Kojih je 10 najvažnijih nalaza istraživanja umjetne inteligencije u obrazovanju koje bi nastavnici trebali znati?

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

Tjedan je prije početka nastave ili tjedan nakon prvog velikog predanog rada, i netko vas je pitao nešto na što ne možete odgovoriti iz iskustva: što studenti smiju raditi s umjetnom inteligencijom na ovom zadatku i što ocjena zatim dokazuje. Možda je esej pisan kod kuće vraćen uglađen na način koji se ne podudara s ranijim radom studenta. Možda vaš odjel piše politiku o umjetnoj inteligenciji i želi da vaš kolegij bude usklađen do petka. Možda se student žali na ocjenu, a vi ne možete pokazati što rad dokazuje.

Glavni zaključak istraživanja koje je ova baza znanja prikupila jest sljedeći: način na koji ugradite generativnu umjetnu inteligenciju u aktivnost odlučuje hoće li ona ojačati mišljenje ili ga zamijeniti. Poluga koju kontrolirate jest dizajn zadatka. Test svakog dizajna je ono što studenti još mogu učiniti kad alat nije prisutan. Deset nalaza po kojima ova stranica nosi ime nalazi se u nastavku, poredano prema odluci kojoj svaki od njih služi.

Kratka verzija

1. Imenujte mišljenje koje zadatak postoji da bi proizveo, a zatim dajte umjetnoj inteligenciji posao koji to mišljenje ne obavlja.

2. Postavite pravilo o umjetnoj inteligenciji po zadatku, a ne po kolegiju, i napišite razlog uz njega tamo gdje će ga studenti čitati.

3. Stavite barem jedan ocijenjeni korak u svaku cjelinu koji student dovršava bez prisutne umjetne inteligencije.

4. Procijenite aktivnost po tome što studenti mogu učiniti tjednima kasnije, bez pomoći, a ne po kvaliteti onoga što predaju.

5. Pitajte kako su studenti rabili alat i ocijenite provjeru, a ne prijave u sustav.

6. Pogledajte kojim studentima dizajn pomaže, jer prosjek skriva one koje isključuje.

Odlučite čemu zadatak služi

Napišite jednu rečenicu koja imenuje sposobnost prije nego što uopće dotaknete alat: što bi student trebao moći učiniti na kraju ove cjeline što nije mogao na početku? Odgovor može biti: izgraditi argument iz dokaza, napisati matematički dokaz, doći do dijagnoze, donijeti dizajnersku odluku pod ograničenjima. Ako to ne možete imenovati, pravilo o umjetnoj inteligenciji bit će proizvoljno i studenti će to primijetiti.

Dvije linije rada objašnjavaju zašto je to prvo. Produktivni neuspjeh nalaz je da učenici često zadržavaju više kad pokušaju riješiti problem prije nego što im se pokaže kako, pa je trenje ponekad mehanizam, a ne prepreka koju treba ukloniti. ICAP okvir predviđa različito učenje iz pasivne, aktivne, konstruktivne i interaktivne upotrebe istog materijala. Oba upućuju na jedno dizajnersko pitanje: što student radi dok je alat otvoren?

Najjasnija ilustracija u korpusu dolazi iz usporedbe chatbota vođenog teorijom koji je uz postupnu potporu vodio objašnjenja studenata s običnim ChatGPT-om i nastavom kao i obično. Neposredne razlike nisu bile značajne. Četiri tjedna kasnije, skupina s postupnom potporom zadržala je više konceptualnog znanja. To je jedna studija, a ne univerzalni učinak, i njezin koristan sadržaj jest oblik rezultata: dizajn može nadjačati sposobnost modela, jer ono što je razdvajalo uvjete bilo je ono što je aktivnost od studenata tražila.

Sustavni pregled 72 recenzirane studije računalnog obrazovanja dolazi do istog sloja iz suprotnog smjera. Pregled kritično bavljenje izlazom umjetne inteligencije naziva „zajedničkim mehanizmom koji povezuje svaku djelotvornu intervenciju u korpusu“ i preporučuje postupno otvaranje pristupa, uvođenje generativne umjetne inteligencije tek nakon što je pokazana temeljna kompetencija. Nijedna tvrdnja ne govori o tome koji proizvod licencirate.

