Auttaako tekoälyn käyttö todella opiskelijoitani oppimaan?

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

Opiskelija kertoo, että tekoälyohjaaja on syy siihen, että hän vihdoin ymmärsi materiaalin, eikä sinulla ole keinoa tarkistaa väitettä. Tai pöydällesi laskeutuu pilotti, jossa on tyytyväisyyskysely ja kuvakaappaus nousevista tehtäväarvosanoista, ja jonkun on päätettävä lisenssistä kuun loppuun mennessä. Tai seisot luokan edessä ja mietit, auttaako työkalu, jonka juuri kehotit heitä avaamaan, heitä harjoittelemaan vai auttaako se heitä välttämään harjoittelua.

Lyhyt vastaus: kyllä, tekoäly voi auttaa opiskelijoita oppimaan, eikä mikään niistä asioista, joita todennäköisimmin näet, osoita sitä: paremmat tehtävät, nopeampi valmistuminen, tyytyväiset opiskelijat tai tuote nimeltä ohjaaja. Sen, paraneeko oppiminen vai ei, ratkaisee toiminnan suunnittelu ja mitattavaksi valitsemasi tulos.

Lyhyt versio

1. Nimeä ensin kyvykkyys ja päätä sitten, millainen näyttö osoittaisi sen muuttuneen.

2. Mittaa sama kyvykkyys myöhemmin työkalu poissa, koska se on ainoa mittaus, joka vastaa kysymykseesi.

3. Aseta opiskelijan oma yritys ennen apua ja vaadi vastaus apuun sen jälkeen.

4. Arvostele verifiointi: mitä he tarkistivat, mitä he hylkäsivät, mitä he muuttivat.

5. Katso tuloksia aiemman tiedon mukaan, koska keskiarvo piilottaa ne opiskelijat, joiden kohdalla suunnittelu epäonnistuu.

Päätä, mitä tarkoitat oppimisella, ennen kuin katsot mitään näyttöä

”Auttaako tekoäly opiskelijoita oppimaan” ei ole yksi kysymys. Se kokoaa ainakin kolme: nostaako työkalu suoriutumista sen ollessa auki, rakentaako se kyvykkyyttä, joka säilyy sen ollessa kiinni, ja muuttaako se sitä, kuka tuon kyvykkyyden lopulta saa. Myyjän raportti, pilottikysely ja satunnaistettu koe voivat kaikki olla rehellisiä ja vastata silti eri kysymyksiin.

Kirjoita kyvykkyys muistiin ennen toimintaa. ”Tuota viimeistelty raportti” on eri tulos kuin ”valitse sopiva näyttö”, ”selitä kausaalinen suhde” tai ”tunnista perustelematon johtopäätös”. Arvioinnin on paljastettava se kyvykkyys, jota aiot kehittää, mikä on koulutuksellisen mittaamisen argumentti ja tekoälyn koulutuskäytön arvioinnin lähtökohta.

Korpus tukee kahta väitettä yhtä aikaa, ja molempien pitäminen on se kurinalaisuus, jota tämä sivu pyytää. Maailmanpankin synteesi Can EdTech Close Learning Gaps? yhdisti 14 satunnaistettua tutkimusta kymmenestä taloudesta ja arvioi mukautuvalle ja tekoälyllä varustetulle koulutusteknologialle positiivisen keskimääräisen oppimisvaikutuksen, 0,125 keskihajontaa. Se yhdisti myös aiemmat mukautuvat järjestelmät generatiivisen tekoälyn työkaluihin, ei löytänyt tilastollisesti osoitettua etua uudemmille generatiivisille työkaluille ja myönsi tuossa vertailussa huomattavaa epävarmuutta. Tulos tukee näiden interventioiden potentiaalia, ei väitettä, että mikä tahansa chatbot parantaa oppimista. Positiivinen keskiarvo on toisin sanoen yhteensopiva suuren vaihtelun kanssa ja sen kanssa, ettei sillä asialla, jota itse harkitset, ole osoitettua etua.

