Ο εκπαιδευτικός ειδικός και επιστήμονας δεδομένων, Tanner Phillips, εξηγεί γιατί η τεχνητή νοημοσύνη από μόνη της δεν προσφέρει στη διδασκαλία, εκτός αν τη χρησιμοποιήσουμε σωστά.
Το 2017, ως πρόσφατος απόφοιτος που είχε μόλις προσληφθεί από τη Qualtrics, σκεφτόμουν τι να κάνω με τη ζωή μου. Καθώς έκανα μια παύση από την έρευνα για μεταπτυχιακά προγράμματα, έπεσα πάνω σε μια διάλεξη TED του Sal Khan, του ιδρυτή της Khan Academy. Το συμπέρασμά μου ήταν αυτό: η τεχνολογία μπορεί να μας απελευθερώσει από τα δεσμά της παραδοσιακής εκπαίδευσης, ανοίγοντας έναν κόσμο όπου κάθε μαθητής μπορεί να καθοδηγεί τη μάθηση στο δικό του ρυθμό.
Πέντε χρόνια αργότερα, δημοσίευσα την πρώτη μου έρευνα που υποβλήθηκε για κριτική στον τομέα της Τεχνητής Νοημοσύνης στην Εκπαίδευση, κατάληξη πολλών ετών έργου κατά τη διάρκεια του διδακτορικού μου. Το θέμα; Η εφαρμογή τεχνικών βαθιάς μάθησης για να προβλέψουμε πόσο πιθανό είναι οι μαθητές να περάσουν ένα εξέταση πριν τη λάβουν. Στο μυαλό μου, αυτό αποτελούσε μια συνεισφορά στο όραμα του Khan για την εκπαίδευση – τη χρήση της Τεχνητής Νοημοσύνης για να βοηθήσει τους μαθητές και τους δασκάλους να γνωρίζουν πότε οι μαθητές είναι έτοιμοι να κάνουν τις εξετάσεις τους.
Η διδασκαλία είναι ήδη “αρκετά καλή” Λοιπόν, γιατί απέτυχε η έρευνά μου; Έλυνα ένα πρόβλημα που κανείς δεν είχε πραγματικά – οι μαθητές ξέρουν αρκετά καλά πώς θα τα πάνε σε μια εξέταση, και το ίδιο ισχύει και για τους δασκάλους τους. Ακόμη κι αν ακούγεται μαγικό να μπορεί η Τεχνητή Νοημοσύνη να προβλέπει το βαθμό ενός μαθητή πριν αυτός αγγίξει την εξέταση, το υποκείμενο εκπαιδευτικό πρόβλημα δεν είναι πολύ μεγάλο. Αυτό είναι, για την ακρίβεια, συμβολικό για μια μεγαλύτερη κατηγορία “μικρών προβλημάτων” στην εκπαίδευση που οι ερευνητές αγαπούν να μελετούν. Θα μπορούσαν να συνοψιστούν με την ακόλουθη διαπίστωση: Οι δάσκαλοι είναι αρκετά καλοί στο να διδάσκουν, και οι μαθητές είναι αρκετά καλοί στο να μαθαίνουν.
Φαίνεται αιρετικό, σωστά; Είναι επίσης ακριβώς το αντίθετο από αυτό που λέει πολύ από τη σημερινή φασαρία για την Τεχνητή Νοημοσύνη: “Η Τεχνητή Νοημοσύνη θα δημιουργήσει καλύτερο περιεχόμενο.” “Η Τεχνητή Νοημοσύνη θα βοηθήσει τους μαθητές να μάθουν να προγραμματίζουν πιο γρήγορα.” “Η Τεχνητή Νοημοσύνη θα σας βοηθήσει να επιλέξετε τον ειδικό σας.”
