Miks AI-tugiõpe on tagasi pildis
AI-tugiõpe on jõuliselt naasnud. Mõte, et arvutid pakuvad üks-ühele tuge, ei ole uus; intelligentseid tugiõppesüsteeme on uuritud alates 1980. aastatest. Muutunud on suurte keelemudelite (LLM-ide) teke, mis suudavad pidada sujuvaid vestlusi, luua selgitusi nõudmisel ja kohanduda õpilaste vastustega reaalajas.
Teenusepakkujad lubavad nüüd „tugiõpet iga lapse jaoks”, viidates sageli klassikalisele uurimistulemusele „2 sigma probleemist” – leiule, et individuaalne tugiõpe võib oluliselt ületada tavapärast klassiõpet. Pole ime, et koolijuhid tahavad teada, kas tänased AI-tugiõpetajad suudavad tegelikult pakkuda midagi ligilähedastki neile tulemustele või lisavad nad lihtsalt veel ühe kihi keerukust ja kulu.
See artikkel sünteesib seni olemasolevate usaldusväärsete uuringute järeldusi, keskendudes õpitulemustele, võrdsusele ja rakendustingimustele, mis päriskoolides loevad. Laiema ülevaate saamiseks AI arengusuundadest koolides võib kasulik olla ka meie AI olukorra ülevaade Ühendkuningriigi hariduses, september 2024.
Mida me mõtleme „AI-tugiõppe” all
Määratlused on olulised, sest „AI-tugiõpetaja” all mõeldakse väga erinevaid tööriistu. Teaduskirjanduses eristatakse laias laastus kolme tüüpi:
Esiteks on klassikalised intelligentsed tugiõppesüsteemid (ITS). Need on struktureeritud platvormid, sageli ainepõhised, mis esitavad ülesandeid, analüüsivad vastuseid ja pakuvad samm-sammulist tagasisidet. Nende „intellekt” on tavaliselt reeglipõhine ja rangelt konkreetse õppekava külge seotud.
Teiseks on LLM-idel põhinevad vestluslikud tugiõpetajad, nagu Khan Academy Khanmigo. Need tööriistad kasutavad üldotstarbelisi keelemudeleid, mille ümber on ehitatud hariduslikud kaitsemehhanismid, et simuleerida inimlikku dialoogi: esitada suunavaid küsimusi, selgitada mõisteid ja toetada metakognitsiooni.
Kolmandaks on AI-ga täiustatud harjutusrakendused. Duolingo AI-funktsioonid kuuluvad suuresti sellesse kategooriasse. Põhiplatvorm on endiselt struktureeritud harjutuskeskkond, kuid AI-d kasutatakse raskusastme kohandamiseks, tagasiside loomiseks, ülesannete genereerimiseks või suhtlusülesannete simuleerimiseks.
Kui loete väiteid „AI-tugiõppe” kohta, on kriitiline küsida: kas tegemist on täisfunktsionaalse tugiõpetajaga, mis juhib tervet õpijada, või abilisega, mis on kihistatud olemasolevate materjalide peale? Uurimistulemusi ei saa nende kategooriate vahel üks-üheselt üle kanda.
Mida uuringud üldjoontes näitavad
Kõige tugevam tõendusbaas pärineb endiselt LLM-eelsest intelligentsetest tugiõppesüsteemidest, eriti matemaatikas ja loodusteadustes. Nende süsteemide meta-analüüsid näitavad tavaliselt mõõdukaid positiivseid mõjusid õpitulemustele, keskmiste efektisuurustega umbes 0,3–0,4 standardhälvet võrreldes tavapärase õpetusega. See vastab ligikaudu mitmele lisakuule edenemisele ühe õppeaasta jooksul, kuigi hinnangud varieeruvad sõltuvalt uuringu kvaliteedist ja kontekstist.
