Hvordan kan AI spare meg tid som underviser?

Automatisk maskinoversettelse av denne engelske siden, ennå ikke korrekturlest av en morsmålstalare.

Det er torsdag kveld i uke åtte. Tre undervisningsopplegg skal leveres mandag, labrapportene er halvveis rettet, og fredagens avdelingsmøte har en sak om hva alle har gjort med AI siden opplæringen i august. En kollega sier at verktøyet halverte planleggingstiden hennes. Du prøvde det to ganger, brukte førti minutter på å reparere et arbeidsark, og gikk derfra med inntrykk av at hele greia var oversolgt.

Dere beskriver begge det samme verktøyet. Det sparer tid på å lage utkast til materiale du uansett skulle redigere, og det koster tid når du retter det mot en vurdering av en bestemt student. Om besparelsen blir din, avhenger av en beslutning de fleste undervisere aldri tar: hva de frigjorte timene skal brukes til.

Bunnlinjen for møtet: overlat førsteutkastet og behold vurderingen. Undervisningsopplegg, gjennomregnete eksempler, diskusjonsspørsmål, formative quisspørsmål, alternative forklaringer, formuleringer i vurderingskriterier og rutinemessig administrativ tekst er arbeid du kan spesifisere, kontrollere og rette. Læringsmål, endelige karakterer og enhver avgjørelse om en bestemt student blir hos deg. Navngi hva den frigjorte timen kjøper, fordi evidensen om tidsbesparelse er evidens om hvor tiden går.

Kortversjonen

1. List opp oppgavene fra forrige uke som endte i et dokument du deretter redigerte. Det er kandidatene dine.

2. Start med strukturert materiale du kan kontrollere mot din egen spesifikasjon: utgangsbillettet, quisspørsmål, gjennomregnete eksempler, en alternativ forklaring på et vanskelig begrep.

3. Skriv ned hvor den frigjorte timen skal gå, før du frigjør den.

4. Ta tiden på tre tilbakevendende oppgaver i to uker. Din følelse av besparelsen er upålitelig på en bestemt, dokumentert måte.

5. Hold målformulering, summative karakterer og individuelle studentvurderinger på din side av streken.

Start med arbeid du uansett skulle skrive om

Det sterkeste tallet i denne kunnskapsbasen kommer fra en randomisert studie oppsummert i Hvordan AI endrer undervisningens arbeidsflyter. To hundre og femtini naturfaglærere som brukte ChatGPT, brukte omtrent 69 % så mye tid på undervisningsforberedelse som kontrollgruppen, en reduksjon på rundt 31 %, og blinde ekspertvurderere fant ingen påvisbar kvalitetstap. Lærerne omdisponerte tiden i stedet for å spare den, og flyttet timene til planlegging, retting og arbeid rettet mot studentene.

Et andre datasett i samme arbeid, mer enn 104 000 meldinger fra over 15 000 undervisere, viser hvorfor besparelsen lander på underlige steder. Den gjennomsnittlige ledeteksten berører 1,7 kategorier samtidig, så en enkelt forespørsel om et undervisningsopplegg kommer tilbake med differensiering og en quiz læreren ikke hadde tenkt å be om.

Det er omdisponering snarere enn reduksjon: det du vinner med generativ AI, er forskjellen mellom en tom side og et utkast som er spesifikt nok til å argumentere mot.

Match oppgaven til det verktøyet gjør godt

Kvaliteten er ujevn i et mønster som er stabilt nok til å planlegge etter. Blinde vurderere foretrakk AI-versjoner av undervisningsavslutninger og utgangsbillettet i 59,7 % av tilfellene framfor materiale laget av fagfolk, og foretrakk AI-materiale for videregående innhold i 59,2 % av tilfellene. Besparelsen vokser også der tryggheten din er lavest: å undervise utenfor eget fag er tilfellet med det største gapet mellom det verktøyet gir deg og det du ville skrevet selv.

To kategorier går den andre veien. På materiale for barnetrinnet ble mennesker foretrukket rundt 65 % av tiden for utviklingsmessig egnethet. Målrettet støtte for flerspråklige studenter og studenter i spesialundervisning kom tilbake nøytral snarere enn feil, noe som er verre enn det høres ut, siden en nøytral støtte er noe du bygger på nytt fra bunnen.

