Как AI агентите могат да подкрепят студенти и преподаватели?

Автоматичен машинен превод на тази английска страница, който още не е проверен от носител на езика.

Демонстрация от доставчик върви четиридесет минути. Агентът прочита учебната програма, съставя теста за следващата седмица, отбелязва трима студенти, които не са отворили текста за четене, и предлага да им пише. Ректорът иска решение за лиценза до края на месеца.

Агентът планира, извиква инструменти, пази контекст, разделя работата на подзадачи и се адаптира между ходовете, което е повече от това, което прави чатботът. Ролите от страна на студента и от страна на преподавателя, които това отваря, са реални. Доказателствата не показват, че повече автономия произвежда повече учене: в единственото пряко сравнение тук агент и чатбот завършват наравно. Сложи автономията там, където човек проверява резултата, остави планирането при обучаемия и оценявай качеството на преподаването по собствената си рубрика.

Накратко

1. Назови работата, преди да избереш продукта.

2. Започни от страната на преподавателя, където преподавателят и без това преглежда работата.

3. Приемай добавената автономия като разход, докато доказателствата не кажат друго.

4. Остави планирането и преценката при обучаемия, защото точно това задачата съществува да изгради.

5. Оценявай агента по своята рубрика и насрочи проверка без помощ преди края на пилота.

Избери работата, преди да избереш агента

Agentic Workflows in Education изброява четири повтарящи се способности: рефлексия, планиране, използване на инструменти и съвместна работа на няколко агента. Всяка от тях добавя разход редом с възможността: в обяснимостта, координацията, доверието, латентността и надзора.

Ролите от страна на студента вървят от адаптивно обучение и планиране на ученето, през формираща обратна връзка, водено решаване на задачи и генериране на упражнения, до препоръки за предварителни знания и рефлексивно метакогнитивно писане на заявки. Ролите от страна на преподавателя обхващат разработване на материали, генериране и валидиране на въпроси, сортиране на обратната връзка, аналитика на курса, учебен дизайн, извличане на ресурси и оркестрация на специализирани подагенти.

Две от тях са по-безопасни в началото, защото и двете произвеждат артефакт, който човек прочита преди студентите: генератор на въпроси с валидатор и чернова, която преподавателят редактира.

Започни там, където човек и без това проверява работата

Tutor CoPilot, първото рандомизирано контролирано изпитване на система човек плюс AI в жива индивидуална работа, даде на начинаещите преподаватели насоки в реално време, изведени от разсъжденията на опитни преподаватели, при 900 преподаватели и около 1 800 студенти. Студентите на преподавателите с достъп имаха с 4 процентни пункта по-голяма вероятност да овладеят темите, а при най-ниско оценените преподаватели разликата стигна 9 пункта: техните студенти настигнаха тези на по-високо оценените преподаватели от контролната група. Струваше около $20 на преподавател годишно, а анализът на над 550 000 съобщения за индивидуална работа показа, че преподавателите минават от даване на отговори към задаване на насочващи въпроси. Това е AI, който усилва учителя.

Агентът не преподаваше на студента. Той хранеше човек по средата на разговора, а човекът решаваше какво да каже. Човек в цикъла и резултат, близък до самата работа, са това, което прави резултата преносим към друг курс.

Не предполагай, че повече автономия значи повече учене

Изследване със 130 студенти в курс по електронна търговия установи, че и чатботите с генеративен AI, и агентите са оценени над традиционното електронно обучение по учене и персонализация, без значима разлика между чатбота и агента. Добавена автономия, никаква добавена стойност по тези мерки.

Рамката на това изследване третира агентите като ограничени, наблюдавани от човек учебни партньори, при които целите, контролните точки и крайните решения остават за хората. Beyond the Agent Label превръща това в правило за управление: автономията не бива да надхвърля зрелостта на доказателствата или силата на отчетлив човешки контрол, а доказателствата са най-силни при резултати на ниво артефакт и най-слаби при трайно учене и справедливост.

