Ez a cikk fordítás. Az eredeti blogbejegyzést Elena Paspel töltötte fel angolul.

A mesterséges intelligenciára épülő, tényalapú tanítás és tanulás: kritikai elemzés

Bevezetés

A mesterséges intelligencia minden szinten átalakítja az oktatást, beleértve a felnőttoktatást is, az elköteleződést és a tanulási eredményeket fokozó, innovatív tanítási módszereket kínálva. Nemrégiben készült tanulmányok azt vizsgálják, hogy a mesterséges intelligencia (MI) hogyan javítja a projektalapú tanulást (project-based learning; PBL), a kutatásalapú oktatást és a tényalapú stratégiákat nagy nyelvi modellek (Large Language Models; LLM) segítségével. Ez az elemzés részletesen tárgyalja a legfontosabb megállapításokat, bemutatja az MI modern oktatásra kifejtett hatását, valamint azt, hogy miként építhető be eredményesen a felnőttoktatói gyakorlatba.

Az MI oktatásban való alkalmazásának elméleti alapjai

Ezek a tanulmányok kiemelik, hogy az MI képes átalakítani az oktatást. Wan és Hu (2023) a konstruktivista elméletre, vagyis arra az elképzelésre alapozta kutatásait, hogy a tanulók valós problémákkal való aktív szembesülés útján gyarapítják tudásukat. MI-alapú projektalapú tanulási (PBL) modelljük pontosan illeszkedik ebbe a keretbe, arra késztetve a tanulókat, hogy együttműködjenek, és együtt kezeljék a gyakorlati kihívásokat. Hasonlóképpen, Xie (2023) az AI kutatásalapú oktatásban betöltött szerepét vizsgálja, bemutatva, hogy az hogyan segíti a tanulókat a kritikai gondolkodás fejlesztésében a kérdezés, bizonyítékgyűjtés és problémamegoldás révén.

Ezzel szemben Mollick és Mollick (2023) egy kicsit más megközelítést alkalmaz. Ők a tanulástudományok és a kognitív pszichológia kutatásaira támaszkodva a tényalapú tanítás fontosságát hangsúlyozzák. Öt olyan tanítási stratégiát azonosítanak, amelyekről bebizonyosodott, hogy fokozzák a tanulók tanulását – bár a gyakorlatban nem mindig könnyű ezeket következetesen megvalósítani. Mollick és Mollick (2023) tehát lefektetik az elméleti alapokat az MI – különösen a nagy nyelvi modellek (LLM) – olyan eszközként történő használatához, amely javítja és racionalizálja az említett tényalapú tanítási stratégiák oktatási környezetben történő megvalósítását.

Főbb megállapítások és módszertanok

Projektlapú tanulás és MI

Wan és Hu (2023) egy hat lépésből álló modellt dolgozott ki az MI projektalapú tanulásba (PBL) való integrálására:

• szituációs projekttervezés,

• ötletelés,

• szerepkörök kiosztása,

• tevékenységek feltárása,

• iteratív optimalizálás,

• valamint a teljesítmények megosztása.

Megközelítésük lényege a valós feladatokkal való gyakorlati foglalkozás, melynek során a tanulók nemcsak tanulnak, hanem cselekszenek is. Erre többek között a következő példát hozzák: a városi forgalom optimalizálását célzó, járművekre szerelhető eszköz tervezése MI-kompatibilis szoftver segítségével. Véleményük szerint ez a módszer fokozza a kreativitást, a csapatmunkát és a mérnöki gondolkodást. És mi a legfontosabb tanulság? Az MI segítségével történő tanulás akkor működik a legjobban, ha a tanulók valódi, érdemi projektekkel foglalkoznak, amelyeket rövid időn belül el tudnak végezni – olyan projektekkel, amelyek megkövetelik, hogy tudásukat a felnőttoktatásban értelmes módon alkalmazzák.

A szerzők által hivatkozott körülmény az, hogy az MI – az országos fejlesztési tervek hatására – egyre fontosabbá válik a kínai alapfokú oktatásban. A szerzők kritikusan vázolják fel a javasolt tanítási mód konkrét lépéseit, pedagógiai érvelésüket pedig a kreativitás ösztönzésével és a gyakorlati képességek fejlesztésével támasztják alá. Azzal együtt, hogy a tanulmány ismerteti a megvalósítás lépéseit, és pozitív eredményeket sugall, hiányoznak belőle a „jó tanítási eredményekre” vonatkozó állítás alátámasztására alkalmas, konkrét empirikus adatok és formális kiértékelés. Mivel egyetlen, szoftverekkel kapcsolatos példára hagyatkoznak, ez korlátozhatja a megközelítésük más MI-alapú oktatási környezetek vonatkozásában történő általánosítását.