Dajte umjetnoj inteligenciji posao koji nije mišljenje koje ocjenjujete

Desetljeća istraživanja inteligentnog poučavanja opisuju obrazac koji djeluje: dijagnosticirati što student razumije, postavljati pitanja, davati postupne nagovještaje, tražiti objašnjenje, davati povratnu informaciju. Sve osim predaje rješenja. Suvremeni rad na pedagoškim agentima povlači istu granicu između nastavnog ponašanja i proizvodnje odgovora, a analogija s Thermomixom to čini konkretnim. Jedan uređaj može skuhati umjesto vas, pri čemu gubite vještinu, ili može djelovati kao partner za testiranje ideja koje još morate razumjeti. Ti načini preslikavaju se na ICAP: pasivno, aktivno, konstruktivno, interaktivno.

Alati uskog opsega pokazuju isto načelo. Poučavatelj koji strukturno čita inženjerske dijagrame postigao je 93,0% F1 na razini veza nasuprot 89,3% točnosti cijelog dijagrama, što znači da može imenovati određene veze koje nedostaju ili su pogrešno pročitane čak i kad je cijeli dijagram pogrešan. To je povratna informacija na koju student može djelovati, umjesto prolaza ili pada.

Teže je pitanje što poučavatelj smije preporučiti. Kad je rasprava više agenata zamijenila „evo odgovora umjetne inteligencije“ raspravom čije je vlastito preferirano stajalište zadržano, štetno prebacivanje na netočno stajalište umjetne inteligencije palo je s 42 do 60,5% na 5,7 do 8,2%. Prihvaćanje točnog stajališta umjetne inteligencije također je palo, sa 61,1 do 72,3% na 22,1 do 33,3%. Zadržavanje preporuke štiti početnu prosudbu studenta i prepušta ispravak promišljanju, pa dizajn razmjenjuje ispravljanje pogrešaka za manje sigurnih pogrešnih skretanja. Odlučite što od toga dvoje želite iz razmjene prije nego što napišete upit.

U nastavi je to jeftino provesti. Sokratski slijed je obrazac kojem težite, pri čemu alat pita, a ne odgovara. Recite studentima da traže „jedan nagovještaj“, „postavi mi pitanja“ ili „kritiziraj moje zaključivanje“, a „riješi ovo“ učinite neuobičajenim slučajem. Mijenjate zadani glagol interakcije, a to je dio koji studenti doista kontroliraju.

Jedno ograničenje vrijedi reći izravno. Većina tih dokaza dolazi iz kratkih zadataka na nekolicini kolegija i nijedan ne obećava da će poučavatelj koji daje nagovještaje podići rezultate ispita u vašoj grupi. Za to pitanje trebate randomizirano ispitivanje o kojemu se govori u nastavku, a njegov je rezultat trijezan.

Postavite pravilo na zadatku i recite zašto

Koristan okvir razdvaja tri slučaja. Ograničite umjetnu inteligenciju kad mjerite samostalnu kompetenciju. Pružite joj postupnu potporu kad ograničena pomoć ne ugrožava tu kompetenciju. Zahtijevajte je kad je vješta suradnja čovjeka i umjetne inteligencije sama po sebi ono što studenti moraju naučiti. Većina kolegija sadrži sva tri slučaja, u različitim tjednima, i zato jedno pravilo na razini kolegija stalno pada na rubovima.

Studija mješovitih metoda na 85 studenata nastavničkih studija pokazuje što proizvodi pravilo bez razloga. 62,4% uzorka odbilo je rabiti generativnu umjetnu inteligenciju čak i tamo gdje je bila dopuštena, a 41,5% onih koji su odbili navelo je strah od optužbe za plagijat. 9 od 11 intervjuiranih percipiralo je permisivnu politiku kao zamku. U istoj studiji samo je 37,6% uopće rabilo dopuštenu generativnu umjetnu inteligenciju, njihovi su izbori slijedili kulturu programa i dizajn vrednovanja više nego dopuštenje ijednog kolegija, a njihove vlastite izjave o prijavi podcjenjivale su stvarnu upotrebu u svakom kolegiju.

Čitajte te brojeve kao kratak opis dizajna. Dopuštenje bez navedene svrhe izgleda kao namještaljka, a zabrana bez navedene svrhe izgleda kao prepreka koju treba zaobići. Ono na što studenti reagiraju jest obrazloženje priloženo ovom zadatku. Stavite pravilo u uputu za zadatak, u jedan redak, i učinite ga dovoljno određenim da student može prosuditi ugrožava li pomoć koju će prihvatiti upravo ono što ocjenjujete.