Hyödyllisempiä ovat tutkimukset, jotka vaihtelevat suunnittelua yhden kokeen sisällä. Monipaikkainen satunnaistettu tutkimus, jossa oli 1 176 ensimmäisen vuoden opiskelijaa, vertasi vertaispalautetta, suoraa tekoälypalautetta, itsearviointia, jota seurasi tekoälypalaute, ja hybridisarjaa itsearvioinnista, vertaispalautteesta ja tekoälykritiikistä. Reflektoivat ja hybridiehdot tuottivat vahvempaa viivästettyä siirtämistä ilman tekoälyä kuin suora tekoälypalaute: opiskelijat suoriutuivat paremmin uudessa tieteellisen argumentoinnin tehtävässä, eivät vain esseessä, jota he olivat muokkaamassa. Ne ehdot vaativat myös enemmän arvioivaa työtä ja todennäköisesti enemmän aikaa, joten tutkimus tukee kokonaista palautesuunnitelmaa eikä sen yhtä komponenttia.

Tarkista, säilyykö hyöty, kun työkalu otetaan pois

Tämä on informatiivisin käytettävissäsi oleva tarkistus, ja se on helppo jättää pilotista pois.

Korpuksen selvin varoitus on satunnaistettu kenttäkoe, jossa oli lähes 1 000 lukio-opiskelijaa, Generative AI without guardrails can harm learning. Yleiskäyttöiseksi tyylitelty käyttöliittymä nosti avustetun harjoittelun pisteitä 48 % kontrolliin verrattuna, ja samat opiskelijat saivat sen jälkeen 17 % matalammat pisteet ilman apua tehdyistä kokeista. Opettajien suunnittelemilla ohjeilla ja vihjeillä konfiguroitu ohjaaja vältti tuon rangaistuksen pitkälti. Se ei tuottanut tilastollisesti merkitsevää parannusta ilman apua tehtyyn koesuoriutumiseen kontrolliryhmään verrattuna. Haitan välttäminen ja lisäoppimisen osoittaminen ovat eri saavutuksia.

Kansallisessa mittakaavassa sama jakautuminen näkyy viiveellä. The Generative AI Learning Penalty seurasi 26 811 kiinalaista keskiasteen opiskelijaa luokka-asteilla 7-12 30 kuukauden ajan porrastettua käyttöönottoa hyödyntäen. Kotitehtäväpisteet nousivat 18 % ja valmistumisaika laski 30 %, 64 minuutista 45 minuuttiin. Suljetun kirjan kuukausikokeiden pisteet laskivat 20 % kuuden kuukauden kuluessa, ja korkean panoksen pääsykoepisteet laskivat 18-24 % lähtötasosta, mutta vasta noin kahden vuoden jälkeen. Tappiot keskittyivät niihin noin 81 %:iin käyttäjistä, joiden käyttäytyminen viittasi kotitehtävien ulkoistamiseen, kun taas opiskelijat, jotka pitivät kotitehtäväaikansa verrattavissa ei-käyttäjiin, oppivat suurin piirtein yhtä tehokkaasti. Kurssillesi seuraa kaksi asiaa: kotitehtävä- ja koesuoriutumisen ero on suoriutumisen ja oppimisen välinen kuilu kansallisessa kohortissa, ja kahden vuoden viive tarkoittaa, että yhden lukukauden arviointi aliarvioi kustannuksen systemaattisesti.

Tietojenkäsittelytieteen koulutus näyttää saman rakenteen. 72 tutkimuksen systemaattinen katsaus havaitsi, että generatiivinen tekoäly nosti luotettavasti lyhyen aikavälin valmistumista ja vähensi tehtävään käytettyä aikaa 36 tutkimuksessa, eikä yksikään korpuksen tutkimus dokumentoinut kielteistä vaikutusta välittömään suoriutumiseen, ja nuo hyödyt ”eivät siirry itsenäiseen suoriutumiseen” 21 tutkimuksessa. Codexin avustamat opiskelijat suorittivat oppimisen aikana kaksi kertaa niin monta tehtävää ja suoriutuivat ilman tekoälyä tehdyissä lopputesteissä yhtä hyvin kuin kontrollit.

