Mbinu Bora za Kukuza Mwalimu wa AI Mwenye Ufanisi ni Zipi?

Tafsiri ya kiotomatiki ya ukurasa huu wa Kiingereza, ambayo haijakaguliwa na mzungumzaji mzawa.

Mwalimu wa AI mwenye ufanisi anapaswa kubuniwa kama mfumo wa kujifunza, si chatbot ya kuzalisha majibu. Mada yenye nguvu zaidi katika hifadhi hii ya maarifa ni kwamba muundo wa kielimu — utambuzi, ngazi za msaada, maoni, wakala wa mwanafunzi, na tathmini — unamaanisha angalau kiasi kile kama mfano wa msingi. Mifano miwili iliyofanywa kazi hapa chini (mwalimu wa calculus na kocha wa uandishi) inaonyesha jinsi usanifu msingi ule ule unavyopaswa kuundwa na kile ambacho taaluma inamtaka mwanafunzi.

1. Anza na malengo mahususi ya kujifunza na ubainishe kazi ya mwanafunzi

Kabla ya kuchagua mfano, bainisha:

• Wanafunzi wanapaswa kujua nini au kuweza kufanya nini baada ya kipindi hicho.
• Ni kazi gani ya kiakili ambayo wanapaswa kuifanya wenyewe.
• Ni nini ambacho mwalimu anaweza kusaidia nacho.

Mwalimu aliyeundwa kwa kusudi la "kumaliza tatizo" anaweza kwa urahisi kudhoofisha mwalimu aliyeundwa kwa kusudi la "jifunze kutatua tatizo." Dhana ya Ufafanuzi wa Akili Bandia inasisitiza kuwa ufanisi unategemea ubuni wa kielimu badala ya uwezo wa mfano peke yake.

2. Tambua kabla ya kupendekeza

Weka mfano wa mwanafunzi unaotegemea ushahidi kama maarifa yaliyoonyeshwa, Dhana Potofu Kuhusu AI, majaribio ya hivi karibuni, tabia ya kutafuta msaada, na uhakika pale inapofaa. Rekebisha ugumu na msaada kutokana na ushahidi huu badala ya kuitikia tu ilani ya hivi karibuni ya mwanafunzi. Kuwa na tahadhari juu ya kumruhusu Mifano Mikubwa ya Lugha (LLM) kufanya utambuzi peke yake: kupima kuligundua kuwa walezi wa LLM wanaweza kutambua hoja zilizo wazi sahihi huku wakikataa nyenzo mbadala halali au kukubali hoja zisizo sahihi wakati mwingine. Kwa nyanja zenye matokeo muhimu, usanifu wenye ufanisi ni utambuzi uliopangwa + mazungumzo ya LLM yaliyo na kubadilika. Ona Confirming Correct, Missing the Rest.

3. Tumia ngazi za dokezo badala ya kutoa suluhisho mara moja

Mfuatano mzuri wa kufundisha ni: omba jaribio, chunguza hoja za mwanafunzi, toa kidokezo kidogo, toa dokezo la dhana lililo na nguvu zaidi, onyesha hatua ya sehemu, toa suluhisho lililofanywa kazi tu inapohitajika, kisha mwombe mwanafunzi kueleza au kutumia wazo hilo peke yake. Msaada unapaswa kupungua kadiri uwezo unavyoongezeka. Hii ni kiini cha dhana ya Ngazi za Msaada. Jaribio muhimu la shambani liligundua kuwa kiolesura cha GPT bila ulinzi kiliongeza utendaji wa hesabu unaosaidiwa lakini kilipunguza utendaji wa baadaye wa mtihani bila msaada, wakati mwalimu anayetoa dokezo aliondoa kwa kiasi kikubwa adhabu hiyo ya kujifunza — ona Generative AI without guardrails can harm learning.