Muster on üsna järjekindel:
- Ained: Matemaatikas ja mõnes muus STEM-valdkonna aines on tulemused kõige tugevamad ja usaldusväärsemad. Lugemisoskuse ja kirjutamise puhul on pilt kirjum, osalt seetõttu, et need tuginevad suurel määral avatud keelekasutusele, millega varasemad süsteemid halvasti toime tulid.
- Vanuserühmad: Kõige rohkem võidavad sageli vanema algkooli ja noorema põhikooli (või madalama keskastme) õpilased. Väga noored õppijad vajavad rohkem toestust ja käitumise juhtimist, kui praegused tööriistad suudavad usaldusväärselt pakkuda, samas kui vanemad õpilased kasutavad AI-d sagedamini kodutööde toetamiseks kui struktureeritud õppimiseks.
- Tulemused: AI-tugiõpetajad on eriti tõhusad protseduurilise vilumuse ja lähisiirde ülesannete puhul (sarnased probleemid neile, mida harjutati). Mõju sügavamale mõistmisele ja kaugsiirdele on positiivne, kuid väiksem ja vähem järjekindlalt mõõdetud.
LLM-idel põhinevate tugiõpetajate tõendusbaas on uuem ja vähem ulatuslik. Esialgsed katseuuringud viitavad, et kontrollitud tingimustes võivad need saavutada sarnaseid või veidi suuremaid tulemusi kui vanemad ITS-süsteemid, eriti kui õpetajad on aktiivselt kaasatud. Küll aga puuduvad veel suured, mitmeaastased uuringud, mis näitaksid püsivat mõju süsteemi tasandil.
Laiema konteksti saamiseks selle kohta, millal AI õppimist toetab ja millal takistab, võib kasulik olla meie analüüs millal AI aitab ja millal kahjustab õppimist.
Juhtumiuuring 1: Khanmigo
Khan Academy Khanmigo on üks nähtavamaid LLM-põhiseid tugiõpetajaid koolides. See kasutab suurt keelemudelit, mida juhivad spetsiaalsed juhised ja kaitsemehhanismid, et toimida sokraatliku tugiõpetajana, julgustades õpilasi oma mõtlemist selgitama, mitte lihtsalt vastuseid andma.
Varajased hindamisuurimused, peamiselt pilootpiirkondadest, toovad esile mitu mustrit:
Khanmigo paistab eriti paljulubav matemaatiliste tekstülesannete lahendamisel ja programmeerimises, kus ülesannete struktureeritus muudab õpilaste samm-sammulise mõtlemise suunamise lihtsamaks. Väikesed randomiseeritud või kvasi-eksperimentaalsed uuringud on teatanud tagasihoidlikest, kuid statistiliselt olulistest paranemistest matemaatika tulemustes ühe trimestri või semestri jooksul, eriti kui õpilased kasutavad Khanmigo’t regulaarselt ja õpetajad lõimivad selle teadlikult tunniplaanidesse, mitte ei kasuta seda vaid vabatahtliku lisana.
Pilootkoolide õpetajad kirjeldavad sageli paranenud kaasatust ja tulemuslikumat abi otsimise käitumist. Õpilased, kes muidu jääksid ülesande juurde kinni, saavad koheseid vihjeid või suunavaid küsimusi, mis aitavad edasi liikuda. Oluline on, et õpetajad hindavad Khanmigo võimet modelleerida metakognitiivseid strateegiaid, näiteks töö kontrollimist või probleemide jagamist alametappideks.
Samas on mitmeid olulisi mööndusi. Mõju väheneb järsult, kui kasutus on juhuslik, kui õpilased jäetakse täielikult ise oma õppimist juhtima või kui õpetajaid ei koolitata Khanmigo andmeid tõlgendama ja õpetust vastavalt kohandama. Mõned uuringud märgivad ka, et kuigi süsteem on disainitud nii, et see ei annaks otseseid vastuseid, suudavad otsusekindlad õpilased seda siiski „mängida”, eriti järelevalveta keskkondades.