Sitten on kysymys siitä, käyttävätkö opiskelijat apua lainkaan. Kahden vuoden satunnaistettu koulukoe 18 yläkoulussa, One Click Away, havaitsi vaatimattomia matematiikan oppimistulosten paranemisia, ja opiskelijat osallistuivat harvoin sisällöllisiin ohjauskeskusteluihin. Kirjoittajat huomauttivat, että paranemiset muistuttivat ilman tekoälyä tapahtuvan rakenteellisen harjoittelun tuloksia, ja suunnitelma yhdisti yksilöllisen harjoittelun tekoälyohjaukseen, joten se ei eristänyt tekoälykomponentin osuutta. Kyvykäs ohjaaja saatavilla on eri tosiasia kuin se, että opiskelijat käyttävät sitä tuottavasti.

Making AI Tutoring Productive tarjoaa terävämmän opetuksen yli 6 000 NUMIa käyttävästä yläkoulun opiskelijasta. Tekoälytuki paransi toipumista virheistä ja hidasti etenemistä kysymysten läpi. Sääntö kolmesta peräkkäisestä oikeasta vastauksesta nosti alustan määrittelemää onnistumista parantamatta kuitenkaan yksinään oppimista viikkoa myöhemmin. Vahvin viivästetyn oppimisen signaali ilmeni, kun tekoäly upotettiin hallintatyönkulkuun, ja nuo hyödyt olivat marginaalisesti tilastollisesti merkitseviä ja keskittyivät tiettyyn harjoiteltuun materiaaliin. Se on viitteellistä näyttöä rakenteellisesta lähestymistavasta, ei todistettu resepti.

Rakenna toiminta niin, että opiskelija tekee sen ajattelun, jolla on merkitystä

Oppimissuunnittelu on tärkeämpää kuin se, mitä mallia ajat. Suunnitelma, joka kestää nämä tulokset, koostuu neljästä vaiheesta: yritys, vaikeuteen kohdistettu apu, jotain, mitä opiskelija tekee avun kanssa, ja uusi sovellus, kun tuki on vedetty pois.

1. Pyydä alkuyritys, ennuste, luonnos, selitys tai tulkinta.

2. Tarjoa kohdennettua apua: vihje, selitys, vertaileva esimerkki tai kohdennettu palaute siitä kohdasta, johon he juuttuivat.

3. Vaadi vastaus apuun. He selittävät sen, muokkaavat sen kanssa, tarkistavat sen tai perustelevat sen hyväksymisen ja hylkäämisen.

4. Tarkista vastaava ongelma tai eri konteksti, kun tuki on vedetty pois.

Se on opetuksellinen lähtökohta eikä validoitu sarja, ja oikea tuen määrä ja ajoitus riippuvat opiskelijoista ja tehtävästä. Se heijastaa sitä, mitä tukemisen ja aktivoivan oppimisen synteesit korostavat: tukea, joka auttaa oppijoita ymmärtämään, harjoittelemaan, arvioimaan ja lopulta suoriutumaan vähemmällä tuella.

Sovella periaatetta tavoitteeseen, ei mekaanisesti jokaiseen ominaisuuteen. ”Tue, älä korvaa” on hyvä sääntö, jossa on ansa sisällään. Valmis esimerkkiratkaisu voi olla jotain, josta opiskelijat oppivat, ja vihjesarja voi silti muuttua joksikin, jonka he klikkaavat läpi ajattelematta. Merkitsevää on se, mitä oppija tekee avun kanssa, minkä vuoksi kognitiivinen siirtokuormitus ja avun hakeminen ovat saman työkalun tuottaman kirjon vastakkaisissa ääripäissä.

Vastakkainen esimerkki kannattaa pitää näkyvissä, koska se estää sinua muuttamasta vaivannäköä oppimisen sijaisosoittimeksi. Coach not crutch -tutkimuksen esirekisteröidyissä kokeissa aikuiset, jotka harjoittelivat hakemuskirjeiden muokkaamista tekoälyn kanssa, tuottivat sen jälkeen parempaa kirjoittamista ilman tekoälyä kuin yksin harjoitelleet, ja käyttivät siihen vähemmän vaivaa. Hyödyt säilyivät yhden päivän seurannassa, ja toinen koe havaitsi, että tekoälyn muokkaaman esimerkin katsominen tuotti verrattavia hyötyjä työkalulla harjoitteluun verrattuna. Ne olivat lyhyitä, rajattuja kirjoitustehtäviä, eivät näyttöä kaiken kirjoittamisen kestävästä paranemisesta. Ne kuitenkin osoittavat, että vähemmän vaivaa ei ole automaattisesti vähemmän oppimista, ja että tavoite on säilyttää oppimistoiminta eikä maksimoida vaikeutta.