Testen som forutsier dette før du bruker en kveld på det: kan du angi spesifikasjonen presist nok til å kontrollere utdataene? Et utgangsbillett om ett læringsmål, ja. Om et avsnitt passer for en bestemt niåring som leser to år etter klassen sin, nei.

Gi den frigjorte timen et reisemål

Det klareste beviset på at besparelsen er ekte, og at den ikke gjør noe på egen hånd, kommer fra et stort eksperiment over 178 skoler og rundt 19 000 avgangselever i videregående skole, om AI-automatisert tilbakemelding på stiler. Studenter som fikk tilbakemelding fra systemet, lærte like mye som studenter som ble rettet av mennesker. De menneskelige retterne kostet rundt 0,85 dollar per stil og la ikke til noen målbar gevinst på toppen.

I AI-klasserommene hadde studentene rundt 35 % flere en-til-en-samtaler med læreren om skriving, og skrev 30 % flere stiler. Lærernes arbeidstimer hjemme falt 20 %, og andelen som rapporterte at tiden var «svært utilstrekkelig», falt fra 23 % til 9 %. Det største læringsutbyttet landet på den mest komplekse skriveoppgaven, den typen AI er minst i stand til å vurdere, fordi læreren nå hadde timer å bruke på den.

Forbeholdet er setningen du tar med inn i møtet. Det nederste kvartilet viste ingen forbedring. Studentene som var lengst bak, tjente ingenting på en lærer som bare hadde mer plass i dagen, så hvor timene går, er hele argumentet, og likestilt omdisponering hører hjemme i planen fra starten snarere enn i en gjennomgang på slutten.

Mål besparelsen i stedet for å kjenne den

Tidsbesparelse er den påstanden undervisere mest pålitelig tar feil om hos seg selv. På tvers av tre forhåndsregistrerte studier med 2 691 deltakere undervurderte folk hvor ofte de brukte AI og overvurderte tiden og innsatsen den sparte, og rapporterte oppgaver som raskere og enklere mens objektive mål viste ingen forskjell. Å bruke verktøyet tidligere i en økt forutsa å bruke det mer senere, så feilen forsterker seg innenfor én ettermiddag (The efficiency-gain illusion: People underestimate the rate of AI use and overestimate its benefits on simple tasks).

Det som hjelper, er metakognitiv kalibrering, og den billige versjonen er en logg. I to uker noterer du start- og sluttid på tre tilbakevendende oppgaver, én med verktøyet og to uten. Forvent én oppgave med en stor, ekte besparelse, flere uten noen, og et par der verktøyet la til et gjennomgangstrinn som spiste gevinsten.

Innsats og kapasitet går også fra hverandre. En studie med de samme 13 underviserne i høyere utdanning før og etter fant at AI-tilgang kuttet opplevd kognitiv innsats i læringsdesign fra en median på 6,33 til 3,33 (p = 0,004), mens ledetekstopplæring lagt på toppen ikke forbedret kvaliteten på designene (When Teachers Use AI Chatbots and Are Trained for It: Impact on Learning Design Quality and Cognitive Effort). Mindre belastning en torsdagskveld er en reell fordel. Det er ikke bevis for at designene ble bedre.

Hold læringsmål og endelige karakterer på din side

Deltakende designarbeid med seks lærere i videregående skole ga en grense verdt å kopiere. De designet systemet som en avgrenset ekspert: kompetent innenfor et smalt domene, som arbeider under tilsyn. De ville ha hjelp til å presentere innhold, generere øvingsoppgaver og gi formativ tilbakemelding, og nektet å overlate målformulering eller summativ vurdering, og insisterte på overstyring i tvetydige tilfeller. Det de beskyttet, er kjernen i lærerrollen: å avgjøre hva som er verdt å lære, og vurdere om det ble lært.

Retting er oppgaven med størst tilsynelatende avkastning og svakest overførbarhet. OpRaise-benchmarken kjørte tre frontmodeller mot 761 autentiske eksamensbesvarelser i psykologi fra 125 studenter ved tre britiske universiteter, med 27 ledetekstkonfigurasjoner per modell. Samsvaret med menneskelige karakternivåer gikk fra 35 % til 65 % avhengig av institusjon. Karakterene ble presset mot midten, så de sterkeste og svakeste besvarelsene ble vurdert minst nøyaktig, og modellene var enige med hverandre langt mer enn med menneskelige rettere. Forfatternes hovedfunn er at evidens samlet i én kontekst ikke overføres til en annen.

