Jak możemy wykorzystać sztuczną inteligencję do poprawy edukacji?

Przede wszystkim muszę powiedzieć, że jestem początkującym profesorem na jednym z uniwersytetów nauk przyrodniczych. Mając około 20 lat doświadczenia zawodowego na stanowiskach IT, ostatnie pięć z nich poświęciłem nauczaniu i doradztwu. Z mojego doświadczenia wynika, że ​​w przyszłości nasze podejście do edukacji mogłoby zostać ulepszone. A ponieważ mój osobisty obszar zainteresowań jest ściśle związany ze światem technologii AI i ML, chciałbym omówić, w jaki sposób można wykorzystać te narzędzia do poprawy nauczania nauk przyrodniczych.

Na początek wymienię ogólny cel szkolnictwa wyższego. Jest to rozwój nowej umiejętności ucznia do wykonywania określonych czynności zawodowych. A jedynym sposobem na zdobycie nowej zdolności jest zdobycie teoretycznych informacji o tym, czym ona jest, a następnie przećwiczenie samodzielnego wykonywania związanych z nią czynności pod okiem swojego profesora. Proces ten zwykle kończy się testem lub egzaminem oceniającym, czy szkolenie zakończyło się sukcesem.

Obecnie w większości przypadków wszystkie te kroki są wykonywane przez ludzi. Ale czy naprawdę konieczne jest powtarzanie tego samego szkolenia semestr po semestrze dla każdego pokolenia studentów? A co się stanie, gdy ludzkość stanie przed koniecznością założenia odległej kolonii w gwiazdach? Czy naprawdę musimy zabierać tam ze sobą cały wydział Oxfordu i MIT? Chyba nie, a przynajmniej ciężko będzie przekonać większość starszych profesorów do szkolenia się na kosmonautów.

Spróbujmy dodać tutaj trochę struktury.

Informacje teoretyczne

Uważam, że wykłady są najbardziej istotną częścią procesu edukacyjnego, którą należy wykluczyć z dostarczania wiedzy osobiście przez ludzi. W większości przypadków jest to już zrobione z wcześniej nagranymi wykładami i podręcznikami. W wielu sytuacjach okazuje się, że przypadkowy facet w YouTube mógłby wyjaśnić coś na żądanie, jeśli przegapiliśmy to na zajęciach.

Czy musimy coś tutaj poprawić w AI, czy już jest idealnie? Oczywiście, że tak! I to jest po prostu idealny czas na to. Widzieliśmy realistyczne generowanie obrazu i wideo przy użyciu modeli AI Midjourney i Stable Diffusion. To nie tylko sztuka i rozrywka. Jesteśmy blisko generatywnych wykładów na żądanie z możliwością interakcji z wykładowcą.

Cofnijmy się o krok. Przede wszystkim potrzebujemy źródła, aby zdobyć całą tę wiedzę na wykład.

Co to może być:

Wersja tekstowa wykładu (do odczytania na głos przez narzędzie do zamiany tekstu na mowę oparte na sztucznej inteligencji)

Podręcznik do kursu (w celu podsumowania faktów na wykładach za pomocą algorytmów przekształcania tekstu w abstrakt)

Zasób wiedzy umożliwiający wyodrębnienie danych za pomocą określonego zapytania, np. baza publikacji naukowych (w celu zidentyfikowania odpowiedzi związanych ze znaczeniem w tekstach za pomocą modeli transformatorów, takich jak GPT-3)

Można to uznać za krok naprzód i nie jest to technologia na odległą przyszłość; wszystkie komponenty są już dostępne. Czeka tylko na zapotrzebowanie ze strony studentów i wykwalifikowanych inżynierów AI, aby pomóc profesorom w zapewnieniu sobie prostych narzędzi. W praktyce powinno to wyglądać jak rozmowa z prawdziwą osobą na osobności lub w małej grupie, aby otrzymać wszystkie materiały i nie bój się przerywać, jeśli potrzebujesz szczegółów lub powtórzyć coś z poprzednich zajęć. Takie podejście wyeliminuje problemy nieśmiałych uczniów w ostatnim rzędzie, ponieważ jest to tylko algorytm, z którym rozmawiasz i nie ma nic złego w zadawaniu głupich pytań, tak jak rozmawiasz z Siri lub Alexą. Od strony wizualnej możesz użyć hełmu VR lub samego ekranu, jak chcesz. Na ekranie można było zobaczyć każdą osobę na świecie, na przykład starszy mężczyzna przypominający Alberta Einsteina lub młodą damę. Jedynym celem jest utrzymanie zainteresowania i uzyskanie jak największej ilości danych z kursu. Oczywiście nie ma tu żadnych ograniczeń; możesz w ogóle uniknąć prezenterów wizualnych i obejrzeć odpowiednie materiały wizualne również ułożone przez algorytm.

Szkolenie praktyczne

Na pewno możesz ćwiczyć na modelach matematycznych przedstawiających ciała ludzkie lub sprzęt laboratorium chemicznego w środowisku wirtualnym. I jest to już możliwe bez sztucznej inteligencji lub z niewielkimi ulepszeniami opartymi na sztucznej inteligencji. Ale zapytaj kogokolwiek: czy chce odwiedzić lekarza, który całe swoje doświadczenie zdobywa tylko w wirtualnym szpitalu? Oczywiście odpowiedź będzie brzmiała: nie. Przyczyny tego są bardzo obiektywne.

Twoje emocje działają inaczej w prawdziwym życiu niż w symulacji.

Sytuacje w symulacji są ograniczone do pewnej listy wariantów.

Istnieje wiele dodatkowych czynników, których nie można uwzględnić w podręczniku lub szkoleniu, a umiejętności wymagane do pracy z nimi można zdobyć jedynie poprzez rzeczywiste doświadczenie.