Tee säilyvä ajattelu näkyväksi siinä, mitä arvostelet

Se, miten opiskelijat käyttävät työkalua, merkitsee enemmän kuin se, onko heillä se. Laadullisessa tutkimuksessa 38 kandidaatista valvomattomissa essee-arvioinneissa sitoutuminen vaihteli kognitiivisesta ulkoistamisesta kognitiiviseen uudelleenkohdentamiseen, vaivannäön siirtoon matalan tason hausta kriittiseen arviointiin. Useimmat opiskelijoista, 38:sta 31, aikoi käyttää generatiivista tekoälyä oppimisavustajana. Käytännössä 76,32 % nojasi yhden vuoron kysy, saa vastaus, lopeta -dialogiin, ja 78,94 % käytti työkalua ennen luonnostelua tai sen jälkeen eikä tehtävän läpi. Vain 8 opiskelijaa työskenteli kognitiivisina kumppaneina kestävän, iteratiivisen dialogin kautta. Tuo kirjo, ulkoistamisesta uudelleenkohdentamiseen, on se, mitä opiskelijan ja tekoälyn vuorovaikutus kuvaa. Yksi osallistuja kuvasi vaikutusta: ”se vauhti, jolla sen unohtaa, on myös hyvin nopea.”

Pedagoginen johtopäätös on, että sekä yleisluvat että yleiskiellot jättävät opiskelijat arvailemaan. Sen tutkimuksen kertomuksen mukaan käyttäytymistä muutti tehtäväkohtainen ohjaus siitä, mikä kognitiivinen työ opiskelijoiden oli säilytettävä ja mikä apu oli sopivaa, mikä on se suunnittelusuunta, jota kehitetään sivuilla Miten voin vähentää tekoälyhuijaamista kurssillani? ja Tekoälyn väärinkäytön vähentäminen.

Tee siis säilyvästä ajattelusta artefakti, jonka voit arvostella. Matematiikassa pyydä yritysratkaisu ennen kuin apua pyydetään, anna opiskelijoiden sitten käyttää kehotetta kuten ”tunnista ensimmäinen vaihe, jota minun pitäisi harkita uudelleen, anna minulle yksi hyödyllinen vihje ja pyydä minua yrittämään uudelleen”, ja vaadi uusi ratkaisu sekä selitys sen sijaan, että tekoälyn vastaus toistetaan. Kirjoittamisessa anna opiskelijoiden arvioida luonnoksensa rubriikkia vastaan ennen kuin he pyytävät kritiikkiä, ja sitten selittää, mitkä ehdotukset he hyväksyivät, muuttivat tai hylkäsivät. Jos argumentin rakentaminen on tavoite, tekoälyn teksti ei voi korvata näyttöä siitä, että opiskelija osaa rakentaa argumentin. Jos vaihtoehtoisten versioiden arviointi on tavoite, kokonaisten esimerkkien vertaileminen on sopivaa. Kirjoittamisen opetus ja palautelukutaito -sivut sisältävät yksityiskohdat.

Katsauksen suunnitteluvaatimus on sama liike kurssitasolla: verifiointi eli tekoälyn tuotoksen lukeminen, testaaminen, muokkaaminen, selittäminen ja kritiikki, tehtynä arvosteltavaksi ja havaittavaksi komponentiksi eikä toiveeksi, joka jätetään opiskelijan harkintaan. Eikä jokaista hyväksyttävää tulosta tarvitse osoittaa ilman tekoälyä. Kurssi voi tietoisesti opettaa tehokasta tekoälyn tukemaa työtä, jolloin arvioit opiskelijan kykyä valita, verifioida, muokata ja puolustaa työkalun käyttöä niiden itsenäisten perusteiden rinnalla, joita ala vaatii. A Human Capability Test for Learning Outcomes in the AI Era ehdottaa kolmijakoa itsenäisen kyvykkyyden, tekoälyllä vahvistetun suoriutumisen ja verifiointivastuun välillä. Se on käsitteellinen viitekehys, ei validoitu mittari.

