Освіта в галузі інформаційних технологій

Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.

Освіта в галузі інформаційних технологій — галузь обчислювальної освіти, яка готує практиків обирати, розгортати, захищати, адмініструвати та регулювати соціотехнічні системи, якими організації насправді керують, а не вивчати обчислення як самостійну дисципліну. Її найближчий сусід, а також джерело більшості сум’ятів щодо меж, — це Освіта з комп’ютерних наук (CS Education): освіта з інформатики (computer science) зосереджена на алгоритмах, програмуванні та формальних засадах, тоді як освіта з ІТ зосереджена на прикладній конфігурації, кібербезпеці, управлінні даними та інформацією та організаційному Урядування ШІ цими системами. Generative AI досягає цієї галузі двічі — як об’єкт, який студенти мають навчитися оцінювати, захищати та регулювати, і як інструмент, який репетиторствує їх, класифікує їхні запитання та тихо переписує professional шляхи, для яких їх готують.

Питання для роздумів

Якщо ШІ стискає цикли «побудова–провал–налагодження», які історично формували експертизу в ІТ, які базові компетенції має свідомо захищати навчальний план, а якими можна делегувати інструменту?
Студенти знають правила своєї установи і все одно не можуть сказати, чи відповідає їхнє власне використання цим правилам. Чи це провал комунікації, чи інструмент, заснований на правилах, є неправильним важелем для практики, що відбувається приватним чином у особистих акаунтах?
Освіта з ІТ розташована між інформатикою, бізнесом та професійно-технічною освітою. Хто має відповідати за компетенцію управління ШІ — курс, складова навчального плану чи результат на рівні програми?
Якщо класифікатор на основі трансформера відокремлює запитання здобувачів вищого порядку з точністю приблизно 79%, чи слід програмам з ІТ взагалі автоматизувати формативний зворотний зв’язок щодо ставиння питань?
Більшість ментальних моделей GenAI у студентів є декларативними та поверхневими. Чи це передбачає misuse, чи лише нездатність пояснити рішення, які студенти насправді приймають правильно?

Вступ

Освіта в галузі інформаційних технологій — прикладне крило обчислювальних наук. Вона готує людей змушувати системи працювати всередині організацій — мережі, бази даних, операції безпеки, управління медичною інформацією, послуги електронного урядування — і її випускників зазвичай оцінюють професійні органи та роботодавці, а не лише академічне середовище. Відмінність від Освіта з комп’ютерних наук (CS Education) — це одиниця аналізу. Освіта з інформатики бере своїми об’єктами програму та алгоритм; освіта з ІТ бере розгорнуту систему та судження практика про неї. Якщо в інформатиці диспутують про те, чи підриває генерація коду на основі ШІ навичку програмування, то в освіті з ІТ диспутують про те, чи підриває діагностика неполадок за допомогою ШІ діагностичну навичку, чи є політичні документи, створені ШІ, обов’язковими для когось, і чи можуть випускники регулювати системи даних, якими вони керують.

Сусідні дисципліни перетинаються по-різному. Освіта в галузі STEM — батьківська категорія, яка ділиться з нею інструментами, але освіта з ІТ частіше є професійною магістерською програмою або прикладним ступенем бакалаврату, випускники якого потрапляють на регульовані робочі місця. Освіта у сфері бізнесу суміжна через інформаційні системи та програми електронного урядування, які часто діляться курсами та студентами з навчальними планами з ІТ. Професійно-технічна освіта та навчання — інший суміжний окупаційний сусід: обидві галузі готують до практики, але професійно-технічні програми націлені на компетенцію технічного рівня в визначених ремеслах, тоді як освіта з ІТ припускає абстрактне міркування про системи та створює людей, які пишуть документи управління, а не лише виконують їх. Вища освіта позначає рівень, а не галузь, і галузь несе поверхню акредитації та відповідності вимогам — акредитацію в галузі медичної інформатики, зобов’язання HIPAA та FERPA щодо даних, з якими працюють студенти, — що формує те, що вважається легітимним навчальним планом.

