EPALE - Electronic Platform for Adult Learning in Europe

Συντονιστής EBSN

Η Tεχνητή Nοημοσύνη έχει σημαντικό αντίκτυπο στο τοπίο της εκπαίδευσης ενηλίκων. Το αν αυτός ο αντίκτυπος είναι προς το καλύτερο ή προς το χειρότερο εξαρτάται σε μεγάλο βαθμό από τον τρόπο με τον οποίο οι σχεδιαστές μάθησης προχωρούν στην ενσωμάτωση καινοτόμων λύσεων. Σε αρκετές περιπτώσεις, οι χρήστες της EPALE έχουν επισημάνει ότι ο σχεδιασμός βρίσκεται στο επίκεντρο της επιτυχίας των εκπαιδευόμενων με προσφορές μάθησης που βασίζονται στην Tεχνητή Nοημοσύνη, υπογραμμίζοντας την ανάγκη για μια προσεκτική προσέγγιση στο σχεδιασμό, η οποία τοποθετεί τις ανάγκες των εκπαιδευόμενων στο κέντρο του σχεδιασμού ενός μαθήματος ή μιας συνεδρίας μάθησης.

Μια πρόσφατη δημοσίευση ιστολογίου της EPALE από τον Djani Husomanovic παραθέτει μια ερευνητική εργασία που υπογραμμίζει τη σημασία του σχεδιασμού: "Τα εργαλεία Τεχνητής Νοημοσύνης θα πρέπει να υποστηρίζουν τη σκέψη, όχι να την παρακάμπτουν. Θα πρέπει να ενθαρρύνουν τον προβληματισμό, τη λήψη αποφάσεων και την ανάλυση - όχι μόνο να παρέχουν έτοιμες λύσεις". Νωρίτερα φέτος, το Συνέδριο EPALE και Erasmus+ στη Βιέννη παρουσίασε στους συμμετέχοντες ένα λεπτομερές Σχέδιο Δράσης σχετικά με τον τρόπο υιοθέτησης της Τεχνητής Νοημοσύνης στην εκπαίδευση ενηλίκων, εστιάζοντας όχι μόνο στις πολιτικές και δεοντολογικές προοπτικές, αλλά και στις παιδαγωγικές διαστάσεις. 

Σε συνέχεια του ιστολογίου με τίτλο AI for Inclusion: Opportunities for Low-Skilled Learners (Τεχνητή Νοημοσύνη για την Ένταξη: Ευκαιρίες για Εκπαιδευόμενους Χαμηλών Δεξιοτήτων), αυτό το άρθρο επιχειρεί να λάβει μια αναλυτική άποψη σχετικά με τον τρόπο με τον οποίο τα εργαλεία Τεχνητής Νοημοσύνης μπορούν να επηρεάσουν την αντίληψη των σχεδιαστών για τη διαδικασία σχεδιασμού. Με αυτόν τον τρόπο, βασίζεται σε βασικά μοντέλα μάθησης που είναι ευρέως γνωστά στον τομέα της εκπαίδευσης ενηλίκων και προτείνει τροφή για σκέψη όσον αφορά τις προκλήσεις και τις δυνατότητες στο πλαίσιο της εφαρμογής αυτών των μοντέλων. 

Προσωρινές Εκτιμήσεις

Πριν εξετάσουμε τα μοντέλα μάθησης, είναι χρήσιμο να εξετάσουμε μερικές γενικές ερωτήσεις σχετικά με την Τεχνητή Νοημοσύνη και τον σχεδιασμό μάθησης. 

Πρόσβαση στην Επιτυχία

Το εύρος της πρόσβασης σε εφαρμογές Τεχνητής Νοημοσύνης, μεγάλα γλωσσικά μοντέλα, chatbots επηρεάζει σε μεγάλο βαθμό την ικανότητα των σχεδιαστών να καταλήξουν σε έναν συνολικό σχεδιασμό για τη μάθηση και τις πραγματικές δραστηριότητες. Πολύ συχνά οι εκπαιδευτές βιώνουν περιορισμένες δραστηριότητες και πρότυπα, εκτός εάν τους παρέχεται συνδρομή από το εκπαιδευτικό ίδρυμα. Χωρίς συνδρομή σε εφαρμογές, οι δραστηριότητες μπορούν γρήγορα να γίνουν επαναλαμβανόμενες ή στερεότυπες. Αυτό, προφανώς, απαιτεί μια θεσμική απόφαση, η οποία απαιτεί από τους παρόχους κατάρτισης να δεσμευτούν να ενσωματώσουν την Τεχνητή Νοημοσύνη στην πρακτική τους.  