Tarkista, ketä työkalu auttaa ja kenet se pudottaa hiljaa

Keskimääräinen parannus voi kätkeä opiskelijat, jotka eivät hyötyneet mitään tai kohtasivat uuden esteen. Digitaalinen kuilu -synteesi erottaa pääsyn työkaluun taidosta, jota sen käyttö vaatii, ja siitä, kuka lopulta saa hyödyllisen tuloksen, ja kaikki kolme merkitsevät kurssille.

Aiempi tieto moderoi kaikkea tietojenkäsittelytieteen katsauksessa: hyvin valmistautuneet opiskelijat muuntavat avun kestäväksi taidoksi, kun taas heikommin valmistautuneet voivat käyttää sitä kainalosauvana, joka poistaa heidän tarvitsemansa harjoittelun. Kansallinen kohorttitutkimus osoittaa saman keskittymän omalla tavallaan, kun oppimistappiot istuvat siinä 81 %:ssa, jonka kotitehtäväkäyttäytyminen viittasi ulkoistamiseen.

Luokkahuonearvioinnissa erittele tulokset aiemman tiedon, kielitarpeiden ja saavutettavuusvaatimusten mukaan sen sijaan, että raportoit kurssin keskiarvon. Opiskelijoiden opettaminen hankkimaan ja arvioimaan hyödyllistä palautetta on osa tekoälylukutaitoa, eikä se saavu lisenssin mukana. Kun arvioit itsenäistä oppimista, poista se apu, joka tuottaa tavoiteajattelun, ja jätä ne mukautukset, jotka tarjoavat pääsyn tehtävään, mikä on se ero, jonka varaan sekä saavutettavuus että yhdenvertaisuus tekoälykoulutuksessa rakentuvat.

Tarkasta myös palaute, jota opiskelijat tosiasiassa saavat. Sujuva vastaus voi diagnosoida vaikeuden väärin, vahvistaa virhettä tai ojentaa vastauksen silloin, kun olisi tarvittu toisenlaista tukea. Käytä kurssin mukaista materiaalia, pidä reitti inhimilliseen apuun ja kerää vain se opiskelijatieto, jota toiminta vaatii. Tekoälypalautteen laatu, pedagoginen turvallisuus ja tietosuoja kattavat yksityiskohdat.

Älä luota kojelautaan, ei edes omaasi

Alustan mittarit ovat helpoin näyttö vietäväksi hankintapäätökseen ja helpoin lukea liikaa. Arvioinnissa kahdeksasta tekoälyn opetusagentista lääketieteen koulutuksessa alustan oman pisteytyksen mukaiset sijoitukset erosivat asiantuntijavalidoidusta opetuksen laadun rubriikista. Alustalla kolmanneksi sijoitettu agentti sijoittui rubriikin laadussa viimeiseksi, koska alustan pisteytys seurasi opiskelijoiden suoriutumista vuorovaikutuksen aikana eikä agentin opetuskäyttäytymistä. Sisäänrakennettu mittari on validoitava hypoteesi.

Sama skeptisyys pätee näyttöön, jonka tuotat itse. Tyytyväisyyskysely mittaa tyytyväisyyttä, ja koettu oppiminen on itseraportointimittari, jonka korpus dokumentoi ajautuvan kauas mitatusta oppimisesta. Tehtäväarvosanat mittaavat tehtävää. Kumpikaan ei kerro, mitä opiskelija osaa kolmen viikon päästä työkalu kiinni, ja Millä mittareilla ja tutkimusmenetelmillä opettaja voi arvioida tekoälyyn liittyviä interventioita? esittää vertailusuunnitelmat, jotka vievät sinua lähemmäs.

