Umetna inteligenca v izobraževanju nas sili v pedagoški stresni test

Ena izmed ponavljajočih se tem v aktualnih novicah je osnovno pedagoško vprašanje – kako študente ohraniti kot avtorje lastnega učenja. V času, ko so odgovori vedno na dosegu roke, postaja ključno, ali je študent v učnem procesu zgolj uporabnik sistema ali pa ostaja nosilec odločanja, presoje in odgovornosti. Prispevki na to temo opozarjajo, da se študentova aktivna in soodgovorna vloga ne zgodi sama od sebe, temveč jo je potrebno načrtno graditi skozi naloge, vprašanja in učne situacije, v katerih UI ne prevzame vloge avtorja, temveč sogovornika ali podpornega orodja (več v prispevku The Key Podcast: Teaching Students Agency in the Age of AI). Podoben poudarek najdemo tudi v aktualnih empiričnih raziskavah o uporabi pogovornih sistemov v podporo učenju, kjer se pokaže, da UI največ prispeva takrat, ko spodbuja nadaljnje razmišljanje in ne ponuja končnih rešitev (več v prispevku Exploring a Conversational AI System in Supporting Children’s Literacy Learning at Home).Vabimo vas k razmisleku, kje je pri vašem predmetu končni odgovor manj pomemben od procesa, prek katerega študent pride do njega, in kateri del tega procesa bi moral ostati v človeški domeni?

Ob tem UI zelo hitro razkrije še eno občutljivo točko izobraževanja, in sicer vprašanje rigoroznosti. Aktualni prispevki opozarjajo, da UI ne ruši akademskih standardov, temveč pogosto razkrije, da so bili ti standardi v praksi že prej šibki ali površni. Če naloge preverjajo predvsem obliko zapisa ali sposobnost reprodukcije znanih struktur, potem generativni modeli zlahka ustvarijo izdelke, ki so formalno pravilni, a vsebinsko prazni. To ne kaže na pretirano zmogljivost umetne inteligence, temveč na to, da naloge pogosto niso bile zasnovane tako, da bi od študentov zahtevale višje ravni mišljenja (več v prispevku How AI Is Exploding Our Illusions of Rigor). V tem kontekstu se razprava o t. i. »ekonomiji odgovorov« premika k vprašanju kako v učni proces vgraditi presojanje, interpretacijo in utemeljevanje kot osrednje učne cilje (več v prispevku How Higher Ed Can Adjust to the AI-Answer Economy).

Tak premik pa ni brez posledic za študente. Več prispevkov opozarja na t. i. skrite stroške strategij, ki UI uvajajo neenotno ali brez jasnih pedagoških okvirov. Različna pravila med predmeti, nejasna pričakovanja in implicitne prepovedi ustvarjajo dodatno kognitivno in čustveno obremenitev, ki pogosto ostaja nevidna, a jo študenti zelo konkretno občutijo (več v prispevku The Hidden Tax Students Are Paying for Your AI Strategy (or Lack Thereof)). To potrjujejo tudi raziskave o percepcijah visokošolskih učiteljev, ki UI pogosto doživljajo kot dejavnik dodatnega pritiska, ne pa kot razbremenitev, zlasti kadar ni sistemske podpore in skupnega razumevanja ciljev (več v prispevku Survey: Faculty Say AI Is Impactful - but Not In a Good Way). V tem kontekstu se zastavlja vprašanje, v kolikšni meri obstoječe oblike preverjanja znanja merijo višje kognitivne procese in v kolikšni meri preverjajo predvsem obvladovanje ponovljivih postopkov. Ob predpostavki, da umetna inteligenca prevzame rutinske naloge, je smiselno razmisliti, kateri dosežki študenta ostajajo pedagoško in evalvacijsko relevantni.

Razprava o UI v izobraževanju se zato vse bolj prepleta z vprašanji pravičnosti in dostopnosti. Prispevki o novi eri dostopnosti poudarjajo, da digitalna in UI-podprta okolja niso nevtralna in da lahko brez premišljene zasnove reproducirajo ali celo poglobijo obstoječe neenakosti (več v prispevku Higher Ed Prepares for New Era of Accessibility). Dodatno težo temu dajejo raziskave o pristranskostih v jezikovnih modelih, ki opozarjajo, da se lahko družbene neenakosti neopazno vtisnejo v razlage in primere, ki jih UI ponuja uporabnikom (več v prispevku Nature: AIs are biased towards some Indian castes — how can researchers fix this?). Ko UI postaja sogovornik pri razlagi vsebin, se pojavi vprašanje, kdo prevzema odgovornost za presojo njenih odgovorov. Ali v okviru predmetov zavestno ustvarjamo prostor za učenje kritične rabe razlag, ki jih ponuja UI?

