В то время как многие из наших разговоров сосредоточились на том, что генеративные средства ИИ для студенческой работы и результатов обучения, есть еще один вопрос, который учителя задают — часто индивидуально и незаметно: как мы можем воспользоваться ИИ в нашей собственной академической и административной работе? И что еще более важно, мы должны?
Я полагаю, что ответ заключается в использовании ИИ, чтобы помочь очистить пространство для работы, которую мы можем выполнить — сотрудничество, связь и критические советы, которые делают образование преобразующим.
Это не означает, что мы просто используем ИИ как костыль, чтобы ответить на электронные письма или суммировать встречи. На самом деле, я считаю, что настоящее обещание ИИ только что использовало его, в Слова Итана Моллика, как «настоящего интеллектуального партнера», « Кто бы ни мог улучшить дискуссии в классе, помочь создать привлекательные образовательные документы и даже помочь разрабатывать наборы сложных проблем или симуляций, которые ранее требовались во время подготовки. Как говорит Моллик, «цель должна переходить от автоматизации задач до увеличения емкости».
ИИ предлагает много потенциальных приложений для работы учителей. Хотя учителя должны продолжать расставлять приоритеты в важности поддержания человеческой связи, сочувствия и поддержки в нашей образовательной практике, мы должны рассмотреть другие способы, которыми ИИ может увеличить нашу работу. Возможно, способ в разработке наших курсов, заданий и мероприятий, которые отслеживают студенты через контент и результаты. Но вместо того, чтобы просить ИИ разработать подсказки или заметки для нас, мы можем использовать ИИ в качестве инструмента, чтобы помочь в разработке нашей работы удивительно.
Работает в теории, колеблюсь на практике
Мы все влюбились в этот вопрос о ключевом обсуждении или этом быстрое письменное задание, которое сверкает в классе. Несмотря на наши лучшие намерения, мы можем не предоставить достаточно информации, или мы не ожидаем слепого пятна, которая приводит студентов к стерильным путям. Одна из проблем дизайна курса заключается в том, что вся наша работа может показаться совершенно ясной и эффективной, когда мы находимся на коленях в процессе проектирования, но все рушится таким образом, когда она развернута в природе. От простых недоразумений до ложных сложных идей, эти проблемы, как правило, не раскрываются, пока мы не увидим реальную работу студентов — часто, когда уже слишком поздно, чтобы избежать разочарования.
Заполнение этого разрыва требует итеративной уточнения, признавая, что то, что работает в теории или в контролируемых условиях, требует тестов, адаптации и постоянного улучшения в реальном мире. Это не только вопрос зачатия чего -то, что работает в лаборатории, но и обеспечение того, чтобы наши концепции были устойчивыми, адаптируемыми и достаточно реагирующими на процветание по своей природе.
Хотя нет никакой замены тестов на реальные миры, я начал задаваться вопросом, может ли ИИ помочь этому итеративному уточнению. Я не хотел, чтобы ИИ для уточнения или изменения моих подсказок. Я хотел посмотреть, смогу ли я смутить ИИ моделировать сотни ответов от студентов на мои приглашения в надежде, что этот процесс может дать такую информацию, что я был слишком близко, чтобы увидеть.
Процесс: тест на стресс атрибуции, которым помогает ИИ
После того, как я имел опытные системы, такие как Claude и Catgpt, я обнаружил, что они могут эффективно проанализировать и усовершенствовать гостей для написания благодаря созданию ответов имитационных студентов. Основной подход работает так. Во -первых, предоставьте информацию об искусственном интеллекте на вашем курсе и ключевые характеристики вашего студенческого населения. Затем поделитесь подсказкой назначения. ИИ генерирует внутренне несколько моделируемых ответов, моделируемых через разные уровни компетентности. После этого он обеспечивает полный анализ, определяющий потенциальные проблемы и возможности.
Вы можете указать, что анализ включает в себя текущие ошибочные интерпретации, которые студенты могли бы сделать, или любые структурные или организационные проблемы в подсказке. Тем не менее, ИИ также может идентифицировать модели разработки контента и потенциальные проблемы, а также специфичные для популяции в соответствии с демографическими данными студента. Наконец, ИИ может даже предложить усовершенствования в приглашении.
