Kako AI agenti mogu poduprijeti studente i nastavnike?

Automatski strojni prijevod ove engleske stranice, koji još nije pregledao izvorni govornik.

Demonstracija dobavljača traje četrdeset minuta. Agent čita izvedbeni plan, sastavlja nacrt provjere znanja za sljedeći tjedan, označava troje studenata koji nisu otvorili tekst i nudi da im pošalje e-poštu. Vaš prorektor želi odluku o licenciji do kraja mjeseca.

Agent planira, poziva alate, drži kontekst, dijeli rad na podzadatke i prilagođava se kroz izmjene, što je više nego što čini chatbot. Studentske i nastavničke uloge koje to otvara stvarne su. Dokazi ne pokazuju da više autonomije proizvodi više učenja: u jedinoj ovdje izravno uspoređenoj studiji agent i chatbot bili su izjednačeni. Stavite autonomiju tamo gdje osoba provjerava rezultat, zadržite planiranje kod učenika i ocijenite kvalitetu poučavanja prema vlastitoj rubrici.

Kratka verzija

1. Imenujte posao prije proizvoda.

2. Počnite na nastavničkoj strani, gdje nastavnik već pregledava rad.

3. Tretirajte dodanu autonomiju kao trošak dok dokazi ne kažu drukčije.

4. Zadržite planiranje i prosudbu kod učenika, jer se zadatak radi upravo o njima.

5. Ocijenite agenta prema svojoj rubrici i zakažite samostalnu provjeru prije kraja pilota.

Odaberite posao prije nego odaberete agenta

Agentic Workflows in Education imenuje četiri ponavljajuće sposobnosti: refleksiju, planiranje, upotrebu alata i višeagentsku suradnju. Svaka uz mogućnost dodaje i trošak, u tumačivosti, koordinaciji, povjerenju, latenciji i nadzoru.

Studentske uloge protežu se od prilagodljivog poučavanja i planiranja učenja preko formativne povratne informacije, vođenog rješavanja problema i generiranja vježbe do preporuka preduvjeta i refleksivnog metakognitivnog oblikovanja poticaja. Nastavničke uloge pokrivaju razvoj materijala, generiranje pitanja i njihovu provjeru, trijažu povratnih informacija, analitiku kolegija, dizajn poučavanja, dohvaćanje resursa i orkestraciju specijaliziranih podagenata.

Dvije su od njih sigurnije u ranoj fazi, jer obje proizvode artefakt koji osoba pročita prije studenata: generator pitanja uparen s validatorom i nacrt koji nastavnik uređuje.

Počnite tamo gdje čovjek već provjerava rad

Tutor CoPilot, prvo randomizirano kontrolirano ispitivanje sustava čovjeka i umjetne inteligencije u poučavanju uživo, dao je tutorima početnicima smjernice u stvarnom vremenu izvedene iz zaključivanja iskusnih tutora, na 900 tutora i otprilike 1.800 studenata. Studenti tutora s pristupom imali su 4 postotna boda veću vjerojatnost ovladati temama, što se popelo na 9 bodova kod najslabije ocijenjenih tutora, čiji su studenti sustigli studente bolje ocijenjenih tutora u kontrolnoj skupini. Stajalo je oko 20 dolara po tutoru godišnje, a analiza više od 550.000 tutorskih poruka pokazala je da tutori prelaze s davanja odgovora na postavljanje usmjeravajućih pitanja. To je umjetna inteligencija koja pojačava nastavnika.

Agent nije poučavao studenta. Hranio je čovjeka usred razgovora, a čovjek je odlučio što reći. Osoba u petlji i ishod blizak samom radu ono je što rezultat čini prenosivim na drugi kolegij.

Ne pretpostavljajte da više autonomije kupuje više učenja

Studija sa 130 studenata na kolegiju o e-trgovini pronašla je da su i chatboti i agenti s generativnom umjetnom inteligencijom ocijenjeni više od tradicionalnog e-učenja po učenju i personalizaciji, bez značajne razlike između chatbota i agenta. Dodana autonomija, nikakva dodana vrijednost na tim mjerama.

Okvir te studije tretira agente kao ograničene partnere u učenju pod ljudskim nadzorom, s ciljevima, kontrolnim točkama i konačnim odlukama prepuštenim ljudima. Beyond the Agent Label od toga pravi pravilo upravljanja: autonomija ne smije premašiti zrelost dokaza ni snagu odgovornog ljudskog nadzora, a dokazi su najjači za ishode na razini artefakta, a najslabiji za trajno učenje i ravnopravnost.

