Hur kan AI-agenter stödja studenter och lärare?

Automatisk maskinöversättning av denna engelska sida, ännu inte granskad av en modersmålstalare.

En leverantörsdemo pågår i fyrtio minuter. Agenten läser kursplanen, skriver utkast till nästa veckas quiz, flaggar tre studenter som inte har öppnat läsningen och erbjuder sig att mejla dem. Din prorektor vill ha ett licensbeslut innan månaden är slut.

En agent planerar, anropar verktyg, håller kontext, delar upp arbetet i deluppgifter och anpassar sig över turer, vilket är mer än en chattbot gör. De student- och lärarroller som det öppnar upp är verkliga. Evidensen visar inte att mer autonomi ger mer lärande: i den enda direkta jämförelsen här stod en agent och en chattbot lika. Sätt autonomi där en människa kontrollerar utfallet, låt planeringen stanna hos studenten, och poängsätt undervisningskvaliteten mot din egen bedömningsmatris.

Kortversionen

1. Namnge jobbet före produkten.

2. Börja på lärarsidan, där en lärare redan granskar arbetet.

3. Behandla ökad autonomi som en kostnad tills evidens säger annat.

4. Låt planeringen och bedömningen stanna hos studenten, för det är det uppgiften finns för att bygga.

5. Poängsätt agenten mot din bedömningsmatris, och schemalägg en kontroll utan stöd innan piloten slutar.

Välj jobbet innan du väljer agenten

Agentiska arbetsflöden i utbildning namnger fyra återkommande förmågor: reflektion, planering, verktygsanvändning och samarbete mellan flera agenter. Var och en lägger till en kostnad vid sidan av möjligheten, i tolkningsbarhet, koordinering, tillit, latens och tillsyn.

Studentrollerna löper från adaptiv handledning och studieplanering via formativ återkoppling, guidad problemlösning och generering av övningar till rekommendationer om förkunskaper och reflekterande metakognitiv promptning. Lärarrollerna omfattar materialutveckling, frågegenerering och validering, triage av återkoppling, kursanalys, instruktionsdesign, resurssökning och orkestrering av specialiserade delagenter.

Två av dem är säkrare tidigt, eftersom båda producerar en artefakt som en människa läser innan studenterna gör det: en frågegenerator parad med en validator, och utkast som en lärare redigerar.

Börja där en människa redan kontrollerar arbetet

Tutor CoPilot, den första randomiserade kontrollerade studien av ett människa-AI-system i livehandledning, gav novisa handledare realtidsvägledning hämtad från erfarna handledares resonemang, över 900 handledare och ungefär 1 800 studenter. Studenter till handledare med tillgång hade 4 procentenheter större sannolikhet att behärska moment, stigande till 9 procentenheter bland de lägst bedömda handledarna, vars studenter kom ifatt dem som hade bättre bedömda handledare i kontrollgruppen. Det kostade cirka 20 dollar per handledare och år, och analys av fler än 550 000 handledningsmeddelanden visade att handledarna skiftade från att ge svar till att ställa vägledande frågor. Det är AI som förstärker läraren.

Agenten undervisade inte studenten. Den matade en människa mitt i samtalet, och människan bestämde vad som skulle sägas. En person i loopen och ett utfall nära arbetet är det som gör resultatet överförbart till en annan kurs.

Utgå inte från att mer autonomi köper mer lärande

En studie av 130 studenter i en e-handelskurs fann att både generativa AI-chattbotar och agenter bedömdes högre än traditionell nätundervisning på lärande och personalisering, utan signifikant skillnad mellan chattboten och agenten. Mer autonomi, inget mervärde på de måtten.

Studiens ramverk behandlar agenter som avgränsade, människoövervakade lärpartner, med mål, kontrollpunkter och slutliga beslut kvar hos människor. Bortom agentetiketten gör det till en styrningsregel: autonomi ska inte överstiga evidensens mognad eller styrkan i ansvarig mänsklig kontroll, och evidensen är starkast vid utfall på artefaktnivå, svagast vid varaktigt lärande och rättvisa.