Jaribio kubwa zaidi la nasibu la shambani lenye wanafunzi zaidi ya 6,000 wa shule ya kati kwenye jukwaa la mazoezi linalotegemea umiliki liligundua alama ile ile kwa undani zaidi: wanafunzi waliofungwa kwa msaada wa AI walisonga mbele kwa upole zaidi na walijaribu maswali machache zaidi lakini walijibu kwa usahihi zaidi na — mbinu iliyo wazi zaidi — waliboresha usahihi wao wa jaribio linalofuata baada ya makosa, wakihitaji majaribio machache zaidi kurudi kwa jibu sahihi. Hiyo ni kupungua kwa tija, si kukamata majibu, na ni tabia ambayo ngazi za dokezo zinatarajiwa kuzalisha. Somo hilo hilo linatoa onyo kuhusu viwakilishi: kuhitaji majibu sahihi matatu mfululizo lilipanga kwa kiwango kikubwa umiliki uliofafanuliwa na jukwaa bila kutoa faida zinazogundulika kwenye mtihani ulioahirishwa wiki moja baadaye, na ushahidi mkubwa zaidi wa mtihani ulioahirishwa ulionekana tu mahali ambapo AI ilikuwa ndani ya mtiririko wa kazi wa umiliki (kigezo 0.085) badala ya upatikanaji wa peke yake. Ona Making AI Tutoring Productive.

4. Fanya maoni yawe mahususi, ya papo hapo, yanayoweza kutekelezwa, na yanayohusiana na hoja

Epuka maoni yanayosema tu "Sahihi," "Si sahihi," au "Kazi nzuri." Badala yake mwalimu anapaswa kutambua hatua ya hoja inayohusika, kueleza kile kinachohitaji kuzingatiwa upya, kumpa mwanafunzi kitu halisi cha kufanya kifuatacho, na kumwomba mwanafunzi kutabiri au kueleza kabla ya kufichua maoni pale inapofaa. Hifadhi ya maarifa inachukulia Maoni kama kitanzi kamili cha kutoa–kupokea: maoni yanaunga mkono kujifunza tu wakati wanafunzi wanayaelewa na wanachukua hatua juu yake.

5. Weka maudhui ya ukweli msingi badala ya kuamini kumbukumbu ya LLM

Tumia uzalishaji ulioimarishwa na urejeshaji dhidi ya vitufe vinavyotegemewa kama vile vitabu vilivyoidhinishwa na mkufunzi, madaftari za kozi, mifano iliyofanywa kazi, sera, na nyenzo za mtaala, na weka wazi vyanzo vya kurejelea au asili pale inapofaa. Kwa nyanja zenye majibu yanayoweza kukaguliwa rasmi, ongeza zana za uhakika kama vile vikokotozi, mifumo ya hisabati ya ishara, utekelezaji wa msimbo, michoro ya maarifa, vihakiki vilivyo na kanuni, na suluhisho za maalum ya taaluma. RAG inaweza kupunguza hatari ya kutunga vitu visivyokuwepo, ingawa haiondoi — ona Retrieval-Augmented Generation.

6. Buni kwa metaji na wakala wa mwanafunzi

Mahitaji ya mara kwa mara ya mwanafunzi ni kuzalisha, kuchagua, kuthibitisha, kutathmini, au kutafakari. Kanuni nzuri ya kubuni ni mwanafunzi kwanza → AI pili → mwanafunzi tena. Lengo la muda mrefu ni wanafunzi kujifunza ndani ya maswali ya mwalimu na mikakati ya Utatuzi wa Matatizo badala ya kutegemea mwalimu. Ona wakala wa mwanafunzi na Ngazi za Msaada.

7. Chukulia usalama wa kielimu kuwa tofauti na usalama wa kawaida wa chatbot

Upimaji wa usalama kwa mwalimu wa kielimu unapaswa kujumuisha zaidi ya sumu na upinzani wa uvunjaji. Pima uvujaji wa majibu, kuimarisha dhana potofu, makubaliano ya kupita kiasi au kubembeleza, ugumu usiofaa, kupunguza mzigo wa kiakili, matibabu yenye upendeleo, kupotea kwa wakala wa mwanafunzi, mwelekeo wa kufundisha, na ujasiri kupita kiasi katika maelezo yasiyo sahihi. Mwalimu anapaswa kuwa mpole lakini sahihi, ikijumuisha wakati mwanafunzi anashikilia dhana potofu, na upimaji unapaswa kuhusisha mazungumzo marefu kwa sababu kushindwa kwa kielemu kunaweza kujumuisha kwa mwingiliano mwingi. Ona Usalama wa Kipatolojia na AI Tutor Safety and Pedagogical Harms.