Μηδενική Προτροπή έναντι Βαριάς Προτροπής

Μόλις αποκτήσουν πρόσβαση σε εργαλεία Τεχνητής Νοημοσύνης, οι σχεδιαστές αντιμετωπίζουν μια σημαντική απόφαση, δηλαδή εάν θα επενδύσουν στην προτροπή όταν πρόκειται για τον σχεδιασμό δραστηριοτήτων ή την επιλογή λύσεων που απαιτούν ελάχιστη ή καμία προσπάθεια προτροπής. Η τελευταία ρισκάρει να χάσει τις ατομικές μαθησιακές ανάγκες, καθώς η προτροπή παρέχει μια εξαιρετική ευκαιρία προσαρμογής των εργασιών στις ανάγκες του συγκεκριμένου εκπαιδευόμενου. Έτσι, αυτή η προσέγγιση μπορεί να αποδειχθεί ευνοϊκή για τις συνεδρίες μάθησης που μεταδίδουν το ίδιο μαθησιακό περιεχόμενο ανεξάρτητα από τους εκπαιδευόμενους (π.χ. ορισμένα προγράμματα μάθησης στο χώρο εργασίας, μαθήματα πιστοποίησης με τη χρήση κουίζ, πρότυπα κ.λπ.). Ωστόσο, η προτροπή της Τεχνητής Νοημοσύνης με μεγάλες λεπτομέρειες προσφέρει μεγαλύτερη δυνατότητα στους εκπαιδευτές να συμπεριλάβουν αυθεντικό εκπαιδευτικό υλικό (πραγματικούς πόρους που χρησιμοποιούν οι εκπαιδευόμενοι στην επαγγελματική ή προσωπική τους ζωή), γεγονός που μπορεί να αυξήσει τη συνάφεια της κατάρτισης με τον εκπαιδευόμενο. 

Αυτονομία Εκπαιδευόμενου και Εκπαιδευτή

Οι σχεδιαστές που χρησιμοποιούν εργαλεία Τεχνητής Νοημοσύνης πρέπει να προβληματιστούν σχετικά με τον μεταβαλλόμενο ρόλο του εκπαιδευόμενου και του εκπαιδευτή. Όταν χρησιμοποιούνται με διορατικότητα, οι εφαρμογές LLM προσφέρουν μια άνευ προηγουμένου ευκαιρία για τον εξορθολογισμό των καθηκόντων των εκπαιδευτών σε ορισμένους τομείς της εκπαίδευσης ενηλίκων (π.χ. μαθήματα εκμάθησης ξένων γλωσσών) που καταλάμβαναν μεγάλη χωρητικότητα, δηλαδή διόρθωση των εισροών των εκπαιδευομένων. Επιπλέον, οι εκπαιδευόμενοι που χρησιμοποιούν εργαλεία LLM μπορούν να επικυρώσουν κατά πόσο ευσταθούν και είναι αυθεντικά αυτά που τους προσφέρθηκαν να μάθουν πολύ πιο γρήγορα από ό,τι στο παρελθόν. Οι εκπαιδευτές σε αυτό το πλαίσιο μπορούν να αναλάβουν περισσότερο ρόλο διευκολυντή, ενώ οι εκπαιδευόμενοι μπορούν να συμμετάσχουν πιο ενεργά σε ερευνητικές δραστηριότητες και να ασκήσουν κριτική στην πηγή όσον αφορά τις δραστηριότητες της τάξης, συμβάλλοντας έτσι στην αύξηση της αυτονομίας του εκπαιδευόμενου και του εκπαιδευτή.

Νέα Προσέγγιση Μαθησιακών Μοντέλων

Μοντέλα όπως το ADDIE, το Design Thinking και το Transformative Learning του Mezirow προσφέρουν διαρκείς γνώσεις σχετικά με τον τρόπο με τον οποίο οι ενήλικες μαθαίνουν καλύτερα - δίνοντας έμφαση στην αυτονομία, τη συνάφεια, την εμπειρία, τον προβληματισμό και τον μετασχηματισμό. Αυτό το ιστολόγιο διερευνά τώρα τον τρόπο με τον οποίο η Τεχνητή Νοημοσύνη διασταυρώνεται με αυτά τα μοντέλα μάθησης - επισημαίνοντας τόσο τις δυνατότητες όσο και τους κινδύνους. Αυτές οι εκτιμήσεις μπορούν να χρησιμεύσουν ως σημείο εκκίνησης για περαιτέρω μελέτη και δοκιμή από τους αναγνώστες. Δεν προορίζονται σε καμία περίπτωση να παρέχουν μια εξαντλητική παρουσίαση αυτών των μοντέλων, καθώς αυτό θα ήταν υπερβολικά φιλόδοξο. 