Те, що відрізняє ШІ в цій галузі, — це те, що та сама технологія є водночас змістом навчального плану і педагогікою. Узгоджені докази сходяться на одній незручній темі: нинішня повість дня зі ШІ в освіті з ІТ домінується академічною доброчесністю та впровадженням інструментів, тоді як компетенції управління, безпеки та етики даних, яких вимагають власні робочі місця цієї галузі, здаються здебільшого за межами документів, які студенти насправді отримують.

Як ШІ проявляється в освіті з інформаційних технологій

Геміфіковане навчання кібербезпеці. Li та співавтори створили кілька коротких, дружніх до мобільних пристроїв ігор, що охоплюють від безпеки паролів до розпізнавання шахрайства у тексті та телефоні, поєднуючи проєкти на основі вікторин, наративні та Симуляція проєкти з інтерактивними форматами, такими як TikTok Mini-Games, керуючись низькою залученістю та обмеженою ефективністю звичайного відеонавчання (Security Education in Higher Education through AI-Powered Gamification). Їх дворівневе оцінювання з 59 студентами коледжів (9 технічних експертів, 50 звичайних користувачів) повідомляє про потенціал покращити залученість та увагу до кібербезпеки, а не про доведені навчальні здобутки.
GenAI як скаффолдинг або скорочення в саморегульованому навчанні. Дослідження зі змішаними методами із 267 аспірантів з ІТ в Австралії розрізняє скаффолдингований Розвантаження когніції (здобувачі уточнюють цілі, генерують ідеї, отримують Зворотний зв’язок, який потім критикують і адаптують, тож Суб’єктність здобувача залишається в них) від підмінного офлоадингу (результати приймаються з мінімальною перевіркою, контроль переходить до інструменту) (Scaffold or Shortcut? Postgraduate IT Students' Use of Generative AI and Self-Regulated Learning). Впевненість формувала орієнтацію: впевнені студенти реалізовували автономію у постановці цілей і моніторингу, тоді як менш впевнені однолітки сприймали GenAI як скорочення або як misconduct. Когорта була диференційованою, а не гомогенно ШІ-грамотною; автори рекомендують вимагати від студентів обґрунтування або адаптації результатів ШІ як явний Проєктування навчання крок.
Стиснуті шляхи експертизи в професійній практиці. Чотирнадцять напівструктурованих інтерв’ю з ІТ-професіоналами виявили, що GenAI діє і як ментороподібний репетитор, і як скорочувальний сходинки інструмент у діагностиці неполадок, скриптах та перевірці систем (Unanticipated Effects of Generative AI on Expertise Pathways and Performance Perception in System Administration). Прискорена продуктивність у незнайомій предметній галузі скорочує вплив циклів «побудова–провал–налагодження», які історично будували експертизу; швидкість за допомогою ШІ також перезавантажує командні та власні очікування, породжуючи культуру двох швидкостей і почуття провини через продуктивність. Дослідження переносить побоювання в аудиторії щодо metacognitive ціни та втрати навичок у Навчання на робочому місці та workplace learning.

