Поддержка процесса учебного проектирования: задания стресса с помощью ИИ

В то время как многие из наших разговоров сосредоточились на том, что означает генеративный ИИ для студенческих заданий и результатов обучения, есть еще один вопрос, который преподает, — часто и спокойно и тихо: как мы можем использовать 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 критическое руководство, которое делает образование преобразующим.

Это не значит, что мы просто используем ИИ в качестве костыя для ответа на электронные письма или суммирование встреч. На самом деле, я считаю, что истинное обещание ИИ исходит от его использования, в Слова Итана Моллика, как «настоящий интеллектуальный партнер», Тот, который может улучшить дискуссии в классе, помочь в создании привлекательных учебных материалов и даже помочь в разработке сложных наборов или симуляций, которые ранее требовали обширного времени подготовки. Как говорит Моллик, «фокус должен перейти от автоматизации задач к увеличению возможностей».

ИИ предлагает много потенциальных приложений для работы на факультете. Хотя преподаватели должны продолжать расставлять приоритеты в важности поддержания человеческой связи, сочувствия и поддержки в нашей преподавательской практике, мы должны рассмотреть другие способы, которыми ИИ может дополнить нашу работу. Возможно, один из способов заключается в разработке наших курсов, заданиях и деятельности, которые наметают учащихся, прогрессируют по контенту и результатам. Но вместо того, чтобы просить ИИ разработать подсказки или заметки для нас, мы можем использовать ИИ в качестве инструмента, чтобы помочь разработать нашу работу удивительно.

Работает в теории, колеблется на практике

Мы все влюбились в этот один ключевой вопрос для обсуждения или письменное задание, которое просто выбивает в классе. Несмотря на наши лучшие намерения, мы можем не предоставить достаточно информации, или мы не можем предвидеть слепое пятно, которое приводит студентов по бесплотным путям. Одна из проблем, конечно же, состоит в том, что вся наша работа может показаться совершенно ясной и эффективной, когда мы по колено в процессе проектирования, но все как-то разваливается при развертывании в дикой природе. От простых недоразумений до сложных заблуждений эти проблемы обычно не раскрываются, пока мы не увидим настоящую работу студентов — часто, когда уже слишком поздно, чтобы предотвратить разочарование.

Соединение этого разрыва требует итеративного уточнения-признание того, что то, что работает в теории или в контролируемых условиях, требует реального тестирования, адаптации и постоянного улучшения в реальном мире. Речь идет не только о разработке чего -то, что работает в лаборатории, но и обеспечение устойчивого, адаптируемого и достаточно отзывчивого, чтобы процветать в дикой природе.

Хотя нет никакой замены тестирования в реальном мире, я начал задаваться вопросом, может ли ИИ помочь с этой итеративной уточнением. Я не хотел, чтобы ИИ усовершенствовал или настраивал свои подсказки. Я хотел посмотреть, смогу ли я поручить ИИ с моделированием сотен ответов студентов на мои подсказки в надежде, что этот процесс может дать такую ​​информацию, которую я был слишком близко, чтобы увидеть.

Процесс: A-A-A-Assisted Testsing Stressment Stressing Cesting

После экспериментов с такими системами, как Claude и CHATGPT, я обнаружил, что они могут эффективно анализировать и усовершенствовать подсказки по написанию за счет создания моделируемых ответов учащихся. Основной подход работает так. Во -первых, предоставьте ИИ информацию о вашем курсе и ключевых характеристиках вашего студенческого населения. Затем поделитесь подсказкой назначения. ИИ внутренне генерирует несколько моделируемых ответов учащихся на разных уровнях квалификации. После этого он обеспечивает комплексный анализ, определяющий потенциальные проблемы и возможности.

Вы можете указать, что анализ включает в себя общие неверные толкования, которые могут решить студенты или любые структурные или организационные проблемы в подсказке. Но ИИ также может определить модели разработки контента и потенциальные проблемы, а также проблемы с конкретными популяциями, основанные на демографии вашего студента. Наконец, ИИ может даже предложить уточнения в подсказке.

Видя то, чего вы не видите

Чтобы проверить этот подход, я загрузил личную повествовательную подсказку, которая просит студентов связать свой жизненный опыт с их академическими целями-общее задание на курсах по написанию первого года.

Анализ ИИ выявил несколько слепых пятен в моем быстром дизайне. Например, я не рассматривал, как нетрадиционные студенты могут бороться с «выбором крупного» языка, так как многие из них имеют форму карьеры. Моделированные ответы ИИ также показали, что учащиеся могут испытывать трудности с переходом между личным повествовательным и академическим анализом. Наиболее ценным было видеть, как разные группы студентов могут интерпретировать одни и те же инструкции. Чанжеры карьеры могут слишком много сосредоточиться на опыте работы, в то время как другие могут бороться с тем, сколько личной информации можно поделиться. Эти идеи позволили мне добавить разъясняющие языковые и вспомогательные материалы, прежде чем какие -либо реальные студенты столкнулись с этими проблемами.

Весь процесс занял около 30 минут, но потенциально сэкономленные часы путаницы студентов и электронных писем по разъяснениям преподавателей. Конечно, ответы искусственного интеллекта не идентичны ответам людей -студентов, и мы должны быть осторожны с рассматриванием ИИ как непогрешимого эксперта или источника абсолютной истины. Но используемый в качестве дополнительной линзы при разработке заданий, этот подход может предоставить дизайнерам курса другую перспективу, которая вызывает ценную информацию и потенциально уменьшает рабочую нагрузку.

Если вы хотите попробовать этот подход самостоятельно, Вот подсказка шаблона, 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 борются, с самого начала встраивая проактивные леса в дизайн курса. И, разделяя идеи, полученные с помощью анализа искусственного интеллекта, департаменты могли бы коллективно улучшить практику проектирования заданий, особенно ценные для многофункциональных курсов, где имеет значение для согласованности. Со временем мы могли бы построить практическую библиотеку «что работает», из которой может извлечь факультет, включая анализы, объясняющие, почему определенные задания преуспевают с конкретными популяциями учащихся и целями обучения.

Анализ заданий A-A-A-Assisted предлагает многообещающий инструмент, который уважает наш опыт, расширяя нашу способность предвидеть потребности учащихся. Хотя технология не идеальна и никогда не заменит понимание, полученные от прямого взаимодействия студентов, она обеспечивает ценную перспективу, которая помогает определить слепые пятна, прежде чем студенты встретятся с ними. Это представляет собой только один способ вдумчиво реализованного ИИ может помочь нам сделать больше из того, что имеет значение: создание значимого обучения. Используя ИИ для прогнозирующей работы по дизайну задания, мы освобождаем больше времени и энергии для глубокой человеческой работы по руководству и общению с нашими студентами — работой, которую мы можем сделать.

---

Доктор Натан Приттс является лидером в высшем образовании, специализируясь на развитии преподавателей, учебных инновациях и интеграции новых технологий в преподавании и обучении. Будучи профессором и председателем программы на первом году написания в Глобальном кампусе Университета Аризоны, он возглавил инициативы в области стратегической реализации технологий онлайн -обучения, комплексных программ обучения преподавателей и создания масштабируемых вмешательств для поддержки как преподавателей, так и студентов в онлайн -средах. Как автор и исследователь, д-р Приттс широко опубликовал в таких темах, как цифровая педагогика, дизайн учебных программ, стратегии оценки, а также будущее высшего образования.