Leta 1922 je znani izumitelj T. A. Edison zapisal: "Mislim, da bodo gibljive slike (kinematografija - op. prev.) revolucionarno spremenile naš izobraževalni sistem in da bodo v nekaj letih popolnoma ali vsaj v veliki meri nadomestile klasične učbenike"¹. [caption id="attachment_26" align="alignright" width="296"] "Carousel '77" by Voxphoto je licenciran pod CC BY-NC-ND 2.0. Če si želite ogledati kopijo te licence, obiščite https://creativecommons.org/licenses/by-nd-nc/2.0/jp/?ref=openverse.[/caption] In vendar se je izkazalo, da je bila od tedaj do danes uporaba video materialov pri učiteljih zelo omejena. Po drugi strani pa je, na primer, v drugi polovici prejšnjega stoletja, nekako do konca devetdesetih let, diaprojektor pri učiteljih postal izjemno priljubljen. V nasprotju z video tehnologijo jim je omogočal, da:

•  si pripravijo diapozitive po želji in po dostopni ceni,
•  ga uporabljajo kot tablo, torej kot orodje, ki ne spreminja njihovega načina poučevanja,
•  diapozitive ponovno uporabijo, izberejo poljuben vrstni red prikaza in jih dopolnijo/izpopolnijo².

Če je na voljo neka nova tehnologija, ki vam lahko pomaga, se vprašajte:

1.  Katere funkcije bi želeli, da ima?
2.  Ali bi zaradi njene uporabe spremenili svoj način poučevanja?
3.  Ali se bojite, da ste prisiljeni v spremembe?

UMETNA INTELIGENCA IN VI

Kot učitelj se vsak dan srečujete s spremembami. Razvoj tehnologij, v majhnih ali velikih korakih, prinaša spremembe: tehnologije spreminjajo svet, v katerem poučujete. Spreminjajo učence, ki jih učite. In nenazadnje vplivajo tudi na to, kaj in kako poučujete: na vsebine, na veščine in na kontekst učenja in poučevanja. Spremenijo pa lahko tudi vaš pristop k poučevanju.

Ta priročnik se ukvarja z vprašanjem, kako lahko posebna veja tehnologije, imenovana umetna inteligenca (UI), spremeni vaš način poučevanja.

Zakaj UI? Kadar je UI učinkovito uporabljena, sta hitrost in obseg sprememb, ki jih prinaša, lahko neznanska. Pravzaprav - ali je sploh kaj, česar stroj, ki naj bi bil inteligenten, ne more narediti? Ali lahko nemara poučuje bolje, kot to počnete vi? Ali bi vas lahko celo nadomestil v razredu? Veliko je pomembnih vprašanj, ki zahtevajo odgovore.

Trenutno obstoječi programi UI so zasnovani za eno, specifično nalogo in za specifičen tip uporabnikov, na primer, programska oprema za prevajanje besedil ne zna napovedati gibanja tečajev delnic.

Kar zadeva posamična opravila (naloge), je UI vsekakor sposobna opraviti določene naloge bolje kot ljudje. Toda večino drugih, drugačnih nalog ali opravil, celo otrok zlahka opravi veliko bolje kot najbolj razvita UI. UI bo morala prehoditi še zelo dolgo pot, preden bo lahko izpodrinila človeka pri tako kompleksni kognitivni, družbeni in kulturni dejavnosti, kot je poučevanje. Lahko pa pomaga dopolniti učiteljevo, zaenkrat nenadomestljivo delo. V strokovni literaturi med drugim naletimo na angleški izraz "augmented human" ("obogateni človek")³, ki bi bil v našem primeru lahko "obogateni učitelj".

Pedagoška stroka poudarja, da mora biti pri uporabi UI v izobraževanju učitelj vedno natančno seznanjen z dogajanjem in mora nadzorovati delovanje UI. Najučinkovitejša uporaba UI je tista, ki učitelja opolnomoči. Ko učitelj ve, kaj se učenec uči, dobri rezultati ne bodo izostali⁴.

Cilj tega priročnika je, da z njim pridobite znanje, potrebno za odločitev, ali vam UI lahko pomaga ter kako in pri čem. Upamo, da vam bomo pomagali, da boste dobro pripravljeni na prihodnost in boste zlahka sprejeli spremembe, ki jih prinaša UI.

¹ Cuban, L., Teachers and machines: The classroom use of technology since 1920, Teacher College Press, 1986.

² Lee, M., Winzenried, A., The use of Instructional Technology in Schools, Lessons to be learned, Acer Press, 2009.

³ Holmes, W., Bialik, M., Fadel, C.,  Artificial Intelligence In Education: Promises and Implications for Teaching and Learning, 2019.

⁴ Groff, J., Personalized Learning: The state of the field and future directions, Center for curriculum redesign, 2017.

V literaturi in na spletu obstaja več različnih definicij UI. Povsem enoznačne opredelitve tega, kaj je UI, kje se uporablja in kakšno vlogo ima, pravzaprav ni. Lahko gre za kompleksen samostojen sistem (kot so npr. roboti ali avtonomna vozila), lahko pa gre le za nekaj vrstic kode znotraj določene programske opreme, ki v tem programu igra zelo majhno vlogo.

UI vključuje skupek programov, ki opravljajo različne naloge. V strogo matematičnem smislu so meje med tem, kje se začne UI in končajo druge tehnologije, zabrisane.

Poleg tega se številni strokovnjaki ne strinjajo z uporabo besede "inteligenca" v tej besedni zvezi - umetna inteligenca namreč ni zares podobna človeški inteligenci, vsaj zaenkrat ne.

Kljub temu pa nam ta izraz pove nekaj o tem, kaj naj bi bili takšni programi sposobni narediti.

Sistemi UI so torej zasnovani na strojih (napravah). Predvidevanja, priporočila ali odločitve sprejemajo na podlagi:

• zaznavanja resnične ali virtualne okolice (na primer s pomočjo mikrofona ali kamere),

• oenostavitve in analize podatkov.

• Analizirane podatke nato uporabijo za sprejemanje odločitev ali napovedi¹.

Kako vemo, da sistem uporablja UI?

• Sistem prepozna, kaj ste napisali ali kaj govorite (programska oprema za prevajanje / prepoznavanje besedila / prepoznavanje obraza; osebni asistenti, klepetalnice ipd.).
• Dlje ko uporabljate določen sistem, bolje vas pozna (priporočila za videoposnetke na YouTubu / novice / izdelke na Amazonu; predlogi za prijateljstva na Facebooku, ciljno usmerjeni oglasi ipd.).
• Sistem je sposoben napovedati izid na podlagi nepopolnih in hitro spreminjajočih se informacij (najhitrejša pot do želene destinacije, cene delnic v bližnji prihodnosti ipd.).

UI okoli nas

Danes je prav UI tista vrsta tehnologije, ki uporabniku zagotavlja konkurenčnost, potrebno za uspeh.

UI se v takšni ali drugačni obliki uporablja praktično na vseh področjih človekovega delovanja:

• V poslovnem svetu in v raziskovalni dejavnosti so v uporabi različni programi za procesiranje jezika, ki v realnem času zapisujejo govor ali generirajo prevode besedil.

• Medicina izkorišča prednosti UI pri analizi medicinskih slik in pri orodjih za podporo odločanju².

• V kmetijskem sektorju sistemi, podprti z UI, pomagajo optimizirati uporabo razpoložljivih virov.

• Skoraj vsakodnevno beremo o novih prebojih tehnologij UI na področjih računalniških iger, umetnosti, industrije in trgovine.

V šolah UI lahko pomaga pri izbiri učnega gradiva, pri personalizaciji učenja, pri konstruktivnem vrednotenju opravljenega dela in pri raznih logističnih nalogah.

Oglejte si videoposnetek o Alanu Turingu in umetni inteligenci

Alan Turing je po mnenju mnogih oče računalništva. Veliko novih idej na področju umetne inteligence je pravzaprav predstavil Alan Turing, še preden je bil izumljen izraz "umetna inteligenca"!

¹ The OECD AI Principles, 2019.

² Artificial Intelligence in Healthcare, Wikipedia.

V nadaljevanju tega priročnika si bomo ogledali orodja UI, ki so že na voljo na področju izobraževanja. Številne obetavne aplikacije si šele utirajo pot v učilnice. Industrija izobraževalnih tehnologij, globalne korporacije in različni univerzitetni raziskovalni laboratoriji razvijajo orodja, ki učiteljem pomagajo pri poučevanju, učencem pa pri učenju. Podjetja, specializirana za razvoj tehnologij UI, vse pogosteje investirajo v izobraževanje. Učitelji in učenci s pridom uporabljajo orodja UI, tista varna, z uradnimi priporočili, kot tudi tista brez priporočil, ki so prosto dostopna (brezplačna).

Ne glede na to, ali so bila ta orodja zasnovana posebej za izobraževanje ali ne, se lahko številna med njimi uporabljajo v učilnicah. Pri tem je nujno potrebno, da se poleg njihovih prednosti zavedamo tudi morebitnih slabosti oz. nevarnosti.

Med brezplačnimi aplikacijami za področje matematike, ki so bile na voljo v času nastanka tega besedila, je Photomath. (Za področje učenja jezikov so tu aplikacije kot je Duolingo, ali npr. programska oprema za pisanje, ki uporablja GPT3).

V poglavju Viri najdete vprašalnik, s pomočjo katerega lahko opravite analizo uporabnosti programske opreme.

Photomath je aplikacija za reševanje matematičnih nalog. S pomočjo kamere aplikacija prepozna matematično nalogo in jo reši. Prednost aplikacije Photomath je v enostavnosti uporabe - vse, kar mora uporabnik narediti je, da usmeri kamero na sliko ali zapis na tabli ali v zvezku. UI v programu skenira fotografijo in v trenutku reši dano nalogo.

Učitelji vedo, da klasični žepni kalkulator lahko služi kot pripomoček za učenje, ali pa za goljufanje. Kalkulatorji nam ponujajo "samo" končni odgovor: na primer, 42. Učitelji morda dovolijo uporabo kalkulatorjev za preverjanje rezultatov, vendar morajo učenci do rešitev priti sami. Orodja, kakršno je Photomath pa prikazujejo več poti do rešitev in ob tem ponujajo tudi vizualizacijo naloge (ta del je za programerje sicer veliko manj tehnično zahteven).

Tukaj naštevamo še nekatere druge aplikacije oz. tehnologije, ki se danes uporabljajo v šolskem prostoru:

•  Spletni iskalniki
•  Preverjanje črkovanja in popravljanje slovnice (vgrajeno v večino programske opreme za pisanje)
•  Spletni prevajalniki
•  Aplikacije za učenje jezikov
•  Aplikacije za reševanje matematičnih nalog (npr. Photomath, Geogebra, Wolfram itd.)
•  Osebni asistenti
•  Klepetalnice (chatbots)
•  Inteligentni tutorski sistemi
•  Sistemi za upravljanje učenja (LMS) in spletna učna okolja, podprta z UI

Je uporaba AI goljufanje: Kakšni so odzivi učiteljev?

Kakšni so odzivi učiteljev na uporabo umetne inteligence pri učencih? Tukaj so nekateri od njih:

• neuporaba ali neizkoriščenje tehnologij zaradi strahu ali neznanja ter
• neselektivna uporaba, ki povzroča nezaželene sekundarne učinke.

Na primer: gotovo obstajajo potencialne nevarnosti, ki jih prinaša uporaba mobilnih telefonov. Določene skupnosti se jim popolnoma izogibajo. No, večina od nas mobilne telefone uporablja "pravilno" in pri tem ne zlorablja možnih načinov njihove uporabe. In preudarna uporaba mobilne tehnologije je že velikokrat rešila življenja.

Seznanjenost s programsko opremo, aplikacijami UI, ki so uporabne v izobraževanju, lahko pomaga pri preprečevanju prve izmed obeh skrajnosti. V naslednjih poglavjih si bomo to podrobneje ogledali, tukaj pa naštevamo nekaj osnovnih primerov:

ORODJA UI ZA UPRAVLJANJE UČENJA

Nadzorne plošče, orodja za vizualizacijo podatkov in sistemi za upravljanje učenja (LMS), podprti z delovanjem UI, združujejo vse razpoložljive informacije. S temi orodji lahko spremljate uspešnost učencev pri več predmetih, ali spremljate napredek pri določenem predmetu, in to ne glede na velikost skupine.

UI je primerna za naloge razporejanja in optimizacije virov. Med najpomembnejše načine uporabe pa zagotovo spada možnost vključevanja in integracije tistih, ki imajo drugačne sposobnosti ali posebne potrebe. Vmesniki za interakcijo človek-stroj še nikoli niso bili tako dovršeni. Na primer, aplikacija Storysign prevaja besede v znakovni jezik in tako pomaga gluhim in naglušnim otrokom pri učenju branja.

ORODJA UI ZA PERSONALIZACIJO UČENJA

• Prilagodljivi učni sistemi vrednotijo delo učenca - bodisi s pomočjo kvizov, ali s povratnimi informacijami v realnem času. Na podlagi takšne evalvacije učencu ponudijo določeno učno pot. Namesto univerzalnega pristopa lahko tako učenci porabijo poljubno količino časa za posamezne tematske sklope ter raziskujejo nove in sorodne teme. Prilagodljivi sistemi jim pomagajo pri učenju branja, pisanja, izgovarjanja in reševanja problemov.
• Prilagodljivi učni sistemi lahko pomagajo tudi učencem s posebnimi potrebami, pri čemer specializacije učnih sistemov temeljijo na preverjenih teorijah in strokovnih mnenjih. Ciljno usmerjeni sistemi so lahko "v veliko pomoč pri poučevanju posameznikov s kognitivnimi motnjami, kot so Downov sindrom, možganske poškodbe ali demenca, pa tudi pri manj resnih težavah, kot so disleksija, motnja pozornosti in diskalkulija"¹.
• Za različne dejavnosti se lahko oblikujejo različne skupine ob upoštevanju individualnih prednosti in slabosti vsakega člana.

Vse te tehnologije lahko pomagajo, toda "hudič se skriva v podrobnostih, kako tehnologijo dejansko uporabljate"². Ista inovativna in zmogljiva učna tehnologija se lahko v eni šoli uporablja učinkovito, v drugi pa zelo neučinkovito².

Ključ do učinkovite uporabe se skriva v znanju.

¹ Alkhatlan, A., Kalita, J.K., Intelligent Tutoring Systems: A Comprehensive Historical Survey with Recent Developments, International Journal of Computer Applications 181(43):1-20, March 2019.

² Groff, J., Personalized Learning: The state of the field and future directions, Center for curriculum redesign, 2017.

V okviru izobraževanja se s tako hitro spreminjajočimi se temami ne srečujemo pogosto. Za oblikovanje učnega načrta so potrebni meseci, za usposabljanje učiteljev pa leta. Nekateri pravijo, da je za celovito obravnavo nove teme potrebna cela generacija.

Vendar pa je bil cilj projekta AI4T in s tem njegovih učnih virov usposabljati učitelje na področju umetne inteligence, medtem ko se ta razvija! Zato boste pri branju tega učbenika morda našli manjše napake. Morda boste našli tudi izjave, ki ne držijo več: tehnološki napredek je lahko ponudil novo priložnost; tveganja, ki so leta 2022 ali 2023 pomenila prelomnico, so leta 2024 morda postala sprejemljiva; zadevni zakoni in predpisi so se morda spremenili. Ali to diskvalificira to prizadevanje?

Upamo, da ne. Ne, če izkoristimo priložnosti, ki nam jih ponujata tehnologija in odprta narava tega učbenika, da se bo lahko razvijal skupaj s spremembami. Morda staromodni postopek izdaje prve izdaje, nato druge izdaje itd. ni več najboljši način urejanja knjige? Zagotovo obstajajo rešitve, ki omogočajo, da se takšen predmet deli kot skupno dobro, ne le pri njegovi uporabi, temveč tudi pri njegovem razvoju? To bi verjetno predstavljalo naslednji izziv.

Ta učbenik je zdaj v rokah učiteljev, njegovih bralcev. Da se je to zgodilo, je sodelovalo veliko število ljudi. Pomagali so nam razumeti potrebe učiteljev in ministrstev. Nekateri so sodelovali pri pripravi gradiva, lektoriranju in vzpostavitvi spletne platforme. Drugi so pomagali pri prevajanju. Sodelovali smo tudi z zunanjimi ekipami: Dagobafilms nam je odlično pomagal pri pripravi videoposnetkov. In kar je najpomembneje, bili so vsi tisti, ki so nas spodbujali. Pisanje knjige je vedno dolgotrajna in zapletena naloga, pri kateri potrebuješ pomoč družine, prijateljev in sodelavcev, da si lahko opomoreš od s tem povezanih frustracij, da se držiš pravilnih uredniških odločitev in da se prepričaš, da je cilj, ki smo si ga zastavili, še vedno tam, kamor želimo priti.

Ko se zahvaljujemo ljudem, ki so nam pomagali v treh letih, bomo na nekatere zagotovo pozabili. Upamo, da nam bodo oprostili nejasnost našega spomina. Glede na to navajamo imena tistih, ki se jim zahvaljujemo, ker so na kakršen koli način prispevali k temu delu:

Jotsna bi se rada zahvalila Thomasu in Layi za razumevanje, podporo in (skoraj) nenehno ljubezen.

Colin se zahvaljuje Isabellini potrpežljivosti v zadnjih mesecih.

Na primer, aplikacija, ki je bila razvita na podlagi določenih podatkov za določen namen, ne bo delovala enako dobro na podlagi drugačnih podatkih za drugačen namen. Dobro je poznati omejitve UI in jih odpraviti. Torej ne moremo preprosto preklopiti na UI, temveč se moramo seznaniti s prednostmi in omejitvami njene uporabe.

Ohranjanje stereotipov

Google Prevajalnik se uči prevajati s pomočjo interneta. Z rudarjenjem podatkov se uči iz informacij, prosto dostopnih na spletu. Poleg jezika se UI nauči, na primer, da je med mehaniki več moških kot žensk, med zdravstvenimi tehniki (medicinskimi sestrami, op. prev.) pa več žensk kot moških. UI ni sposobna razlikovati med tem, kaj je "resnica" in kaj je posledica stereotipov in drugih predsodkov. Na ta način Google Prevajalnik promovira in širi informacije o vsem, kar se nauči, in s tem še bolj utrdi stereotipe¹:

Težave se v delovanje UI prikradejo takrat, ko se posamezen primer razlikuje od večine (ne glede na to, ali gre zares za večino v resničnem svetu, ali le za večino po podatkih interneta). V učilnicah mora učitelj izravnati takšne napake sistema in po potrebi usmeriti pozornost učencev k drugim, zanesljivejšim virom informacij.

Več meritev natančnosti

Sistemi UI lahko pripravijo napovedi, priporočila ali odločitve o tem, katero snov naj se učenec uči v naslednjem koraku, ali je razumel dano tematiko, kakšna razdelitev skupine bi bila primerna za posamezen razred, ali celo da učencu grozi opustitev šolanja itn. Verjetnost napovedi je pogosto izražena v odstotkih. Ta številka nam pove, kako verjetne so po lastni oceni sistema UI njegove napovedi.

Po svoji naravi so lahko napovedi napačne. Velikokrat so napake sprejemljive, v nekaterih primerih pa ne. Poleg tega obstaja veliko različnih načinov izračunavanja stopnje napake, po različnih merilih - in programer izbere tisto, ki se mu zdi najprimernejša. Pogosto se zanesljivost napovedi spreminja glede na značilnosti vhodnih podatkov.

Ker v učilnicah sistemi UI pripravljajo napovedi, priporočila ali odločitve v zvezi z otroki, mora učitelj presoditi, kaj je sprejemljivo oz. primerno, in ukrepati, kadar odločitev UI ni ustrezna. V ta namen smo pripravili osnovne informacije o tehnikah uporabe UI in pogostih napakah, ki se ob tem pojavljajo.

¹ Barocas, S.,  Hardt, M., Narayanan, A., Fairness and machine learning Limitations and Opportunities, 2022.

Vse vrste podjetij danes uporabljajo podatke za izboljšanje svojih bilanc. Podatke uporabljajo za odločanje o tem, kaj prodati, komu prodati, kakšno ceno določiti izdelkom ali storitvam in kako izbrati oglaševanje. Algoritmi strojnega učenja pa so tisto, kar vse te podatke osmisli. Zmaga tisti, ki ima boljše podatke in boljši algoritem: podatki so v sodobnem času dragoceni kot zlato, toda hkrati kot Ahilova peta predstavljajo potencialno šibkost.

Ali s "podatki" tukaj mislimo le na osebne naslove in številke bančnih računov?

Kaj pa, na primer, število klikov z miško, ki jih uporabnik naredi med obiskom spletnega mesta?

Učitelj kot skrbnik lastnih podatkov in podatkov svojih učencev mora biti nujno seznanjen z vsemi vrstami podatkov, ki jih uporablja UI, vedeti mora, v kakšni obliki so uporabljeni in kako zaščititi uporabnikovo zasebnost.

Industrija UI v sektorju izobraževanja

Industrija izobraževalnih tehnologij, EdTech, izdeluje tehnološke aplikacije za področje izobraževanja, torej tudi tehnologije, podprte z delovanjem UI. Industrijo sestavlja morje zelo majhnih podjetij, med njimi so številna zagonska podjetja (start-up), a tudi internetni velikani, ki v izobraževanje vlagajo vedno več denarja, ter celo mnoge javne institucije.

Določeno programsko opremo, ki jo izdelujejo, je treba kupiti, nekaj pa je brezplačnih aplikacij, pri čemer podjetja dobiček črpajo iz povezanih virov, npr. s pomočjo ciljno usmerjenih oglasov ali trgovanja s podatki o uporabnikih. Ne glede na to, za kakšen finančni model podjetja gre, je trg UI v izobraževanju vreden veliko denarja.

Kaj to pomeni za vas in vaše učence? Ali imajo brezplačne aplikacije vendarle svojo ceno? Kako zaščititi učence medtem, ko uživamo sadove te pogoltne industrije?

Ustvarjanje orodij in vi

Ni izobraževanje tisto, ki se mora spremeniti, da bi se prilagodilo tehnologiji. "Učna okolja, ki izhajajo iz tehnologij, pogosto ne končajo dobro¹". Vsako orodje mora temeljiti na trdni, dobri pedagoški teoriji. Najbolj učinkovita orodja so plod timskega dela ekip, v katerih sodelujejo učitelji, pedagoški teoretiki in računalničarji².

Torej, ste pripravljeni začeti?

¹ Groff, J., Personalized Learning : The state of the field and future directions, Center for curriculum redesign, 2017.

² Du Boulay, B., Poulovasillis, A., Holmes, W., and Mavrikis, M., Artificial Intelligence And Big Data Technologies To Close The Achievement Gap, 2018

S spodnjega seznama izberite iskalnik in ga uporabljajte v naslednjem tednu: [caption id="attachment_48" align="alignright" width="200"] "duckduckgo [Www.Etoile.App]" by eXploration Etoile je licenciran pod Public domain mark 1.0. Če si želite ogledati kopijo te licence, obiščite https://creativecommons.org/publicdomain/mark/1.0/?ref=openverse.[/caption] Bing                 OneSearch Brave               Qwant DuckDuckGo   Spotlight Ecosia              Startpage Google             Swisscows MetaGer           Yahoo!

1. Ali so rezultati iskanja tako dobri kot pri iskalniku, ki ga običajno uporabljate?
2. Iz katerih informacijskih virov črpa iskalnik? Ali so rezultati, ki jih prikaže, odvisni od drugih iskalnikov?
3. Preberite, kaj je o iskalniku napisano v razdelkih Vizitka, Politika zasebnosti ali Pogoji uporabe.
4. Čemu so (glede na zapisano) namenjeni vaši podatki? Ali iskalnik omogoča, da spremenite privzete nastavitve zasebnosti?

Ko boste zaključili, si tukaj oglejte opise teh iskalnikov.

Iskalniki so torej UI, ki jo imate vedno pri roki. To je doslej najbolj izpopolnjen način uporabe UI, ki se ga redno poslužujemo praktično vsi. Učinkovitost spletnih iskalnikov je posledica:

• eksplozije vsebin na svetovnem spletu,
• sposobnosti iskalnika, da to vsebino osmisli* in označi za prihodnje poizvedbe (indeksiranje),
• sposobnosti iskalnika, da razume*, kar ga sprašujete¹ in
• sposobnosti iskalnika, da najprej prikaže najustreznejše vsebine (razvrščanje).

V ozadju zadnjih treh dejavnikov so algoritmi UI.

Zdi se, da so bili iskalniki doslej uspešni pri ustvarjanju iluzije, da je na internetu objavljeno VSE in da je vse na spletu mogoče poiskati². Jasno je, da takšno readymade znanje, védnost in "širjenje spomina" počasi, a zanesljivo transformirajo učenje.

Iskalniki kot orodja za učenje in poučevanje

Iskalniki lahko učiteljem in učencem pomagajo na vsaj tri načine.

• Omogočajo enostavno iskanje in preverjanje informacij za uporabo pri pouku in preverjanju znanja. V tem kontekstu se je pomen informacij v zadnjem desetletju zelo spremenil. Poleg besedil so zdaj zlahka dostopni tudi zvočni in video posnetki, animacije in celo deli računalniških kod, digitalne shrambe itd.
• Učitelj ni več edini vir znanja. Zato lahko (po lastni presoji) svoj čas usmeri v pomoč pri izpopolnjevanju veščin, v spodbujanje raziskovanja ali v razreševanje morebitnih konfliktov.
• S prostim dostopom do informacij učencem omogoča učenje na podlagi raziskovanja in projektov. Učenci lahko sami dostopajo do informacij, jih razvrščajo in iz njih izpeljujejo pomen. Rezultat je trajno znanje, ki je prenosljivo v resnične življenjske situacije³.

Vendar pa učenje na podlagi raziskovanja in projektov, ali samostojno učenje v katerikoli drugi obliki, ni enostavno. Učenci potrebujejo pomoč in podporo pri usvajanju številnih veščin, ki so povezane z iskanjem in osmišljanjem virov informacij, ki jih pri tem uporabljajo³.

Kaj in kako vprašati?

Različne študije v Evropi in v svetu kažejo, da se učenci srečujejo z mnogimi težavami pri spletnem iskanju informacij³. Pogosto so razočarani, ko njihovo iskanje ne obrodi nobenih rezultatov. Ne vedo, kako oceniti ustreznost rezultatov iskanja⁴. Mlajši otroci imajo pri iskanju informacij na spletu težave z ustvarjanjem iskalnih poizvedb, z izbiro ustrezne spletne strani s seznama rezultatov iskanja, s pravilnim črkovanjem iskanih izrazov in z razumevanjem jezika, ki je prikazan v rezultatih iskanja⁵.

Poznavanje različnih tehnik iskanja bo učiteljem in učencem v veliko pomoč pri izkorišanju potenciala teh osupljivih informacijskih virov - spletnih iskalnikov.

Poleg uporabe dobrih tehnik iskanja se vedno splača z miško pomakniti navzdol po rezultatih iskanja in si ogledati več kot samo prvo stran. Iskalniki se razlikujejo po tem, kako razvrščajo rezultate. Najvišje uvrščeni rezultati morda ne temeljijo samo na vaši iskalni poizvedbi ali samo na značilnostih vaše dejavnosti kot uporabnika. Poleg tega ne znajo vsi izdelati takšnih spletnih strani, ki bi bile optimizirane tako, da bi se prikazale med najvišje uvrščenimi rezultati.

Za konec si oglejte nastavitve iskanja v iskalniku, ki ga uporabljate. Te med drugim omogočajo prilagoditev prikazanih rezultatov iskanja, varnostne nastavitve, primerne za otroke itd.

Iskanje v parih

Tudi po seznanjenju s tehnikami optimizacije imajo lahko učenci še vedno težave z oblikovanjem učinkovitih iskalnih izrazov/nizov ali z analizo dobljenih rezultatov. Določene študije kažejo, da lahko pri tem pomaga iskanje v parih ali v manjših skupinah učencev. Navodila za vsak posamezen korak naloge bodo učencem v pomoč pri oblikovanju boljših strategij iskanja, pri popravkih iskanj in pri presojanju, kaj storiti s pridobljenimi informacijami. V primerjavi s posamezniki so lahko pari tudi boljši pri iskanju in presojanju informacij na spletnih straneh⁴.

* Osmisli, razume, inteligenca ipd. so izrazi, ki so v tem besedilu uporabljeni za opis delovanja strojev. Pri tem je pomembno, da se zavedamo, da aplikacije, ki temeljijo na strojnem učenju, seveda ne morejo nečesa osmisliti ali razumeti na enak način kot ljudje.

¹ Russell, D., What Do You Need to Know to Use a Search Engine? Why We Still Need to Teach Research Skills, AI Magazine, 36(4), 2015

² Hillis, K., Petit, M., Jarrett, K., Google and the culture of search, Routledge, 2013.

³ Marion Walton, M., Archer, A., The Web and information literacy: scaffolding the use of web sources in a project-based curriculum, British Journal of Educational Technology, Vol 35 No 2, 2004.

⁴ Lazonder, A., Do two heads search better than one? Effects of student collaboration on web search behaviour and search outcomes, British Journal of Educational Technology, Vol 36 Issue 3, 2005.

⁵ Vanderschantz, N., Hinze, A., Cunningham, S., “Sometimes the internet reads the question wrong”: Children's search strategies & difficulties, Proceedings of the American Society for Information Science and Technology, Vol 51, Issue 1, 2014.

Naučili so nas, da zaupamo knjigam. Založnike, knjižničarje, profesorje, učitelje in strokovnjake z najrazličnejših predmetnih področij dojemamo kot varuhe tiskanih virov informacij. Oni so tisti, ki poskrbijo za verodostojnost in kakovost teh virov. Kako pa je na spletu - kako tam zagotoviti, da učenci najdejo ustrezne vire^1,2?

Tudi v tiskanih gradivih iz kakovostnih, zanesljivih virov se pojavljajo napake in predsodki. Kultura kritičnega vrednotenja na tem področju prinaša koristi onkraj izbire kakovostnih spletnih virov².

Digitalni repozitoriji

Dober način za zagotavljanje avtentičnosti vsebin je uporaba digitalnih zbirk iz znanih in zaupanja vrednih virov, pa naj gre za zbirke podatkov na nivoju posamezne šole ali za veliko obsežnejše zbirke, ki so v globalni uporabi. V zadnjih dveh desetletjih se je število digitalnih knjižnic močno povečalo, kar učiteljem omogoča uporabo zbirk podatkov, zemljevidov in slik ter drugih dokumentov³.

Pri iskanju informacij lahko uporabite funkcijo "iskanje/išči" na samem spletnem mestu, ali pa v iskalniku (npr. Google) poleg iskalnega niza vnesete site:  (kot ključno besedo).

Tudi Google ima specifične iskalnike za: -  javne podatkovne zbirke, v katerih vlade, javne ustanove in velike korporacije objavijo zbrane podatke za javni dostop. To so vse javne informacije, zbrane v študijah, anketah in popisih prebivalstva⁴. - raziskovalne članke, kjer je indeksiranih in pripravljenih za iskanje na milijone člankov in knjig, tako prosto dostopnih kot plačljivih.

Poleg tega so priljubljeni viri informacij tudi odprti (prosto dostopni) tečaji raznih univerz, Khan Academy in številne spletne enciklopedije.

Spremenljive vsebine

Spletni iskalniki nenehno preizkušajo nove algoritme. Iskanje na mobilnih napravah je drugačno od iskanja na namizju, saj daje prednost rezultatom, ki so vezani na trenutno lokacijo⁴. Vsak dan poteka indeksiranje novih vsebin, spreminja se indeksiranje starih. Iz starih podatkov se s ponovnim analiziranjem vsebin ustvarjajo novi¹. Spreminjajo se avtorske pravice in licence. Zakonodaja na področju podatkov se prav tako spreminja, tako s časom, kot tudi glede na lokacijo (državo). Na območju Evropske unije, na primer, iskalniki zaradi Splošne uredbe o varstvu podatkov (GDPR) na sezname rezultatov še vedno uvrščajo vsebine, ki jim je bil odstranjen indeks. Celo zemljevidi se spreminjajo glede na to, od kod do njih dostopamo. Spreminjata se jezik in raba jezika. Od države do države se spreminja tudi uporaba (in interpretacija) medicinskih kategorij itn¹.

Ne pozabimo, da so rezultati iskanja razvrščeni glede na zgodovino dejavnosti uporabnika_uporabnice, glede na njegove_njene osebne podatke in glede na nastavitve zasebnosti. Torej imamo pravzaprav vsi dostop do različnih vsebin in morda celo ne moremo dvakrat najti iste vsebine. Vse te razlike je treba upoštevati pri snovanju izobraževalnih aktivnosti.

Drugi izzivi

Tehnologija iskalnikov s seboj prinaša tudi številne druge spremembe. Znanje je danes zlahka dostopno. Ni nam več treba poznati dejstev. Namesto tega si skušamo zapomniti, kje in kako jih najdemo¹. Programerji vsakodnevno izrezujejo in lepijo posamezne dele kode. Inženirji uporabljajo simulatorje. Na voljo so forumi, tako za vprašanja učencev o domačih nalogah, kot tudi takšni za pritožbe učiteljev. Veščine postajajo pomembnejše od znanja in spomina. Celo naš pogled na etiko in moralo se spreminja - kako, na primer, razložiti problem plagiatorstva "generaciji kopiraj-prilepi"?

¹ Russell, D., What Do You Need to Know to Use a Search Engine? Why We Still Need to Teach Research Skills, AI Magazine, 36(4), 2015.

² Marion Walton, M., Archer, A., The Web and information literacy: scaffolding the use of web sources in a project-based curriculum, British Journal of Educational Technology, Vol 35 No 2, 2004.

³ Land, S., Hannafin, M. J., & Oliver, K. Student-Centered Learning Environments: Foundations, Assumptions and Design. In Jonassen, D. H. & Land, S. (Ed.), Theoretical foundations of learning environments (pp. 3–26), Routledge, 2012.

⁴ Spencer, Stephan. Google Power Search: The Essential Guide to Finding Anything Online With Google, Koshkonong. Kindle Edition.

Programski jeziki so jeziki, ki jim računalnik lahko sledi in jih izvaja. Delujejo kot most med tem, kar razumemo, in tem, kar lahko razume stroj; so kot stikala za vklop in izklop. Računalnik slike, videoposnetke in navodila razume kot enice (stikalo je vklopljeno) in ničle (stikalo je izklopljeno).

Algoritem, zapisan v programskem jeziku, postane program. Aplikacije so programi, napisani za končnega uporabnika.

Tradicionalni programi sprejemajo podatke in sledijo navodilom, da dobijo rezultat. Številni zgodnji programi UI so bili v tem pogledu tradicionalni. Ker se navodila ne morejo prilagajati podatkom, ti programi niso bili prav uspešni pri nalogah, kot je npr. napovedovanje na podlagi nepopolnih informacij in naravna obdelava jezika (NLP).

Spletne iskalnike poganjajo klasični algoritmi in algoritmi strojnega učenja. Za razliko od prvih slednji analizirajo podatke za prepoznavanje vzorcev, ki jih nato uporabijo za sprejemanje odločitev ali generiranje napovedi. Lahko bi reklii, da na podlagi podatkov (dobrih in slabih primerov) ustvarijo svoj lasten "recept" za delovanje.

Takšni algoritmi so primerni za zelo kompleksne situacije z veliko manjkajočimi podatki. Sposobni so sami spremljajati izvajanje zadanih nalog in povratne informacije uporabiti za izboljšanje svojega delovanja.

V tem so pravzaprav podobni ljudem, zlasti dojenčkom, ki se veščin učijo izven izobraževalnega sistema. Dojenčki opazujejo, ponavljajo (posnemajo), se učijo, preizkušajo naučeno in se izboljšujejo. Če je treba, tudi improvizirajo.

Vendar je podobnost med stroji in ljudmi precej površinska. Učenje ljudi je drugačno, veliko bolj diferencirano, podrobno in zapleteno kot učenje strojev.

Problem klasifikacije

Ena od pogostih nalog, ki se uporablja v aplikacijah strojnega učenja, je klasifikacija. Je na fotografiji pes ali mačka? Ali ima učenec težave pri reševanju nalog, ali je opravil preizkus znanja? Stroj ima na izbiro dve ali več skupin. Aplikacija mora nove podatke razvrstiti v eno od teh skupin.

Vzemimo za primer komplet igralnih kart, ki ga po nekem ključu razdelimo na dva kupčka, skupino A in skupino B. Nalsednjo karto (karov as) moramo razvrstiti v skupino A ali skupino B.

Najprej moramo razumeti, po kašnem ključu je razdeljen komplet kart - torej potrebujemo primere. Izberemo štiri karte iz skupine A in štiri iz skupine B. Teh osem primerov predstavlja naše učne podatke - podatke, ki nam pomagajo prepoznati vzorec, oz., nas s tem "učijo", kako priti do rezultata.

Takoj ko vidimo razporeditev (slika desno), nas večina ugane, da karov as spada v skupino B. Pri tem ne potrebujemo posebnih navodil, človeški možgani so čudežni iskalec vzorcev. Kako pa bi to nalogo opravil stroj?

Algoritmi strojnega učenja temeljijo na uveljavljenih statističnih teorijah. Različni algoritmi temeljijo na različnih matematičnih enačbah, ki jih je treba skrbno izbrati, da ustrezajo dani nalogi. Naloga programerja je, da izbere podatke, analizira, katere značilnosti podatkov so pomembne za določen problem, in izbere pravilen algoritem.

Pomen podatkov

Vendar pa bi lahko v zgornjem primeru šlo narobe več stvari. Oglejte si sliko. V skupini 1 je premalo kart, da bi lahko ugibali. V skupini 2 je sicer več kart, vendar so vse enake barve, zato ne moremo predvideti, kam uvrstiti karo. Če skupine ne bi bile enako velike, bi v skupini 3 karte s številkami spadale v skupino A, karte s podobami pa v skupino B.