Poseben sklop aktualnih prispevkov v današnjem novičniku se dotika informacijskega okolja, v katerem se danes odvija študij. Primeri kažejo, da sistemi, ki samozavestno povzemajo in citirajo vire, ustvarjajo vtis verodostojnosti, ki ni nujno utemeljen. Ko UI kot vir navaja vsebine vprašljive kakovosti ali ko povzetki temeljijo na logiki vidnosti namesto strokovnosti, postane razlika med citiranjem in preverjanjem ključna pedagoška tema (več v prispevkih Latest ChatGPT model uses Grokipedia as source, Google AI Overviews cite YouTube more than any medical site). V širšem družbenem kontekstu to dopolnjujejo opozorila o agentnih sistemih in klepetalnikih, ki lahko umetno ustvarjajo videz soglasja ter s tem vplivajo na oblikovanje javnega mnenja in razprave (več v prispevku Experts warn of threat to democracy from AI bot swarms). Primer umetno ustvarjenega lika “Amelie” dodatno pokaže, kako hitro lahko generirana vsebina postane orodje za širjenje sporočil in hkrati konkreten primer za razmislek o digitalni in medijski pismenosti (več v prispevku Meet ‘Amelia’, the AI-generated schoolgirl). V pedagoškem kontekstu se ob tem znova odpira vprašanje razlike med citiranjem in preverjanjem - ali študentom dovolj jasno pokažemo, da navajanje vira še ne pomeni njegove zanesljivosti, in ali pri nalogah ustvarjamo prostor, kjer morajo utemeljiti, zakaj je vir, na katerega se sklicujejo, vreden zaupanja?

Empirične raziskave, vključene v tokratni novičnik, kažejo, da je vpliv UI na učenje bistveno bolj kompleksen, kot se pogosto domneva. Študije o klepetalnikih v programerskem izobraževanju in o podpornih sistemih za laboratorijsko delo potrjujejo, da UI lahko zmanjša frustracijo in izboljša izvedbo nalog, vendar to še ne pomeni nujno globljega razumevanja (več v prispevkih Evaluating lab assistant chatbot on student learning and behaviors, Less stress, better scores, same learning). Podobno velja za raziskave o napovedovanju uspešnosti študentov z uporabo umetne inteligence, ki odpirajo vprašanja transparentnosti, namena in etične rabe podatkov (več v prispevku Predicting student performance: A comprehensive review of machine learning, deep learning, and explainable AI approaches).

V tem kontekstu postaja vse pomembnejša tudi pismenost učiteljev. Pregled raziskav o UI pismenosti za pedagoge poudarja, da učinkovita in odgovorna raba UI ni mogoča brez skupnega razumevanja temeljnih konceptov, omejitev in pedagoških implikacij tehnologije (več v prispevku Enhancing AI literacy for educators). Zadnje analize raziskav generativne UI v visokem šolstvu dodatno pokažejo, kako hitro se področje razvija in kako neenakomerno so razporejeni dokazi, izkušnje in vplivi (več v prispevku Generative AI in higher education: A bibliometric review).

Zadnji prispevki iz znanstvene revije Nature razširjajo razmislek še na raziskovalni in institucionalni nivo. Opozarjajo, da lahko UI hkrati povečuje produktivnost in oži fokus pozornosti ter da specializirano učenje modelov lahko vodi v nepričakovane sistemske učinke (več v prisoevkih Nature: AI expands scientists’ impact but contracts focus, Nature: narrow training leads to broad misalignment). Po drugi strani pa ponujajo tudi primere kolektivne inteligence, kjer se človeško in strojno znanje dopolnjujeta na način, ki ohranja odgovornost in presojo na strani človeka (več v prispevku Nature: collective intelligence and AI).

V tem novičniku smo želeli poudariti, da umetna inteligenca v visokošolskem izobraževanju ni zgolj tehnična inovacija, temveč nakakšen “pedagoški stresni test”. Ne odgovarja nam na vprašanje kako poučevati, temveč nas sili, da natančneje opredelimo, kaj želimo, da študenti znajo, razumejo in zmorejo presojati. V tem smislu UI ni bližnjica, temveč, kot smo že nekoč izpostavili, ogledalo, in vprašanje ni več, ali ga bomo pogledali, temveč kaj bomo storili s tem, kar v njem vidimo.

Avtorice: Sanja Jedrinović, Mateja Bevčič, Eva Kern Nanut, Eva Škraba, Center UL za uporabo IKT v pedagoškem procesu