musi zbierać informacje o studencie, aby zrozumieć jego poziom poznawczy, a także osobiste upodobania i antypatie. Wydział musi być świadomy tego, dokąd trafiają te dane i w razie potrzeby chronić dane studenta.

Wnioski

Sztuczna inteligencja ma ogromny potencjał wspierania nauczania i uczenia się w szkolnictwie wyższym. W artykule przedstawiono kilka przykładów tego potencjału, takich jak uczenie się na zamówienie, inteligentne systemy nauczania, ułatwianie współpracy i automatyczne ocenianie. Zachęcamy członków wydziałów do zapoznania się z tymi nowymi narzędziami, które zapewnią dokładne, terminowe wsparcie i treści dla studentów, a także wolny czas dla wykładowców, aby mogli skupić się na studentach.

Odniesienia

Brown, M., McCormack, M., Reeves, J., Brooks, D. C., & Grajek, S. (2020). EDUCAUSE Horizon Report, Teaching and Learning Edition. EDUCAUSE.

Crompton, H., Bernacki, M., & Greene, J. (2020). Psychological foundations of emerging technologies for teaching and learning in higher education. Current Opinion in Psychology 36, 101-105. https://www.sciencedirect.com/science/article/pii/S2352250X20300695

Huang, J., & Chen, Z. (2016). The research and design of web-based intelligent tutoring system. International Journal of Multimedia and Ubiquitous Engineering, 11(6), 337–348. https://doi.org/10.14257/ijmue.2016.11.6.30

Luckin, R., Homes, W., Griffiths, M., & Forcier, L. B. (2016). Intelligence unleashed: An argument for AI in Education. Pearson.

Popenici, S. A. D., & Kerr, S. (2017). Exploring the impact of artificial intelligence on teaching and learning in higher education. Research and Practice in Technology Enhanced Learning 12(1). https://doi.org/10.1186/s41039-017-0062-8

Helen Crompton (Crompton@odu.edu)
Old Dominion University, Estados Unidos

Donggil Song (donggil.song@gmail.com)
Sam Houston State University, USA, Estados Unidos

Link do artykułu: https://www.redalyc.org/journal/1942/194265735001/

DOI: https://doi.org/10.35575/rvucn.n62a1

Ten utwór objęty jest licencją Creative Commons Uznanie autorstwa-Użycie niekomercyjne-Bez utworów zależnych 4.0 Międzynarodowe.

Obraz wyróżniający: File:Artificial Intelligence & AI & Machine Learning – 30212411048.jpg. Ten plik udostępniony jest na licencji Creative Commons Uznanie autorstwa 2.0 .