Problemi strojnega učenja so običajno bolj odprti in vključujejo nabore podatkov, veliko večje od kompleta kart. Učne podatke je treba izbrati s pomočjo statistične analize, sicer se vanje prikradejo napake. Dobra izbira podatkov je ključnega pomena za učinkovite aplikacije strojenga učenja, bolj kot pri drugih vrstah programov. Strojno učenje potrebuje veliko število relevantnih podatkov. Osnovni model strojnega učenja mora vsebovati najmanj desetkrat več podatkov, kot je skupno število značilnosti¹. Kljub temu je strojno učenje posebej primerno tudi za obdelavo hrupnih, neurejenih in nasprotujočih si podatkov.

Ekstrakcija značilnosti

Ko ste si v zgornjem primeru ogledali skupini A in B, ste bržkone najprej opazili barvo kart. Nato številko ali črko in barvo. Pri algoritmih je treba vse te posamezne značilnosti vnesti posebej. Algoritem ne more samodejno vedeti, kaj je pomembno za dano nalogo.

Pri izbiri značilnosti si morajo programerji zastaviti številna vprašanja. Koliko značilnosti je premalo, da bi bile uporabne? Koliko jih je preveč? Katere značilnosti so pomembne za nalogo? Kakšno je razmerje med izbranimi značilnostmi - ali je ena značilnost odvisna od druge? Ali je z izbranimi značilnostmi mogoče doseči natančen rezultat?

Postopek

Ko programer ustvarja aplikacijo, vzame podatke, iz njih ekstrahira značilnosti, izbere ustrezen algoritem strojnega učenja (matematična funkcija, ki določa postopek) in ga usposobi z uporabo označenih podatkov (v primeru, ko je izhod znan - npr. skupina A ali skupina B), tako da stroj razume vzorec, ki se skriva za problemom.

Za stroj razumevanje pomeni zapis v oblik niza številk ali uteži, ki jih dodeli vsaki značilnosti. S pravilno dodelitvijo uteži lahko izračuna verjetnost, da nova karta spada v skupino A ali B. Običajno v fazi učenja programer pomaga stroju tako, da ročno spremeni nekatere vrednosti (uglaševanje). Za tem je treba program pred začetkom uporabe preizkusiti. Pri tem se vanj vnesejo takšni označeni podatki, ki niso bili uporabljeni v fazi učenja, imenujemo jih testni podatki.

Nato se oceni učinkovitost stroja pri napovedovanju rezultatov. Ko učinkovitost doseže zadovoljivo stopnjo, lahko začnemo z uporabo programa, ki je sedaj pripravljen za vnos povsem novih podatkov, na podlagi katerih sprejema odločitve ali generira napovedi.

Algoritem nato lastno delovanje v realnem času nenehno spremlja in se izboljšuje (prilagoditev uteži za boljše rezultate). Učinkovitost delovanja v realnem času se pogosto razlikuje od izmerjene učinkovitosti v fazi preizkušanja (testiranja). Ker je eksperimentiranje z resničnimi uporabniki drago, zahteva veliko truda in pogosto s seboj prinaša določeno tveganje, se algoritmi praviloma preizkušajo na podlagi preteklih uporabniških podatkov, zaradi česar pa morda ni možno oceniti vpliva na vedenje uporabnikov¹ . Zato je pomembno, da se pred uporabo aplikacij strojnega učenja opravi celovita ocena njihovega delovanja:

Ali bi radi strojno učenje preizkusili v praksi? Oglejte si to aktivnost.

¹ Theobald, O. Machine Learning For Absolute Beginners: A Plain English Introduction (Second Edition) (Machine Learning From Scratch Book 1) (p. 24). Scatterplot Press. Kindle Edition.

² Konstan, J., Terveen, L., Human-centered recommender systems: Origins, advances, challenges, and opportunities, AI Magazine, 42(3), 31-42, 2021.

1. korak: spletni pajki poiščejo in prenesejo dokumente

Ko uporabnik vnese iskalno poizvedbo, se v naslednjem koraku seveda ne loti pregledovanja vseh vsebin, ki so na voljo na internetu.¹ Dokumenti na spletu so bili pregledani že prej, njihova vsebina pa je razdeljena in shranjena v različnih sklopih. Ko uporabnik vnese svojo poizvedbo, je treba le še uskladiti informacije v poizvedbi z informacijami v posameznih sklopih.

Spletni pajki so avtomatizirani programi oz. skripte, ki samostojno preiskujejo spletne strani na internetu. So deli računalniške kode, ki iščejo in prenašajo dokumente s spleta. Za začetek dobijo nabor naslovov spletnih strani (URL), do katerih morajo dostopati. To je začetni niz (angl. seed set). Ko prenesejo posamezno stran, na njej najprej preverijo, ali vsebuje povezave do drugih spletnih strani. Če jih vsebujejo, njihove naslove dodajo na svoj seznam opravil. Nato spet prenesejo na novo najdene strani in v njih spet iščejo povezave.

2. korak: dokument se preoblikuje v več delov

Dokument, ki ga prenese spletni pajek, je lahko jasno strukturirana spletna stran (napisana v jeziku html) z lastnim opisom vsebine, avtorja, datuma itd. Lahko pa je tudi slabo skenirana slika neke stare knjige iz knjižnice. Iskalniki običajno znajo prebrati približno sto različnih vrst dokumentov.¹ Te pretvorijo v html ali xml in jih shranijo v tabele (v primeru Googla se takšna tabela imenuje BigTable).

Vsaka tabela je sestavljena iz manjših tabel (angl. tablets). Vsaka vrstica v tabeli je namenjena eni spletni strani. Vrstice so razporejene v določenem vrstnem redu, ki se beleži skupaj z dnevnikom posodobitev. Vsak stolpec vsebuje določen tip informacij, povezanih s spletno stranjo, kar lahko pomaga pri usklajevanju vsebine z vsebino neke prihodnje iskalne poizvedbe. Stolpci vsebujejo:

• spletni naslov. Poleg tega, da spletni naslov omogoča identifikacijo vrstice v tabeli, nam lahko nekaj pove tudi že o vsebini izbrane strani. Če je stran identificirana kot domača stran, vsebina strani reprezentira celotno spletno mesto.
• naslove in posamezne besede v krepkem tisku, ki nakazujejo pomembno vsebino.
• metapodatke. To so informacije o strani, ki niso del glavne vsebine, npr. vrsta dokumenta (npr. e-pošta ali spletna stran), struktura dokumenta, dolžina dokumenta ipd. Html strani v opisih vsebujejo tudi (pogosto dragocene) ključne besede. Znanstveni in časopisni članki vsebujejo podatke o avtorjih in datum objave. Za slike in videoposnetke so značilne spet druge vrste metapodatkov.
• opise povezav z drugih spletnih strani na to stran. Kadar spletne strani vsebujejo povezave do drugih strani, so te običajno v obliki podčrtanega besedila (prav to je znak, da gre za hiperpovezavo). Temu pravimo sidrno besedilo. Kaže na to, kar je po mnenju avtorja osrednja vsebina strani. Sidrno besedilo je zapisano v ločenem stolpcu (več je povezav, več je stolpcev). Povezave se uporabljajo tudi za razvrščanje, ki razkriva, kako priljubljena je določena spletna stran (oglejte si npr. Google Pagerank, sistem razvrščanja za merjenje kakovosti in priljubljenosti spletnih strani).
• imena ljudi, podjetij ali organizacij ter lokacije, oznake za izražanje časa, datuma, količin, denarnih vrednosti itd. Algoritmi strojnega učenja znajo te podatke poiskati v katerikoli vsebini. Pri tem učni podatki vsebujejo označbe, ki jih je dodal človek.¹

Eden izmed stolpcev v takšni tabeli, pravzaprav najpomembnejši stolpec, vsebuje glavno vsebino dokumenta. Spletna stran lahko vsebuje še druge podatke, npr. zunanje povezave ali oglase, zato je treba najprej določiti glavno vsebino. Ena izmed temu namenjenih tehnik uporablja model strojnega učenja za “učenje” o tem, kaj predstavlja glavno vsebino na poljubni spletni strani.

Točne določene besede, ki jih vsebuje iskalna poizvedba, se bodo seveda ujemale z istimi besedami v najdenem spletnem dokumentu (podobno npr. omogoča funkcija iskanje/poišči v katerem koli urejevalniku besedil). Vendar to ni prav učinkovit način, saj ljudje za pogovor o isti stvari uporabljajo različne besede. Zgolj beleženje posameznih besed ne bo pomagalo ugotoviti, kako se te besede med seboj povezujejo, kar jim daje pomen.  Navsezadnje nam pri sporazumevanju najbolj pomaga misel za besedami, in ne besede same. Zato vsi spletni iskalniki besedilo preoblikujejo tako, da se lažje ujema s pomenom besedila poizvedbe. Kasneje se tudi poizvedba obdela na podoben način.

Iskalnik dele besed shrani kot žetone. Na ta način se zmanjša skupno število različnih žetonov, ki jih je treba shraniti. Modeli, ki so trenutno v uporabi, shranjujejo med 30.000 in 50.000 žetonov.² Napačno črkovane besede so prepoznane, saj se deli teh besed še vedno ujemajo s shranjenimi žetoni. Tudi iskanje neznanih besed lahko obrodi rezultate, saj se njihovi posamezni deli lahko ujemajo z že shranjenimi žetoni.

Učne podatke za strojno učenje predstavljajo vzorčna besedila. Model izhaja iz posameznih znakov, presledkov in ločil ter združuje znake, ki se pogosto pojavljajo, in tako tvori nove žetone. Če število žetonov ni dovolj veliko, nadaljuje postopek združevanja, da zajame večje ali manj pogoste dele besed. Na ta način zajame večino besed, končnic in predpon. Ko dobi novo besedilo, ga stroj zlahka razdeli na žetone in shrani v pomnilniku.

3. korak: za lažji dostop se ustvari kazalo

Ko so podatki shranjeni v tabeli (BigTable), se ustvari kazalo. Na koncu klasičnih, tiskanih učbenikov so v kazalu navedeni pomembni izrazi in številke strani, kjer te izraze najdemo. Spletni iskalniki pa razporedijo žetone in njihove lokacije v spletnem dokumentu. Pri tem lahko kazalu dodajo tudi določene statistične podatke, npr. kolikokrat se žeton pojavi v dokumentu, kako pomemben je ta žeton za dokument itd. Zapisane so lahko tudi informacije o položaju žetona v besedilu: ali je žeton v naslovu, ali v podnaslovu? Ali se zgoščeno pojavlja le v določenem delu besedila, ali ga najdemo v celotnem dokumentu? Ali en žeton vedno sledi točno določenemu drugemu žetonu?

Dandanes številni iskalniki uporabljajo kombinacijo tradicionalnega indeksiranja in jezikovnih modelov, ustvarjenih s pomočjo globokih nevronskih mrež. Slednje kodirajo semantične podrobnosti besedila in so odgovorne za boljše razumevanje poizvedb.³ Iskalnikom pomagajo preseči zgolj iskalni niz in se dokopati do zahteve, ki je v prvi vrsti sploh spodbudila poizvedbo.

Ti trije koraki na zelo poenostavljen način opisujejo to, kar imenujemo "indeksiranje" - torej iskanje, pripravo in shranjevanje dokumentov ter ustvarjanje kazala. V naslednjem poglavju so opisani koraki "razvrščanja", tj. ujemanja iskalne poizvedbe z vsebino in prikazovanje rezultatov glede na pomembnost.

¹ Croft, B., Metzler D., Strohman, T., Search Engines, Information Retrieval in Practice, 2015

² Sennrich,R., Haddow, B., and Birch, A., Neural Machine Translation of Rare Words with Subword Units, In Proceedings of the 54th Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers), pages 1715–1725, Berlin, Germany. Association for Computational Linguistics, 2016.

³ Metzler, D., Tay, Y., Bahri, D., Najork, M., Rethinking Search: Making Domain Experts out of Dilettantes, SIGIR Forum 55, 1, Article 13, June 2021.

4. korak: usklajevanje izrazov iz poizvedbe z izrazi iz kazala

Ko uporabnik vnese iskalno poizvedbo in klikne na iskanje, se prične obdelava poizvedbe. Po enakem principu, kot nastane besedilo, se ustvarijo žetoni. Poizvedba se nato lahko razširi, z dodatnimi ključnimi besedami. Na ta način se izognemo situaciji, da ustreznih dokumentov ne najdemo, ker v poizvedbi uporabljamo nekoliko drugačne besede kot avtorji spletnih vsebin. To počnemo tudi zato, da upoštevamo morebitne razlike načinov rabe (npr., uporaba besed, kot so predsednik, premier, ali kancler, je lahko drugačna glede na državo)¹.

Večina iskalnikov beleži zgodovino uporabnikovih poizvedb (za več informacij si oglejte Opis nekaterih priljubljenih iskalnikov). Poizvedbe se beležijo skupaj s podatki o uporabniku, za učinkovitejšo personalizacijo vsebin in zaradi prikazovanja oglasov. Podatki vseh uporabnikov se pogosto združijo in se obravnavajo kot celota, prav tako z namenom izboljšanja delovanja iskalnika.

Uporabniški dnevniki vsebujejo prejšnje poizvedbe, stran z rezultati in informacije o tem, kaj je delovalo (kaj je bilo ustrezno) - torej, kaj je uporabnik kliknil in koliko časa je porabil za branje teh strani. S pomočjo uporabniških dnevnikov je mogoče vsako poizvedbo povezati z relevantnimi dokumenti (uporabnik klikne, prebere stran in zaključi sejo) in z nerelevantnimi dokumenti (uporabnik ni kliknil ali prebral ali poskušal preoblikovati poizvedbe)².

S takšnimi dnevniki lahko vsako novo poizvedbo primerjamo s preteklo poizvedbo, ki je podobna trenutni. Eden od načinov, kako ugotoviti, da je poizvedba podobna drugi poizvedbi je, da pogledamo ali razvrščanje prikaže iste dokumente: podobne poizvedbe morda ne vsebujejo vedno istih besed, vendar bodo prikazani rezultati verjetno enaki².

Pravopisne napake lahko popravimo s podobnimi poizvedbami. Za razširitev poizvedbe lahko dodamo nove ključne besede ali sopomenke. To storimo tako, da poiščemo druge besede, ki se pogosto pojavljajo v dokumentih, ki so rezultat preteklih poizvedb. V splošnem pa velja, da se poizvedbi dodajo besede, ki se v relevantnih dokumentih pojavljajo pogosteje kot v nerelevantnih dokumentih, ali se tem besedam dodelijo dodatne uteži².

5. korak: razvrstitev ustreznih dokumentov

Vsak dokument se oceni glede na relevantnost (ustreznost) in se nato glede na takšno oceno razvrsti. Pri tem je pomembna tako relevantnost teme - kako dobro se indeksirani izrazi dokumenta ujemajo z izrazi poizvedbe, kot tudi relevantnost za uporabnika - kako dobro se dokument ujema z uporabnikovimi preferencami. Delno lahko razvrščanje dokumentov poteka že med indeksiranjem. Hitrost iskalnika je odvisna od kakovosti kazal. Učinkovitost iskalnikov temelji na tem, kako se poizvedba ujema z dokumentom, in na sistemu razvrščanja².

Relevantnost za uporabnika se meri s pomočjo uporabniških modelov (tipov osebnosti) na podlagi njihovih prejšnjih iskalnih izrazov, obiskanih spletnih mest, e-poštnih sporočil, naprave, ki jo uporabljajo, jezika in geografske lokacije. Piškotki se uporabljajo za shranjevanje uporabniških nastavitev. Nekateri iskalniki kupujejo podatke o uporabnikih tudi od tretjih oseb (gl. poglavje Opis nekaterih priljubljenih iskalnikov). Če osebo zanima nogomet, bodo njeni rezultati za poizvedbo “Manchester” drugačni od rezultatov za osebo, ki je pravkar rezervirala let v London. Besedam, ki se pogosto pojavljajo v dokumentih, relevantnih za to osebo, bo dodeljena največja relevantnost.

Komercialni spletni iskalniki v svoje algoritme razvrščanja vključujejo na stotine značilnosti/funkcij, od katerih jih veliko izhaja iz ogromne zbirke podatkov o interakciji uporabnikov (iz uporabniških dnevnikov). Funkcija razvrščanja združuje značilnosti, ki se nanašajo na relevantnost dokumenta, poizvedbe in uporabnika. Ne glede na funkcijo razvrščanja ima le-ta v principu trdno matematično podlago. Rezultat je izražena verjetnost, da dokument izpolnjuje uporabnikovo zahtevo. Dokument je razvrščen kot relevanten (ustrezen) takrat, ko je presežena določena stopnja verjetnosti za njegovo relelvantnost².

Strojno učenje se uporablja za učenje razvrščanja na podlagi implicitnih povratnih informacij uporabnika v uporabniških dnevnikih (torej, kaj je delovalo oz. kaj je bilo ustrezno pri prejšnjih poizvedbah). Strojno učenje se uporablja tudi za razvoj izpopolnjenih modelov človeške rabe jezika, s pomočjo katerih se dekodirajo poizvedbe^1,2. V zadnjem desetletju je tehnologija spletnega iskanja doživela velikanski napredek. Toda če govorimo o razumevanju konteksta posamezne poizvedbe, nič ne more nadomestiti vnosa boljše poizvedbe s strani uporabnika samega. Običajno boljše poizvedbe nastanejo tako, da uporabniki preučijo rezultate in nato preoblikujejo svojo prvotno poizvedbo².

6. korak: prikaz rezultatov

Končno so rezultati pripravljeni za prikaz. Prikaže se naslov spletne strani (URL - Uniform Resource Locator), izrazi poizvedba pa so poudarjeni s krepkim tiskom. Pod vsako prikazano povezavo (rezultatom) je prikazan tudi kratek povzetek. V povzetku so izpostavljeni pomembni deli dokumenta. Uporabljeni so stavki iz naslovov, iz opisa metapodatkov ali iz besedila, ki najbolj ustreza poizvedbi. Če so vsi poizvedbeni izrazi navedeni v naslovu, se v povzetkih ne ponovijo². Stavki so izbrani tudi glede na to, kako berljivi so.

Prikazane rezultate spremljajo primerni oglasi. Z oglaševanjem večina iskalnikov ustvarja prihodke. V nekaterih iskalnikih so oglasi jasno označeni kot 'sponzorirana vsebina', v drugih pa ne. Ker si veliko uporabnikov ogleda le prvih nekaj rezultatov, imajo oglasi bistven vpliv na celoten postopek.

Oglasi so izbrani glede na kontekst poizvedbe in glede na model uporabnika. Podjetja, ki se ukvarjajo s spletnimi iskalniki, črpajo iz podatkovne zbirke oglasov, kjer iščejo najustreznejše oglase za dano poizvedbo. Oglaševalci zakupijo ključne besede, ki opisujejo teme, povezane z njihovim produktom. Znesek njihove ponudbe kot tudi priljubljenost oglasov sta pomembna dejavnika v postopku izbire².

Za poizvedbe o dejstvih nekateri iskalniki uporabljajo lastne zbirke dejstev. Googlova "zakladnica znanja" (Google Knowledge Vault) vsebuje več kot milijardo dejstev, indeksiranih iz različnih virov³. Rezultate algoritmi strojnega učenja združijo v ustrezne skupine. Za konec se uporabniku predstavijo še alternative njegovi poizvedbi, s čimer se preveri, ali nemara bolje ustrezajo njegovim dejanskim zahtevam.

Nekaj uporabnih virov:

Več o nastanku in razvoju Googla: S. Brin in L. Paige - izvirni prispevek Matematika v ozadju razvrščanja: Wiki PageRank Za nadebudne matematike: Pagerank

¹ Russell, D., What Do You Need to Know to Use a Search Engine? Why We Still Need to Teach Research Skills, AI Magazine, 36(4), 2015.

² Croft, B., Metzler D., Strohman, T., Search Engines, Information Retrieval in Practice, 2015.

³ Spencer, S., Google Power Search: The Essential Guide to Finding Anything Online With Google, Koshkonong, Kindle Edition.

Podatki in zasebnost

Večina spletnih mest, iskalnikov in ponudnikov storitev elektronske pošte zbira podatke o uporabnikih. Večina teh podatkov identiteti uporabnikov sledi preko IP naslovov. Podatki se nato uporabljajo za prikazovanje ciljno usmerjenih oglasov in prilagojenih (personaliziranih) vsebin, za izboljšanje storitev in za izvajanje tržnih raziskav. Vendar pa iskalniki ne povedo vedno točno katere podatke zbirajo, niti ne povedo, kaj naredijo s temi podatki, ko so enkrat shranjeni¹ . Največkrat ne izvemo niti tega, kje se podatki zbirajo in kje hranijo. Študije so pokazale, da lahko Google sledi uporabnikom na skoraj 80 % spletnih mest².

Informacije, ki jih lahko iskalniki prikazujejo, ko nekdo išče uporabnika, vključujejo:

• informacije, ki jih je uporabnik dodal na nekem spletnem mestu.
• Informacije, ki so jih dodali drugi z njegovim polnim soglasjem.
• Informacije, ki so bile zbrane v drugem kontekstu in nato objavljene na spletu - forumi, organizatorji dogodkov, prijatelji in drugi.

Informacije, zbrane in obdelane pri uporabi iskalnikov, vključujejo:

• Vse poizvedbe: iskana tema, datum in čas iskalne poizvedbe^1,3,4.
• Podatki o aktivnosti v aplikacijah, kot so e-pošta, koledar in zemljevidi, ki jih zbirajo iskalniki, kot sta Google in Microsoft^3,4.
• Podatki, ki jih nekateri iskalniki kupijo od tretjih oseb^3,4.
• Podatki, ki jih od iskalnikov in spletnih mest kupijo tretje osebe in jih sestavijo ter povežejo z uporabnikom².
• Ugotovitve na podlagi zbranih podatkov.
• Ugotovitve na podlagi osebnih nastavitev. Na primer sklepanje, "da ima uporabnik, ki ima močne nastavitve zasebnosti, morda določene psihološke lastnosti ali da morda nekaj prikriva"⁵.
• Profili ali modeli uporabnikov, ki jih iskalniki ustvarijo na podlagi teh podatkov. Ti modeli temeljijo na spletnih podatkih in ponujajo le omejen pogled na uporabnika. Odločitve, ki temeljijo na takšnih modelih, pri uporabi v drugih kontekstih ne bodo pravične.

Podatki, zbrani o enem uporabniku, ki je dal soglasje, se lahko celo uporabijo za sklepanje o drugem uporabniku, ki ni dal soglasja, vendar je iskalnik ocenil, da ima podoben profil.

Vsi ti podatki, tako neobdelani kot obdelani, povzročajo pomisleke glede zasebnosti in varnosti. Ponudniki iskalnikov, vlade in uporabniki lahko ukrepajo v smeri preprečevanja kršitev zasebnosti:

• Shranjevanje podatkov lahko poteka na načine, ki preprečujejo uhajanje in krajo. Na primer s shranjevanjem podatkov o uporabnikih v ločenih in decentraliziranih zbirkah podatkov⁵.
• Podatki so šifrirani ali anonimizirani.
• Za samodejno odkrivanje in razvrščanje sledilnikov se lahko uporabi strojno učenje. To se lahko nato uporabi za izboljšanje orodij za zasebnost brskalnikov².
• Politike in zakoni, kot je zakonodaja o varstvu podatkov (GDPR), lahko uvedejo izrecne smernice in sankcije za urejanje zbiranja, uporabe in shranjevanja podatkov¹.
• Priporočila za uporabnike so pripravljena in objavljena tako, da lahko uporabniki, vključno s starši in učitelji, bolje varujejo lastno zasebnost in zasebnost svojih varovancev.

V Evropi podjetja, ki se ukvarjajo z iskalniki, obravnavamo kot “upravljavce osebnih podatkov”, ne le zgolj kot ponudnike storitev. To pomeni, da so odgovorna za vsebine, dostopne prek njihovih storitev. Vendar pa se zakonodaja na področju zasebnosti pogosto nanaša le na strogo zaupne podatke. Po drugi strani pa se je mogoče z rudarjenjem celo povsem neškodljivih podatkov dokopati do potrebnih informacij za ustvarjanje uporabniških profilov na podlagi implicitnih vzorcev, ki jih ti podatki vsebujejo. Takšni profili (ne glede na to, ali so avtentični ali ne) pa se lahko nato uporabijo za sprejemanje odločitev, ki vplivajo na uporabnike¹.

Poleg tega se od države do države spreminja tudi način izvrševanja zakonov. V skladu z uredbo o varstvu podatkov lahko posamezniki (fizične osebe) od podjetij (tj. od lastnikov spletnih iskalnikov) zahtevajo, da odstranijo rezultate iskanja, ki zadevajo njih kot posameznike. Toda, tudi če podjetje takšne rezultate odstrani iz svojih indeksov na območju Evrope, se lahko ista stran še vedno prikaže v rezultatih iskanja zunaj Evrope¹.

Politike podjetij lahko sicer vsaj deloma osvetlijo njihov način delovanja, toda raziskave kažejo, da je med politiko na papirju in njenim praktičnim izvajanjem pogosto vrzel².

Preberite si več o podatkih tukaj in več o zasebnosti tukaj.

Verodostojnost vsebin

Kritiki opozarjajo, da podjetja, ki izdelujejo spletne iskalnike, niso povsem odkrita glede svoje politike prikazovanja določenih strani med rezultati, medtem ko drugih ne prikazujejo, niti glede politike uvrščanja nekaterih strani višje kot drugih¹.

Na razvrščanje rezultatov iskanja močno vpliva oglaševanje. Večja podjetja za iskalnike poleg iskanja zagotavljajo še veliko drugih storitev. Vsebine, ki jih zagotavljajo, pogosto napihnejo med rezultati iskanja. V Evropi je bil Google že uradno obtožen, da v rezultatih iskanja vidno prikazuje lastne izdelke ali storitve, ne glede na njihove konkurenčne lastnosti¹.

Velika podjetja in spletni razvijalci, ki preučujejo algoritme razvrščanja, lahko na razvrščanje vplivajo tudi tako, da se poigravajo s tem, kako iskalnik opredeljuje priljubljenost in avtentičnost spletnih strani. Seveda pa so merila, ki so jih programerji iskalnikov ocenili kot pomembna, sama po sebi vprašljiva.

Vse to vpliva na verodostojnost rezultatov iskanja. Vedno je dobro uporabiti več virov in več iskalnikov ter se pogovoriti o vsebini, ki se uporablja pri šolskem delu.

Avtonomija

Iskalnik s svojim sistemom razvrščanja priporoča določene vsebine. S tem, ko ne razkrije meril, uporabljenih za izbiro teh vsebin, zmanjšuje avtonomijo uporabnika. Če bi na primer vedeli, da je predlagana spletnih strani sponzorirana ali izbrana na podlagi meril priljubljenosti, s katerimi se ne strinjamo, se morda ne bi odločili za ogled te vsebine. S tem, ko iskalniki in drugi sistemi priporočil uporabniku odvzamejo zavestno privolitev, imajo nadzor oz. močan vpliv na naše vedenje.

Avtonomija pomeni imeti nadzor nad postopki, odločitvami in rezultati⁷. Predpostavlja svobodo (neodvisnost od nadzirajočih vplivov) in aktivnost (sposobnost načrtnega delovanja)⁷. Sistemi, ki priporočajo vsebine brez razlage, lahko posegajo v avtonomijo uporabnikov. Ustvarjajo priporočila, ki uporabnike spodbujajo v določeno smer, tako da jih angažirajo le za tisto, kar je v njihovem interesu, in omejijo nabor možnosti, ki so jim uporabniki izpostavljeni⁵.

¹ Tavani, H., Zimmer, M., Search Engines and Ethics, The Stanford Encyclopedia of Philosophy, Fall 2020 Edition), Edward N. Zalta ed.

² Englehardt, S., Narayanan, A., Online Tracking: A 1-million-site Measurement and Analysis, Extended version of paper at ACM CCS 2016.

³ Google Privacy and Terms.

⁴ Microsoft Privacy Statement.

⁵ Milano, S., Taddeo, M., Floridi, L. Recommender systems and their ethical challenges, AI & Soc 35, 957–967, 2020.

⁶ Tavani, H.T., Ethics and Technology: Controversies, Questions, and Strategies for Ethical Computing, 5th edition, Hoboken, NJ: John Wiley and Sons, 2016.

⁷ Hillis, K., Petit, M., Jarrett, K., Google and the Culture of Search, Routledge Taylor and Francis, 2013.

Danes v svetu vedno bolj prevladuje občutek, da se vse, kar je pomembno, nahaja na spletu in da bi moralo biti vse to dostopno s pomočjo spletnega iskanja¹. L. M. Hinman pravi: "Esse est indicato in Google" (Biti pomeni biti indeksiran na Googlu), in dodaja: “državljani v demokratično urejeni državi ne morejo sprejemati informiranih odločitev brez dostopa do točnih informacij^2,3.” Če demokracija temelji na prostem dostopu do neizkrivljenih informacij, potem iskalniki neposredno vplivajo na to, kako demokratične so naše države. Njihova vloga varuhov znanja je v neposrednem nasprotju z njihovo naravo zasebnih podjetij, katerih prihodki so odvisni od oglasov. Zato moramo v imenu svobodne družbe vztrajati pri odgovornosti iskalnikov in preglednosti delovanja algoritmov, ki jih poganjajo².

Vzpostavljanje filtrirnih mehurčkov

Sistemi, ki priporočajo vsebine na podlagi uporabniških profilov (vključno s spletnimi iskalniki), lahko uporabnike izolirajo pred izpostavljenostjo raznolikim pogledom. S podajanjem vsebin, ki so uporabniku všeč, spodbujajo pristranskost, ki krepi sama sebe, in t. i. “filtrirne mehurčke”^2,4. Takšni mehurčki, ki nastanejo, kadar novo pridobljeno znanje temelji na preteklih interesih in aktivnostih⁵, zacementirajo predsodke kot trdne temelje znanja. To je še posebej nevarno za mlade, zelo dovzetne glave. Zato je potrebno v učilnicah spodbujati odprte razprave z vrstniki in učitelji ter aktivnosti sodelovalnega učenja.

Povratne zanke

Iskalniki in drugi sistemi za generiranje priporočil predvidevajo, kaj bo uporabnika zanimalo. Ko uporabnik klikne na priporočeno vsebino, je to pozitivna povratna informacija. Ta povratna informacija vpliva na to, katere povezave bodo prikazane v prihodnosti. Pa je uporabnik res kliknil na prvo prikazano povezavo zato, ker se mu je zdela ustrezna, ali preprosto zato, ker je bil to prvi rezultat in ga je bilo zato lažje izbrati?

V nekem mestu v ZDA so uvedli sistem predvidevanja za uporabo v policiji: sistem opozarja, v katerih predelih mesta obstaja veliko tveganje za kriminaliteto. To pomeni, da so na takšna območja pošiljali več policistov. Ker so policisti vedeli, da so ta območja izpostavljena visoki stopnji tveganja, so bili zelo previdni in so ustavili, preiskali ali aretirali več ljudi kot sicer. Aretacije so tako potrdile napoved (predvidevanje), tudi če je bila v osnovi pristranska. Ne samo to, aretacije so služile kot vhodni podatki za nadaljnje napovedi na istih in podobnih območjih, s čimer se je pristranskost sčasoma še povečala⁵.

Sisteme za napovedovanje uporabljamo zato, da lahko na podlagi napovedi ukrepamo. Toda delovanje na podlagi pristranskih napovedi vpliva na prihodnje izide, na vpletene ljudi in s tem na družbo samo. "Kot stranski učinek izpolnjevanja svojega namena pridobivanja ustreznih informacij bo iskalnik nujno spremenil prav tisto, kar želi meriti, razvrščati in rangirati. Podobno bo večina sistemov strojnega učenja vplivala na pojave, ki jih napoveduje⁵."

Lažne novice, ekstremne vsebine in cenzura

Na spletnih forumih, družabnih omrežjih in blogih, ki so učencem na voljo prek iskanja, je vse več lažnih novic. Majhne, ciljno usmerjene skupine ljudi lahko zvišujejo ocene določenih videoposnetkov in spletnih strani z ekstremnimi vsebinami. S tem se poveča priljubljenost takšnih vsebin in okrepi videz avtentičnosti, kar izigrava algoritme razvrščanja⁴. Vendar pa med podjetji na trgu do danes še ni zasnovane nobene jasne, nedvoumne politike za nadzor nad lažnimi novicami².

Po drugi strani pa iskalniki sistematično izključujejo določena spletna mesta v korist drugih⁶. Cenzurirajo vsebine nekaterih avtorjev, čeprav jih javnost ni pooblastila za to nalogo. Zato je treba spletne iskalnike vselej uporabljati ozaveščeno in previdno.

¹ Hillis, K., Petit, M., Jarrett, K., Google and the Culture of Search, Routledge Taylor and Francis, 2013.

² Tavani, H., Zimmer, M., Search Engines and Ethics, The Stanford Encyclopedia of Philosophy, Fall 2020 Edition), Edward N. Zalta (ed.).

³ Hinman, L. M., Esse Est Indicato in Google: Ethical and Political Issues in Search Engines, International Review of Information Ethics, 3: 19–25, 2005.

⁴ Milano, S., Taddeo, M., Floridi, L. Recommender systems and their ethical challenges, AI & Soc 35, 957–967, 2020.

⁵ Barocas, S.,  Hardt, M., Narayanan, A., Fairness and machine learning Limitations and Opportunities, yet to be published.

⁶ Introna, L. and Nissenbaum, H., Shaping the Web: Why The Politics of Search Engines Matters, The Information Society, 16(3): 169–185, 2000.

Število uporabnikov e-učenja nenehno narašča. Izraz se nanaša na učenje, podprto s tehnologijami, v okoljih, kjer so učitelji (pedagogi, mentorji) in učenci oddaljeni v prostoru in/ali času. Cilj e-učenja je izboljšanje praks poučevanja, predvsem pa oplemenitenje učne izkušnje učencev.

Zaradi razmaha tehnologij je danes najbrž primerneje govoriti o sistemih in platformah za izvajanje e-učenja, kot o posameznih orodjih. Sistemi e-učenja so rezultat integracije različnih programskih orodij, gradnikov ekosistema, ki omogoča izkoriščenje prožnih, prilagodljivih učnih poti. Sistemi e-učenja lahko olajšajo upravljanje z učnimi procesi in z izvedbo samih šolskih ur (predavanj). Omogočajo ocenjevanje učencev, ustvarjanje poročil, oblikovanje vsebin in njihovo organizacijo ter komunikacijo med učitelji in učenci. Med najpogosteje uporabljenimi sistemi za e-učenje so sistemi za upravljanje učenja (LMS) (npr. Moodle, Edmodo).

Sistemi LMS so spletni programi (aplikacije), zasnovani za upravljanje učnega procesa¹ na različnih ravneh, na različnih področjih in na različne načine. Lahko jih opredelimo kot učna okolja, v katerih se izvajajo učne aktivnosti in orodja, aktivnosti in orodja za vrednotenje dosežkov, učne vsebine ter interakcije med vrstniki in/ali učenci in učitelji. V nekaterih definicijah so LMS opredeljeni kot platforme, ki lahko vključujejo kompletne sisteme za upravljanje vsebin ali posameznih učnih tečajev, portale itd.².

LMS in UI: pametni LMS

Z razvojem UI je širše področje izobraževanja (še posebej pa sistemi LMS) postalo izjemno obetavno za uporabo te revolucionarne novosti³. Zaradi funkcionalnosti, ki jih podpira UI, sistemi LMS predstavljajo prenovljeno učno orodje, ki lahko zadovolji dve temeljni zahtevi izobraževanja prihodnosti: personalizacijo in prilagajanje⁴. Rezultat kombinacije sistema LMS in UI je pametni LMS (SLMS).

Učinkovit SLMS je sistem, katerega algoritmi zagotavljajo in pridobivajo informacije iz treh temeljnih virov znanja: a) učenca, b) pedagogike in c) posameznega predmetnega področja. S pridobivanjem informacij o preferencah učencev, njihovih čustvenih in kognitivnih stanjih ter dosežkih in ciljih (a) lahko SLMS izvaja tiste učne strategije (b), ki so najbolj učinkovite (posebne vrste ocenjevanja, sodelovalno učenje itd.) za učenje znotraj določenega predmetnega področja (c), npr., teorija geometrije, matematične operacije, fizikalni zakoni, analiza besedila itn⁴.

SLMS torej lahko opredelimo kot učni sistem, ki prilagodi vsebino glede na znanje in veščine, ki jih je učenec pokazal pri prejšnjih nalogah. S takšnim, na učenca osredotočenim pristopom omogoča prepoznavanje, spremljanje in nadzorovanje učenčeve poti, tako da beleži njegove vzorce učenja in učni stil. Fardinpour idr⁵ opisujejo, da SLMS učencu zagotavlja najučinkovitejšo učno pot in najustreznejšo učno vsebino s pomočjo avtomatizacije, prilagajanja različnih učnih strategij (scaffolding), poročanja in generiranja znanja. Učencem zagotavlja možnost, da sledijo in spremljajo svoje učenje in učne cilje. Kljub temu pa naj bi vsak sistem SLMS učencem omogočal tudi možnost, da onemogočijo UI, ki upravlja njihovo učno pot - in tako v celoti dostopajo do vseh učnih gradiv v določenem učnem okolju.

Primeri funkcionalnosti podprtih z UI v okviru SLMS

Pri dejanskem delovanju sistemov SLMS so prav številna orodja UI tisto, kar realizira sistem z vsemi omenjenimi funkcionalnostmi. Takšna UI orodja se gibljejo po transverzali treh zgoraj navedenih virov znanja, na katere se algoritmi SLMS nenehno sklicujejo (učenec, pedagogika, področje).