8. Jenga faragha, upatikanaji, na usawa ndani ya usanifu

Kusanya tu data ya mwanafunzi inayohitajika kwa kielimu. Pale ambapo kumbukumbu ya kudumu au kufanya mfano wa mwanafunzi inatumika, fanya kusudi lake kuwa wazi, wape wanafunzi udhibiti unaofaa, linda taarifa nyeti, bainisha sera za kuhifadhi, na toa usimamizi wa mkufunzi au wa binadamu kwa hali zenye matokeo muhimu. Kagua tabia ya mwalimu katika lugha tofauti, viwango vya uwezo, miktadha ya kitamaduni, mahitaji ya Ufikivu, na viwango tofauti vya maarifa ya awali na uzoefu wa AI. Usifanye kutoa ilani kisicho na kiwango cha juu kuwa sharti la mafunzo mazuri — mwalimu mwenyewe anapaswa kusaidia wanafunzi kutunga maswali yenye tija.

9. Pima kujifunza, si ubora wa chatbot tu

Vipimo kama usahihi wa majibu, urefu wa mazungumzo, upendeleo wa mwanafunzi, kuridhika, ukamilifu wa kazi, na ushirikiano hayatoshi peke yake. Badala yake tathmini utendaji bila msaada, kuhifadhiwa kwa muda, uhamishaji kwa matatizo mapya, kusahihisha dhana potofu, uhuru wa mwanafunzi, kupokea maoni, na athari tofauti kati ya vikundi vya wanafunzi. Swali muhimu ni kama wanafunzi wanaweza kufanya kazi kwa mafanikio baada ya mwalimu kuondolewa. Ona Tathmini ya AIEd na The Missing Evaluation Axis.

Masudio mawili ya hivi karibuni yanaainisha kiwango hicho dhidi ya kujitangaza na mipango mifupi. Jaribio la wanafunzi 38 wapya wa programu lilipata uhusiano mkubwa kati ya matumizi ya AI ya kizalishaji na kujifunza kunachohisiwa (rs=0.802, p<0.001), huku viashiria vya maendeleo ya kujitegemea bila msaada wa mkufunzi vikiwa na alama za chini zaidi — pengo ambalo waandishi wanaonya huweka kufanya kufanya kuhisi ujuzi na deni ya maarifa, na pengo haswa ambayo vipimo vya kuridhika hulipa. Ona Generative AI as an Informal Cognitive Tutor.

Kwa msingi zaidi, tathmini nyingi husimama wakati msaada unapoisha. Mienendo ya kupotea kwa kiakili inaita kipindi cha baada ya kuondolewa ambacho hakipimwi na inaelekeza matokeo manne yanayowezekana — kurudi kwa mpigo, kiwango cha sehemu, ngazi ya msaada ya siri, na kupona kupita kiasi — na mfano wa mkondo wa kupotea ambao vigezo vyake ni pamoja na muda wa kupona, ukamilifu wa kupona, na kielezo cha hysteresis kinacholinganisha juhudi za kujifunza upya na juhudi za awali. Kwa sababu uwezekano wa kurejea unahakiki ubaya, mfumo unadai kuwa mazoezi ya kawaida bila msaada yapaswa kupimwa kwa mkondo wa kupona badala ya kujadiliwa kimaadili. Mpango wa tathmini ya mwalimu unapaswa kwa hivyo kujumuisha awamu ya kuondoa, si mtihani wa papo hapo tu. Ona ushahidi wa nasibu kwamba msaada mfupi unapunguza utendaji wa baadaye bila msaada.