Kutatásalapú oktatás az MI segítségével

Xie (2023) másik megközelítést választva arra helyezi a hangsúlyt, hogy az MI-alapú vizualizációs technológia, valamint az 5G és hasonló fejlesztések ötvözése hogyan gazdagíthatja a tananyagokat, és hozhat létre immerzív tanulási élményeket. A tanulmány kiemeli, hogy az oktatásban elmozdulás tapasztalható az „intelligencia” felé, valamint azt, hogy az MI képes javítani a tanítás hatékonyságát és a tanulók értelmezési készségeit. Ennek a vitának a középpontjában a tanulási képességek fejlesztésén, illetve az oktató és a tanuló közötti aktív interakció elősegítésén alapuló kutatásalapú oktatási megközelítés áll.

Ami a módszertant illeti, Xie (2023) kvantitatív megközelítést alkalmaz az MI-re épülő kutatásalapú oktatás hatásának mérésére. Négy alapvető elemre bontja a megközelítést, melyek a következők: a kikérdezés, a bizonyítékgyűjtés, a magyarázatra összpontosítás és a kiértékelő összefoglalás, és érdekes módon arra az eredményre jut, hogy mind a kérdezés, mind a kiértékelő összefoglalás 10 százalékkal javítja a tanulási eredményeket. A tanulmány megbízhatóságát olyan statisztikai eszközök támasztják alá, mint a Cronbach-féle α együttható és a KMO-érték. Ezek a mutatók meggyőzőek ugyan, de fontos megvizsgálni azt is, hogy milyen mértékben vonatkoznak a tanulmány konkrét körülményeitől eltérő feltételekre? 

Kínában a kutatás hátterét többek között az MI gyors fejlődése és a támogató országos politikák adják. Azzal együtt, hogy ezek a tényezők izgalmassá teszik a kutatási környezetet, kérdések is merülnek fel. Vajon mennyire relevánsak ezek az eredmények az eltérő oktatási rendszerekben és kultúrákban? Ráadásul Xie (2023) kérdőíveken begyűjtött, saját bevallású adatokra támaszkodik. Bármennyire is hasznosak lehetnek az így szerzett információk, mindig fennáll az elfogultság kockázata, amely torzíthatja a tanulmány következtetéseit.

Hatékony tanítási stratégiák megvalósítása MI segítségével

Mollick és Mollick (2023) útmutatást ad az MI – különösen a nagy nyelvi modellek (Large Language Model; LLM), például a ChatGPT és a Bing AI – olyan tényalapú oktatási stratégiák megvalósítására történő használatához, amelyeket időhiány miatt gyakran nehéz a gyakorlatba ültetni. A szerzők alapvetően ezeket a stratégiákat taglalják, amelyek mindegyike saját, oktatással kapcsolatos kutatásra épülő elméleti megalapozással rendelkezik:

• Sok és változatos példa közlése.

• Több magyarázat felkínálása.

• Gyakori, alacsony téttel rendelkező tesztelés.

• A tanulás felmérése.

• Tagolt gyakorlás alkalmazása.

A szerzők mindegyik stratégiához gyakorlati útmutatást és segédanyagok létrehozásához felhasználható, MI által generált utasításokat (promptokat) közölnek. Ugyanakkor felhívják a figyelmet arra, hogy a pontosság és a relevancia érdekében az oktatóknak gondosan felül kell vizsgálniuk az MI javaslatait. Mégis azzal érvelnek, hogy az MI „katalizátorként” működhet a tanulássegítők számára, amennyiben azt átgondoltan, tényalapú gyakorlatok alátámasztására használják. A tanulmány gyakorlati tanácsokat ad az MI által generált tartalmak oktatási környezetben történő kiértékeléséhez és alkalmazásához.

Mollick és Mollick (2023) pragmatikus megközelítést alkalmazva közvetlenül az oktatókat érintő kihívásokat kezelik, és az MI-t olyan eszközként mutatják be, amely segíti, de nem helyettesíti az oktatókat. A tanulmány elismeri az LLM-ek gyors elterjedését az oktatásban, a lehetséges előnyökkel és a benne rejlő kockázatokkal együtt (pl. „hallucináló MI”). A szerzők arra biztatják az oktatókat, hogy kritikusan használják az MI-t, és mindig ellenőrizzék annak pontosságát, mielőtt beépítenék az MI-alapú eredményeket a tanításba.

