Modeli instrukcijskog dizajna za primjenu alata i sustava umjetne inteligencije

1. Uvod

Modeli instrukcijskog dizajna (dizajna učenja) pružaju strukturirane okvire i smjernice koji pomažu nastavnicima i dizajnerima obrazovanja da sustavno planiraju, razvijaju i evaluiraju obrazovne aktivnosti. Razvojem umjetne inteligencije ovi modeli dobivaju nove mogućnosti – omogućuju preciznije prepoznavanje potreba studenata, prilagodbu sadržaja različitim načinima učenja i učinkovitije praćenje i vrednovanje napretka.

Jedan od najpoznatijih i najčešće korištenih modela u obrazovnoj praksi je ADDIE model, koji se lako može nadopuniti suvremenim alatima i pristupima temeljenima na umjetnoj inteligenciji. U kombinaciji s umjetnom inteligencijom, ovaj model postaje snažan okvir za razvoj personaliziranih, motivirajućih i na podacima utemeljenih obrazovnih iskustava.

U nastavku su prikazne karakteristike odabranih modela intrukcijskog dizajna koji obrazovnim dionicima mogu pomoći u uvođenju umjetne inteligencije u obrazovanju.

2. ADDIE model s integracijom UI alata

ADDIE je najrašireniji model instrukcijskog dizajna i sastoji se od pet faza: Analiza, Dizajn, Razvoj, Implementacija i Evaluacija (slika 1.)

Svaka faza može se značajno unaprijediti primjenom umjetne inteligencije.

Integracija umjetne inteligencije u ADDIE model omogućuje preciznije analize, personalizirani dizajn učenja, bržu izradu obrazovnih materijala, dinamičnu provedbu i kontinuiranu evaluaciju. U nastavku se prikazuje kako UI može unaprijediti svaku od faza obrazovnog dizajna.

Dodatni članici : 

• The Role Of Artificial Intelligence In Instructional Design
• The Role Of AI In The Creation And Deployment Of eLearning With ADDIE 

3. Primjeri drugih modela instrukcijskog dizajna i primjena umjetne inteligencije

Osim modela ADDIE, u obrazovnoj praksi se sve češće primjenjuju i drugi modeli dizajna učenja koji omogućuju učinkovitu integraciju alata i sustava umjetne inteligencije (engl. Artificial Intelligence – AI). Ti se modeli odlikuju većom fleksibilnošću, bržim iterativnim ciklusima i boljom prilagodbom stvarnim potrebama korisnika, što ih čini posebno prikladnima za dinamična i podatkovno vođena obrazovna okruženja.

Tradicionalni modeli instrukcijskog dizajna polaze od linearnog, sekvencijalnog procesa u kojem se sadržaj planira, razvija i evaluira unaprijed, često bez mogućnosti brze prilagodbe tijekom provedbe nastave. Suprotno tome, umjetnom inteligencijom potpomognuti pristupi temelje se na iterativnosti, prilagodljivosti i analitici učenja, što omogućuje kontinuirano unaprjeđivanje i personalizaciju obrazovnog iskustva.

Važno je pritom naglasiti kako umjetna inteligencija ne djeluje samostalno niti preuzima ulogu instruktora ili dizajnera učenja. Njezina je funkcija podrška stručnim odlukama i pedagoškom prosuđivanju, na primjer, kroz analizu podataka, predlaganje sadržaja ili automatizaciju rutinskih zadataka. U središtu procesa i dalje ostaje ljudska ekspertiza, koja osigurava relevantnost, etičnost i kvalitetu obrazovnih rješenja.

Takvi pristupi pomiču fokus s dizajna temeljenog na pretpostavkama prema dizajnu utemeljenom na podacima i povratnim informacijama u stvarnom vremenu. U njima instruktor i instrukcijski dizajner postaju refleksivni vodiči procesa, koji uz podršku umjetne inteligencije prate potrebe studenata i prilagođavaju sadržaj u skladu s njihovim napretkom.