Kokkuvõttes joonistub välja pilt, et Khanmigo võib toetada märkimisväärseid õpitulemusi, kui see on läbimõeldult lõimitud matemaatika või informaatika õppekavasse, selgete rutiinide ja täiskasvanu järelevalvega. See ei ole „pistad sisse ja töötab” asendus õpetaja juhitud selgitusele või juhendatud harjutamisele.
Juhtumiuuring 2: Duolingo AI-funktsioonid
Duolingo tegutseb teistsuguses nišis: keeleõpe, mitte põhikooli tuumaine, ja enamasti väljaspool formaalseid tunniplaanikohaseid tunde. Selle AI-funktsioonid hõlmavad kohanduvat raskusastet, personaalset kordamisgraafikut ja hiljuti ka keelemudelitega toetatud vestluspraktikat.
Laiemad uuringud Duolingo ja sarnaste rakenduste kohta näitavad, et:
Õppijad, kes kasutavad platvormi regulaarselt, saavutavad mõõdetavaid edusamme sõnavaras ja põhigrammatis, sageli võrreldaval tasemel traditsiooniliste algkursustega, eriti nullist alustades. Eriti tõhus on hajutatud kordamise algoritm sõnade ja lihtsate fraaside meeldejätmiseks.
AI-ga genereeritud tagasiside häälduse ja grammatika kohta võib kiirendada vigade parandamist, kuigi see ei ole veatu. Uuringud, mis võrdlevad automaatset tagasisidet õpetaja omaga, viitavad, et AI sobib hästi sagedaste, reeglipõhiste vigade parandamiseks, kuid jääb hätta nüansside, pragmaatika ja kultuuriliselt sobiva keelekasutusega.
Eksperimentaalsemad funktsioonid, nagu AI-l põhinevad rollimänguvestlused, on alles hindamisel. Esialgsed leiud viitavad, et need suurendavad enesekindlust ja valmisolekut rääkida, kuid tõendid selle kohta, et see kandub üle päriselu suhtlusoskuseks, on veel piiratud.
Koolijuhtide jaoks on peamine järeldus, et AI-ga täiustatud keeleõpperakendused võivad olla väärtuslikuks täiendavaks vahendiks, eriti kodutööde, iseseisva harjutamise ja suvise õppekontinuiidi toetamisel. Need ei sobi hästi ainsa keeleõppekanalina, kus rikkalik autentne keel ja inimlik suhtlus on endiselt kriitilise tähtsusega.
Suurtest brändidest kaugemale
Väljaspool tuntud tooteid pakuvad mitmed suuremahulised katseuuringud ja meta-analüüsid AI-tugiõppe kohta kasulikku suunamist.
Matemaatika ja loodusteaduste ITS-süsteemide randomiseeritud kontrolluuringud erinevates haridussüsteemides on korduvalt näidanud, et hästi disainitud AI-tugiõpetajad võivad anda ligikaudu ühe lisatrimestri jagu õpitulemuste paranemist täisaasta jooksul, eriti õpilastele, kes alustavad madalamalt tasemelt. Mõned süsteemid on näidanud positiivset mõju sadades koolides, mis viitab, et hea toetusega on võimalik mõju ka suurel skaalal.
Samas toovad meta-analüüsid esile suure varieeruvuse. Tööriistad, mis on tihedalt joondatud õppekavastandarditega, pakuvad kohest sihitud tagasisidet ja selgeid õpetaja juhtpaneele, ületavad tavaliselt üldisemaid süsteeme. Programmid, mis eeldavad, et õpilased reguleerivad end ise, või mis annavad õpetajatele vähe juhiseid lõimimise kohta, näitavad palju nõrgemaid või ebajärjekindlaid tulemusi.
Üks järjekindel leid on, et AI-tugiõpetajad on kõige tõhusamad osana laiemast õpetuslikust mudelist, mitte iseseisvate lahendustena. Kui õpetajad kasutavad AI andmeid väärarusaamade tuvastamiseks, rühmitamise kohandamiseks ja sihitud väikese rühma juhendamiseks, on tulemused paremad kui siis, kui AI-d käsitletakse eraldi „arvutiklassi” tegevusena.
