Miten tekoäly voi säästää aikaani opettajana?

Tämän englanninkielisen sivun automaattinen konekäännös, jota ei ole vielä tarkastanut äidinkielinen puhuja.

On kahdeksannen viikon torstai-ilta. Kolme tuntisuunnitelmaa on palautettava maanantaiksi, laboratorioraportit ovat puoliksi arvosteltuja ja perjantain osastokokouksen listalla on kohta siitä, mitä kukin on tehnyt tekoälyllä elokuun koulutuksen jälkeen. Kollega kertoo, että työkalu puolitti hänen suunnitteluaikansa. Sinä kokeilit sitä kahdesti, käytit neljäkymmentä minuuttia tehtävämonisteen korjaamiseen ja jäit siihen käsitykseen, että koko juttu oli liioiteltu.

Molemmat puhutte samasta työkalusta. Se säästää aikaa sellaisen materiaalin luonnostelussa, jota olisit joka tapauksessa muokannut, ja se vie aikaa silloin, kun sillä tähtäät arvioon yksittäisestä opiskelijasta. Se, muuttuuko säästö sinun ajaksesi, riippuu päätöksestä, jota useimmat opettajat eivät koskaan tee: mihin säästyneet tunnit on tarkoitettu.

Kokouksen ydinsanoma: luovuta ensimmäinen luonnos ja pidä arviointi itselläsi. Tuntisuunnitelmat, ratkaistut esimerkit, keskustelukysymykset, formatiiviset visailutehtävät, vaihtoehtoiset selitykset, rubriikkien sanamuodot ja rutiininomainen hallintoteksti ovat työtä, jonka voit määritellä, tarkistaa ja korjata. Tavoitteet, loppuarvosanat ja kaikki yksittäistä oppijaa koskevat ratkaisut jäävät sinulle. Nimeä, mitä vapautunut tunti ostaa, sillä näyttö ajansäästöstä on näyttöä siitä, mihin aika menee.

Lyhyesti

1. Listaa viime viikon tehtävät, jotka tuottivat asiakirjan, jota sitten muokkasit. Ne ovat ehdokkaasi.

2. Aloita jäsennellystä materiaalista, jonka voit tarkistaa omaa määrittelyäsi vasten: poistumislipukkeet, visailutehtävät, ratkaistut esimerkit, toinen selitys vaikeasta käsitteestä.

3. Kirjoita muistiin, mihin vapautunut tunti menee, ennen kuin saat sen takaisin.

4. Ajoita kolme toistuvaa tehtävää kahden viikon ajan. Käsityksesi säästöstä on epäluotettava tietyllä, dokumentoidulla tavalla.

5. Pidä tavoitteiden asettaminen, summatiiviset arvosanat ja yksittäistä opiskelijaa koskevat ratkaisut rajan omalla puolellasi.

Aloita työstä, jonka olisit kirjoittanut uudelleen joka tapauksessa

Tämän tietopohjan vahvin luku tulee satunnaistetusta kokeesta, joka on tiivistetty sivulla Miten tekoäly muuttaa opetustyön kulkua. 259 luonnontieteiden opettajaa, jotka käyttivät ChatGPT:tä, käytti tuntisuunnitteluun noin 69 % siitä ajasta, jonka verrokkiryhmä käytti, eli leikkaus oli noin 31 %, eivätkä sokkona arvioineet asiantuntijat havainneet laadussa havaittavaa heikkenemistä. Opettajat siirsivät ajan muualle sen sijaan että olisivat säästäneet sen, siirtäen sitä suunnitteluun, arvosteluun ja opiskelijoille suunnattuun työhön.

Toinen aineisto samassa työssä, yli 104 000 viestiä yli 15 000 kasvattajalta, näyttää, miksi säästö osuu omituisiin paikkoihin. Keskimääräinen kehote koskettaa 1,7 kategoriaa kerrallaan, joten yksittäinen pyyntö tuntisuunnitelmasta palaa takaisin mukanaan eriyttämistä ja visailu, jota opettaja ei ollut tullut pyytäneeksi.

Se on uudelleenkohdentamista, ei vähentämistä: se, mitä saat generatiivisesta tekoälystä, on ero tyhjän sivun ja sellaisen luonnoksen välillä, joka on tarpeeksi täsmällinen, jotta siitä voi väitellä.

