(Kiemelt kép: Unsplash+)
A generatív MI lehetővé teszi a tanárok számára, hogy gyorsan, személyre szabott óravázlatokat és MicroSimeket generáljanak minden diák számára. Megjelentek ugyanis az első testre szabható generatív MI-alkalmazások, az új OpenAI GPT-eszközzel már úgynevezett MicroSim-ek lehet generálni az oktatás számára, melyek nulla sornyi kóddal készültek. Bár az alkalmazás még messze nem tökéletes, máris tízszeresére növelte a termelékenységet az oktatóknak szánt egyéni szimulátorok és óravázlatok készítésénél. Ahogy a tanári közösség egyre több kurátori minőségű példát ad hozzá a képzési készlethez, a folyamat csak jobb lesz. Az oktatás többet fog változni a következő öt évben, mint az elmúlt 2000 évben. De a rendkívüli állítások rendkívüli bizonyítékokat követelnek. Ezt próbáljuk az alábbiakban bemutatni.
A jelenlegi közvetlen oktatási modell problémái
A közvetlen oktatás, vagy „frontális előadásmód” egy olyan tanítási modell, melyben a tanár egyetlen előadást tart az osztályterem összes diákjának. Ebben a megközelítésben az oktató a tudás elsődleges forrása, a diákok pedig ennek a befogadói. A közvetlen tanítási módszerre jellemző az egyirányú kommunikáció, ahol a tanár meghatározott ütemben beszél, a diákok pedig hallgatják és jegyzetelnek. A közvetlen oktatás kulcseleme, hogy az előadó és a diákok között nincs „visszacsatolási hurok”. Ha valaha is tartottak már órát a Zoomon, amikor a diákok minden kamerát kikapcsoltak, tudják, mire gondolunk. A fizikai tantermek legalább lehetővé teszik egy oktató számára, hogy leolvassa a diákok testbeszédét, és a hallgatóság reakcióinak megfigyelése alapján állítsa be az előadás sebességét. A közvetlen oktatás az, amit klasszikus vagy hagyományos tanítási formának nevezünk, és ez a legelterjedtebb módszer a mai oktatásban, főiskolákon és egyetemeken. Ez afajta oktatás gyakran párosul házi feladatokkal és időszakos vizsgákkal, melyek az előadás témáit érintik,de a legtöbb főiskolai kurzuson csak egy kis félévközi vagy egy nagy záróvizsga van csupán. Ez az egyetlen alkalom, amikor az oktató visszajelzést kaphat a tudásmegosztással kapcsolatos teljesítményéről. Sok oktató viszont „megbukik” ebben a rendszerben és a jegyek a hallgatók bizonyítványában tükröződnek.
A visszajelzés szerepe az osztályteremben
Az egyirányú tudásátadástól van néhány apró eltérés, mely minimális visszajelzést és a tartalom testreszabását foglalja magában. Kisebb osztálytermekben a diákok kérdezhetnek az oktatóktól. A tanár ezután tisztázó ismereteket kínálhat fel, vagy alkalmazhatja az ismereteket egy adott helyzetre specializálva is. Néhány iskola megpróbálkozott a tanulói válaszrendszerek (Student Response Systems, SRS) bevezetésével, ahol a diákok például egy kis digitális eszközt kaptak, mellyel visszajelzést adhatnak a tanároknak arról, hogy mennyire is értik egyáltalán a tartalmat. Egyes iskolák olcsó laptopokat, például Chromebookokat használnak, melyek lehetővé teszik, hogy a diákok előadás közben webalapú visszajelzést is adjanak a tanároknak. Ezek azonban ma már ritka kivételek.
Más, ambiciózusabb iskolák a „Flip the Classroom” megközelítést alkalmazzák. Ennek lényege, hogy a diákok egy előre felvett előadást néznek meg, majd a tanteremben kérdéseket tesznek fel. Azok a tanárok, akik olyan oldalakat használnak, mint a Khan Academy, gyakran jó eredményeket mutatnak. Az egyik legfontosabb különbség az, hogy azok a diákok, akiknek nehézséget okoz az anyaggal való megküzdés, újra megnézhetik az előadásokat, amíg a fogalmakat jól megértik. Az SRS és a Flipped Classroomok használatára tett kísérletek ellenére a dolgok nagyon keveset változtak az i. e. 400-ban élt Szókratész óta. De mindez hamarosan megváltozik!