Klepetalni roboti podprti z UI kot virtualni tutorji

Klepetalni robot (chatbot) - programska oprema, ki simulira ter procesira človeške pogovore (zapisane ali govorjene) - lahko v okviru sistema SLMS opravlja funkcijo virtualnega tutorja. Na eni strani odgovarja na vprašanja učencev, na drugi pa lahko učencem ponudi predloge na podlagi predhodnih analiz njihove uspešnosti in interakcij⁶.

Analitika učenja

Podatki, ki se nanašajo na interakcije posameznega učenca pri učnih aktivnostih na spletu, omogočajo učiteljem poglobljeno spremljanje napredka in uspešnosti učenca. Zahvaljujoč tem podatkom lahko sistem avtomatično aktivira določene naloge⁷ in na ta način koristi oz. pomaga predvsem učencem, ki so bili manj uspešni pri določenih nalogah. Obenem pa lahko učiteljem avtomatično predlaga primerno stopnjo težavnosti naloge, ali jih opozori, da je treba poskrbeti za dodatne vsebine.

Prednosti za učence in učitelje

Ob uporabi opisanih (in drugih) orodij podprtih z UI⁴ postane SLMS učinkovito orodje za učenje in poučevanje, ki nikakor ni nadomestek za učiteljevo delo, temveč se izkaže kot orodje, ki lahko nadgradi človeški vidik poučevanja⁸ in prinaša vrsto pomembnih koristi za celoten proces učenja/poučevanja.

Ker SLMS prilagodi vsebine glede na učenčeve sposobnosti in raven, se učenec v različnih fazah učenja ne bo srečal z nalogami, ki bi ga dolgočasile, ker so preveč preproste, ali s takšnimi, ki bi ga frustrirale, ker so preveč zapletene. Motivacija in pozornost učenca sta tako vedno na visoki ravni in ustrezata zahtevnosti dane naloge. To neposredno vpliva na zmanjšanje osipa, saj učiteljem omogoča, da pravočasno odkrijejo morebitne težave in ukrepajo takoj, ko učenec pokaže prve znake težav.

Učencem lahko učitelji v sklopu SLMS predlagajo različne vsebine, ki so že shranjene v bazah podatkov (posameznega predmeta) ali tudi takšne, ki prihajajo iz zunanjih virov. To učiteljem neposredno koristi, saj jim ni treba več ves čas ustvarjati novih učnih gradiv, prihranjeni čas pa lahko uporabijo za druge pomembne dejavnosti, npr. za izpopolnjevanje lastnih metod poučevanja ali za neposredno delo z učenci.

¹ Kasim, N. N. M., and Khalid, F., Choosing the right learning management system (LMS) for the higher education institution context: A systematic review, International Journal of Emerging Technologies in Learning, 11(6), 2016.

² Coates, H., James, R., & Baldwin, G., A critical examination of the effects of learning management systems on university teaching and learning, Tertiary education and management, 11(1), 19-36, 2005.

³ Beck, J., Sternm, M., & Haugsjaa, E., Applications of AI in Education, Crossroads, 3(1), 11–15. doi:10.1145/332148.332153, 1996.

⁴ Rerhaye, L., Altun, D., Krauss, C., & Müller, C., Evaluation Methods for an AI-Supported Learning Management System: Quantifying and Qualifying Added Values for Teaching and Learning, International Conference on Human-Computer Interaction (pp. 394-411). Springer, Cham, July 2021.

⁵ Fardinpour, A., Pedram, M. M., & Burkle, M., Intelligent learning management systems: Definition, features and measurement of intelligence, International Journal of Distance Education Technologies (IJDET), 12(4), 19-31, 2014.

⁶ HR Technologist: Emerging Trends for AI in Learning Management Systems, 2019, Accessed 31 Oct 2022.

⁷ Krauss, C., Salzmann, A., & Merceron, A., Branched Learning Paths for the Recommendation of Personalized Sequences of Course Items, DeLFI Workshops, September 2018.

⁸ Mavrikis, M., & Holmes, W., Intelligent learning environments: Design, usage and analytics for future schools, Shaping future schools with digital technology, 57-73, 2019.

Vedno več organizacij, ustanov in podjetij uporablja analizo podatkov za reševanje težav in za sprejemanje kakovostnih odločitev, povezanih z dejavnostmi, ki jih opravljajo. Sektor izobraževanja pri tem ni izjema, saj so s pojavom virtualnih učnih okolij in sistemov za upravljanje učenja (LMS) danes na voljo velike količine podatkov, ki se beležijo v dnevniških datotekah ob vsaki interakciji učencev s temi orodji.

Učna analitika vključuje merjenje in zbiranje podatko, ki nastajajo tekom izobraževanja ter njihovo analiziranje z uporabo že uveljavljenih metod in tehnik preiskovanja masovnih podatkov, z ustreznimi prilagoditavmi izobraževalnemu okolju tako, da se z njimi lahko opredelijo procesi učenja in poučevanja.

V splošnem ločimo štiri tipe učne analitike glede na vprašanje, ki nas zanima:

• Opisna (deskriptivna) analitika: Kaj se je zgodilo?
• Diagnostična analitika: Zakaj se je zgodilo?
• Napovedna (prediktivna) analitika: Kaj se bo najverjetneje zgodilo v prihodnosti?
• Predpisovalna analitika: Kaj narediti, če želimo vplivati na rezultate?

Orodja učne analitike

Izobraževalna orodja, ki temeljijo na učni analitiki, so zelo raznolika, od nadzornih plošč za vizualizacijo podatkov, do sistemov za izdelavo priporočil. Na tem področju danes poteka ogromno število raziskav. V priročniku opisujemo le nekatere najpogosteje uporabljene sklope orodij, namenjenih učencem in učiteljem, torej končnim uporabnikom aplikacij, zasnovanih na učni analitiki.

Predvidevanje in izboljšanje učnih rezultatov učencev

Ena od najznačilnejših funkcionalnosti učne analitike je napovedovanje osipništva.

Učni kazalniki so izračunani samodejno na podlagi digitalnih sledi in so neposredno dostopni učencem, ki lahko na ta način prilagodijo svoje učne strategije.

Na Univerzi Purdue v ZDA so med prvimi na tem področju razvili mobilno aplikacijo, v kateri je nadzorna plošča zasnovana v obliki semaforja¹.

Učenci lahko spremljajo kazalnike svojega napredka.

Posnetek zaslona nadzorne plošče je prikazan na sliki.

Določeni kazalniki so namenjeni učiteljem, na primer sistemi zgodnjega opozarjanja.

Uporabljajo jih tudi v francoskem centru za učenje na daljavo (CNED), kjer so predmet obravnave v študiji, ki trenutno še poteka².

Cilj sistemov zgodnjega opozarjanja je prepoznati zgodnje znake stiske pri učencih, dijakih ali študentih in zagotoviti pravočasno ukrepanje za zmanjševanje zgodnjega opuščanja šolanja.

Analiza učnega procesa

Tehnike učne analitike lahko pomagajo pri modeliranju učnega vedenja učenca ali skupine učencev (razreda). Modeli se nato uporabijo za nazornejši prikaz učnih procesov, kar zagotavlja dodatne informacije in učiteljem omogoča odkrivanje pomanjkljivosti, to pa lahko pripomore k izboljšanju učnih gradiv in metod. Analiza učnega procesa je tudi način za opazovanje stopnje aktivnosti (anagažiranosti) učencev. V projektu e-FRAN METAL so, na primer, nadzorno ploščo s kazalniki (na sliki) sooblikovali skupaj s skupino srednješolskih učiteljev³.

Personalizacija učnih poti

Namen sistemov za ustvarjanje priporočil in prilagodljivih učnih sistemov je tudi personalizacija učnih poti. Predlagana priporočila na osnovi zbranih podatkov učence usmerjajo k tistim učnim virom ali k določenemu vedenju, ki lahko pripomore k učinkovitemu doseganju njihovih izobraževalnih ciljev.

Nekateri sistemi najprej prikažejo predlagana priporočila učiteljem, ki jih lahko potrdijo ali ne. Prilagodljivi učni sistemi omogočajo učencu, da razvija veščine in znanje na bolj personaliziran in bolj samostojen način, z nenehnim prilagajanjem učne poti glede na izkušnje posameznega učenca.

Ali učna analitika zares deluje?

Raziskave učne analitike največkrat opisujejo rezultate na podlagi povratnih informacij učencev (oz. študentov, če govorimo o visokem šolstvu). V splošnem kažejo trend izboljšanja uspešnosti učencev (npr. za 10 % boljše rezultate so dosegli študenti na Univerzi Purdue). Veliko bolj zahtevno pa je oceniti vpliv sistemov učne analitike na učitelje. Študije, ki temeljijo na modelu sprejemanja tehnologije (Technology Acceptance Model - TAM) sicer kažejo, da učitelji pozitivno dojemajo uporabo orodij učne analitike. Na sliki spodaj si oglejte končno SWOT analizo, izdelano za enega izmed sistemov učne analitike⁵.

Na podlagi nekaterih izpostavljenih slabosti in nevarnosti so v društvu za raziskovanje učne analitike SoLAR predlagali razmislek o etičnem pristopu k zasnovi in oblikovanju aplikacij učne analitike. Njihova priporočila so povzeta na seznamu osmih ključnih besed: Determine, Explain, Legitimate, Involve, Consent, Anonymize, Technical, External (DELICATE), kar bi v slovenščino lahko prevedli z naslednjimi glagoli in pridevniki: določiti, razložiti, legitimen, vključiti, privoliti, anonimizirati, tehničen in zunanji.

Viri

¹ Arnold, K. and Pistilli, M., Course signals at Purdue: Using learning analytics to increase student success, LAK2012, ACM International Conference Proceeding Series, 2012.

² Ben Soussia, A., Roussanaly, A., Boyer, A., Toward An Early Risk Alert In A Distance Learning Context, ICALT, 2022.

³ Brun, A., Bonnin, G., Castagnos, S., Roussanaly, A., Boyer, A., Learning Analytics Made in France: The  , IJILT, 2019.

⁴ Long, P., and Siemens, G., 1st International Conference on Learning Analytics and Knowledge, Banff, Alberta, February 27–March 1, 2011.

⁵ Mavroudi, A., Teachers’ Views Regarding Learning Analytics Usage Based on the Technology Acceptance Model, TechTrends. 65, 2021.

Izobraževalni sistemi so od nekdaj zbirali in obdelovali določene podatke - osebne podatke učencev, podatke o akademskih (učnih) dosežkih, podatke o prisotnosti itd. Z digitalizacijo in razmahom aplikacij UI v izobraževanju (AIED) se danes beležijo in shranjujejo še veliko večje količine podatkov: število klikov, število odprtih strani, časovni žigi in število pritiskov na tipkovnico¹. Dandanes se vse vrti okrog podatkov, kar je postalo svojevrstna norma v družbi, zato se ob tem upravičeno sprašujemo, kako ravnati z vsemi temi podatke tako, da bi ustvarili nekaj zares pomembnega in koristnega. Na primer, ali lahko učencem zagotovimo bolj personalizirane povratne informacije? Ali lahko oblikujemo boljša orodja za vizualizacijo, obveščanje o spremembah ipd²?

Ne glede na to, kakšno tehnologijo uporabljajo učitelji v učilnicah, mora ta izpolnjevati dejanske, čisto konkretne zahteve. Ko identificiramo določeno potrebo, lahko pregledamo razpoložljive podatke in se vprašamo, kaj je pomembno za želeni rezultat. To vključuje odkrivanje tudi tistih dejavnikov, ki učiteljem omogočajo sprejemanje zelo natančnih, prilagojenih odločitev. Ali razpoložljivi podatki omogočajo upoštevanje teh dejavnikov? Ali so podatki in sistemi, ki temeljijo na podatkih, najboljši možni način za obravnavanje konkretne zahteve/potrebe? Kakšne so lahko neželene posledice takšne uporabe podatkov³?

Strojno učenje nam omogoča, da številna od teh vprašanj "preložimo" na podatke same⁴. Aplikacije strojnega učenja se učijo s pomočjo podatkov. Delujejo tako, da obdelujejo podatke. Iščejo vzorce in splošne zakonitosti ter jih shranjujejo kot modele - modeli pa niso nič drugega kot podatki, ki se lahko uporabijo za prihodnje situacije⁴. Tudi odločitve in napovedi, ki jih nato sprejemajo tako ustvarjeni modeli, ter njihov vpliv na učenje - vse to so spet podatki. Prav zato je poznavanje tega, kako programerji, uporabniki in stroji ravnajo s podatki, pomemben del razumevanja delovanja UI.

Več o podatkih

Podatki se v splošnem vedno nanašjo na določeno entiteto iz sveta okrog nas - npr. na osebo, predmet ali dogodek. Vsako entiteto lahko opišemo s številnimi atributi (lastnostmi, značilnostmi ali spremenljivkami)⁵. Na primer, ime, starost in razred so nekatere izmed lastnosti vsakega učenca. Celota teh lastnosti predstavlja podatke, ki jih imamo o učencu. Ti podatki sicer niti približno niso enaki entiteti kot takšni (učencu samemu), vendar nam o njej povedo vsaj nekaj. Podatke, ki se zbirajo, uporabljajo in obdelujejo v izobraževalnih sistemih, imenujemo izobraževalni podatki¹.

Podatkovni niz (tudi: nabor podatkov, sklop podatkov) vsebuje podatke o zbirki entitet, pri čemer so ti podatki razporejeni v vrstice in stolpce. Evidenca prisotnosti učencev v razredu je primer podatkovnega niza. Vsaka vrstica vsebuje zapis o enem učencu/učenki. Stolpci pa lahko, na primer, vsebujejo podatke o prisotnosti ali odsotnosti na določen dan v tednu ali na posamezni učni uri. Vsak stolpec torej pomeni določen atribut.

Podatke ustvarimo z izbiro in merjenjem atributov; vsak podatek je rezultat človeških odločitev in izbir. Zato je ustvarjanje podatkov subjektiven, parcialen in neurejen proces, dovzeten za različne tehnične težave^4,5. Poleg tega ima lahko to, kar merimo in česar ne, bistven vpliv na pričakovane rezultate.

Podatkovne sledi se nanašajo na podatke, ki so ustvarjeni kot rezultat aktivnosti uporabnikov - učencev, npr. število klikov z miško, število odprtih strani, čas interakcij ali število pritiskov na tipkovnico¹. Metapodatki so podatki, ki opisujejo druge podatke⁵. Izpeljani podatki so podatki, izračunani ali izpeljani iz drugih podatkov, npr., posamezen rezultat nekega učenca je podatek, povprečje celega razreda pa je izpeljan podatek. Pogosto so izpeljani podatki bolj uporabni pri raznih vpogledih, iskanju vzorcev in napovedovanju. Aplikacije za strojno učenje generirajo izpeljane podatke in jih povežejo z metapodatkovnimi sledmi ter tako ustvarjajo poglobljene učne modele, ki pomagajo pri personalizaciji učenja¹.

Podobnosti v življenju in razdalje v podatkih

Se sprašujete, kako lahko stroj, ki razume samo številke, odkrije podobnosti v vedenju učencev?

Za uspešno uporabo katerekoli aplikacije, ki temelji na podatkih, je treba atribute skrbno izbrati in jih pravilno meriti. Potrebno je preveriti, ali imajo odkriti vzorci smiselno uporabo v kontekstu izobraževanja. Pravilno zasnovani in vzdrževani sistemi, ki temeljijo na podatkih, so lahko izjemno dragoceno orodje.

Več o masovnih podatkih

Preverite osnovno znanje o masovnih podatkih

V tem poglavju predstavljamo le osnovne informacije o podatkih in tehnologijah, ki temeljijo na uporabi in obdelavi podatkov. S tem je povezana zelo pomembna veščina podatkovne pismenosti, v katero se splača vložiti čas in trud ter jo nenehno posodabljati¹.

Zakonodaja, ki jo morate poznati

Zaradi bistveno nižjih stroškov shranjevanja podatkov se danes shranjuje vse več podatkov in metapodatkov, ki se tudi veliko dlje hranijo⁶. To lahko privede do kršitev zasebnosti in pravic. Zakoni, kot je Splošna uredba o varstvu podatkov (GDPR), odvračajo od takšnih praks in državljanom EU omogočajo večji nadzor nad njihovimi osebnimi podatki. Zagotavljajo pravno izvršljive predpise o varstvu podatkov v vseh državah članicah EU.

V skladu z omenjeno uredbo so osebni podatki vse informacije v zvezi z določeno ali določljivo osebo (osebo, na katero se podatki nanašajo). Šole poleg sodelovanja s podjetji, ki obdelujejo njihove podatke, hranijo ogromne količine osebnih podatkov o učencih, starših, zaposlenih, vodstvu in dobaviteljih. Kot upravljavci podatkov morajo podatke, ki jih obdelujejo, hraniti na zaupen in varen način ter imeti vzpostavljene postopke za varstvo in pravilno uporabo vseh osebnih podatkov¹.

Pravice, določene s Splošno uredbo o varstvu podatkov, vključujejo:

• pravico do dostopa, na podlagi katere morajo biti posamezniki obvezno seznanjeni s tem, kateri podatki se zbirajo o njih;
• pravico do obveščenosti o načinih uporabe njihovih podatkov;
• pravico do izbrisa podatkov, ki posamezniku, katerega podatke je zbrala določena platforma, omogoča, da zahteva odstranitev teh podatkov iz nabora podatkov te platforme (ki so lahko predmet prodje tretjim osebam);
• pravica do pojasnila, pri čemer je treba zagotoviti pojasnilo, kadarkoli je to potrebno, v zvezi z avtomatiziranimi postopki odločanja, ki vplivajo na posameznika.

Uredba sicer dovoljuje zbiranje nekaterih podatkov v okviru zakonitega interesa⁷ in uporabo izpeljanih, združenih ali anonimiziranih podatkov za nedoločen čas in brez privolitve⁵. Novi Akt o digitalnih storitvah omejuje uporabo osebnih podatkov za namene ciljnega oglaševanja⁷. Omenimo še Zasebnostni ščit EU-ZDA, ki krepi pravice do varstva podatkov za državljane EU v primeru, ko so bili njihovi podatki preneseni zunaj EU⁵.

V članku GDPR for dummies si lahko ogledate analizo, ki so jo opravili neodvisni strokovnjaki iz Odbora za državljanske svoboščine Evropskega parlamenta (LIBE), ki skrbi za varstvo človekovih pravic vseh prebivalcev Evropske unije.

¹ Ethical guidelines on the use of artificial intelligence and data in teaching and learning for educators, European Commission, October 2022.

² du Boulay, B., Poulovasillis, A., Holmes, W., Mavrikis, M., Artificial Intelligence And Big Data Technologies To Close The Achievement Gap,in Luckin, R., ed. Enhancing Learning and Teaching with Technology, London: UCL Institute of Education Press, pp. 256–285, 2018.

³ Hutchinson, B., Smart, A., Hanna, A., Denton, E., Greer, C., Kjartansson, O., Barnes, P., Mitchell, M., Towards Accountability for Machine Learning Datasets: Practices from Software Engineering and Infrastructure, Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency, Association for Computing Machinery, New York, 2021.

⁴ Barocas, S.,  Hardt, M., Narayanan, A., Fairness and machine learning Limitations and Opportunities, 2022.

⁵ Kelleher, J.D, Tierney, B, Data Science, MIT Press, London, 2018.

⁶ Schneier, B., Data and Goliath: The Hidden Battles to Capture Your Data and Control Your World, W. W. Norton & Company, 2015.

⁷ Kant, T., Identity, Advertising, and Algorithmic Targeting: Or How (Not) to Target Your “Ideal User.”, MIT Case Studies in Social and Ethical Responsibilities of Computing, 2021.

Za učinkovito delovanje takšnih sistemov v učilnicah je dobro v vsak korak procesa vključiti multidisciplinarne ekipe: učitelje, strokovnjake s področja pedagogike in programerje¹. Človeški faktor je tu potreben za prepoznavanje izobraževalnih potreb, načrtovanje procesa, oblikovanje in pripravo podatkov, izbiro algoritmov, kritično interpretacijo rezultatov in načrtovanje uporabe končne aplikacije².

1) Razumevanje izobraževalnega konteksta

Prvi korak pri oblikovanju izobraževalnih orodij, podprtih z delovanjem UI (AIED orodja) je razumevanje potreb. Ko enkrat zastavimo cilje, sledi ugotavljanje, kako bi jih bilo mogoče doseči: katere dejavnike naj upoštevamo in katerih ne? Rešitve na osnovi kakršnegakoli sistema podatkov bolje delujejo s podatki, ki jih je mogoče natančno izračunati in standardizirati³. Zato morajo o vsaki odločitvi razpravljati: učitelji, ki bodo orodje uporabljali, strokovnjaki (pedagogi), ki zagotovijo, da so vse odločitve utemeljene na uveljavljenih, zanesljivih teorijah, ter programerji, ki razumejo delovanje algoritmov.

Pogosto se je treba pri tem (večkrat) vrniti iz drugega koraka nazaj na prvega, saj so možne rešitve odvisne tudi od tega, kateri podatki so na voljo². Poleg tega za oblikovanje AIED orodij veljajo nekateri zakoni, ki določajo omejitve glede uporabe podatkov in vrst algoritmov, ki se lahko uporabljajo.

2) Razumevanje podatkov

Po določitvi ciljev in dejavnikov vplivanja se osredotočimo na to, kateri podatki so potrebni, kako bodo pridobljeni in označeni, kako bo poskrbljeno za zasebnost in kako se bo merila kakovost podatkov³. Za učinkovito delovanje takšnih aplikacij strojnega učenja morajo biti sklopi podatkov dovolj obsežni, raznoliki in dobro označeni.

Strojno učenje potrebuje podatke, iz katerih se model uči, jih obdeluje in na podlagi katerih generira napovedi. Posamezne funkcije strojnega učenja, kot je npr. prepoznava obrazov in predmetov, že imajo na voljo veliko zasebnih in javnih podatkovnih zbirk, iz katerih se učijo.

Če še niso na voljo v uporabni obliki, je sklope podatkov morda treba dodati ali na novo označiti, da ustrezajo potrebam sistema. V skrajnem primeru je potrebno na novo ustvariti in označiti sveže sklope podatkov. Za vir podatkov se lahko uporabijo tudi digitalne sledi, ki jih učenec ustvari med uporabo aplikacije.

V vsakem primeru je treba podatke in značilnosti, ki so pomembne za specifične okoliščine, skrbno določiti². Nepomembne ali odvečne značilnosti lahko algoritem usmerijio v iskanje napačnih vzorcev in vplivajo na delovanje sistema². Stroj zna poiskati vzorce samo v podatkih, ki so mu dani, zato je z izbiro sklopa podatkov posredno opredeljen tudi problem (naloga)⁴. Če je na voljo veliko podatkov, je treba s pomočjo statističnih tehnik izbrati podmnožico, podatke pa preveriti, da se preprečijo napake in pristranskost.

Primer neustreznih podatkov za učenje je zgodba iz zgodnjega obdobja razvoja računalniškega vida. Računalniški model so učili razlikovanja med podobami ruskih in ameriških tankov. Kasneje je bilo ugotovljeno, da je bila sicer zelo visoka stopnja natančnosti modela v resnici posledica dejstva, da so bili ruski tanki fotografirani na oblačen dan, ameriški pa na sončen dan⁴.

Prav zato je treba vselej preveriti kakovost izbranega nabora podatkov, pri čemer je treba upoštevati, zakaj je bil ustvarjen, kaj vsebuje, ter kakšni so bili postopki zbiranja, čiščenja in označevanja, distribucije in vzdrževanja podatkov⁴. Dve ključni vprašanji pri tem sta: ali je sklop podatkov primeren za predvidene namene in, ali vsebuje skrite nevarnosti, zaradi katerih lahko model postane pristranski ali diskriminatoren³?

3) Priprava podatkov

Priprava podatkov vključuje ustvarjanje podatkovnih sklopov z združevanjem podatkov iz različnih virov, prilagoditve zaradi nedoslednosti (npr., rezultati testov izraženi z lestvico od 1 do 10, ali z odstotki) in identifikacijo manjkajočih ali ekstremnih vrednosti. Temu lahko sledi avtomatično testiranje, s čimer se preveri kakovost podatkovnega sklopa: preverjanje morebitnih kršitev zasebnosti in nepredvidenih korelacij ali stereotipov². Sklop podatkov se lahko v tej fazi razdeli na učni in testni sklop. Prvi je namenjen učenju modela, druga pa preverjanju njegove učinkovitosti. Testiranje modela na sklopu podatkov za učenje bi bilo nekaj podobnega, kot da bi dan pred preizkusom znanja učencem za domačo nalogo razdelili dotični test: uspešnost pri testu v tem primeru zagotovo ne bi odražala njihovega razumevanja².

4) Modeliranje

V tem koraku se uporabijo algoritmi, ki v podatkih prepoznajo vzorce in generirajo modele. Običajno se preizkušajo različni algoritmi, da se ugotovi, kateri deluje najbolje. Izdelani modeli se lahko nato uporabijo za napovedovanje (predvidevanje) na podlagi novih podatkov.

V večini primerov začetni modeli odkrijejo težave v podatkih, kar narekuje vrnitev na drugi in tretji korak². Če obstaja močna korelacija med značilnostmi podatkov in izhodno vrednostjo, je zelo verjetno, da bo algoritem strojnega učenja generiral zanesljive napovedi.

Takšni algoritmi za obdelavo podatkov uporabljajo napredne statistične in računalniške tehnike. Programerji morajo prilagajati nastavitve in preizkušati različne algoritme, da dobijo najboljše rezultate. Vzemimo za primer aplikacijo, ki zaznava goljufanje. Lažno pozitiven rezultat predstavlja situacija, ko je označen učenec, ki ni goljufal. Lažno negativen rezultat je, če učenec, ki goljufa, ni označen. Ustvarjalci sistema lahko nastavijo model tako, da čim bolj zmanjšajo bodisi lažno pozitivne rezultate, kar pomeni, da bi sistem lahko spregledal nekatere elemente goljufanja, bodisi lažno negativne rezultate, kar pomeni, da bi bili kot goljufanje označeni tudi neeksplicitni primeri⁵. Nastavitev je torej odvisna od tega, kaj želimo, da sistem naredi.

5) Vrednotenje

V fazi modeliranja se lahko za različne modele nastavi stopnja natančnosti predvidevanja na sklopu učnih podatkov. Različice modelov se nato preizkusijo na testnem sklopu podatkov in določen model se izbere za uporabo. Ta model se ovrednoti tudi glede na to, kako izpolnjuje izobraževalne potrebe: ali so cilji, določeni v prvem koraku, doseženi? Ali so se pojavile nepredvidene težave? Je model dovolj kakovosten? Ali bi bilo mogoče kaj izboljšati ali narediti drugače? Ali je potrebno preoblikovanje modela? Glavni cilj tega koraka je sprejeti odločitev, ali se sistem lahko uporablja v šolah. Če je odgovor ne, je potrebno celoten postopek začeti znova².

6) Uporaba

Zadnji korak v procesu je ugotoviti, kako uvesti in pričeti z uporabo aplikacije v šolskem sistemu tako, da bo dosežena čim večja koristnost, tako z vidika tehnične infrastrukture kot tudi z vidika poučevanja. Čeprav je ta korak tukaj predstavljen kot končni korak, je celoten proces v resnici iterativen. Po uvedbi je treba model redno pregledovati, da se preveri, ali je še vedno ustrezen glede na kontekst. Izobraževalne potrebe, postopki ali načini zajemanja podatkov se lahko spremenijo, kar vpliva na rezultate sistema. Zato so potrebne redne revizije in morebitne posodobitve. Nenehno je treba spremljati sistem in njegove vplive na učenje, poučevanje in ocenjevanje⁶. Etične smernice za uporabo UI in podatkov v izobraževanju poudarjajo, da mora biti šola v stiku s ponudnikom storitev UI skozi celoten življenjski cikel izbranega sistema UI, tudi pred samo uporabo. Odgovorni morajo zahtevati popolno tehnično dokumentacijo in zagotoviti obrazložitve v zvezi z morebitnimi nejasnostmi. Nujno potreben je dogovor o podpori in vzdrževanju opreme, odgovorni pa naj se prepričajo, da je ponudnik upošteval vse zakonske obveznosti⁶.

OPOMBA: Opisani koraki in ilustracije so povzeti po modelu CRISP-DM (Slika 3 v: Chapman, Clinton, Kerber idr. 1999)^2.

¹ Du Boulay, B., Poulovasillis, A., Holmes, W., Mavrikis, M., Artificial Intelligence And Big Data Technologies To Close The Achievement Gap,in Luckin, R., ed. Enhancing Learning and Teaching with Technology, London: UCL Institute of Education Press, pp. 256–285, 2018.

² Kelleher, J.D, Tierney, B, Data Science, London, 2018.

³ Hutchinson, B., Smart, A., Hanna, A., Denton, E., Greer, C., Kjartansson, O., Barnes, P., Mitchell, M., Towards Accountability for Machine Learning Datasets: Practices from Software Engineering and Infrastructure, Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency, Association for Computing Machinery, New York, 2021.

⁴ Barocas, S.,  Hardt, M., Narayanan, A., Fairness and machine learning Limitations and Opportunities, 2022.

⁵ Schneier, B., Data and Goliath: The Hidden Battles to Capture Your Data and Control Your World, W. W. Norton & Company, 2015.

⁶ Ethical guidelines on the use of artificial intelligence and data in teaching and learning for educators, European Commission, October 2022.

Aktivnost prilagojena po: Identity, Advertising, and Algorithmic Targeting: Or How (Not) to Target Your “Ideal User.", licenca: CC BY NC 4.0 ¹.

Oznake, ki nam jih daje Google – moški, ženska, mlad, star itd. – nimajo nobene zveze z našo identiteto, potrebami ali vrednotami. Nekdo je danes označen kot moški, če si ogleduje določena spletna mesta (npr., trgovine z gradbenim materialom) in tam kupuje². Že jutri pa lahko sodeč po oznakah "postane" ženska, če se njegove aktivnosti ali aktivnosti milijonov drugih ljudi, ki so prispevali k temu, kar velja za "moško vedenje", spremenijo. Različna podjetja nas označujejo s popolnoma različnimi identitetami glede na to, kaj jih zanima.

Enako velja za naše učence, ko komunicirajo s programsko opremo za personalizirano učenje in ko njihove podatke obravnava učna analitika. Njihova digitalna identiteta, uspešnost, sodelovanje in zadovoljstvo, kot jih dojemajo ti sistemi, se nato uporabijo za vrednotenje ne le njihove uspešnosti, ampak tudi uspešnosti njihovih vrstnikov, učiteljev, šol in celotnega izobraževalnega sistema³.

1. Takšni profili so pogosto sestavljeni na podlagi neorganiziranih in napačnih podatkov iz različnih virov in so lahko zelo zavajajoči⁴.
2. Digitalne identitete lahko spremenijo, kako učenci vidijo sebe in druge, kako učitelji vidijo vsakega učenca, kako sistem vidi vsakega učitelja, kako družba vidi izobraževanje in pedagogiko ter kako se ljudje nasploh odzivajo na odločitve in povratne informacije³.
3. Toda digitalno identiteto nekoga generira UI brez njegove vednosti in soglasja – ta proces se odvija v črnih skrinjicah, do katerih nima nihče dostopa. Pogosto ni nadzora nad tem, kateri podatki se beležijo, kje in kdaj se beležijo ter kako se na njihovi podlagi sprejemajo odločitve^4,1.

Učenci in učitelji tako izgubljajo svojo moč izražanja in aktivno človeško delovanje.

4. Podatki in odločitve se običajno hranijo še dolgo po tem, ko se dogodek, ki je bil zabeležen, zgodi⁴.
5. Poudarek na tem, da se učenci, učitelji in osebje nenehno ocenjujejo, primerjajo in razvrščajo, lahko povzroči občutke tesnobe in tekmovalnosti, namesto motivacije in rasti³.
6. Večji pomen dobijo tisti vidiki izobraževanja, ki jih je mogoče samodejno zajeti in analizirati, in ki nas silijo k doseganju rezultatov in praks, nemara zelo drugačnih od tega, kar bi nam sicer lahko bilo pomembno.
7. Organizacije oz. podjetja, ki se ukvarjajo s podatki, imajo moč, da opredelijo "kaj 'šteje' kot kakovostno izobraževanje, dober učenec ali učinkovit učitelj³."

Protiukrepi, ki jih strokovnjaki predlagajo učiteljem:

1. Upoštevajte ljudi, njihovo identiteto, integriteto in dostojanstvo: "K ljudem pristopajte s spoštovanjem in ne kot do vira podatkov ali sredstva za dosego cilja"⁵. Ljudje niso le podatki; to, da jih programska oprema lahko označi z oznako, na podlagi katere se personalizirajo njihove učne poti ali so na njeni podlagi razdeljeni v določene skupine – ni njihova prava identiteta⁵.
2. Bodite podatkovno pismeni: naučite se pravilno ravnati s podatki. Naučite se, kaj počnejo različni sistemi, ki temeljijo na podatkih, kako to počnejo, kakšna je njihova priporočena uporaba in kako si razlagati informacije, ki jih ustvarjajo, ter odločitve, ki jih sprejemajo.
3. Ohranite kritično distanco do podjetij in programske opreme AIED: sprašujte se o njihovih trditvah, zahtevajte dokaze o njihovi veljavnosti in zanesljivosti, preverite, ali sistem upošteva etične smernice vaše ustanove in države³.
4. Spremljajte učinke, ki jih imajo ti sistemi na vas, vaše učence, njihovo učenje in vzdušje v razredu.
5. Zahtevajte odprte sisteme, ki vam dajejo nadzor in moč, da preglasite avtomatizirane odločitve. Predložite, razjasnite ali preglasite jih kjer koli in kadar koli začutite potrebo.

¹ Kant, T., Identity, Advertising, and Algorithmic Targeting: Or How (Not) to Target Your “Ideal User.” MIT Case Studies in Social and Ethical Responsibilities of Computing, 2021

² Cheney-Lippold, J., We Are Data: Algorithms and the Making of Our Digital Selves, NYU Press, 2017

³ Williamson, B., Bayne, S., Shay, S., The datafication of teaching in Higher Education: critical issues and perspectives, Teaching in Higher Education, 25:4, 351-365, 2020

⁴ Kelleher, J.D, Tierney, B, Data Science, MIT Press, London, 2018.

⁵ Ethical guidelines on the use of artificial intelligence and data in teaching and learning for educators, European Commission, October 2022

Sistemi, ki jih je zasnoval človek, pogosto vsebujejo veliko mero pristranskosti in diskriminacije. Vsi ljudje imamo svoja mnenja in tudi predsodke. Lahko bi rekli, da smo tudi ljudje (in s tem seveda učitelji) "črne skrinjice", katerih odločitve je včasih težko razumeti (na primer, kako je nekdo točkoval rešitve šolskega testa). Toda razvili smo tudi strategije in vzpostavili strukture, ki nam pomagajo, da smo pozorni na takšne prakse in o njih kritično razpravljamo.

Avtomatizirane sisteme včasih dojemamo kot čudežno zdravilo za človeško subjektivnost: algoritmi temeljijo na številkah, le kako bi lahko bili pristranski? Toda algoritmi, ki temeljijo na napačnih podatkih, ne le zaznajo in se naučijo obstoječih predsodkov v zvezi s spolom, raso, kulturo ali invalidnostjo, temveč jih lahko dejansko okrepijo^1,2,3. In tudi če govorimo o sistemih, zaščitenih z lastništvom, od njih ne moremo pričakovati, da bodo odgovarjali za svoja dejanja (odločitve), zaradi inherentnega pomanjkanja razložljivosti v nekaterih sistemih (npr. sistemih, ki temeljijo na globokih nevronskih mrežah).

