Koje su kompetencije potrebne nastavnom osoblju u vezi s umjetnom inteligencijom?

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

Odbor za razvoj nastavnog osoblja ima jedno mjesto u siječnju, a prorektor želi da bude o umjetnoj inteligenciji. Ili vodite centar za poučavanje, a tri odjela traže „radionicu o umjetnoj inteligenciji“ koja se ispostavi da znači tri različite stvari. Ili te alate rabite godinu dana i želite znati što vam još nedostaje prije nego što oko njih preuredite kolegij.

Suština: tehnika pisanja poticaja najmanji je dio ovoga. Nastavno osoblje mora prosuditi što model može, a što ne može, oblikovati zadatke i provjere oko te prosudbe i znati kada ga u cijelosti držati izvan kolegija. Samopouzdanje je loš pokazatelj za sve to, pa program gradite oko izvedbe i oko disciplina, a ne oko demonstracije alata.

Kratka verzija

1. Definirajte kompetenciju u četiri dimenzije i dodajte nastavni sloj za svakoga ko ocjenjuje studente.

2. Vrednujte izvedbom, a ne anketom. Samoprocijenjena pismenost i pokazana sposobnost razilaze se.

3. Stavite discipline u prostoriju. Predmetna se stručnost ne prenosi na integraciju tehnologije.

4. Podučavajte tehnološke domene izričito, jer one mjere nisko čak i kod samouvjerenog osoblja.

5. Tretirajte „kada to ne rabiti“ kao kompetenciju i dajte osoblju pokriće da odbije.

Definirajte kompetenciju prije nego rezervirate prostoriju

Sinteza pismenosti u području umjetne inteligencije u bazi znanja prepoznaje četiri dimenzije, i one su koristan dnevni red jer svaka traži drukčiju vrstu sesije:

• Temeljno razumijevanje mogućnosti i ograničenja umjetne inteligencije.
• Praktična kompetentnost u upotrebi alata s umjetnom inteligencijom.
• Kritičko vrednovanje točnosti, pristranosti, primjerenosti i nesigurnosti.
• Etička i institucionalna svijest o pitanjima kao što su čestitost, privatnost, ravnopravnost i upravljanje.

Za nastavnike te dimenzije trebaju pedagoški sloj na vrhu. Nastavno osoblje treba moći odlučiti koji kognitivni rad studenti moraju zadržati, odabrati upotrebe umjetne inteligencije koje služe ciljevima učenja, oblikovati valjane provjere u doba umjetne inteligencije, poučiti studente da provjeravaju i reguliraju vlastitu upotrebu, prepoznati halucinacije, pretjerano oslanjanje i ulizivanje te znati kada ljudska prosudba treba nadjačati automatizaciju.

Trebaju i dovoljno razumijevanja sustava da procijene kako se tijekovi rada potpomognuti generativnom umjetnom inteligencijom uklapaju. Radionica koja podučava jedan alat izolirano proizvodi osoblje koje može demonstrirati alat i ne može reći što se lomi kad se on uključi u tijek ocjenjivanja. Nastavnička kompetencija za umjetnu inteligenciju i Razvoj nastavnog osoblja drže dulju inačicu tog argumenta.

Zapišite popis prije nego planirate sesije. Četiri dimenzije plus nastavni sloj dovoljni su da opravdaju četiri sesije umjesto jedne i dovoljni da predstojniku odjela kažete o kojoj od četiri njegov zahtjev zapravo govori.

Vrednujte izvedbu, a ne samopouzdanje

Samoprijavljena pismenost u području umjetne inteligencije može se znatno razlikovati od pokazane sposobnosti, što je najpraktičnije pojedinačno upozorenje u ovoj literaturi za svakoga ko vodi razvoj nastavnog osoblja. Anketa o samopouzdanju na kraju radionice mjeri kako se radionica osjećala.

Istraživanje višeagentskih tijekova rada nastavnika dodaje drugi razlog za testiranje umjesto pitanja: sustavno mišljenje, pedagoška uvjerenja i samodjelotvornost međusobno djeluju u integraciji umjetne inteligencije, pa ista sesija različito pada na dvoje članova osoblja iste predmetne pozadine. To govori u prilog diferenciranom programu i protiv radionice o alatu po jednoj mjeri za sve, koju većina ustanova provodi.

Jeftina inačica vrednovanja izvedbe jest zadatak, a ne instrument. Zamolite svakog sudionika da donese jedan zadatak, da ga tijekom sesije revidira s modelom i zatim obrani reviziju pred kolegom: što se promijenilo, što se sada ocjenjuje, za što se student više ne može ocijeniti. To traje dvadeset minuta i kaže više od bilo koje ljestvice procjene na kraju dana.