Για να είμαστε σαφείς, πιστεύω ότι όλα αυτά είναι αληθή. Ωστόσο, πρέπει να ρωτήσουμε: πόσο μεγάλα μπορούν να είναι τα αποτελέσματα αυτών των εργαλείων; Αν λύσουμε αυτά τα προβλήματα, η εκπαίδευση θα είναι ριζικά διαφορετική, ή θα είναι καλύτερη κατά 2%;
Καλύτερη διδασκαλία δημιουργεί ελάχιστα κέρδη Ευτυχώς, οι ερευνητές έχουν αφιερώσει χρόνο για να μας απαντήσουν σε αυτήν την ερώτηση. Στην εκπαιδευτική έρευνα, η επίδραση μετράται με το “μέγεθος εφέ”, ένα στατιστικά κανονικοποιημένο τρόπο μέτρησης της έντασης της επίδρασης μιας μελέτης. Αν και εξαρτάται από την συγκεκριμένη μελέτη, ένα μέγεθος εφέ 0,1 αντιστοιχεί περίπου σε αύξηση κατά 1% στον μέσο βαθμό ενός μέσου μαθητή.
Οι μέγεθος των αποτελεσμάτων σε μελέτες όπου προσπαθούμε να βοηθήσουμε τους δασκάλους να διδάσκουν καλύτερα ή τους μαθητές να μαθαίνουν καλύτερα, πόσο μεγάλο είναι; Σε μέσο όρο, περίπου 0,1. Ακόμη και στο υψηλότερο άκρο, οι καλύτερες μελέτες έχουν μεγέθη αποτελεσμάτων το πολύ 0,5. Αυτό σημαίνει ότι οι πιο καινοτόμες εκπαιδευτικές τεχνικές και τεχνολογία τείνουν να αυξάνουν τις βαθμολογίες των μαθητών κατά περίπου 5%, ή περίπου ένα μερικό βαθμό (π.χ., από μια μέση βαθμολογία C+ σε μια βαθμολογία B-).
Αυτό είναι ακόμη αρκετά καλό, και πρέπει αναμφίβολα να ακολουθούμε αυτά τα έργα. Ας εξαντλήσουμε κάθε τελευταίο ποσοστιαίο σημείο που μπορούμε να αποσπάσουμε από αυτήν τη νέα τεχνολογία! Ωστόσο, πρέπει επίσης να αναρωτηθούμε: Είναι μια αύξηση 5% στις βαθμολογίες (και η αύξηση στη μάθηση που αντιπροσωπεύει) το όριο του τι μπορεί να κάνει η τεχνητή νοημοσύνη για εμάς;
Όχι, δεν είναι. Αλλά για να σπάσουμε αυτό το όριο, πρέπει να είμαστε δημιουργικοί στον τρόπο που εφαρμόζουμε την τεχνητή νοημοσύνη στην εκπαίδευση. Αν απλά πειράξουμε τον παλιό τρόπο προσέγγισης με τη χρήση της τεχνητής νοημοσύνης, τα οφέλη θα σταθεροποιηθούν απλώς, όπως έχει συμβεί στο παρελθόν.
Ήδη γνωρίζουμε πώς να επαναστατήσουμε τη διδασκαλία, αλλά δεν το κάνουμε.
Ήδη γνωρίζουμε πώς να επαναστατήσουμε τη διδασκαλία. Πράγματι, αυτό έχει είναι γνωστό για περισσότερο από μισό αιώνα! Είναι ένας τύπος διδασκαλίας που έχει επανειλημμένα δείξει ότι αυξάζει τη βαθμολογία ενός μαθητή κατά 20% – αρκετό για να μετατρέψει αποτυγχάνοντες μαθητές σε μέσους και μέσους μαθητές σε αστέρες.
Η μέθοδος; Η μονομελής διδασκαλία. Λοιπόν, γιατί λοιπόν δεν το κάνουμε; Η απάντηση είναι απλή: κλιμάκωση. Σε περισσότερες εκπαιδευτικές ρυθμίσεις, δεν είναι δυνατό να υπάρχει μονομελής διδασκαλία για όλους λόγω του κόστους, του χρόνου και του αριθμού των εκπαιδευτών. Αυτό το πρόβλημα έχει ονομαστεί εξυμνητικά “το πρόβλημα των δύο σίγμα”.
