Generatív AI és Tanulási Analitika: Új Lehetőségek és Etikai Kihívások
A pedagógusok évek óta próbálják megérteni a tanulók és a tanulási folyamatok jellemzőit a digitális tankönyvek, tanuláskezelő rendszerek és egyéb online tanulási eszközök által hagyott adatnyomok alapján. Ezt az megközelítést „tanulási analitikának” nevezik. Napjainkban a tanulási analitika támogatóinak figyelme a ChatGPT és más generatív AI eszközök új lehetőségeire terjed ki, amelyek új etikai kérdéseket is felvetnek.
Az egyik lehetséges alkalmazás az, hogy az új AI eszközöket arra használják, hogy a pedagógusok és a kutatók értelmet nyerjenek a gyűjtött diákadatokból. Számos tanulási analitikai rendszer irányítópultokat kínál, amelyek segítségével a tanárok vagy az adminisztrátorok metrikákat és vizualizációkat kaphatnak a tanulók digitális osztálytermi eszközök használata alapján. Az elképzelés az, hogy az adatok felhasználhatók beavatkozásokra, ha egy diák jeleit mutatja annak, hogy érdektelenné vált vagy letért az útról.
Azonban sok pedagógus nem szokott hozzá, hogy nagy mennyiségű adatot elemezzen, és nehezen navigálnak ezekben az analitikai irányítópultokban. „Az AI-t kihasználó chatrobotok egyfajta közvetítőként működnek – egy fordítóként” – mondja Zachary Pardos, a Kaliforniai Egyetem Berkley-i Egyetem oktatási docense. „A chatbotot 10 évnyi tanulástudományi szakirodalommal lehet feltölteni, hogy segítsen elemezni és egyszerű nyelven elmagyarázni, amit az irányítópult mutat.”
A tanulási analitika támogatói új AI eszközöket használnak az online vitafórumok elemzésére is. „Például, ha egy vitafórumot néz, és meg akarja jelölni a bejegyzéseket, mint ‘a témához tartozó’ vagy ‘a témától eltérő’,” mondja Pardos, „ez korábban sokkal több időt és energiát igényelt, hogy egy emberi kutató kövesse a rubrikát az ilyen bejegyzések címkézésére.” Most azonban a nagy nyelvi modellek könnyen meg tudják jelölni a vitabejegyzéseket a téma szerint „minimum prompt engineeringgel” – teszi hozzá Pardos.
A tanulási analitika kutatásának eredményeit a generatív AI-alapú tutoráló rendszerek képzésére is használják. „A hagyományos tanulási analitikai modellek nyomon követhetik egy diák tudásának szintjét digitális interakcióik alapján, és ez az adat vektorizálható, hogy táplálható legyen egy LLM-alapú AI tutorhoz, így javítva a tutor relevanciáját és teljesítményét a diákokkal való interakcióik során” – mondja Mutlu Cukurova, a Londoni Egyetem Tanulás és Mesterséges Intelligencia professzora.
Az új AI eszközök új kihívásokat is hoznak magukkal. Az algoritmikus torzítás egy ilyen kérdés. Az ilyen problémák már a ChatGPT megjelenése előtt is aggodalomra adtak okot, mivel a kutatók attól tartottak, hogy a rendszerek előrejelzései a diákok kockázatáról a korábbi diákok adatai alapján történnek, ami történelmi egyenlőtlenségeket örökíthet meg. A válasz az volt, hogy nagyobb átláthatóságot kértek a tanulási algoritmusokban és az adatokban.
Az új generatív AI modellek azonban aggasztóan hiányos átláthatósággal bírnak a kimeneteik előállításának magyarázatában, és sok AI szakértő aggódik amiatt, hogy a ChatGPT és más új eszközök kulturális és faji torzításokat tükröznek, amelyeket nehéz nyomon követni vagy kezelni. Ráadásul a nagy nyelvi modellek időnként „hallucinálnak”, ténybeli pontatlanságokat adva meg bizonyos helyzetekben, ami aggodalmakat vet fel a megbízhatóságukkal kapcsolatban, amikor olyan feladatokat kell ellátniuk, mint a diákok értékelése.
Shane Dawson, az Ausztrál Egyetem tanulási analitikájának professzora hangsúlyozza, hogy az új AI eszközök még inkább kiemelik azt a kérdést, hogy ki építi az algoritmusokat és rendszereket, amelyek nagyobb hatalommal bírnak, ha a tanulási analitika szélesebb körben elterjed az iskolákban és főiskolákban. „Az ügynökség és a hatalom átruházása minden szinten megtörténik az oktatási rendszerben” – mondta egy közelmúltbeli előadásában.
Érdekes tény: A generatív AI modellek képesek a tanulás során szerzett tudásokat valós időben alkalmazni, ám a megbízhatóságuk garantálása érdekében alapos tesztelésre van szükség.
Források: EdWeek, Journal of Learning Analytics, University of California