Ocijenite nešto što je student izradio bez alata

Ovo je korak koji obavlja posao, a dokazi su ovdje najmanje dvosmisleni na ovoj stranici.

Pregled 72 studije utvrdio je da je generativna umjetna inteligencija pouzdano podigla kratkoročno dovršavanje i skratila vrijeme na zadatku u 36 studija, što autori smatraju najbolje repliciranim rezultatom u korpusu, a ti se dobici u učinkovitosti „ne prenose na samostalnu izvedbu“ u 21 studiji. Studija razmišljanja naglas na 38 studenata pokazuje kako se to događa u uobičajenom slučaju. Kognitivno rasterećenje najteže pogađa učenje kad umjetna inteligencija obavlja zaključivanje koje je student trebao vježbati. Tu je 76,32% ostalo u obrascu jednog poteza, pitaj, odgovori, prestani, a samo je 21,06% izmjenjivalo upotrebu umjetne inteligencije sa samostalnim čitanjem i pisanjem. Najveća skupina, 31 od 38, opisala je ciljeve ovladavanja, radila u fragmentiranim pojedinačnim potezima i zatim prijavila pretjerano oslanjanje, mentalnu samodopadnost i brzo zaboravljanje; jedan je to opisao riječima „brzina kojom to zaboravite također je vrlo velika“. Rad okvira iz 2026. daje tom obrascu ime. Ocjene i proizvodi rastu dok mentalni rad koji proizvodi trajno učenje pada.

Randomizirano ispitivanje rješava raspravu za barem jedno okruženje. Randomizirano ispitivanje s tri kraka na 275 studenata CS1 usporedilo je poučavatelja koji daje nagovještaje i zadržava cijela rješenja, neograničeni ChatGPT i tradicionalne mrežne izvore. Rezultati na vježbama jasno su se razdvojili: 71,84% za ChatGPT nasuprot 29,85% za kontrolnu skupinu bez umjetne inteligencije, s poučavateljem koji daje nagovještaje na 57,50%. Dobici u konceptualnom znanju nisu se nimalo razlikovali među trima kracima, i to na 0,83, 0,71 i 0,85 bodova (vrijeme × skupina p = 0,773). Oba uvjeta s umjetnom inteligencijom smanjila su frustraciju i suvišno opterećenje, a samo je poučavatelj koji daje nagovještaje podigao unutarnju motivaciju. Alat koji su studenti ocijenili korisnijim i lakšim bio je i onaj koji je najviše smanjio obradu koja proizvodi učenje.

Obratite pozornost na to što taj dizajn ne može poduprijeti. Riječ je o jednom kolegiju, jednom semestru, jednom jeziku, a rezultati na vježbama po konstrukciji su izvedba s pomoći, što je upravo mjera kojoj studija savjetuje ne vjerovati. Ona ne pokazuje da su poučavatelji beskorisni. Pokazuje da ishod koji odlučite mjeriti odlučuje o odgovoru koji ćete dobiti i da sklonost studenata nije mjera učenja.

Zato ocijenite verziju bez pomoći. Jedan zadatak po cjelini u kojemu studenti dosjećaju, objašnjavaju, rješavaju ili brane ideje bez prisutne umjetne inteligencije, i dajte mu stvarne bodove. Argument valjanosti koji stoji za tim nalazi se u valjanosti vrednovanja: uglađen proizvod pisan kod kuće više ne pokazuje da osoba koja ga je predala ima kompetenciju koju proizvod pokazuje. Redizajn vrednovanja u doba umjetne inteligencije razrađuje cijelu arhitekturu, uključujući jeftin autentificirani korak za velike grupe.

Mijenjajte zadatak koji već imate, a ne cijeli kolegij

Većina nastavnika koji postavljaju ovo pitanje ne gradi novi kolegij. Imaju seminarski rad, izvješće iz laboratorija ili skup zadataka koji djeluje godinama i žele znati gdje postaviti šav. Rastavite zadatak korak po korak, pitajte za svaki korak što tu procjenjujete i pustite da odgovor postavi granicu. To je metoda na razini zadatka dokumentirana u McCorkleovu radu o usklađenoj politici kolegija, i jedan prolaz kroz vaš najsporniji zadatak obično je dovoljan da vidite njegov oblik.

