Tällä sivulla

Viikoittainen AIEd-tutkimuskatsaus #414. marraskuuta 2026

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

Viikoittainen katsaus Tekoäly koulutuksessa -tietopohjasta, siitä, mitä kuluneella viikolla lisätty tutkimus merkitsee opettajille, kehittäjille, tutkijoille ja hallinnon edustajille.

Edellisen numeron jälkeen tietopohjaan on liittynyt 199 uutta tutkimusta, kahdeksan uutta käsitesivua, kaksi uutta UKK:ta ja kolmetoista uutta resurssia. Tietopohja sisältää nyt 2 277 artikkelitiivistelmää, 238 käsitesivua, 46 UKK:ta ja 53 resurssia. Hae tai käytä tekoälyä keskustellaksesi tietopohjan kanssa.

Keskeisimmät havainnot ja kysymykset

Voiko arvostelun keskiarvoon luottaa? Kaksi ChatGPT-versiota arvioi samat esseet ja vei jokaisen esseen kohti keskikohtaa: essee, jonka luennoitsija hylkäsi arvosanalla 50, sai takaisin 66, ja essee, joka oli 80, sai 67, joten heikoin ja vahvin opiskelija päätyivät samaan arvosanaan. Käyttäkää tekoälyn kommentteja auttamaan opiskelijaa muokkaamaan työtään ja pitäkää kirjattu arvosana ihmisellä.
Mitä tapahtuu, kun tehtävä muuttuu mutta arvosana ei? Yliopistot vaihtoivat esseet esityksiin ja suullisiin puolustuksiin mutta pitivät todistuksessa yhden ainoan arvosanan. Opiskelija voi puolustaa työtään ääneen ja lähteä silti yhdellä numerolla, joka ei kerro mitään siitä, miten hän ajatteli. Muuttakaa sitä, mitä todistus raportoi, tai uudistus muuttaa vain paperityötä.
Auttaako chatbot opiskelijoita ymmärtämään tekstiä paremmin kuin muistiinpanojen kirjoittaminen? Opiskelijat, jotka kirjoittivat muistiinpanoja, oppivat enemmän kuin ne, jotka kysyivät chatbotilta samasta tekstistä, ja chatbotin kanssa työskennelleet kopioivat usein sen vastaukset muistiinpanoihinsa. Silti he pitivät chatbotia helpompana, hyödyllisempänä ja miellyttävämpänä. Pitäkää kirjoitustehtävä, sillä työkalu, joka tiivistää luettavan, tekee työn, joka tuottaa oppimisen.
Arvioimmeko esseetä vai ajattelua? Essee suunniteltiin näyttämään mieltä, joka muuttuu kirjoittaessaan, ja vain valmiin tekstin arviointi heitti sen pois. Pyytäkää ensimmäinen luonnos, kritiikki siitä ja muokkaus, joka kertoo mikä muuttui ja miksi. Chatbot voi tuottaa viimeisen luonnoksen. Se ei voi näyttää työtä, jolla sinne päästiin.
Voiko tekoäly arvioida käsin kirjoitettuja kokeita? Claude arvioi käsin kirjoitetut kokeet lähes täsmälleen kuten luennoitsija monivalinnassa ja lyhyissä vastauksissa ja sai käsin piirretyt kaaviot oikein noin puolessa tapauksista. Antakaa sen esiarvioida muistamiskysymykset ja arvioikaa piirrokset ja harkintaa vaativat kohdat itse.
Voiko chatbot pitää suullisen kokeen? Chatbot voi haastatella opiskelijaa näkemättä koskaan arviointikriteerejä, kun taas järjestelmän toinen, piilotettu osa arvioi keskustelun, joten opiskelijat eivät voi kehotella itselleen pisteitä. Heidän järjestelmänsä arvioi liian anteliaasti, kun se pisteytti jokaisen vastauksen sitä mukaa. Arvioikaa koko keskustelu lopussa.

Stanfordin näyttökatsaus tekoälystä perus- ja toisen asteen koulutuksessa päivitettiin tämän viikon marraskuun 2026 painokseen, ja kausaalinen näyttöpohja kaksinkertaistui 52 tutkimukseen. Tekoälyn käyttäminen selittämiseen ja ohjaamiseen ennustaa parempaa oppimista, työn tuottamiseen käyttäminen huonompaa, ja yksi koe osoitti yleiskäyttöisen avustajan laskeneen opiskelijoiden motivaatiota.

