Hvilke kompetanser trenger undervisere når det gjelder AI?

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

Komiteen for utdanningsutvikling har én plass i januar, og prorektoren vil at den skal handle om AI. Eller du leder undervisningssenteret, og tre institutter har bedt om «en AI-workshop» som viser seg å bety tre forskjellige ting. Eller du har brukt disse verktøyene i et år og vil vite hva du fortsatt mangler før du bygger om et kurs rundt dem.

Bunnlinjen: promptteknikk er den minste delen av dette. Undervisere må kunne vurdere hva en modell kan og ikke kan, designe oppgaver og vurderinger rundt den vurderingen, og vite når den skal holdes helt ute av et kurs. Selvtillit er en dårlig erstatning for noe av dette, så bygg programmet rundt ytelse og rundt fag, ikke rundt en verktøydemo.

Kortversjonen

1. Definer kompetansen i fire dimensjoner, og legg til et undervisningslag for alle som vurderer studenter.

2. Vurder med ytelse i stedet for med en spørreundersøkelse. Selvrapportert kompetanse og demonstrert kapasitet går fra hverandre.

3. Sett fagene i rommet. Fagekspertise overføres ikke til teknologiintegrasjon.

4. Undervis eksplisitt i teknologidomenene, fordi det er dem som måler lavt selv hos trygge undervisere.

5. Behandle «når dette ikke skal brukes» som en kompetanse, og gi undervisere dekning for å si nei.

Definer kompetansen før du bestiller rommet

Kunnskapsbasens syntese om AI-kompetanse identifiserer fire dimensjoner, og de er en nyttig agenda fordi hver av dem trenger en annen type økt:

• Grunnleggende forståelse av AI-evner og AI-begrensninger.
• Praktisk kompetanse i bruk av AI-verktøy.
• Kritisk vurdering av nøyaktighet, skjevhet, hensiktsmessighet og usikkerhet.
• Etisk og institusjonell bevissthet om spørsmål som integritet, personvern, likestilling og styring.

For undervisere trenger disse dimensjonene et pedagogisk lag på toppen. Undervisere bør kunne avgjøre hvilket kognitivt arbeid studentene må beholde, velge AI-bruk som tjener læringsmålene, designe gyldig vurdering i AI-tiden, lære studentene å verifisere og regulere egen bruk, gjenkjenne hallusinasjon, overavhengighet og sykofanti, og vite når menneskelig vurdering skal overstyre automatisering.

De trenger også nok systemforståelse til å vurdere hvordan arbeidsflyter støttet av generativ AI henger sammen. En workshop som underviser i ett verktøy isolert, produserer undervisere som kan demonstrere verktøyet og ikke kan si deg hva som bryter sammen når det kobles til en rettingsarbeidsflyt. Lærerens AI-kompetanse og Utdanningsutvikling har den lengre versjonen av det argumentet.

Skriv listen ned før du planlegger øktene. Fire dimensjoner pluss et undervisningslag er nok til å forsvare fire økter i stedet for én, og nok til å fortelle en instituttleder hvilken av de fire forespørselen deres faktisk gjelder.

Vurder ytelse i stedet for selvtillit

Selvrapportert AI-kompetanse kan avvike betydelig fra demonstrert kapasitet, som er den mest praktiske advarselen i denne litteraturen for alle som driver utdanningsutvikling. En selvtillitsundersøkelse på slutten av en workshop måler hvordan workshopen føltes.

Forskning på læreres multiagent-arbeidsflyter gir en annen grunn til å teste i stedet for å spørre: systemtenkning, pedagogiske overbevisninger og mestringstro samvirker i AI-integrasjon, så den samme økten lander ulikt hos to undervisere med samme faglige bakgrunn. Det taler for differensiert program, og mot den verktøyworkshopen med én oppskrift for alle som de fleste institusjoner kjører.

Den billige versjonen av ytelsesvurdering er en oppgave, ikke et instrument. Be hver deltaker ta med én innleveringsoppgave, revidere den med modellen i løpet av økten, og så forsvare revisjonen for en kollega: hva som ble endret, hva oppgaven nå vurderer, hva studenten ikke lenger kan bli vurdert på. Det tar tjue minutter og forteller deg mer enn noen vurderingsskala ved dagens slutt.