Mollick és Mollick (2023) megközelítésének hatékonysága végső soron attól függ, hogy mennyire alaposan ellenőrzik az MI által generált tartalmakat. Többször hangsúlyozzák, hogy az MI csak egy eszköz, amely nem helyettesíti az oktatói szakértelmet. Az oktatóknak tantárgyi és pedagógiai ismeretekkel is rendelkezniük kell ahhoz, hogy megfelelően fel tudják mérni az MI által szolgáltatott információkat. Ezen túlmenően, mivel a megadott promptok bizonyos LLM-ekhez (például ChatGPT és a Bing AI) vannak szabva, a jövőbeli modellek kiigazításra szorulhatnak.

Összehasonlító elemzés

Erősségek

Ezek a tanulmányok hatékonyan bemutatják, hogy az MI miként járulhat hozzá az oktatási gyakorlatok javításához:

• Wan és Hu PBL-modellje valós projektek segítségével segíti elő az aktív részvételt.

• Xie kutatásalapú megközelítése módszeresen fejleszti a kritikus gondolkodást és a problémamegoldási készségeket.

• Mollick és Mollick munkája konkrét módszereket kínál az oktatók számára ahhoz, hogy tényalapú oktatási stratégiákat valósítsanak meg MI segítségével, különösen a nagy nyelvi modellek (LLM) segítségével.

Korlátok

Minden erősségük ellenére ezek a tanulmányok jelentős korlátokat mutatnak.

• Wan és Hu minőségi szempontú megállapításaiból hiányzik a különböző körülményekre érvényes empirikus validáció.

• Mivel Xie a kínai felsőoktatásra összpontosít, a megállapítások más kontextusokban korlátozottan alkalmazhatók.

• Mollick és Mollick tanulmánya azt a kockázatot emeli ki, hogy az MI által generált példák vagy magyarázatok kis mértékben tévesek lehetnek, és szándékolatlanul is felerősíthetik a tanulók tévképzeteit, ha az oktatók nem ellenőrzik körültekintően az MI javaslatait.

• Egyik tanulmány sem foglalkozik olyan potenciális problémákkal, mint az etikai aggályok vagy az MI-technológiákhoz való egyenlőtlen hozzáférés.

Gyakorlati kihatások

E tanulmányok eredményei jelentős kihatással vannak a pedagógusokra. A valós problémák képzési programokba való beépítése relevánsabbá és vonzóbbá teheti a tanulást. Az oktatóknak az MI-eszközök hatékony használatára vonatkozó képzésben kell részesülniük a tényalapú oktatási stratégiák megvalósításához, illetve a kutatás- vagy projektalapú tanulás elősegítéséhez. A politikai döntéshozók feladata olyan kérdésekkel foglalkozni, mint az MI-technológiákhoz való méltányos hozzáférés az inkluzív oktatás biztosítása érdekében.

Következtetés

Az MI-alapú oktatási módszerek átalakítják a felnőttoktatást, képesek fejleszteni a kreativitást, a kritikai gondolkodást és a valós problémamegoldási készségeket. Wan és Hu (2023) rávilágít arra, hogy a projektalapú tanulás (project-based learning; PBL) miként segíti elő az innovációt és az együttműködést, míg Xie (2023) azt mutatja be, hogy a kutatásalapú oktatás hogyan javíthatja a tanulók bevonását és megtartását. Mollick és Mollick (2023) hangsúlyozza, hogy az oktatók által stratégiai jelleggel alkalmazott MI „katalizátorként” működhet a tényalapú tanítási stratégiák észszerűsítéséhez, ezáltal javítja a tanulás hatékonyságát és a tanulási eredményeket. Ezek a tanulmányok együttesen szilárd alapot teremtenek az MI egész életen át tartó tanulásba való beépítéséhez, azzal együtt, hogy további kutatásokra van szükség az olyan kihívások kezelésére, mint az MI pontossága és hozzáférhetősége, illetve a kapcsolódó etikai megfontolások és oktatói képzések.

Referenciák

_{Mollick, Ethan R. and Mollick, Lilach, Using AI to Implement Effective Teaching Strategies in Classrooms: Five Strategies, Including Prompts (March 17, 2023). The Wharton School Research Paper, Available at SSRN: https://ssrn.com/abstract=4391243 or http://dx.doi.org/10.2139/ssrn.4391243} 

_{Wan, C., & Hu, Z. (2023). Research on Application of Artificial Intelligence Teaching Mode Based on Project‐based Learning. International Journal of Emerging Horizons, 6(1), 121–122. https://doi.org/10.54097/ijeh.v6i1.3063} 

_{Xie, X. (2023). Influence of AI-driven Inquiry Teaching on Learning Outcomes. International Journal of Emerging Technologies in Learning, 18(23), 59–70. https://doi.org/10.3991/ijet.v18i23.45473}