Hur kan AI spara tid för mig som lärare?

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

Det är torsdag kväll i vecka åtta. Tre lektionsöversikter ska vara klara på måndag, laborationsrapporterna är halvrättade, och fredagens institutionsmöte har en punkt om vad alla har gjort med AI sedan augustiutbildningen. En kollega säger att verktyget halverade hennes planeringstid. Du provade det två gånger, lade fyrtio minuter på att laga ett arbetsblad och gick därifrån med intrycket att hela saken var överreklamerad.

Ni beskriver båda samma verktyg. Det sparar tid när du tar fram material som du ändå skulle redigera, och det kostar tid när du riktar det mot ett omdöme om en enskild student. Om besparingen blir din beror på ett beslut som de flesta lärare aldrig fattar: vad de återvunna timmarna ska vara till.

Slutsatsen för mötet: lämna över första utkastet och behåll omdömet. Lektionsöversikter, genomräknade exempel, diskussionsfrågor, formativa quizfrågor, alternativa förklaringar, formuleringar i bedömningsmallar och rutinmässig administrativ text är arbete du kan specificera, kontrollera och rätta. Mål, slutbetyg och varje bedömning av en specifik student stannar hos dig. Namnge vad den frigjorda timmen köper, eftersom evidensen om tidsbesparing är evidens om vart tiden tar vägen.

Kortversionen

1. Lista de uppgifter från förra veckan som slutade i ett dokument du sedan redigerade. Det är dina kandidater.

2. Börja med strukturerat material du kan kontrollera mot din egen specifikation: utpasseringsbiljetter, quizfrågor, genomräknade exempel, en andra förklaring av ett svårt begrepp.

3. Skriv ned vart den återvunna timmen går innan du återvinner den.

4. Tidsmät tre återkommande uppgifter i två veckor. Din känsla av besparingen är opålitlig på ett specifikt och dokumenterat sätt.

5. Håll målformulering, summativa betyg och enskilda studentbedömningar på din sida av linjen.

Börja med arbete du ändå skulle skriva om

Den starkaste siffran i den här kunskapsbasen kommer från en randomiserad studie sammanfattad i Hur AI förändrar lärarnas arbetsflöden. Tvåhundrafemtio nio naturvetenskapslärare som använde ChatGPT lade ungefär 69 % så mycket tid på lektionsförberedelse som kontrollgruppen, en minskning på ungefär 31 %, och blinda expertgranskare fann ingen mätbar kvalitetsförlust. Lärarna omfördelade i stället för att spara, och flyttade tiden till planering, rättning och arbete direkt mot studenter.

En andra datamängd i samma arbete, mer än 104 000 meddelanden från över 15 000 lärare, visar varför besparingen landar på oväntade ställen. Den genomsnittliga prompten berör 1,7 kategorier samtidigt, så en enda begäran om en lektionsplan kommer tillbaka med differentiering och ett quiz som läraren inte hade tänkt be om.

Det är omfördelning snarare än minskning: det du vinner med generativ AI är skillnaden mellan en tom sida och ett utkast som är specifikt nog att argumentera med.

Matcha uppgiften mot det verktyget gör bra

Kvaliteten är ojämn i ett mönster som är stabilt nog att planera kring. Blinda granskare föredrog AI-versioner av lektionsavslutningar och utpasseringsbiljetter i 59,7 % av fallen framför material designat av yrkesverksamma, och föredrog AI-material för gymnasiets innehåll i 59,2 % av fallen. Besparingen växer också där din trygghet är lägst: att undervisa utanför sitt eget ämne är fallet med det största gapet mellan vad verktyget ger dig och vad du skulle ha skrivit själv.

Två kategorier går åt andra hållet. På material för grundskolenivå föredrogs människor i ungefär 65 % av fallen för utvecklingsmässig lämplighet. Riktad stöttning för flerspråkiga elever och elever i specialundervisning kom tillbaka neutral snarare än fel, vilket är värre än det låter, eftersom en neutral stöttning är en du bygger om från början.