Primeri pristranskosti v sistemih AIED

1. Ko programerji kodirajo sisteme, ki temeljijo na pravilih, lahko v sistem vnesejo svoje osebne predsodke in stereotipe¹.
2. Na podatkih temelječ algoritem se lahko odloči, da dekletom ne predlaga poklicne poti na področju STEM, ker sklop podatkov o diplomantih STEM vsebuje manj deklet kot fantov. Ali je manjše število žensk v matematiki posledica obstoječih stereotipov in družbenih norm, ali pa je to posledica neke prirojene lastnosti ženskega spola? Algoritmi ne razlikujejo med temi značilnostmi. Ker obstoječi podatki odražajo obstoječe stereotipe, algoritmi, ki se na njih učijo, posnemajo obstoječe neenakosti in družbeno dinamiko⁴. In če bodo priporočila takšnega sistema upoštevana, se bo še več deklet odločilo za predmete zunaj področja STEM, in novi podatki bodo kasneje to spet odražali – to je primer samouresničujoče se prerokbe³.
3. Učenci iz kulturnih okolij, ki so premalo zastopana v sklopu učnih podatkov, imajo lahko drugačne vedenjske vzorce in drugačne načine izkazovanja motivacije. Kako bi učna analitika izračunala vrednosti zanje? Če podatki niso reprezentativni za vse kategorije učencev, lahko sistemi, ki so se učili na teh podatkih, kaznujejo manjšine z vedenjskimi težnjami drugačnimi od tistih, za katere je bil program optimiziran, da jih nagradi. Če ne bomo previdni, bodo učni algoritmi začeli posploševati na podlagi večinske kulture, kar bo povzročilo visoko stopnjo napak za manjšinske skupine^4,5. Takšne odločitve bodo nemara odvrnile tiste, ki bi sicer v skupino lahko vnesli raznolikost, ustvarjalnost ali izjemne talente, pa tudi tiste z drugačnimi izkušnjami, interesi in motivacijo².
4. Britanski učenec, čigar pisni sestavek oceni ameriška programska oprema za popravljanje esejev, je lahko kaznovan zaradi napak v črkovanju. Za sisteme, ki so zasnovani in usposobljeni za delovanje v točno določeni državi ali kontekstu, so lokalne različice jezika, razlike v črkovanju in naglaševanju besed ter lokalna geografija in kultura vedno problematični.
5. Nekateri učitelji kaznujejo izraze, ki so običajni v določeni skupini ali regiji, pa naj to počnejo zavestno, ali zaradi nezavednih asociacij, ki vsebujejo predsodke. Če se programska oprema za ocenjevanje esejev uči na esejih, ki so jih ocenili takšni učitelji, potem bodo isti predsodki vsebovani tudi v njej.
6. Sistemi strojnega učenja potrebujejo ciljno spremenljivko in približke, h katerim stremijo z optimizacijo. Recimo, da so bili rezultati srednješolskih testov vzeti kot približek akademske odličnosti. Sistem se bo zdaj učil spodbujati izključno vzorce, skladne z učenci, ki se dobro znajdejo pod stresom, oz. v specifičnih okoliščinah reševanja testov. Ko bodo učencem priporočali vire in praktične vaje, bodo takšni sistemi promovirali rezultate testov in ne splošnega znanja. Čeprav se to dogaja tudi v številnih današnjih učilnicah, pa je tradicionalni pristop vsaj omogočal izražanje več različnih ciljev⁴.
7. Prilagodljivi učni sistemi učencem predlagajo vire za odpravo pomanjkanja veščin ali znanja. Če je treba te vire kupiti ali zahtevajo domačo internetno povezavo, potem to ni pošteno do tistih učencev, ki nimajo sredstev za upoštevanje priporočil. "Kadar algoritem učencem predlaga namige, naslednje korake ali vire, moramo preveriti, ali je takšna pomoč pravična. Če določena skupina sistematično ne dobiva pomoči, je takšno ravnanje diskriminatorno"².
8. Ideja o personaliziranem izobraževanju glede na učenčevo trenutno raven znanja in preference nemara že sama po sebi vsebuje predsodek¹. Ali s tem učenca hkrati ne oviramo pri raziskovanju novih interesov in alternativ? Ali to učenca pravzaprav ne zreducira na enodimenzionalnost in s tem okrni njegove splošne veščine, znanje in pravico do enakih možnosti?

Kaj lahko učitelj stori, da zmanjša učinke pristranskosti AIED?

Raziskovalci nenehno predlagajo in analizirajo različne načine za zmanjšanje pristranskosti. Vendar pa vseh metod ni enostavno uvesti v praksi: poštenost je veliko več kot le zmanjšanje pristranskosti.

Na primer, če obstoječi podatki vsebujejo veliko stereotipov, "ali nas obvezuje odgovornost, da dvomimo o podatkih in oblikujemo naše sisteme tako, da bodo v skladu z neko idejo pravičnosti, ne glede na to, ali podatki, ki so nam trenutno na voljo, to podpirajo ali ne?"⁴. Metode so vedno konkurenčne in v nasprotju druga z drugo; ukrepi za zmanjšanje ene vrste pristranskosti lahko povzročijo druge vrste pristranskost!

Kaj lahko torej stori učitelj?

1. Preverite prodajalca: preden se odločite za naročnino za določen sistem AIED, se vprašajte, na kakšnih podatkih se je sistem učil, kje in kdo je ta sistem zasnoval in za koga ter kako je bil sistem ocenjen.
2. Ne zaupajte na prvi pogled. Na primer, ocena splošne zanesljivosti z do 5-odstotno napako lahko prikrije dejstvo, da je model slabo učinkovit za določeno manjšinsko skupino⁴.
3. Podrobno preberite dokumentacijo: katere ukrepe izvaja sistem za odkrivanje in preprečevanje pristranskosti ter zagotavljanje poštenosti¹?
4. Pridobite informacije o razvijalcih: ali so sistem razvili izključno programerji, ali pa so bili v proces vključeni tudi izobraževalni delavci in raziskovalci? Ali sistem temelji izključno na strojnem učenju, ali pa so vanj vključene tudi učne teorije in prakse²?
5. Dajte prednost transparentnim, odprtim modelom učenja, ki vam omogočajo, da preglasite njihove odločitve²: veliko modelov AIED ima prilagodljivo zasnovo, ki omogoča, da učitelji ali učenci spremljajo, zahtevajo razlago, ali popolnoma prezrejo odločitev sistema.
6. Prepričajte se o dostopnosti: ali je sistem dostopen vsem na enak način, ne glede na njihove zmožnosti¹?
7. Bodite pozorni na učinke uporabe tehnologije na učence, tako dolgoročne kot kratkoročne, in bodite pripravljeni ponuditi pomoč, ko je to potrebno.

Kljub izzivom, ki jih prinašajo na UI utemeljene tehnologije, smo lahko optimistični glede prihodnosti AIED:

• Z večjo ozaveščenostjo o tej tematiki se raziskuje in preizkuša vse več metod za odkrivanje in zmanjševanje pristranskosti.
• Na pravilih in na podatkih temelječi sistemi lahko pomagajo razkriti skrite predsodke v obstoječih izobraževalnih praksah, kar omogoča njihovo obravnavo.
• Potencial po meri zasnovanih sistemov UI bi lahko v prihodnje omogočil prilagoditve številnih vidikov izobraževanja. Viri bi lahko postali prilagojeni znanju in izkušnjam vsakega učenca. Lahko bi se opirali na lokalne skupnosti in kulturne dobrine ter zadovoljili specifične lokalne potrebe².

¹ Ethical guidelines on the use of artificial intelligence and data in teaching and learning for educators, European Commission, October 2022.

² U.S. Department of Education, Office of Educational Technology, Artificial Intelligence and Future of Teaching and Learning: Insights and Recommendations, Washington, DC, 2023.

³ Kelleher, J.D, Tierney, B, Data Science, MIT Press, London, 2018.

⁴ Barocas, S.,  Hardt, M., Narayanan, A., Fairness and machine learning Limitations and Opportunities, 2022.

⁵ Milano, S., Taddeo, M., Floridi, L., Recommender systems and their ethical challenges, AI & Soc 35, 957–967, 2020.

Vsak učitelj personalizira učenje, pa naj gre le za dodajanje dodatnih primerov ob razlagi, ali za individualno pozornost učencu, ko je to potrebno. V nekem smislu je že samo poučevanje dejanje personalizacije, je nekaj povsem drugačnega, kot če bi se, na primer, na televiziji predvajalalo predavanje. Učitelji prilagajajo pouk tako, da učenci razumejo, kaj se učijo. Pomagajo jim povezati nova znanja ali veščine s tistim, kar že vedo, z njihovimi osebnimi spoznanji in z izkušnjami življenja v družbi. Učitelji učencem pomagajo, da iz naučenega izvlečejo največ, kar lahko.

V širšem smislu pomeni personalizirano (prilagojeno) učenje ustvarjanje različnih učnih okolij in izkušenj, glede na različne potrebe, zmožnosti in kulturne značilnosti vsakega učenca¹. Seveda sta obseg in stopnja personalizacije vsakič drugačna. Šest dimenzij personalizacije je opredeljenih glede na vprašanja, zakaj, kako, kaj, kdaj, kdo in kje se uči²:

Poučevanje "ena na ena" je utelešenje personalizacije. Benjamin Bloom je že v šestdesetih letih prejšnjega stoletja dokazal, da je povprečen učenec uspešnejši ob individualnem poučevanju. Ugotovil je tudi, da individualna pozornost zapolni vrzel med učenci, ki dosegajo visoke rezultate in tistimi, ki dosegajo nizke. V resničnih učilnicah, tudi če je v razredu samo deset učencev, personaliziranje vsebin za vsakega učenca zahteva veliko truda. Absolutna personalizacija je praktično nemogoča. Tudi če učitelj ve, da ima učenec določene vrzeli, jih morda zaradi pomanjkanja časa ne bo mogel odpraviti. Tako sistem ves čas izgublja učence, tudi če se učitelji trudijo po najboljših močeh.

Tehnološko podprto personalizirano učenje

Za prilagajanje učnega procesa lahko uporabite tehnologijo, v večji ali manjši meri. Na tem mestu izraz tehnologija vključuje vse, od mobilnih aplikacij in spletnih platform do samostojnih učnih sistemov². Danes je tehnološko podprta personalizacija bistveno učinkovitejša, saj s pojavom in razvojem UI, dostopanja do podatkov, rudarjenja podatkov, računalništva v oblaku in cenovno dostopne strojne opreme, aplikacije delujejo brezhibno in so enostavne za uporabo.

Dobro zasnovana tehnologija lahko bistveno preseže zgolj pomoč pri premagovanju zgoraj prikazanih ovir (slika 4 - Stumbling Blocks to Personalization). Če jo vključite v tradicionalni pouk, v obliki domače naloge ali za občasno delo v razredu, lahko učencem pomaga pridobiti in razviti dragocene veščine. Tako se z uporabo tehnologije sprosti več časa v razredu, ki ga lahko namenite neposredni interakciji, individualni pozornosti učecem in reševanju problemov. Tehnologija omogoča tudi, da spremljate reševanje domačih nalog in tako opazujete napredek ali težave posameznega učenca³.

Pri določenih delih pouka lahko tehnologija (programska oprema) dejansko opravi boljše delo kot človek. Pomislite samo, na primer, na vizualizacijo tridimenzionalnega prostora pri matematiki, ali na vaje izgovarjave pri učenju jezikov, ali na animiran prikaz delovanja celičnih procesov pri biologiji.

Vse rešitve UI v izobraževanju se lahko v različni meri uporabljajo za pomoč pri personalizaciji učenja. V naslednjem poglavju obravnavamo prilagodljive učne sisteme.

¹ Groff, J., Personalized Learning: The State of the Field & Future Directions, Center for Curriculum Redesign, 2017.

² Holmes, W., Anastopoulou, S., Schaumburg, H & Mavrikis, M., Technology-enhanced personalised learning: untangling the evidence, Stuttgart: Robert Bosch Stiftung, 2018.

³ Feldstein, M., Hill, P., Personalized Learning: What It Really Is and Why It Really Matters, Educause Review, 2016.

⁴ Taylor, D., Yeung, M., Bashet, A.Z., Personalized and Adaptive Learning, Innovative Learning Environments in STEM Higher Education pp 17–34,  Springer Briefs in Statistics, 2021.

Ali imajo težave z razumevanjem določenih konceptov?

Ali se vam zdi, da imajo napačno predstavo o določeni temi?

Ali so učenci vznemirjeni, ali potrebujejo dodatno spodbudo?

Kot učitelj jim lahko daste kakšen namig, jih opozorite na to, kar so spregledali.

Lahko se zgodi tudi, da se učencem zastavljen problem zdi prelahek in se začnejo dolgočasiti. V tem primeru jim dodelite zahtevnejšo nalogo.

Inteligentni tutorski sistemi (ITS) so zasnovani tako, da posnemajo vlogo učitelja¹. So posebna vrsta prilagodljivih učnih sistemov, ki učenca vodi skozi vse korake postopka, do rešitve. Po potrebi ITS ponujajo namige in povratne informacije. Zaradi tega so primernejši za predmete, kot je matematika, kjer so problemi in rešitve jasno opredeljeni². V zadnjem času pa so na voljo tudi ITS za druge šolske predmete.

Prilagodljivi učni sistemi in učenje

O prilagojenem učenju govorimo takrat, ko digitalna orodja in sistemi ustvarjajo individualne učne poti, torej zaporedje aktivnosti (korakov), ki ga je potrebno izvesti, da se učenec nauči določene vsebine ali veščine. Učne poti so odvisne od prednosti, slabosti in hitrosti učenja vsakega posameznika^3,4.

Ideja o stroju, ki se zna prilagajati učencu, sega v petdeseta leta prejšnjega stoletja. Z razvojem tehnologije so danes možnosti za to praktično neomejene. Takšne prilagodljive učne sisteme je mogoče uporabljati za različne namene - za reševanje problemov, za ocenjevanje ipd.

Trg ponuja veliko število prilagodljivih učnih sistemov ter celo orodja, s katerimi lahko sami ustvarite takšne sisteme brez kakršnegakoli programerskega predznanja. To lahko sicer zahteva veliko časa in sredstev, učiteljem pa ni treba spreminjati svojega učnega načrta ali sloga, da bi takšen sistem ustrezal njihovim učnim uram. Ne glede na vrsto in obliko sistema so tehnologije za ustvarjanje takšnih prilagodljivih učnih sistemov zelo različne in seveda, vsi sistemi niso enaki.

Pri izbiri sistema morate preveriti, kako prilagodljiv je, kateri del učenja personalizira in ali učitelju omogoča vnos lastnih prilagoditev. Pomembno je razmisliti tudi o praktičnih vidikih: kakšna oprema je potrebna za delovanje sistema, koliko stane in ali je v ceno vključeno tudi usposabljanje.

Vrste prilagodljivih učnih sistemov

ITS (gl. zgoraj) so prilagojeni in interaktivni. Učenje vrednotijo v realnem času. Na mikro ravni prilagodijo povratne informacije, medtem ko učenec rešuje nalogo; na makro ravni se odločijo, katera naloga bo predlagana v naslednjem koraku - podobno kot YouTube priporoča naslednji videoposnetek za ogled. Enostavni tutorski sistemi uporabljajo odločitvena drevesa za generiranje pravil o vrsti povratnih informacij, ki jih bodo posredovali. Drugi sistemi sežejo onkraj vnaprej določenih pravil in za prilagoditev svojega delovanja uporabljajo strojno učenje¹.

Prilagodljivi učni sistemi lahko presegajo tutorstvo. Na primer, t. i. raziskovalni učni sistemi omogočajo učencem, da raziskujejo učno okolje in izberejo vsebine, ki jih zanimajo. Igričarski sistemi vse ponujajo v obliki igre, pri kateri učenec napreduje na višjo stopnjo za tem, ko obvlada nižjo.

Ne glede na vrsto morajo vsi prilagodljivi učni sistemi podpirati učenca do točke, ko zna samostojno rešiti nalogo⁶. Spodbujati morajo razmišljanje in podpirati sprejemanje odločitev. Prav tako morajo biti sposobni svoje odločitve pojasniti učitelju in učencu.

Ko gre za izbiro in uporabo prilagodljivega učnega sistema ali za odločitev, ali takšen sistem sploh uporabljati ali ne, strokovnjaki svetujejo, da se vrnete k osnovnim zakonitostim učenja². Vprašajte se, katero učno potrebo obravnavamo? Katero orodje ustreza tej nalogi? Kako bo omogočen drugačen tip podpore za različne učence⁵? Študije kažejo, da takšni sistemi nimajo bistvenega vpliva na učenje, če se uporabljajo v kratkem časovnem obdobju. Učinkovitost se poveča, če jih uporabljate vsaj eno celo šolsko leto ali dlje⁷. Če se odločite za njihovo uporabo, bodite pripravljeni podpreti učence pri upravljanju lastnega učenja. Bodite potrpežljivi in pripravljeni na eksperimentiranje, neuspehe in ponovne poskuse^2,5.

¹ Groff, J., Personalized Learning: The state of the field and future directions, Center for curriculum redesign, 2017.

² Holmes, W., Anastopoulou S., Schaumburg, H & Mavrikis, M., Technology-enhanced personalised learning: untangling the evidence, Stuttgart: Robert Bosch Stiftung, 2018.

³ Taylor, D., Yeung, M., Bashet, A.Z., Personalized and Adaptive Learning, Innovative Learning Environments in STEM Higher Education pp 17–34, SpringerBriefs in Statistics, 2021.

⁴ Becker, S. et al, NMC Horizon Report: 2018 Higher Education Edition, Educause, 2018.

⁵ Feldstein, M., Hill, P., Personalized Learning: What It Really Is and Why It Really Matters, Educause Review, 2016.

⁶ Wood, D., Bruner, J., Ross, G., The role of tutoring in problem solving,  The Journal of Child Psychology and Psychiatry, 1976.

⁷ Alkhatlan, A., Kalita, J.K., Intelligent Tutoring Systems: A Comprehensive Historical Survey with Recent Developments, International Journal of Computer Applications 181(43):1-20, 2019.

AKTIVNOST

Na sliki so prikazane kartične transakcije dveh oseb, ki živita v Nantesu. Razmišljata o tem, kaj bi počela naslednji konec tedna. Kaj bi priporočili Johnu Doeju in kaj Tomu Harrisu?

Izbirate lahko med naslednjimi možnostmi:

1. Obisk nove poslovalnice Burger King-a
2. Degustacija oljčnega olja
3. Obisk spletne trgovine s potovalno opremo
4. Koncert ob reki
5. Tečaj plavanja za otroke

Sistemi priporočil obstajajo vsaj tako dolgo kot turistični vodniki ali seznami tipa "deset najboljših". No, medtem ko izbor časnika The Guardian - Best Books of 2022 vsem priporoča isti seznam knjig, bi ga vi sami verjetno prilagodili, če bi izbirali zase: izbrali bi jih le nekaj in spremenili bi vrstni red branja glede na svoje osebne preference.

Kako pa priporočiti nekaj nekomu, ki ga ne poznamo? Pri zgornji aktivnosti ste si verjetno poskušali predstavljati Johnove in Tomove osebnosti na podlagi danih informacij: uporabili ste lastno presojo in vsaj nezavedno so na vas vplivali tudi stereotipi. Nato ste na podlagi ustvarjene predstave o tipu njunih osebnosti s seznama izbrali tiste možnosti, ki bi lahko bile (ali pa tudi ne) pomembne zanju. Priporočilni sistemi podjetij, kot so Amazon, Netflix ali YouTube, se poslužujejo podobnega postopka.

Ko danes iščemo informacije ali želimo poiskati določene vsebine na spletu, vsi uporabljamo določeno vrsto personaliziranih sistemov priporočil^1,2. Ena od glavnih funkcij YouTuba je, da uporabnikom predlaga, kaj naj si ogledajo izmed vseh videoposnetkov, ki so na voljo na platformi. Pri vpisanih (prijavljenih) uporabnikih se zanaša na njihove pretekle aktivnosti, na podlagi katerih ustvari "model" ali tip osebnosti. Ko ustvari model za Johna, lahko prepozna druge s podobnim modelom. Johnu zato priporoči videoposnetke, podobne tistim, ki jih je že gledal, in videoposnetke, podobne tistim, ki so si jih ogledali drugi, njemu podobni uporabniki.

Kaj pomeni "model"?

Modeli se uporabljajo za posnemanje česarkoli, od uporabnikov in videoposnetkov do vsebin, ki se jih mora naučit otrok ali učenec. Model je poenostavljena reprezentacija sveta, zaradi katere se lahko stroj "pretvarja", da razume svet okrog sebe:

Kako vas YouTube spoznava

Vsi sistemi priporočil vključujejo podvprašanja. Najosnovnejše vprašanje, kaj priporočiti? - je nekoliko preveč splošno in nenatančno za algoritem. Netflix je razvijalce vprašal, kakšno oceno bi uporabnik A dal videu B glede na njegove ocene drugih videov. YouTube sprašuje po času (trajanju) gledanja za določenega uporabnika v določenem kontekstu. Izbira tega, kaj vprašati (in kaj napovedati), ima velik vpliv na to, kakšno priporočilo bo prikazano³. Ideja v ozadju je, da bo pravilna napoved pripeljala do dobrega priporočila. Sama napoved pa temelji na drugih uporabnikih z zgodovino podobnih iskanj⁴, torej na uporabnikih, ki jih reprezentirajo podobni modeli.

Uporabniški modeli

YouTube sistem priporočanja razdeli na dva koraka in za vsakega uporablja različne modele³. Mi pa v tem priročniku ostajamo pri nekoliko preprostejši razlagi.

Za izdelavo uporabniškega modela se morajo njegovi razvijalci vprašati, kateri podatki so pomembni za priporočanje videoposnetkov. Kaj si je uporabnik že ogledal? Kakšne ocene je podal in kakšne preference je izrazil? Kaj je iskal? Veliko bolj kot takšne eksplicitne informacije YouTube uporablja tiste bolj implicitne, saj so lažje dostopne³. Ali je uporabnik samo kliknil na videoposnetek, ali si ga je dejansko ogledal? Če si ga je ogledal, kako dolgo je trajal ogled? Kako se je odzval na pretekla priporočila¹? Ali je katera od priporočil prezrl? Poleg odgovorov na ta vprašanja so pomembni tudi demografski podatki, kot so spol, jezik, lokacija in vrsta naprave, če je uporabnik nov ali ni prijavljen/vpisan³.

Ko je za vsakega uporabnika izdelan model, postane razvidno, kateri uporabniki so si med seboj podobni, in te informacije so uporabljene za oblikovanje priporočil.

Video modeli

Na podoben način kot pri uporabnikih YouTube označuje videoposnetke, ki so si med seboj podobni (ali različni). Za vsak videoposnetek pregleda njegovo vsebino, naslov in opis ter kakovost posnetka, število ljudi, ki si ga je ogledalo (število ogledov), ga všečkalo, ga dodalo med priljubljene, ga komentiralo ali delilo, čas, ko je bil naložen in število uporabnikov, ki spremljajo dotični kanal¹.

Kaj si bo uporabnik ogledal po izbranem posnetku je odvisno tudi od tega, ali je videoposnetek element obsežnejše serije in ali je morda del seznama predvajanja (playlist). Če uporabnik, na primer, šele odkriva določenega glasbenega izvajalca, bo morda nadaljeval od najbolj priljubljene skladbe k manj znanim. Verjetno je tudi, da uporabniki ne bodo kliknil na videoposnetke, ki so opremljeni s sličicami (thumbnails) slabe kakovosti^1,3. Vse te informacije so vključene v proces ustvarjanja modela.

Eden od bistvenih elementov sistema priporočil je prehod od enega videoposnetka na seznam sorodnih videoposnetkov. V tem kontekstu velja, da so sorodni videoposnetki tisti, ki si jih bo uporabnik verjetno naslednje ogledal³. Namen sistemov priporočanja je iz podatkov izluščiti kar največ in tako ustvarjati boljša priporočila⁴.

¹ Davidson, J., Liebald, B., Liu, J., Nandy, P., Vleet, T., The Youtube Video Recommendation System, Proceedings of the 4th ACM Conference on Recommender Systems, Barcelona, 2010.

² Spinelli, L., and Crovella, M., How YouTube Leads Privacy-Seeking Users Away from Reliable Information, In Adjunct Publication of the 28th ACM Conference on User Modeling, Adaptation and Personalization (UMAP '20 Adjunct), Association for Computing Machinery, New York, 244–251, 2020.

³ Covington, P., Adams, J., Sargin, E., Deep neural networks for Youtube Recommendations, Proceedings of the 10th ACM Conference on Recommender Systems, ACM, New York, 2016.

⁴ Konstan, J., Terveen, L., Human-centered recommender systems: Origins, advances, challenges, and opportunities, AI Magazine, 42(3), 31-42, 2021.

Google v vseh svojih produktih uporablja globoke nevronske mreže za strojno učenje². Na podlagi video modela YouTubova nevronska mreža zabeleži videoposnetke, podobne tistim, ki jih je uporabnik že gledal. Nato poskuša napovedati čas gledanja vsakega novega videoposnetka za dani uporabniški model in jih razvrsti na podlagi napovedi. Na koncu prikaže 10 do 20 videoposnetkov (odvisno od naprave) z najvišjimi ocenami.

Proces je podoben modelu strojnega učenja, ki smo ga že opisali. Stroj v tem primeru najprej zabeleži značilnosti uporabniških in video modelov, ki jih je podal programer. Iz sklopa učnih podatkov se nauči, kakšno utež naj dodeli posamezni značilnosti, da bo pravilno napovedal čas (trajanje) ogleda. Nato, po testiranju in potrditvi, da pravilno deluje, lahko začne generirati napovedi in priporočila.

Učenje

V fazi učenja se sistemu posreduje na milijone pozitivnih in negativnih primerov. Pozitiven primer je, ko uporabnik klikne na videoposnetek in si ga določen čas ogleduje. Negativen primer je, ko uporabnik ne klikne na videoposnetek ali si ga ne ogleduje dovolj dolgo².

Nevronska mreža dobi informacijo o značilnostih uporabnika in videoposnetka. Utež vsake vhodne značilnosti prilagodi tako, da preveri, ali je bil čas gledanja za določen videoposnetek in uporabnika pravilno napovedan.

Na stotinah milijard primerov se nauči približno milijardo parametrov (uteži vsake značilnosti)². Mreža se lahko tudi nauči, da določenih značilnosti ne upošteva (dodeli jim ničelno pomembnost/utež). Zato je lahko model, ki ga ustvari algoritem, zelo drugačen od tistega, ki so si ga zamislili razvijalci.

Testiranje

Ko nevronska mreža konča z učenjem, jo preizkusimo na že razpoložljivih podatkih in po potrebi prilagodimo. Poleg natančnosti napovedi mora programer nastaviti izhod sistema na podlagi več vrednostnih sodb. Prikazovanje videoposnetkov, ki so preveč podobni že videnim zagotovo ne bo preveč zanimivo. Kaj v resnici pomeni, da je neko priporočilo dobro? Koliko podobnih posnetkov je treba prikazati in kako raznoliki naj bodo - z ozirom na druge posnetke in na zgodovino uporabnika? Koliko uporabnikovih interesov naj upošteva? Katere vrste priporočil imajo za posledico takojšnje zadovoljstvo, in katere dolgoročno uporabo?^1,3 To so pomembna vprašanja, ki jih je treba upoštevati.

Testiranju sledi ocenjevanje priporočil v realnem času. Izmeri se skupni čas gledanja za posamezen sklop napovedanih posnetkov². Dlje, kot si uporabnik ogleduje priporočeni sklop videoposnetkov, uspešnejši je model. Zgolj podatek o številu klikov na videoposnetke ne zadostuje za objektivno ocenjevanje. YouTube ocenjuje svoje priporočilne sisteme na podlagi tega, koliko priporočenih videoposnetkov je bilo pogledanih (skoraj) v celoti ter na podlagi skupne dolžine seje, časa do prvega daljšega ogleda in deleža prijavljenih uporabnikov¹.

Vmesnik

¹ Davidson, J., Liebald, B., Liu, J., Nandy, P., Vleet, T., The Youtube Video Recommendation System, Proceedings of the 4th ACM Conference on Recommender Systems, Barcelona, 2010.

² Covington, P., Adams, J., Sargin, E., Deep neural networks for Youtube Recommendations, Proceedings of the 10th ACM Conference on Recommender Systems, ACM, New York, 2016.

³ Konstan, J., Terveen, L., Human-centered recommender systems: Origins, advances, challenges, and opportunities, AI Magazine, 42(3), 31-42, 2021.

4 Spinelli, L., and Crovella, M., How YouTube Leads Privacy-Seeking Users Away from Reliable Information, In Adjunct Publication of the 28th ACM Conference on User Modeling, Adaptation and Personalization (UMAP '20 Adjunct), Association for Computing Machinery, New York, 244–251, 2020.

Vsi prilagodljivi učni sistemi pa vedo, koga učijo (znanje o učencu), kaj učijo (znanje o področju) in kako učiti (znanje o pedagogiki)².

Idealen prilagodljiv učni sistem se prilagaja na več načinov. V širši, zunanji zanki prilagodi zaporedje učnih dejavnosti (podobno kot YouTube prilagodi priporočen seznam videoposnetkov) ter učne pristope in stopnje težavnosti.

V notranji zanki, znotraj vsake aktivnosti, sistem spremlja napredek po korakih. Prilagaja povratne informacije in napotke za odpravo morebitnih napačnih predstav. Če ima uporabnik (učenec) težave z zapomnitvijo predhodno naučene snovi, ga lahko usmeri k dodatnim vsebinam. Nekateri strokovnjaki zagovarjajo stališče, da je notranjo zanko najbolje prepustiti učiteljem: ne le da je programiranje vseh pravil za določen šolski predmet in posamezno nalogo drago in zamudno, temveč bodo znanje in izkušnje učitelja vedno prevladale nad strojem³.

Kako prilagodljivi učni sistemi spoznavajo učenca

Podobno kot pri vseh priporočilih (gl. poglavje Kako vas YouTube spoznava - 1. del), prilagodljiv učni sistem razdeli nalogo na eno ali več podvprašanj, na katera stroj zna odgovoriti. Ne pozabimo, da odločitev, kaj vprašati (in s tem tudi, kaj napovedati), močno vpliva na to, kakšno priporočilo bo prikazano.

Promocije pogosto omenjajo razne cilje: izboljšanje rezultatov, zaposljivost, vključenost itd. Zaradi tržne narave sistemov običajno ne vemo, katera vprašanja so kodirana v sisteme, za katere cilje se optimizirajo in kako se kratkoročni cilji razlikujejo od dolgoročnih (npr., mojstrsko obvladovanje določene vsebine v primerjavi z napredovanjem na naslednjo stopnjo)⁴.

Kjer se uporablja strojno učenje, bodo napovedi, ne glede na izbrane cilje, temeljile na drugih učencih s podobnimi stopnjami znanja in podobnimi preferencami, oz. na učencih, katerih modeli so si podobni.

Model učenca

Pri oblikovanju modela učenca se razvijalci vprašajo, katere značilnosti učenca so pomembne za učni proces. Za razliko od učiteljev, ki lahko neposredno opazujejo učence in prilagodijo svoj pristop, so stroji omejeni na podatke, ki jih zberejo in obdelujejo.

Tipične značilnosti, ki se upoštevajo pri ustvarjanju modela učenca:

• kaj učenec ve: raven znanja, veščine in napačne predstave^5,2,6. Te lastnosti običajno izpeljemo na podlagi ocenjevanja, npr. na podlagi odgovora na matematični problem¹. To predhodno znanje se nato primerja s tem, kar bi moral učenec znati ob koncu učnega obdobja.
• Kako se učenec uči: učni proces in preference^5,6. Npr., kolikokrat učenec poskuša odgovoriti na vprašanje, preden odgovori pravilno, vrste virov, ki jih je uporabil, kako sam ocenjuje določeno aktivnost, katero gradivo ga je najbolj pritegnilo (slika, zvok ali besedilo)². Prilagodljivi učni sistemi lahko beležijo tudi kdaj in kako so se učili veščin in katere pedagoške metode so bile najboljše⁶.
• Ali je učenec motiviran: občutke in čustva lahko učenec sporoča neposredno ali pa jih sistem pridobi posredno na podlagi govora, obrazne mimike, spremljanja gibanja oči, govorice telesa, fizioloških signalov, ali na podlagi kombinacije teh elementov. Te informacije se lahko nato uporabijo za spodbujanje učenca stran od neprijetnih stanj (npr. dolgčas ali frustracija, ki zavirata učenje), k prijetnim stanjem, npr. aktivno angažiranje, veselje⁷.
• Kognitivni vidiki: spomin, pozornost, veščina reševanja problemov, sposobnost sprejemanja odločitev, sposobnost analiziranja situacij in kritično mišljenje⁵.
• Komunikacija in sodelovanje. Npr., ali učenec objavlja komentarje na profilih družabnih omrežij drugih učencev, kako rešuje probleme skozi razpravo z drugimi, ipd¹.
• Metakognitivne veščine, kot so samoregulacija, samorazlaga, samoocena, iskanje pomoči, zavedanje o in sposobnost nadzora lastnega mišljenja. Npr., kako izbira učne cilje, kako uporablja predznanje ali kako izbira strategije reševanja problemov⁵.

Te informacije se spreminjajo in jih je treba redno posodabljati, modeli pa sicer vsebujejo tudi statične značilnosti, kot so starost, spol, materni jezik, elektronski naslov itn.

Večina prilagodljivih učnih sistemov ustvarja modele učencev na podlagi interakcij z učenci samimi. Nekateri pridobivajo informacije tudi z drugih spletnih mest, zlasti z družabnih omrežij. Ko je za vsakega učenca izdelan model, stroj izračuna, kateri učenci so si med seboj podobni, in lahko začne predvidevati, kakšna je verjetnost, da bo določenemu učencu koristila določena aktivnost, primer ali vprašanje³.

Model domene

Za lažjo predstavo povlecimo vzporednico med t. i. učnimi objekti v prilagodljivem učnem sistemu in videoposnetki na YouTubu. Vsak šolski predmet lahko razčlenimo na koncepte in veščine, ki tvorijo t. i. enote znanja. Enote znanja so tisto, kar mora učenec na koncu znati³. Vsaka enota znanja vsebuje nabor učnih objektov, ki omogočajo, da se naučimo vsebine, in določene aktivnosti za vrednotenje učenja. (Nekateri avtorji učne objekte dodatno razčlenjujejo na učne aktivnosti.)

Učni objekti so lahko besedila, videoposnetki, sklop problemov ali vprašanj, interaktivne aktivnosti, animacije itd¹. Učni objekti povedo, kaj mora učenec znati, aktivnosti vrednotenja pa razkrijejo, ali je bilo znanje v resnici pridobljeno³. Model domene vsebuje vse značilnosti učnih objektov, vključno s pripadajočimi enotami znanja in vrednotenjem.

Česa se bo učenec učil v naslednjem koraku je odvisno tudi od medsebojnih povezav med posameznimi enotami znanja, zato je treba tudi te vključiti v model: učna objekta A in B sta lahko predpogoja za učni objekt D. Zato je treba A in B obvladati pred D. Med nekaterimi enotami znanja torej obstaja hierarhija, ki nam pove, kako naj se učimo³. Velja tudi obratno: če učenec pravilno reši problem D, lahko sklepamo, da je obvladal tudi A in B.

Med druge značilnosti učnih objektov spadajo težavnostne stopnje aktivnosti, priljubljenost aktivnosti in ocene aktivnosti. Namen je, tako kot pri YouTubu, iz razpoložljivih podatkov izvleči čim več relevantnih informacij.

¹ EdSurge, Decoding Adaptive, Pearson, London, 2016.

² Alkhatlan, A., Kalita, J.K., Intelligent Tutoring Systems: A Comprehensive Historical Survey with Recent Developments, International Journal of Computer Applications 181(43):1-20, March 2019.

³ Essa, A., A possible future for next generation adaptive learning systems, Smart Learning Environments, 3, 16, 2016.

⁴ Bulger M., Personalised Learning: The Conversations We’re Not Having, Data & Society Working Paper, 2016.

⁵ Chrysafiadi, K., Virvou, M., Student modeling approaches: A literature review for the last decade, Expert Systems with Applications, Elsevier, 2013.

⁶ Groff, J., Personalized Learning: The state of the field and future directions, Center for curriculum redesign, 2017.

⁷ du Boulay, B., Poulovasillis, A., Holmes, W., Mavrikis, M., Artificial Intelligence And Big Data Technologies To Close The Achievement Gap, In: Luckin, Rose ed. Enhancing Learning and Teaching with Technology. London: UCL Institute of Education Press, pp. 256–28, 2018.

V zadnjih letih se strojno učenje vse pogosteje uporablja v prilagodljivih učnih sistemih, bodisi kot edina uporabljena tehnologija bodisi v povezavi z drugimi pristopi². Tam, kjer se uporablja, je osrednja vloga strojnega učenja ustvarjanje in posodabljanje modelov učencev na podlagi sklopa značilnosti, vključno z rezultati vrednotenja in novimi podatki, ki se ustvarjajo skozi ves čas procesa¹.

Za zunanjo zanko se modeli ustvarijo s pomočjo učnih podatkov, tako da se dodelijo ustrezne uteži značilnostim, ki omogočajo učinkovito priporočanje vsebin (gl. poglavje Govorica UI: Strojno učenje). Ti modeli se uporabljajo za redno priporočanje novih učnih poti, ki odražajo napredek učenca in njegove spreminjajoče se interese - podobno kot nova priporočila v YouTubu. Prilagodljiv učni sistem, ki temelji na strojnem učenju, lahko generira tudi bilijon takšnih poti³.

V notranji zanki se strojno učenje uporablja za zagotavljanje ustreznih povratnih informacij, odkrivanje napak, sklepanje o vrzelih v znanju in za oceno obvladovanja enot znanja. Učenec lahko med ukvarjanjem z določeno aktivnostjo naredi napako. Strojno učenje se lahko uporabi za napovedovanje, katere napake izhajajo iz katere vrzeli v znanju. Podobno, če je rešitev naloge pravilna, lahko strojno učenje uporabimo za predvidevanje o tem, katere enote znanja so bile uspešno usvojene.

Druge tehnike, ki se uporabljajo v prilagodljivih sistemih, vključujejo manj avtomatizacije in bolj eksplicitno zapisana pravila za sklepanje². Za natančen zajem vseh kriterijev, ki so potrebni pri odločanju, zahtevajo veliko časa za programiranje in dodatna prizadevanja. Poleg tega rezultatov pogosto ni mogoče posplošiti z enega področja na drugo ali z enega problema na drugega.

Orodja, ki uporabljajo strojno učenje, delujejo na podlagi velikanske količine podatkov o dejanski uspešnosti učencev in lahko zato sčasoma ustvarijo zelo dinamične učne poti za učence¹. Tako kot pri vseh aplikacije strojnega učenja pa je treba tudi tukaj pred uporabo v učilnicah opraviti testiranje.

Pedagoški model

Spoznali smo že, da YouTube uporablja veliko vrednostnih sodb za odločitev o tem, kaj je dobro priporočilo, npr.: koliko različnih interesov uporabnika naj bo zajetih v enem sklopu priporočil, koliko priporočenih posnetkov naj bo podobnih že videnim, koliko novih vsebin je treba dodati zavoljo raznolikosti itd. (gl. poglavje Govorica UI: Kako vas YouTube spoznava - 2. del). Prilagodljivi učni sistemi vključujejo podobne presoje o tem, kaj pomeni obvladati določeno enoto znanja in kako priti do te stopnje "mojstrstva"⁴.