Forvent at svakheten er integrasjon

Ny forskning på høyere utdanning setter tall på hvor underviseres kompetanse er sterk og hvor den bryter sammen. En undersøkelse blant 127 undervisere ved et stort amerikansk forskningsuniversitet med instrumentet TPACK-21 fant at selvopplevd pedagogisk innholdskunnskap var høy (M = 4,70) og innholdskunnskap nær taket (M = 5,15). De teknologiintegrerte domenene var markant lavere: teknologisk pedagogisk kunnskap (M = 2,62), teknologisk innholdskunnskap (M = 2,75), og helhetlig TPACK (M = 2,55, det laveste av sju).

Les gapet riktig. Dette er mennesker som kan faget sitt og vet hvordan de skal undervise i det, og som ikke vet hvordan de skal gjøre en modell til en del av noen av delene. Innholdsekspertise forutsa ikke kunnskap om generativ AI-integrasjon (CK-korrelasjoner r = 0,11 til 0,15, alle ikke-signifikante), så et program kan ikke anta at fagkunnskap overføres. Det må bygge kompetanse gjennom bevisst, fagspesifikt arbeid.

Ett funn til former designet. De tre teknologiintegrerte domenene korrelerte r = 0,81 til 0,91, som antyder at de kan fungere som én samlet kapasitet for generativ AI-integrasjon. Hvis det holder, undervis i det som ett felles fundament i stedet for som tre atskilte ferdigheter med tre atskilte økter.

Design økter rundt et reelt kurs

Hva opplæring kan og ikke kan, vises tydelig i en innen-subjekts-studie med 13 undervisere i høyere utdanning. Å gi underviserne en chatbot forbedret kvaliteten på læringsdesignet deres signifikant, med andelen som nådde to eller flere Bloom-oppgaver på høyere nivå stigende fra 41,7 % til 91,7 % (p = 0,01). Opplevd kognitiv innsats falt kraftig, median 6,33 til 3,33 (p = 0,004). Den pedagogiske opplæringen i prompting som ble lagt på toppen, forbedret ikke kvaliteten ytterligere og økte innsatsen litt.

Tre ting følger, og det tredje er det programmene hopper over.

Tilgang endrer undervisningsatferd lett. Gi underviserne en kapabel modell og en reell oppgave, og arbeidet foran dem blir bedre i løpet av én økt.

Dybdekompetanse tar mer enn en workshop. Promptlaget la til innsats og ingen målt kvalitet. Å lære folk å skrive bedre prompter er en ferdighet, og på dette belegget er den ikke begrensningen for bedre design.

Kvalitetsgevinster beviser ikke at praksisen ble internalisert. Tretten undervisere redesignet én oppgave godt med verktøyet åpent. Om de kunne gjøre det en termin senere, uten verktøyet, er et annet spørsmål, og studien svarer ikke på det. Bygg en oppfølging inn i programmet i stedet for å anta at gevinsten holdt.

Dekk delene av rollen utenfor undervisning

Kompetanse er også et institusjonelt spørsmål, og de fleste rammeverk svarer bare på en del av det. Designbasert forskning med 114 deltakere ved 28 amerikanske institusjoner og i 11 land produserte seks teknologistandarder for undervisere som spenner over hele den akademiske rollen: underviser, koordinator, leder, forsker, lærende og bidragsyter. Forfatternes grunn til å bygge dem er den nyttige delen. Eksisterende rammeverk (TPACK, SAMR) og standarder for undervisere (ISTE, UNESCO, DigCompEdu) handler om lærere i grunnskole og videregående eller dekker bare undervisningsdimensjonen.

For en utdanningsutvikler rammer det forespørselen inn på nytt. Et institutt som ber om en AI-workshop for underviserne sine, spør om én av seks roller. Koordinatorene ved samme institutt tar beslutninger på programnivå, forskerne skriver med disse verktøyene, og lederne godkjenner innkjøp. Én økt kan ikke tjene alle, og å late som noe annet er hvordan et program ender med høy oppslutning og ingen endring i praksis.

Gi rom for å si nei

Adopsjon motsetter seg en rent teknisk innramming, og motstanden er ofte en vurdering snarere enn et gap. En undersøkelse blant 287 lærere i 27 land fant en raffinert modell som forklarte 79,8 % av variansen i atferdsintensjon. Opplevd kunstig autonomi påvirket intensjonen bare indirekte, gjennom nytteverdi. Risikoaversjon var en signifikant negativ prediktor (−0,163), og lærerne var langt mer bekymret for studentenes overavhengighet og integritet enn for egen bruk.

Intervjuer med to erfarne akademikere beskriver hvordan den bekymringen føles fra innsiden: gjentakende identitetsspenninger mellom pedagogikk og plattform, underviser og tilrettelegger, omsorg og etterlevelse, navigert gjennom prinsipiell selektivitet forankret i pedagogiske verdier.