Μοντέλο ΑDDIE 

Το ADDIE (Analysis, Design, Development, Implementation, Evaluation) είναι ένα συστηματικό πλαίσιο εκπαιδευτικού σχεδιασμού. Διασφαλίζει ότι οι εκπαιδευτικές παρεμβάσεις είναι συντονισμένες με τις ανάγκες των εκπαιδευόμενων, τους σαφείς στόχους και την αξιολογική ανατροφοδότηση. Το μοντέλο χρησιμοποιείται ευρέως στην εταιρική εκπαίδευση και την εκπαίδευση ενηλίκων για τη δομημένη και κλιμακούμενη διαδικασία σχεδιασμού του, αλλά έχει επίσης εφαρμοστεί ευρέως στον σχεδιασμό μαθημάτων τριτοβάθμιας εκπαίδευσης (βλ. ένα τέτοιο παράδειγμα εδώ). 

Δυνατότητες: Τα εργαλεία Τεχνητής Νοημοσύνης μπορούν να αυτοματοποιήσουν την ανάλυση των αναγκών των εκπαιδευόμενων κατά τη διάρκεια της προετοιμασίας ενός μαθήματος μέσω αναλυτικών στοιχείων και μπορούν επίσης να δημιουργήσουν γρήγορα πρωτότυπα περιεχομένου. Αυτά επιτρέπουν στον σχεδιαστή να επιλέξει από μια ευρύτερη ποικιλία λύσεων και προσφορών μάθησης. Η αξιολόγηση μπορεί επίσης να υποστηριχθεί από παραγωγικά εργαλεία Τεχνητής Νοημοσύνης. 

Προκλήσεις: Το εργαλείο Τεχνητής Νοημοσύνης μπορεί να υπεραπλουστεύσει το σύνθετο πλαίσιο του εκπαιδευόμενου κατά τη διάρκεια της φάσης ανάλυσης, γεγονός που απαιτεί από τον σχεδιαστή να παρακολουθήσει αυτή τη φάση πιο στενά και να είναι έτοιμος να κρίνει τα αποτελέσματα της ανάλυσης. Κατά τη φάση της αξιολόγησης, τα συστήματα Τεχνητής Νοημοσύνης μπορεί να δυσκολεύονται να αξιολογήσουν τις ήπιες δεξιότητες ή τα μετασχηματιστικά αποτελέσματα.

Προσέγγιση Σχεδιαστικής Σκέψης

Αρχικά εμφανίστηκε στον τομέα της οργανωσιακής ανάπτυξης και αργότερα υιοθετήθηκε σε εκπαιδευτικά πλαίσια, η Σχεδιαστική Σκέψη δίνει έμφαση στην ανθρωποκεντρική καινοτομία και τον σχεδιασμό μαζί με τις επαναληπτικές δοκιμές. Τα πέντε στάδια - Ενσυναίσθηση, Ορισμός, Ιδεατότητα, Πρωτότυπο και Δοκιμή - επιτρέπουν στους εκπαιδευτικούς να συν-δημιουργούν μαθησιακές εμπειρίες με τους εκπαιδευόμενους, ειδικά σε περιβάλλοντα που απαιτούν δημιουργικότητα, καινοτομία και προσαρμοστικότητα.

Δυνατότητες: Η παραγωγική Τεχνητή Νοημοσύνη μπορεί να διευκολύνει τον ιδεασμό και την ταχεία δημιουργία πρωτοτύπων των μαθησιακών δραστηριοτήτων σε μεγάλο βαθμό. Με την προσεκτική προτροπή, μπορεί να προσφέρει στους σχεδιαστές ένα σενάριο μάθησης που βασίζεται σε μεγάλο βαθμό στο πλαίσιο, το οποίο είναι απαραίτητο στη σχεδιαστική σκέψη. Μπορεί επίσης να χρησιμοποιηθεί για τη δημιουργία λύσεων σχεδιασμού δειγμάτων που αποδείχθηκαν χρήσιμες ή επιτυχείς στο παρελθόν σε παρόμοια πλαίσια.

Προκλήσεις: Η υπερβολική εξάρτηση από την τεχνητή νοημοσύνη μπορεί να περιορίσει τη δημιουργική ανάληψη κινδύνων από τους εκπαιδευόμενους. Αυτό απαιτεί από τους σχεδιαστές να σκεφτούν τον ρόλο της τεχνητής νοημοσύνης στην ολοκλήρωση των εργασιών πολύ νωρίτερα. Η πλαισίωση της μαθησιακής δραστηριότητας μπορεί να απαιτεί από τον σχεδιαστή κάποια προηγούμενη εμπειρία στην επακριβή προτροπή.