Rizik na strani učenika ide u istom smjeru. Agent koji planira i prati umjesto studenta uklanja praksu koja gradi samoregulaciju i poziva na rasterećenje. Smjernice najbolje prakse traže namjerno trenje, postupnu potporu koja se povlači i ljudski nadzor. Produktivno trenje ima radne primjere. Agenti konstruktivnog sukoba koji se spore sa slabim dizajnom poboljšali su rezultate dizajna u pregledanim istraživanjima. Simulirani vršnjaci podupiru suradničko učenje i sokratsko propitivanje, a kliničke simulacije omogućuju učenicima da uvježbavaju tamo gdje je pogreška jeftina.

Test za svaku od njih: što student nakon sesije može učiniti što je prije toga činio agent? Predaja prosudbe studenta košta vježbe u njezinoj upotrebi.

Provjerite agenta prema vlastitoj prosudbi

Osam AI nastavnih agenata raspoređenih kroz medicinski kurikulum dobilo je različit rang prema rezultatima koje je generirala platforma i prema neovisnoj stručnoj rubrici. Agent koji je na platformi bio treći završio je posljednji po kvaliteti poučavanja. Rezultati platforme indeksiraju uspješnost studenata, koja se mijenja iz razloga koji nemaju veze s poučavanjem.

Pitajte što broj na nadzornoj ploči broji, ko je napisao rubriku iza njega i kako bi nizak rezultat izgledao u studentskom radu. Pedagoška sigurnost pripada istoj reviziji, jer lanac agenata otežava reći koja je komponenta odgovorna kad je odgovor pogrešan.

Planirajte isključivanje

Randomizirana ispitivanja pokazuju da kratka pomoć umjetne inteligencije može sniziti kasniju samostalnu izvedbu, a interval nakon povlačenja, kognitivno ispiranje, gotovo je posve nemjeren. Sinteza na kojoj počiva ova stranica oslanja se na pregled opsega 474 studije i nalazi da je rad koncentriran u visokom obrazovanju, STEM područjima, kratkoročnim nacrtima i poučavanju temeljenom na tekstu, a samo je manjina izričito utemeljena u obrazovnoj teoriji. Pilot koji završava kad završi licencija izmjerio je pogrešan prozor.

Što administratori o tome pogrešno shvaćaju

Agent je nadograđeni chatbot, pa bi se nadogradnja trebala vidjeti u ishodima. U usporedbi sa 130 studenata oba uvjeta s umjetnom inteligencijom nadmašila su e-učenje, a nijedan nije nadmašio drugi.

Nadzorna ploča rangira kvalitetu poučavanja. Ona rangira uspješnost studenata, a osam agenata dalo je poredak koji je preokrenuo treće i posljednje mjesto u odnosu na stručnu rubriku.

Autonomija je značajka koju treba kupiti. Pravilo proporcionalnosti ide u suprotnom smjeru, a dokazi su najtanji tamo gdje je autonomija najveća.

Pristup zatvara jaz u ravnopravnosti. Nejednak pristup sposobnim agentskim sustavima može ga proširiti, a agent reproducira pristranost podataka za obuku na velikoj skali.

Što će vam se vratiti kao prigovor

„Studenti će jednostavno pustiti da to odradi posao.“ Neki hoće, a arhitektura odlučuje koliko je to lako. Agenti koji planiraju i pišu nacrt umjesto studenta na to pozivaju. Agenti koji zahtijevaju pokušaj, a zatim postavljaju pitanje, ne pozivaju.

„Dobavljačeva evaluacija kaže da radi.“ Pitajte što taj broj broji. Ako je to uspješnost studenata koju mjeri platforma, mjeri studente jednako kao i agenta.

„Nitko ne može reći koji je agent odgovoran u lancu.“ To vrijedi za većinu sadašnjih implementacija. Imenujte vlasnika lanca, bilježite koja je komponenta proizvela koji rezultat i držite ljudsku kontrolnu točku prije nego išta dođe u studentski dosje.

Što učiniti ovaj tjedan

1. Napišite posao i ishod po kojem ćete ga prosuditi, po jednu rečenicu za svako, prije sljedećeg razgovora s dobavljačem.

2. Ocijenite rezultat jednog agenta prema svojoj rubrici na deset primjera stvarnog studentskog rada i sačuvajte ocjene.

3. Dodajte samostalan zadatak s datumom i odgovornom osobom u plan pilota.

Kamo dalje

Razvoj AI tutora pokriva studentsku izgradnju od cilja do ljestvice pomoći, a Metode vrednovanja intervencija s umjetnom inteligencijom pokriva je li stvar funkcionirala. Inteligentno poučavanje i pismenost u području umjetne inteligencije daju rječnik dizajna koji ova stranica pretpostavlja.