Du kan bruke automatisk stilretting hvis du validerer den på ditt eget fag og dine egne studenter, og holder beslutningen hos et menneske. Kvaliteten på AI-tilbakemelding sier hva du skal kontrollere: fart og volum er ikke det samme som nytte, og den pedagogiske vurderingen av hvilken kommentar en student trenger neste gang, blir hos deg.

Hva undervisere tar feil om

«31 % er mitt tall.» Det er 259 K-12-lærere i naturfag, om undervisningsforberedelse. Retningen reiser; størrelsen gjør det ikke. Et seminar bygget på diskusjon sparer kanskje mindre, og et labemne med sikkerhetskrav sparer kanskje ingenting på den delen du mest ville ha hjelp til.

«Å spare tid er målet.» Eksperimentet i Brasil er moteksempelet. Timene kom gratis, og det nederste kvartilet tjente ingenting. Målet er hva timene kjøper.

«Et godt utkast betyr at jeg kan overlate neste trinn også.» De seks lærerne trakk grensen ved læringsmål og summativ vurdering av en grunn. Kvalitet på et utgangsbillett sier ingenting om hvorvidt verktøyet kan avgjøre hva utgangsbilletten skal vurdere.

Hva som kommer tilbake på deg

«Jeg prøvde det, og utdataene var generiske.» De fleste lærerne i forskningen tok det første resultatet og redigerte det for hånd i stedet for å iterere med oppfølgingsledetekster. En andre og tredje runde som gir ditt trinn, din lesning, dine tre siste quisspørsmål og et eksempel på hvordan godt ser ut, endrer utdataene mer enn å bytte verktøy gjør. AI-kompetanse er den billige investeringen, og ledetekstforbedring er der den gir avkastning.

«Blir jeg raskere, fylles tiden opp med møter.» Sannsynligvis, og det er den vanligste måten en besparelse forsvinner på. Skriv ned reisemålet der lederen din kan se det, før plassen fylles.

«AI-tilbakemelding snyter studentene som strever mest.» Det nederste kvartilet i Brasil tjente ingenting, og det er den sterkeste advarselen på denne siden. Koble besparelsen til en bevisst bruk. Økningen på 35 % i en-til-en-samtaler er hva disse klasserommene gjorde med timene, og det var et valg læreren tok.

«Retting er der timene mine faktisk er.» Det er det, og det er også der verktøyet er minst overførbart mellom institusjoner. Valider lokalt, eller la det være.

«Dette avferdiggjør profesjonen.» Pishtari-resultatet er den ærlige versjonen: opplevd innsats falt, og den ekstra opplæringen forbedret ikke designkvaliteten. Spart innsats er ikke vunnet kapasitet, og de seks lærernes grense er et rimelig sted å holde linjen mens du lærer hvilke av oppgavene dine som er hva.

Hva du kan gjøre denne uken

1. Skriv ned de fem oppgavene du gjorde forrige uke som endte i et dokument du deretter redigerte.

2. Velg den med den klareste spesifikasjonen og lag utkastet med verktøyet, og ta tiden på begge versjonene.

3. Sett den frigjorte tiden i et navngitt felt i kalenderen din: en samtale med en student, en andre tilbakemeldingsrunde, eller å lese et sett utkast skikkelig.

4. Skriv no-go-listen din og hold den synlig: læringsmål, endelige karakterer, alt som avhenger av én students behov.

5. Hold loggen i to uker, og avgjør så hvilke to oppgaver som permanent er dine å overlate.

Hvor du kan gå videre

Hvordan kan AI hjelpe meg med å gi bedre tilbakemeldinger i stor skala? tar tilbakemeldingsspørsmålet videre, og Hvilke kompetanser trenger undervisere når det gjelder AI? sammen med Hvordan designer jeg utdanningsutvikling for AI som faktisk endrer praksis? dekker hva en avdeling kan bygge for at dette slutter å avhenge av individuell eksperimentering. Hvordan redesigner jeg vurderingen slik at karakteren fortsatt sier noe forsvarlig om hva studenten kan? og Hvordan kan jeg redusere AI-juks i emnet mitt? håndterer vurderingskonsekvensene. How AI Is Changing Teaching Workflows er artikkelen bak forberedelsestallene, og menneskelig overoppsyn er prinsippet denne siden hviler på.