Testet som förutsäger detta innan du lägger en kväll på det: kan du ange specifikationen så exakt att du kan kontrollera utdata? En utpasseringsbiljett om ett mål, ja. Om ett stycke passar en viss nioåring som läser två år efter sin klass, nej.

Ge den återvunna timmen en destination

Den tydligaste evidensen för att besparingen är verklig, och att den inte gör något på egen hand, kommer från ett stort experiment över 178 skolor och ungefär 19 000 gymnasieelever i årskurs tre om AI-automatiserad essäåterkoppling. Studenter vars återkoppling kom från systemet vann lika mycket som studenter som rättats av människor. De mänskliga rättarna kostade ungefär 0,85 dollar per essä och tillförde ingen mätbar nytta ovanpå.

I AI-klassrummen hade studenterna ungefär 35 % fler enskilda samtal med lärare om skrivande och skrev 30 % fler essäer. Lärarnas arbetstimmar hemma föll med 20 %, och andelen som rapporterade sin tid som ”mycket otillräcklig” föll från 23 % till 9 %. De största lärandevinsterna landade på den mest komplexa skrivuppgiften, den sort AI har svårast att bedöma, eftersom läraren nu hade timmar att lägga på den.

Brasklappen är meningen att bära med sig in i mötet. Den nedersta kvartilen visade ingen förbättring. Studenter som låg längst efter vann ingenting på en lärare som bara hade mer plats i dagen, så vart timmarna går är hela argumentet, och rättvis omfördelning hör hemma i planen från början snarare än i en granskning på slutet.

Mät besparingen i stället för att känna den

Tidsbesparing är det påstående lärare mest tillförlitligt har fel om när det gäller sig själva. I tre förregistrerade studier med 2 691 deltagare underskattade människor hur ofta de använde AI och överskattade den tid och ansträngning det sparade, och rapporterade uppgifter som snabbare och enklare medan objektiva mått visade ingen skillnad. Att använda verktyget tidigare i en session förutsade att man använde det mer senare, så felet förstärks inom en enda eftermiddag (The efficiency-gain illusion: People underestimate the rate of AI use and overestimate its benefits on simple tasks).

Det som hjälper är metakognitiv kalibrering, och den billiga versionen är en loggbok. Notera start- och sluttider på tre återkommande uppgifter i två veckor, en med verktyget och två utan. Förvänta dig en uppgift med en stor genuin besparing, flera utan, och ett par där verktyget lade till ett granskningssteg som åt upp vinsten.

Ansträngning och förmåga går också isär. En inomindividsstudie med 13 lärare i högre utbildning fann att AI-åtkomst sänkte den upplevda kognitiva ansträngningen i lärandedesign från en median på 6,33 till 3,33 (p = 0,004), medan promptträning ovanpå inte förbättrade kvaliteten på designerna (When Teachers Use AI Chatbots and Are Trained for It: Impact on Learning Design Quality and Cognitive Effort). Mindre slit en torsdag kväll är en verklig fördel. Det är inte evidens för att designerna blev bättre.

Håll mål och slutbetyg på din sida

Deltagande designarbete med sex lärare på gymnasiet gav en gräns värd att kopiera. De designade systemet som en avgränsad expert: kapabel inom en smal domän, arbetande under överinseende. De ville ha hjälp att presentera innehåll, generera övningsproblem och ge formativ återkoppling, och vägrade lämna över målformulering eller summativ bedömning, och insisterade på att kunna åsidosätta i oklara fall. Det de skyddade är kärnan i lärarens roll: att avgöra vad som är värt att lära och bedöma om det lärdes.

Betygssättning är uppgiften med störst skenbar avkastning och svagast överförbarhet. OpRaise-riktmärket körde tre frontmodeller mot 761 autentiska psykologiessäer på grundnivå från 125 studenter vid tre brittiska universitet, med 27 promptkonfigurationer per modell. Överensstämmelsen med mänskliga betygsband löpte från 35 % till 65 % beroende på lärosäte. Betygen komprimerades mot mitten, så de starkaste och svagaste essäerna betygsattes minst noggrant, och modellerna höll med varandra långt mer än med mänskliga rättare. Författarnas centrala fynd är att evidens insamlad i en kontext inte överförs till en annan.