Sovita tehtävä siihen, missä työkalu on hyvä

Laatu on epätasaista tavalla, joka on tarpeeksi vakaa suunnittelun pohjaksi. Sokkoarvioijat pitivät tekoälyn versioita tuntien lopetuksista ja poistumislipukkeista parempina 59,7 %:ssa tapauksista kuin ammattilaisten suunnittelemia materiaaleja, ja pitivät tekoälyn materiaalia lukion sisällöstä parempana 59,2 %:ssa tapauksista. Säästö kasvaa myös siellä, missä itseluottamuksesi on matalin: oman oppiaineen ulkopuolella opettaminen on tapaus, jossa kuilu työkalun antaman ja itse kirjoittamasi välillä on laajin.

Kaksi kategoriaa kulkee päinvastaiseen suuntaan. Alakoulutason materiaalissa ihmisiä suosittiin noin 65 %:ssa tapauksista kehityksellisen soveltuvuuden vuoksi. Kohdennettu tukeminen monikielisille oppijoille ja erityisopetuksen opiskelijoille palasi neutraalina eikä vääränä, mikä on pahempaa kuin miltä kuulostaa, sillä neutraalin tukemisen joutuu rakentamaan alusta asti uudelleen.

Testi, joka ennustaa tämän ennen kuin käytät iltaa siihen: pystytkö ilmaisemaan määrittelyn niin täsmällisesti, että voit tarkistaa tuotoksen? Poistumislipuke yhdestä tavoitteesta, kyllä. Sopiiko kappale tietylle yhdeksänvuotiaalle, joka lukee kaksi vuotta luokkaansa jäljessä, ei.

Anna vapautuneelle tunnille määränpää

Selkein näyttö siitä, että säästö on todellinen ja ettei se tee yksinään mitään, tulee suuresta kokeesta, joka kattoi 178 koulua ja noin 19 000 lukion viimeisen vuoden opiskelijaa ja koski tekoälyn automatisoimaa esseepalautetta. Opiskelijat, joiden palaute tuli järjestelmästä, hyötyivät yhtä paljon kuin ihmisten arvostelemiksi tulleet. Ihmisarvostelijat maksoivat noin $0,85 esseeltä eivätkä tuoneet mitään mitattavaa lisähyötyä sen päälle.

Tekoälyluokissa opiskelijoilla oli noin 35 % enemmän kahdenkeskisiä keskusteluja opettajien kanssa kirjoittamisesta, ja he kirjoittivat 30 % enemmän esseitä. Opettajien kotona tehdyt työtunnit laskivat 20 %, ja niiden osuus, jotka kuvasivat aikaansa sanoilla ”hyvin riittämätön”, putosi 23 %:sta 9 %:iin. Suurimmat oppimishyödyt osuivat monimutkaisimpaan kirjoitustehtävään, sellaiseen, jota tekoäly pystyy arvioimaan kaikkein heikoimmin, koska opettajalla oli nyt tunteja käytettäväksi siihen.

Varauma on lause, joka kannattaa viedä kokoukseen. Alin neljännes ei parantunut lainkaan. Kaikkein eniten jälkeen jääneet opiskelijat eivät hyötyneet opettajasta, jolla oli yksinkertaisesti enemmän tilaa päivässä, joten se, mihin tunnit menevät, on koko argumentti, ja yhdenvertainen uudelleenkohdentaminen kuuluu suunnitelmaan alusta asti eikä loppuvaiheen katselmointiin.

Mittaa säästö sen sijaan että tuntisit sen

Ajansäästö on väite, jonka opettajat saavat itsestään kaikkein luotettavimmin väärin. Kolmessa esirekisteröidyssä tutkimuksessa, joissa oli 2 691 osallistujaa, ihmiset aliarvioivat tekoälyn käyttönsä määrän ja yliarvioivat sen säästämän ajan ja vaivan, raportoiden tehtävät nopeampina ja helpompina, kun objektiiviset mittarit eivät näyttäneet eroa. Työkalun käyttäminen istunnon varhaisemmassa vaiheessa ennusti sen käyttöä enemmän myöhemmin, joten virhe kasautuu yhden iltapäivän sisällä (The efficiency-gain illusion: People underestimate the rate of AI use and overestimate its benefits on simple tasks).

