Ve světě vzdělávacích technologií se slovo „personalizace“ stalo módním slovem, které se často používá k popisu programů, které mění úroveň obtížnosti v závislosti na tom, zda student odpovídá na otázky správně nebo špatně. Podle Dr Nikoly Chodkowského, předního výzkumníka v oblasti matematického vzdělávání, je však tento přístup zásadně chybný. Aby umělá inteligence skutečně pokročila v matematickém myšlení, musí překonat jednoduchou kontrolu chyb a začít chápat, jak studenti uvažují.
Lekce ze školní třídy: přechod od „ukaž a vysvětli“ k porozumění
Potřeba takového posunu je diktována praktickými zkušenostmi z výuky. Během osmi let jako učitelka matematiky na základní škole si doktorka Chodkowski uvědomila, že tradiční metody – jako cvičení navíc nebo používání vizuálních pomůcek – jsou často jen „povrchové míry“. Bojovali s příznaky svých obtíží, ne s jejich hlavní příčinou.
Její průlom nastal, když se přestala snažit jednoduše „přenést“ své matematické znalosti na své studenty a místo toho začala budovat model druhého řádu (SOM) jejich procesu uvažování.
Síla porozumění myšlenkovým procesům
Místo toho, aby jednoduše zaznamenal špatnou odpověď, začal Dr. Chodkowski hledat logiku za chybou. Naučila se rozlišovat mezi různými kognitivními fázemi, jako jsou:
– Počítání podle jednotek: když student počítá každou jednotlivou jednotku („1“), aby vyřešil problém.
– Počítání po jednotkách: když žák rozumí skupinám (například počítání po dvojkách, pětkách nebo desítkách).
Identifikací, které „jednotky“ student používá, mohla navrhnout konkrétní úkoly, aby zaplnila mezeru mezi současnou úrovní porozumění a další úrovní obtížnosti.
Výsledek: Tento pedagogický posun vedl k dramatickému skoku v akademickém výkonu. V její třídě procento studentů, kteří dosáhli úrovně Pro nebo Advanced, vyskočilo z 58 % na 85 % během jediného roku, čímž výrazně překonalo tempo růstu v její škole a okrese.
Mezery v současných technologiích umělé inteligence
Navzdory úspěchu tohoto přístupu zaměřeného na člověka současné vzdělávací nástroje poháněné umělou inteligencí zatím tento úkol nesplňují. Většina existujících platforem funguje na modelu „prvního řádu“: najdou chybu a pak poskytují řešení „ukaž a vysvětli“ – v podstatě jen provedou studenta správnými kroky.
To nefunguje, protože matematika není jen proces předávání informací. Naučit se novému konceptu vyžaduje konceptuální transformaci, ve které musí student propojit nové myšlenky se svými stávajícími mentálními strukturami. Pokud AI nedokáže pochopit, proč student uvízl, nebude schopna tuto transformaci usnadnit.
Plán pro budoucnost EdTech
Aby se posunuli od jednoduchého hodnocení ke skutečnému učení matematiky, Dr. Chodkowski tvrdí, že vývojáři umělé inteligence musí upřednostňovat adaptivní pedagogiku. Identifikuje tři kritické pilíře pro novou generaci nástrojů AI:
- Odhalte skryté uvažování: Algoritmy by neměly jednoduše označit špatnou odpověď; musí rozlišovat mezi různými mentálními operacemi (např. určit, zda má student potíže s hodnotou místa nebo základním sčítáním).
- Směr koncepční transformace: Namísto poskytování rad, které vedou k rychlé odpovědi, by umělá inteligence měla vytvářet úkoly, které záměrně zpochybňují studentův současný způsob myšlení a tlačí ho k myšlení vyššího řádu.
- Podpora učitelů: Umělá inteligence by měla působit jako „reflexivní partner“ pro pedagogy a poskytovat jim užitečná data o kognitivním stavu studenta, aby mohli efektivněji plánovat hodiny.
Závěr
Budoucnost matematického vzdělávání spočívá v překonání povrchní personalizace. Aby se umělá inteligence stala transformační silou, musí přestat fungovat jako klíč digitální odpovědi a začít působit jako učitel, schopný porozumět nuancím lidského myšlení.
