Yapay zekanın öğrencilerin öğrenme ve öğretmenlerin öğretme biçimini yeniden şekillendirdiği bir anda, Khan Academy'nin Baş Öğrenme Sorumlusu Dr. Kristen DiCerbo kadar etkili olan çok az kişi vardır. Yakın zamanda ETS, kanıta dayalı öğrenme tasarımının, yeni teknolojilerin ve eğitim eşitliği taahhüdünüzün kişiselleştirilmiş eğitimin geleceğini şekillendirmek için nasıl bir araya geldiğini DiCerbo ile görüştü.
Bu sohbette DiCerbo, eğitimde anlamlı yeniliğin gerçekten ne gerektirdiğine nadir ve perde arkası bir bakış sunuyor. Neyin işe yaradığını, hâlâ çözülmesi gereken şeyleri ve eğitimcilerin bu dönüşümlü ortamda hem iyimserlik hem de netlikle nasıl yol alabileceğini inceliyor.
Khan Academy'de Baş Öğrenme Sorumlusu olarak, yapay zekayı öğrenme deneyimlerine entegre etmenin öncüsünüzdesiniz. Geleneksel değerlendirmelerin ötesinde becerileri ölçmek için davranışsal sinyalleri kullanmakta sizi en çok ne heyecan veriyor?
DiCerbo: Aslında bence yapay zeka bize sunduğu şey belki davranışsal sinyaller değil, yeni aktiviteler. Davranışsal sinyalleri değerlendirmede on yılı aşkın süredir simülasyonlar ve oyunlardan elde edilen kanıtlarla değerlendiriyoruz. Üretken yapay zeka ve değerlendirmenin en heyecan verici yanı, yeni etkileşim türlerine izin vermesi. Örneğin, öğrenciler yapay zeka ile gerçek dünya sohbetlerini taklit eden sohbetler yapabilirler. Ayrıca daha önce mümkün olmayan şekillerde görsel çıktı üretebilirler.
İşbirliği ve ısrar gibi yetkinlikleri nasıl ölçtüğümüzü yeniden düşünmenin neden şimdi doğru zamanı?
DiCerbo: Yeni sohbet tarzı etkileşim türlerine sahip olabilmek, iş birliği ve iletişim gibi yapıları değerlendirmek için daha otantik yollar açar. Örneğin, ikna etmeyi değerlendirmek isteseydik, bireyler bir yapay zeka ile görüşerek onları bir duruş konusunda ikna edebilir. Üretken yapay zekadan önce, değerlendirme konularında konuşmalar mümkün değildi. 2015 PISA işbirlikçi problem çözme değerlendirmesini ele alalım. İşbirlikçi problem çözme diyaloglarını simüle etmek için, test üreticileri çoktan seçmeli seçim kullanmak zorundaydı ve test yapanlar hangi seçeneği "söyleyeceklerini" seçiyordu. Bu, sınav yapanlar için olası çözüm alanını önemli ölçüde kısıtladı ve deneyimi gerçek bir problem çözme sohbeti gibi olmamasını açıkça azalttı. Şimdi, üretken yapay zeka ile, öğrencilerin becerilerini göstermek için insanlarla yaptıkları gibi sohbet etme imkanımız var. Elbette, bu önemli çaba gerektirir; örneğin yapay zekanın öğrencilerin girdilerine verdiği yanıtları yönlendirmeye çalışmak gibi.
Özellikle kalıcı konusunda, bunu yukarıdaki yapılardan farklı görüyorum. Israr, temelde birinin başarısızlık karşısında denemeye devam edip etmediğini gözlemlemektir. Bunu en azından son on yıldır dijital ortamlarda gözlemleyebiliyoruz (2016'da burada yazdığım gibi).
Ses veya jest gibi çoklu modal verileri değerlendirmelere dahil etme fırsatları var mı? Bununla ilgili hangi zorluklar veya etik hususlar var?
DiCerbo: Khan Academy'nin öğrenciler için yapay zeka destekli eğitmeni ve öğretmenler için asistanı olan Khanmigo'yu başlatırken, metin-konuşma ve konuşma-metin özellikleri özellikle okuma ve daktilo yükünü azaltmanın yolları olarak olumlu karşılandı. Değerlendirmeye geçerken ses veya jestin dahil edilmesinin zorluğu, puanlamada önyargıdan kaçınmak olacaktır.
Beceri ölçümü için yapay zeka ve davranışsal verilerin kullanımında en büyük umut nerede görüyorsunuz ve eğitimciler hangi sınırlamaları göz önünde bulundurmalı?