10. Weka walimu au wataalam wa taaluma katika kitanzi cha uhakika wa ubora

Kabla ya kuweka kwenye matumizi, waachie waelimishaji kupima wasifu halisi wa wanafunzi, dhana potofu za kawaida, matukio ya mipaka, ilani za kupingana, majibu yenye utata, na mazungumzo marefu ya kufundisha. Weka kumbukumbu za kushindwa kwa kielimu na uzitumie kubadilisha ilani za mfumo, sera za kufundisha, vyanzo vya maarifa, Vizuizi vya Usalama, kanuni za mfano wa mwanafunzi, na uteuzi wa mfano. Usimamizi wa binadamu unabaki muhimu kwa sababu majibu ya kufundisha yenye ufasaha yanaweza bado kuwa yasiyofaa kielimu au yasiyo sahihi.

Mapitio ya kimfumo ya Lee ya masudio 29 ya K-12 yanaonyesha usimamizi huo unajumuisha nini kweli, na mahali unapovunjika. Uingiliaji wa mwalimu ni kitanzi kinachojirudia cha awamu nne — kufuatilia, kuhukumu, kuingilia, na kuratibu; tahadhari za AI, dashibodi za uchanganuzi na alama za otomatiki "haziendi kiotomatiki hadi hatua ya kielimu"; na mkakati mkuu wa mwalimu ni tafsiri ya kielimu — kuchagua, kubadilisha, kuongeza, kufupisha au kufuta maoni ya chatbot badala ya kuyapitisha bila kubadilika. Onyo mawili ya kubuni yanafuata. Habari zaidi za AI si bora zaidi: mifumo inayotoa uchunguzi kwa njia ya kuendelea iliwazaidi wataalam na ilivuta msisitizo mbali na uchunguzi wao wenyewe, kwa hivyo weka kipaumbele kile kinachostahili kufanywa na ufanye kikagulika, na toa mapendekezo katika muundo ambao wataalam wanaweza kukubali, kubadilisha, kuahirisha au kukataa. Msaada zaidi wa mwalimu si bora zaidi pia: kuahirisha uingiliaji ili wanafunzi waweze kufanya kazi kwa kujitegemea ni utaalam wenyewe, na hali za kimuundo — muda wa kukagua data, ukubwa wa darasa, uwezo wa kufika kimwili vikundi vinavyohitaji msaada — ni sehemu ya uingiliaji badala ya mantiki ya nyuma.

Usanifi mzuri wa mwalimu wa AI

Usanifi thabiti wa uzalishaji unaweza kuwakilishwa kama: lengo la kujifunza → ushahidi wa mwanafunzi/mfano wa mwanafunzi → sera ya kielimu → maudhui yaliyo na msingi na yaliyothibitishwa → uzalishaji wa mazungumzo → majibu ya mwanafunzi → mfano wa mwanafunzi uliosasishwa (unarejea tena). Usalama, faragha, upatikanaji, usimamizi wa mwalimu, na tathmini yanapaswa kuzunguka kitanzi chote.

Kigezo cha mafanikio muhimu zaidi

Kigezo muhimu zaidi cha maendeleo si "je, AI ilisuluhisha tatizo?" bali "baada ya kuingiliana na AI, je, mwanafunzi anaweza kutatua tatizo linalofanana peke yake?" Ushahidi wa kanuni hii ni mkubwa zaidi katika nyanja zilizopangwa za kujifunza kama hesabu na programu; ujumuishaji kwa nyanja zaidi za wazi unabaki hauna uhakika, hivyo kufanya tathmini mahususi ya taaluma kuwa muhimu.

Kwa mahali ambapo mwalimu hukaa ndani ya mfululizo wa kozi badala ya kusimama peke yake, ona AI Inapaswa Kubuniwa Je Katika Uzoefu wa Kujifunza?; kwa kanuni za kubuni za kiwango cha programu ambazo mwalimu anapaswa kuzitimiza, ona Ni Mbinu Bora na Vidokezo Gani vya Kubuni Programu Bora ya AI katika Elimu?; na kwa jinsi ya kutathmini uingiliaji unaotokana nao, ona Vipimo na Mbinu Gani za Utafiti Mkufunzi Anaweza Kutumia Kutathmini Muingilio Unaohusiana na AI?.