Risken på studentsidan löper i samma riktning. En agent som planerar och övervakar åt en student tar bort den övning som bygger självreglering och bjuder in avlastning. Riktlinjer för bästa praxis efterfrågar avsiktlig friktion, stöttning som tonas ut och mänsklig tillsyn. Produktiv friktion har fungerande exempel. Konstruktiva konflikt-agenter som argumenterar mot en svag design förbättrade designutfallet i forskningen som granskades. Simulerade kamrater stöder kollaborativt lärande och sokratiskt frågande, och kliniska simuleringar låter studenter öva där ett misstag är billigt.

Testet för alla dem: efter sessionen, vad kan studenten göra som agenten gjorde tidigare? Att lämna över omdömet kostar studenten övningen i att använda det.

Kontrollera agenten mot ditt eget omdöme

Åtta AI-undervisningsagenter utplacerade i en medicinsk läroplan rangordnades olika av plattformsgenererade poäng och av en oberoende expertbedömningsmatris. Plattformens tredjerankade agent kom sist på undervisningskvalitet. Plattformspoäng indexerar studentprestation, som rör sig av skäl som inte har något med undervisning att göra.

Fråga vad ett tal i en instrumentpanel räknar, vem som skrev bedömningsmatrisen bakom det, och hur en låg poäng skulle se ut i studentarbete. Pedagogisk säkerhet hör till samma granskning, eftersom en kedja av agenter gör det svårt att säga vilken komponent som är ansvarig när ett svar är fel.

Planera för avstängningen

Randomiserade studier visar att kortvarigt AI-stöd kan sänka senare prestation utan stöd, och intervallet efter avvecklingen, kognitiv uttvättning, är nästan helt omätt. Syntesen bakom den här sidan bygger på en scoping review av 474 studier och finner att arbetet är koncentrerat till högre utbildning, STEM, kortsiktiga designer och textbaserad handledning, med bara en minoritet explicit grundad i utbildningsteori. En pilot som slutar när licensen slutar har mätt fel fönster.

Vad administratörer missförstår om detta

En agent är en uppgraderad chattbot, så uppgraderingen borde synas i utfallen. I jämförelsen med 130 studenter slog båda AI-villkoren nätundervisningen och ingen av dem slog den andra.

Instrumentpanelen rangordnar undervisningskvalitet. Den rangordnar studentprestation, och åtta agenter gav en rangordning som vände tredje- och sistaplatsen mot en expertbedömningsmatris.

Autonomi är funktionen att köpa. Proportionalitetsregeln pekar åt andra hållet, och evidensen är tunnast där autonomin är störst.

Tillgång stänger rättvisegapet. Ojämlik tillgång till kapabla agentiska system kan vidga det, och en agent reproducerar bias från träningsdata i skala.

Vad som kommer att slå tillbaka mot dig

”Studenterna låter den bara göra jobbet.” Somliga gör det, och arkitekturen avgör hur lätt det är. Agenter som planerar och skriver utkast åt studenten bjuder in det. Agenter som kräver ett försök och sedan ställer en fråga gör det inte.

”Leverantörens utvärdering säger att det fungerar.” Fråga vad talet räknar. Om det är plattformsmätt studentprestation mäter det studenterna lika mycket som agenten.

”Ingen kan säga vilken agent som är ansvarig i en kedja.” Sant för de flesta nuvarande driftsättningar. Namnge en ägare för kedjan, logga vilken komponent som producerade vilket utfall, och behåll en mänsklig kontrollpunkt innan något når ett studentregister.

Vad du ska göra den här veckan

1. Skriv jobbet och det utfall du ska bedöma det efter, en mening var, innan nästa leverantörssamtal.

2. Poängsätt en agents utfall mot din bedömningsmatris på tio stycken verkligt studentarbete, och behåll poängen.

3. Lägg till en daterad, ansvarstillsatt uppgift utan stöd i pilotplanen.

Vart du går härnäst

Att utveckla en AI-handledare täcker det studentvända bygget från mål till hjälptrappa, och Att utvärdera AI-interventioner täcker huruvida saken fungerade. Intelligent handledning och AI-kompetens levererar det designvokabulär som den här sidan förutsätter.