Seminarski rad od deset stranica obično se razdvaja ovako. Odabir teme i pronalaženje izvora mjesta su na kojima živi prosudba, pa je alat koji predloži tezu ili sastavi popis literature obavio dio koji ocjenjujete. Sinteza i argument sami su konstrukt. Oblikovanje citata, provjera referencija i jezično uređivanje koraci su u kojima je upotreba alata nevidljiva za vaš konstrukt, i zabranjivati je tamo ne donosi ništa osim ogorčenja. Recite to u uputi za zadatak, korak po korak, u kratkoj tablici ako želite.

Zatim učinite srednji korak vidljivim. Zatražite jednostranično obrazloženje s bilješkama, predano uz rad, koje imenuje dva izvora koja je student odbacio i zašto, jednu tvrdnju koju je revidirao nakon provjere i mjesto na kojemu je odlučio ne slijediti neki prijedlog. Ocijenite ga istom određenošću koju rabite za tekst. Obrazloženje nosi težinu samo ako student koji ga preskoči izgubi više nego što dobije preskakanjem, pa mu dajte dovoljno bodova da računica bude očita.

Skup zadataka je lakši i šav sjedi na drugom mjestu. Odgovori nisu konstrukt; odabir metode i dijagnoza pogreške jesu. Zahtijevajte prvi korak svakog zadatka, studentovim vlastitim riječima, prije nego što se otvori ikakav alat, i riješite jedan zadatak iz skupa u nastavi bez ikakvih dostupnih sredstava. To je manja promjena nego što zvuči i pretvara skup iz proizvoda koji ne možete provjeriti u zapis o tome kako je student mislio.

Za izvješće iz laboratorija šav je obično interpretacija podataka i analiza pogreške. Neka alat oblikuje tablicu i provjeri mjerne jedinice. Zadržite interpretaciju, odabir onoga što se računa anomalijom i objašnjenje neslaganja s očekivanim rezultatom u studentskim rukama, i ocijenite to s pridruženim bodovima.

Obrazac se poopćava: locirajte korak u kojemu živi sposobnost, zaštitite taj korak, oslobodite ostalo i stavite dokaze o procesu tamo gdje su bodovi. Ono što izbjegavate jest redizajn koji mijenja način na koji rad nastaje, a ne mijenja ono što ocjena može poduprijeti.

Procijenite alate za povratnu informaciju i ocjenjivanje po kasnijoj izvedbi

Povratna informacija umjetne inteligencije može biti pravodobna, određena, skalabilna i prihvatljiva studentima, uključujući visoko obrazovanje. Poučava li, ovisi o točnosti, pedagoškoj prikladnosti i pismenosti studenata o povratnim informacijama, njihovoj sposobnosti da procijene povratnu informaciju i djeluju po njoj. Ako je razmatrate za povratnu informaciju ili ocjenjivanje, brojevi u nastavku oni su koje treba donijeti na razgovor o nabavi.

Kritička analiza 14 dokumenata institucijskih smjernica utvrdila je da generički upiti proizvode ishode, aktivnosti i vrednovanja u izolaciji. Alat ne može znati koliko je neka tema međusobno povezana, pa njegova povratna informacija ostaje općenita umjesto dijagnostički precizna.

Konfiguracija mjerljivo pomiče kvalitetu. U studiji povratne informacije umjetne inteligencije o ciljevima učenja sam je model objasnio 26,9% varijacije u kvaliteti povratne informacije, a dodavanje upita podiglo je to na 42,8%, dodatnih 15,9%. Jedina značajna značajka upita bila je strukovna terminologija; zamjena svakodnevnim parafrazama učinila je povratnu informaciju znatno lošijom. I odabir modela bio je važan: Claude 3 i Gemini Advanced proizveli su znatno slabije ocijenjenu povratnu informaciju od ChatGPT-4.

Ocjenjivanje je još klimavije. Usporedba 18 jezičnih modela koji su ocjenjivali 6.081 studentsko programsko rješenje našla je prosječne ocjene od 0,290 do 0,608 ovisno o modelu, sa stopama potpunog slaganja od samo 0,20 kod nekih do najbolje 0,74. Dva studenta s identičnim radom mogu biti ocijenjena različito ovisno o tome koji je model odjel licencirao.