Apua on metakognitiivisesta kalibroinnista, ja halpa versio siitä on loki. Merkitse kahden viikon ajan kolmen toistuvan tehtävän alku- ja loppuajat, yksi työkalun kanssa ja kaksi ilman. Odota yhtä tehtävää, jossa on suuri todellinen säästö, useita, joissa sitä ei ole, ja paria, joissa työkalu lisäsi tarkistusvaiheen, joka söi hyödyn.

Vaiva ja kyvykkyys myös eroavat toisistaan. Korkeakouluopettajia koskeneessa 13 henkilön sisäryhmätutkimuksessa tekoälyn saatavuus leikkasi oppimissuunnittelun koettua kognitiivista vaivannäköä mediaanista 6,33 mediaaniin 3,33 (p = 0,004), kun taas päälle lisätty kehotteiden kirjoittamisen koulutus ei parantanut suunnitelmien laatua (When Teachers Use AI Chatbots and Are Trained for It: Impact on Learning Design Quality and Cognitive Effort). Pienempi rasitus torstai-iltana on todellinen hyöty. Se ei ole näyttöä siitä, että suunnitelmat paranivat.

Pidä tavoitteet ja loppuarvosanat omalla puolellasi

Osallistava suunnittelutyö kuuden toisen asteen opettajan kanssa tuotti rajan, joka kannattaa kopioida. He suunnittelivat järjestelmän rajatuksi asiantuntijaksi: pätevä kapealla alueella, työskentelevä valvonnan alaisena. He halusivat apua sisällön esittämisessä, harjoitustehtävien tuottamisessa ja formatiivisen palautteen antamisessa, ja kieltäytyivät luovuttamasta tavoitteiden asettamista tai summatiivista arviointia, vaatien ohitusmahdollisuutta monitulkintaisissa tapauksissa. Se, mitä he suojelivat, on opettajan roolin ydin: päättää, mikä on oppimisen arvoista, ja arvioida, opittiinko se.

Arvostelu on tehtävä, jossa näennäinen hyöty on suurin ja siirrettävyys heikoin. OpRaise-vertailuaineisto ajoi kolme huippumallia 761 aitoa psykologian kandidaattivaiheen esseetä vastaan, jotka olivat 125 opiskelijalta kolmesta brittiläisestä yliopistosta, 27 kehotekokoonpanolla mallia kohden. Yksimielisyys ihmisten arvosanaluokkien kanssa vaihteli 35 %:sta 65 %:iin oppilaitoksesta riippuen. Arvosanat painuivat kohti keskikohtaa, joten vahvimmat ja heikoimmat esseet arvosteltiin kaikkein epätarkimmin, ja mallit olivat keskenään paljon yksimielisempiä kuin ihmisarvostelijoiden kanssa. Kirjoittajien keskeinen havainto on, että yhdessä kontekstissa kerätty näyttö ei siirry toiseen.

Voit käyttää automaattista essee-arvostelua, jos validoit sen omassa oppiaineessasi ja omilla opiskelijoillasi ja pidät päätöksen ihmisellä. Tekoälypalautteen laatu kertoo, mitä tarkistaa: nopeus ja määrä eivät ole sama asia kuin hyödyllisyys, ja pedagoginen arvio siitä, minkä kommentin opiskelija tarvitsee seuraavaksi, jää sinulle.

Missä opettajat menevät pieleen

”31 % on minun lukuni.” Se on 259 luonnontieteen opettajaa K-12-kouluissa tuntisuunnittelun parissa. Suunta kulkee mukana, koko ei. Keskusteluun rakennettu seminaari voi säästää vähemmän, ja turvallisuusrajoitteinen laboratoriokurssi ei ehkä säästä mitään siitä osasta, johon kaikkein eniten halusit apua.

”Ajansäästö on tavoite.” Brasilian koe on vastaesimerkki. Tunnit tulivat ilmaiseksi, ja alin neljännes ei hyötynyt mitään. Tavoite on se, mitä tunneilla ostetaan.