Među najčešće korištenima izdvajaju se:

• agilni model, koji naglašava iterativni razvoj i stalnu prilagodbu povratnim informacijama korisnika

• Kempov model, koji pristupa dizajnu učenja kao cjelovitom sustavu, uvažavajući kontekst, ciljeve, sadržaj i podršku učenicima

• model sukcesivnih približavanja (SAM – Successive Approximation Model), koji se temelji na brzom prototipiranju i kontinuiranom poboljšavanju obrazovnih rješenja

• model dizajna usmjerenog na korisnika (User-Centered Design – UCD), koji stavlja studenta, odnosno korisnika, u središte procesa planiranja i izrade obrazovnih sadržaja.

U nastavku detaljnije ćete proučiti načela svakog od ovih modela i primjere njihove primjene u kontekstu korištenja umjetne inteligencije. Time ćete steći uvid u to kako različiti pristupi dizajnu učenja mogu podržati razvoj učinkovitijih, personaliziranih i angažiranijih obrazovnih iskustava.

Iako su ovi modeli među najpoznatijima, važno je naglasiti da postoji i niz drugih pristupa koji se mogu prilagoditi suvremenim obrazovnim potrebama i specifičnostima pojedinih obrazovnih okruženja.

Umjetna inteligencija ne zamjenjuje instruktora niti instrukcijog dizajnera učenja, već im pomaže donositi informiranije odluke.

Ključ uspješne primjene alata umjetne inteligencije je ravnoteža između tehnološke podrške i ljudske stručnosti.

Preporučeni resursi za dodatno čitanje:

• Thinkific: Best ChatGPT Prompts for Instructional Designers
• Devlin Peck: AI in Instructional Design (Tools and Examples)
• CommLab India: Instructional Design Challenges and Possibilities with AI
• eLearning Industry: Role of Artificial Intelligence in Instructional Design
• Articulate: How AI Is Transforming Instructional Design
• University of San Diego: The Role of AI in Instructional Design
• AI-Powered Instructional Design: A Practical Guide To Staying Ahead
• AI In Instructional Design: Exploring The Future Of eLearning Content Creation
• Will The Rise Of AI Eliminate Instructional Design By Humans?—Part 1
• 40+ AI Prompts For Instructional Designers: From Storyboards To Scenario-Based Learning

3.1. Agilni model instrukcijskog dizajna (engl. Agile Instructional Design)

Agilni pristup učenja potječe iz prakse razvoja softvera i temelji se na brzim iteracijama, stalnim povratnim informacijama i visokoj razini prilagodljivosti. U kontekstu obrazovanja, ovaj pristup omogućuje da se sadržaji i metode poučavanja kontinuirano unaprjeđuju na temelju povratnih informacija studenata i rezultata analitike učenja.

Kako umjetna inteligencija podržava agilni model pomaže u obrazovanju:

• Brza izrada i ažuriranje obrazovnih materijala – Umjetna inteligencija omogućuje nastavnicima i dizajnerima učenja da u kratkom vremenu razviju i prilagode sadržaje. Alati poput ChatGPT-a mogu služiti za generiranje tekstova i pitanja, Synthesia za izradu video lekcija, a Canva za oblikovanje vizualnih elemenata.

• Praćenje angažmana i razumijevanja studenata – Analitika utemeljena na umjetnoj inteligenciji omogućuje praćenje napretka i razine angažmana u stvarnom vremenu. Na temelju tih podataka nastavnici mogu odmah prilagoditi pristup i sadržaj potrebama studenata.

• Provođenje A/B testiranja – Sustavi umjetne inteligencije mogu automatski testirati različite verzije istog obrazovnog materijala (npr. lekcija, kvizova, videozapisa) kako bi se utvrdilo koji pristupi donose bolje rezultate učenja.

Primjer:

Instruktori redovito prilagođavaju pristupe poučavanju složenih tema. Nakon svake lekcije sustav podržan umjetnom inteligencijom analizira podatke o sudjelovanju i uspješnosti studenata i nastavnicima predlaže kako oblikovati i prilagoditi sljedeću lekciju. Na taj se način sadržaj kontinuirano unaprjeđuje, a studenti dobivaju personalizirane i motivirajuće obrazovne materijale usklađene s njihovim potrebama i tempom učenja.