---

Mfano 1: Kubuni Mwalimu wa AI wa Calculus

Fikiria mwalimu wa calculus wa chuo kikuu cha semester ya kwanza. Lengo lake linapaswa kuwa kuongeza kile wanafunzi wanaweza kutatua na kueleza peke yake baada ya mwalimu kuondolewa, si kuongeza kiwango cha juu matatizo yaliyokamilishwa kwa usahihi. Mafunzo ya hesabu ni nyeti hasa kwa ngazi za msaada za kupita kiasi, matumizi ya dokezo ya mapema, na utambuzi usio sahihi wa hoja za mwanafunzi. Ona Elimu ya Hisabati, When Help is Unhelpful, Catching the Correct Answer Trap, na Ngazi za Msaada.

Malengo ya kujifunza. Mwalimu anaweza kudumisha ramani ya dhana (kazi na michoro → viwango vya mabadiliko → mipaka → derivative kama kikomo → kanuni za derivative → matumizi → antiderivatives → integral zilizobainishwa → theorem ya msingi). Kwa kila dhana anapaswa kutofautisha aina kadhaa za umiliki. Kwa mfano, "umiliki wa derivative" haupaswi kumaanisha tu kuzalisha derivative sahihi; unaweza kujumuisha kutambua wakati derivative inafaa, kuitafsiri kama kiwango cha mabadiliko cha papo hapo, kuchagua kanuni sahihi, kutekeleza taratibu, kueleza kwa nini inafaa, kukagua uwiano, na kuitumia kwa tatizo lisilo julikana. Hii husaidia kuzuia mtego wa jibu sahihi, ambapo mwanafunzi hufikia jibu sahihi kupitia hoja zenye makosa.

Usanifu wa mfumo. Ubuni wa vitendo wa tabaka sita: nyenzo za kozi + sera za mkufunzi → tabaka la urejeshaji/RAG → (injini ya matatizo → mfano wa mwanafunzi) na (kihakiki cha ishara → injini ya utambuzi) → sera ya kielimu → LLM ya mazungumzo → mwanafunzi → mfano wa mwanafunzi uliosasishwa.

1. Tabaka la msingi wa kozi: linaomba kutoka nyenzo zilizoidhinishwa na mkufunzi (sehemu za kitabu, madaftari ya mahojiano, mifano iliyofanywa kazi, istilahi, mbinu zilizoidhinishwa, alama, kanuni za kazi) ili mwalimu asianzishe mbinu ambazo ni halali kihisabati lakini hazifai kwa kozi.
2. Tabaka la uthibitisho wa kihisabati: linatumia mfumo wa algebraic ya kompyuta kuthibitisha usawa wa algebraic, derivatives, integrals, majibu ya mlinganyo, pointi muhimu, na makadirio ya namba — LLM hushughulikia maelezo na mazungumzo huku mfumo wa uhakika ukishughulikia ukaguzi wa kihisabati.
3. Tabaka la mfano wa mwanafunzi: linadumisha makadirio kwa dhana (mfano. kikomo: kinaendelea, kanuni ya nguvu: imemilikiwa, kanuni ya bidhaa: kinaendelea, kanuni ya mlolongo: haijaonyeshwa) pamoja na nadharia za dhana potofu zenye ushahidi na uhakika. AI inapaswa kuchukulia dhana potofu kama nadharu, si ukweli uliothibitishwa, kwa sababu LLM zinaweza kutunga ushahidi au kuvumbua dhana potofu kwa njia isiyo sahihi — mchakato wa gundua → hakiki → jibu unahitajika.

Mwingiliano wa kufundisha. Kwa kutofautisha $f(x)=(x^2+1)\sin x$, chatbot ya kawaida inaweza kufichua jibu mara moja. Mwalimu anayeelekea kujifunza badala yake hufikiri ndani: mwanafunzi alitofautisha sehemu zote mbili lakini anaonekana kuzidisha derivatives zao (dhana potofu inayowezekana ya kanuni-ya-bidhaa-kama-$f'g'$), kwa hivyo anauliza swali la utambuzi kwanza ("unatumia kanuni gani wakati kazi mbili zinazidishwa?"), kisha anamwomba mwanafunzi kuandika kanuni ya bidhaa kwa ishara, kisha anaanzisha $u$ na $v$, na huthibitisha tu usemi wa mwisho baada ya mwanafunzi kuujenga upya.