V primeru prilagodljivih učnih sistemov morajo takšne sodbe/odločitve (kakor tudi smernice o doseganju napredka za učenca) temeljiti na uveljavljenih pedagoških teorijah. Te so vključene v pedagoški model ter skupaj z modelom domene in modelom učenca pomagajo stroju izbrati ustrezen nabor aktivnosti.

Nekatera vprašanja, na katera odgovarja pedagoški model, so: ali je treba učencu najprej predstaviti koncept, aktivnost ali test? Na kateri stopnji zahtevnosti? Kako ovrednotiti učenje in zagotoviti povratne informacije? Kje je potrebna dodatna podpora? Pedagoški model narekuje obseg in poglobljenost aktivnosti in celo opozori, ali naj nadaljujemo v okviru sistema, ali je potrebno poiskati pomoč učitelja³.

Vmesnik

Priporočila so prikazana skupaj z drugimi podatki, kot so napredek, uspešnost in cilji učenca. Ključna vprašanja:

• Kako podati vsebine?
• Koliko vsebin priporočiti v enem priporočilu?
• Katere vsebine naj bodo neposredno dodeljene in katere v obliki priporočil?
• Kateri podporni viri so uporabljeni?
• Ali so omogočene skupinske aktvnosti?
• Kakšno stopnjo avtonomije dovoliti?
• Ali lahko učenec spreminja svoje izbire (preference)?
• Ali lahko učitelj spreminja učne poti?
• Kateri podatki so prikazani učitelju?
• Ali je učitelj vključen v zanko?

Vrednotenje

Ko se prilagodljiv učni sistem začne uporabljati, spremlja lastno uspešnost glede na merila, ki jih določi programer. Kot pri vsakem orodju UI so lahko podatki pristranski. Sklepanja sistema so lahko netočna. Učenčevi pretekli podatki sčasoma postajajo manj relevantni⁶. Zato mora tudi učitelj spremljati delovanje sistema in učencu po potrebi dajati navodila in predlagati popravke.

Tudi učitelji in mladostniki sami naj bi zagotavljali navdih in odkrivali ter predlagali alternativne vire vsebin. Raziskave na področju priporočilnih sistemov so več kot desetletje temeljile na informacijah komercialnih ponudnikov vsebin in spletne maloprodaje. Poudarek je bil torej na zanesljivem zagotavljanju priporočil, ki dajejo rezultate, ki jih je mogoče tržiti. “Presenetljiv užitek ob nepričakovanem odkritju skritega dragulja”⁷ ali, povedano drugače, sprehod po manj uhojenih stezicah - torej vse tisto, kar navdihuje trajno učenje, ni med prednostmi na strojnem učenju zasnovanih pristopov personaliziranega poučevanja.

¹ EdSurge, Decoding Adaptive, Pearson, London, 2016.

² Chrysafiadi, K., Virvou, M., Student modeling approaches: A literature review for the last decade, Expert Systems with Applications, Elsevier, 2013.

³ Essa, A., A possible future for next generation adaptive learning systems, Smart Learning Environments, 3, 16, 2016.

⁴ Groff, J., Personalized Learning: The state of the field and future directions, Center for curriculum redesign, 2017.

⁵ Alkhatlan, A., Kalita, J.K., Intelligent Tutoring Systems: A Comprehensive Historical Survey with Recent Developments, International Journal of Computer Applications 181(43):1-20, March 2019.

⁶ du Boulay, B., Poulovasillis, A., Holmes, W., Mavrikis, M., Artificial Intelligence And Big Data Technologies To Close The Achievement Gap, In: Luckin, Rose ed. Enhancing Learning and Teaching with Technology. London: UCL Institute of Education Press, pp. 256–28, 2018.

⁷ Konstan, J., Terveen, L., Human-centered recommender systems: Origins, advances, challenges, and opportunities, AI Magazine, 42(3), 31-42, 2021.

• Priporočilni sistemi se uporabljajo za predlaganje filmov uporabnikom Netflixa. Potrošnikom pomagajo pri izbiri pravega zvočnika na Amazonu. Toda ali lahko dejansko izboljšajo učne rezultate učencev v razredu¹?
• Ali nenehno osredotočanje na uspešnost in individualizacijo vpliva na psihološko počutje učenca²?
• Individualizacija od učenca zahteva veliko discipline in samoregulacije. Učenci morajo začeti delati sami in nadaljevati z delom, dokler ne končajo vseh dodeljenih dejavnosti. Ali so vsi učenci to sposobni storiti brez pomoči²?
• Kako uskladiti individualizacijo z možnostmi socialnega učenja³?
• Kako preiti od uporabe prilagodljivih učnih sistemov kot podpore pri posamezni tematiki k sistematični uporabi teh sistemov pri vseh temah in predmetih²? Kaj pa sprememba učnega načrta, ki bo potrebna za takšno vključevanje prilagodljivosti³?
• In kaj je s potrebno infrastrukturo? Kaj bi bilo treba ukreniti glede podatkov in zasebnosti, glede pristranskosti in okrepljenih stereotipov³?

Pri razvoju prilagodljivih učnih sistemov se nekatera načela uporabljajo neposredno ali implicitno. Ta načela niso vedno brez posledic.

Paradigma prilagodljivega učnega sistema: tisto staro dobro...

Kaj počnejo sistemi strojnega učenja, ko nekaj napovedujejo ali priporočajo? Naslanjajo se na pretekle izkušnje, preference in uspešnost učenca in tako se odločijo, kaj mu bodo priporočili: za napovedovanje prihodnosti se ozirajo v preteklost. Zato so ti sistemi vedno pristranski v odnosu do preteklosti⁴. Strojno učenje najbolje deluje v statičnem in stabilnem svetu, kjer je preteklost takšna kot prihodnost⁵. Prilagodljivi učni sistemi, ki temeljijo na modelih strojnega učenja, počnejo bolj ali manj enako, sedaj z dodatkom pedagoških vidikov.

Posledično ti sistemi ne morejo upoštevati nihanj v normalnosti, kot je bila npr. pandemija COVID, ali zdravstvena vprašanja in druge težave. Le deloma znajo upoštevati starost, rast, obvladovanje novih kompetenc in osebnostni razvoj mladih ljudi.

Ali je vedenje učencev sploh predvidljivo? Kolikokrat lahko ponovimo formulo, ki je v preteklosti dobro delovala, preden postane dolgočasna in ponavljajoča ter začne ovirati napredek⁶? Tudi če bi bila takšna predvidevanja mogoča, ali je sploh smotrno učence izpostavljati le stvarem, ki so jim všeč in ki jim ustrezajo? Kolikšna mera novosti je preobremenjujoča in kontraproduktivna⁶?

Paradigma prilagodljivega učnega sistema: eksplicitno odraža implicitno

Tudi če bi lahko preteklost zanesljivo uporabili za napovedovanje prihodnosti, bi bilo preteklost kot takšno težko natančno opredeliti. Kako Youtube ve, da je bil uporabniku všeč določen videoposnetek? Zagotovo je to lažje v primerih, ko je uporabnik po ogledu kliknil na gumb 'Všeč mi je' ali se naročil na nek kanal. Vendar je takšno eksplicitno vedenje zelo redko. Sistemi za priporočanje se ves čas zanašajo na prikrite, implicitne signale, ki pa lahko resnico v celoti odražajo, ali pa tudi ne⁴. Youtube, na primer, upošteva čas, ki ga je uporabnik porabil za ogled videoposnetka, kot implicitni signal, da mu je bil videoposnetek všeč in da bi rad gledal druge podobne vsebine. Seveda pa golo dejstvo, da se je videoposnetek na računalniku predvajal do konca, še zdaleč ne pomeni, da je bil uporabniku všeč, niti ne pomeni nujno, da si ga je sploh ogledal⁷.

Paradigma prilagodljivega učnega sistema: vse lahko nadomesti zgolj eno vprašanje

Vsa tehnologija ni nujno visoka tehnologija

¹ Bulger M., Personalised Learning: The Conversations We’re Not Having, Data & Society Working Paper, 2016.

² Groff, J., Personalized Learning: The state of the field and future directions, Center for curriculum redesign, 2017.

³ Holmes, W., Anastopoulou S., Schaumburg, H & Mavrikis, M.,Technology-enhanced personalised learning: untangling the evidence, Stuttgart: Robert Bosch Stiftung, 2018.

⁴ Covington, P., Adams, J., Sargin, E., Deep neural networks for Youtube Recommendations, Proceedings of the 10th ACM Conference on Recommender Systems, ACM, New York, 2016.

⁵ Barocas, S.,  Hardt, M., Narayanan, A., Fairness and machine learning Limitations and Opportunities, 2022.

⁶ Konstan, J., Terveen, L., Human-centered recommender systems: Origins, advances, challenges, and opportunities, AI Magazine, 42(3), 31-42, 2021.

⁷ Davidson, J., Liebald, B., Liu, J., Nandy, P., Vleet, T., The Youtube Video Recommendation System, Proceedings of the 4th ACM Conference on Recommender Systems, Barcelona, 2010.

Samodejno prevajanje je predstavljalo zgodovinski izziv za UI. V zadnjih letih so bile za ta namen vprežene in preizkušene različne tehnologije UI. Sisteme, ki temeljijo na pravilih so z dostopnostjo podatkovnih zbirk vzporednih besedil nadomestile statistične tehnike strojnega učenja. V zadnjih petih letih najsodobnejšo tehnologijo na tem področju predstavljajo tehnike globokega učenja.

Če ste se lahko še pred nekaj leti ob preizkušanju takšnih orodij prijetno razvedrili, celo zabavali ob prevodih besedil priljubljenih pesmi ali raznih menijev, danes to ni več tako:

• številne mednarodne institucije razmišljajo o uporabi orodij za samodejno prevajanje kot podpori večjezičnosti.
• Velike medijske video platforme uporabljajo samodejno prevajanje za boljši stik z uporabniki.
• Dvojezični posamezniki in profesionalni prevajalci takšna orodja uporabljajo v poklicnem in zasebnem življenju.

V prihodnje se obeta še veliko več izboljšav strojnih prevajalnikov. Kakovost prevodov se povečuje. Razne rešitve, ki združujejo prevode, transkripcije in sintezo govora, kar omogoča približevanje idealu brezhibne večjezične komunikacije, bodo v kratkem postale nekaj običajnega.

Četudi ta orodja v prvem planu niso bila zasnovana za področje izobraževanja, pa danes nanj že vplivajo.

Ali učenci uporabljajo samodejno prevajanje?

V času nastanka tega besedila (december 2022) nismo zasledili nobenih javnih, uradnih dokumentov, ki bi obravnavali to temo, niti nobenih obsežnih raziskav, povezanih s tem vprašanjem. Obstajajo sicer številne razprave in objave na forumih³ ter razni članki, ki opisujejo načine za preprečevanje goljufanja s pomočjo UI, ali predlagajo načine za uvedbo UI pri pouku tujih jezikov. V veliki večini te objave predpostavljajo, da je uporaba orodij za samodejno prevajanje pri učencih zelo razširjena.

V manjši neformalni raziskavi, ki smo jo aprila 2022 izvedli na širšem območju Pariza z učitelji različnih jezikov (angleščine, francoščine, nemščine) na različnih stopnjah (največ sodelujočih učencev v starosti od 12 do 16 let) se je izkazalo, da je uporaba prevajalnikov v resnici zelo razširjena. Vsi učitelji, ki so sodelovali v raziskavi, so poročali u uporabi teh orodij (DeepL ali Google Prevajalnik) med učenci v času izven uradnega pouka.

• Tukaj je nekaj njihovih opazk:
• zdi se, da je edina veščina, ki jo današnji učenci pridobivajo - kopiranje in lepljenje.
• To počnejo tudi uspešnejši, bolj motivirani učenci. Domačo nalogo poskušajo narediti sami, nato pa jo “samo preverijo” s prevajalnikom, toda največkrat ugotovijo, da je strojni prevod veliko boljši od njihovega, zato obdržijo samodejno prevedeno besedilo.

• pri opisanem gre za značilen primer diskreditiranja ideje, da bi moral učitelj kot domačo nalogo zahtevati le prevod nekega besedila. Toda, orodja za samodejno prevajanje se lahko uporabijo tudi za bolj ustvarjalne naloge (npr. pisanje eseja na določeno temo): učenec napiše esej v maternem jeziku, nato pa ga prevede.
• Ključnega pomena je motivacija. To ni novost, že leta 2000 je, na primer, V. M. Cribb zapisal, da “nekateri gledajo na znanje tujih jezikov kot na občudovanja vredno prizadevanje, drugi pa jezikovno kompetenco dojemajo kot nekaj nepotrebnega, saj za to očitno obstaja učinkovita alternativa”⁵.

Ali prevajalniki zavajajo učitelje?

Zapisi na različnih blogih kažejo na to, da naj bi učitelji tujih jezikov prepoznali strojne prevode, tudi če so bili ti kasneje (po nastanku) popravljeni s strani posameznika. Birdsell¹ si je zamislil eksperiment, v katerem so morali japonski učenci napisati esej, dolg 500 besed, v angleščini. Prva skupina učencev je esej pisala ob pomoči običajnih, tradicionalnih orodij (slovar, črkovalnik), druga skupina pa je esej najprej napisala v japonščini in ga nato s pomočjo prevajalnika DeepL prevedla v angleščino. Zanimivo je, da so učitelji bolje ocenili učence iz druge skupine, vendar so znali tudi prepoznati tiste eseje, ki so bili prevedeni s pomočjo DeepL.

Ali je mogoče orodja za strojno prevajanje kombinirati z generatorji besedil?

Prezgodaj je še, da bi napovedovali, kako bo potekal razvoj teh tehnologij v prihodnosti, toda za zdaj se zdi, da je odgovor pritrdilen. Kot ilustracijo tukaj navajamo preprost primer, ko so novinarji v Franciji uporabili generator besedil (Open-AI Playground), nato so ustvarjeno besedilo prevedli s pomočjo DeepL in rezultat na koncu brez večjih zadržkov predstavili javnosti².

Ali je uporaba samodejnega prevajalnika goljufanje?

Na to vprašanje ni enoznačnega odgovora. Če sodite le po razpravah na raznih spletnih forumih³ boste bržkone prepričani, da uporaba prevajalnikov res pomeni goljufanje. Učenci so seznanjeni s strogim pravilom, da takšnih orodij ne smejo uporabljati, in če pravil ne upoštevajo, pomeni, da goljufajo, za kar so kaznovani. Toda obstajajo tudi argumenti v prid nasprotni ideji: glede na to, da je namen izobraževanja naučiti ljudi pametno uporabljati orodja za izpolnjevanje nalog - zakaj ne bi učencem omogočili, da se naučijo uporabljati orodja, s katerimi se bodo zunaj šolskega prostora tako ali tako srečali?

Avtorji tega priročnika nimamo potrebne pristojnosti, da bi na tem mestu podali dokončen odgovor na vprašanje, zastavljeno v podnaslovu. Kljub temu pa učiteljem predlagamo, da raziščejo, na kakšen način bi bilo mogoče ta orodja uporabiti za učenje jezikov.

Kaj naj naredi učitelj?

Florencia Henshaw ponuja več možnosti oz. pristopov⁴, od katerih se noben ne zdi povsem prepričljiv:

• Pristop št. 1: učencem razložiti, da UI preprosto ne deluje dovolj dobro. (Kritika: tudi če se učenci s tem strinjajo (čeprav jih bo vse težje prepričevati, da je določeno orodje, ki obrodi boljše rezultate, kot je nasvet staršev, slabo) - bodo spletne prevajalnike še vedno uporabljali.)
• Pristop št. 2: ničelna toleranca - uporabo UI je vedno mogoče odkriti. (Kritika: to morda velja danes¹, ni pa rečeno, da bo pri tem tudi ostalo. Problem je povezan s širšim vprašanjem, ali uporaba UI pomeni goljufanje? V čem se razlikuje od uporabe očal za lažje branje, ali od uporabe samokolnice za lažje prevažanje tovora?)
• Pristop št. 3: orodja za samodejno prevajanje je priporočljivo (ali dovoljeno) uporabljati le do neke mere (npr., za prevode posameznih izrazov)⁴. (Kritika: konkurenčna prednost prevajalnikov je prav v tem, da upoštevajo sobesedilo (kontekst). Pri posameznih (iz konteksta iztrganih) besedah ne bodo delovali nič bolje kot tradicionalni slovarji).
• Pristop št. 4: orodja za samodejno prevajanje naj se uporabljajo na inteligenten način, v učilnici in zunaj nje. (Kritika: to sicer zveni smiselno, vendar bo potrebnega še veliko dela, preden bodo aktivnosti razvite do ustrezne stopnje, da bodo resnično pomagale pri konkretnih učnih situacijah.)

¹ Birdsell, B. J., Student Writings with DeepL: Teacher Evaluations and Implications for Teaching, JALT2021  Reflections & new perspectives 2021.

² Calixte, L, Novembre 2022, https://etudiant.lefigaro.fr/article/quand-l-intelligence-artificielle-facilite-la-fraude-universitaire_463c8b8c-5459-11ed-9fee-7d1d86f23c33/.

³ Reddit discussion on Automatic translation and cheating. https://www.reddit.com/r/Professors/comments/p1cjiu/foreign_language_teachers_how_do_you_deal_with/.

⁴ Online Translators in Language Classes: Pedagogical and Practical Considerations, Florencia Henshaw, The FLT MAG, 2020, https://fltmag.com/online-translators-pedagogical-practical-considerations/.

⁵ Cribb, V. M. (2000). Machine translation: The alternative for the 21st century?. TESOL Quarterly, 34(3), 560-569. https://doi.org/10.2307/3587744.

Toda transformacija, ki jo je povzročila razširjena raba teh orodij, ni omejena le na popravljanje tipkarskih napak, temveč seže veliko globlje in pomeni drugačen način pisanja/ustvarjanja besedil. Digitalno pisanje nam omogoča, da se vrnemo k napisanemu in besedilo spremenimo ter s tem učinkoviteje izrazimo, kar želimo sporočiti.

Če se izrazimo bolj strokovno, smo prešli od linearnega pristopa k linearnemu pisanju do iterativnega procesa. Nedavne študije so pokazale, da je preoblikovanje procesa pisanja z vpeljavo digitalnih orodij že bistveno vplivalo na izboljšanje kakovosti nastalih besedil.

Pisanje v dobi UI

Proces evolucije načinov pisanja in izražanja misli se z razvojem urejevalnikov besedil seveda ni ustavil. V zadnjih letih se je z razmahom UI močno pospešil.

Orodja, kot so Grammarly, Wordtune, Ludwig, ProWritingAid itd., niso namenjena le slovničnim popravkom besedil, temveč uporabnika podpirajo skozi celoten proces pisanja s predlogi za izboljšanje (sloga) besedila, s preverjanjem podobnosti (plagiatorstva) in še veliko več. Nemara je odveč poudariti, da šolski prostor nikakor ne more biti neobčutljiv za takšne vrste inovacij.

To potrjuje tudi vse večje število predlaganih izobraževalnih intervencij v literaturi, kjer se promovirajo prednosti uporabe takšne programske opreme. Nekateri znanstveniki predlagajo uporabo teh orodij za razvoj veščine uporabe zunanjih virov informacij, kar omogoča, da se učenci bolje naučijo parafraziranja, to pa ima za posledico manj težav, povezanih s plagiatorstvom. Mnoga od teh orodij lahko učiteljem pomagajo pri vrednotenju besedil in s tem pri pravočasni analizi prednosti in slabosti posameznega učenca.

Poleg tega učencem omogočajo samooceno lastne veščine pisnega izražanja, to pa spodbuja metakognitivne procese in pospešuje proces učenja.

Ni vse zlato, kar se sveti

Jasno je, da takšne inovacije ne prinašajo zgolj prednosti. Prvič, kot ste verjetno že dojeli, so v ozadju vseh teh mehanizmov globokega učenja določeni izvorni podatki (učni podatki), na osnovih katerih so ustvarjeni modeli. Če so učni podatki modelov nepopolni ali nepravilni, lahko to povzroči bistveno pristranskost. Drugič, obstaja precejšnja verjetnost splošne homogenizacije besedil, ki jih takšna orodja generirajo/predlagajo, kar lahko posledično omeji ustvarjalnost učencev (ali pomeni, da jih učitelj slabše oceni). Tretjič, so ta orodja v prvi vrsti prilagojena za angleščino. Toda hitrost razvoja tehnologij na tem področju je tako velika, da najbrž ne bo minilo več veliko časa, ko bodo podobne funkcionalnosti na voljo tudi za druge svetovne jezike.

Pogled v prihodnost

Eden izmed bistvenih kognitivnih procesov, ki sodelujejo v procesu pisanja, je pridobivanje tistih informacij iz dolgoročnega spomina, ki so potrebne za dokončanje želenega sporočila. Upravičeno lahko domnevamo, da bodo orodja UI kmalu sposobna podpreti tudi ta proces: omogočila bodo takojšen in poenostavljen dostop do veliko obsežnejšega in zanesljivejšega "spomina" od našega lastnega.

Za konec izpostavimo še, da ogromen napredek pri procesih generiranja besedil kaže na to, da bodo takšna orodja v prihodnosti proces pisanja podpirala na še veliko bolj aktiven način kot to počnejo danes.

Pisanje besedil se bo verjetno še naprej spreminjalo na načine, ki si jih še ne moremo zamisliti. Za učitelje pa bo izziv ostal enak: znati smiselno uporabljati orodja, ki so na voljo, in temu prilagoditi svoj način poučevanja. Ali ste pripravljeni na to?

Človeško znanje je obsežno, spremenljivo in težko opredeljivo. Človeški um je sposoben absorbirati in uporabljati znanje, ker je, kot so zapisali Chomsky, Roberts in Watumull, "...presenetljivo učinkovit, celo eleganten sistem, ki obdeluje majhne količine informacij. Ne stremi k sklepanju o surovih povezavah med podatki, ampak k razlaganju¹."

Strojno učenje naj bi to počelo z iskanjem vzorcev v velikih količinah podatkov. Prej pa so morali programerji ročno kodirati, določiti katere značilnosti podatkov so pomembne za obravnavani problem, in jih posredovati stroju v obliki "parametrov"^2,3. Kot smo že povedali, je delovanje sistema močno odvisno od kakovosti podatkov in parametrov, ki jih ni vedno enostavno natančno določiti.

Globoke nevronske mreže ali globoko učenje predstavlja vejo strojnega učenja, ki omenjeno premaguje:

• z ekstrahiranjem lastnih parametrov iz podatkov v fazi učenja;
• z uporabo več plasti, ki gradijo razmerja med parametri, postopoma gredo od preprostih reprezentacij v najbolj zunanji plasti do bolj kompleksnih in abstraktnih. To globokemu učenju omogoča, da določene naloge opravi bolje kot običajni algoritmi strojnega učenja².

Vse več zmogljivih aplikacij strojnega učenja se vedno bolj zanaša na globoko učenje. Sem spadajo iskalniki, sistemi priporočil, transkripcija govora in tudi prevod tega priročnika iz angleščine v slovenščino. Brez pretiravanja lahko rečemo, da je prav globoko učenje omogočilo uspeh UI pri številnih nalogah.

Izraz "globoke" (globoke nevronske mreže) se nanaša na to, kako se plasti nalagajo ena na drugo, da ustvarijo mrežo. Izraz "nevronske" odraža dejstvo, da so določene vidike njihove zasnove navdihnili biološki možgani. Kljub temu pa, in čeprav zagotavljajo vpogled v naše lastne miselne procese, so to strogo matematični modeli, ki v resnici niso podobni nobenemu biološkemu elementu ali procesu².

Osnove globokega učenja

Ko ljudje gledamo sliko, na njej avtomatično prepoznamo predmete in obraze. Za algoritem pa slika ni nič drugega, kot le zbirka pikslov. Med mešanico barv in različnimi stopnjami svetlosti ter prepoznavanjem obrazov je velikanski preskok, ki ga je preveč zapleteno izvesti.

Globoka nevrosnka mreža to doseže tako, da proces razdeli na zelo preproste reprezentacije v prvi plasti – na primer tako, da primerja svetlost dveh sosednjih pikslov in tako ugotovi prisotnost ali odsotnost robov na različnih predelih slike. Naslednja plast na podlagi robov išče bolj kompleksne entitete – na primer, vogale in obrobe, pri čemer zanemari majhna odstopanja pri položajih robov^2,3. Naslednja plast išče dele predmetov z uporabo obrob in vogalov. Postopoma se kompleksnost povečuje do točke, ko lahko zadnja plast združi različne dele dovolj dobro, da prepozna obraz ali identificira predmet.

Tega, kar je treba upoštevati v vsaki plasti, ne določajo programerji, temveč se tega sistem nauči iz podatkov v procesu učenja³. S primerjanjem napovedi z dejanskimi rezultati v učnem sklopu podatkov se delovanje vsake plasti uravna na nekoliko drugačen način, kar obrodi vsakič nekoliko boljši rezultat. Če je vse to izvedeno pravilno in pod pogojem, da je na voljo dovolj kakovostnih podatkov, bi se morala mreža razviti tako, da bo prezrla nepomembne dele slike, npr. natančno lokacijo entitet, kot in osvetlitev, ter se osredotočila na tiste dele, ki ji omogočajo prepoznavanje.

Tukaj je treba opozoriti na dejstvo, da je kljub naši uporabi robov in obrob za razumevanje procesa tisto, kar je dejansko predstavljeno v plasteh, niz številk, ki lahko ustrezajo stvarem, ki jih razumemo, ali pa tudi ne. Kar se pri tem ne spremeni, je vse večja abstraktnost in kompleksnost.

Oblikovanje globoke nevronske mreže

Ko se programer odloči za uporabo globokega učenja in pripravi podatke, mora najprej zasnovati tako imenovano arhitekturo svoje nevronske mreže. Določiti mora število plasti (globina mreže) in število parametrov na plast (širina mreže). Nato se mora odločiti, kako vzpostaviti povezave med plastmi – ali bo vsaka enota plasti povezana z vsako enoto prejšnje plasti ali ne.

Idealna arhitektura za določeno nalogo pogosto se pogosto izkaže kot posledica eksperimentiranja. Večje kot je število plasti, manj parametrov je potrebnih na vsaki plasti. Mreže delujejo bolje s splošnimi podatki, čeprav jih je zato težje optimizirati. Manj povezav bi pomenilo manj parametrov in manj računanja, vendar bi to zmanjšalo prilagodljivost mreže².

Učenje globoke nevronske mreže

Vzemimo primer usmerjene nevronske mreže z nadzorovanim učenjem. Informacije tečejo naprej od ene plasti k naslednji, globlji plasti, brez povratnih zank. Kot pri vseh tehnikah strojnega učenja je tudi tukaj cilj ugotoviti, kako so vhodi povezani z izhodi – kateri parametri se združijo in kako se združijo, preden ustvarijo rezultat. Predpostavimo razmerje f, ki povezuje vhod x z izhodom y. Nato uporabimo mrežo, da poiščemo niz parametrov θ, ki dajejo najboljše ujemanje za napovedane in dejanske izhodne vrednosti.

Pri tem je napoved za y končni rezultat, sklop podatkov x pa je vhod. Pri prepoznavanju obraza je x običajno sklop pikslov na sliki. y je lahko ime osebe. V mreži plasti delujejo podobno kot delavci v proizvodni liniji, kjer se vsak delavec loti tistega, kar mu je bilo dodeljeno, potem pa to posreduje naprej naslednjemu delavcu. Prvi delavec vzame vhodno vrednost in jo malo preoblikuje, nato jo da drugemu v liniji. Drugi naredi isto, nato preda tretjemu in tako naprej, dokler se vhodna vrednost ne preoblikuje v končni rezultat.

Matematično je funkcija f razdeljena na več funkcij f1, f2, f3… pri čemer je f = ….f3(f2(f1(x))). Plast poleg vhoda preoblikuje parametre vhoda z uporabo f1, naslednja plast z uporabo f2 in tako naprej. Programer lahko pri tem posreduje, tako da pomaga izbrati pravilno družino funkcij na podlagi poznavanja problema.

Naloga vsake plasti je, da dodeli raven pomembnosti – utež, ki jo dodeli vsakemu prejetemu parametru. Uteži so kot stikala, ki na koncu opredelijo razmerje med predvidenim izhodom in vhodom v določeni plasti³. V povprečnem sistemu globokega učenja je takšnih "stikal" na stotine milijonov, kot je tudi na stotine milijonov učnih primerov. Ker ne določamo, niti ne moremo videti izhodnih vrednosti in uteži v plasteh med vhodno in izhodno vrednostjo, se takšne plasti imenujejo skrite plasti.

Pri zgornjem primeru prepoznavanja predmeta je naloga prvega "delavca" v globoki nevronski mreži, da zazna robove in jih preda drugemu delavcu, ki bo zaznal obrobe, in tako naprej.

V fazi učenja se napovedana izhodna vrednost primerja z dejansko izhodno vrednostjo. Če med njima obstaja velika razlika, je treba toliko bolj spremeniti uteži, dodeljene v vsaki plasti. Če je razlika majhna, je potrebno le malo prilagoditi vrednosti uteži. Ta proces poteka v dveh delih. Najprej se izračuna razlika med napovedjo in rezultatom (izhodom), nato pa drug algoritem izračuna, kako prilagoditi uteži v vsaki plasti, začenši z izhodno plastjo (v tem primeru informacije tečejo nazaj iz globljih plasti). Tako je na koncu procesa učenja mreža z vsemi svojimi utežmi in funkcijami pripravljena za "napad" na testne podatke. Preostali del procesa je enak kot pri klasičnem strojnem učenju.

¹ Chomsky, N., Roberts, I., Watumull, J., Noam Chomsky: The False Promise of ChatGPT, The New York Times, 2023.

² Goodfellow, I.J., Bengio, Y., Courville, A., Deep Learning, MIT Press, 2016.

³ LeCun, Y., Bengio, Y., Hinton, G., Deep learning, Nature 521, 436–444 (2015).

• urejevalniki besedil,
• samodejni predlogi za slovnične in pravopisne popravke,
• samodejno zapolnjevanje podatkov,
• optično prepoznavanje znakov (OCR).

V zadnjem času imajo na vseh področjih življenja velik vpliv predvsem klepetalni roboti, pametni/hišni/osebni asistenti in prevajalniki.

Dolgo časa je raziskave in industrijo na tem področju upočasnjevala imanentna kompleksnost jezika. Ob koncu 20. stoletja so slovnice (rezultat dela področnih strokovnjakov) različnih jezikov vsebovale tudi do 50.000 pravil. Takšni ekspertni sistemi so nakazovali možnost izboljšav s pomočjo tehnologije, vendar so bile zanesljive (univerzalne) rešitve prezapletene za razvoj.

Po drugi strani je tehnologija prepoznavanja govora zahtevala obdelavo akustičnih podatkov in njihovo pretvorbo v besedilo. Ob vsej raznolikosti govorcev je bil to zares trd oreh.

Raziskovalci so dojeli, da bo to lažje izvedljivo s pomočjo modela jezika. Če model pozna besedišče izbranega jezika in pravila za tvorjenje stavkov, bo iz serije predlogov lažje izbral tisti pravi stavek, ki bo ustrezal zapisanemu/izrečenemu, oz., lažje bo izbral prevodno ustreznico izmed niza možnih zaporedij besed.

Drug ključni vidik pri tem je semantika (pomenoslovje). Največ, kar lahko tehnologija stori pri reševanju jezikovnih vprašanj, je pravzaprav površinske narave: algoritem predlaga odgovor na podlagi določenih skladenjskih pravil. Nič zato, če na koncu besedilo nima nobenega smisla. Podobno bi se lahko zgodilo pri branju besedil učencev - če bi samo popravljali napake, ne da bi zares razumeli, o čem besedilo govori. Bistvo je v seveda v pomenu, ki ga pripišemo besedilom oz. izrečenim besedam.

Leta 2008 je prišlo do preboja¹: ustvarjen je bil edinstven jezikovni model, ki se je učil iz velikanske količine podatkov in ga je postalo mogoče uporabiti za različne jezikovne naloge. Dejansko je deloval bolje kot modeli, ki so bili naučeni izvajati posamezne od teh nalog.

Ta model je bil globoka nevronska mreža. Čeprav ni bila niti približno tako globoka kot mreže, ki se uporabljajo danes, so bili rezultati dovolj prepričljivi, da so raziskovalci pričeli verjeti, da bo strojno učenje, natančneje globoko učenje, odgovor na številna vprašanja glede NLP.

Od takrat tehnologije NLP niso več sledile pristopu na osnovi modelov, temveč se je uveljavil pristop, ki temelji na podatkih.

Jezikovne naloge v tem smislu razdelimo na dva sklopa: tiste, ki vključujejo ustvarjanje modelov, in tiste, ki vključujejo dekodiranje.

Ustvarjanje modelov

Če želite prepis (transkripcijo), odgovor na vprašanje, dialog ali prevod, morate najprej vedeti, ali je npr. stavek “Je parle Français” res legitimen stavek v francoščini ali ne. In ker pri govorjenem jeziku slovnična pravila niso vedno natančno upoštevana, bo odgovor izražen z verjetnostjo: stavek je bolj ali manj francoski. Na podlagi tega tudi sistem pripravi različne predloge stavkov (transkripcijo slišanega, prevod stavka itd.), in verjetnost ustreznosti tudi razvrsti (oceni). Uporabnik nato lahko izbere stavek z najvišjo oceno (tj. z najvišjo verjetnostjo ustreznosti) ali pa to informacijo kombinira z drugimi viri informacij (pomen stavka).

Prav to počnejo jezikovni modeli: verjetnosti izračunajo na podlagi algoritmov strojnega učenja. In seveda, čim več podatkov je na voljo, tem bolje. Za nekatere jezike je na voljo veliko podatkov, na podlagi katerih lahko ustvarimo jezikovne modele, pri drugih jezikih pa ni tako.

Za nalogo prevajanja nista potrebna dva, temveč trije modeli: jezikovni model za vsakega izmed obeh jezikov in še en model za prevode, ki nam pove, kateri prevodi fragmentov jezika so boljši oz., ustreznejši. Takšne modele je težko izdelati, če je podatkov malo. Medtem, ko je modele za pogoste "jezikovne pare" lažje izdelati, to ne velja za jezike, ki se ne uporabljajo pogosto "v paru" (npr., portugalščina in slovenščina). Tipična rešitev pri tem je uporaba/prevajanje preko vmesnega jezika (običajno angleščine): iz portugalščine v angleščino in nato iz angleščine v slovenščino. To seveda vodi do manj ustreznih rezultatov, saj se napake kopičijo.

Dekodiranje

Dekodiranje je proces, pri katerem algoritem sprejme vhodno zaporedje (v obliki signala ali besedila) in na podlagi informacij, ki jih vsebuje model, sprejme odločitev, pogosto v obliki izhodnega besedila. Pri tem je treba upoštevati določene zakonitostmi algoritmov: transkripcija in prevajanje morata običajno potekati v realnem času, zato je pri tem ključno vprašanje zmanjševanje časovnega zaostanka. Prostora za delovanje UI je tu veliko.

Celovit pristop

Procese ločenega ustvarjanja in kasneje kombiniranja teh komponent je danes nadomestil celovit pristop, pri katerem sistem zapiše/prevede/interpretira vhodne podatke s pomočjo edinstvenega modela. Trenutno se taki modeli učijo s pomočjo izjemno zapletenih globokih nevronskih mrež: največji model GPT3 naj bi obsegal več sto milijonov parametrov.

Poskusimo poenostaviti: predpostavimo, da imamo določene podatke. Te surove podatke lahko na poljuben način zakodiramo. Toda kodiranje je lahko redundantno in morda celo zelo drago. Zato izdelamo posebno napravo, samodejni kodirnik (slika desno). Stroj prvotno besedilo prenese v majhen vektor (kodirnik), nato pa vektor razširi (dekodirnik) in ponovno vzpostavi besedilo, ki je nekako blizu prvotnemu besedilu. Ideja je v tem, da ta mehanizem ustvari zelo koristen vmesni vektor - zaradi dveh zaželenih lastnosti: je majhen, in "vsebuje" informacije o prvotnem besedilu.

Prihodnost

Verjetno bodo takšni celoviti pristopi kmalu omogočali, da bo vmesnik (1) slišal in prepoznal, kateri jezik govorite, (2) zapisal izgovorjeno besedilo, (3) ga prevedel v jezik, ki ga ne poznate, (4) usposobil sistem za sintezo govora za prepoznavanje vašega glasu in (5) z vašim glasom prebral ustrezno prevedeno besedilo v drugem jeziku. Na posnetkih spodaj si oglejte dva primera, ki so ju zasnovali raziskovalci na Universidad Politecnica de Valencia v Španiji, v katerih je za sinhronizacijo uporabljen model lastnega glasu govorca.

Vpliv na izobraževanje

Stalen napredek obdelave naravnega jezika je izjemen. Če smo se še samo deset let nazaj smejali neumnim prevodom, ki jih je predlagala UI, danes pri tem vse težje najdemo grobe napake. Hitro se izboljšujejo tudi tehnike prepoznavanja govora in znakov.

Semantični izzivi so še vedno prisotni in odgovarjanje UI na vprašanja, ki zahtevajo poglobljeno razumevanje besedila, še vedno ne deluje pravilno. Vendar gredo stvari v pravo smer. To pomeni, da morajo učitelji pričakovati, da bodo nekatere od naslednjih trditev kmalu postale resnične, če že niso.