Uudet UKK:t

Kaksi vastausta liittyi UKK:ihin tällä viikolla. Molemmat käsittelevät päätöksiä, jotka tulevat ennen kuin kukaan valitsee työkalun.

Mitä vaihtoehtoja ja kysymyksiä on harkittava tekoälytyökaluja käyttöönotettaessa?

Käyttöönoton vastaus erottaa kolme päätöstä, jotka toimittajaluettelo sekoittaa keskenään: mitä tietoja työkaluun menee, salliiko oppilaitos sen ja kuka mallia ajaa. Ilmainen chatbot pitää keskustelun toimittajan palvelimilla. Kampusyhdyskäytävä pitää sen omillanne ja voi katkaista pääsyn. Aloittakaa tietokysymyksestä, koska se on ainoa, jota ette voi perua myöhemmin.

Mitä kasvattajien tulisi välttää tekoälyn kanssa?

Välttämisvastaus nimeää kolme virhettä. Älkää käyttäkö tekoälyä tekemään sitä ajattelua, jonka opettamiseksi tehtävä on olemassa. Älkää pitäkö klikkauksia, sivulla vietettyä aikaa tai suorittamista näyttönä oppimisesta. Älkääkä kirjoittako sääntöä ”käyttäkää tekoälyä vastuullisesti” jättäen samalla tehtävä, jonka chatbot voi suorittaa minuutissa. Viimeinen on yleisin epäonnistuminen: toimintaperiaatteen lause ei muuta sitä, mitä opiskelijat voivat tehdä. Tehtävä ja keräämänne näyttö muuttavat sitä.

Uudet käsitteet

Kahdeksan käsitesivua liittyi tietopohjaan tällä viikolla.

Varjotekoäly on tekoälyn käyttöä, joka tapahtuu ennen kuin kukaan hyväksyy sen. Luennoitsija luonnostelee palautetta henkilökohtaisella ChatGPT-tilillä, eikä oppilaitos koskaan saa tietää, että opiskelijoiden työtä on kulkenut sen kautta.
Oppilaitoksen tekoälyinfrastruktuuri on kampuksella tapahtuvan tekoälyn käytön putkisto: kuka saa pääsyn, mikä malli toimii, mitä kirjataan ja kuka maksaa. Yksi esimerkki on yliopiston yhdyskäytävä, joka antaa jokaiselle laitokselle kiintiön ja pitää yllä auditointilokia.
Toiminnanohjaus kattaa suunnittelun, tiedon pitämisen mielessä ja impulssin pysäyttämisen. Ajatelkaa opiskelijaa, joka osaa suunnitella esseen mutta kadottaa punaisen langan puolivälissä. Työkalu voi tukea suunnittelua tai tehdä sen hänen puolestaan kenenkään huomaamatta.
Kehityspsykologia tutkii, miten lasten ajattelu muuttuu iän myötä. Seitsemänvuotias voi tarvita työkalun lukemaan kysymyksen ääneen. Seitsemäntoistavuotias osaa arvioida, onko vastaus hyvä.
Pitkittäistutkimus seuraa samoja opiskelijoita kuukausien tai vuosien ajan. Kysymys on, onko lokakuun kirjoitushyöty yhä olemassa toukokuussa, ei se, näkyikö se yksikkökokeessa.
Empatia erottaa sen ymmärtämisen, mitä joku tuntee, siitä, että tuntee sen hänen kanssaan. Chatbot voi kirjoittaa tylyn kommentin ystävällisesti uudelleen. Se ei voi huomata, että opiskelija on lakannut yrittämästä.
Tapauspohjainen oppiminen opettaa yhden tietyn tilanteen kautta, josta opiskelijoiden on pääteltävä. Kuvitelkaa potilas, jolla on rintakipu ja kaksi ristiriitaista testitulosta. Oppiminen on kysymyksissä, joita opiskelijat tapauksesta esittävät, ei tapauksen tekstissä.
Metaforat ja analogiat ovat kuvia, joilla selitämme tekoälyä, kuten musta laatikko, apuri tai peili. Kutsukaa sitä tutoriksi, ja opiskelijat odottavat sen tietävän vastauksen. Kutsukaa sitä opiskelukumppaniksi, ja he todennäköisemmin tarkistavat sen.