Посмотрите, чего вы не видите
Чтобы проверить этот подход, я загрузил личную повествовательную подсказку, которая просит студентов связать свой жизненный опыт с их академическими целями — текущей миссией в первых уроках написания.
Анализ ИИ выявил несколько мертвых углов в моем быстром дизайне. Например, я не думал о том, как нетрадиционные студенты могут бороться с «выбором главного языка», потому что многие из них внесены в карьерные изменения. Ответы, смоделированные ИИ, также показали, что студентам может быть трудно передавать между личным повествовательным и академическим анализом. Самым ценным было увидеть, как разные студенты могут интерпретировать одни и те же инструкции. В карьере изменения могут слишком много сосредоточиться на опыте работы, в то время как у других могут возникнуть проблемы с обменом личной информацией. Эти идеи позволили мне добавить разъясняющий язык и поддерживать материал, прежде чем реальные студенты встретятся с этими проблемами.
Весь процесс длился около 30 минут, но потенциально сэкономил часы путаницы студентов и разъяснения учителей. Конечно, ответы ИИ не идентичны ответам людей, и мы должны быть осторожны, чтобы рассматривать ИИ как непогрешимого эксперта или абсолютного источника истины. Но используемый в качестве дополнительной цели во время разработки миссий, этот подход может предоставить курсы другой перспективы, которая запускает драгоценную информацию и потенциально уменьшает рабочую нагрузку.
Если вы хотите попробовать этот подход самостоятельно, Вот модельная подсказка, которую вы можете использовать с системами ИИ.
Мультипликатор дизайна курса
Этот процесс позволил мне разработать целевые вспомогательные материалы для прогнозируемых проблемных областей, прежде чем студенты сражаются, создание проактивных лесов при разработке курсов с самого начала. И, обмениваясь идеями, приобретенными благодаря анализу ИИ, департаменты могли бы в совокупности улучшить практику проектирования задания, в частности ценность многосекционных курсов, где важна последовательность. Со временем мы могли бы построить практическую библиотеку «что работает», из которой могут опираться учителя, включая анализы, объясняющие, почему определенные миссии преуспевают с населением конкретных учеников и целями обучения.
Анализ назначенных AIFS предлагает многообещающий инструмент, который уважает наш опыт, расширяя нашу способность предвидеть потребности студентов. Хотя технология не идеальна и никогда не заменит полученную информацию благодаря прямому взаимодействию студентов, она предлагает драгоценную перспективу, которая помогает определить мертвые углы, прежде чем студенты встретятся с ними. Это представляет собой только один способ реализации ИИ, который может помочь нам сделать больше из того, что важно: создание значительного опыта обучения. Используя ИИ для прогнозирующей работы по дизайну миссии, мы выпускаем больше времени и энергии для глубокой человеческой работы, чтобы направлять и общаться с нашими студентами — работа, которую мы можем сделать.
Доктор Натан Приттс является лидером в высшем образовании, специализирующийся на разработке преподавателей, образовательных инноваций и интеграции новых технологий в образовании и обучении. Как преподаватель и президент программы для первого -летнего письма в кампусе мира в Университете Аризоны, он направил инициативы в стратегической реализации технологий онлайн -обучения, учебных программ для полных учителей и создания эволюционных вмешательств для поддержки как профессоров, так и студентов в онлайн -средах. Как автор и исследователь, доктор Пелл широко опубликовал такие предметы, как цифровая педагогика, дизайн учебных программ, стратегий оценки, и будущего высшего образования.
Похожие записи:
- Поддержите процесс разработки образовательного проектирования: назначения стрессовых тестов с помощью искусственного интеллекта
- Qbiq привлекает 16 миллионов долларов для автоматизации архитектурного проектирования и визуализации с помощью искусственного интеллекта — SiliconANGLE
- Google DeepMind представляет AlphaProteo для разработки лекарств с использованием искусственного интеллекта