Mitä opettajat ymmärtävät tässä väärin

”Korkeammat tehtäväarvosanat tarkoittavat, että he oppivat enemmän.” Ne kaksi voivat liikkua vastakkaisiin suuntiin. Suojatoimia koskenut koe nosti avustettua harjoittelua 48 %:lla, kun ilman apua tehdyt kokeet laskivat 17 %, ja kansallinen kohortti näki kotitehtäväpisteiden nousevan 18 %, kun suljetun kirjan koepisteet laskivat 20 % kuudessa kuukaudessa. Kumpikaan kaava ei näkyisi arvostelukirjassa, joka tallentaa vain lopullisen palautuksen.

”Se on ohjaaja, joten se on turvallinen.” Ohjaaja on nimike, ja nimikkeen takana olevat tulokset ovat ristiriitaisia. Opettajan konfiguroima ohjaaja vältti koerangaistuksen eikä päihittänyt kontrollia ilman apua tehdyissä kokeissa. Khanmigo tuotti vaatimattomia hyötyjä, jotka muistuttivat rakenteellista harjoittelua, ja sisällöllistä ohjausta tapahtui vähän. NUMIn tekoäly hidasti etenemistä kysymysten läpi. Ohjaaja voi pidättää ratkaisut ja niellä silti sen harjoittelun.

”Jos se tuntuu helpommalta, se ei opeta heille mitään.” Väärin molempiin suuntiin, minkä vuoksi vaivannäkö on huono sijaisosoitin. Coach not crutch havaitsi vähemmän vaivaa ja parempaa kirjoittamista ilman tekoälyä päivää myöhemmin, joten helppous ei ole tuntomerkki. Tapaukset erottaa se, tekikö opiskelija sen ajattelun, jonka tavoite nimeää, ja se on suunnittelukysymys eikä vaikeusasetus.

”Yleissääntö tai parempi kehote korjaa sen, miten he käyttävät sitä.” 38 opiskelijan tutkimus havaitsi useimpien opiskelijoiden olevan yhden vuoron kysy ja lopeta -tilassa juuri niissä olosuhteissa, joissa heille oli sanottu, että tekoäly on oppimisavustaja. Käyttäytymistä muutti tehtäväkohtainen ohjaus ja arvosteltava verifiointivaatimus. Yksi linjaus ja nokkela kehote ovat molemmat tuon syötteitä, eikä kumpikaan korvaa sitä.

”Alustan pisteytys tai tyytyväisyyskysely kertoo, että se toimii.” Kahdeksan agentin arviointi löysi alustan sijoituksen, joka kääntyi asiantuntijarubriikissa. Tyytyväisyys ja koettu oppiminen ovat itseraportointia. Molemmat kannattaa kerätä prosessitietona, eikä kumpikaan ole oppimisen mittari.

”Pääsy on yhdenvertaisuuden ongelma, ja olemme ratkaisseet pääsyn.” Pääsy on yksi kolmesta linjasta taidon ja hyödyllisen tuloksen saajan rinnalla. Aiempi tieto ratkaisee, tuleeko avusta taito vai kainalosauva, ja kansallisen kohortin tappiot keskittyivät siihen ryhmään, jonka käyttäytyminen viittasi korvaamiseen, eikä ryhmään, jolla ei ollut laitteita.

Mitä sinulle tullaan sanomaan

”Opiskelijani sanovat, että siitä on apua.” Siitä todennäköisesti on apua heidän edessään olevassa työssä, ja se on se havainto, ei sen kumoaminen. Kysy, mitä he osaavat vastaavassa tehtävässä työkalu kiinni, niin saat sen vastauksen, jolla on merkitystä.

”Tutkimukset ovat ristiriidassa, joten miksi toimia minkään niistä pohjalta?” Ne ovat harvoin ristiriidassa, kun asetat riviin sen tuloksen, jota kukin mittasi. Myönteiset tulokset mittaavat yleensä avustettua suoriutumista, tyytyväisyyttä tai hyvin rakennettua toimintaa viivästetyin tarkistuksin; kielteiset mittaavat myöhempää suoriutumista ilman apua. Burneon synteesi tekee epävarmuuden eksplisiittiseksi: 0,125 keskihajontaa keskimäärin 14 kokeen yli, ei osoitettua etua uudemmille generatiivisille työkaluille. Ennen ja jälkeen -parannus ei voi osoittaa, että tekoäly aiheutti hyödyn, koska opiskelijat paranevat muun opetuksen aikana, ja vaikuttavuustutkimuksen menetelmät esittää vertailusuunnitelmat, jotka vievät sinua lähemmäs. Toimi suunnitteluväitteiden pohjalta, jotka toistuvat, ja pysy avoimena vaikutuksen koon suhteen, joka ei toistu.