Uudet resurssit

Kolmetoista resurssia liittyi resurssikirjastoon tällä viikolla.

Primer antaa opettajan kuvata roolipelin tai simulaation tavallisella kielellä koodin kirjoittamisen sijaan, esimerkiksi neuvotteluharjoituksen, jossa tekoäly esittää vaikeaa vanhempaa.
Agentic Builds on galleria opettajien rakentamista pienistä sovelluksista, mukana niiden taustalla olevat kehotteet, jotka voitte kopioida omaan luokkaanne.
Vibe-Coding Center antaa kolme ohjetiedostoa liitettäväksi koodausavustajaan, jotta sen kirjoittama verkkosovellus on saavutettava, yksityinen ja riittävän turvallinen opiskelijoille.
AI Guidance by Age ottaa roolin ja ikäluokan ja ehdottaa, mitä opiskelijoiden pitäisi osata tekoälyllä siinä iässä, ja kertoo, mitkä osat ovat yhä arvailua.
Voice-First Written Assessment saa opiskelijat selittämään vastauksensa ääneen ja kirjoittamaan sitten muokkauksen litteraatista, jolloin ajattelu jää talteen ja kirjoittaminen tapahtuu silti.
Amplify GenAI on Vanderbiltin chat-alusta, jota kampus ajaa omassa pilvitilissään, jotta opiskelijoiden keskustelut pysyvät oppilaitoksella.
conText on äänitutori, joka kysyy seuraavan kysymyksen vastauksen antamisen sijaan ja näyttää opettajalle polun, jonka opiskelija kulki.
MindRouter on portinvartija kampuksen GPU:iden edessä, kiintiöillä laitoksittain, kertakirjautumisella ja lokilla siitä, kuka käytti mitä.
Moodle AI Text Question Type lisää tekoälyllä arvioitavan kysymyksen Moodle-testeihin, arviointikriteerit kirjoitettuna kehotteeseen ja pisteet suoraan arvosanakirjaan.
MyEssayFeedback saa opiskelijat palauttamaan luonnoksen, lukemaan tekoälyn kommentit valitsemistanne kohdista ja kirjaamaan sitten, mitkä kommentit he hyväksyvät ennen muokkaamista.
NowComment antaa luokan keskustella asiakirjasta rivi riviltä, ja nyt tekoäly voi lisätä luonnoskommentin, jota opiskelijoiden odotetaan muokkaavan.
Teacher Hive kerää pieniä opettajien tekemiä sovelluksia, jotka eivät vaadi opiskelijakirjautumista, julkaistuna esimerkkeinä, joita muut opettajat voivat kopioida.
AI Tutor Pro and AI Teaching Assistant Pro ovat ilmaisia opiskelutyökaluja, joissa on äänikeskustelu, testit ja muistiinpanot kahdeksalla kielellä, itsenäisesti harjoitteleville opiskelijoille.

Yksi nimenmuutos: EduPrompts -resurssin nimi oli EduGems tähän viikkoon asti. Kehotekokoelma on sama, ja se sijaitsee nyt osoitteessa eduprompts.ai.

Opettajille

Lakatkaa kysymästä, onko työ opiskelijan, ja kysykää, mitä se osoittaa

Bayraktar väittää, että tunnistustyökalut, kiellot ja luokassa tehdyt uudelleenkirjoitukset vastaavat vain yhteen kysymykseen: tuotettiinko työ itsenäisesti. Ne eivät kerro mitään siitä, ymmärtääkö opiskelija asian, jonka tehtävän oli tarkoitus osoittaa. Ehdotettu kehys pitää valmista työtä yhtenä lähteenä muiden joukossa ja lisää näyttöä sinne, missä konstrukti sitä tarvitsee: päätösloki, lyhyt huomautus siitä, mikä neuvo hylättiin, konferenssivastaus. Se tekee myös tekoälyn käytöstä itsestään jotain, mitä opiskelijat arvioivat, esimerkiksi nimeämällä, missä työkalun vastaus oli väärin.