Zatim je tu pitanje do kojega je studentima stalo, a to je mijenja li povratna informacija ono što mogu kasnije. Semestralna primjena na preddiplomskom kolegiju matematike s 343 studenta koji govore engleski i 236 koji govore nizozemski generirala je individualizirane komentare i vježbe iz fotografiranih listova s odgovorima. Ocjenjivači su najbolje ocijenili vježbe, a najslabije dijagnostičku određenost i jasnoću. Randomizirani križni nacrt na povezanim ispitnim pitanjima nije našao statistički značajnu razliku nakon prilagodbe (pHolm = 0,104), a pohađanje nastave pratilo je ispitne rezultate mnogo jasnije od izloženosti povratnoj informaciji (ρ = 0,49 i 0,54, oba p < 0,001). Povratna informacija koju studenti cijene i po kojoj djeluju nije isto što i povratna informacija koja proizvodi mjerljivo učenje.

Postoji i daljnja zamka ako pustite model da ocjenjuje. U studiji 1.426 psiholoških disertacija kroz deset akademskih godina sva četiri ocjenjivača umjetne inteligencije najniže su ocijenila radove koje su pisali studenti, a najviše radove koje je napisala umjetna inteligencija. 10 od 16 usporedbi bilo je dovoljno veliko da su razlike te veličine rijetke u obrazovnim istraživanjima, sve do najvećeg zabilježenog jaza, a pristranost je bila najjača kod potpuno generiranog teksta. Ocjenjivač može nagraditi tekst zato što je sličan stroju, čak i kad njegove upute kažu da prosudi sadržaj.

Razdvojite studente kojima dizajn pomaže od onih koje isključuje

Prosječno poboljšanje može sakriti kolegij u kojemu jaki postaju jači, a slabi prolaze gore. Digitalni jaz sada ide barem trima linijama: pristup alatima, vještina njihove upotrebe i to tko doista dobiva koristan rezultat. Sama vještina oblikovanja upita proizvodi „privilegij upita“ u kojemu iskusniji korisnici dobivaju bolji izlaz iz istog sustava.

Pregled 72 studije razdvaja dva mehanizma. Jaz u vještini pojavljuje se kad studenti s jačim prethodnim znanjem pretvaraju pomoć u trajne dobitke, dok nedovoljno pripremljeni studenti njome zamjenjuju vježbu. Jaz u resursima pojavljuje se kad pouzdan internet i plaćeni pristup podupiru bolju upotrebu alata u ustanovama. Samo šest studija u korpusu izravno je ispitivalo pravičnost, što autori smatraju problemom, a ne fusnotom; pravičnost u obrazovanju s umjetnom inteligencijom mjesto je na kojemu se taj argument razvija.

Pomoć može zatvoriti jaz kad su studenti kojima je potrebna oni koji se uključe. Studija sa četiri eksperimenta o učenicima koji uz pomoć agenta umjetne inteligencije otkrivaju skrivena pravila našla je da je pomoć smanjila potrebne poteze za 33 do 52%, a korist se koncentrirala kod najslabijih izvođača, dok su jači učenici uglavnom bili pošteđeni. To je optimistična verzija, i ovisi o tome da su studenti kojima je pomoć najpotrebnija oni koji je dobro rabe, što jaz u vještini upućuje na to da neće uspjeti bez poučavanja.

Zadržite posljedične odluke kod osobe

Pismenost nastavnika u području umjetne inteligencije nije ondje gdje politika pretpostavlja. Među nastavnicima prirodoslovnih predmeta koji su već završili obuku o umjetnoj inteligenciji prosječna pismenost u području umjetne inteligencije bila je 16,7 od 30, ispod 18,79 referentnog uzorka, i nije bila povezana s dobi, rodom, godinama radnog staža ni s tim koliko su umjetnu inteligenciju rabili. Istraživanje na 412 budućih nastavnika matematike našlo je spremnost u ranoj fazi, s nastavnim uvjerenjima najvišima na prosjeku 5,24 na ljestvici od 7 bodova i tehničkim znanjem o umjetnoj inteligenciji najnižim na 4,23.

To je argument za ograničene alate, a ne autonomne. Analiza dokumenata smjernica predlaže institucionalno konfiguriranog agenta s dohvatom proširenim koji vodi mišljenje bez davanja odgovora, označava neusklađenost i eskalira osobi na rubovima, s ovlastima opisanima kao „izvedena i ograničena“. Postoji izravan dokaz za zadržavanje ljudi u petlji, a ne ispred nje: sustav za generiranje materijala kolegija ocijenjen je bolje kad su ljudi ostali uključeni, pri čemu je način s najviše ljudskog unosa poboljšao ocjene ocjenjivača za 0,5 do 0,9 bodova u odnosu na potpuno autonomni način. Njegovi autonomni ocjenjivači tijesno su se grupirali oko 2,9 do 3,1, dok su se ljudski ocjenjivači raširili i razlikovali više, pa su autori zadržali ljudsku prosudbu kao primarni signal kvalitete.

