Nastavnici imaju puno pitanja o veštačkoj inteligenciji. Kao i ja. Kada mi treba praktičan pogled na edtech, oslanjam se na uvek promišljenog Michaela Horna — predavača na Harvard Graduate School of Education, suosnivača Christensen Institute-a, suvoditelja Future U podcast-a i autora mnogih knjiga, uključujući Blended: Using Disruptive Innovation to Improve Schools. Dok školski čelnici razmatraju novi niz tutorijala zasnovanih na veštačkoj inteligenciji i programe iz matematike, pitao sam Michaela zašto se čini da su rezultati neujednačeni — i šta se može uraditi po tom pitanju. Evo šta je imao da kaže.
—Rick
Rick: Michael, školski čelnici su bombardovani sjajnim modelima AI tutorstva. Svi deluju obećavajuće. Zatim se usvoje, a rezultati su razočaravajući. Glavni, ponavljajući problem je što samo mali udeo učenika koristi ih kako se preporučuje. Laurence Holt je to nazvao problemom od 5%. Ovi alati mogu biti odlični za učenike koji ih koriste, ali većina jednostavno nije sklona da ih koriste (što zvuči sumnjivo kao ono što se desilo sa MOOC-ovima pre 15 godina).
Rick: Vi već godinama pišete o ovoj dinamici. Šta se dešava? I šta ovo znači za AI-om podržane programe iz matematike koji nisu toliko „tutoring”, koliko oslonac za nastavu matematike?
Michael: Rick, zamisli se u ulozi tinejdžera. Da li želiš da se trudiš ako nema jasne veze između uloženog truda i ishoda koji ti je zaista važan? Koliko fakultetskih studenata uopšte uradi svu dodeljenu lektiru? Čini se da danas moraš da ostvariš manje od 30 stranica nedeljno da bi imao šansu — a i tada je to verovatno dug pokušaj.
Kako je vaša AEI koleginica Nat Malkus pokazala, mnoge škole i dalje imaju problem da uopšte nateraju učenike da dolaze redovno — a mi očekujemo da ti isti učenici sami pokrenu tutor zasnovan na veštačkoj inteligenciji bez ikakve ljudske odgovornosti uz njega?
Vraćamo se na ono što psiholog Daniel Willingham već dugo tvrdi: naši umovi su konfigurirani da biraju put najnižeg otpora. Kada postoji prilika da se izbegne naporan rad, većina nas to i uradi. Dakle, iako mnogi pametni ljudi misle da tutor-i zasnovani na veštačkoj inteligenciji postaju sve bolji, osim ako ne obratimo stvarnu pažnju motivaciji i socijalnoj odgovornosti, ne treba da očekujemo mnogo korišćenja ili koristi.
Rick: U redu, to ima smisla. Dakle, ako tutor zasnovan na veštačkoj inteligenciji navodno donosi velike dobitke, koja pitanja bi nastavnici ili roditelji trebalo da postave? Da li borba protiv „5% problema” jednostavno znači osigurati da učenici budu testirani i da budu odgovorni za rezultate?
Michael: Ovo su velika pitanja, Rick.
Prvo, prečesto počinjemo od same tehnologije i zanemarujemo sam obrazovni model. Tehnologija nije čarobno rešenje u obrazovanju. Uvučena u postojeći obrazovni okvir, može na najbolji način služiti kao dodatak koji ojačava procese i prioritete koji su već na mestu. Može učiniti nastavu efikasnijom, ali ne može da reinventuje nastavu. A deo problema je što tehnologija često kolidira sa postojećim rutinama tradicionalne učionice — pa uglavnom ostaje neiskorišćena.
Jedan zaključak: pre nego što se fokusiramo na tehnologiju, moramo ponovo osmisliti sam obrazovni model. Zamislite osnovni model rotacije stanica mešane nastave (blended learning), gde učenici dobijaju neprekidan blok vremena da rade na digitalnom matematičkom programu — ili, u ovom slučaju, da dobiju podršku od tutora zasnovanog na veštačkoj inteligenciji za rad koji treba da završe. Odmah, svaki učenik dostigne minimalne nivoe korišćenja.
Rick: Naravno, kao što često naglašavate, integrisanje tehnologije u učenje razlikuje se od toga da učenici te alate koriste efikasno. Šta je potrebno da se savlada ovaj drugi izazov? I šta to traži od onih koji dizajniraju i implementiraju ove alate?
Michael: Da parafraziram izraz koji često koristite o obrazovnoj politici: možemo zahtevati da učenici koriste tehnologiju, ali ne možemo ih prisiliti da je koriste na pravi način. Naravno, dete može da sedi ispred računara. Ali jesu li angažovani i rade li ono što treba da bi učili?
Postizanje toga nije slučajnost. Modeli nastave koje nastavnici poučavaju i alati koje inženjeri razvijaju moraju biti dizajnirani sa motivacijom u vidu. Dve stvari slede. Prva: učenici moraju biti odgovorni za stvarno savladavanje gradiva, a ne samo za broj vremena provedenog na uređaju. Druga: model mora imati koherentnu teoriju motivacije inkorporiranu u sebi, a ne dodatno pričvršćenu kao kasnija pomisao.
Na primer, koliko god govorili o Alpha School, bar imaju jasnu teoriju slučaja: Dva sata ozbiljnog akademskog rada ujutru, a popodne se otvara za zabavne aktivnosti. Lično smatram da ovaj model zanemaruje činjenicu da težak akademski rad može biti nagrađujući ako je dobro osmišljen. Ali bar imaju određenu koherentnost i odgovornost.
Za sve ostale, nekoliko zaključaka vrednih razmišljanja. Povežite novo učenje sa postojećim znanjem koje učenici već poseduju, da posao bude realno dostupan. Nagradite naporan rad sticanja veštine kroz opipljiv osećaj napretka, da učenici vide koliko su već savladali. A kada učenik koristi uređaj, zatvorite sve ostalo osim AI tutora koji bi trebalo da koristi. Uklonite distrakcije.
Ovaj razgovor je izmenjen radi dužine i jasnoće.