Σε αυτό το σημείο, μπορεί ήδη να λέτε “Ω, μπορούμε να χρησιμοποιήσουμε τα συστήματα τεχνητής νοημοσύνης ως δασκάλους!” Ωστόσο, υπάρχει ένα σημαντικό ερώτημα που πρέπει να ληφθεί υπόψη πριν φτάσουμε εκεί: Γιατί η μονομελής προσοχή είναι πολύ πιο αποτελεσματική από οποιονδήποτε άλλο τύπο διδασκαλίας;
Οι τεχνητοί δάσκαλοι στο πλαίσιο του υφιστάμενου μοντέλου είναι περισσότερο από ό,τι δεν λειτουργεί. Παρόλο που οι ακαδημαϊκοί δημιουργούν πολύπλοκα πλαίσια για να το συζητήσουν, η κατανόηση του γιατί η μονομελής διδασκαλία λειτουργεί δεν είναι ιδιαίτερα περίπλοκη. Εδώ έχετε ένα προσωπικό παράδειγμα του γιατί είναι αποτελεσματική.
Παρόλο που ήμουν αρκετά επιτυχημένος ακαδημαϊκά, είχα μια μετριοπαθή πορεία στο γυμνάσιο. Το δεύτερο έτος μου απέτυχα στο μάθημα προ-υπολογισμού. Και όχι λίγο, πολύ. Η τελική μου βαθμολογία για το εξάμηνο ήταν περίπου 30%. Δεν έχω τις καλύτερες αναμνήσεις από τον δάσκαλό μου, αλλά η αλήθεια είναι ότι ακόμη και με έναν καλύτερο δάσκαλο, δεν υπήρχε περίπτωση να περάσω. Τελικά, ο δάσκαλος δεν ήταν το πρόβλημα. Ήμουν κοινωνικά απομονωμένος σε ένα νέο σχολείο, είχα πολλές εξωσχολικές δραστηριότητες, το ωράριό μου ήταν κακό, και λόγω του στρες και του έλλειψης ύπνου, κοιμόμουν στο μάθημά μου μαθηματικών την πρώτη περίοδο.
Με όλα αυτά τα αντίποδα, ούτε το ChatGPT ούτε ένας καλύτερος δάσκαλος θα με είχαν σώσει. Θα εξακολουθούσα να αποτυγχάνω. Αυτό επιδεικνύει γιατί ακόμη και οι καλύτεροι δάσκαλοι και εκπαιδευτικές παρεμβάσεις μπορούν να κάνουν μόνο τόσα. Αυτό που συνέβη μετά δείχνει επίσης γιατί η μονομελής διδασκαλία είναι αποτελεσματική.
Η μεταγνώση, όχι η γνώση, είναι το συστατικό της επιτυχίας.
Τελικά, δεν μπόρεσα πια να κρατήσω το πρόβλημά μου μυστικό. Οι γονείς μου το ανακάλυψαν. Με ανάγκασαν να μειώσω τις εξωσχολικές μου δραστηριότητες, μου πήραν το κινητό για να πηγαίνω στο κρεβάτι εγκαίρως, παρακολούθησαν τα μαθήματά μου για να εξασφαλίσουν ότι δεν θα ξαναπέσω σε δυσκολίες. Τελικά, μεταφέρθηκα σε μια άλλη σχολή όπου είχα περισσότερους φίλους.