Võrdsus, ligipääs ja soovimatud mõjud
Võrdsus on AI-tugiõppe puhul kahe teraga mõõk. Positiivsest küljest viitavad mitmed uuringud, et madalama tasemega õpilased võivad AI-tugiõppest ebaproportsionaalselt palju kasu saada, sest nad saavad kohest ja kannatlikku tagasisidet, mida on tihedas klassis keeruline pakkuda. Mõnes uuringus vähenesid saavutustelõhed, kui ligipääs ja tugi olid hoolikalt struktureeritud.
Samas on ka riske. Ligipääsulõhed on ilmsed: õpilased, kellel puuduvad usaldusväärsed seadmed või internetiühendus, ei saa AI-põhistest kodutöödest või suveprogrammidest kasu. Meie ülevaade suveõppe kadu ja AI-tugiõpetajad käsitleb, kuidas see koolivaheaegadel välja kujuneb.
Vähem nähtavad on erinevad kasutusmustrid. Mõnes pilootprojektis kasutasid privilegeeritumad õpilased AI-tugiõpetajaid järjekindlamalt ja pikema aja jooksul, isegi kui ligipääs oli formaalselt võrdne. Ilma teadlike strateegiateta võib AI lõppkokkuvõttes olemasolevaid ebavõrdsusi võimendada.
Muret tekitab ka liigne sõltuvus. Mõned õpilased hakkavad AI poole pöörduma vähimagi raskuse korral, vähendades produktiivset pingutust ja iseseisvat probleemilahendust. Teised õpivad ära süsteemi „auke” kasutama, et saada vastuseid, mitte tuge. Sellised käitumismustrid võivad vaikselt õõnestada neid õpitulemusi, mida AI peaks toetama.
Avastage Automated Education võimsus, liitudes meie õpetajate kogukonnaga, kes võtavad tagasi oma aja ja rikastavad oma klassiruume. Meie intuitiivse platvormiga saate automatiseerida administratiivseid ülesandeid, isikupärastada õpilaste õppimist ja suhelda oma klassiga nagu kunagi varem.
Ärge laske administratiivsetel ülesannetel varjutada oma kirge õpetamise vastu. Registreeruge täna ja muutke oma hariduskeskkond Automated Education abil.
🎓 Registreeru TASUTA!
Rakendustingimused, mis loevad
Uuringute ja juhtumikirjelduste põhjal kordub mitmeid tingimusi, kui AI-tugiõpe päriskoolides hästi toimib.
Esiteks on kriitiline juhtimise selgus. Koolid, mis määratlevad AI-tugiõppe jaoks konkreetsed eesmärgid – näiteks 8. klassi algebra lünkade vähendamine või uute sisserändajate toetamine keelepraktikaga – saavutavad paremaid tulemusi kui need, kes võtavad tööriistu kasutusele üldise „innovatsiooni vaimu” ajel.
Teiseks on olulised struktureeritud rutiinid. Regulaarne, tunniplaanis fikseeritud kasutus klassis või sihitud sekkumisslotid annavad tugevamaid tulemusi kui juhuslik või puhtalt vabatahtlik kasutus. Õpetajad peavad teadma, millal ja kuidas õpilased tööriista kasutavad ning mida nad saadud andmetega peale hakkavad.
Kolmandaks on õpetaja vahendav roll asendamatu. Tõhusad rakendused koolitavad õpetajaid mitte ainult platvormi tehnilises kasutamises, vaid ka juhtpaneelide tõlgendamises, ebaotstarbeka kasutuse tuvastamises ja AI-ga toetatud harjutuste lõimimises klassiõpetusse. AI, mis „istub kuskil kõrval”, muudab harva õppimist süsteemselt.
Lõpuks tuleb juba alguses läbi mõelda turvalisus ja andmekaitse. Selged põhimõtted vestluste logimise, sisufiltrite, andmete säilitamise ja lapsevanemate teavitamise kohta on hädavajalikud, eriti kui õpilased suhtlevad AI-süsteemiga vestluslikult. Meie septembri AI-valmiduse kontrollnimekiri pakub kasulikku raamistikku nende valitsemisküsimuste jaoks.