Оцінювання та сторона здобувача у використанні ШІ в ІТ

Запитання здобувачів як діагностичні сигнали. Lee, Atif та Kang класифікували 434 автентичні запитання студентів з 12 курсів з ІТ на три конструктивістські інструкційні ролі — передавач знань, фасилітатор і співучень — досягнувши узгодженої розмітки з human-in-the-loop (каппа Флейса 0,60, що зростає до 0,83) і збільшивши корпус до 582 збалансованих запитань (Analysing AI utilisation in education through learner question types: A constructivist approach). DeBERTa лідирував з точністю 86,36% і прецизією 96,67% на фактичних запитаннях, але прецизія на фасилітаторів впала до 78,79%, а донавчений BERT досяг відгуку 92,00% на пунктах «співучень» лише за прецизії 74,19%. Помилки походили від концептуальної подібності між ролями, неоднозначного наміру здобувача та предметних формулювань, зчитаних як когнітивна глибина; автори попереджають, що збільшення могло ввести лексичні скорочення, і що корпус із 11 студентів, лише з ІТ, ще не може узагальнюватися на інші галузі.
Широкі, але поверхневі ментальні моделі. З 64 придатних для використання концептуальних карт, намальованих 86 студентами бакалаврату на обов’язковому курсі з етики технологій, виникло п’ять категорій ментальних моделей: засновані на технічному процесі, засновані на освітньому інструменті, перехідні, усвідомлені наслідків та інтегровані (Uncovering Students' Mental Models of Generative Artificial Intelligence). Кожна карта показувала декларативні знання, 25 — процедурні, 17 — умовні, і лише 9 інтегрували всі три. Технічний і соціально-регуляторний кластери розташовувалися далеко одне від одного, що автори читають як окремий розвиток ШІ-грамотність та ethical обізнаності; зосереджені на доброчесності вказівки, стверджують вони, торкаються лише одного виміру того, як студенти концептуалізують інструмент.
Правила відомі, відповідність невизначена. Опитування 151 студентів бакалаврату програм «Бізнес-інформаційні системи» та «Електронне урядування» виявило, що більшість студентів активно використовує GenAI, але понад половина не впевнена, чи відповідає їхнє використання інституційним регуляціям, зі слабкими до помірних асоціаціями між regulatory обізнаністю та фактичною поведінкою, і з опорою переважно на приватно доступні інструменти, а не на інституційні (Knowing the Rules Is Not Enough: Student Regulatory Awareness and Use of GenAI in Higher Education). Знання правил не передбачало сильно того, що студенти робили.

Інституційна політика та прогалина управління

Вказівки, а не політика. Екологічне сканування всіх 48 акредитованих магістерських програм з медичної інформатики та управління медичною інформацією виявило 40 (83%) принаймні з одним публічно доступним документом із ШІ, але модальним артефактом були порадницькі вказівки (21, 53%), а не формальна політика (7, 18%) (Institutional approaches to artificial intelligence policy and guidance in health informatics and information management education: emerging trends and inconsistencies). Академічна доброчесність домінувала в лексиконі (n = 139), випереджаючи цитування (n = 59) та Оцінювання (n = 50), тоді як HIPAA (n = 5), FERPA (n = 11), рівний доступ (n = 2) і вимоги розкриття (n = 1) були майже відсутні, а електронні медичні записи не згадувалися взагалі. Latent Dirichlet Allocation виділила чотири теми навколо доброчесності, використання GenAI студентами, університетських дослідницьких інструментів і взаємодії з ChatGPT. Оскільки аналізувалися лише публічні документи, автори трактують відсутність мови приватності та справедливості як висновок про опубліковані вказівки, а не про інституційну практику.
Сліпе пляма справедливості. Інклюзія (n = 9), доступність (n = 9), адаптації (n = 4) та рівний доступ (n = 2) з’являються з частотами, які не можуть підтримати жодного твердження, що Справедливість була розглянута, хоча кілька програм вимагають використання ШІ в курсовій роботі. Разом із мізерним розглядом професійної компетенції Урядування ШІ, це найясніше завдання проєктування, яке цей пакет залишає відкритим: пов’язати правила доброчесності з положеннями щодо доступу, приватності та управління даними, за дотриманням яких ці випускники відповідатимуть.

Пов’язані поняття

Пов’язані статті

Метадані

Дисципліна	Information Technology, Cs Education
Рівень	Higher Ed, Adult Learning
Цільова аудиторія	Administrators, Curriculum Designers, Instructional Designers, Instructors, Learners, Policymakers
Навчання та викладання	Навчання на робочому місці
Установи та політика	Урядування ШІ
Справедливість, етика та відповідальне використання	Справедливість
Основи ШІ в освіті	Академічна доброчесність, ШІ-грамотність, Розвантаження когніції

Source History Edit Chat