Ο χρόνος που πέρασα με τους γονείς μου είχε λίγη σχέση με την προ-υπολογιστική γεωμετρία. Ειλικρινά, αμφιβάλλω αν οι γονείς μου θυμόντουσαν αρκετά καλά την προ-υπολογιστική γεωμετρία για να είναι ιδιαίτερα χρήσιμοι. Αλλά αυτό που έλειπε δεν ήταν η γνωστική ικανότητα που απαιτείται για να επιτύχει κανείς, αλλά η μεταγνωστική ικανότητα. Η μεταγνώση είναι απλώς ένα περίπλοκο ακαδημαϊκό όρο που χρησιμοποιούμε για να περιγράψουμε τον εσωτερικό διάλογο που χρησιμοποιούμε για να οργανώσουμε τον εαυτό μας. Πράγματα όπως ορισμός στόχων, κατάταξη προτεραιοτήτων, ρύθμιση συναισθημάτων και ευθύνη. Χρόνο με το χρόνο, η έρευνα στον τομέα της εκπαίδευσης σε διάφορους τομείς έχει δείξει ότι ο λόγος που οι άνθρωποι δεν επιτυγχάνουν έχει πολύ περισσότερο σχέση με τη μεταγνώση από τη γνώση και ότι είναι οι οφέλη από κάποιον άλλον που σας βοηθά σε αυτές τις δύσκολες μεταγνωστικές εργασίες που δίνουν στην ατομική διδασκαλία τη δύναμη της.
Συμπέρασμα
Μην χτίζετε απλά γρηγορότερα άλογα με τη βοήθεια της τεχνητής νοημοσύνης και της εκπαίδευσης Μια φράση που συχνά αποδίδεται στον Henry Ford λέει: “Αν είχα ρωτήσει τους ανθρώπους τι ήθελαν, θα είχαν πει γρηγορότερα άλογα.” Αν και η φράση αυτή πιθανότατα είναι αποκρυφιστική, η μορφή της είναι χρήσιμη όταν χτίζουμε επαναστατική τεχνολογία: μερικές φορές πρέπει να σκεφτόμαστε πέρα από αυτό που οι πελάτες διατυπώνουν ως λύσεις, για να καθορίσουμε αν υπάρχει ένας καλύτερος τρόπος επίλυσης του βασικού προβλήματος.
Για έναν αιώνα, ο καλύτερος τρόπος που οι εκπαιδευτικοί έχουν μπορέσει να βοηθήσουν τους μαθητές τους είναι να γίνουν λίγο καλύτεροι στο διδάσκειν εδώ και λίγο καλύτεροι στο μάθημα εκεί. Η τεχνητή νοημοσύνη θα επιταχύνει ακόμη περισσότερο αυτήν τη διαδικασία, ξεκλειδώνοντας νέες παιδαγωγικές μεθόδους και τεχνικές διδασκαλίας που δεν ήταν προηγουμένως δυνατές.
Αλλά δεν πρέπει απλώς να χτίσουμε ένα “γρηγορότερο άλογο”, πρέπει να αρχίσουμε να κοιτάμε πέρα - σε αυτό που ακόμα αισθανόμαστε ως αδιανόητο σήμερα. Είτε πιστεύετε ότι βαδίζουμε προς μια τεχνητή νοημοσύνη σημείου εκρηξης (AI singularity) είτε προς συνεχή βελτίωση των υπαρχόντων συστημάτων AI, ένα πράγμα είναι βέβαιο – αυτό το κύμα της τεχνητής νοημοσύνης είναι στα πρώτα του βήματα. Το GPT-4 είναι το ισοδύναμο του Model T ή των IBM Mainframes της δεκαετίας του ’70.
Φανταστείτε έναν κόσμο όπου η τεχνητή νοημοσύνη κοστίζει κατά τάξη μεγέθους λιγότερο από ό,τι κοστίζει σήμερα (ο διευθύνων σύμβουλος της OpenAI πιστεύει ότι μπορεί να φτάσει μηδέν) και το μοντέλο GPT-12 προσαρμόζεται στα δεδομένα σας. Φανταστείτε έναν κόσμο όπου ένας μαθητής της 10ης τάξης που αντιμετωπίζει προβλήματα με το ωράριο ύπνου του έχει έναν φίλο τεχνητής νοημοσύνης που τον βοηθά να ορίσει καλύτερους στόχους, συμπαραστέκεται στα προβλήματα που αντιμετωπίζει με τους φίλους του και τον βοηθάει να βρει τον σωστό δρόμο πριν τα πράγματα πάνε στραβά.
Φανταστείτε την τεχνητή νοημοσύνη ως έναν πραγματικό εκπαιδευτή.