Päättäkää, mitä oppimista tehtävän pitäisi osoittaa, ennen kuin valitsette vastakeinon. Lisätkää yksi artefakti, joka sulkee aukon, sen sijaan että muutatte jokaisen kurssin portfoliokurssiksi, ja kysykää opiskelijoilta, missä tekoäly ei ollut avuksi. Kappale siitä on arvokkaampi kuin ilmoituslause.

Katso myös: Arvioinnin uudistaminen tekoälyn aikakaudelle

Pitäkää tehtävä, lisätkää paperijälki

Winstone, Gravett ja Elkington väittävät, että useimmat yliopistojen vastaukset generatiiviseen tekoälyyn ovat puhetta: liikennevalot, ilmoitukset, sallitun käytön säännöt. Heidän Black Box Assessment -mallinsa pitää tehtävän ja pyytää opiskelijoita palauttamaan ikkunoita prosessiin, kuten luonnoksia, muokkauslokeja ja lyhyitä reflektioita, ja arviointikriteerit on kirjoitettu uudelleen niin, että muokkaaminen tuottaa pisteitä. He eivät raportoi pilottia ja sanovat sen suoraan.

Ottakaa yksi tehtävä ja vaatikaa yksi prosessiartefakti: jäsennys, ensimmäinen luonnos tai kappale siitä, mitä palaute muutti. Arvioikaa se artefakti ilmoitettua kriteeriä vasten. Opiskelijoilla on silloin syy pitää kirjaa, ja akateeminen rehellisyys elää tehtävässä toimintaperiaatteen lauseen sijaan.

Katso myös: Arvioinnin uudistaminen tekoälyn aikakaudelle

Opettajan palaute ja tekoälypalaute päätyivät tasapeliin

Meyer ja kollegat satunnaistivat 391 opiskelijaa 10. ja 11. luokalla Saksassa kolmeen ehtoon: opettajan kirjoittama palaute, välitön tekoälypalaute tai tekoälypalaute myöhässä toimitettuna, jotta lähde ja ajoitus voitiin erottaa. Jokainen tavanomainen vertailu päätyi nollatulokseen. Muokkaukset paranivat, seuraava kirjoitustehtävä ei eronnut, eivätkä tehtävässä vietetty aika, motivaatio ja tunnetila eronneet tilastollisesti opettajan ja tekoälyn palautteen välillä.

Opiskelijat arvioivat välittömän tekoälypalautteen hyödyllisemmäksi ja motivoivammaksi kuin opettajan palautteen, mutta viivästetyn tekoälyryhmän arviot eivät olleet samat, joten etu tuli nopeudesta, ei tekijyydestä. Käyttäkää tekoälypalautetta, kun opettaja ei voi vastata nopeasti, ja odottakaa sen pitävän tason, ei nostavan sitä. Tarkistakaa, pitävätkö opiskelijat nopeaa kommenttia hyödyllisenä.

Katso myös: Arvioinnin uudistaminen tekoälyn aikakaudelle

Kehittäjille

Tutori, joka taipuu, kun opiskelija sanoo ”muistiinpanoni sanovat toisin”

Liu ja Korolova ajoivat yksitoista kaupallista mallia kahden simuloidun K–12-matematiikan tutorointikokeen läpi: 400 kysymystä viiden vuoron vastauksenmuokkausprotokollassa ja 1 884 kahden vuoron diagnoosiprotokollassa. Jos opiskelija avasi väärällä vastauksella, ensimmäisen vuoron tarkkuus putosi 5,5 pistettä. Niistä vastauksista, jotka olivat oikein ensimmäisellä vuorolla, pelkkä ”olen eri mieltä” käänsi 5,2 % opiskelijan väärään valintaan, ”muistiinpanoni sanovat B” käänsi 12,7 % ja nimenomainen väärä päättely 3,1 %. Niistä oikeista keskusteluista, jotka päättyivät väärään vastaukseen, 86 % kääntyi ensimmäisestä vastaväitteestä. Oikean työn epäileminen laski myös diagnoositarkkuutta 66,5 %:sta 58,0 %:iin ja nosti vääriä positiivisia 33,5 %:sta 42,0 %:iin.

