Jaké kompetence potřebují akademičtí pracovníci ve vztahu k AI?

Automatický strojový překlad této anglické stránky, který ještě nebyl zkontrolován rodilým mluvčím.

Komise pro rozvoj akademiků má v lednu jeden termín a prorektorka chce, aby byl o AI. Nebo vedete centrum pro výuku a tři katedry požádaly o „workshop o AI“, který ve skutečnosti znamená tři různé věci. Nebo tyto nástroje používáte rok a chcete vědět, co vám ještě chybí, než kolem nich přestavíte kurz.

Shrnutí: technika promptů je na tom to nejmenší. Akademičtí pracovníci musí umět posoudit, co model umí a co ne, navrhnout podle toho úlohy a hodnocení a vědět, kdy ho z kurzu úplně vynechat. Jistota je špatným zástupcem za kteroukoli z nich, takže program stavte kolem výkonu a kolem oborů, ne kolem ukázky nástroje.

Stručně

1. Definujte kompetenci ve čtyřech dimenzích a přidejte výukovou vrstvu pro každého, kdo hodnotí studenty.

2. Hodnoťte výkonem, ne dotazníkem. Sebehodnocená gramotnost a prokázaná schopnost se rozcházejí.

3. Dejte do místnosti obory. Oborová expertiza se do integrace technologie nepřenáší.

4. Učte technologické domény výslovně, protože právě ty měří nízko i u sebejistých akademiků.

5. Berte „kdy to nepoužít“ jako kompetenci a dejte akademikům krytí pro to, že to odmítnou.

Definujte kompetenci dřív, než rezervujete místnost

Syntéza gramotnosti v oblasti AI ve znalostní bázi určuje čtyři dimenze a ty tvoří užitečný program, protože každá potřebuje jiný druh setkání:

• Základní porozumění možnostem a omezením AI.
• Praktická kompetence v používání nástrojů AI.
• Kritické hodnocení přesnosti, zaujatosti, vhodnosti a nejistoty.
• Etické a institucionální povědomí zahrnující otázky jako integrita, soukromí, spravedlnost a správa.

Pro instruktory tyto dimenze potřebují navrch pedagogickou vrstvu. Akademičtí pracovníci by měli umět rozhodnout, jakou kognitivní práci si studenti musí ponechat, vybrat použití AI, které slouží učebním cílům, navrhnout platné hodnocení pro éru AI, naučit studenty ověřovat a regulovat vlastní používání, rozpoznat halucinaci, nadměrná závislost a sykofantii a vědět, kdy má lidský úsudek převážit automatizaci.

Potřebují také tolik systémového porozumění, aby dokázali posoudit, jak do sebe zapadají pracovní postupy podporované generativní AI. Workshop, který učí jeden nástroj izolovaně, produkuje akademiky, kteří nástroj umějí předvést a neumějí říct, co se rozbije, když se zapojí do procesu známkování. Kompetence pedagogů v oblasti AI a Vzdělávací rozvoj drží delší verzi tohoto argumentu.

Napište si seznam dřív, než naplánujete setkání. Čtyři dimenze plus výuková vrstva stačí na to, aby ospravedlnily čtyři setkání místo jednoho, a stačí na to, abyste vedoucímu katedry řekli, o kterou ze čtyř jeho žádost vlastně jde.

Hodnoťte výkon, ne jistotu

Sebeposuzovaná gramotnost v oblasti AI se může podstatně rozcházet s prokázanou schopností, což je nejpraktičtější varování v této literatuře pro každého, kdo vede rozvoj akademiků. Dotazník jistoty na konci workshopu měří, jak workshop působil.

Výzkum multiagentních pracovních postupů učitelů přidává druhý důvod testovat, a ne se ptát: systémové myšlení, pedagogická přesvědčení a sebeúčinnost se při integraci AI ovlivňují navzájem, takže stejné setkání dopadá jinak na dva akademiky se stejným oborovým zázemím. To mluví pro diferencované programy a proti workshopu jednoho nástroje pro všechny, který většina institucí pořádá.

Levná verze hodnocení výkonu je úloha, ne nástroj. Požádejte každého účastníka, aby přinesl jedno zadání, během setkání ho s modelem upravil a pak úpravu obhájil před kolegou: co se změnilo, co zadání nyní hodnotí, z čeho studenta už nelze známkovat. To zabere dvacet minut a řekne vám víc než jakákoli hodnoticí škála na konci dne.