Рискът от страна на обучаемия върви в същата посока. Агент, който планира и следи вместо студента, отнема практиката, която изгражда саморегулацията, и подтиква към когнитивно изнасяне. Насоките за добри практики изискват умишлено триене, скафолдинг, който отпада, и човешки надзор. Продуктивното триене има работещи примери. Агентите с конструктивен конфликт, които спорят със слаб дизайн, подобриха резултатите от дизайна в прегледаните изследвания. Симулираните състуденти подкрепят съвместното учене и сократовото разпитване, а клиничните симулации позволяват на обучаемите да репетират, където грешката е евтина.

Проверката за всяка от тях: след сесията какво може студентът, което агентът е правил преди? Ако предадеш преценката, студентът губи практиката да я използва.

Провери агента срещу собствената си преценка

Осем AI агента за преподаване, внедрени в медицинска учебна програма бяха подредени по различен начин от генерираните от платформата оценки и от независима експертна рубрика. Агентът, който платформата класира на трето място, излезе последен по качество на преподаването. Оценките на платформата измерват представянето на студентите, което се движи по причини, нямащи нищо общо с преподаването.

Питай какво брои едно число на таблото, кой е написал рубриката зад него и как би изглеждала ниска оценка в работата на студента. Педагогическата безопасност принадлежи към същия преглед, защото верига от агенти прави трудно да се каже кой компонент носи отговорност, когато отговорът е грешен.

Планирай изключването

Рандомизираните изпитвания показват, че кратката AI помощ може да потисне по-късното представяне без помощ, а интервалът след оттеглянето, когнитивното измиване, е почти напълно неизмерен. Синтезът зад тази страница се опира на обхватен преглед на 474 изследвания и установява, че работата е съсредоточена във висшето образование, STEM, краткосрочни дизайни и обучение на базата на текст, като само малцинство е изрично обосновано в образователна теория. Пилот, който свършва, когато свърши лицензът, е измерил грешния прозорец.

Какво администрацията разбира погрешно тук

Агентът е подобрен чатбот, значи подобрението трябва да се види в резултатите. В сравнението със 130 студенти и двете AI условия бият електронното обучение и нито едно не бие другото.

Таблото класира качеството на преподаването. То класира представянето на студентите, а осем агента дадоха подредба, която обърна третото и последното място спрямо експертна рубрика.

Автономията е функцията, която се купува. Правилото за пропорционалност върви в обратната посока, а доказателствата са най-тънки там, където автономията е най-голяма.

Достъпът затваря пропастта в справедливостта. Неравният достъп до способни агентни системи може да я разшири, а агентът възпроизвежда предразсъдъците от данните за обучение в мащаб.

Какво ще ти се върне

„Студентите просто ще го оставят да свърши работата.“ Някои ще го направят, а архитектурата решава колко лесно. Агентите, които планират и пишат чернова вместо студента, подтикват към това. Агентите, които изискват опит и после задават въпрос, не го правят.

„Оценката на доставчика казва, че работи.“ Питай какво брои числото. Ако е представяне на студентите, измерено от платформата, то измерва студентите също толкова, колкото и агента.

„Никой не може да каже кой агент носи отговорност във верига.“ Вярно за повечето текущи внедрявания. Назови собственик на веригата, записвай кой компонент е произвел кой резултат и дръж човешка контролна точка, преди нещо да стигне до студентски запис.

Какво да направиш тази седмица

1. Напиши работата и резултата, по който ще я оценяваш, по едно изречение за всяко, преди следващия разговор с доставчик.

2. Оцени резултата на един агент по своята рубрика върху десет броя реална студентска работа и запази оценките.

3. Добави в плана на пилота датирана задача без помощ, с определен отговорник.

Накъде след това

Кои са добрите практики за разработване на ефективен AI учител? покрива изграждането на система за студентите от целта до стълбицата на помощта, а Какви мерки и изследователски методи може да използва преподавателят, за да оценява интервенции, свързани с AI? покрива дали нещото е проработило. Intelligent Tutoring и AI грамотност дават речника за дизайн, който тази страница предполага.