• Učenec vzame zahtevno besedilo in (s pomočjo UI) generira poenostavljeno različico; besedilo bo lahko celo povsem prilagojeno in bodo v njem uporabljeni izrazi, besede in pojmi, ki bi jih pričakovali od dotičnega učenca;
• učenec bo lahko na podlagi danega besedila generiral drugačno besedilo, ki bo govorilo o isti temi, vendar ga orodje za preprečevanje plagiatorstva ne bo zaznalo kot plagiat;
• videoposnetki v kateremkoli jeziku bodo dostopni s samodejno sinhronizacijo v kateremkoli drugem jeziku: to pomeni, da učenci ne bodo izpostavljeni le učnemu gradivu, zasnovanem in izdelanem v njihovem maternem jeziku, temveč tudi gradivu, ki je bilo prvotno zasnovano za drug učni sistem, za drugo kulturo;
• pisanje esejev bi lahko postalo stvar preteklosti, saj bodo orodja UI omogočala pisanje sestavkov na katerokoli temo.

Jasno je, da UI pri teh opravilih vsaj na začetku še zdaleč ne bo popolna in da bo strokovnjak vedno odkril, da četudi je raba jezika pravilna, tok misli morda ni (koherenten). Toda povejmo pošteno: koliko časa pa za to v celotnem procesu izobraževanja potrebujejo naši dijaki in študenti?

¹ Collobert, Ronan, and Jason Weston. “A unified architecture for natural language processing: Deep neural networks with multitask learning.” Proceedings of the 25th international conference on Machine learning. 2008. http://machinelearning.org/archive/icml2008/papers/391.pdf. Note: this reference is given for historical reasons. But it is difficult to read!

V širšem smislu se človeško delovanje nanaša na sposobnost posameznikov, da delujejo neodvisno, pri čemer izbirajo med različnimi možnostmi na podlagi lastnih prepričanj, vrednot in ciljev. Povedano drugače, gre za sposobnost ljudi, da sprejemajo odločitve ter začnejo in izvedejo dejanja, ki vplivajo na njihova življenja in svet okoli njih. Človeško delovanje vključuje več razsežnosti: namero (zavestno delovanje z določenim ciljem ali smotrom v mislih), avtonomijo (neodvisnost, samoodločanje in svoboda izbiranja / sprejemanja odločitev, ki odražajo posameznikove želje, vrednote in cilje), prilagodljivost (sposobnost učenja, spreminjanja vedenja in uspešnega delovanja kot odgovor na spreminjajoče se okoliščine) in odgovornost (etična in moralna razsežnost delovanja: prevzemanje odgovornosti za posledice svojih odločitev in dejanj).

Človeško delovanje je ključnega pomena za osebnostno rast in uspešno življenje. Posameznike opolnomoči, da oblikujejo svoja življenja in vplivajo na svet okoli sebe. Spodbuja občutek nadzora in učinkovitosti ter je povezano z višjimi stopnjami psihološke dobrobiti. Ko posamezniki čutijo, da imajo nadzor nad svojim življenjem in se lahko smiselno odločajo, torej, ko čutijo, da zares pristno in aktivno delujejo, bodo bolj verjetno izkusili zadovoljstvo in izpolnitev. Kot razlaga eden od vodilnih raziskovalcev na tem področju: "Če ljudje ne verjamejo, da lahko s svojimi dejanji dosežejo želene učinke, niso motivirani za ukrepanje ali vztrajanje v težavnih okoliščinah"³.

V izobraževalnih kontekstih se človeško delovanje nanaša na sposobnost učencev in učiteljev, da sprejemajo odločitve, delujejo avtonomno in prevzamejo nadzor nad poučevanjem in učenjem v razredu. Poudarek je na vlogi posameznikov pri oblikovanju izobraževalnih poti, sprejemanju odločitev o tem, kaj, kako in zakaj se učiti. Človeško delovanje v izobraževalnih kontekstih vključuje več dejavnikov. Na primer, učenčevo delovanje je mogoče izboljšati, če se ga ne obravnava kot pasivnega prejemnika znanja, ampak kot aktivnega udeleženca učnega procesa, ki ima avtonomijo, da raziskuje teme, ki ga zanimajo, postavlja vprašanja, si zastavi lastne akademske cilje ter prevzame odgovornost za svoje učenje. Krepitev učenčevega delovanja vključuje tudi spodbujanje veščin reševanja problemov in kritičnega razmišljanja (osredotočenost na resnične probleme) skupaj z veščinami samonadzora (upravljanje s časom, določanje prioritet in samonadzorovanje napredka), kar je nepogrešljivo za razvoj neodvisnih in samostojnih posameznikov ter za uspešnost v akademskem in zasebnem življenju. Medtem ko imajo učitelji osrednjo vlogo pri podpori in krepitvi učenčevega delovanja, človeško delovanje v izobraževalnih kontekstih vključuje tudi delovanje samih učiteljev, ki priznavajo njihovo predmetno in pedagoško strokovnost ter profesionalnost, kar jim omogoča, da se odločijo, kako najbolje izvajati svoje poučevanje in podpirati svoje učence.

Naslednje vprašanje je torej, kakšen vpliv ima UI na človeško delovanje? Vsak vpliv ima lahko pozitivne in negativne učinke. Na primer, nekatere tehnologije UI omogočajo izvajanje določenih enostavnih, repetitivnih nalog, kar ljudem omogoča, da se osredotočajo na bolj ustvarjalne vidike svojega dela in drugače razporedijo svoj čas in delo, s čimer v splošnem izboljšajo svoje aktivno delovanje. Po drugi strani pa bi lahko imela uporaba takšnih tehnologij na dolgi rok za posledico izgubo določenih veščin ali strokovnega znanja. Če postajajo posamezniki na dolgi rok vse bolj odvisni od UI, se njihova možnost izbire zmanjšuje, to pomeni da njihovo 'aktivno delovanje' začne pešati. Pogosto slišimo tudi, da UI tehnologije personalizirajo interakcije uporabnikov pri različnih storitvah (npr. spletne video- in nakupovalne platforme ipd.), tako da jim ponujajo predloge, prilagojene njihovim željam, kar naj bi okrepilo njihov občutek aktivnega delovanja. Toda, če na to pogledamo bolj kritično, vidimo, da je takšna personalizacija v resnici bolj prilagojena potrebam ponudnika in njegovih oglaševalcev kot pa uporabniku. Posameznikov občutek 'aktivnega delovanja' je tako zgolj maska za resničnost – v resnici pa gre tu za okrnjenje aktivnega delovanja, saj ti "personalizirani" predlogi uporabnika pravzaprav silijo v točno določene smeri. Tretjič, z UI podprte analize omogočajo vpogled v določene podatke in razkrijejo vidike, ki sicer morda ne bi bili na voljo, in tudi to naj bi krepilo moč človeškega odločanja in aktivnega delovanja. Toda znano je, da sistemi UI dedujejo in ohranjajo predsodke, ki jih vsebujejo učni podatki, kar lahko vodi do nepoštenih in diskriminatornih rezultatov in s tem zmanjšanja aktivnega človeškega delovanja na račun omejenih možnosti. Tehnologije, podprte z UI, ali vsaj način, na katerega se uporabljajo v praksi, imajo lahko tudi druge negativne vplive na aktivno človeško delovanje. Na primer, široka uporaba UI za spremljanje (nadzor), ali odločanje, ki je prepuščeno izključno sistemom UI - vse to vzbuja pomisleke glede zasebnosti, omejuje izbiro dejanj in lahko povzroča občutke nemoči ali odvisnosti od tehnologije in s tem spodkopava posameznikovo aktivno delovanje.

Kako pa je z vplivom AIED na delovanje učencev in učiteljev?

To vprašanje je povezano z več vidiki. Če učenci pogosto uporabljajo UI tehnologije, lahko zelo hitro postanejo preveč odvisni od priporočil, predlogov, takojšnjih povratnih informacij in instatno ponujenih "rešitev". Zato zamujajo priložnosti za razvoj kritičnega mišljenja, neodvisnega reševanja problemov, samorefleksije, samonadzora in metakognitivnih veščin, vse to pa zmanjšuje učenčevo aktivno delovanje v smislu nezavedanja o prednostih lastnega učenja. Drugič, večina sistemov AIED ponuja strogo preskriptivne učne poti, ki učencem ne puščajo veliko prostora za raziskovanje lastnih interesov, kar omejuje njihovo aktivno delovanje, saj jim narekuje točno kaj, kdaj in kako naj se učijo, hkrati pa zmanjšuje njihovo izpostavljenost različnim perspektivam, pogledom in drugim interesnim področjem. Tretjič, sistemi AIED običajno spremljajo vedenje učencev, kar lahko povzroča občutke nadzorovanosti in okrnjene avtonomije ter dovoljuje možnost ogrožanja zasebnosti učencev, zaradi česar postanejo zadržani pri svobodnem izražanju. Četrtič, priporočila sistemov UI lahko nehote zožijo prizadevanja učencev, kar omejuje njihovo delovanje pri doseganju ciljev, ki so si jih sami določili. Petič, tehnologije UI za ocenjevanje imajo prevelik poudarek na standardiziranem preizkušanju znanja (in s tem na učenju samo za teste). Dodajmo še, da noben sistem UI ni sposoben razumeti oz. razločiti nians v učenčevem delu, s čimer se zmanjša učenčevo delovanje v procesu ocenjevanja in ga odvrača od ustvarjalnega ali nekonvencionalnega razmišljanja.

Z vidika učiteljev, uporaba tehnologij UI v učilnicah zagotovo vpliva na izbiro učnega načrta, učnih vsebin in pedagoškega pristopa, s čimer zmanjšuje pomembnost vloge učiteljev in jim daje občutek, da tehnologija podcenjuje ali celo preglasi njihovo strokovno presojo. Torej lahko orodja AIED potencialno razvrednotijo učitelje in jih spremenijo v tehnološke posrednike in nadzornike vedenja, to pa je radikalno drugače od tega, kar naj bi počeli dobri učitelji. Orodja AIED lahko imajo negativen vpliv tudi na aktivno delovanje učiteljev v smislu vzpostavitve pristnih odnosov z učenci, ki so ključni za učinkovito izobraževanje. Zanašanje na izračune sistemov UI lahko ustvari pritisk na učitelje, da se konformistično prilagodijo procesom odločanja, ki temeljijo na podatkih, kar lahko privede do manjšega poudarka na celostnem razvoju učencev.

Vprašajmo se torej, kaj bi bilo treba storiti, da bi spodbudili in/ali ohranili aktivno delovanje učencev in učiteljev, saj so zmogljive tehnologije UI v učilnicah vedno bolj dostopne. Če povzamemo na kratko, učiteljem je treba omogočiti priložnosti, ki spoštujejo njihovo aktivno delovanje, kar jim bo omogočilo sprejemati odločitve v soglasju z njihovim strokovnim znanjem in specifičnimi potrebami učencev. Učenci pa potrebujejo priložnosti za razvoj kritičnega mišljenja, samoregulacije, metakognitivnih veščin, avtonomije, prilagodljivosti in odgovornosti – bodisi z uporabo ustreznih, učinkovitih in varnih tehnologij UI, ali brez njih.

¹ Anderson et al., Artificial intelligence and the future of humans, Pew Research Center, 2018

² Holmes et al., Artificial intelligence and Education, A critical view through the lens of human rights, democracy and the rule of law, Council of Europe, p. 34, 2022

³ Bandura, A., Toward a Psychology of Human Agency: Pathways and Reflections, Perspectives on Psychological Science, 13(2), 130-136, 2018

Veliko denarja, računalniških virov, časa in truda je vloženega v ustvarjanje sklopov podatkov, meril in algoritmov za strojno učenje. To še posebej velja za globoko učenje in obsežne modele. Zato je smiselno, da se ustvarjeni viri znotraj teh ekosistemov adelijo. To velja za številne sisteme strojnega učenja, ki jih pogosto uporabljamo. Tudi če gre za različne končne produkte, ki so jih ustvarila različna podjetja, so jim metodologija, sklopi podatkov, knjižnice strojnega učenja in vrednotenja pogosto skupne¹. Zato so njihovi rezultati pod podobnimi pogoji podobni.

Če je rezultat strojnego učenja izobraževalna odločitev, je to lahko, seveda, skrb zbujajoče za učenca, ki je bil neupravičeno prikrajšan za določeno priložnost za izobraževanje¹. Toda ali gre pri algoritemski homogenizaciji za krivico, lahko ugotavljamo le za vsak posamezen primer posebej¹.

Če pa je naloga sistema npr. pomagati učencu pri pisanju, to postavlja v središče standardizacijo stilov pisanja, besedišča in s tem vzorcev mišljenja. Jezikovni modeli, uporabljeni v takšnih primerih, predvidijo najverjetnejše besedile na podlagi sklopa učnih podatkov, na katerem so se učili. Ti sklopi podatkov, če že niso skupni sistemom, so zgrajeni na podoben način, pogosto s pomočjo javnih podatkov, dostopnih na internetu. Toda tudi če so ti podatki pregledani v smislu pristranskosti, predsodkov in skrajnih vsebin, predstavljajo le majhen ekosistem in ne celega sveta z vsemi raznolikimi idejami, kulturami in praksami. Dokazano je, da sistemi za predvidevanje besedil, ki temeljijo na globokem učenju in se uporabljajo za SMS sporočila in e-pošto, spreminjajo način, kako ljudje pišemo: jezik postaja "bolj zgoščen, bolj predvidljiv in manj bogat"².

Nevidnost

Z negativnimi posledicami strojnega učenja vključno z zgoraj opisano homogenizacijo, je tesno povezano dejstvo, da so tehnologije postale tako napredne, da je vmesnik človek-stroj brezšiven in praktično neviden. Ne glede na to, ali gre za iskalnike, ki so integrirani v naslovno vrstico okna brskalnika, ali za intuitivno predvidevanje besedila brez časovnega zamika med pisanjem, predvidevanjem in izbiro predlogov, pogosto delujemo pod vplivom tehnologije, ne da bi se tega zavedali ali imeli imeli možnost zadeve upočasniti in o njih ponovno razmisliti ter sprejeti lastno odločitev. Še več, ko uporaba tehnologij pri sprejemanju odločitev postane navada, ponavadi povsem pozabimo, da te tehnologije sploh obstajajo⁴. "Ko se navadimo na tehnologije, jih nehamo opazovati in namesto tega gledamo le še skoznje, v iskanju informacij ali aktivnosti, ki nam jih njihova uporaba omogoča." To vzbuja tako zelo resne pomisleke glede aktivnega človeškega delovanja, transparentnosti in zaupanja, da nekateri strokovnjaki priporočajo, zlasti ko gre za mlade ume, naj postanejo vmesniki vidnejši in celo bolj togi⁴.

Onkraj: v smeri etične UI

V tem priročniku ves čas govorimo o pedagoških, etičnih in družbenih vplivih UI, zlasti na podatkih temlječe UI (oglejte si poglavja: V ozadju: učinki spletnega iskanja na posameznika, Težave s podatki: osebna identiteta ter Človeško delovanje). Težave z iskalniki smo obravnavali v poglavjih V ozadju: učinki spletnega iskanja na posameznika / družbo; o prilagodljivih učnih sistemih smo govorilli v poglavju Druga plat prilagodljivih učnih sistemov; o generativni UI v poglavju Degenerativna UI. Na več mestih v opisujemo ukrepe za izboljšanje določenih težav v učilnici. Upamo, da bodo ti ukrepi vse manj potrebni z razvojem zanesljivih etičnih sistemov UI za izobraževanje. Etična UI bi morala biti razvita, uvedena in uporabljana v skladu z etičnimi normami in načeli⁵ ter bi morala biti odgovorna in odporna.

Ker prepuščamo toliko moči modelom UI in njihovim programerjem, prodajalcem in ocenjevalcem, je edino razumno, da od njih zahtevamo transparentnost ter prevzemanje odgovornosti za napake, ko gre kaj narobe⁶. Potrebujemo sporazume o ravni storitev (SLA), v katerih bodo jasno opisani "podporne in vzdrževalne storitve ter koraki, ki jih je treba sprejeti za reševanje prijavljenih težav"⁵.

Odporna UI bi sprejela svoje nepopolnosti, jih predvidela in kljub njim vseeno delovala. Pri odpornih sistemih UI bi se pojavljale predvidljive napake in obstajali bi protokoli za obravnavo takšnih napak⁶.

V izobraževanju bi morala etično UI voditi na uporabnika osredotočena načela oblikovanja, in upoštevani bi morali biti vsi vidiki izobraževanja⁷. Učitelji bi morali imeti možnost preverjati njeno delovanje, razumeti njene razlage, preglasiti njene odločitve ali začasno ustaviti njeno uporabo⁸. Takšni sistemi bi razbremenili učitelje, jim omogočili podroben vpogled v učence in jih podpirali pri izvajanju bolj kakovostnega izobraževanja⁸. Uporabnikom in okolju ne bi povzročali škode ter bi izboljšali socialno in čustveno dobrobit učencev in učiteljev⁵.

Dokler pa ta čas ne nastopi, se bodo morali učitelji truditi razvijati in aktivno sodelovati v skupnosti sodelavcev, da bi ozaveščali druge in sebe o tej problematiki, delili izkušnje in najboljše prakse ter prepoznali zanesljive ponudnike storitev UI. V svoje razprave in odločitve bi lahko vključili učence in starše, da bi skupaj bolje obravnavali različne pomisleke v okoljih, prežetih z zaupanjem in kolegialnostjo. Vsekakor učiteljem priporočamo, da se po svojih najboljših močeh trudijo biti na tekočem z najnovejšimi trendi na področju AIED in pridobivajo kompetence, kadarkoli in kjerkoli je to mogoče⁵.

¹ Bommasani, R., et al, Picking on the Same Person: Does Algorithmic Monoculture lead to Outcome Homogenization?, Advances in Neural Information Processing Systems, 2022

² Varshney, L., Respect for Human Autonomy in Recommender System, 3rd FAccTRec Workshop on Responsible Recommendation, 2020

³ Holmes, W., Miao, F., Guidance for generative AI in education and research, Unesco, Paris, 2023

⁴ Susser, D., Invisible Influence: Artificial Intelligence and the Ethics of Adaptive Choice Architectures, Proceedings of the 2019 AAAI/ACM Conference on AI, Ethics, and Society, Association for Computing Machinery, New York, 403–408, 2019

⁵ Ethical guidelines on the use of artificial intelligence and data in teaching and learning for educators, European Commission, October 2022

⁶ Schneier, B., Data and Goliath: The Hidden Battles to Capture Your Data and Control Your World, W. W. Norton & Company, 2015.

⁷ Tlili, A., Shehata, B., Adarkwah, M.A. et al, What if the devil is my guardian angel: ChatGPT as a case study of using chatbots in education, Smart Learning Environments, 10, 15 2023

⁸ U.S. Department of Education, Office of Educational Technology, Artificial Intelligence and Future of Teaching and Learning: Insights and Recommendations, Washington, DC, 2023.

Konec novembra 2022 je bil svetu predstavljen sistem ChatGPT, na UI zasnovan sistem klepetalnih robotov, utemeljen na jezikovnem modelu GPT-3.5, ki uporablja obdelavo naravnega jezika (NLP) za generiranje pogovorov¹. Sistem ChatGPT je zadnji v celi vrsti takih orodij, vendar je za razliko od prejšnjih orodij pritegnil zanimanje javnosti in začel buriti človeško domišljijo. Že v prvem tednu po prihodu na tržišče je pridobil več kot milijon uporabnikov, zaradi človeku podobne sposobnosti generiranja besedil in potencialnih posledic uporabe v izobraževanju, na delovnih mestih in v vsakdanjem življenju. ChatGPT odgovarja na vprašanja in uporabniku pomaga pri nalogah, kot so pisanje e-poštnih sporočil, esejev in računalniških kod².

GPT-3 (Generative Pre-trained Transformer-3) je velik jezikovni model (LLM), ki se je učil s pomočjo globokega učenja na ogromni količini podatkov (499 milijard podatkovnih točk – 800 GB podatkov), približno stokrat večji model kot kateri koli prejšnji modeli³, ChatGPT pa s tem modelom omogoča "človeški" klepet. Povedano zelo preprosto, velik jezikovni model se nauči predvideti naslednjo besedo v stavku, na podoben način, kot to počne funkcija predvidevanja naslednje besede pri SMS sporočilih, in nato nadaljuje s tem procesom ter tako ustvari daljša besedila.

Od njenega prihoda je prišlo do številnih sprememb v zvezi z ustvarjanjem in razvojem orodij generativne UI, nekatere od teh so prikazane na sliki zgoraj. Pred novembrom 2022 je zelo malo ljudi vedelo, kaj sploh je generativna UI, nato pa je ChatGPT kar naenkrat postal vsakdanji izraz za milijone ljudi, zlasti za vse delujoče v izobraževanju. Smernice kažejo, da se bodo te tehnologije še naprej razvijale in postajale vedno bolj uporabne za vse delavce na področju izobraževanja.

Generativna UI – kaj je to?

Sistemi generativne UI ustvarjajo nove vsebine v obliki slik, besedil, zvoka, videoposnetkov, zmorejo pa še več ko to, na primer:

• ustvarjanje nove slike na podlagi obstoječe, npr. ustvarjanje novega portreta na podlagi obstoječe slike obraza ali nove pokrajine na podlagi obstoječe slike pokrajine;
• pisanje novic, poezije in celo scenarijev. Tudi prevajanje besedil iz enega jezika v drugega;
• ustvarjanje novih glasbenih posnetkov, zvočnih učinkov in glasovne sinhronizacije⁴.

Seznam opravil se daljša. A začeli bomo tako, da bomo nekaj orodij generativne UI vprašali, kako je ChatGPT dobil svoje ime.

Kaj se skriva v imenu?

Izbranim orodjem (Bing Chat, ChatGPT 3.5 in Google Bard) smo postavili naslednjo iztočnico (tudi: poziv, vprašanje, angl. prompt):

Tole je ustvaril Bing Chat:

Ta orodja nam torej omogočajo pisanje iztočnic in nato pogovor (odtod izraz pogovorna UI) s sistemom ChatBot. Obstaja čedalje več načinov, mnoge med njimi naslavljamo tudi v tem priročniku, kako lahko ta orodja pomagajo učencem ter učiteljem in drugim zaposlenim v izobraževanju. Omogočajo seveda tudi pogovor oz. klepet, zato razmislite o načinih, ki bi lahko bili v pomoč vam ali vašim učencem – s sistemom lahko klepetate o temi, ki jo morate raziskati, ali se pripravite na razgovor za službo, ali ustvarite zamisel za učno uro ali raziskovalno nalogo. Zanimivo je primerjati in razlikovati rezultate različnih sistemov pogovorne UI in nato izbrati najboljše glede na namen.

Ta orodja lahko torej "oplemenitijo" vaše delo ali vam pomagajo, da postanete bolj ustvarjalni, produktivni ali učinkoviti, s tem da združite svoje umske sposobnosti s sposobnostmi stroja. Zabavajte se ob učenju, kako klepetati s temi orodji in se prepričajte o tem, kaj ustvarjajo in ali so uporabna za vas in vaše učence.

Generativna UI v številkah⁵

Na sliki spodaj⁶ je prikazan porast uprabe sistema ChatGPT med novembrom 2022 in majem 2023. V prvem tednu po uvedbi je pridobil milijon uporabnikov. Za primerjavo omenimo, da je Netflix potreboval 3,5 leta, da je dosegel podoben mejnik, Twitter pa dve leti⁷.

Čeprav je ChatGPT dosegel vrhunec maja 2023, še naprej ohranja svojo priljubljenost skupaj z drugimi orodji generativne UI, kot sta Bing Chat in Bard, katerih priljubljenost prav tako narašča. Bing Chat je začel postajati vse bolj priljubljen za tem, ko je podjetje Microsoft marca 2023 kupilo ChatGPT, pa tudi Bard še naprej pridobiva privržence.

Namen tega poglavja je, da vam pomagamo pri ocenjevanju, izbiri in izvajanju takšnih aktivnosti.

Zaradi hitrosti razvoja s tem povezanih tehnologij in glede na to, da se učni uspeh spreminja od predmeta do predmeta in od konteksta do konteksta, vseh vprašanj, ki jih mora učitelj zastaviti, ni mogoče našteti vnaprej. Vseeno upamo, da vas bomo spodbudili k razmišljanju, v skladu z znanimi smernicami in raziskavami ter študijami primerov.

V tem priročniku obravnavamo samo tiste aktivnosti, pri katerih z generativno UI sodeluje učitelj, ne pa tudi učenec. Več o razlogih za to si preberite na povezavi v okvirčku.

Tudi če niste prepričani, da bi morala imeti orodja generativne UI svoje mesto v izobraževanju, vas vabimo, da preizkusite vsaj eno aktivnost, ki uporablja to tehnologijo. Morda vam bo to pomagalo:

• razumeti, kaj omogočajo in česa ne omogočajo orodja generativne UI;
• preoblikovati ali drugače razporediti elemente učnih ur, zlasti pri odločanju, kaj naj učencem naložite za domačo nalogo in česa ne. Na primer, ChatGPT se je izkazal za učinkovitega pri pomoči učencem pri pisanju esejev^1. Zato nemara ni najboljša ideja, da učenci standardne eseje pišejo doma. Morda boste morali uporabiti različne metode ocenjevanja, kot so skupinski projekti, praktične aktivnosti in ustne predstavitve, ter postavljati drugačna vprašanja kot tista, ki zahtevajo zgolj odgovor da ali ne¹;
• razumeti omejitve te tehnologije, da jo boste lahko uporabili za motiviranje učencev, da razvijejo svojo domišljijo in ustvarjalnost²;
• ne počutiti se zapostavljene, ko bo naslednja generacija teh tehnologij z naprednejšimi zmogljivostmi postala resničnost;
• uporabiti jih za zmanjšanje delovne obremenitve in raziskovanje novih tem, ki so bile prej morda preveč zamudne;
• izkoristiti nove filozofije in pristope k učenju, ki so zdaj možni;
• sooblikovati raziskave in razvoj izobraževalnih aplikacij³.

Obenem vam glede na novost te tehnologije in metod priporočamo, da podrobnosti vseh aktivnosti beležite v dnevnik. To vam bo pomagalo pri spremljanju in ocenjevanju kratkoročnih in dolgoročnih učinke vsake aktivnosti ter pri razpravljanju o vsem, kar boste opazili, s svojimi sodelavci.

Vprašanja o pedagogiki in praksi

Aktivnosti za izvedbo v učilnicah lahko predlaga kdorkoli. Predlogi lahko pridejo iz sveta tehnologije, brez razumevanja situacij v razredu. Ali pa je ideja dobra za študente, ne pa tudi za dijake. A tudi če je aktivnost primerna za vaš razred, vas lahko na dolgi rok preseneti, če ne bo podprta z dobro premišljeno pedagoško teorijo in potrditvijo v učilnici. Zato vas spodbujamo, da se pred vsako aktivnostjo vprašate o pedagogiki (teoriji) in praksi.

Vprašanja o generativni UI

V središču uporabe generativne UI so veliki jezikovni modeli (LLM) ali slikovni modeli (difuzijski modeli). Kot je dejal jezikoslovec Noam Chomsky, "grobo rečeno, [veliki jezikovni modeli] iščejo vzorce v ogromnih količinah podatkov in postajajo vse bolj spretni pri ustvarjanju statistično verjetnih rezultatov - kot sta, vsaj tako se zdi, človeškemu podoben jezik in način razmišljanja⁴." BERT, BLOOM, GPT, LLaMA in PaLM so vsi veliki jezikovni modeli. Slikovni modeli globokega učenja pa se imenujejo difuzijski modeli. Stable diffusion in Midjourney sta priljubljena primera slednjih.

Podjetje, ki je produkt razvilo, ali tretja oseba, lahko model LLM dodatno usposobi (natančno uravna) za posebne naloge, npr. za odgovarjanje na vprašanja ali povzemanje esejev. Lahko pa modelu LLM ali klepetalnemu robotu dodajo nekaj pozivov ali ga nadgradijo z obsežnim programiranjem ter nato rezultat predstavijo kot aplikacijski paket (Chatpdf, Elicit, Compose AI, DreamStudio, NightCafe, PhotoSonic, Pictory...).

Na ta način je OpenAI natančno uravnal svoj GPT3 in GPT4 z vzorci vprašanj in odgovorov ter s pravili o sprejemljivosti vsebine in tako je nastal ChatGPT. Googlova raziskovalna ekipa je učila model PaLM z znanstvenimi in matematičnimi podatki in nastala je Minerva. Ta jezikovni model je dosegel najboljše rezultate med aplikacijami jezikovnih modelov za reševanje kvantitativnih problemov sklepanja: rešiti je znal skoraj tretjino problemov na dodiplomski ravni v fiziki, biologiji, kemiji, ekonomiji in drugih vedah, ki zahtevajo kvantitativno sklepanje⁵.

Za natančno uravnavanje jezikovnega modela za uporabo v izobraževanju Ed-GPT bo potrebno dodajanje znanja o predmetih (temah) in odpravljanje pristranskosti².

Dejstvo, da je bil jezikovni model natančno uravnan za določeno nalogo ali pa ne, bo vplivalo na njegovo učinkovitost pri tej nalogi⁶. Glede na to, ali celoten paket zagotavlja eno samo podjetje (npr., OpenAI je lastnik ChatGPT), ali pa je model nadalje razvijalo drugo podjetje, vpliva na varnost in zasebnost podatkov. Ko raziskujete, se zato splača preučiti tako uspehe kot omejitve izbranega modela.

Vprašanja o primernosti za vašo učilnico

Tudi če lahko določena aktivnost doseže vse zadane cilje in je uporabljeno orodje generativne UI najboljše in najbolj etično med vsemi, ki so na voljo, bo aktivnost vseeno treba prilagoditi vaši učilnici. Kot pri vsakem orodju UI, boste morda morali narediti več ponovitev, preden boste dosegli zadane cilje². Morda boste potrebovali usposabljanje in prakso pri tehnikah postavljanja vprašanj (iztočnic, pozivov) in pri kritičnem ocenjevanju rezultatov¹. Celotna izkušnja naj bi bila nagrajujoča in v skladu z vašimi vrednotami učitelja.

¹ Tlili, A., Shehata, B., Adarkwah, M.A. et al, What if the devil is my guardian angel: ChatGPT as a case study of using chatbots in education, Smart Learning Environments, 10, 15 2023.

² Holmes, W., Miao, F., Guidance for generative AI in education and research, Unesco, Paris, 2023.

³ Becker, B., et al, Programming Is Hard - Or at Least It Used to Be: Educational Opportunities and Challenges of AI Code Generation, Proceedings of the 54th ACM Technical Symposium on Computer Science Education V. 1 (SIGCSE 2023), Association for Computing Machinery, New York, 500–506, 2023.

⁴ Chomsky, N., Roberts, I., Watumull, J., Noam Chomsky: The False Promise of ChatGPT, The New York Times, 2023.

⁵ Lewkowycz, A., Andreassen, A.,  Dohan, D. et al, Solving Quantitative Reasoning Problems with Language Models, Google Research, 2022.

⁶ Enkelejda, K., et al, Chatgpt for Good? on Opportunities and Challenges of Large Language Models for Education, EdArXiv, 2023.

Uporaba generativne UI za načrtovanje in zasnovo učnih ur

Si želite novih idej o tem, kako preoblikovati svoje učne ure, uvajati nove teme, vključevati nove aktivnosti ali oceniti rezultate teh aktivnosti^1,2? Bi radi preizkusili nov pedagoški pristop z uporabo novih tehnologij in materialov³? Klepetalni roboti vam pri vsem tem lahko pomagajo. Programska oprema vam lahko pomaga pri pisanju osnutkov učnih načrtov, učnih ciljev, navodil za aktivnosti, projektov in znanstvenih eksperimentov ter iztočnic za razprave⁴.

Namig: Koristno je, da vnaprej določite, katere teme in pristope boste obravnavali, kateri so cilji učne ure, ali gre za koncept ali postopek in kakšno vrsto poučevanja boste uporabili².

2. Uporaba generativne UI za pripravo privlačnih, multimodalnih in vključujočih vsebin na izbrano temo

Generativno UI lahko uporabite za:

• dodajanje vsebin, povezanih z lokalnimi dogodki, jezikom ali kulturo;
• vstavljanje atraktivnih pojasnjevalnih slik in videoposnetkov³;
• ustvarjanje in vključevanje zgodb, ki služijo kot podpora besedilu;
• izdelavo miselnih vzorcev;
• poudarjanje, parafraziranje in povzemanje pomembnih delov učne ure ter razlago besedišča⁶;
• manj abstrakten prikaz matematičnih in naravoslovjnih vsebin s pomočjo simulacij in z vključitvijo primerov iz drugih predmetov. Uporabno tudi pri predmetih, ki vključujejo znanje ročnih spretnosti (vizualizacija pomaga pri razvijanju in raziskovanju idej)⁷;
• prevode, ki bodo v pomoč govorcem manjšinskih jezikov².

3. Uporaba generativne UI za ustvarjanje primerov, praktičnih vaj in kvizov

Generativno UI lahko uporabite za:

• ustvarjanje tabel ali prikazov podatkov v drugačni obliki za uporabo v primerih in vajah;
• ustvarjanje praktičnih vaj in rešitev, zlasti za krepitev temeljnih veščin in komponent z nizkim znanjem⁸. Te lahko služijo kot referenca učencem, ki imajo težave z reševanjem nalog⁹;
• ustvarjanje razlag za rešitve (zlasti pri razlagah programskih kod)⁹;
• ustvarjanje večjega števila rešitev za isti problem pri matematiki ali programiranju. To učencem ne pomaga le pri učenju različnih pristopov, ampak tudi pri analizi različnih metod, njihovih prednosti in slabosti⁹.

Primer

Vir: Examining Science Education in ChatGPT: An Exploratory Study of Generative Artificial Intelligence⁵.

Aktivnost: Ustvarjanje rubrike za ocenjevanje

Orodje generativne UI: ChatGPT

Iztočnica (vprašanje, poziv): Ustvari rubriko, ki jo lahko učenci 7. razredov OŠ uporabijo za samooceno znanja o obnovljivih in neobnovljivih virih energije (dodatna zahteva glede oblikovanja: rubriko želimo preprosto kopirati v Word v pregledni obliki).

Rezultat:

[caption id="attachment_172" align="aligncenter" width="1024"] Rezultat sistema ChatGPT; vir: Examining Science Education in ChatGPT: An Exploratory Study of Generative Artificial Intelligence.[/caption]

Razmislek: Avtor iztočnice ugotavlja, da je ChatGPT ustvaril rubriko, v katero je sam vključil kriterije – razumevanje, raziskovanje, kritično razmišljanje in sodelovanje. Za vsak kriterij so bile označene tudi ravni, vendar so bili kazalniki za posamezen kriterij preveč nejasni.

Primer

Vir: The Robots Are Coming: Exploring the Implications of OpenAI Codex on Introductory Programming¹⁰.

Aktivnost: Ustvarjanje večjega števila rešitev (odgovorov) na vprašanje

Orodje generativne UI: Codex (generira kode v več programskih jezikih)

Iztočnica (vprašanje, poziv): Opis problema, kot ga zasledimo v različnih virih, in izpitna vprašanja na temo pisanja kod za učence.

Rezultat:

[caption id="attachment_173" align="aligncenter" width="321"] Rezultati učencev pri nadzorovanih testih (Test 1 in Test 2), učinkovitost Codexa (rdeča zvezdica). Vir: The Robots Are Coming: Exploring the Implications of OpenAI Codex on Introductory Programming.[/caption] Razmislek: Codex je na podlagi iste iztočnice ustvaril vrsto različnih kod, "pri tem je izpostavil določene metode v skladu s pričakovanji".

4. Povečanje dostopnosti

Raziščite generativno UI za izboljšanje dostopnosti za učence s fizičnimi ali učnimi težavami, zlasti za vse z okvarami sluha ali vida. Generativno UI lahko uporabite za ustvarjanje podnapisov in zvočnih opisov². V Unescovih Smernicah za uporabo generativne UI v izobraževanju in raziskovanju je zapisano, da "lahko modeli generativne UI tudi pretvorijo besedilo v govor in govor v besedilo, s čimer ljudem z motnjami vida, sluha ali govora omogočijo dostop do vsebin, postavljanje vprašanj in komunikacijo s svojimi vrstniki"². Prav tako vam lahko generativna UI pomaga preveriti, ali je vsebina, ki ste jo ustvarili, vključujoča in dostopna⁴.

Kritična presoja rezultatov

Če se odločite za uporabo generativne UI, morate biti pozorni na njene napake in pomanjkljivosti ter biti pripravljeni, da jih odpravite. Te vključujejo:

• netočnosti v vsebini: jezikovni model ni banka znanja ali iskalnik. Celo najnovejši modeli halucinirajo in navajajo dejstva in vire, ki so izmišljeni. Napake se prikradejo zlasti pri uporabi jezikovnih modelov za matematiko in kvantitativno sklepanje: tudi če je model natančno uravnan posebej za te teme, lahko ustvari napačne odgovore, računske napake in halucinacije "matematičnih dejstev"¹¹. Celo programiranje je lahko težavno, saj ima lahko ustvarjena koda napačno sintakso in varnostne težave⁹.
• pristranskost, ki se prikrade zato, ker so tudi podatki, na katerih so se ti modeli učili, vsebovali predsodke (pristranskost). Celo EdGPT, ki je bil v tem smislu že popravljen, jih morda še vedno vsebuje nekaj².
• učinkovitost, ki je zelo odvisna od uporabljenih iztočnic (vprašanj, pozivov), uporabniške zgodovine in včasih od nepredvidljivih dejavnikov.

Čeprav lahko generativna UI zmanjša obremenitev učiteljev in pomaga pri določenih nalogah, temelji na statističnih modelih, ki so nastali na podlagi ogromnih količin spletnih podatkov. Ti podatki ne morejo nadomestiti resničnega sveta, življenjskih okoliščin (kontekstov) in odnosov. ChatGPT ne more opisati konteksta ali razložiti, kaj dejansko vpliva na učenčevo vsakdanje življenje⁴. Ne more ponuditi novih idej ali rešitev za izzive v resničnem svetu².