Praktična verzija za kolegij: pustite umjetnoj inteligenciji da skicira, razvrsta i označi. Točnost, pravičnost, privatnost i svaku odluku o napredovanju studenta zadržite pod smislenim ljudskim nadzorom. Rizici koji to čine nužnim uobičajen su skup: pristranost, privatnost, transparentnost, autonomija učenika, odgovornost i pedagoška sigurnost. Taj popis razlog je zašto je pedagoška kompetencija za umjetnu inteligenciju važnija od tehničke upućenosti.

Što nastavnici o ovome pogrešno shvaćaju

„Uglađen rad preda mnom dokaz je da student to može.“ To je dokaz da je rad uglađen. Raspon od 71,84% prema 29,85% na rezultatima vježbi, s ravnim konceptualnim dobitkom u istom ispitivanju, i 36 studija u pregledu koje su našle učinkovitost bez prijenosa, sve to opisuje udaljenost između izvedbe s pomoći i sposobnosti. Ako je proizvod jedino što ocjenjujete, proizvod je sve što ste izmjerili.

„Ako je umjetna inteligencija poučavatelj, na pravoj je strani granice.“ Naziv ne nosi jamstvo. U ispitivanju CS1 poučavatelj koji daje nagovještaje izbjegao je štetu koju je neograničeni ChatGPT prouzročio na vježbama i ipak nije proizveo konceptualnu prednost pred nikakvom umjetnom inteligencijom. Zadržati konačni odgovor nije isto što i zadržati zaključivanje, a poučavatelj može činiti drugo dok izgleda da čini samo prvo.

„Detektor ili strože pravilo rješava problem čestitosti.“ Otkrivanje se bavi jednim odgovorom od nekoliko. Studija na studentima nastavničkih studija našla je da je strah od optužbe potisnuo dopuštenu upotrebu, da je kultura programa bolje predviđala ponašanje od ijedne politike kolegija i da su samoprijave podcjenjivale upotrebu u svakom kolegiju. Strože pravilo mijenja ono što studenti prikrivaju, a ne ono što nauče.

„Jedno pravilo na razini kolegija pravednije je i jednostavnije.“ Jednostavnije, da. Dokazi idu u prilog pravilima postavljenima po zadatku, jer tri slučaja, ograničiti, potpomoći i zahtijevati, koegzistiraju u većini kolegija i isto dopuštenje znači različite stvari u izvješću iz laboratorija i u osvrtu. Sveobuhvatna stajališta i jesu ona koja studenti najlakše zaobilaze.

„Studenti koji kažu da alat pomaže uče iz njega.“ Zadovoljstvo je mjera samoprijave, a u ispitivanju CS1 najbolje ocijenjeni uvjet bio je onaj koji je najviše smanjio obradu koja stoji za učenjem. Primjena u matematici našla je istu podjelu: povratna informacija koju su studenti cijenili, bez značajne razlike na ispitu.

„Pismenost u području umjetne inteligencije je vještina upita, a studenti je steknu upotrebom alata.“ Okviri pismenost u području umjetne inteligencije tretiraju kao konceptualno razumijevanje, operativnu vještinu, kritičko vrednovanje, etičku prosudbu i svijest o ograničenjima. Pregled izričito kaže da su inženjering upita, provjera izlaza i analiza pogrešaka umjetne inteligencije vještine koje se mogu poučavati i koje se ne razvijaju izlaganjem. Osposobljeni nastavnici prirodoslovnih predmeta s 16,7 od 30 empirijska su verzija te tvrdnje.

„Problem pravičnosti je pristup.“ Pristup je jedna od triju linija. Vještina i to tko dobiva koristan rezultat druge su dvije, a samo šest studija u korpusu ispitivalo je bilo što od toga izravno. Dati svakom studentu licenciju rješava najlakšu trećinu.

Što će vam se vratiti

„Moji studenti kažu da im umjetna inteligencija pomaže.“ Obično doista pomaže s radom koji je pred njima, a nalaz se odnosi na ono što ostaje poslije. Pitajte što još mogu bez pomoći i dobit ćete drugačiji odgovor, i to je razlog zašto postoji ocijenjeni korak bez pomoći.

