Tutorstvo visokog uticaja smatra se rešenjem zasnovanim na dokazima za rešavanje značajnih akademskih praznina s kojima se škole suočavaju. Ali širenje i održavanje ovih programa predstavljaju izazov školama jer zahtevaju puno ljudskih tutora, vremena i novca.
Porast softvera za tutorstvo zasnovan na veštačkoj inteligenciji dao je školama način da prošire pristup, smanje troškove i poboljšaju personalizaciju ključnog pristupa učenju radi oporavka znanja.
Međutim, istraživanje o efikasnosti AI tutorstva modela je ograničeno i još u razvoju.
Kako bi pomogli edukatorima da se snađu u pejzažu AI tutorstva, Nacionalni akcelerator podrške studentima i AI Hub za obrazovanje u okviru SCALE Inicijative na Stanfordu nedavno su objavili istraživački sažetak koji ispituje trenutna istraživanja o efikasnosti korišćenja AI u tutorstvu.
Kada škole naiđu na neizvestan finansijski ambijent, razmislile bi o korišćenju AI tutorstva kako bi smanjile troškove, a „želeli smo da napravimo praktičniji alat za lidere obrazovnih sistema o tome šta dokazi kažu o AI tutorstvu,“ rekao je Kris Agnew, direktor AI Hub za obrazovanje, koji proučava uticaj AI na učenje učenika.
Dio izazova prilikom istraživanja efikasnosti AI tutorstva jeste to što pojam može označavati širok spektar modela tutorstva, dodao je Agnew.
„Ljudi čuju izraz ‘AI tutor’ i misle da se radi o mladom licu koje direktno komunicira sa chatbotom,“ rekao je. „Ono na šta naš sažetak upozorava je da AI tutori postoje na AI-ljudskom spektru, i da taj spektrar obuhvata različite faze intenziteta odnosa. U zavisnosti od toga gde se nalazite na tom spektru, postoji ili snažan dokaz koji podržava tu opciju ili veoma malo dokaza.“
Prema istraživačkom sažetku, procene alata za AI tutorstvo ukazuju na sledeće:
- Mnogo učenika se ne angažuje sa AI tutorima.
- Dodavanje ljudskog nadzora pomaže angažovanju, ali ne i postignućima.
- Najznačajniji efekti efikasnosti do sada potiču iz AI alata namenjenih korišćenju od strane ljudskih tutora, a ne učenicima.
Nivo ljudskog uključivanja je ključni faktor prilikom razmatranja AI-podržanih alata za tutorstvo
Sažetak kategorizuje modele tutorstva po nivou ljudskog uključivanja, a zatim ih usklađuje sa postojećim dokazima:
- Tutorstvo uživo ili daljinsko: Ovo je kada je ljudski tutor zadužen za sav nivo nastave i interakcije sa učenikom. Postoji snažan dokaz da ovo može biti veoma efikasan model tutorstva.
- Ljudsko tutorstvo uz AI podršku: Ovo je kada je ljudski tutor zadužen za interakciju sa učenikom, a AI alat pomaže tutoru iza scene. Istraživanja o ovom modelu su još u razvoju, ali ukazuju da bi mogao biti podjednako efikasan ili čak efikasniji od tutorstva koje obavlja samo čovek.
- Tutorstvo uz podršku čoveka i AI: Ovo je kada učenik direktno sarađuje sa AI, dok nadgleda, usmerava i interveniše čovek tutor kada je to potrebno. Istraživanje ovog modela je još u razvoju, ali ukazuje da implementacija određuje efikasnost.
- Samo AI tutorstvo: Ovo je kada učenik radi direktno sa AI za sve aspekte tutorstva bez direktnog ljudskog nadzora. Nije mnogo istraživanja o ovom modelu; jedna studija je otkrila da kada se prepusti samom radu, 40-47% učenika nikada ne koristi AI platformu, što otežava procenu efikasnosti.
„Istraživanja tutorstva nam govore da su odnosi ključni deo zadržavanja učenika, angažovanja učenika i postizanja doze koja omogućava trajno poboljšanje ishoda učenika“, rekao je Agnew. „Pristup alatu nije dovoljan.“
Održivi tutorijalni odnosi mogu povećati motivaciju učenika i omogućiti efikasniju personalizaciju, rekao je Matthew Kraft, profesor obrazovanja i ekonomije na Brown University, koji nije bio uključen u Stanfordov istraživački sažetak.
„Međutim, takođe znamo da personalizovano učenje može biti uspešno i bez tog elementa,“ rekao je u e-poruci. „Dokazi iz strukturiranijih kompjuterski prilagođenih programa učenja su obećavajući kada škole uspešno mogu da strukturišu implementaciju.“
Sažetak takođe opisuje slučajeve korišćenja AI tutorstva koji povećavaju ljudsko vođeno instrukcijsko i povećavaju kapacitete obrazovnih radnika. Neki primeri uključuju korišćenje AI za:
- Ubrzavanje master rasporeda i raspodele učenika i nastavnika, što može smanjiti vreme izrade rasporeda i sačuvati ključno nastavno vreme i blokove intervencija;
- Povećanje obuke tutora i profesionalnog razvoja kroz realistične simulacije prakse koje tutore omogućavaju da usavrše svoje nastavne tehnike pre vođenja uživo; i
- Generisanje ciljanih materijala za vežbu učenika uz pregledi tutora pre njihove primene.
Pre usvajanja AI alata u tutorstvo, istraživači sa Stanforda preporučuju liderima škola, distrikta ili države da prioritet daju aplikacijama koje nadograđuju ljudsko vođenje i operativne kapacitete i uspostave stroge mere zaštite privatnosti podataka učenika.
AI nije „rešenje za sve“, upozorio je Kraft. „AI ne može osigurati da ispunite osnovne elemente uspešnog tutorstva—visoku posećenost, trajno tutorstvo tokom vremena i snažne odnose.“