Kohdelkaa auktoriteettiin vetoomusta pyyntönä johtaa askel uudelleen, ei vastata uudelleen, älkääkä koskaan vahvistako väärinkäsitysdiagnoosia työstä, jota opiskelija on juuri epäillyt. Testatkaa tutoreita käsikirjoitetulla monivuoroisella dialogilla ja raportoikaa kääntymisaste erikseen ensimmäisen vuoron tarkkuudesta, koska kaksi mallia, joilla oli sama ensimmäisen vuoron pistemäärä, erosivat 7,5 pistettä siinä, kuinka usein ne taipuivat.

Katso myös: Tekoälytutorien kouluttaminen ohjaamaan vastaamisen sijaan

Arviointikriteerit ovat mittaväline, eivät malli

Roy ja kollegat osoittavat, että sama arvioija kahdella eri arviointikriteeristöllä tuottaa kaksi eri mittausta, ja että epämääräinen kriteeristö, joka pyytää ”hyödyllisiä ja tosiasioiden mukaisia” vastauksia, voi palkita hiottua vastausta, joka on väärä. Neljässä julkisessa preferenssiaineistossa, kuudessa kriteeristölähteessä ja kolmessa avoimen painon arvioijassa mikään kriteeristölähde ei ollut paras kaikilla akseleilla: arvioijien välinen yhdenmukaisuus, preferenssisopivuus ja pelattavuuden vastustuskyky. Kriteerien uudelleenjärjestäminen preferenssiaineiston mukaan nosti erillisen tarkkuuden 65,0 %:sta 68,6 %:iin, ja kriteerien uudelleenkirjoittaminen porsaanreikien sulkemiseksi leikkasi hyväksikäytön onnistumisen 46,4 %:sta 36,0 %:iin.

Kohdelkaa arviointikriteeristöä välineenä ja versioikaa se mallin mukana. Kirjatkaa kriteeristön teksti, päivämäärä ja arvioijan kokoonpano arvosanojen viereen ja testatkaa hyväksikäytettävyyttä erikseen yhdenmukaisuudesta: kirjoittakaa muutama vastaus, jotka täyttävät sanamuodon mutta rikkovat tarkoituksen, ja katsokaa, saavatko ne korkeat pisteet.

Katso myös: Sen tarkistaminen, toimiiko koulutuksellinen tekoäly

Lukututori auttoi, kun opiskelijat käyttivät sitä riittävästi

Yksi charter-koulu antoi jokaiselle ensimmäisen ja toisen luokan opettajalle fonetiikan ja sujuvuuden tutorin ja jätti käytön opettajan harkintaan. Paljon sitä käyttäneet opiskelijat hyötyivät enemmän kuin vähän käyttäneet, g = 0,56 suullisessa lukemisen sujuvuudessa. Vertailu runsaan käytön ja käyttämättömyyden välillä ei ylittänyt korjattua merkitsevyyskynnystä. Luokkien välinen ero tiivistyi kirjattuihin minuutteihin.

Kirjatkaa minuutit opiskelijaa kohden ensimmäisestä päivästä ja raportoikaa ne tuloksen vieressä. Jos loki on tyhjä, se on havainto käyttöönotosta, ei tutorista. Piirikunta, joka laskee lisenssejä käytön sijaan, näkee tasaisen tuloksen eikä opi mitään.

Katso myös: Sen tarkistaminen, toimiiko koulutuksellinen tekoäly

Copilot teki aloittelijoista nopeampia ja jätti heidät lähtöpisteeseen

Kaksikymmentäkaksi aloittelijaa ja keskitason ohjelmoijaa teki kaksi 20 minuutin koodaustehtävää, kerran ihmiskumppanin kanssa ja kerran Copilotin kanssa, ja toisti tehtävät sitten yksin noin viikkoa myöhemmin. Copilotin kanssa he saivat 14 pistettä enemmän 100 pisteen asteikolla ja raportoivat paljon matalampaa henkistä kuormitusta ja ponnistusta. Viikkoa myöhemmin etu oli poissa: uusintatestin pisteet olivat 4,8 pistettä matalammat, ei tilastollisesti merkitsevästi erilaiset, ja jokaisen henkilön pudotus ensimmäisestä istunnosta oli noin 19 pistettä suurempi tekoälyistunnon jälkeen.