„Predajem na 200 studenata. Ne mogu čitati skice ni voditi usmene provjere.“ Ne morate pročitati sve. Jedna primjena u nastavi ili kratko snimljeno objašnjenje u zadatku s najvišim ulozima, uz provjeru na uzorku radova koji izgledaju nedosljedno u odnosu na ranije predaje, pokriva većinu rizika. Etapne predaje, obrazloženja s bilješkama i e-portfelji procesa skaliraju se; tako i ocjenjivanje provjere izlaza umjetne inteligencije koji je namjerno pogrešan.

„Otkrivanje je sve što imamo.“ Detektori imaju dokumentirane probleme pouzdanosti i pravičnosti, a valjanost je teži problem: uglađen proizvod pisan kod kuće više ne pokazuje da osoba koja ga je predala ima kompetenciju. Dokazi o procesu jeftiniji su od utrke u naoružanju i proizvode nešto što možete braniti u žalbi.

„Zabrana je jednostavnija.“ Jednostavnija, i obično propada. Prihvaćanje u studiji na studentima nastavničkih studija slijedilo je kulturu programa, a ne politiku ijednog kolegija, a prijava je podcjenjivala stvarnu upotrebu u svakom kolegiju. Zabrana vam također oduzima mogućnost da vidite kako bi studenti rabili alat kad odu.

„Ne predajem o umjetnoj inteligenciji. To nije moj predmet.“ Nalazi se odnose na vaš predmet. Kad umjetna inteligencija obavlja vježbu zbog koje vaš kolegij postoji, to je upravo trenutak kad smeta, a smetnja se pojavljuje u vašim vrednovanjima bez obzira na to spominjete li alat.

„Dokazi su previše novi da bi se po njima djelovalo.“ Djelomično točno, i reže na obje strane. Velik dio korpusa su kratke intervencije, studije samoprijave, pojedinačne discipline ili radovi iz 2025. i 2026., a tvrdnje iz zrelih istraživanja inteligentnog poučavanja jače su od tvrdnji o neograničenim općenamjenskim chatbotovima. Gdje tvrdnja sada ima randomizirano ispitivanje iza sebe, razdvajanje izvedbe i učenja u ispitivanju CS1 i rezultat o povratnoj informaciji u primjeni u matematici, to je ispitivanje ovdje navedeno. Gdje ga nema, tretirajte nalaz kao najbolju dostupnu smjernicu, a ne kao utvrđeno pravilo, i budite najskeptičniji prema rezultatima koji pokazuju samo zadovoljstvo, brzinu zadatka, kvalitetu izlaza ili neposrednu izvedbu s pomoći.

Što učiniti ovaj tjedan

1. Odaberite zadatak koji vam je najneprijatnije braniti. Napišite rečenicu o sposobnosti na vrhu upute za zadatak.

2. Dodajte jedan korak koji se izvodi bez prisutne umjetne inteligencije: petominutnu primjenu u nastavi, kratko snimljeno objašnjenje ili odlomak napisan u učionici. Dajte mu stvarne bodove.

3. Navedite uvjet o umjetnoj inteligenciji za taj zadatak i dodajte jedan redak razloga. Ako zadatak miješa korake, recite koji su koraci koji.

4. Prepišite jedan upit koji dajete studentima iz „riješi ovo“ u „daj mi jedan nagovještaj i postavi mi pitanje“ i recite im zašto.

5. Prije početka nastave odnesite promjenu voditelju programa i onome koji odobrava prilagodbe, da prva žalba ne bude ujedno i prvi razgovor.

Kamo dalje

Za verziju tih nesporazuma po dionicima pogledajte rješavanje uobičajenih zabluda o umjetnoj inteligenciji u obrazovanju. Za zahtjeve dizajna koje impliciraju nalazi o pravičnosti i ljudskoj prosudbi pogledajte pravičnost, etiku i pedagošku sigurnost u istraživanju. Redizajn vrednovanja u doba umjetne inteligencije vodi polovicu o vrednovanju dalje, a pomaže li umjetna inteligencija studentima da uče pregled je dokaza koji stoji za tvrdnjama na ovoj stranici. Ako birate između redizajna i provedbe, smanjenje varanja uz umjetnu inteligenciju i politika kolegija o umjetnoj inteligenciji prateće su stranice.