Zmogljivost generativne UI ni niti blizu zmožnostim človeškega uma – še posebej v smislu tega, kar lahko človek razume in naredi z omejenimi podatki. "Največja pomanjkljivost generativne UI je sicer odsotnost najbolj ključne zmogljivosti kakršnekoli inteligence: povedati ne le, kaj se dogaja, kaj se je zgodilo in kaj se bo zgodilo – to je opisovanje in napovedovanje – temveč tudi, kaj se ni zgodilo ter kaj bi se lahko zgodilo in kaj se ne bi moglo zgoditi¹²".

¹ Tlili, A., Shehata, B., Adarkwah, M.A. et al, What if the devil is my guardian angel: ChatGPT as a case study of using chatbots in education, Smart Learning Environments, 10, 15 2023.

² Holmes, W., Miao, F., Guidance for generative AI in education and research, Unesco, Paris, 2023.

³ Enkelejda, K., et al, Chatgpt for Good? on Opportunities and Challenges of Large Language Models for Education, EdArXiv, 2023.

⁴ Trust, T., Whalen, J., & Mouza, C., Editorial: ChatGPT: Challenges, opportunities, and implications for teacher education, Contemporary Issues in Technology and Teacher Education, 23(1), 2023.

⁵ Cooper, G., Examining Science Education in ChatGPT: An Exploratory Study of Generative Artificial Intelligence, Journal of Science Education and Technology, 32, 444–452, 2023.

⁶ Kohnke, L., Moorhouse, B. L., & Zou, D., ChatGPT for Language Teaching and Learning, RELC Journal, 54(2), 537-550, 2023.

⁷ Vartiainen, H., Tedre, M., Using artificial intelligence in craft education: crafting with text-to-image generative models, Digital Creativity, 34:1, 1-21, 2023.

⁸ Bhat,S., et al, Towards automated generation and evaluation of questions in educational domains, Proceedings of the 15th International Conference on Educational Data Mining, pages 701- 704, Durham, United Kingdom, 2022.

⁹ Becker, B., et al, Programming Is Hard - Or at Least It Used to Be: Educational Opportunities and Challenges of AI Code Generation, Proceedings of the 54th ACM Technical Symposium on Computer Science Education V. 1 (SIGCSE 2023), Association for Computing Machinery, New York, 500–506, 2023.

¹⁰ Finnie-Ansley, J., Denny, P. et al, The Robots Are Coming: Exploring the Implications of OpenAI Codex on Introductory Programming, Proceedings of the 24th Australasian Computing Education Conference (ACE '22), Association for Computing Machinery, New York, 2022.

¹¹ Lewkowycz, A., Andreassen, A.,  Dohan, D. et al, Solving Quantitative Reasoning Problems with Language Models, Google Research, 2022.

¹² Chomsky, N., Roberts, I., Watumull, J., Noam Chomsky: The False Promise of ChatGPT, The New York Times, 2023.

Od uvedbe sistema ChatGPT¹ konec novembra 2022 je bilo ogromno špekulacij in razprav o vplivu tehnologij UI, zlasti orodij generativne UI, kot je ChatGPT², na izobraževanje. ChatGPT je najnovejše v vrsti orodij, za katera mnogi verjamejo, da bi lahko resno načela številne tradicionalne prakse v naših šolah, zlasti odnos do dodeljevanja domačih nalog, ki jih učenci tipično delajo izven šole, torej doma. Pojavlja se strah, da bodo orodja UI, kot je ChatGPT, učencem omogočila "goljufanje", da bodo namesto njih pisala eseje, prevajala ali reševala matematične naloge, brez kakršnegakoli doprinosa učencev samih. Pa je to res nekaj novega? Nekatere države ali šolska okrožja so sprva celo prepovedala ChatGPT, a na srečo zdaj preklicujejo takšne odločitve in razmišljajo, kako lahko učitelji uporabljajo ChatGPT in druga orodja generativne UI (kot so Bard, Midjourney, Bing Chat itd.)³.

Razmislimo

Ne prvič ne zadnjič ni, da nas nove tehnologije silijo k razmisleku o posledicah, ki bi jih lahko imele na prakse poučevanja, učenja in ocenjevanja. V začetku leta 2000 so potekale razprave o tem, kako ljudje uporabljajo internet za iskanja, ki rezultate obrodijo v le nekaj klikih.

Na primer, ko je internet postal sestavni del vsakdanjega življenja, se je v izobraževanju pojavilo vprašanje, kako ocenjevati znanje, ko pa so odgovori vsem na dosegu roke⁴?

Zato ne pozabimo, da internet že desetletja vpliva na to, kakšne domače naloge dajemo učencem. Učenci lahko neko temo raziščejo na spletu ter nato rezultat kopirajo in prilepijo v svoje poročilo ali predstavitev. Še pred tem so potekale debate o vplivu urejevalnikov besedil na proces pisanja v šolah in o uporabi kalkulatorjev pri poučevanju in učenju matematike. Ali danes kdo sploh še pomisli, da ne bi uporabil urejevalnika besedil pri pisanju, ali kalkulatorja pri nalogi iz matematike? V obeh primerih smo pravzaprav preklopili na globlje plasti učenja: urejevalniki besedil nam omogočajo, da se bolj posvetimo vsebini, kalkulatorji nam omogočajo preseganje zgolj kalkulacij. Tisti najbolj izkušeni in kompetentni učitelji so se odločali za podporo tem tehnologijam in jih tudi vključevali v svoje učilnice.

Strah pred sistemom ChatGPT

Toda mnogi menijo, da orodja kot je ChatGPT sedaj zares revolucionarno spreminjajo igro in, kot smo že omenili, so šli določeni šolski sistemi⁵ in institucije na področju terciarnega izobraževanja celo tako daleč, da so jih prepovedali: "čeprav znajo ta orodja hitro in preprosto odgovarjati na vprašanja, pa ne spodbujajo razvoja veščin kritičnega mišljenja in reševanja problemov, ki so bistvenega pomena za akademski in vseživljenjski uspeh"⁶. Drugi imajo drugačno stališče in predlagajo, da bi morali ta orodja sprejeti z odprtimi rokami in jih ustvarjalno vključiti v učilnice, kar bo dalo učencem priložnosti za razvoj kritičnega razmišljanja. Lalitha Vasudevan, prodekanica za digitalne inovacije na kolidžu Teachers College na Univerzi Columbia v New Yorku, verjame, da se šole soočajo z zahtevnimi odločitvami v zvezi s temi novimi digitalnimi orodji in da bi jih "morale sprejeti z namenom oplemenitenja učenja"⁷. Takšno stališče pridobiva vse več podpornikov, mnogi v izobraževanju namreč verjamejo, da bi morali tako učitelje kot učence izobraziti o tem, kako ta orodja pravilno uporabljati.

Orodja generativne UI zelo hitro izstrelijo odgovore na naše iztočnice (vprašanja, pozive), vendar ti odgovori niso optimizirani za učenje učencev⁸. Neutrudno nam servirajo lepo zapakirane rezultate, ki pa so velikokrat napačni ali vsebujejo napačne elemente. Zato morajo učitelji in učenci znati tudi podvomiti o rezultatih ChatGPT – to pa bo pomenilo, da ta orodja uporabljamo prav za razvoj tiste kritične pismenosti, za katero želimo, da jo imajo vsi naši učenci. S takšno rabo lahko orodja generativne UI pozitivno vplivajo na snovanje in dodeljevanje domačih nalog.

Namen domačih nalog

Morda bodo domače naloge v prihodnosti drugačne. Toda šole v nobenem primeru ne bodo mogle prezreti hitrega napredka tehnologij, tako kot se je to izkazalo v primeru iskalnikov (interneta), urejevalnikov besedil in kalkulatorjev. Bolje je pozdraviti spremembe in se jim prilagoditi, kot pa se jim upirati (in jih neuspešno poskušati zaustaviti)¹⁰.

Nekateri celo verjamejo, da orodja kot je ChatGPT zagotavljajo enakopravnejše pogoje za učence, ki doma nimajo veliko podpore ali se učijo tujih jezikov. Drugi so prepričani, da lahko UI dejansko dvigne letvico in učencem omogoči globlje učenje⁸. Generativna UI ima torej potencial, da omogoči nove oblike vrednotenja, ki spodbujajo učence, da postanejo bolj kritični.

Vse več učiteljev verjame, da generativna UI (npr. ChatGPT) učiteljem prihrani čas za načrtovanje in oblikovanje učnih aktivnosti, hkrati pa učencem pomaga premagati izziv "prazne strani". Orodja generativne UI zelo hitro izstrelijo odgovore, učitelji in učenci jih uporabljajo za ustvarjanje številnih vrst vsebin, med katere sodijo:

• načrti učnih ur,
• eseji,
• blogi,
• pesmi ali besedila,
• predstavitve,
• računalniške kode,
• reševanje matematičnih problemov.

Vendar ne pozabite, da čeprav lahko vsebine zapakirajo tako, da izgledajo zelo prefinjeno in lepo, morda niso vedno natančne ali ustrezne. Zato moramo vedno skrbno in kritično pregledati njihove rezultate in se nato odločiti, katere elemente lahko obdržimo in katere zavržemo. Navsezadnje bodo ta orodja ostala z nami tudi v prihodnje, zato je treba učitelje in učence o njih "poučiti", da se bodo lahko odločili, kako jih najbolje uporabiti v določenem kontekstu. Seznam orodij in njihovih funkcij se daljša, hkrati pa še vedno nismo prepričani o njihovem potencialu, da spremenijo način poučevanja, učenja in ocenjevanja. Učitelji so tisti, ki se bodo na koncu odločili, ali so orodja koristna zanje in za njihove učence. Zdaj je pravi čas, da jih začnete uporabljati, da se odločite, ali vam lahko prihranijo čas in ali lahko vašim učencem pomagajo razviti ključne kompetence, potrebne za življenje in delo v 21. stoletju.

Oglejte si ta spletni dnevnik in nekaj predlogov, ki jih ponuja avtorica ter razmislite, ali bi lahko bili uporabni tudi za vas.

¹ https://tinyurl.com/3sr2hy6y

² https://www.edweek.org/technology/with-chatgpt-teachers-can-plan-lessons-write-emails-and-more-whats-the-catch/2023/01

³ https://www.nytimes.com/2023/06/26/technology/newark-schools-khan-tutoring-ai.html?action=click&module=RelatedLinks&pgtype=Article

⁴ https://michiganvirtual.org/blog/how-will-artificial-intelligence-change-education/

⁵ https://ny.chalkbeat.org/2023/1/3/23537987/nyc-schools-ban-chatgpt-writing-artificial-intelligence

⁶ https://www.washingtonpost.com/education/2023/01/05/nyc-schools-ban-chatgpt/

⁷ ibid

⁸https://hai.stanford.edu/news/ai-will-transform-teaching-and-learning-lets-get-it-right

⁹ https://www.ascd.org/blogs/whats-the-purpose-of-homework

¹⁰ https://theconversation.com/chatgpt-isnt-the-death-of-homework-just-an-opportunity-for-schools-to-do-things-differently-205053

Vendar pa to poglavje ne bo poskušalo odgovoriti na vprašanja, kot so "Ali je za velike jezikovne modele značilno vedenje, ki ga lahko opredelimo kot inteligentno?", "Kakšna je resnična narava človeške inteligence?", ali "Kako opredelimo ustvarjalnost?" Ta vprašanja so nedvomno zanimiva, vendar bi iskanje odgovorov nanje zahtevalo veliko bolj obsežne in poglobljene raziskave.

Namesto tega bomo poskušali ponuditi pregledne in laikom razumljive razlage ter s tem omogočiti razumevanje mehanizmov, ki so v ozadju delovanja velikih jezikovnih modelov. Šele z večjo ozaveščenostjo o načinu delovanja teh mehanizmov je mogoče razumeti njihov potencial in tveganja ter spodbujati njihovo pravilno rabo, zlasti v izobraževanju.

Prva in zelo razširjena napačna predstava, ki jo je treba ovreči, je, da so takšni sistemi v bistvu velike baze podatkov, sestavljene iz parov vprašanj in odgovorov. To zmotno prepričanje izhaja iz praks, ki so se v preteklih letih uveljavile pri gradnji sistemov klepetalnih robotov (vabimo vas, da preberete poglavje na to temo). Vendar pa takšno prepričanje ne upošteva generativnega značaja velikih jezikovnih modelov (LLM).

Jezikovni modeli so statistični modeli, ki napovejo verjetnost pojava dela besedila (največkrat besede) kot funkcijo določenega konteksta, ki je običajno opredeljen kot niz besed pred napovedano besedo.

Modelom, zgrajenim s strogo statističnim pristopom (npr. Markove verige, imenovane tudi n-gramski modeli), so se sčasoma pridružili jezikovni modeli, zgrajeni iz nevronskih mrež¹. Postajali so vse bolj razviti v smislu strukture in velikosti nevronskih mrež.

Veliki jezikovni modeli so takšno ime dobili zato, ker temeljijo na velikih nevronskih mrežah, ki se učijo na ogromnih količinah podatkov.

Začenjamo torej s trditvijo, da jezikovni modeli generirajo besedila in pri tem ne gre le za preprost priklic besedil iz vnaprej sestavljenih baz znanja.

Zaradi generativne in intuitivne narave jezikovnih modelov je težko predvideti, kako se bo sistem velikega jezikovnega modela odzval na uporabniške vnose. Ta značilnost odraža nezaupanje do takšnih sistemov v zvezi z njihovo potencialno zmožnostjo ustvarjanja napačnega ali netočnega besedila.

Ta značilnost je tako velik tehnološki dosežek v smislu zmožnosti stroja, da razume in proizvede besedilo, hkrati pa ena glavnih nevarnosti tovrstnih tehnologij.

• Velikost mreže: meri se s številom učjivih parametrov znotraj mreže. Veliki jezikovni modeli so globoke nevronske mreže, za katere je značilno osupljivo število vozlišč in plasti. Za lažjo predstavo: nekateri strokovnjaki na tem področju jezikovne modele označijo kot "velike", če vsebujejo več kot 10 milijard parametrov. Model GPT3 ima 150 milijard parametrov, največja različica LLAMa v2 pa približno 70 milijard.
• Arhitektura mreže: uspešnosti ne zagotavlja le velikost mreže, ampak tudi način, kako so vozlišča in različne plasti nevronske mreže medsebojno povezani. Tudi tukaj lahko na preprost način opišemo transformatorske mreže in mehanizme pozornosti kot glavne arhitekturne inovacije, ki pomagajo razumeti izboljšano učinkovitost teh mrež.
• Količina učnih podatkov: razpoložljivost velike količine podatkov je nedvomno bistven element pri učenju takšnih modelov, kar je sicer znano že dolgo časa. Ključni dejavnik inovacije je v tehnikah učenja ter v procesu izbire in priprave, ki vodi od podatkov do učnega niza (samonadzorovano učenje).
• Aktualna računalniška zmogljivost: povečana računalniška zmogljivost je seveda igrala odločilno vlogo pri razvoju mrež. Empirične izkušnje kažejo, da je prav faktor povečanja eden bistvenih parametrov za pojav omenjenih tehnologij.
• Mehanizmi za uravnavanje predstavljajo zadnji korak v procesu izgradnje takih modelov. Govorimo predvsem o mehanizmih spodbujevalnega učenja, ki vključujejo človeške povratne informacije in razvrščanje. To prispeva k opredelitvi modela in omogoča generiranje odgovorov, ki so bolj usklajeni z namenom uporabnika. Drugi procesi uravnavanja pa omogočajo specializacijo in izboljšanje vedenja nevronskih mrež pri izvajanju specifičnih nalog.
• Varnostni ukrepi: poleg modela globokega učenja obstajajo ad hoc tehnike, namenjene ublažitvi ranljivosti sistema pri nevarnih vnosih in preprečevanju neželenega vedenja pri varnih in nevarnih vnosih.

Ko se seznanimo z različnimi dejavniki velikih jezikovnih modelov, nam ostane le še raziskovanje potenciala takšnih sistemov tako, da jih preizkusimo v svojem izobraževalnem kontekstu. Zato vas spodbujamo, da preizkusite klepet s ChatGPT ali Bardom; naj vam pomagata generirati nove naloge za učence in jih prilagoditi specifiki vaše učilnice, ali ustvariti nove načrte učnih ur itd. Vse je odvisno od vaše ustvarjalnosti in od tega, kako komunicirate s takšnimi sistemi.

Opomba: več o opisanih dejavnikih si preberite s pomočjo seznama virov.

¹ Bengio, Y., Ducharme, R., & Vincent, P., A neural probabilistic language model. Advances in neural information processing systems, 13, 2000.

² Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., ... & Polosukhin, I., Attention is all you need, Advances in neural information processing systems, 30, 2017.

1. korak: opredelitev želenega rezultata

• Kaj je namen in cilj mojega iskanja?
• Kako bom uporabil ustvarjeni odgovor?
• Ali obstajajo specifične omejitve ali zahteve za ustvarjeni rezultat?

2. korak: zagotavljanje konteksta

5. korak: prilagoditev in implementacija vsebine

Grožnje zasebnosti: ponudniki generativne UI, tako kot mnogi ponudniki drugih vrst tehnologij UI, zbirajo najrazličnejše podatke, ki jih nato delijo s tretjimi osebami. Politika zasebnosti OpenAI nalaga, da na zahtevo izbriše uporabniške podatke, ne pa tudi iztočnic (pozivov, vprašanj) uporabnikov, ki lahko že same po sebi vsebujejo občutljive informacije, s pomočjo katerih je mogoče izslediti pot nazaj do uporabnika¹.

Obstaja tudi tveganje, da ljudje med navidezno človeškim pogovorom razkrijejo več občutljivih informacij, kot bi jih sicer². To je še posebej pomembno v primerih, ko učenci sami neposredno uporabljajo sisteme generativne UI. Ker je tako uspešna pri posnemanju človeškega jezika, zlasti na nivoju otrokovega razumevanja, bi lahko imela ima ta tehnologija "neznane psihološke učinke na učence, kar vzbuja zaskrbljenost glede njihovega kognitivnega razvoja in čustvenega počutja ter glede možnosti manipulacije³".

Preglednost in razložljivost: ponudniki domnevno odprtih modelov generativne UI ne razkrivajo vseh podrobnosti glede gradiv in metod, ki so bile uporabljene pri učenju in uravnavanju njihovih modelov. Delovanja zelo globokih modelov z milijoni parametrov, uteži, dodeljenih tem parametrom, in načina njihovega združevanja za doseganje rezultatov - ni mogoče (preprosto) razložiti³.

Tako oblika kot vsebina rezultatov se lahko zelo razlikujeta, tudi če bi bile le majhne razlike v iztočnici in uporabniški zgodovini². Podobno, če bi dva učenca dobila isto nalogo, ne samo, da bi lahko prišla do zelo različnih odgovorov, ampak teh razlik ne bi bilo mogoče razložiti. Na rezultate vpliva tudi vrsta uporabljenega modela generativne UI in dejstvo, ali gre za plačljivo različico ali ne. Vse omenjeno vpliva tako na to, kaj se učenci naučijo, kot tudi na poštenost procesa ocenjevanja njihovih rezultatov. Prepoved uporabe generativnih UI je problematična, saj se s tem poveča vrzel med učenci, ki bodo do njih doma vseeno lahko dostopali, in tistimi, ki tega ne bodo mogli¹.

Homogenost: poleg spremenljivih rezultatov in pomanjkanja razložljivosti je zaskrbljujoč tudi problem standardizacije in homogenizacije. Ker so sistemi generativne UI modeli, ki se učijo na podlagi podatkov iz interneta, promovirajo določene poglede in kulturne vrednote bolj kot druge, s čimer omejujejo učenčevo izpostavljenost različnim perspektivam in s tem sposobnost kritičnega razmišljanja³. "Vsi sklopi podatkov – tudi tisti, ki vsebujejo na milijarde slik, pobranih iz interneta – vsebujejo tudi določene poglede na svet (stališča) in hkrati svet razvrščajo na kategorije, ki so lahko zelo problematične⁴." Tako na primer, Wikipedia, ki je sicer zelo priljubljen vir učnih sklopov podatkov, navaja pretežno avtorje moškega spola kot ustvarjalce vsebin⁵.

Ker so osnovni modeli⁶ zasnovani za prilagajanje vsem vrstam nalog na nižjih stopnjah, je ta težnja po homogenizaciji močnejša kot pri drugih modelih strojnega učenja. Toda način, kako so prilagojeni, igra pomembno vlogo pri tem, ali se homogenizacija poveča, oslabi ali ostane enaka⁷.

ChatGPT je "večjezičen, a monokulturen", ker se je učil "na besedilih v angleškem jeziku, skupaj s kulturnimi pristranskostmi in vrednotami, ki jih jezik vsebuje oz. odraža, in nato usklajen z vrednotami dokaj majhne skupine izvajalcev s sedežem v ZDA". Če učitelj uporablja generativno UI za ocenjevanje pisnih sestavkov učencev, ali ni to, kar se ocenjuje, predvsem odvisno od tega, kako dobro se učenec prilagodi temu pogledu na svet, temu načinu razmišljanja, poznavanja in uporabe jezika¹?

Pristranskost, stereotipi in inkluzivnost: sistemi generativne UI lahko vsebujejo veliko pristranskosti in stereotipov. Oglejte si primer na sliki spodaj.

ChatGPT v rezultatih ne bo vključeval eksplicitno seksistične ali rasistične vsebine, kar pa ne velja pri pisanju kode v modelu Python¹. Tudi Codex odraža različne vrste stereotipov⁸. BERT povezuje besedne zveze, ki se nanašajo na ljudi s posebnimi potrebami, z negativnimi besedami, tiste, ki se nanašajo na duševne bolezni, pa z nasiljem z orožjem, brezdomstvom in odvisnostjo od drog⁵.

Tudi generatorji, ki pretvarjajo besedila v sliko ustvarjajo pristranske vsebine, kar izhaja iz učnih podatkov, ki so "izkrivljeni (npr. škodljivi stereotipi o manjšinah), premalo zastopani (npr. izločanje prisotnosti enega spola v določenih poklicih) ali prekomerno zastopani (npr. privzeti pogled je anglocentričen^6,4".

Obstajajo tudi subtilnejše oblike negativnosti, kot je dehumanizacija skupin ljudi in način oblikovanja določenih skupin. Veliki jezikovni modeli, ki ohranjajo te predsodke, ne vplivajo samo na aktualnega uporabnika, temveč postanejo (s samodejno distribucijo takšnih gradiv na forumih in komentarjih) učni podatki, ki odražajo "novo resničnost" za novo generacijo velikih jezikovnih modelov⁵. Na ramenih učiteljev je, da pregledajo generirane rezultate in nemudoma posredujejo, ko učenci naletijo na takšne rezultate, ne glede na to, ali jih neposredno omalovažujejo ali pa bi se sami lahko naučili in naprej širili vsebovane predsodke.

Moderiranje vsebine: podobno kot pri iskalnikih in priporočilnih sistemih, generativna UI moderira vsebino, ki jo vidijo uporabniki. Vsebina, ki jo lahko ustvari generativna UI, je nujno nekaj, kar temelji na tem, do česar ima dostop: kar je praktično in se njenim ustvarjalcem zdi primerno za uporabo. Njihove perspektive nato opredelijo "resničnost" za uporabnike generativne UI in vplivajo na njihovo delovanje. Zato bi morali učitelji in učenci vedno kritično presojati vrednote, običaje in kulture, ki so v ozadju generiranih besedil in slik³.

Upoštevati je treba, da generativna UI ni in "nikdar ne more biti verodostojen vir znanja o kateri koli temi, ki jo obravnava³." Da bi se izognili njenemu filtrirnemu učinku, je treba učencem zagotoviti dovolj priložnosti, da sodelujejo s svojimi vrstniki, da se pogovarjajo z ljudmi iz različnih poklicev in družbenih slojev, da raziskujejo ideologije in postavljajo vprašanja, preverjajo resnice, eksperimentirajo in se učijo iz svojih uspehov, napak in vsega vmes. Pri nekaterih aktivnostih naj sledijo idejam, kodi ali eksperimentom, ki jih predlaga generativna UI, pri drugih pa naj preizkušajo lastne zamisli, sami rešujejo probleme in uporabljajo različne učne vire.

Okolje in trajnost: modeli strojnega učenja potrebujejo veliko procesorske moči in podatkovnih središč, kar je povezano z vplivi na okolje, vključno s stroški vode, ki je potrebna za hlajenje strežnikov⁹. Zmogljivost, ki jo zahtevajo veliki modeli globokega učenja, se je v zadnjih⁶ letih povečala za 300.000-krat⁵. Učenje velikih jezikovnih modelov porabi veliko energije, pri tem pa mora biti omogočeno njihovo gostovanje in dostop na daljavo⁸. Tudi natančno uravnavanje modelov zahteva veliko energije, a prav veliko podatkov o okoljskih stroških teh procesov ni na voljo⁵.

Veliko je govora o učinkovitosti teh modelov, medtem ko se le redko govori o njihovih vplivih na okolje. Analize stroškov in koristi ne upoštevajo, da lahko določena skupnost sicer uživa koristi teh tehnologij, druga skupnost pa bo za to plačala ceno⁵. Tudi če zanemarimo takšne nepravičnosti, to ni dober obet za uspešno delovanje sistemov generativne UI na dolgi rok.

Preden se bodo takšni modeli v širšem smislu umestili v izobraževanje in dokler bodo obstoječe infrastrukture ter načini učenja zanemarjani v korist tistih, ki jih poganja generativna UI, ostajata njihova trajnost in dolgoročna izvedljivost predmet razprav.

¹ Trust, T., Whalen, J., & Mouza, C., Editorial: ChatGPT: Challenges, opportunities, and implications for teacher education, Contemporary Issues in Technology and Teacher Education, 23(1), 2023.

² Tlili, A., Shehata, B., Adarkwah, M.A. et al, What if the devil is my guardian angel: ChatGPT as a case study of using chatbots in education, Smart Learning Environments, 10, 15 2023.

³ Holmes, W., Miao, F., Guidance for generative AI in education and research, Unesco, Paris, 2023.

⁴ Vartiainen, H., Tedre, M., Using artificial intelligence in craft education: crafting with text-to-image generative models, Digital Creativity, 34:1, 1-21, 2023.

⁵ Bender, E.M., et al, On the Dangers of Stochastic Parrots: Can Language Models Be Too Big?, Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency (FAccT '21). Association for Computing Machinery, New York, 610–623, 2021.

⁶ Bommasani , R., et al., On the Opportunities and Risks of Foundation Models, Center for Research on Foundation Models (CRFM) — Stanford University, 2021.

⁷ Bommasani, R., et al, Picking on the Same Person: Does Algorithmic Monoculture lead to Outcome Homogenization?, Advances in Neural Information Processing Systems, 2022.

⁸ Becker, B., et al, Programming Is Hard - Or at Least It Used to Be: Educational Opportunities and Challenges of AI Code Generation, Proceedings of the 54th ACM Technical Symposium on Computer Science Education V. 1 (SIGCSE 2023), Association for Computing Machinery, New York, 500–506, 2023.

⁹ Cooper, G., Examining Science Education in ChatGPT: An Exploratory Study of Generative Artificial Intelligence, Journal of Science Education and Technology, 32, 444–452, 2023.

Nenatančnost, netočnost in halucinacije: generativni modeli UI hipoma generirajo koherentna, tekoča, človeškim podobna besedila. V hitro proizvedenih rezultatih pa se pogosto skrivajo napačna dejstva, polresnice, izmišljene reference in tudi popolne izmišljotine, ki jim pravimo "halucinacije"^1,2. Na dnu začetne strani vmesnika ChatGPT se nahaja obvestilo, ki se nanaša na vse klepete s sistemom, da se lahko zgodi, da "ChatGPT generira netočne informacije o ljudeh, krajih ali dejstvih"¹. Zanesljivost sistema ChatGPT je okoli 60 % ali slabša, odvisno od teme^2,3.

Še več, ChatGPT je nagnjen k predstavljanju resnic brez dokazov ali kvalifikacij. Če ga posebej povprašamo po referencah, bo morda navedel neobstoječe vire. Lahko se zgodi, da "resnice" oz. dejstva, ki ga je sam navedel v rezultatu, ne bo znal podpreti s prav ničemer^4,2. Kljub temu imajo mnogi uporabniki do njega enak odnos kot do "internetnih iskalnikov, knjižničarjev ali celo Wikipedije"⁵. Ko učitelji ali učenci uporabljajo ChatGPT za pridobivanje informacij, o katerih nimajo predznanja, tvegajo, da se bodo naučili napačnih dejstev ali da bodo drugim predstavili napačno znanje^1,5.

Uspeh današnjih velikih jezikovnih modelov je v samem številu parametrov in količini učnih podatkov, ki jih uporabljajo pri modelih (kako si besede sledijo v človeški komunikaciji). Zavedati se moramo, da besedila, ki jih ustvarijo pogovorni modeli, niso povezana s tem, da bi ti modeli ta besedila razumeli, niti niso povezana z nobeno predstavo o resničnosti¹. Čeprav lahko sistemi generativne UI bolj ali manj uspešno manipulirajo z oblikovno platjo jezika, pa nimajo dostopa do pomena, ki stoji za temi različnimi oblikami⁶. "Človeku podobno razmišljanje temelji na možnih razlagah in popravljanju napak. To je proces, skozi katerega se postopoma izluščijo vse bolj racionalne možnosti ... Toda ljudje smo omejeni glede vrst razlag, ki lahko predstavljajo naše racionalne domneve, nasprotno pa se sistemi strojnega učenja lahko naučijo obojega: dejstva, da je zemlja ravna in dejstva, da je zemlja okrogla."⁷

Prenos ali zmanjšanje moči in nadzora: generativna UI je odvisna od ogromnih količin podatkov, računalniške zmogljivosti in naprednih računskih metod. Le peščica podjetij, držav in jezikov ima dostop do vsega tega. Vendar se je z vse večjim sprejemanjem teh tehnologij večina človeštva prisiljena prilagoditi tej peščici in je, tako odtujena, prisiljena izgubiti svojo moč izražanja¹.

Medtem ko ustvarjalci obdržijo moč, odgovornost oddajo zunanjim izvajalcem. Breme saniranja rezultatov sistema ChatGPT je bilo na primer naloženo kenijskim delavcem, "ki so morali temeljito presejati nasilno in motečo vsebino, kot so spolne zlorabe, sovražni govor in nasilje"⁴.

Kršitve avtorskih pravic in pravic intelektualne lastnine: velik del tehnološkega znanja generativnih sistemov skrbno varujejo podjetja. Toda podatki prihajajo iz domene splošne javnosti¹. Ali je sprejemljivo vzeti fotografije, ki so bile javno objavljene na neki platformi, in jih uporabiti brez vednosti ali privolitve oseb iz teh fotografij? Kaj pa, če se na primer obraz nekoga uporabi za rasistično propagando⁸? Ali je zasebnost vsebin edini način, da blokiramo generativno UI?

Poleg javnih podatkov lahko jezikovni modeli pridobijo vsebine izza "plačilnih" zidov in jih povzamejo na zahtevo uporabnika. Slikovni modeli sestavljajo slike, pri čemer se jasno vidi, da posamezni deli slik vsebujejo vodne žige. Potem je tu tudi vprašanje licenc Creative Commons, kjer avtor svoje delo objavi za javnost, vendar ga je treba navesti vsakič, ko se uporabi, kar modeli lahko storijo - ali pa ne storijo.

Za učitelje to odpira moralna, etična in pravna vprašanja. Če vzamejo vsebino, ki so jo ustvarili modeli, ali jo lahko prosto uporabljajo in objavljajo, kot želijo? Kdo je odgovoren, če je vsebina avtorsko zaščitena ali zaščitena z licenco Creative Commons⁹? Kako lahko uporabnik sploh ve, da uporablja lastnino drugih ljudi¹? Na žalost ni jasnih smernic na to temo. Dokler na tem področju ne bo direktive, moramo vsi počakati, opazovati in ravnati previdno.

Dolgoročni učinki uporabe generativnih UI v izobraževanju: kakšni bodo (bi bili) dolgoročni učinki uporabe generativne UI v izobraževanju, ni znano:

• Pisanje pomaga strukturirati mišljenje. Kako pisanje z generativno UI vpliva na učence? ¹
• Ali vpliva na obseg razmišljanja, kritično mišljenje, ustvarjalnost in sposobnost reševanja problemov?¹
• Ali se bodo učenci preveč zanašali na generativno UI zaradi enostavnosti dostopa do informacij in rešitev^1,10,9?
• Ali bodo učenci še vedno motivirani za raziskovanje sveta in oblikovanje lastnih zaključkov¹⁰?
• Ali nas bo posrkalo v nek pogled na svet, ki nima zveze z resničnostjo okoli nas?
• Če bi vse bolj obvladali postavljanje iztočnic (vprašanj, pozivov) - koliko veščin, ki jih imamo sedaj, bi pri tem izgubili?

Nekateri protiukrepi za zaščito pred potencialno dolgotrajno škodo so lahko:

• uporaba jezikovnih modelov le kot izhodišča za ustvarjanje možnosti in raziskovanje različnih perspektiv, ne pa kot rešitev na enem mestu za vse potrebe¹⁰;
• preverjanje rezultatov modelov z neposrednimi eksperimenti ali alternativnimi viri;
• redno obveščanje učitelja¹⁰;
• spodbujanje socialnega učenja in večja izpostavljenost ustvarjalnim človeškim učinkom¹;
• aktivno iskanje drugih izobraževalnih virov in aktivnosti izven zaslona¹⁰;
• poskušati najti druge razlage in načine razmišljanja ter pristopa.

Vedno je dobro biti pozoren na težnjo dodeljevanja lažnih enakovrednosti med ljudmi in stroji ter celo priznavanja superiornosti Gen AI. Na primer, pogosto se trdi, da ljudje ne morejo obdelati toliko podatkov kot UI. Ali je drobljenje gigabajtov in gigabajtov podatkov sploh potrebno za ljudi glede na naše sposobnosti prepoznavanja vzorcev, ekstrapolacije in ustvarjalnosti? Ker lahko UI analizira vsebino 100 knjig v trenutku, ali nujno sledi, da učenec ne bo užival ali imel koristi od ene od teh knjig? Je narediti nekaj hitreje nujno tudi dobra stvar in ukrep, ki ga želimo sprejeti za nas⁸?

Zavedati se moramo, da otrok današnjega dne ne pripravljamo za svet in tehnologije, ki obstajajo danes. Pripravljamo jih na svet, kakršen bo postal v 10–15 letih⁸. Način, kako je ChatGPT revolucioniral svet v enem letu, je bolj argument v prid izobraževanu onkraj ChatGPT-ja, kot pa izobraževanju za ChatGPT. Učenci morajo biti sposobni razmišljati s svojo glavo, biti odporni, se prilagajati spremembam in rasti z novimi izzivi, ki jim jih postavlja življenje.

Končni cilj izobraževanja ne more biti produkcija učinkovitih operaterjev inteligentnih strojev ali delovnih mravelj za proizvodno linijo, temveč pomoč pri oblikovanju svobodomiselnih, ustvarjalnih, vzdržljivih in vsestranskih državljanov. Obstajajo kritična vprašanja in dolgoročni učinki, o katerih je treba razmisliti, preden se odločimo, kako najbolje prilagoditi tehnologijo za dosego tega cilja. Te najpomembnejše naloge ne moremo ne naložiti, ne pripisati UI, generativni ali ne.

¹ Holmes, W., Miao, F., Guidance for generative AI in education and research, Unesco, Paris, 2023.

² Tlili, A., Shehata, B., Adarkwah, M.A. et al, What if the devil is my guardian angel: Chat-GPT as a case study of using chatbots in education, Smart Learning Environments, 10, 15 2023.

³ Lewkowycz, A., Andreassen, A.,  Dohan, D. et al, Solving Quantitative Reasoning Problems with Language Models, Google Research, 2022.

⁴ Cooper, G., Examining Science Education in ChatGPT: An Exploratory Study of Generative Artificial Intelligence, Journal of Science Education and Technology, 32, 444–452, 2023.

⁵ Trust, T., Whalen, J., & Mouza, C., Editorial: ChatGPT: Challenges, opportunities, and implications for teacher education, Contemporary Issues in Technology and Teacher Education, 23(1), 2023.

⁶ Bender, E.M., et al, On the Dangers of Stochastic Parrots: Can Language Models Be Too Big?, Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency (FAccT '21). Association for Computing Machinery, New York, 610–623, 2021.

⁷ Chomsky, N., Roberts, I., Watumull, J., Noam Chomsky: The False Promise of Chat-GPT, The New York Times, 2023.

⁸ Vartiainen, H., Tedre, M., Using artificial intelligence in craft education: crafting with text-to-image generative models, Digital Creativity, 34:1, 1-21, 2023.

⁹ Becker, B., et al, Programming Is Hard - Or at Least It Used to Be: Educational Opportunities and Challenges of AI Code Generation, Proceedings of the 54th ACM Technical Symposium on Computer Science Education V. 1 (SIGCSE 2023), Association for Computing Machinery, New York, 500–506, 2023.

¹⁰ Enkelejda, K., et al, Chatgpt for Good? on Opportunities and Challenges of Large Language Models for Education, EdArXiv, 2023.

Izobraževalni viri se nanašajo na vsako gradivo (danes večinoma digitalno), ki ima vlogo v izobraževanju: učbeniki, diapozitivi, učni načrti, izpiti... O odprtih virih govorimo takrat, ko jih je mogoče prosto deliti z drugimi (natančnejša opredelitev sledi).