Očekujte da će slaba točka biti integracija

Nedavno istraživanje visokog obrazovanja brojkama pokazuje gdje je kompetencija nastavnog osoblja jaka, a gdje se lomi. Anketa među 127 članova osoblja na velikom američkom istraživačkom sveučilištu koja je rabila instrument TPACK-21 pronašla je visoko samoprocijenjeno pedagoško sadržajno znanje (M = 4,70) i sadržajno znanje blizu gornje granice (M = 5,15). Tehnološki integrirane domene bile su znatno niže: tehnološko pedagoško znanje (M = 2,62), tehnološko sadržajno znanje (M = 2,75) i holistički TPACK (M = 2,55, najniži od sedam).

Pročitajte taj jaz ispravno. To su ljudi koji znaju svoj predmet i znaju ga poučavati, a ne znaju kako model učiniti dijelom jednoga ili drugoga. Predmetna stručnost nije predviđala znanje o integraciji generativne umjetne inteligencije (korelacije sa sadržajnim znanjem r = 0,11 do 0,15, sve nisu bile značajne), pa program ne može pretpostaviti da se ovladanost predmetom prenosi. Kompetenciju mora graditi namjernim, disciplinski specifičnim radom.

Još jedan nalaz oblikuje dizajn. Tri tehnološki integrirane domene korelirale su r = 0,81 do 0,91, što upućuje na to da mogu funkcionirati kao jedna sposobnost integracije generativne umjetne inteligencije. Ako to vrijedi, podučavajte je kao jedan zajednički temelj, a ne kao tri zasebne vještine s tri zasebne sesije.

Oblikujte sesije oko stvarnog kolegija

Što obuka može, a što ne može, jasno se vidi u studiji unutar ispitanika s 13 nastavnika u visokom obrazovanju. Davanje chatbota nastavnicima značajno je poboljšalo kvalitetu njihova dizajna učenja, pri čemu je udio onih koji postižu dva ili više zadatka višeg reda po Bloomu porastao s 41,7% na 91,7% (p = 0,01). Doživljeni kognitivni napor oštro je pao, medijan 6,33 na 3,33 (p = 0,004). Pedagoška obuka o oblikovanju poticaja naslojena na to nije dodatno poboljšala kvalitetu i malo je povisila napor.

Iz toga slijede tri stvari, a treću programi preskaču.

Pristup lako mijenja nastavničko ponašanje. Dajte osoblju sposoban model i stvaran zadatak i rad pred njima poboljšava se unutar jedne sesije.

Dublja sposobnost traži više od radionice. Sloj poticaja dodao je napor i nikakvu izmjerenu kvalitetu. Poučavati ljude boljem pisanju poticaja vještina je, ali prema tim dokazima nije ograničenje boljeg dizajna.

Dobici u kvaliteti ne dokazuju da je praksa internalizirana. Trinaest nastavnika dobro je preuredilo jedan zadatak s otvorenim alatom. Jesu li to mogli i semestar kasnije, bez alata, drugo je pitanje i studija na njega ne odgovara. Ugradite praćenje u program, umjesto da pretpostavite da se dobitak zadržao.

Pokrijte dijelove uloge izvan poučavanja

Kompetencija je i institucionalno pitanje, a većina okvira odgovara samo na dio njega. Istraživanje temeljeno na dizajnu sa 114 sudionika iz 28 američkih ustanova i 11 zemalja dalo je šest standarda za tehnologiju u radu nastavnog osoblja koji pokrivaju cijelu akademsku ulogu: nastavnik, koordinator, voditelj, istraživač, učenik i suradnik. Razlog autora za njihovu izradu koristan je dio. Postojeći okviri (TPACK, SAMR) i standardi za edukatore (ISTE, UNESCO, DigCompEdu) obrađuju nastavnike od osnovne do srednje škole ili pokrivaju samo nastavnu dimenziju.

Za osobu koja vodi razvoj osoblja to preokreće zahtjev. Odjel koji traži radionicu o umjetnoj inteligenciji za svoje nastavnike pita o jednoj od šest uloga. Koordinatori istog odjela donose odluke na razini programa, njegovi istraživači pišu tim alatima, a njegovi voditelji odobravaju kupnje. Jedna sesija ne može poslužiti sve njih, a pretvaranje da može način je na koji program završi s visokom posjećenošću i nikakvom promjenom u praksi.

Napravite mjesta za odbijanje

Usvajanje se opire isključivo tehničkom okviru, a otpor je često prosudba, a ne praznina. Anketa među 287 nastavnika iz 27 zemalja dala je profinjeni model koji objašnjava 79,8% varijance u bihevioralnoj namjeri. Doživljena umjetna autonomija utjecala je na namjeru samo neizravno, preko korisnosti. Izbjegavanje rizika bio je značajan negativni prediktor (−0,163), a nastavnici su mnogo više brinuli o rizicima pretjeranog oslanjanja i čestitosti kod studenata nego o vlastitoj upotrebi.