Μετασχηματιστική Θεωρία Μάθησης (Mezirow)

Η Μετασχηματιστική Θεωρία Μάθησης του Mezirow υποστηρίζει ότι οι ενήλικες αλλάζουν τις κοσμοθεωρίες τους μέσω κριτικού αναστοχασμού, που συχνά προκαλείται από ένα αποπροσανατολιστικό δίλημμα. Μέσω του διαλόγου και του κριτικού λόγου, οι εκπαιδευόμενοι αμφισβητούν τις υποθέσεις και υιοθετούν νέες προοπτικές.

Δυνατότητες: Η Τεχνητή Νοημοσύνη μπορεί να επιμεληθεί διαφορετικές προοπτικές για να αμφισβητήσει τις προκαταλήψεις. Επιπλέον, η παραγωγική Τεχνητή Νοημοσύνη μπορεί να προσομοιώσει σενάρια "τι γίνεται εάν" για ανακλαστική εξερεύνηση ενδεχομένως μαζί με τον εκπαιδευτή. Η χρήση ευφυών πρακτόρων με τη διευκόλυνση του εκπαιδευτή μπορεί να ενισχύσει τις προτροπές της κριτικής σκέψης και τις δραστηριότητες καταγραφής κατά την ολοκλήρωση των εργασιών.

Προκλήσεις: Η αληθινή μεταμόρφωση είναι βαθιά συναισθηματική και διαπροσωπική. Αυτή παραμένει η κύρια ευθύνη του εκπαιδευτή ενηλίκων. Όταν λαμβάνεται με λίγη κριτική σκέψη εκ μέρους του σχεδιαστή, η αλγοριθμική προκατάληψη μπορεί στην πραγματικότητα να ενισχύσει και όχι να διαταράξει τις υπάρχουσες πεποιθήσεις. Τέλος, καθώς η Τεχνητή Νοημοσύνη δεν διαθέτει την ηθική συλλογιστική που απαιτείται για να καθοδηγήσει τον δεοντολογικό προβληματισμό και την κοινωνική δικαιοσύνη, αυτό εξαρτάται και από τον εκπαιδευτή.  

Συμπερασματικές Σκέψεις

Η Τεχνητή Νοημοσύνη επαναπροσδιορίζει τον τρόπο με τον οποίο σχεδιάζονται τα προγράμματα εκπαίδευσης ενηλίκων, μετατοπίζοντας την εστίαση σε συνεργατικές, ενδυναμωτικές και εξαιρετικά εποικοδομητικές μαθησιακές εμπειρίες. 

Με τη βοήθεια της Τεχνητής Νοημοσύνης, τα μαθησιακά περιβάλλοντα μπορούν να προσαρμοστούν δυναμικά στις ατομικές ανάγκες, επιτρέποντας στους εκπαιδευόμενους να συν-δημιουργήσουν τα δικά τους ταξίδια μέσω εξατομικευμένου περιεχομένου, στοχαστικών προτροπών και ανατροφοδότησης σε πραγματικό χρόνο. Αντί να ενεργούν ως μοναδικοί διαβιβαστές γνώσης, οι εκπαιδευτικοί γίνονται όλο και περισσότερο διαμεσολαβητές ή "συνταξιδιώτες" - καθοδηγώντας τους εκπαιδευόμενους μέσα από πλούσια, διαδραστικά και συχνά αυτοκατευθυνόμενα μονοπάτια. Αυτό ευθυγραμμίζεται καλά με τα μοντέλα εκπαίδευσης ενηλίκων, όπως η Μετασχηματιστική Μάθηση, τα οποία δίνουν έμφαση στην αυτονομία, τη συνάφεια και τον κριτικό προβληματισμό. 

Ενώ μοντέλα όπως το ADDIE και το Design Thinking προσφέρουν δομή και καινοτομία, τα εργαλεία Τεχνητής Νοημοσύνης ενισχύουν την εφαρμογή τους μέσω αυτοματοποίησης, προσαρμοστικών συστημάτων και καθηλωτικών προσομοιώσεων. Ωστόσο, αυτή η εξέλιξη απαιτεί επίσης από τους εκπαιδευτικούς να εξισορροπήσουν κριτικά τη χρήση της Τεχνητής Νοημοσύνης με τις ανθρωποκεντρικές παιδαγωγικές αξίες. Όταν εφαρμόζεται προσεκτικά, η Τεχνητή Νοημοσύνη μπορεί να ενισχύσει την εκπαίδευση ενηλίκων καλλιεργώντας βαθύτερη δέσμευση, κριτική σκέψη και προσωπική μεταμόρφωση.