Så kompetanse omfatter profesjonelt skjønn om når AI ikke skal brukes, og et program som ikke kan si det høyt, vil leses som et salgsfremstøt for nettopp de underviserne hvis skjønn du mest vil ha i rommet. To erfarne akademikere er et lite bevisgrunnlag for en stor påstand; behandle identitetsfunnet som en beskrivelse av en reell spenning snarere enn som en målt effekt, og la det forme tonen i øktene.

Hva utdanningsutviklere gjør galt

En promptworkshop er et AI-kompetanseprogram. Den dekker én av fire dimensjoner, og i studien med 13 undervisere la promptlaget til innsats uten å legge til målt kvalitet.

Trygge undervisere er kompetente undervisere. Selvrapportering avviker fra demonstrert kapasitet, og undersøkelsen blant 127 undervisere fant innholdskunnskap nær taket ved siden av helhetlig TPACK på 2,55. Selvtillit sporer fagekspertise, som er det disse underviserne allerede har.

Innholdseksperter vil finne ut integrasjonen selv. Innholdskunnskap forutsa ikke integrasjonskunnskap i den undersøkelsen. Korrelasjonen var ikke-signifikant, og det er dette funnet som rettferdiggjør fagspesifikt program i stedet for en generell invitasjon.

Ett rammeverk vil dekke alle. Standarden med seks roller finnes fordi TPACK, SAMR og de store underviserstandardene dekker lærere i grunnskole og videregående eller bare undervisningsdimensjonen.

Motstand er et kunnskapsgap som skal fylles. Risikoaversjon forutsa intensjon negativt, og identitetsarbeidet beskriver undervisere som resonnerer fra pedagogiske verdier. Noe av det som ser ut som motvilje, er en forsvarlig posisjon om studentenes overavhengighet.

Hva som kommer tilbake på deg

«Vi har ikke personaltid til ytelsesbasert utvikling.» Så bygg ikke et program. Bygg én øvelse på oppgavenivå: ta med en innleveringsoppgave, revider den med modellen, og forsvare revisjonen. Det er tjue-minutters-versjonen, og den gir bevis på kapasitet som en tilfredshetsundersøkelse ikke gir.

«Underviserne våre bruker allerede disse verktøyene, så opplæringen kommer etter dem.» Bruk er ikke konstruktet. Undersøkelsen blant 127 undervisere beskriver mennesker med høy innholds- og pedagogisk kunnskap og lav teknologiintegrert kunnskap, og studien med 13 undervisere viser at designkvaliteten flytter seg med tilgang mens promptlaget ikke la til noe. Ingen av resultatene sier at underviserne foran deg har integrert noe.

«Dette er et IT-opplæringsproblem.» Intensjonsmodellen setter nytteverdi, ikke teknisk kapasitet, på veien til adopsjon, og risikoaversjon går ved siden av. Hindringen er skjønn om studenter og om faget, som er hvorfor øktene hører til undervisningssenteret.

«Kompetanserammeverk er byråkratisk overhead.» De er et kart for én plass i januar. De fire dimensjonene forteller deg hva du skal utelate, og de seks rollene forteller deg hvilket publikum en forespørsel egentlig gjelder.

Hva du kan gjøre denne uken

1. Skriv de fire dimensjonene og undervisningslaget på én side, og marker hvilke av dem tilbudet ditt dekker i dag.

2. Erstatt tilfredshetsskjemaet ved øktens slutt med én oppgave: en innleveringsoppgave som er revidert og forsvart.

3. Be to institutter om et reelt kurs og en reell oppgave å arbeide med, i stedet for en generell invitasjon.

4. Legg til ett segment om når AI skal holdes ute av en oppgave, og si rett ut at det å avslå en bestemt bruk er en legitim profesjonell vurdering.

5. Bestem hvilken av de seks rollene neste økt tjener, og navngi publikumet i invitasjonen.

Hvor du kan gå videre

Den studentvendte motparten er Å integrere AI-kompetanse, og Belegget for AI-kompetanse dekker hvor sterkt bevisgrunnlaget for den kompetansen er. For den underviservendte oppsummeringen av forskningen, se Topp 10 funn for undervisere i AI-utdanning; Lærerens AI-kompetanse og Utdanningsutvikling bærer rammeverksmaterialet, og Kursets AI-retningslinjer er dokumentet mesteparten av dette utviklingsarbeidet til slutt produserer.