Modeli instrukcijskog dizajna za primjenu alata i sustava umjetne inteligencije

3.3. Kempov model instrukcijskog dizajna (Kemp Instructional Design Model)

Kempov model polazi od pretpostavke da se proces učenja mora promatrati kao cjelina u kojoj su međusobno povezani svi elementi – ciljevi, sadržaji, metode, tehnologija i potrebe sudionika. U tom smislu, on uvažava i širi kontekst obrazovanja, uključujući organizacijske, tehnološke i pedagoške čimbenike koji oblikuju iskustvo učenja.

Kako umjetna inteligencija podržava Kemp model:

• Analiza šireg konteksta
  Umjetna inteligencija može analizirati institucionalne potrebe, razinu digitalne pismenosti nastavnika i dostupnost tehnologije i predložiti optimalne pristupe i alate za pojedine obrazovne programe.

• Personalizacija učenja
  Sustavi umjetne inteligencije mogu preporučivati sadržaje koji odgovaraju razini predznanja, stilu učenja i ciljevima svakog polaznika, čime se povećava angažiranost i učinkovitost procesa učenja.

• Automatizacija i prilagodba sadržaja različitim skupinama
  Jedan obrazovni modul može se brzo prilagoditi različitim korisnicima – na primjer, studentima i nastavnicima – korištenjem alata umjetne inteligencije za prevođenje, prilagodbu tona, jezika ili oblika medijskih prikaza.

Primjer:

U sustavu Moodle koristi se dodatak temeljen na umjetnoj inteligenciji koji automatski izrađuje individualne rasporede lekcija i kvizova za svakog studenta. Sustav pritom uzima u obzir prethodnu uspješnost, angažman i tempo učenja svakog polaznika i personalizira sadržaj i raspored aktivnosti. Na taj način umjetna inteligencija konkretno podržava Kempov princip cjelovitog pristupa, u kojem su planiranje, razvoj i evaluacija međusobno povezani i usmjereni na pojedinca.

Prednosti i nedostaci primjene Kempovog modela uz umjetnu inteligenciju

Prednosti

• omogućuje cjelovit pristup dizajnu učenja, jer obuhvaća sve elemente obrazovnog procesa – ciljeve, sadržaje, metode, evaluaciju i tehnologiju

• umjetna inteligencija olakšava analizu složenih podataka o studentima, nastavnicima i institucionalnim potrebama, čime se podupire donošenje informiranih odluka

• potiče personalizaciju i inkluzivnost, jer UI može prilagoditi sadržaj različitim stilovima i tempima učenja

• omogućuje automatizirano praćenje napretka i evaluaciju, što smanjuje administrativno opterećenje nastavnika

• doprinosi strategijskom planiranju razvoja nastave integracijom podataka na razini cijele institucije.

Nedostaci

• provedba zahtijeva visoku razinu koordinacije i suradnje između nastavnika, IT stručnjaka i administracije

• pretjerana oslonjenost na analitičke podatke može dovesti do zanemarivanja kvalitativnih aspekata učenja

• implementacija može biti tehnički i organizacijski složena, osobito u većim obrazovnim sustavima

• zahtijeva stalno profesionalno usavršavanje nastavnika kako bi mogli učinkovito koristiti alate umjetne inteligencije

• otvara etička pitanja zaštite privatnosti i pravednosti algoritama u procjeni i preporukama.

Refleksivno pitanje:

• Kako biste u svojoj nastavi mogli primijeniti Kempov holistički pristup, uz podršku umjetne inteligencije koja povezuje analitiku, personalizaciju i evaluaciju?
• Koje biste elemente obrazovnog procesa najviše željeli unaprijediti pomoću takvog integriranog pristupa?

Više o Kempovom modelu i podršci umjetne inteligencije:

Kemp Instructional Design Model

Kemp Design Model: A Flexible Approach to Practical Learning Experiences

Applying The Kemp Design Model In eLearning: A Guide For eLearning Professionals