Hogyan készít a ChatGPT személyre szabott lecketerveket?
Ma a tanárok kevesebb mint egyharmada van tisztában a generatív mesterséges intelligencia erejével egy osztályteremben. Sok oktatót bosszant, hogy a generatív MI segíthet a diákoknak szöveget generálni, hogy segítse az íráskészségüket. És etikai aggályok merülnek fel azzal kapcsolatban is, az írásuk eredeti munka-e vagy sem. A legtöbb tanár azonban ugyanúgy elfogadja ezeket az eszközöket, mint korábban a számológépeket és a helyesírás-ellenőrzőket. Előbb vagy utóbb, de meg kell majd változtatniuk a tanítás mai módját, és nem tehetik meg azt hogy negligálják, hogy a diákok otthon használnak generatív MI-t. De nem lehet és nem is szabad betiltani a technológia használatát a tanulás felgyorsítására. Tanárainknak és tanterveinknek alkalmazkodniuk kell a korhoz. Ehhez pedig finanszírozásra és hatalmas önkéntes erőfeszítésekre van szükségünk, hogy segítsük őket.
Hogyan működik ez? Ma már bármelyik tanár, akinek van internet-hozzáférése, használhat egy olyan eszközt, mint az OpenAI ChatGPT vagy az Anthropic Claude (és hasonszőrű társai), hogy egyszerű óravázlatokat készítsen. Megadnak neki egy tantárgyat, egy témát, egy évfolyamot, és egyéb szükséges kritériumokat, például az óra idejét és a tanulók számára elérhető forrásokat (ezek az eszközök egyre hatékonyabbak lesznek). 2023 végére az MI-módszerek és megoldások egyre jobbak lette, és olyan új neveket kaptak, mint a „Prompt Enrichment” és a „RAG”. Bár egy osztályterem egyetlen óravázlatának gyors generálása segíteni fogja túlterhelt tanárainkat, ez meg sem közelíti a ma már elérhető megoldásokat. Most nézzük meg, hogy miért is.
Az „egy terv mindenki számára” módszer problémája
A közvetlen tanítás egyértelműen a „legkényelmesebb” módja annak, hogy egy iskola kialakítsa a saját tanítási metódusát. Olyan tudással rendelkező embereket hozunk be, akik képesek egy PowerPoint prezentációt készíteni, melyen egyszerű felsorolásszerű pontok vannak. A tanár azt reméli, hogy minden diák egyforma ütemben tud így tanulni. Reméli, hogy nem veszíti el a lassabban tanuló diákokat, és nem teszi túl unalmassá az előadást a gyorsan tanuló és okosabb diákok számára. Sok iskolában nagy hangsúlyt fektetnek arra, hogy egyetlen diák se „maradjon le”. Ez manapság nagyon aktuális téma, mert az iskolai „adminisztrátorok” így az erőforrásokat azokra a diákokra összpontosítják, akiknek a legnagyobb segítségre lesz és van szükségük. Ez viszont a a tehetséges és okos diákoktól vonja el az erőforrásokat. Márpedig a legtöbb iskolai körzetben sosincs elég forrás mindenre. Ennek eredményeképpen a tanárok kénytelenek olyan óraterveket készíteni, melyek az egyes osztályokban a lassabban tanulókat célozzák meg eleve. És minél változatosabb egy osztályterem a tanulási arányok tekintetében, annál szélesebb lesz a tanulási haranggörbéje. Néha éppen azokra a tanulókra van ez a metódus a legnagyobb hatással, akikben a legtöbb lehetőség rejlik. Ahelyett, hogy kihívást kapnának, és arra ösztönöznék őket, hogy továbblépjenek, megtanulják, hogy az oktatás lassú és fájdalmas folyamat, és hogy az iskolák nem is törődnek az igényeikkel. Ez az egyik legnagyobb tragédia, melyet a generatív mesterséges intelligencia megelőzhet(ne).