DiCerbo: Geçen yıl yaklaşık 8.000 öğrenciyle "Düşüncenizi Açıklayın" adlı bir özelliği pilot olarak başlatmış olmaktan heyecan duyuyoruz. Öğrenciler geleneksel bir matematik sorusuyla ilgilenir ve ardından üretken yapay zeka ile bir diyalog kurarak yanıtlarının arkasındaki gerekçeyi açıklamaları istenir. Bu etkinlik, öğretmenlerin bir öğrencinin yanına oturup çalışmalarını sorduklarında yaptıklarını taklit etmek için tasarlanmıştır. ETS'de yapılan önceki araştırmalar gibi, öğrencilerin bu senaryolarda sadece yanıt vermekten daha fazla anlayış ortaya koyduklarını gördük. Bu da öğretmenlerin ve diğer paydaşların öğrencilerin bildiklerine ve neler yapabileceklerine dair daha fazla bilgi edinmesini sağlar.
Bu yenilikçi yaklaşımlardan alınan içgörülerin derinliğini, sınıflarda ölçeklenebilirlik ve pratiklik ihtiyacıyla nasıl dengelersiniz?
DiCerbo: Değerlendirmedeki birçok şeyde olduğu gibi, yenilik en iyi şekilde ölçüm hatasının artması gibi sonuçların küçük olduğu biçimlendirici alanda başlatılır. Bir öğrenci, zaten ustalaştığı bir şeyi biraz pratik yaparsa çünkü bir değerlendirme onu ustalaşmadığını gösteriyorsa, bu ölümcül bir hata değildir. Üretken yapay zeka ile sınıf değerlendirmeleri eğitmenler tarafından oldukça kolay oluşturulabilir; tıpkı bu profesörün dersi için sözlü sınavlar düzenlerken yaptığı gibi.
İleriye baktığımızda, yapay zekanın gerçekçi ve kültürel olarak duyarlı hissettiren değerlendirmeler yaratmada ne rolü olduğunu düşünüyorsunuz?
DiCerbo: Üretken yapay zeka destekli değerlendirmelerle mümkün olan kişiselleştirmenin daha geçerli ve güvenilir değerlendirmeler sağlayıp çıkarmayacağı konusunda daha fazla araştırmaya ihtiyacımız var. Kesinlikle yapının ilgisiz arka plan bilgisinin dahil edilmesi, bazı sınav katılımcıları için geçerliliğin düşmesine yol açabilir. Üretken yapay zeka kullanımı, değerlendirme öğeleri ve aktiviteler bireysel öğrencilerin deneyimlerini, dilini ve kültürel anlayışını dikkate alacak şekilde ayarlanabilir. Ancak, değerlendirilen yapının standart tanımlarını koruyarak bunu yapmak kolay bir iş değildir.
Önümüzdeki birkaç yıl içinde gerçek dünya becerilerini davranış yoluyla ölçmek için en çok hangi araştırma veya yenilikler sizi heyecanlandırıyor?
DiCerbo: Yenilikleri birkaç kovaya koydum. İşte heyecanlandığım şeyler.
- Henüz değerlendirme için optimize edilmemiş ancak mevcut teknoloji:
- Ajanik Yapay Zeka - değerlendirme sürecinin farklı bölümlerinin ayrılmasına olanak tanır ve uzmanlaşmış ajan tarafından gerçekleştirilir
- Büyük bağlam pencereleri - yapay zekaya büyük miktarda bilgi sağlamak, bağlam açısından zengin geri bildirim ve karmaşık rubriklerle puanlama konusunda yardımcı olabilir
- Önümüzdeki 12 ayda sunulacak teknoloji:
- Uygun fiyatlı metin, ses ve video akışı - hem sınav yapan hem de yapay zekanın birden fazla şekilde etkileşime girmesini sağlıyor; tıpkı Sal ve oğlunun bu demosu gibi
- Açıklanabilir YZ - yapay zeka akıl yürütmesinin puanlama gibi uygulamaları daha iyi destekleyeceğini anlamak ve "kara kutu" puanlarının öğrencilere geri bildirim sağlamada yardımcı olmadığı
- Gizlilik farkında cihaz içi modeller - veri paylaşımı ve gizlilik konusundaki endişeleri giderecektir
- Önümüzdeki 1-3 yıl içinde sunulacak teknoloji:
- Çok ajanlı simülasyonlar - test katılımcıları, değerlendirmede farklı roller oynayan birden fazla yapay zeka ile etkileşime girer ve gerçek dünya grup senaryolarını simüle eder