Sera ya msaada wa hatua kwa hatua. Msaada unaweza kubadilika kupitia ngazi ya ngazi: jaribio la kujitegemea → swali la metaji → kidokezo cha dhana → tambua kanuni inayohusika → anzisha sehemu ya tatizo → hatua ya kati iliyofanywa kazi → suluhisho lililofanywa kazi → mwanafunzi anaeleza → mwanafunzi anatatua tatizo la uhamishaji peke yake. Kuona suluhisho lililofanywa kazi hakionyeshi umiliki, kwa hivyo baada ya msaada mkubwa mwalimu anapaswa kumwomba mwanafunzi kujaribu tatizo linalofanana bila msaada.

Kuepuka matumizi ya dokezo yasiyo na tija. Kiolesura hakifanyi dokezo zisizo na kikomo kuwa njia ya mkato isiyo na ugumu, kwa sababu maombi ya dokezo ya mapema na kusoma dokezo kwa ufupi yanahusiana na faida ndogo za kujifunza. Badala ya [Hint][Hint][Hint][Show Answer], mfumo unaweza kuuliza "umeyajaribu nini?" na "sehemu gani inakuzuia?" (kuchagua kanuni, kuanzisha mlinganyo, kufanya algebra, kuelewa dhana, kitu kingine) na kutoa msaada uliolengwa.

Kusaidia calculus ya dhana. Mwalimu anapaswa kuunganisha taratibu za ishara na uwakilishi mwingi (fomula, mchoro, jedwali, tafsiri ya maneno, miktadha ya kiwango cha mabadiliko cha kimwili) ili kutofautisha ufasaha wa taratibu na ufahamu wa dhana.

Dashibodi ya mwalimu. Mfumo unapaswa kufichua ushahidi uliokusanywa badala ya hukumu za AI zisizo wazi — mfano. "kanuni ya bidhaa — 62% ya umiliki ulioonyeshwa; mifumo ya kawaida: 18% wanaacha neno moja, 11% wanazidisha derivatives" — na utambuzi wa mtu binafsi unawasilishwa kama nadharia zinazoungwa mkono na ushahidi.

Mpango wa tathmini. Pima utendaji wakati wa kutumia mwalimu, utendaji kwenye matatizo yanayofanana bila yeye, kuhifadhiwa kwa muda, uhamishaji kwa matatizo yasiyo julikana, ubora wa maelezo ya dhana, kusahihisha dhana potofu, kutafuta msaada kwa njia inayofaa dhidi ya mapema, uvujaji wa majibu, viwango vya uwongo wa chanya/hasi vya utambuzi, na matokeo tofauti. Ulinganisho muhimu ni utendaji na mwalimu dhidi ya utendaji bila yeye baadaye — mwanafunzi anayesonga kutoka 60% hadi 95% wakati wa msaada lakini akibaki 60% peke yake hajapata mafunzo yenye ufanisi.

---

Mfano 2: Kubuni Kocha wa AI wa Uandishi

Kocha wa AI wa uandishi anahitaji ubuni tofauti kwa sababu uandishi hauna jibu moja lililo sahihi kisababu. Lengo ni kumsaidia mwanafunzi kuwa bora zaidi katika kupanga, kuandika rasimu, kutathmini, na kuboresha uandishi wake. Hifadhi ya maarifa inaeleza uandishi kama mchakato wa kiakili, wa kijamii, na wa kisanaa, ikimaanisha mfumo wa uandishi wa AI unaweza kusaidia kujifunza lakini unaweza pia kuondoa kabisa mawazo ambayo kazi ilikusudiwa kuyaboresha. Ona Kuandika, From Planning to Revision, Coach not Crutch, na Maoni.