”Hyvä luonnos tarkoittaa, että voin luovuttaa myös seuraavan vaiheen.” Kuusi opettajaa veti rajansa tavoitteisiin ja summatiiviseen arvioon syystä. Laatu poistumislipukkeessa ei kerro mitään siitä, pystyykö työkalu päättämään, mitä poistumislipukkeen pitäisi arvioida.

Mitä sinulle tullaan sanomaan takaisin

”Kokeilin sitä, ja tuotos oli ympäripyöreä.” Useimmat tutkimuksen opettajat ottivat ensimmäisen tuloksen ja muokkasivat sitä käsin sen sijaan että olisivat jatkaneet lisäkehotteilla. Toinen ja kolmas kierros, joissa annat luokka-asteesi, lukemisesi, kolme viimeisintä visailutehtävääsi ja esimerkin siitä, miltä hyvä näyttää, muuttaa tuotosta enemmän kuin työkalun vaihtaminen. Tekoälylukutaito on halpa sijoitus, ja kehotteiden hienosäätö on se, missä se maksaa itsensä takaisin.

”Jos tulen nopeammaksi, aika täytetään kokouksilla.” Todennäköisesti, ja se on yleisin tapa, jolla säästö katoaa. Kirjoita määränpää näkyviin sinne, missä osastonjohtajasi näkee sen, ennen kuin tila täyttyy.

”Tekoälypalaute jättää vajaalle ne opiskelijat, joilla on vaikeinta.” Brasilian alin neljännes ei hyötynyt mitään, ja se on tämän sivun vahvin varoitus. Yhdistä säästö harkittuun käyttöön. 35 %:n kasvu kahdenkeskisissä keskusteluissa on se, mitä nuo luokat tekivät tunneilla, ja se oli opettajan tekemä valinta.

”Arvostelu on se, missä tuntini todella ovat.” Niin on, ja se on myös se, missä työkalu on vähiten siirrettävissä oppilaitosten välillä. Validoi paikallisesti tai jätä se rauhaan.

”Tämä rappeuttaa ammattitaidon.” Pishtarin tulos on rehellinen versio: koettu vaiva laski, eikä lisäkoulutus parantanut suunnittelun laatua. Säästetty vaiva ei ole hankittu kyvykkyys, ja kuuden opettajan raja on kohtuullinen paikka pitää linjaa, kunnes opit, mikä tehtävistäsi on mitäkin.

Mitä tehdä tällä viikolla

1. Kirjoita ylös viisi tehtävää, jotka teit viime viikolla ja jotka päättyivät asiakirjaan, jota sitten muokkasit.

2. Valitse se, jonka määrittely on selkein, ja luonnostele se työkalulla ajoittaen molemmat versiot.

3. Laita vapautunut aika nimettyyn paikkaan kalenterissasi: keskustelu opiskelijan kanssa, toinen palautekierros tai luonnoskasan kunnollinen lukeminen.

4. Kirjoita kieltolistasi ja pidä se näkyvissä: tavoitteet, loppuarvosanat, kaikki mikä kääntyy yhden opiskelijan tarpeiden mukaan.

5. Pidä lokia kaksi viikkoa ja päätä sitten, mitkä kaksi tehtävää ovat pysyvästi sinun luovutettaviksesi.

Minne seuraavaksi

Miten tekoäly voi auttaa minua antamaan parempaa palautetta suuressa mittakaavassa? vie palautekysymyksen pidemmälle, ja Millaista osaamista opetushenkilöstö tarvitsee tekoälyn suhteen? sekä Miten suunnittelen tekoälyn henkilöstökoulutuksen, joka todella muuttaa käytäntöä? käsittelevät sitä, mitä osasto voi rakentaa, jotta tämä lakkaa riippumasta yksittäisistä kokeiluista. Miten suunnittelen arvioinnin uudelleen niin, että arvosana kertoo yhä jotain puolustettavaa siitä, mitä opiskelija tietää tai osaa? ja Miten voin vähentää tekoälyhuijaamista kurssillani? käsittelevät arvioinnin seurauksia. How AI Is Changing Teaching Workflows on artikkeli valmistelulukujen takana, ja ihmisen valvonta on periaate, jonka ympärillä tämä sivu pyörii.