Amikor megrajzoljuk a tanulási arányok Bell-görbéjét, ez egy jó első közelítése annak, ami az osztályteremben történik. Valójában azonban az összes diákunkat a tanulási sebesség egyetlen lineáris dimenziójába helyezni nem pontos modellje a való világnak. A valóságban egyes tanulóknak jobb a hátterük egy új fogalom elsajátításakor, és vannak, akik gyorsan felfogják a matematikai problémákat, míg például a nyelvi órákon nem megfelelő szinten beszélőknek gondot okozhat annak tényleges megértése. Az igazság az, hogy minden tanuló más és más, és mindannyian más-más sebességgel tanulnak különböző fogalmakat és tantárgyakat. A való világban a tanulási sebességnek soha sincs egyetlen dimenziója. De nincsenek tíz dimenziós grafikonjaink sem, hogy megmutassuk, hogyan is működik ez valójában. Vannak azonban eszközeink ennek a hihetetlen és csodálatos „sokféleségnek” a kezelésére. Van generatív mesterséges intelligenciánk, mely képes személyre szabni a tantervet az egyes személyek háttere és tanulási előzményei alapján. Ha ismerjük a generatív mesterséges intelligenciát, akkor tudjuk, hogy ha ezt a tanulási előzményt be tudjuk vinni egy promptba, akkor a kapott lecketervet a tanuló igényeihez lehet igazítani. Most az a kérdés áll előttünk, hogy honnan szerezzük meg ezt a tudást, hogy gazdagítsuk a nagy nyelvi modellünket tápláló promptokat?
Hiper-személyre-szabási munkafolyamatok
A tanuláskezelő rendszerből meg kell szereznünk egy-egy tanulási előzményt. Ez lehet olyan egyszerű dolog, mint a tanuló legutóbbi dolgozatainak eredménye, vagy olyan bonyolult, mint egy mesterséges intelligencia által generált jelentés, mely a tanuló történetének minden megfelelő elemére figyelmet fordít, beleértve a kedveléseket, „ellenszenveket”, célokat és érdeklődési köröket. Ha túl sok információval rendelkezünk az LMS-ben, akkor egy generatív MI segítségével összefoglalhatjuk a tanulási előzményekből a legfontosabb tényeket. Ezután kombináljuk a szabványos lecketervet az összefoglalóval, és visszatápláljuk azt a nagy nyelvi modellbe, például a ChatGPT-be. A megfelelő felszólítással (promptokkal) a lecketerv a tanuló igényeihez igazodik. Az eredmény tartalmazhat olvasmányokat, feladatokat, szimulációkat és kvízeket. Megpróbálhatnánk akár a leckét egy olyan kérdésre is alkalmazni, mely a tanulási előzményekből a múltban merült fel. Egy ideális világban az új óratervet a tanár felülvizsgálná a pontosság szempontjából. Az oktatók változtatásokat eszközölhetnének, és visszajelzést adhatnának, mely alapján a következő lecketervet még pontosabbá lehetne tenni.
Miért nem képesek a hagyományos LMS-rendszerek személyre szabott lecketerveket generálni?