”Minulla on 200 opiskelijaa. En voi toteuttaa viivästettyjä arviointeja.” Tarvitset yhden lyhyen lähtötasotehtävän ja yhden viivästetyn osion, et tutkimusta. Käytä samaa tehtävätyyppiä kolmen viikon päästä ilman työkalua, pidä edellisen vuoden koeversiota karkeana vertailukohtana ja ota näyte työstä, joka näyttää olevan ristiriidassa aiempien palautusten kanssa. Se riittää näkemään 48 %:n avustetun hyödyn ja 17 %:n tappion ilman apua, jos se tapahtuu kurssillasi.

”Khanmigo sai myönteisen tuloksen, joten ohjaus toimii.” Se sai vaatimattomia matematiikan hyötyjä 18 yläkoulussa suunnitelmassa, joka kokoaa yksilöllisen harjoittelun ja tekoälyohjauksen, kun opiskelijat harvoin kävivät sisällöllisiä ohjauskeskusteluja. Lue se näyttönä siitä, että hyvin rakennettu harjoitteluympäristö voi tuottaa pieniä hyötyjä, ei näyttönä siitä, että tekoälykomponentti aiheutti ne.

”En voi kieltää sitä enkä valvoa sitä.” Oikein molemmissa, eikä kumpaakaan vaadita. Suunnittelukysymys on, minkä toimintasi tekee helpoksi. Jos verifiointi arvostellaan, ilmoittaminen ei maksa mitään ja ilman apua tehtävä tarkistus on olemassa, useimmat opiskelijat kulkevat rakentamaasi polkua.

”En opeta tekoälyä. Tämä ei ole minun oppiaineeni.” Häiriö tapahtuu oman oppiaineesi sisällä, siinä vaiheessa, jossa tekoäly suorittaa sen harjoittelun, jota kurssisi on olemassa tarjotakseen. Siksi korjaus on tehtävämuutos eikä uusi opintojakso.

Mitä tehdä tällä viikolla

1. Ota yksi toiminta, jota jo vedät, ja kirjoita kyvykkyyslause: mitä opiskelijan pitäisi pystyä tekemään sen jälkeen, työkalu kiinni.

2. Lisää kahden minuutin lähtötaso alussa ja samantyyppinen osio kolmen viikon päästä. Arvostele molemmat ilman tekoälyä huoneessa.

3. Muuta yksi opiskelijoille antamasi kehote muodosta ”selitä tämä” muotoon ”anna minulle yksi vihje ja kysy sitten minulta kysymys”, ja vaadi korjattu yritys ennen kuin he jatkavat.

4. Lisää yksi arvosteltava verifiointiatrefakti: lyhyt muistiinpano siitä, mitä he tarkistivat, mitä he hylkäsivät ja mitä he muuttivat.

5. Erittele tulokset aiemman tiedon mukaan niiden opiskelijoiden osalta, joiden jo tiedät kamppailevan, ja lue näyte heidän saamastaan tekoälypalautteesta.

Minne seuraavaksi

Millä mittareilla ja tutkimusmenetelmillä opettaja voi arvioida tekoälyyn liittyviä interventioita? kattaa edellä olevien tarkistusten taustalla olevat mittarit ja vertailusuunnitelmat, ja AI Ed Evaluation on käytännön arviointiopas. Miten tekoäly vaikuttaa opiskelijoihin ottaa opiskelijakokemuksen puolen, Mitkä ovat kymmenen keskeistä löydöstä tekoälyn koulutustutkimuksesta, jotka opettajan pitäisi tietää? tiivistää saman näytön opettajien päätöksiksi ja Limitations in AIEd Research on rehellinen kertomus siitä, mitä tämä kirjallisuus ei vielä pysty kertomaan sinulle. Jos kysymyksestäsi on tullut arviointikysymys, Miten voin vähentää tekoälyhuijaamista kurssillani? on seuraava sivu.