Čekejte, že slabé místo bude integrace

Nedávný výzkum vysokého školství dává čísla tomu, kde je kompetence akademiků silná a kde se láme. Dotazníkové šetření mezi 127 akademiky na velké americké výzkumné univerzitě s nástrojem TPACK-21 našlo vysoké sebevnímané pedagogické znalosti obsahu (M = 4,70) a znalosti obsahu blízko stropu (M = 5,15). Technologicky integrované domény byly výrazně níž: technologicko-pedagogické znalosti (M = 2,62), technologicko-obsahové znalosti (M = 2,75) a celkový TPACK (M = 2,55, nejnižší ze sedmi).

Přečtěte tu mezeru správně. Jsou to lidé, kteří znají svůj obor a umějí ho učit, a neumějí udělat model součástí ani jedné z těch věcí. Expertiza v obsahu integraci generativní AI nepředpovídala (korelace CK r = 0,11 až 0,15, všechny nesignifikantní), takže program nemůže předpokládat, že zvládnutí oboru se přenáší. Musí kompetenci stavět cílenou, oborovou prací.

Design utváří ještě jedno zjištění. Tři technologicky integrované domény korelovaly r = 0,81 až 0,91, což naznačuje, že mohou fungovat jako jediná kapacita pro integraci generativní AI. Pokud to platí, učte ji jako jeden sdílený základ, ne jako tři samostatné dovednosti se třemi samostatnými setkáními.

Navrhněte setkání kolem skutečného kurzu

Co školení umí a co ne, je jasně vidět ve studii s opakovaným měřením u 13 vysokoškolských učitelů. Když učitelé dostali chatbota, výrazně se zlepšila kvalita jejich návrhu výuky, přičemž podíl těch, kdo dosáhli dvou nebo více úloh vyšších úrovní Bloomovy taxonomie, stoupl z 41,7 % na 91,7 % (p = 0,01). Vnímaná kognitivní námaha prudce klesla, medián 6,33 na 3,33 (p = 0,004). Pedagogické školení v psaní promptů navrstvené nad to kvalitu dál nezlepšilo a námahu mírně zvýšilo.

Plynou z toho tři věci a ta třetí je ta, kterou programy přeskakují.

Přístup k nástroji mění chování ve výuce snadno. Dejte akademikům schopný model a skutečnou úlohu a práce před nimi se zlepší během jednoho setkání.

Hlubší schopnost chce víc než workshop. Vrstva promptů přidala námahu a žádnou měřenou kvalitu. Naučit lidi psát lepší prompty je dovednost a podle těchto důkazů to není omezení lepšího návrhu.

Zisky v kvalitě nedokazují, že se praxe internalizovala. Třináct učitelů přepracovalo jednu úlohu dobře s otevřeným nástrojem. Zda to uměli o semestr později, bez nástroje, je jiná otázka a studie ji neodpovídá. Zabuďte do programu následnou kontrolu, místo abyste předpokládali, že zisk přetrval.

Pokryjte i části role mimo výuku

Kompetence je také institucionální otázka a většina rámců odpovídá jen na její část. Výzkum založený na designu se 114 účastníky z 28 amerických institucí a 11 zemí přinesl šest standardů technologií pro akademiky pokrývajících celou akademickou roli: instruktor, koordinátor, lídr, výzkumník, student a přispěvatel. Užitečný je důvod, proč je autoři stavěli. Stávající rámce (TPACK, SAMR) a standardy pro vzdělavatele (ISTE, UNESCO, DigCompEdu) se týkají učitelů základních a středních škol nebo pokrývají jen výukovou dimenzi.

Pro člověka, který vede rozvoj akademiků, to přeskládá zadání. Katedra, která žádá workshop o AI pro své instruktory, se ptá na jednu ze šesti rolí. Koordinátoři téže katedry dělají rozhodnutí na úrovni programu, její výzkumníci s těmito nástroji píší a její vedení schvaluje nákupy. Jedno setkání nemůže obsloužit všechny a předstírání opaku je způsob, jak program skončí s vysokou účastí a žádnou změnou v praxi.

Nechte prostor pro odmítnutí

Přijetí se nevejde do čistě technického rámce a odpor je často úsudek, ne mezera. Dotazníkové šetření mezi 287 učiteli ve 27 zemích našlo zpřesněný model vysvětlující 79,8 % rozptylu v behaviorálním záměru. Vnímaná umělá autonomie ovlivňovala záměr jen nepřímo, přes užitečnost. Averze k riziku byla významným negativním prediktorem (−0,163) a učitelé se mnohem víc obávali rizik nadměrné závislosti a integrity u studentů než u vlastního používání.