Otsustusjuhend koolijuhtidele
Teadusuuringute tõlkimisel praktilisteks sammudeks joonistub välja mitu otsustusreeglit, millal, kus ja kuidas AI-tugiõpet rakendada.
Kasutage AI-tugiõpetajaid siis, kui on selgelt määratletud õppevajadus, mis haakub tööriista tugevustega: näiteks matemaatika harjutamine, keele sõnavara ja grammatika või konkreetsed eksamiks ettevalmistamise ülesanded. Need on eriti kasulikud sihitud järeleaitamisel, struktureeritud kodutöödel ja suvise õppekontinuiidi tagamisel, eeldusel et ligipääs on õiglane.
Vältige AI-tugiõpetajate positsioneerimist õpetaja selgituse, suhete loomise või kujundava hindamise asendajana. Tõendus toetab AI-d täiendava vahendina, mitte asendusena. Olge ettevaatlik väidete suhtes, mis viitavad vastupidisele.
Eelistage tööriistu, mis pakuvad õppekavajoondust, läbipaistvaid andmeid ja tugevaid õpetajakontrolle, nende asemel, mis on lihtsalt muljetavaldavad vestlusvõime demonstratsioonid. Paluge teenusepakkujatel jagada sõltumatuid uuringuid, mitte ainult sisemisi juhtumiuuringuid, ja uurige kriitiliselt, milliste populatsioonide ja kontekstide kohta need uuringud käivad.
Planeerige püsivat rakendamist, mitte lühiajalisi piloteid. Enamik positiivseid uuringuid hõlmab regulaarset kasutust vähemalt ühe trimestri jooksul koos jätkuva toega õpetajatele. Kui te ei saa sellisel tasemel lõimimist lubada, seadke ootused vastavalt tagasihoidlikumaks.
Praktilised järgmised sammud ja küsimused teenusepakkujatele
Koolijuhtidele, kes kaaluvad AI-tugiõpet, aitavad kolm praktilist sammu hoida otsuseid tõenduspõhisena.
Esiteks, täpsustage oma probleemipüstitus. Kas soovite vähendada matemaatika saavutustelünki, toetada keeleõppijaid, pakkuda suuremat väljakutset kõrgete saavutustega õpilastele või hoida õpitulemusi koolivaheaegadel? Erinevad eesmärgid viitavad erinevatele tööriistadele ja rakendusmudelitele.
Teiseks, viige läbi väike, kuid range katse. Valige piiratud arv klasse, määratlege edunäitajad ette ja võrrelge tulemusi sarnaste rühmadega, kes tööriista ei kasuta. Pöörake tähelepanu mitte ainult testitulemustele, vaid ka kasutusmustritele, õpetajate töökoormusele ja õpilaste heaolule.
Kolmandaks, valmistage ette küsimused teenusepakkujatele, näiteks:
- Milline sõltumatu uurimistöö (mitte turunduseks tellitud uuringud) toetab teie väiteid ja millistes ainetes, vanuserühmades ja kontekstides?
- Kuidas on teie tööriist joondatud meie õppekava ja hindamispraktikatega?
- Millised õpetaja juhtpaneelid ja kontrollid on olemas ning kuidas need toetavad õpetuslike otsuste tegemist?
- Kuidas tegelete andmekaitse, turvalisuse ja sisumodereerimisega, eriti avatud vestluse puhul?
- Millist koolitust ja jätkuvat tuge te töötajatele pakute ning milline kasutustase on vajalik, et näha tüüpilisi tulemusi?
Lähenedes AI-tugiõppele sihitud sekkumisena, mis on juurdunud teadusuuringutes ja kohandatud kohaliku kontekstiga, saavad koolijuhid liikuda hüpest kaugemale ning jõuda läbimõeldud ja õiglasema rakendamiseni.
Head otsustamist!
The Automated Education Team