W świecie technologii edukacyjnych słowo „personalizacja” stało się modnym hasłem, często używanym do opisania programów zmieniających poziom trudności w zależności od tego, czy uczeń odpowie poprawnie, czy błędnie na pytania. Jednak zdaniem dr Nikoli Chodkowskiego, czołowego badacza w dziedzinie edukacji matematycznej, podejście to jest zasadniczo błędne. Aby naprawdę rozwinąć myślenie matematyczne, sztuczna inteligencja musi wyjść poza proste sprawdzanie błędów i zacząć rozumieć, w jaki sposób uczniowie rozumują.
Lekcja z zajęć w szkole: przejście od „pokaż i wyjaśnij” do zrozumienia
Potrzeba takiej zmiany podyktowana jest praktycznym doświadczeniem pedagogicznym. W ciągu ośmiu lat pracy jako nauczycielka matematyki w szkole podstawowej dr Chodkowski zdała sobie sprawę, że tradycyjne metody – takie jak dodatkowe ćwiczenia czy wykorzystanie pomocy wizualnych – często są jedynie „miarami powierzchniowymi”. Walczyli z objawami swoich problemów, a nie z ich pierwotną przyczyną.
Jej przełom nastąpił, gdy przestała próbować po prostu „przekazywać” swoją wiedzę matematyczną swoim uczniom i zamiast tego zaczęła budować model drugiego rzędu (SOM) ich procesu rozumowania.
Siła zrozumienia procesów myślowych
Zamiast po prostu zanotować błędną odpowiedź, dr Chodkowski zaczął szukać logiki stojącej za błędem. Nauczyła się rozróżniać poszczególne etapy poznawcze, takie jak:
– Liczenie według jednostek: gdy uczeń liczy każdą pojedynczą jednostkę („1”), aby rozwiązać problem.
– Liczenie w jednostkach: gdy uczeń rozumie grupy (na przykład liczenie przez dwójki, piątki lub dziesiątki).
Identyfikując, jakich „jednostek” używał uczeń, mogła zaprojektować konkretne zadania, aby wypełnić lukę pomiędzy bieżącym poziomem zrozumienia a kolejnym poziomem trudności.
Rezultat: Ta zmiana pedagogiczna spowodowała dramatyczny wzrost wyników w nauce. W jej klasie odsetek uczniów, którzy osiągnęli poziom Pro lub Advanced, wzrósł z 58% do 85% w ciągu zaledwie jednego roku, znacznie przewyższając tempo wzrostu w jej szkole i okręgu.
Luki w obecnych technologiach sztucznej inteligencji
Pomimo sukcesu tego skoncentrowanego na człowieku podejścia, obecne narzędzia edukacyjne oparte na sztucznej inteligencji nie są jeszcze w stanie sprostać temu zadaniu. Większość istniejących platform działa w oparciu o model „pierwszego rzędu”: znajdują błąd, a następnie dostarczają rozwiązanie „pokaż i wyjaśnij” – zasadniczo po prostu przeprowadzają ucznia przez właściwe kroki.
To nie działa, ponieważ matematyka to nie tylko proces przekazywania informacji. Uczenie się nowej koncepcji wymaga transformacji pojęciowej, podczas której uczeń musi połączyć nowe pomysły ze swoimi istniejącymi strukturami umysłowymi. Jeśli sztuczna inteligencja nie będzie w stanie zrozumieć dlaczego uczeń utknął, nie będzie w stanie ułatwić tej transformacji.
Plan działania na rzecz przyszłości EdTech
Aby przejść od prostej oceny do prawdziwej nauki matematyki, dr Chodkowski twierdzi, że twórcy sztucznej inteligencji muszą priorytetowo potraktować pedagogikę adaptacyjną. Identyfikuje trzy kluczowe filary nowej generacji narzędzi AI:
- Odkryj ukryte rozumowanie: Algorytmy nie powinny po prostu oznaczać błędnej odpowiedzi; muszą rozróżniać różne operacje umysłowe (np. określenie, czy uczeń ma trudności z ocenianiem miejsca lub podstawowym dodawaniem).
- Kierunek transformacji pojęciowej: Zamiast dawać wskazówki prowadzące do szybkiej odpowiedzi, AI powinna tworzyć zadania, które celowo kwestionują dotychczasowy sposób myślenia ucznia, popychając go do myślenia wyższego rzędu.
- Wsparcie nauczycieli: sztuczna inteligencja powinna działać jako „partner refleksyjny” dla nauczycieli, dostarczając im przydatnych danych o stanie poznawczym uczniów, aby mogli efektywniej planować lekcje.
Wniosek
Przyszłość edukacji matematycznej leży w wyjściu poza powierzchowną personalizację. Aby sztuczna inteligencja stała się siłą transformacyjną, musi przestać działać jako cyfrowy klucz odpowiedzi, a zacząć działać jako nauczyciel, zdolny zrozumieć niuanse ludzkiego myślenia.