Du kan använda automatiserad essäbedömning om du validerar den på ditt eget ämne och dina egna studenter, och behåller beslutet hos en människa. AI-återkopplingens kvalitet säger vad du ska kontrollera: snabbhet och volym är inte detsamma som användbarhet, och den pedagogiska bedömningen av vilken kommentar en student behöver härnäst stannar hos dig.

Vad lärare missförstår

”De 31 procenten är min siffra.” Det är 259 K-12-lärare i naturvetenskapsundervisning, om lektionsförberedelse. Riktningen färdas; storleken gör det inte. En seminariekurs byggd på diskussion kan spara mindre, och en labbkurs med säkerhetskrav kan spara ingenting på just den del du helst ville ha hjälp med.

”Att spara tid är målet.” Brasiliens experiment är motexemplet. Timmarna blev gratis och den nedersta kvartilen vann ingenting. Målet är vad timmarna köper.

”Ett bra utkast betyder att jag kan lämna över nästa steg också.” De sex lärarna drog sin linje vid mål och summativt omdöme av ett skäl. Kvalitet på en utpasseringsbiljett säger ingenting om huruvida verktyget kan avgöra vad utpasseringsbiljetten ska bedöma.

Vad som kommer att slå tillbaka mot dig

”Jag provade och utdata var generisk.” De flesta lärare i forskningen tog första resultatet och redigerade det för hand i stället för att iterera med följdpromptar. En andra och tredje tur som anger din årskurs, din läsning, dina tre senaste quizfrågor och ett exempel på vad bra ser ut förändrar utdata mer än att byta verktyg gör. AI-kompetens är den billiga investeringen, och promptförfining är där den betalar sig.

”Om jag blir snabbare fylls tiden med möten.” Sannolikt, och det vanligaste sättet en besparing försvinner på. Sätt destinationen skriftligt där din prefekt kan se den, innan utrymmet fylls.

”AI-återkoppling snedvrider för de studenter som har det svårast.” Den nedersta kvartilen i Brasilien vann ingenting, och det är den starkaste varningen på den här sidan. Parna besparingen med en avsiktlig användning. Ökningen på 35 % i enskilda samtal är vad de klassrummen gjorde med timmarna, och det var ett val läraren gjorde.

”Betygssättning är där mina timmar faktiskt finns.” Det är det, och det är också där verktyget är minst överförbart mellan lärosäten. Validera lokalt eller låt det vara.

”Det här avprofessionaliserar yrket.” Pishtari-resultatet är den ärliga versionen: upplevd ansträngning föll, och den tillagda träningen förbättrade inte designkvaliteten. Sparad ansträngning är inte vunnen förmåga, och de sex lärarnas gräns är en rimlig plats att hålla linjen medan du lär dig vilka av dina uppgifter som är vilka.

Vad du ska göra den här veckan

1. Skriv ned de fem uppgifter du gjorde förra veckan som slutade i ett dokument du sedan redigerade.

2. Välj den med tydligast specifikation och skriv den med verktyget, och tidsmät båda versionerna.

3. Lägg den återvunna tiden i en namngiven lucka i kalendern: ett samtal med en student, en andra återkopplingsomgång, eller att läsa en uppsättning utkast ordentligt.

4. Skriv din nej-lista och håll den synlig: mål, slutbetyg, allt som hänger på en enskild students behov.

5. För loggboken i två veckor och avgör sedan vilka två uppgifter som permanent är dina att lämna över.

Vart du går härnäst

AI-återkoppling i skala tar återkopplingsfrågan vidare, och Lärarnas AI-kompetenser med Att utforma lärarutveckling för AI täcker vad en institution kan bygga så att detta slutar bero på individuellt experimenterande. Att göra om bedömningen i AI-eran och Att minska AI-fusk hanterar bedömningskonsekvenserna. Hur AI förändrar lärarnas arbetsflöden är artikeln bakom förberedelsesiffrorna, och mänsklig kontroll är principen den här sidan vilar på.