Lisätkää ilman apua tehtävä uusintatesti mihin tahansa koodausavustajaan, jonka rakennatte tai ostatte. Luokassa näkemänne hyöty voi olla vuokrattua, ja se on suurin opiskelijoilla, jotka tiesivät jo eniten. Ihmisen kanssa pariutuminen tuotti tässä tutkimuksessa matalammat pisteet ja korkeamman kuormituksen mutta myös paremman sitoutumisen ja suuntauksen kohti pysyvämpää osaamista.

Katso myös: Tekoälyn suunnitteleminen oppimiseen

Tutkijoille

Tiukempi meta-analyysi puolittaa tutorointivaikutuksen

Leite ja kollegat yhdistivät 18 koetta, 77 vaikutuskokoa ja 11 älykästä tutorointijärjestelmää, joita käytettiin yhdysvaltalaisissa K–12-kouluissa. Keskimääräinen vaikutus osaamiseen oli g = 0,271, selvästi alle aiempien meta-analyysien raportoimien vaikutusten, koska tämä pysyi kokeellisissa asetelmissa yhdessä kansallisessa järjestelmässä. Ympäristöllä oli väliä: maaseutukoulut näyttivät g = 0,146, kaupunkikoulut 0,298. Myös tuen ohjauksella oli väliä: valmiit esimerkit 0,324 ja pyynnöstä saatavat vihjeet 0,316, ja kesto saavutti huippunsa kahdesta viikosta kolmeen kuukauteen (0,449) ennen kuin laski ei-merkitsevään 0,110:een yli kuuden kuukauden jälkeen.

Kohdelkaa vanhempia tutorointivaikutuskokoja optimistisina, kunnes tarkistatte tutkimusasetelman ja ympäristön. Raportoikaa moderaattorit yhdistetyn keskiarvon sijaan ja odottakaa maaseutukäyttöönoton heikon infrastruktuurin kanssa tuottavan noin puolet kaupunkivaikutuksesta. Kestokäyrä on seuraava testattava havainto: lähes mikään näyttö ei kata kokonaista vuotta.

Katso myös: Sen tarkistaminen, toimiiko koulutuksellinen tekoäly

GenAI auttaa kielenoppijoita eniten, kun se antaa palautetta, ei opetusta

Zhang, Aubrey, Wu ja Chiu yhdistivät 67 vaikutuskokoa 48 kontrolloidusta tutkimuksesta, joissa oli 5 196 oppijaa. Korjaamaton vaikutus oli suuri, g = 0,76, ja laski g = 0,57:ään, kun kolme poikkeavaa havaintoa poistettiin. Työkalun rooli selitti enemmän kuin keskiarvo: palaute ja arviointi saavuttivat g = 1,15, vuorovaikutuskumppani 0,81 ja opetuksellinen integraattori 0,28. Oppijan ohjaama käyttö voitti tekoälyn johtaman käytön, 0,92 vastaan 0,34. Satunnaistetut kokeet raportoivat suurempia vaikutuksia kuin kvasikokeet, 1,02 vastaan 0,48.

Kysykää, mikä rooli työkalulla on, ennen kuin kysytte, toimiiko se. Jos yhdistätte tutkimuksia, mallintakaa tutkimusasetelma moderaattorina, koska se liikuttaa estimaattia yhtä paljon kuin interventio. Kielen kurssilla palaute ja harjoittelu opiskelijan ollessa ohjissa on kokoonpano, jota näyttö suosii.

Katso myös: Sen tarkistaminen, toimiiko koulutuksellinen tekoäly

Mitä tekoälylukutaito tarkoittaa, riippuu opiskelijan iästä

Guo, Ali ja Wong lukivat 118 K–12-tutkimusta ja jakoivat kentän yhdeksään luokkaan ja 35 alaluokkaan. Heidän PACES-kehyksensä vaiheistaa tekoälylukutaitoa neljälle kouluasteelle sillä perusteella, että toisluokkalaisen tarvitsema tieto eroaa laadullisesti abiturientin tarvitsemasta. Heidän validoiduista mittareistaan tekemä auditointi löysi lähes kaiken kohdistuvan toiselle asteelle, eikä mitään, mikä mittaisi tekoälyn kanssa työskentelyn prosessia.

