Model SAMR-nahrazení, doplnění, modifikace, předefinování – byl dlouho základním kamenem diskuse o technologiích ve vzdělávání. Představená na počátku 21.století nabízela snadný způsob, jak kategorizovat dopad technologií na učení. S rozvojem umělé inteligence (AI) se však objevuje kritická nevýhoda: SAMR považuje změny za zpočátku nejlepší, i když to není vždy tak. AI je schopna zvýšit pozitivní i negativní výsledky na* jakékoli * úrovni integrace. Model potřebuje druhou dimenzi, aby zohlednil, posílil nebo oslabil technologii učení a výuky.
Omezení původního modelu
SAMR, původně koncipovaný jako popisný nástroj, se rychle stal předepisujícím. Pedagogové začali považovat náhražku za” základní ” a redefinici za ideál, který ji přeměnil na schodiště, nikoli na spektrum. Ve světě ovládaném AI se toto lineární myšlení rozbije: * * AI dokáže učinit jednoduché úkoly neuvěřitelně mocnými a složité – klamně prázdné**. Jednosměrný přístup SAMR už nestačí.
Projekt “portrét učitele” a klíčová otázka
Nedávný výzkum provedený v rámci iniciativy Ed3 “portrét učitele v éře AI” odhalil tento problém v praxi. Pedagogové, kteří používají AI na všech úrovních SAMR, vždy hlásili pozitivní i negativní účinky. Otázka byla zřejmá: * * potřebuje SAMR druhou osu k posouzení, zda jsou změny konstruktivní nebo destruktivní?**
Úvod měření “pozitivní-negativní”
Klíčovou myšlenkou je, že SAMR popisuje nejen typ změn provedených technologií, ale také to, zda tyto změny zlepšují nebo zhoršují učení. Každá úroveň může být buď prospěšná, nebo škodlivá.
-
-
- Výměna: * * nahrazení papírových testů digitálními může uvolnit čas učitele pro smysluplné interakce, nebo může automatizovat kontrolu bez lidské účasti.
-
-
-
- Předefinování: * * AI může otevřít příležitosti pro vícejazyčné vyprávění a kreativní vyjádření, ale může také umožnit studentům vytvářet broušenou práci bez skutečného úsilí nebo porozumění.
-
Tato dualita vyžaduje reinterpretaci: SAMR již není výstupem z” méně inovativního “na”inovativnější”. Jedná se o dvoukomorový systém:
- ** Integrační režim: * * (nahrazení, doplnění, modifikace, redefinování)
- ** Směr dopadu: * * (negativní ↔ pozitivní)
Čtyři klíčové nuance nového modelu
Tento rozšířený pohled odhaluje důležité informace:
- ** Úroveň nepředpovídá kvalitu: * * výměna může být stejně účinná jako předefinování, pokud je implementována promyšleně.
- ** Účinnost může maskovat erozi: * * čas ušetřený automatizací může buď zlepšit komunikaci mezi učitelem a žákem, nebo jej zcela nahradit.
- ** Přepis může být prázdný: * * AI může vytvořit povrchové pokroky v učení bez skutečné hloubky.
- ** Rozhodujícím faktorem jsou vztahy: * * pozitivní použití posiluje vazby, zpětnou vazbu a přístup, zatímco negativní je oslabuje.
Mimo důsledné myšlení
Další mylná představa je, že SAMR je postupný pokrok. Učitelé nemusí nutně přecházet od náhrady k redefinici. AI to činí ještě méně předvídatelným: učitel může začít Redefinováním pomocí simulací a poté se vrátit k výměně za vytváření materiálů, aby se uvolnil čas na individuální práci se studenty. SAMR je lépe chápán jako sada režimů užitečných v různých podmínkách.
Přehodnocení otázek
Nový model posouvá zaměření z vnímané inovace na hmatatelný dopad:
- Prohlubuje to používání AI lidské vazby nebo je oslabuje?
- Rozšiřuje nebo omezuje učitele?
- Otevírá studentům možnosti, nebo je zužuje?
Tyto otázky staví do popředí * směr * dopad, nikoli úroveň obtížnosti. Jakákoli úroveň SAMR může být vynikající nebo škodlivá, v závislosti na praxi.
Spojení s implementační křivkou
Konečně SAMR interaguje s cyklem zavádění technologií. Dřívější následovníci tíhnou k redefinici, zatímco pozdější následovníci začínají nahrazením z bezpečnostních a snadných důvodů. Tato reinterpretace naznačuje, že učitelé nejsou uvíznutí na určitých úrovních kvůli nedostatku kreativity, ale protože jsou v různých fázích implementace. Pochopení této dynamiky pomáhá vedoucím pracovníkům vytvářet realistická očekávání a poskytovat odpovídající podporu.
Na závěr, dvoudílný model SAMR uznává složitost pedagogické praxe, respektuje různé kontexty a staví lidský úsudek na určující faktor. Vzhledem k tomu, že AI je stále běžnější, aktuální otázka není “jak vysoko na SAMR to je?”a v tom: ” zrychluje nebo zpomaluje toto používání AI výsledky učení?”