Sztuczna inteligencja nie może jeszcze wiele zrobić, aby poprawić twoje uczucia w symulacjach, więc na razie to ograniczenie jest nadal obecne. Jednak jeśli chodzi o wariacje i nagłe zmiany sytuacji, sztuczna inteligencja może pomóc w zapewnieniu sytuacji generowanych przez procedury, w których występuje wysoki poziom czynników losowych. A dane do tych procedur można zbierać z różnych źródeł danych, tak jak omówiliśmy w poprzedniej części. Tak więc sztuczna inteligencja przynajmniej ulepszy obecne wirtualne ćwiczenia praktyczne.

Przejdźmy do prawdziwej praktyki i zastanówmy się, jak sztuczna inteligencja może nam tutaj pomóc. Na początek będzie w stanie udzielić wyjaśnień i danych teoretycznych na żądanie, tak jak zostało to opisane wcześniej podczas zadania praktycznego. To normalne, że słuchając wykładu na kanapie nie masz pytań, ale jak już będziesz musiał coś zrobić sam, to będziesz miał ich pod dostatkiem. Nie zawsze można mieć nauczyciela u boku, aby zapytać, więc nasz wirtualny wykładowca będzie bardzo pomocny.

Sprawdzanie wszystkich postępów i wyników to kolejny aspekt praktyki, który będzie wymagał od nauczycieli najwięcej wysiłku. W większości przypadków student zorientuje się, że zrobił coś źle na początku swojej pracy, a nie na końcu. W rezultacie będzie musiał zaczynać wszystko od zera. Sztuczna inteligencja może być wykorzystana jako narzędzie do monitorowania procesu, zgłaszające uczniowi wszelkie błędy, które można łatwo poprawić. Jest to dobra praktyka z pedagogicznego punktu widzenia, ponieważ żadne fałszywe wzorce nie zostaną odciśnięte w mózgu ucznia. Monitorowanie procesu AI może odbywać się za pomocą analizy strumienia wideo lub audio lub w inny sposób w celu otrzymywania powiązanych danych. Obecnie dysponujemy takimi rozwiązaniami, które służą do kontroli procesów produkcyjnych lub np. do sprawdzania sprawności mowy u osób uczących się języków obcych.

Stworzenie takiego środowiska szkoleniowego nie jest łatwym zadaniem, a jeszcze trudniej będzie je aktualizować. Ale z mojego punktu widzenia jest to całkowicie tego warte i może to być ujednolicona platforma, z której może korzystać wiele uniwersytetów z odpowiednimi dostosowaniami.

Ocena umiejętności

W wielu przypadkach proces oceny umiejętności jest zautomatyzowany i odbywa się za pomocą różnego rodzaju testów i ćwiczeń. Jaką rolę w tej sytuacji mogłaby odegrać sztuczna inteligencja?

Generowanie testów jest jednym z mniej preferowanych rodzajów czynności przez profesorów, ponieważ trzeba generować błędne odpowiedzi i zapewniać wiele wariantów zadań, aby uniknąć oszustwa.

Egzaminy ustne są najbardziej czasochłonne ze wszystkich.

Sprawdzenie egzaminu pisemnego będzie również wymagało wysiłku. Musisz także pilnować pokoi, aby nie dopuścić do ściągania przez uczniów.

Model AI, który opisaliśmy w części teoretycznej, może być wykorzystany do generowania pytań i odpowiedzi z materiału wykładowego, podręcznika lub innych źródeł danych. Testy te mogą być generowane na żądanie, więc nie będzie możliwości po prostu zapamiętania poprawnych odpowiedzi. I nie ma problemu z generowaniem błędnych odpowiedzi. Możemy również użyć GAN (Generative Adversarial Network) do oceny naszych testów. Sprawdź na przykład, jak wyniki testu będą powiązane z ilością danych wykorzystanych do treningu.

Egzaminy ustne z pierwszej części mogli przeprowadzić nasi wirtualni wykładowcy. Jeśli chodzi o technologię, nie ma różnicy. Musisz wygenerować pytanie, przetworzyć odpowiedź, poprosić o wyjaśnienie, jeśli jest to potrzebne, i porównać, jak bardzo odpowiedź jest zbliżona do wygenerowanej (na podstawie znaczenia, a nie dokładnych słów). Proces ten można również sprawdzić i ulepszyć za pomocą modelu GAN.

Egzaminy pisemne mogą być kontrolowane przez systemy nadzoru wideo oparte na sztucznej inteligencji, aby zapobiegać oszustwom, podobnie jak pomagają one kontrolować personel na liniach montażowych w celu noszenia mundurów. A odpowiedzi pisemne można oczywiście sprawdzać za pomocą narzędzi AI w podobny sposób, jak odpowiedzi ustne, z wyjątkiem konieczności rozpoznawania mowy.

Wniosek

Wierzę, że jesteśmy gotowi do stworzenia w pełni zautomatyzowanego kursu szkoleniowego. Pewne jest, że wielu akademickich liderów opinii nie zgodzi się na to, ponieważ będzie to dla nich wyzwaniem zmiana systemu, który niewiele się zmienił od setek lat. Ale w żadnym wypadku nie oznacza to, że nie potrzebujemy już profesorów i ekspertów procesu kształcenia; zawsze będzie istniała potrzeba optymalizacji tych narzędzi i ich aktualizacji, nie tylko z technicznego punktu widzenia, ale także ze strony edukacyjnej i merytorycznej. Jeśli będziemy w stanie zapewnić taką automatyzację, pomoże to wyeliminować uprzedzenia w ocenie dostępności edukacji i umiejętności. Spowoduje to zupełnie nowy skok naprzód dla całej ludzkości.