Rakentakaa mittari, joka tallentaa, mitä opiskelija tekee mallin kanssa: kysyykö hän jatkokysymyksen, tarkistaako väitteen vai muokkaako palautteen jälkeen. Testatkaa sitten, käyttäytyykö se eri tavoin neljällä asteella. Kunnes joku tekee niin, kehitysväite jää suunnitteluperiaatteeksi ilman näyttöä taustalla.

Katso myös: Tekoälylukutaidon näyttö

Hallinnolle

Lähes kaikki käyttävät tekoälyä työssä ja puolet ei ole nähnyt toimintaperiaatetta

EDUCAUSE kysyi 1 960 korkeakoulun työntekijältä vuonna 2026. 94 % oli käyttänyt tekoälyä työssä viimeisen kuuden kuukauden aikana, ja heistä 73 % käytti sitä päivittäin tai viikoittain. Vain 54 % tunsi toimintaperiaatteen, jonka oli tarkoitus ohjata sitä käyttöä, mukaan lukien vain 38 % johtajista. 56 % käytti työkaluja, joita heidän oppilaitoksensa ei tarjoa. 92 % oppilaitoksista sanoi, että niillä on tekoälystrategia, ja 13 % mittaa sen tuottoa.

Julkaiskaa toimintaperiaate siellä, missä ihmiset jo työskentelevät, ja laskekaa työkalut, joita ihmiset todella käyttävät, ennen kuin kirjoitatte seuraavan strategian. Kuilu sen välillä, mitä henkilökunta tekee ja mitä johtajat luulevat sallivansa, on hallintotapaongelma, ei koulutusongelma, eikä se näy strategia-asiakirjassa.

Katso myös: Tekoälytyökalujen käyttöönotto

Opettajat punnitsevat säästettyä aikaa menetettyä työtä vastaan

Dangol ja kollegat haastattelivat 22 opettajaa suuressa yhdysvaltalaisessa piirikunnassa, joka oli kannustanut generatiivisen tekoälyn käyttöön vuoden 2023 lopusta lähtien, useimmat heistä ilman piirikunnan laajuista luokkahuonetoimintaperiaatetta. Opettajat olivat iloisia päästessään eroon paperityöstä ja tuntisuunnittelusta. He pelkäsivät menettävänsä ne työn osat, jotka vaativat opiskelijan tuntemista: sen kommentin kirjoittamisen, joka osuu, tai sen päättämisen, mitä luokka tarvitsee seuraavaksi. Artikkeli kuvaa vaihtokauppaa, ei vastarintaa.

Nimetkää, mitä varten helpotus on ja mihin se pysähtyy. Piirikunnan, joka automatisoi arviointia tai tuntisuunnittelua, pitäisi sanoa, mitä työtä se poistaa, ja suojella työ, jota opettajat sanovat, etteivät he vaihda sitä. Jättäkää tilaa ammatilliselle harkinnalle sen sijaan, että lisäätte uuden pakollisen työkalun.

Katso myös: Tekoälytyökalujen käyttöönotto

Tylsät järjestelmät muuttavat oppilaitoksia eniten

Pardos ja Borchers väittävät, että opintosuoritusten siirto, ohjaus, opetussuunnitelmien luokittelu ja arviointien tuotanto merkitsevät enemmän kuin vastaanoton chatbot. Niiden yhteinen lanka on esitysmuoto. Muuttakaa kurssit, opetussuunnitelmat, todistukset ja oppimistiedot upotuksiksi, ja voitte tehdä päätöksiä, jotka olivat ennen liian kalliita yrittää, kuten toisen maan todistuksen arvioiminen kurssi kurssilta. Sama askel tekee virheistä vaikeampia nähdä.

Ennen ostoa nimetkää päätös, jonka järjestelmä muuttaa, ja henkilö, joka on vastuussa, kun se tekee sen päätöksen väärin. Auditointijälki ja valitusreitti merkitsevät enemmän kuin parempi malli, koska taustatoimiston virhe tavoittaa opiskelijat oppilaitoksen infrastruktuurin kautta, jota kukaan ei näe.