Napjainkban a legtöbb LMS-rendszert régi, nem skálázható relációs adatbázisok köré tervezték. Ezek az adatbázisok attól az örökségtől szenvednek, hogy az alapvető adatszerkezeteiket a „lyukkártyákon”, sima fájlokban vagy táblázatokban tárolható adatok vezérlik. A táblázatokba történő tranzakciókra és olyan jelentések létrehozására összpontosítanak, mint például „Mennyi volt a múlt heti teszt átlagpontszáma?” vagy „Mi volt a leggyakrabban hibás kérdés?”. A ma használt LMS-rendszerek azonban ma nem rendelkezik olyan eszközökkel, melyekkel a strukturálatlan tartalmakat automatikusan össze lehetne hasonlítani a hasonló szavakkal és fogalmakkal. Nem tudnak könnyen grafikus reprezentációs beágyazásokat generálni a diákok, tanárok, kurzusok, tartalmak, óravázlatok, kérdések vagy értékelések számára. Még azt sem tudják megmondani, hogy egy tantervben mely diákok a leghasonlóbbak. Ez arra kényszerít minket, hogy folyamatosan duplikáljuk a tartalmat. Ezen beágyazások nélkül nem tudjuk könnyen összehasonlítani a tételeket, és nem tudunk a korábbi előzmények alapján ajánlásokat tenni. Nem a modern tudásgráfok felhasználásával készültek, és nem tudják könnyen kihasználni a generatív mesterséges intelligencia fejlődését. A múltban a tartalmak összehasonlítása és a hasonló tartalmak megtalálása nem volt nehéz feladat. Az LMS-rendszerek nagyon kevés tartalommal rendelkeztek, és egyszerű metaadatcímkékre és kulcsszavas keresésre volt szükség csupán bennük. A generatív MI azonban mindezt meg fogja változtatni azzal a képességével, hogy hatalmas mennyiségű, kiváló minőségű tartalmat is képes azonnal akár generálni.
Az olcsó, könnyen tesre is szabható mikroszimulációk közelgő áradata
Az elmúlt hónapokban az informatikusok és oktatók egy törpe minoritása elkezdett tanárokat (és diákokat) tanítanak arra, hogyan lehet MicroSimeket építeni. Ezt a kifejezést Valerie Lockhart találta ki. A MicroSims középpontjában egy olyan tervezési folyamat áll, mely a pedagógusokat és a diákokat generatív mesterséges intelligenciaeszközökkel hozza össze, hogy az osztályteremben hasznos szimulációkat hozzanak létre. Ennek a folyamatnak a középpontjában az áll, hogy a generatív mesterséges intelligencia nem csak a MicroSim első menetét generálja. Sőt ezeket MicroSimeket vagy más hasonló témakörű MicroSimeket folyamatosan is módosíthatjuk. Bár a ChatGPT-4 kódgeneráláshoz való használatának koncepciója nem új, az újdonság az, ahogyan az olyan keretrendszerekkel párosul, mint a p5.js. A P5 a nagy teljesítményű Processing nyelv modern változata, mely már több mint 20 éve létezik. Már több tízezer nyílt forráskódú szimuláció áll rendelkezésre benne. És úgy tűnik, hogy a ChatGPT-t már mindegyiken kiképezték! Egy egyszerű „generálj egy p5.js vázlatot egy pattogó labdáról” felszólítás elég a kezdéshez. Ami ma még hiányzik, az a GPT-k finomhangolása, csak hogy kiváló minőségű felhasználói felületeket generáljunk, olyan „csúszkákkal” kiegészítve, melyeken címkék és értékek is már szerepelnek. Ezeket a prompt és eredmény párokat egy tudásgráfban tárolják egy fogalmi indexszel, hogy a promptokat hasonló MicroSimekkel lehessen gazdagítani.
Ahhoz, hogy a közvetlen utasítási modelltől a hiper-személyre szabás felé mozduljunk el, el kell szakadnunk a múlttól. Olyan modern tanulásmenedzsment rendszerekre van szükségünk, melyek szorosan kapcsolódnak a tudásgráfokhoz, és integrálják a generatív mesterséges intelligenciát. Hatalmas mennyiségű, könnyen testre szabható MicroSimre van szükségünk, hogy a tanárok megszabadulhassanak az óravázlatok készítésének fáradságos és kellemetlen (és sokszor felesleges és a gyakorlatban nem is olyan hatékony) munkájától. Az új LMS-gráfok és MicroSim-ek arra összpontosíthatnak, hogy elősegítsék a projektalapú tanulás felé való elmozdulást, és rávegyék a diákokat, hogy együtt építsenek fel új, izgalmas és számukra is érdekes dolgokat. Ez az a pillanat, amikor oktatási rendszereink igazán beindulnak!