Malengo ya kujifunza. Mfano wa mwanafunzi wa kocha unaweza kufuatilia hoja (uhusika wa thesis, ulinganifu wa dai-ushahidi, hoja za kupinga), mpangilio (mwelekeo wa aya, mwelekeo wa mantiki, mabadiliko), ushahidi (uhusika wa chanzo, ujumuishaji wa ushahidi, tafsiri), marekebisho (marekebisho ya jumla na ya kiwango cha sentensi, tathmini ya maoni), na mtindo (uwazi wa sentensi, sarufi, sauti ya mwandishi) — kufuatilia uwezo wa uandishi, si alama ya insha tu.

Weka kocha msingi kazini. Omba maelekezo ya kazi, rubriki ya mkufunzi, masomo ya kozi, mahitaji ya kurejelea, mapokeo ya aina, mifano ya mkufunzi, na sera ya matumizi ya AI ili maoni yaweze kurejelea kazi halisi ("rubriki ya mkufunzi wako inakuomba kuunganisha kila dai kuu na ushahidi kutoka angalau masomo mawili ya kozi") badala ya kutunga matarajio ya jumla.

Chukua hatua za uandishi kwa njia tofauti. Ushirikiano wa AI katika hatua tofauti huathiri umiliki unaohisiwa kwa njia tofauti — msaada wa kupanga unapunguza umiliki kidogo kuliko msaada wa kuandika rasimu, na kuandika rasimu kwa AI kunaongeza kupungua kwa umiliki kwa kiasi kikubwa. Kwa hivyo kocha anaweza kutoa ruhusa tofauti kwa kila hatua: katika kupanga anaweza kuuliza maswali, kulinganisha mielekeo, kushindua dhana, na kukosoa mipango lakini epuka kuzalisha hoja nzima; katika kuandika rasimu mwanafunzi huzalisha maandishi kwanza (kocha husaidia kuboresha, si kuchukua udhibiti); katika marekebisho kocha anaweza kutambua dhai zisizo wazi, kutambua ushahidi unaokosekana, kukagua kama ushahidi unaunga mkono dai, kugundua matatizo ya mpangilio, na kulinganisha rasimu dhidi ya rubriki — kutambua kabla ya kuandika upya; katika uhariri (baada ya marekebisho) anaweza kusaidia sarufi, alama za uakifishaji, ufupi, na mpangilio wa kurejelea.

Mfano wa mwingiliano. Kwa insha kuhusu kuhitaji kozi za mtandaoni, mfumo wa jumla unaweza kuandika upya aya ya mwanafunzi kuwa maandishi yaliyopangwa vizuri, na kufanya kazi ya kiakili. Kocha wa uandishi badala yake anasema kinachofanya kazi, anaita suala kuu (aya inatoa sababu lakini haielezi kwa nini zinathibitisha agizo la chuo kikuu nzima), anauliza swali la marekebisho, na anamwomba mwanafunzi kukamilisha sentensi kwa maneno yake mwenyewe — akimwachia mwanafunzi ujenzi wa hoja.

Maoni yanapaswa kuwa na kipaumbele. Kila awamu ya maoni inaweza kujumuisha nguvu moja ya kuhifadhi, suala moja lenye athari kubwa, swali moja linalohitaji hukumu ya mwandishi, na lengo moja halisi la marekebisho — badala ya kumzidi mwanafunzi maoni kadhaa.

Fanya mwanafunzi atathmini maoni ya AI. Ujuzi wa maoni ni lengo la kujifunza lenyewe; kocha anapaswa kuuliza mara kwa mara kama mwanafunzi anakubaliana na pendekezo na kwa nini, na kumruhusu mwanafunzi kukataa maoni ya AI — akiboresha hukumu ya kutathmini, si utii.

Hifadhi sauti ya mwandishi. Kocha anapaswa kutofautisha makosa, masuala ya uwazi, chaguo za kisanaa, na upendeleo wa mtindo, na hapaswi "kusahihisha" moja kwa moja yale ya mwisho mawili — vinginevyo inahatari ya kuwa na mtindo mmoja wa uandishi kuelekea mtindo ambao mfano unapendelea, hasa kwa waandishi wa lugha nyingi na mitindo ya kisanaa isiyo ya kawaida.