V skladu s priporočili Unesco sta bili novembra 2019 oblikovani definiciji OER in odprtih licenc¹:

1. Odprti izobraževalni viri (OER) so materiali za učenje, poučevanje in raziskovanje na kateremkoli mediju, ki so objavljeni pod javno domeno ali opremljeni z odprtimi licencami in dopuščajo prost dostop, uporabo, predelavo ter redistribucijo brez ali z določenimi omejitvami.
2. Odprta licenca je licenca, ki spoštuje pravice intelektualne lastnine lastnika avtorskih pravic in zagotavlja dovoljenja, ki javnosti podeljujejo pravico do dostopa, uporabe, predelave, ter redistribucije izobraževalnih gradiv.

Izraza odprta vsebina in OER se nanašata na katerokoli delo, ki je avtorsko zaščiteno (razen programske opreme, tam se uporablja izraz odprtokodna), in praviloma zaščiteno z licenco Creative Commons, ki določa načine uporabe avtorskega gradiva (znanih tudi kot 5 R - retain, reuse, revise, remix, redistribute)^2.  OER del gibanja za odprto izobraževanje (open education); so digitalni izobraževalni viri, ki so brezplačni in prosto dostępni vsem, z numenom da te vire uporabljajo, izmenjujejo, kombinirajo, prilagajajo in nadgrajujejo pri učenju, poučevanju in raziskovanju. OER naj bi bili objavljeni v formatih oz. na nosilcih, ki omogočajo čim enostavnejši dostop, uporabo, (pre)urejanje in predelavo.

Zakaj UI potrebuje odprte podatke

Kot smo v tem pripročniku že večkrat omenili in kar je razvidno tudi iz finančnih naložb s tem povezane industrije, lahko na izobraževanje gledamo kot na trg. In ker je strojno učenje glavna gonilna sila UI, lahko sklepamo, da bo za uspeh UI tudi UI v izobraževanju potrebovala podatke.

Razlika med podatki o uporabnikih in podatki o znanju

Podatki, ki jih potrebuje UI v izobraževanju, so dveh vrst.

Podatki o uporabnikih. Kako se učijo? Kaj sproži kakovostno učenje? Kaj omogoča boljše učenje? Kot je nekoč dejala Daphne Koller: ‘Izobraževalno znanost spremenimo v podatkovno znanost!’

Te podatke lahko zagotovijo samo uporabniki sami. Zato je bistveno, da imajo podjetja platforme, ki od uporabnikov zahtevajo interakcijo. To je bil ključ do uspeha številnih podjetij za UI in bo ključ do uspeha UI v izobraževanju.

Druga vrsta podatkov se nanaša na znanje. V izobraževanju predstavlja velik del tega znanja učno gradivo. Ti podatki se delijo ali pa ne:  ustvarjalci znanja pogosto ne poznajo filozofije licenc, gradivo, ki so ga ustvarili, ostane skrito v univerzitetnih repozitorijih, objavljeno na čudaških blogih ali v uporabi znotraj določenih skupin na družabnih omrežjih. To znanje je lahko tudi plačljivo, ali se pojavlja na spletnih straneh, kjer poslovni model sicer vključuje brezplačno ponudbo znanja, vendar od uporabnika zahteva, da pri tem gleda (neželeno) oglaševanje, da bi dobil ali ohranil dostop.

Uporabniške podatke je treba zaščititi

V prvem primeru je treba podatke - podatke o uporabniku - zaščititi. Še toliko bolj, če ti podatki pripadajo mladoletnim učencem. Kar pomeni, da šola ali učitelj teh podatkov ne bi smela deliti s platformami, razen če jim je to izrecno dovoljeno in ne glede na to, ali platforma morda ponuja zanimivo storitev. Iz istega razloga ni nikoli dobra zamisel, da za sodelovanje v neki dejavnosti učitelji registrirajo imena in naslove svojih učencev.

Podatke o znanju je treba deliti

¹ Wiley, D., & Hilton, J. (2018). Defining OER-enabled pedagogy. International Review of Research in Open and Distance Learning, 19(4).

² Wiley, D (2014).The Access Compromise and the 5th R.

³ Unesco. (2019). Recommendation on open educational resources (OER).

Tukaj opisujemo nekaj načinov, s katerimi lahko UI "pomaga" učitelju pri izpitih:

1. samodejno vrednotenje besedil.
2. Nadzor nad aktivnostmi učencev med izpitom (proktoriranje). Spletne kamere in drugi senzorji naj bi preverjali, kaj se dogaja. V času COVID so se razmahnila podjetja, ki so predlagala tovrstne storitve. Vendar je uporaba teh storitev sporna in nekateri avtorji so predlagali, da so takšne tehnologije lahko vsiljive, vodijo v rasno diskriminacijo in na splošno ne delujejo^1,2.
3. Kontrola plagiatorstva. Na spletu so za to na voljo številna orodja. Tudi če večinoma ne gre za delovanje UI, obstaja več orodij, katerih cilj je identificirati plagiatorstvo, npr. Turnitin. Veliko univerz uporablja to ali podobno orodje. V številnih primerih imajo univerze pravilnike o uporabi takšnih orodij in o pravicah študentov/učencev v zvezi s tem.
4. Samodejna izbira individualiziranih vprašanj. To obstaja že dolgo in je pogosto element priljubljenih sistemov za upravljanje učenja (LMS), kot je Moodle³.

Domača naloga sledi vsaj trem idejam⁴:

1. sumativno ocenjevanje: ocene so odvisne od kombinacije rezultatov. Nekateri učitelji verjamejo, da je delo učencev doma, v lastnem ritmu, manj stresno. Pogosto se zgodi, da učitelj nima dovolj časa, da obravnava učni načrt v celoti, razen če se ocenjevanje opravi izven časa pouka.
2. Domača naloga doda še eno plast znanju, ki ga je učenec pridobil v razredu.
3. Pred načrtovanim testom ali izpitom se morajo učenci učiti (se pripraviti). Učitelj zato zahteva, da doma izpolnijo vaje ali naloge, ali da si določen del snovi zapomnijo.

V zvezi z domačimi nalogami seveda obstajajo različna stališča. Ker se razlikujejo od kulture do kulture, jih tukaj ne bomo opisovali.

Pomembno pa je upoštevati, da kadar učencu cilj domače naloge ni jasen in če obstaja način, kako se izogniti domači nalogi, bo to storil.

Pogosto mora učenec oddati rezultat svoje domače naloge. Danes že obstajajo številni načini "goljufanja" ki jih podpira delovanje UI:

• Na področju matematike orodja, kot je Photomath, omogočajo, da posnamemo sliko enačbe, ki jo je treba rešiti, in neposredno dobimo rešitev.
• V matematiki so zdaj na voljo orodja tipa GPT3, ki lahko rešujejo preproste matematične probleme.
• Pri učenju jezikov se pri domačih nalogah pogosto uporabljajo orodja za samodejno prevajanje (kot sta DeepL in Google Prevajalnik).
• Za naloge iz družboslovja se pojavljajo nova orodja, učenci pišejo eseje s pomočjo UI in počasi napredujejo pri tem, kako preslepiti učitelje.

Naš cilj tukaj ni, da podamo izčrpen seznam teh orodij. Na to temo so vsak dan objavljeni novi članki. Univerzalne rešitve ni. Naš cilj je ozaveščanje in spodbujanje razmisleka o teh vprašanjih. Oglejte si primer goljufanja pri igri šaha.

Šah

Šah je igra, ki je povezana tako z izobraževanjem kot z UI⁵. Obstajajo celo šole in države, ki šah uporabljajo pri izobraževanju: način razmišljanja, ki je potreben pri šahu, je koristen iz številnih razlogov in pri vseh starostih. Podobno velja tudi za druge igre in med drugim obstajajo tudi pobude za uporabo, npr., igre bridž v izobraževanju⁶.

Šah je UI omogočil dva pomembna mejnika: leta 1997 je Garyja Kasparova premagal Deep Blue⁷; leta 2016 pa je Alphazero s precejšnjo razliko premagal vse najboljše delujoče sisteme UI. V prvem primeru UI ni vsebovala strojnega učenja in je temeljila na pravilih, ki jih je oblikoval človek. V drugem primeru so bile nevronske mreže in okrepljeno učenje bistvenega pomena. Medtem ko se je leta 1997 UI opirala na več sto tisoč partij, ki jih je odigral človek, je bilo leta 2016 vse to znanje, ki ga je ustvaril človek, odstranjeno in zagotovljena so bila samo pravila igre.

Danes nas šah zanima zaradi številnih polemik, povezanih z vprašanjem goljufanja. Med pandemijo Covida je večina šahovskih tekmovanj potekala prek spleta in jasno je bilo, da je prihajalo do goljufanja. Pri šahu je goljufanje preprosto. Preveč preprosto. S pametnim telefonom poiščete potezo, ki jo predlaga UI. Zdaj je bilo treba rešiti naslednje vprašanje: "kako vemo, kdaj je igralec goljufal?" In kako smo lahko prepričani? Strokovnjaki so zasnovali metode, ki vključujejo primerjavo igralčevih potez s potezami, ki jih predlaga UI. Ker so programi UI zdaj (veliko) boljši od ljudi, sledi zaključek, da igralec, ki igra poteze, ki jih priporoča UI, goljufa. In na koncu koncev je to primerljivo z odzivom učitleja, ko povprečen učenec na izpitu doseže posebno dober rezultat.

Za goljufanje

1. V primeru šaha, a tudi v šoli, dva razloga pojasnjujeta, zakaj igralec (učenec) uporablja programsko opremo UI, namesto da bi nalogo opravil sam. 1. Programska oprema UI je preprosta za uporabo. 2. Programska oprema UI naj bi bila veliko boljša od človeške. Šahist se dobro zaveda, da poteze, ki jih predlaga UI, presegajo njegove sposobnosti. Vendar se ji je težko upreti. Kot so nam povedali nekateri učitelji: "tudi boljši učenci uporabljajo prevajalnike: domačo nalogo najprej naredijo sami, nato pa preverijo s prevajalnikom in ugotovijo, da je rezultat UI boljši".

A vprašanje ostaja: ali je to goljufanje? Če upoštevamo samo gola pravila igre, potem je. Kaj pa, če je naloga prenašanje opek z ene strani ceste na drugo? In pravilo je, da ne smete uporabljati samokolnice. Toda samokolnica je tam in občutek imate, da vas nihče ne gleda. Res je, samokolnice ni dovoljeno uporabljati, toda če je naloga s tem krajša in hkrati učinkovitejša, ali ni smiselno, da jo uporabimo?

Učitelj v zanki

Ob vsem tem se je treba sprijazniti s tem, da bo priložnosti za goljufanje vedno več. In zdi se, vsaj v tem trenutku, da težko prepričujemo učenca, naj ne uporablja orodja, ki bo vedno bolj razširjeno.

Ključno vprašanje je torej, ali bomo našli načine, kako razlikovati med aktivnostmi, ki se bodo izvajale v razredu, in tistimi, ki se bodo izvajale doma, in ali bomo v tem drugem primeru sprejeli, da se te domače naloge izvajajo s pomočjo UI?

Arvind Narayanan v tem članku zelo smiselno analizira, kaj se dogaja, in predlaga nekaj zanimivih načinov, kako lahko učitelj pripravi zanimive domače naloge, pri katerih do goljufanja ne bo prišlo.

¹ Brown 2020; Brown L. X. Z. (2020), How automated test proctoring software discriminates against disabled students, Center for Democracy & Technology, available at https://cdt.org/insights/how-automated-test-proctoring-software-discriminates-against-disabled-students/.

² Conijn R. et al. (2022), The fear of big brother: the potential negative side-effects of proctored exams, Journal of Computer Assisted Learning, pp. 1-14, available at https://doi.org/10.1111/jcal.12651.

³ Moodle je odprt in sodelovalen projekt. V pomoč učiteljem pri razvrščanju so bile izdelane in se izmenjujejo številne razširitve in vtičniki. Iskanje lahko začnete tukaj: https://edwiser.org/blog/grading-in-moodle/.

⁴ Na spletu je mogoče prebrati veliko stališč o domačih nalogah. Nekatera so za, druga proti. Poleg tega imajo lahko različne evropske države glede teh vprašanj različna pravila. Eno od zanimivih razprav, ki pa temelji na ZDA, lahko najdete tukaj: https://www.procon.org/headlines/homework-pros-cons-procon-org/.

⁵ FIDE je organ, ki je odgovoren za šah po vsem svetu. Ima strokovnjake, ki se ukvarjajo z vprašanjem šaha v izobraževanju: https://edu.fide.com/.

⁶ Nukkai je francosko podjetje za umetno inteligenco, katerega programska oprema Nook z umetno inteligenco je marca 2022 premagala ekipe svetovnih prvakov v bridžu. Delajo tudi na različici igre Bridge, ki lahko otroke uči logike. https://nukk.ai/.

⁷ Obstaja veliko referenc, ki pokrivajo zgodbo o zmagi Deep Blue nad Garyjem Kasparovom. Pogled IBM-a je očitno pristranski, vendar ga je vredno prebrati, saj IBM vztraja pri zmagi računalnika in ne algoritma. https://www.ibm.com/ibm/history/ibm100/us/en/icons/deepblue/.

Poudarimo troje: (1) delavnica ni imela resne znanstvene teže: ugotovitve so bile zgolj špekulativne narave, (2) pred delavnico nismo govorili o izobraževanju, temveč le o delovnih mestih, udeleženci pa niso bili strokovnjaki za izobraževanje, (3) obstaja več bolje dokumentiranih predlogov o tem, kakšne bi morale biti veščine 21. stoletja.

Zato smo izražene predloge interpretirali v smislu, "takšno bi torej lahko bilo mnenje splošne javnosti". Če je bila neka tema zapisana v stolpcu 1, je  to pomenilo zgolj, da je po mnenju javnosti ta tema zastarela.

(Tuje) jezike so udeleženci največkrat razvrstili v stolpec 1. To je bilo presenetljivo, vendar je potrdilo naša opažanja iz druge delavnice, kjer so sodelovali samo učitelji jezikov. Ti so nam razlagali o težavah v zvezi z uporabo orodij za samodejno prevajanje, ki jih učenci uporabljajo že kar sistematično, pri tem pa ne dodajo lastne, dodane vrednosti. Veliko učiteljev je poročalo tudi, da njihovi učenci niso prepričani o koristnosti učenja jezikov. Tako so se morali ukvarjati tudi z vprašanji motivacije.

Nekatera opažanja, izražena v obeh skupinah:

• Učenci še naprej uporabljajo UI, ki je v njihovih očeh veliko boljša od tega, kar bi lahko naredili sami z veliko truda.
• Argument tipa ‘lahko potuješ in odkrivaš nove svetove in kulture’ ni deloval zaradi omejitev, povezanih z epidemijo COVID.
• Zaradi hitrosti razvoja tehnologije imajo učenci vtis, da bo UI do takrat, ko bodo končali šolanje, že pripravila vse mogoče rešitve. Tako kot nas jih tudi njih skrbi hitrost napredka tehnologije.

Ponovno poudarjamo, da s tem ne želimo nakazovati, da je učenje jezikov zastarelo. Toda če v javnosti prevladuje mnenje, da so določene veščine in znanja nepotrebni, gotovo drži, jih bo v prihodnosti vse težje poučevati.

Podobno vprašanje glede iskanja informacij

Kakšne so rešitve?

V primeru učenja jezikov (a tudi za mnoge druge veščine in teme) bodo morali učitelji in odločevalci preučiti vpliv UI, še preden se bodo začele pojavljati težave. Kakšni so bili razlogi za poučevanje te teme leta 2000? Ali ti razlogi veljajo tudi danes? Ali so se pojavili novi razlogi? In ko ugotovimo razloge, kako jih najbolje predstaviti učencem in njihovim družinam?

¹ Na številnih spletnih strani so objavljeni seznami delovnih mest, ki bodo izginila do leta 2030. Mnoga so povezana z intelektualnim delom in celo z umetniostjo. Arhitekti, na primer, so lahko malce zaskrbljeni: UI lahko na tem področju odigra pomembno vlogo. Na povezavi si oglejte nekaj čudovitih podob futurističnih stavb, ki jih je zasnovala UI: https://edition.cnn.com/style/article/ai-architecture-manas-bhatia/index.html.

² Russell, D., What Do You Need to Know to Use a Search Engine? Why We Still Need to Teach Research Skills, AI Magazine, 36(4), 2015.

Ne smemo pozabiti, da pri programski opremi UI, ki temelji na strojnem učenju, učenje poteka glede na objektivno funkcijo: nevronsko mrežo je mogoče naučiti, da zmanjša čas učenja za učenca, da izboljša rezultate testa, ali za kombinacijo obeh dejavnikov.

V mnogih primerih učenje poteka v družbenem okolju in priporočila UI pri tem vplivajo ne le na posameznika, temveč tudi na druge posameznike ter na skupino kot celoto.

Waze

Waze je aplikacija, ki se uporablja za pomoč voznikom pri iskanju poti: gre torej za navigacijski sistem. Vendar ima Waze tudi veliko značilnosti družbenega omrežja, saj veliko podatkov, ki jih uporablja za analizo prometnih razmer, ne prihaja iz uradnih virov odprtih podatkov ali kamer, temveč od samih uporabnikov. Po podatkih podjetja Waze aplikacijo vsak mesec uporablja nič več in nič manj kot 150 milijonov ljudi¹.

Kako v tem primeru deluje UI?

UI je prisotna pri izračunavanju pričakovanih časov, poti itd. To pomeni, da se upoštevajo statične informacije (razdalje) in tudi dinamične informacije (hitrosti avtomobilov). Waze uporablja tudi zgodovino posameznega uporabnika, saj upošteva individualne vzorce vožnje². Ve tudi, ali so semaforji sinhronizirani v vašo korist ali ne.

To pa še ni vse: ko uporabnik vnese informacije o nečem novem, kako jih sistem upošteva? Recimo, če opozorim, da je cesta zaprta, kaj naj bi se zgodilo? Človek lahko preveri stanje (ali drugi uporabniki trdijo enako?), uporabil model, ki mu pove, kako zanesljive so informacije določenega uporabnika, preveri, ali je uporabnik, ki je poslal obvestilo, zares obtičal itn. UI počne enako.

Ko sistem zazna zastoj na običajni poti, uporabnika pošlje na drugo pot. Toda kako lahko sistem ve, da zastoj predstavlja težavo, ali da se je sprostil, če tja ne pošlje nobenega voznika, da bi to preveril? Uporabniki, ki so že obtičali, ne morejo potrditi teh informacij. Zato mora sistem poslati nekaj voznikov v zastoj, da ugotovi, ali je problem rešen.

Nekaj etičnih pomislekov

1. V zvezi s tem obstaja več etičnih pomislekov: Waze ve veliko o vas. Kje živite in delate, vaša priljubljena mesta za ustavljanje, vaše navade. Prav tako predlaga oglase, na katere se lahko odzovete ali ne.
2. Da bi zadovoljil čim več strank, mora Waze reševati številne dileme, kot je zgoraj opisan primer. Kako sprejme to odločitev? Ali obstaja "pravilen" način sprejemanja te odločitve?
3. Redna uporaba teh orodij ima posledice za našo sposobnost, da sami rešimo problem. Dokazan je vpliv na naše (človeške) kognitivne zmožnosti. Navedimo še en primer: na z obveznostmi natrpano ponedeljkovo jutro je voznik uporabljal Waze. Sistem mu je sporočil, naj zapusti avtocesto, da se izogne zastojem. Po dveh kilometrih mirne vožnje po alternativni poti si je Waze premislil in predlagal vožnjo nazaj na avtocesto. Ne gre za to, da je sistem spremenil svojo izbiro najbolj optimalne poti (kar je smiselno), temveč gre za dejstvo, da zaradi naše odvisnosti od takšnih sistemov, ki jih poganja UI, nismo več sposobni sami presojati³ .

Posledice za izobraževanje

Kadar so viri neomejeni (na primer dostop do spletne platforme), takšne situacije nimajo velikih posledic. Če pa so viri omejeni, npr., robota lahko hkrati uporabljajo le trije učenci, je stvar drugačna. V tem primeru bo sistem UI predlagal, kateri učenci naj imajo dostop do robota. Odločitev je lahko odvisna od številnih dejavnikov. Če želi biti sistem pravičen, je lahko odločitev naključna. Vendar mnogi s tem ne bodo zadovoljni. Če želi sistem doseči najboljše rezultate za vse učence v razredu, lahko več sredstev dodeli prikrajšanim otrokom. Če pa ima sistem nalogo zagotoviti, da vsaj 90 % učencev ob koncu obdobja dobi oceno XYZ, bo neizogibno izbral nekaj učencev, ki bodo del preostalih 10 %.

Vloga učitelja

Učitelj v dobi UI mora razumeti, kako takšni sistemi delujejo in kakšne so slabosti algoritmov. Poskrbeti mora, da odločitve sprejme sam. To je lažje reči kot storiti. Učitelj lahko uporablja sistem UI, ker (kot v primeru zgoraj) lahko to orodje prinaša koristi vsem. Toda učitelj lahko in mora odločitve, ki jih predlaga UI, primerjati z lastnimi izkušnjami. Izgubiti 15 minut časa na cesti ni nič posebnega. Sprejeti napačno odločitev za učenca pa je.

¹ https://www.cozyberries.com/waze-statistics-users-facts/ and https://www.autoevolution.com/news/waze-reveals-how-many-users-run-the-app-on-android-and-iphone-197107.html for some facts and figures concerning Waze.

² Petranu, Y. Under the Hood: Real-time ETA and How Waze Knows You’re on the Fastest Route https://medium.com/waze/under-the-hood-real-time-eta-and-how-waze-knows-youre-on-the-fastest-route-78d63c158b90

³ Clemenson, G.D., Maselli, A., Fiannaca, A.J. et al. Rethinking GPS navigation: creating cognitive maps through auditory clues. Sci Rep 11, 7764 (2021). https://doi.org/10.1038/s41598-021-87148-4 https://www.nature.com/articles/s41598-021-87148-4

Unesco je ključni akter v izobraževanju po vsem svetu. Ker je Unesco zaskrbljen zaradi prihodnosti izobraževanja9, se posebej zanima za AI za in v izobraževanju. Zagotavlja nekaj pronicljivih dokumentov v pomoč oblikovalcem politik in učiteljem: o AI, izobraževanju in etiki ali uporabi generativne AI v izobraževanju. Leta 2023 so strokovnjaki Unesca delali na dokumentih, ki opisujejo, kakšne bi morale biti kompetence za učitelje in učence¹¹. Končna različica naj bi izšla leta 2024, vendar različica iz leta 2023 predlaga vidike, ki uravnotežijo tehnološka vprašanja in tista, ki so bolj povezana z družboslovjem ali, v primeru učiteljev, z vprašanji poklicnega razvoja. In tudi če kodiranje ni takoj potrebno, se zdi, da je potrebna veščina za boljše razumevanje AI.

Kodiranje AI

Kodiranje ali programiranje je aktivnost, ki se v večini evropskih držav spodbuja od leta 2012. Leta 2023 je Evropska unija podprla poučevanje informatike v Evropi.

Toda od pojava generativne AI in njenega pričakovanega vpliva na izobraževanje¹⁰, je uporabnost učenja kodiranja vprašljiva. Ali ne moremo pustiti, da AI opravi to nalogo namesto nas? Ali pa, ravno nasprotno, ker bo veliko delovnih mest v prihodnosti odvisnih od AI ali se ne bi morali naučiti kodirati, da bi bolje uporabljali AI?

Glavni razlog za učenje kodiranja je, da bi učitelj ali učenec lahko uporabljal AI v računalniških programih. S "kodiranjem AI" so povezane številne naloge. Izgradnja modelov je običajno del podatkovne znanosti in strojnega učenja: dober koder lahko vzame niz podatkov, ga očisti, ne da bi ga popačil, in ga uporabi za ekstrahiranje pravil in vzorcev prek algoritmov strojnega učenja. Programer lahko določi pomembne atribute ali pusti, da algoritem razvrsti neobdelano besedilo ali slike. Nekateri jeziki so v tem zelo dobri, kot je na primer Orange. V drugih primerih se bo programer odločil za uporabo splošnega jezika, kot je Python.

¹  Royal Society (2012). Shut down or restart? Report of the Royal Society. 2012 https://royalsociety.org/topics-policy/projects/computing-in-schools/report/T.

² Académie des Sciences (2013). L'Académie des Sciences : L'enseignement de l’informatique en France – Il est urgent de ne plus attendre. http://www.academie-sciences.fr/fr/activite/rapport/rads_0513.pdf

³ Informatics Europe (2017).  Informatics Education in Europe: Are We All in the Same Boat?

⁴  Colin de la Higuera (2018). Report on Education, Training Teachers and Learning Artificial Intelligence. https://www.k4all.org/project/report-education-ai/

⁵ Touretzky, D., Gardner-McCune, C., Martin, F., & Seehorn, D. (2019). Envisioning AI for K-12 : What Should Every Child Know about AI ? Proceedings of the AAAI Conference on Artificial Intelligence, 33, 9795-9799. https://doi.org/10.1609/aaai.v33i01.33019795

⁶ A. M. Turing (1950)—Computing Machinery and Intelligence, Mind, Volume LIX, Issue 236, October 1950, Pages 433–460, https://doi.org/10.1093/mind/LIX.236.433

⁷ Howell, E. L., & Brossard, D. (2021). (Mis) informed about what? What it means to be a science-literate citizen in a digital world. Proceedings of the National Academy of Sciences, 118(15), e1912436117. https://www.pnas.org/doi/abs/10.1073/pnas.1912436117

⁸ Unesco (2022) K-12 AI curricula: a mapping of government-endorsed AI curricula. https://unesdoc.unesco.org/ark:/48223/pf0000380602

⁹ Unesco (2023). Artificial intelligence and the Futures of Learning. https://www.unesco.org/en/digital-education/ai-future-learning

¹⁰ Unesco (2023). Guidance for generative AI in education and research. https://www.unesco.org/en/articles/guidance-generative-ai-education-and-research

¹¹ Unesco (2023). AI Competency frameworks for students and teachers. https://www.unesco.org/en/digital-education/ai-future-learning/competency-frameworks

Sodobni sistemi OCR so sposobni prepoznati tudi takšne slabo čitljive pisave, ki jih celo ljudje težko dekodirajo. Pomislite samo na zdravniške recepte - UI je lahko pri iskanju pravega zdravila za vas uspešnejša od lekarniškega farmacevta!

42 je zelo posebno število. Predstavlja odgovor na ultimativno Vprašanje o življenju, vesolju in sploh vsem, ki ga je izračunal velikanski superračunalnik z imenom Globoka Misel, ki je za to potreboval sedem in pol milijona let.

Na žalost pa nihče ne ve, kakšno je bilo to Vprašanje! Zato je bil v Štoparskem vodniku po galaksiji, kjer sploh izvemo o vsem tem, iz organskih sestavin zgrajen še drug, zares največji računalnik, v velikosti majhnega planeta, ki se imenuje "Zemlja" - da bi povedal, katero je tisto pravo Vprašanje o življenju, vesolju in sploh vsem.

To je ključ k vaji Optimizacija iskanja v iskalnikih, 1. del.

Iskalniki nenehno spreminjajo svoje algoritme. Algoritmi za iskanje in razvrščanje se prav tako spreminjajo od enega do drugega iskalnika. Kar dobro deluje v enem, morda sploh ne deluje v drugem. Kljub temu obstajajo nekatera skupna pravila, ki lahko v večini primerov pomagajo pri optimizaciji iskanja.

1. Bolje se je izogibati iskanju z eno besedo. Dobro pravilo je, da vključite kontekst - kaj želite z iskanjem doseči. Vendar se lahko zgodi, da zaradi prevelikega števila besed ne bo rezultatov ali pa bodo rezultati neustrezni: Poskusite opisati, kaj želite, z nekaj ključnimi samostalniki. Dobro je izpustiti besede, ki so preveč splošne. Iskanje je ponavljajoč se postopek. Vprašanje boste morali preoblikovati glede na to, kaj se vam je obneslo. Tukaj je primer iz British Journal of Educational Technology, v katerem učenec iterativno uporablja iskanje: "Nomusino boljše poznavanje akademskega diskurza na ciljnem področju ji je omogočilo, da je oblikovala naslednje zaporedje poizvedb: - (na seznamu rezultatov ne vidi nič zanimivega) - trajnostno preživetje (preuči dva rezultata iskanja) - gradbeni materiali za trajnostno preživetje (najde ciljni vir) Uporaba tovrstnega zaporedja je običajna strategija izkušenih spletnih iskalcev, ki se običajno zanašajo na ponavljajoče se poizvedbe z manjšimi spremembami v poizvedovalnih izrazih¹." Za razumevanje, kako se umetna inteligenca uporablja v iskalnikih, je treba delati umetna inteligenca v iskalnikih, umetna inteligenca, ki se uporablja v iskalnikih itd.
2. Uvoznice prisilijo iskalnik, da išče natančna ujemanja za izraze, ki so v njih. Rezultati receptov za pečen sir bodo morda vključevali recepte za cheesecake, medtem ko se bodo recepti za "pečen sir" izognili tej zmedi. "Vzhodnonemške" zgodbe bodo prikazali rezultate z vzhodnimi in nemškimi besedami, kar bi moralo biti razvidno iz primerjave na podlagi števila strani rezultatov iskanja za "vzhodnonemške" zgodbe in vzhodnonemške zgodbe.
3. Iskalniki ne upoštevajo ločil, razen " in " (kot je obravnavano zgoraj in za prikaz lastništva).
4. near prikazuje, kaj je v bližini določene lokacije. near me prikaže rezultate, ki veljajo za trenutno lokacijo naprave. restaurants near eiffel tower je eden od možnih načinov iskanja kraja za hrano, če obiščete Eifflov stolp.
5. Simbol minus, ki mu takoj sledi beseda, bo izključil strani s to besedo. Več besed lahko združite v "". umetna inteligenca - "strojno učenje" bo prikazalo rezultate, ki omenjajo umetno inteligenco, vendar brez strojnega učenja.
6. x AND y išče rezultate, ki vsebujejo tako x kot y. x OR y prikazuje rezultate, ki vsebujejo x ali y ali tako x kot y. Upoštevajte, da sta tako AND kot OR zapisana z velikimi črkami." Kadar želite rezultate, ki vključujejo dve določeni sinonimni ali tesno povezani besedi, uporabite operator OR. Na primer: svetovalec za neposredno trženje ALI strokovnjak. Tako boste združili rezultate za dve besedni zvezi: svetovalec za neposredno trženje in strokovnjak za neposredno trženje."².
7. * lahko nadomesti neznano besedo. university of * California bodo rezultati vključevali university of southern California, medtem ko university of California tega ne bo storila, vsaj na prvih nekaj straneh.
8. site:bbc.com omejuje rezultate na tisto, kar je mogoče najti na spletnem mestu bbc.com. tečaji site:*.edu vrne rezultate za vsa spletna mesta, ki se končajo na .edu (izobraževalne ustanove). Pri iskanju znanstvenih člankov je dobro iskati na posebnih spletnih mestih, kot so springer.com, scholar.google.com itd." Iskanje akademskih raziskovalnih člankov je veliko bolj učinkovito, če uporabite eno od zbirk znanstvenih informacij, kot če iščete samo po svetovnem odprtem spletu. Ta izbira vira za iskanje je neke vrste določanje obsega iskanja, ki je potrebno za vključitev ustrezne vrste rezultata. Informacijski prostor ni gladek, temveč ima izrazito strukturo. Več ko veste o tej strukturi, učinkovitejši ste lahko kot iskalec³."
9. filetype:pdf ali filetype:jpg itd. vrne povezave, ki so dokument pdf ali slika jpg.

¹ Walton, M., Archer, A., The Web and information literacy: scaffolding the use ofweb sources in a project-based curriculum, British Journal of Educational Technology, Vol 35 No 2, 2004.

² Spencer, S., Google Power Search: The Essential Guide to Finding Anything Online With Google, Koshkonong, Kindle Edition.

³ Russell, D., What Do You Need to Know to Use a Search Engine? Why We Still Need to Teach Research Skills, AI Magazine, 36(4), 2015.

Iskanje izobraževalnih virov je sestavni del učiteljevega dela pri pripravi novih vsebin za učne ure ali predavanja, pri raziskovanju novih področij ali tem, ali pri pripravah na posamezne aktivnosti. Tovrstna gradiva so lahko zgolj del dokumentacije, včasih pa učitelj morda želi na podlagi takšnih virov sestaviti novo gradivo. Pri tem je mamljivo in povsem legitimno z vidika intelektualnega dela, da ne izumljajo tople vode in smiselno uporabijo način "kopiraj-prilepi". V večini držav po svetu pa to običajno ni zakonito, saj se s tem kršijo avtorske pravice.

V primerih, ko avtorji virov objavijo svoja dela pod licenco Creative Common licence, viri postanejo "odprti izobraževalni viri" (OER), kar pomeni, da jih učitelji lahko prosto uporabljajo, preoblikujejo, predelajo in/ali redistribuirajo. Običajno je pri tem edina obveznost pravilno citiranje izvirnega avtorja. Zato je pomembno, da veste, ali je določen vir odprt izobraževalni vir, ali ne.

Obstaja več zbirk licenciranih odprtih izobraževalnih virov, in pristojno ministrstvo v vaši državi ima skoraj zagotovo dostop do vsaj ene izmed takšnih. Kaj pa iskanje takšnih virov kjerkoli na spletu? Ali lahko za to uporabimo poseben iskalnik?

Projekt X5-GON je financirala Evropska unija, z namenom identifikacije in indeksiranja virov OER ter z namenom uporabe UI pri urejanju teh virov in podajanju predlogov za nova orodja UI (tipično iskalnih orodij, ki uporabnikom omogočajo lažje iskanje OER virov).

Kje se v takšnem procesu pojavi UI?

Pojavi se v vseh fazah:

V prvi fazi roboti prečesavajo splet in prikažejo rezultate - vire OER: to je zapleten postopek, saj vključuje prepoznavanje OER in s tem prepoznavanje licenc. Del tega procesa lahko opišemo kot tipično nalogo klasifikacije (za kar se UI tipično uporablja). Ko robot identificira takšen vir, je potrebno besedilo iz tega vira izvleči. Če je vir zvočna ali video datoteka, to pomeni uporabo transkripcije (več o tem v poglavju 7).

Številka 5 v akronimu X5-GON se nanaša na pet dimenzij, ki jih je projekt obravnaval; ena od teh je jezik. Zato je naslednji korak v procesu uporaba orodij za samodejno prevajanje, kar omogoča različice besedila v izbranih jezikih. Tudi to je primer tipične uporabe UI.

Na tej točki se lahko upravičeno vprašate: četudi sta samodejna transkripcija in samodejno prevajanje hitro razvijajoči se tehnologiji, pri tem še vedno prihaja do velikih napak; ali je torej sploh smiselno, da se zanašamo nanju? Odgovor je, da iskalni in priporočilni algoritmi ne potrebujejo natančnega besedila. Potrebujejo zgolj umestitev dokumenta v prostor, tj. poleg ključnih besed oz. drugih dokumentov.

Predstavljajte si, da imate škatlo, polno dokumentov, ki jih morate urediti (pospraviti na organiziran način). V idealnem primeru bi imeli vnaprej določeno organizacijo in bi vsak papir pospravili na pravo mesto. Toda običajno nimamo takšnega vnaprej pripravljenega sistema za arhiviranje, zato dokumente, ki imajo nekaj skupnega, zlagamo enega poleg drugega, pri čemer veljajo nenapisana pravila vseh vrst, npr.: ta dva papirja gresta skupaj, ker sta iz istega leta, ta dva zato, ker se nanašata na avtomobil, ta dva zato, ker sta enako velika, itn. Ključna beseda tukaj je “poleg”: O tem več v nadaljevanju priročnika.

Ko sistem izvleče neobdelana besedila, se lahko ustvarijo modeli. Dokumenti s tem postanejo vektorji v nekem visoko-dimenzionalnem prostoru, primerjava vektorjev pa omogoča odgovor na vprašanje: katerih 10 dokumentov je najbolj podobnih temu dokumentu? Katerih 5 dokumentov najbolj ustreza tej ključni besedi? Ipd.

Popolnejše modele dobimo z njihovim učenjem. Odgovorijo lahko na bolj zapletena vprašanja, kot so:

• kako zahtevna je ta snov (seminar, naloga, učni tečaj itd.)? Odgovor na to se morda skriva nekje v opisu seminarja, ali v metapodatkih (ti so uporabniku skriti, vendar naj bi vsebovali informacije o gradivu). Bolj verjetno je, da sistem odgovor pridobi na podlagi samodejne analize dokumenta - dolžine stavkov in besed (besedišče samo po sebi je zanesljiv pokazatelj starosti uporabnikov, ki jim je seminar ipd. namenjen).
• Ali naj si to gradivo ogledam, preden si ogledam drugo gradivo? (Na ta način se lahko iz danega gradiva avtomatično sestavi celoten sklop gradiv za določen tečaj/seminar ipd.).
• Kako kakovostno je gradivo (seminar/tečaj ipd.)? Za UI je to najtežje vprašanje, morda celo "napačno" , in pri njem lahko UI naredi več škode kot koristi. Kljub temu pa je sposobnost UI, da ugotovi, ali so dejstva v izbranem gradivu točna, vsekakor zelo smiselna (uporabna). Ali nas po lažnih novicah čakajo tudi "lažna učna gradiva"?

Nekaj uporabnih povezav:

Iskalnik X5-Discover (https://discovery.x5gon.org/)

Učna platforma X5-Learn (http://x5learn.org/) omogoča izbiro učnih gradiv, ki jih nato UI organizira na najboljši možen način (z uporabo priporočilnega sistema).

Dodatna orodja X5-GON (vmesniki za namensko programiranje (API) za razvijalce, različica za namestitev v Moodle) najdete tukaj.

Projekt X5GON je sofinanciral Okvirni program za raziskave in inovacije Obzorje 2020 Evropske unije (št. sporazuma o dodelitvi nepovratnih sredstev 761758).