Intervjui s dvoje iskusnih akademskih djelatnika opisuju kako ta briga izgleda iznutra: ponavljajuće napetosti identiteta između pedagogije i platforme, edukatora i facilitatora, skrbi i usklađenosti, kojima se upravlja načelnom selektivnošću utemeljenom u pedagoškim vrijednostima.

Zato kompetencija uključuje profesionalnu prosudbu o tome kada ne rabiti umjetnu inteligenciju, a program koji to ne može reći naglas čitat će se kao prodajna prezentacija upravo onom osoblju čiju prosudbu najviše želite u prostoriji. Dvoje iskusnih akademskih djelatnika mala je dokazna osnova za veliku tvrdnju; tretirajte nalaz o identitetu kao opis stvarne napetosti, a ne kao izmjereni učinak, i dopustite mu da oblikuje ton sesija.

Što voditelji razvoja osoblja pogrešno shvaćaju

Radionica o poticajima jest program kompetencija za umjetnu inteligenciju. Pokriva jednu od četiri dimenzije, a u studiji s 13 nastavnika sloj poticaja dodao je napor bez dodane izmjerene kvalitete.

Samouvjereno osoblje jest kompetentno osoblje. Samoprijava se razilazi s pokazanom sposobnošću, a anketa među 127 članova osoblja pronašla je sadržajno znanje blizu gornje granice uz holistički TPACK od 2,55. Samopouzdanje slijedi predmetnu stručnost, a to osoblje već ima.

Predmetni stručnjaci sami će razraditi integraciju. Sadržajno znanje nije predviđalo znanje o integraciji u toj anketi. Korelacija nije bila značajna, i to je nalaz koji opravdava disciplinski specifičan program, a ne općeniti poziv.

Jedan okvir pokrit će sve. Standard sa šest uloga postoji zato što TPACK, SAMR i glavni standardi za edukatore pokrivaju nastavnike od osnovne do srednje škole ili samo nastavnu dimenziju.

Otpor je praznina u znanju koju treba popuniti. Izbjegavanje rizika negativno je predviđalo namjeru, a rad o identitetu opisuje osoblje koje zaključuje iz pedagoških vrijednosti. Dio onoga što izgleda kao nevoljkost obranjivo je stajalište o pretjeranom oslanjanju studenata.

Što će vam se vratiti kao prigovor

„Nemamo vremena osoblja za razvoj temeljen na izvedbi.“ Tada ne gradite program. Izgradite jednu vježbu na razini zadatka: donesite zadatak, revidirajte ga s modelom, obranite reviziju. To je inačica od dvadeset minuta i daje dokaz o sposobnosti koji anketa o zadovoljstvu ne daje.

„Naše osoblje već rabi te alate, pa je obuka iza njih.“ Upotreba nije konstrukt. Anketa među 127 članova osoblja opisuje ljude s visokim sadržajnim i pedagoškim znanjem i niskim tehnološki integriranim znanjem, a studija s 13 nastavnika pokazuje da se kvaliteta dizajna mijenja s pristupom, dok sloj poticaja nije dodao ništa. Nijedan rezultat ne kaže da je osoblje pred vama bilo što integriralo.

„To je problem IT obuke.“ Model namjere stavlja korisnost, a ne tehničku sposobnost, na put usvajanja, a izbjegavanje rizika ide uz to. Prepreka je prosudba o studentima i o disciplini, zbog čega sesije pripadaju centru za poučavanje.

„Okviri kompetencija birokratski su trošak.“ Oni su karta za jedno mjesto u siječnju. Četiri dimenzije kažu što izostaviti, a šest uloga kaže kojemu je zahtjev zapravo namijenjen.

Što učiniti ovaj tjedan

1. Napišite četiri dimenzije i nastavni sloj na jednoj stranici i označite koje od njih pokriva vaša sadašnja ponuda.

2. Zamijenite obrazac zadovoljstva na kraju sesije jednim zadatkom: revidiranim i obranjenim zadatkom.

3. Zamolite dva odjela za stvarni kolegij i stvarni zadatak za rad, umjesto općenitog poziva.

4. Dodajte jedan segment o tome kada umjetnu inteligenciju držati izvan zadatka i recite jasno da je odbijanje određene upotrebe legitimna profesionalna prosudba.

5. Odlučite koju od šest uloga vaša sljedeća sesija služi i imenujte publiku u pozivu.

Kamo dalje

Studentski je pandan Ugrađivanje pismenosti u području umjetne inteligencije, a Dokazi o pismenosti u području umjetne inteligencije pokriva koliko je ta dokazna osnova jaka. Za sažetak istraživanja namijenjen nastavnicima pogledajte Deset glavnih nalaza o umjetnoj inteligenciji u obrazovanju za nastavnike; Nastavnička kompetencija za umjetnu inteligenciju i Razvoj nastavnog osoblja nose materijal okvira, a Politika upotrebe umjetne inteligencije na kolegiju dokument je koji većina tog razvojnog rada na kraju proizvede.