Mfano wa mwanafunzi wa historia ya marekebisho. Badala ya kuhifadhi insha za mwisho tu, mfumo unaweza kujifunza kutoka marekebisho ya mwanafunzi (mfano. mifumo inayojirudia ya "ushahidi umeingizwa lakini haujatafsiriwa" ambayo inaboresha kati ya insha), ikibadilika kutokana na ushahidi wa kujifunza.

Ushirikiano wa mwalimu. Mkufunzi anadhibiti rubriki, malengo ya kazi, aina zinazoruhusiwa za msaada wa AI, ukusanyaji wa vyanzo, matarajio ya kurejelea, kama kuandika rasimu kwa AI kunaruhusiwa, na wakati upitishaji wa binadamu unahitajika. Dashibodi ya mwalimu inaweza kuonyesha mifumo ya ngazi ya darasa (mfano. 41% wanahitaji msaada kwenye muunganisho wa dai-ushahidi) kama ishara ya Tathmini ya Mchakato.

Kutathmini kocha wa uandishi. Pima ubora wa uandishi unaosaidiwa na AI na ule wa baadaye bila msaada, uwezo wa kutambua udhaifu katika uandishi usio julikana, ubora wa marekebisho, kupokea maoni, uwezo wa kueleza marekebisho, umiliki wa mwanafunzi, utegemezi kwa maandishi ya AI, kuhifadhiwa kwa sauti, upendeleo kati ya lahaja/waandishi wa lugha nyingi/vikundi, ulinganifu na hukumu ya mkufunzi, na uhamishaji wa muda. Jaribio linalofichua linalinganisha kikundi kinachoandika kwa kujitegemea, kikundi ambapo AI inazalisha/kurekebisha maandishi, na kikundi cha kocha — yote yanakamilisha insha mpya bila AI: ikiwa kikundi cha AI kinafanya vizuri zaidi katika mazoezi lakini kibaya bila AI, mfumo uliboresha utendaji badala ya kujifunza.

---

Kulinganisha mipango miwili

Swali la ubuni	Mwalimu wa calculus	Kocha wa uandishi
Kitu kuu cha kujifunza	Dhana za kihisabati na kutatua matatizo	Hoja na mchakato wa uandishi
Uthibitisho	Mara nyingi unaweza kukaguliwa kisababu	Kwa kawaida unahitaji hukumu ya miktadha
Zana za uhakika	Injini ya hisabati ya ishara / kikokotozi	Sarufi, kurejelea, kukagua rubriki
Jukumu kuu la AI	Tambua na uweke ngazi za msaada za hoja	Tambua na uweke ngazi za msaada za marekebisho
Hatari kuu	Kutoa suluhisho	Kuandika maandishi kwa ajili ya mwanafunzi
Kitendo muhimu cha mwanafunzi	Tatua na eleza	Andika rasimu, tathmini, na boresha
Mfano wa mwanafunzi	Dhana, taratibu, dhana potofu	Hoja, ushahidi, mpangilio, marekebisho
Nguzu muhimu ya ulinzi	Jaribio kabla ya suluhisho	Maandishi ya mwanafunzi kabla ya AI kuandika upya
Mtihani wa uhamishaji	Matatizo mapya ya calculus bila AI	Kazi mpya ya uandishi bila AI
Kigezo cha mafanikio	Hoja za kihisabati za kujitegemea	Uandishi wa kujitegemea na hukumu ya kutathmini

Mifumo hii miwili inatumia teknolojia nyingi za AI za karibu sawa lakini inaweka sera tofauti za kielimu kwa sababu taaluma zinahitaji aina tofauti za kufikiri. Kanuni ya pamoja: tambua shughuli ya kiakili inayozalisha kujifunza, na buni AI kusaidia shughuli hiyo bila kuiondoa kwa mwanafunzi — ikihifadhi hoja za kihisabati kwa calculus, na uandishi, maamuzi ya kisanaa, tathmini, na marekebisho kwa uandishi. Kanuni hiyo ni ya msingi zaidi kuliko mfano maalum wowote, ilani, mfumo wa wakala, au kiolesura cha mtumiaji.