Katso myös: Sen tarkistaminen, toimiiko koulutuksellinen tekoäly

Maat lisäävät tekoälylukutaidon opetussuunnitelmaan eivätkä mittaa sitä

iRAISE-raportti perustuu jäsennettyyn katsaukseen ja Ranskan, Kanadan, Egyptin ja Qatarin toimintaperiaateasiakirjoihin. Hallitukset jakautuvat työkalujen skaalaamiseen ja rajoittamiseen, ja raportti kohtelee tekoälylukutaitoa digitaalisen ja medialukutaidon uusimpana kerroksena erillisen oppiaineen sijaan. Useimmat maat nimeävät medialukutaidon kehyksessä. Harvat vievät sen opetussuunnitelmaan, josta opettajat suunnittelevat, ja lähes mikään ei mittaa, saavatko opiskelijat sen.

Pankaa tekoälylukutaito asiakirjoihin, joita opettajat todella käyttävät, ja rahoittakaa arviointi, joka voi näyttää, paranivatko opiskelijat. Kansallinen kehys ilman opetussuunnitelmariviä ja ilman mittausta jättää työn yksittäisille kouluille, ja siinähän aukko jo on.

Katso myös: Tekoälylukutaidon sisällyttäminen

Muuta tällä viikolla lisättyä

Aikakauslehtisivu luettelee jokaisen tällä viikolla lisätyn tutkimuksen.

Sivuston muistiinpanot

Sivusto on laajentanut aihepiiriään tällä viikolla. Se sisältää nyt myös tekoälytutkimusta, joka ei käsittele kouluja tai yliopistoja mutta liittyy silti molempiin: Salvi ja kollegat siitä, miten keskusteleva malli voi muuttaa sitä, mitä ihminen uskoo, Folk ja Dunn chatboteista ja yksinäisyydestä ja Sim ja kollegat siitä, miten tekoälytiivistelmät vääristävät muistia. Ne tulevat mukaan viittauksina käsitesivuille, joita ne valaisevat, eivät väitteinä opetuksesta.

Tätä sivustoa ylläpitävä Hermes-tekoälyagentti siirtyi tällä viikolla uuteen muistijärjestelmään. Se toimii nyt Hindsightilla, joka säilyttää sen, mitä se oppii istuntojen välillä, sen sijaan että jokainen alkaisi tyhjästä.

Lähes jokainen käsitesivu ja UKK kirjoitettiin uudelleen tällä viikolla itsensä viittaavan tekstin poistamiseksi, kuten ilmaisuja ”tässä tietopohjassa” tai ”tämä sivu väittää”. Hermes-tekoälyagentti ajoi tekstin myös humanizer-osaamisensa läpi, joka poistaa tunnusmerkkejä, kuten pinotut määritteet ja otsikkoa toistavat lauseet. Artikkeli- ja käsitesivut noudattavat nyt yhtä rakennetta, samoja osioita samassa järjestyksessä, ja koontitarkistus epäonnistuu, kun sivu rikkoo sen.

Joitain uusia ominaisuuksia on suunnitteilla, kuten koulutuksellinen tehtäväpohjainen ohjaus ja pääsivujen multimedia-tiivistelmät. Ehdotuksia ja ominaisuuspyyntöjä otetaan vastaan GitHubin issue-lomakkeella.

Seuraa päivitystä

Saatte jokaisen numeron uutiskirjeen syötteestä syötelukijassa, liittämällä saman syötteen Blogtrottriin, jolloin uudet numerot lähetetään teille sähköpostitse valitsemallanne aikataululla, tai seuraamalla sitä LinkedInissä, jossa jokainen numero julkaistaan LinkedIn-uutiskirjeenä.

Viikoittainen AIEd-tutkimuskatsaus tulee Tekoäly koulutuksessa -tietopohjasta, jonka tuottaa Hermes-tekoälyagentti. Tämän numeron on luonnostellut sama Hermes-tekoälyagentti sivuston kehittäjän toimituksellisella ohjauksella, ja jokainen yllä oleva väite linkittää sivulle, josta se tuli.

Tietopohja on luovutettu julkiseen domainiin CC0 1.0-lisenssillä. Oikeuksia ei pidätetä.

Löysittekö sisällöstä ongelman? Ilmoittakaa siitä GitHubissa, tai ottakaa yhteyttä sivuston kehittäjään, Doug Holton.

Lähde Historia Muokkaa Keskustelu