AI は学習体験にどう設計されるべきか？

英語ページの自動翻訳です。母語話者による確認はまだ行われていません。

学習目標と学習プロセスから始めましょう——AI の機能からではありません。 知識ベースの 教育学と教授方略 の概念は、同じ AI が、教育設計に応じて、足場、ソクラテス的 な対話相手、フィードバックの相手、シミュレーション、あるいは答え生成器として機能しうることを強調しています。重要なのは、その構成が、意図された学習を生む活動を保つかどうかです。

強力な既定のパターン

強力な既定のパターンは、学習者が試みる → AI が支える → 学習者が評価または改訂する → 学習者が理解を実演する、です。より具体的には：

• 生産的な失敗 を、学習に資するところでは保ちましょう。
• AI の支援を表示する前に、最初の予測や解法を求めましょう。
• 即座の完成よりも、問い、ヒント、例、反論、フィードバックを好みましょう。
• 帰結を持つ主張の検証を要求しましょう。
• 説明と 教え返し の機会を組み込みましょう。
• 能力が伸びるにつれて支援を徐々にフェードさせましょう。
• 学習者が、自分が一人で何ができるかを較正できる AI なしの機会をいくらか残しましょう。

AI の誤用を減らす の総合は、特に、まず考えて／次に AI／そして振り返る、という順序と、意図的な評価のチェックポイントを推奨しています。

AI の役割を認知的な関与の水準に合わせる

Rummel, Nachtigall and Panadero の台所機器の類比 は、設計上の問いを、学習者が 生成 AI を使うかどうか から、その利用が彼らが何になるかをどう形作るかへと組み替えます。スマートな台所機器の 4 つの利用を ICAP と SAMR の枠組みで学習の事例に写像すると、設計のはしごになります。改訂も 批判的な関与 もなしに課題を全面的に外部委託することは受動的な置き換えで、技能の喪失と過度の依存 を招きます。プロンプトを磨く ことと出力を相互検証することは 事前知識 と 自己制御 を要求します（能動的／拡張）。AI を使って独自の仕事をブレインストーミング、アウトライン、評価することは構成的／修正です。共構築と適応的な フィードバック のための本物の対話相手としての AI は相互作用的／再定義です。設計上の含意は直接的です。同じツールが、ある段では迂回路であり、次の段では足場です。包括的なアクセスを許すのではなく、意図された様式を指定しましょう。

設計を順序づけましょう。ツールを許可するだけではなく

Divjak, Svetec and Horvat は、554 コースにわたる 29,064 件の教育活動の計画された順序を分析し、目に見える設計の文法を見出しました。取得型の活動が最もよくある入口で最大の単一類型（20% 超）であり、学習型は意図されたブルーム水準を追い（取得型は水準 1 ではおよそ 50% から水準 6 ではおよそ 20% に下がり、生産型は水準 5〜6 で 20% を超えます）、最も強い推移は評価 → ディスカッション（0.332）です。AI 設計についての 2 つの教訓。AI は、終わりにくっつけるのではなく、順序が特定の活動型を意図している場所に属します。そしてフィードバックが 協同学習、グループワーク、教員 のプレゼンスと集まっていたので、同僚の構造と同期の構造が、AI の支援が差し込むべきで、置き換えるべきでない フィードバック の瞬間を作ります。

Torres-Sahli と同僚らの「控える、そして増幅する」枠組み はこれをプログラム水準に押し上げます。能力が形成されている間は生成的なツールを差し控え、学生がそれを指揮でき、それが返すものを判断でき、それに答えられるようになったら復活させ、各蝶番に偽装が難しいチェックポイントを置きます。装置は、形成中対 オフロード中 の基準によって統治されます——関わった仕事を支えるところでは許され、注意を奪うところでは除かれます。これはオフロードの決定を、コースレベルの設計に先行する カリキュラム と ガバナンス の問題に変えます。

構成的整合が最初に来る

McInnes と同僚らの言説分析 は、高等教育の指針 14 本を分析し、効率重視の助言——生成 AI を使って成果、ルーブリック、コースのアウトラインを起草すること——が、見た目には整合した整合を生みながら、「構成的」な半分をおろそかにすると警告しています。成果、活動、評価 が相互依存的ではなく、ばらばらの項目として生成されるのです。彼らの処方は禁止ではなく順序の組み直しです。教育者は、その一部を委任する前に、構成的整合を、AI の出力を指揮し、問い詰め、拒絶できるほどよく理解すべきです。もっともらしさに基づく表面的な受容の習慣は、教員が学生に警告するのと同じ評価の失敗だからです。AI を使うところでは、彼らは、汎用のインターネット訓練済みの既定ではなく、ローカルな方針と品質基準を中心に構成された、制度的に境界づけられた 検索拡張 システムを主張します。

より広い原理

Principled AI Education の枠組み におけるより広い原理は、技術は、教育が伸ばそうとする人間の能力を増強するべきであって、置き換えるべきではない、というものです。教授設計、能動的学習、足場 も参照してください。

設計された相互作用が学習を保つかどうかを決める教育学上の既定については コースでのAIカンニングを減らすにはどうすればよいですか? と 成績が、学生の知識や遂行能力について私が擁護できることをまだ教えてくれるように、評価を再設計するにはどうすればよいですか？ を、同じ原理がソフトウェアそのものをどう拘束するかについては 効果的な教育 AI ソフトウェアを設計するためのベストプラクティスとコツは何か？ を、そしてそれらがチューターのアーキテクチャにどう翻訳されるかについては 効果的な AI チューターを開発するためのベストプラクティスは何か？ を参照してください。