Rozhovory se dvěma zkušenými akademiky popisují, jak ta obava působí zevnitř: opakující se tenze identity mezi pedagogikou a platformou, vzdělavatelem a facilitátorem, péčí a souladem, kterými procházejí principiální selektivitou zakotvenou v pedagogických hodnotách.

Kompetence tedy zahrnuje profesní úsudek o tom, kdy AI nepoužít, a program, který to neumí říct nahlas, bude působit jako prodejní prezentace právě pro ty akademiky, jejichž úsudek chcete v místnosti mít nejvíc. Dva zkušení akademikové jsou na velké tvrzení malá důkazní základna; berte zjištění o identitě jako popis skutečné tenze, ne jako změřený efekt, a nechte ho utvářet tón setkání.

V čem se ti, kdo vedou rozvoj akademiků, mýlí

Workshop o promptech je program kompetencí v AI. Pokrývá jednu ze čtyř dimenzí a ve studii se 13 učiteli vrstva promptů přidala námahu, aniž přidala měřenou kvalitu.

Sebejistí akademičtí pracovníci jsou kompetentní akademičtí pracovníci. Sebeposouzení se rozchází s prokázanou schopností a šetření mezi 127 akademiky našlo znalosti obsahu blízko stropu vedle celkového TPACK na 2,55. Jistota sleduje oborovou expertizu, kterou tito akademičtí pracovníci už mají.

Experti na obsah si integraci vymyslí sami. Znalosti obsahu integraci v tom šetření nepředpovídaly. Korelace byla nesignifikantní, což je zjištění, které ospravedlňuje oborově specifické programy, a ne obecné pozvání.

Jeden rámec pokryje všechny. Standard šesti rolí existuje proto, že TPACK, SAMR a hlavní standardy pro vzdělavatele pokrývají učitele základních a středních škol nebo jen výukovou dimenzi.

Odpor je mezera ve znalostech, kterou je třeba vyplnit. Averze k riziku předpovídala záměr negativně a práce s identitou popisuje akademiky uvažující z pedagogických hodnot. Část toho, co vypadá jako nechuť, je obhajitelná pozice ohledně nadměrné závislosti studentů.

Co vám budou říkat

„Na rozvoj založený na výkonu nemáme personální čas.“ Pak nestavte program. Postavte jedno cvičení na úrovni úlohy: přineste zadání, upravte ho s modelem, obhajte úpravu. To je dvacetiminutová verze a produkuje důkaz schopnosti, který dotazník spokojenosti nedá.

„Naši akademičtí pracovníci tyto nástroje už používají, takže školení je před nimi.“ Používání není konstrukt. Šetření mezi 127 akademiky popisuje lidi s vysokými znalostmi obsahu a pedagogiky a nízkými technologicky integrovanými znalostmi a studie se 13 učiteli ukazuje, že kvalita návrhu se hýbe s přístupem, zatímco vrstva promptů nepřidala nic. Ani jeden výsledek neříká, že akademičtí pracovníci před vámi něco integrovali.

„Tohle je problém školení IT.“ Model záměru staví na cestu k přijetí užitečnost, ne technickou schopnost, a vedle ní běží averze k riziku. Překážkou je úsudek o studentech a o oboru, a proto setkání patří centru pro výuku.

„Rámce kompetencí jsou byrokratická zátěž.“ Jsou mapou pro jeden lednový termín. Čtyři dimenze vám řeknou, co vynechat, a šest rolí vám řekne, pro jaké publikum žádost vlastně je.

Co udělat tento týden

1. Napište čtyři dimenze a výukovou vrstvu na jednu stránku a označte, které z nich vaše současná nabídka pokrývá.

2. Nahraďte závěrečný formulář spokojenosti jednou úlohou: upraveným a obhájeným zadáním.

3. Požádejte dvě katedry o skutečný kurz a skutečné zadání, na kterém se bude pracovat, místo obecného pozvání.

4. Přidejte jeden blok o tom, kdy AI z úlohy vynechat, a řekněte jasně, že odmítnout konkrétní použití je legitimní profesní úsudek.

5. Rozhodněte, které ze šesti rolí vaše příští setkání slouží, a pojmenujte publikum v pozvánce.

Kam dál

Studentským protějškem je Zavádění gramotnosti v oblasti AI a Důkazy o gramotnosti v oblasti AI pokrývají, jak silná je ta důkazní základna. Pro shrnutí výzkumu určené instruktorům viz Deset hlavních zjištění o AI ve vzdělávání pro instruktory; Kompetence pedagogů v oblasti AI a Vzdělávací rozvoj nesou materiál rámce a Zásady používání AI v kurzu jsou dokumentem, který z této rozvojové práce nakonec obvykle vznikne.