Prednosti i nedostaci primjene agilnog modela uz umjetnu inteligenciju:

Prednosti: 

• omogućuje brzu prilagodbu sadržaja i metoda poučavanja u skladu s povratnim informacijama studenata i rezultatima analitike učenja

• potiče kreativnost i eksperimentiranje u dizajnu učenja, jer AI alati olakšavaju testiranje različitih pristupa i formata

• podržava kontinuirano unaprjeđivanje kvalitete nastave podatkovno vođenim odlukama

• smanjuje opterećenje nastavnika u rutinskim zadacima (izrada materijala, kvizova, provjera razumijevanja)

• doprinosi stvaranju dinamičnih, interaktivnih i personaliziranih obrazovnih iskustava.

Nedostaci:

• zahtijeva stalnu pedagošku refleksiju i nadzor, jer pretjerano oslanjanje na AI može smanjiti ljudski aspekt i pedagošku toplinu nastave

• implementacija može biti zahtjevna za nastavnike koji nemaju razvijene digitalne kompetencije ili iskustvo s agilnim metodama

• česta ažuriranja i iteracije mogu dovesti do fragmentacije sadržaja ako se ne prate jasno definirani ciljevi učenja

• postavlja pitanja etičke odgovornosti i zaštite privatnosti podataka koji se koriste u analitici učenja

• zahtijeva dodatno vrijeme i koordinaciju tima, osobito u složenijim nastavnim okruženjima.

Refleksivno pitanje:

• Kako bi se agilni pristup mogao primijeniti u vašem predmetu uz podršku umjetne inteligencije?
• Koje biste aktivnosti ili faze nastave mogli poboljšati brzim iteracijama i prilagodbama temeljenima na analitici učenja?

Više o agilnom modelu i primjeni umjetne inteligencije možete pročitati:

Agile Instructional Design Framework

ELM Learning: “Agile Instructional Design: Key to Flexible, Effective Learning.”

Olaide et al. (2024): Artificial Intelligence with Agile Teaching Strategies for Personalized Learning

Izvor slike: Shutterstock

3.2. Model sukcesivnih približavanja (Successive Approximation Model - SAM)

Ovaj model omogućuje učinkovitu integraciju alata umjetne inteligencije u različitim fazama dizajna učenja, čime se ubrzava prilagodba i povećava preciznost u stvaranju materijala. Umjetna inteligencija pritom pomaže u izradi prototipova, analizi testiranja i adaptivnom usavršavanju obrazovnih resursa.

Kako umjetna inteligencija podržava SAM model:

• Prototipiranje s umjetnom inteligencijom
  Pomoću UI alata mogu se brzo izrađivati skice, scenariji i obrazovni sadržaji koji se zatim testiraju s polaznicima.

• Analiza testiranja
  Umjetna inteligencija analizira podatke o ponašanju i angažmanu polaznika tijekom testiranja i automatski generira izvještaje o učinkovitosti sadržaja i aktivnosti.

• Adaptivno usavršavanje sadržaja
  Na temelju rezultata testiranja UI može predložiti izmjene u strukturi lekcije, pitanjima, primjerima ili vizualnim elementima kako bi se postigla veća jasnoća i učinkovitost učenja.

Primjer:  

Pri izradi e-tečaja o kritičkom mišljenju, tim instruktora koristi ChatGPT za brzo generiranje različitih verzija scenarija lekcija. Te se verzije zatim testiraju na maloj skupini studenata mikrotestovima. Umjetna inteligencija analizira rezultate, prepoznaje dijelove koji izazivaju najviše teškoća i predlaže konkretne izmjene. Na taj se način sadržaj postupno usavršava, a polaznici sudjeluju u stvaranju kvalitetnijeg i relevantnijeg obrazovnog materijala.

Prednosti i nedostaci primjene SAM modela uz umjetnu inteligenciju

Prednosti

• omogućuje brzo testiranje i poboljšavanje sadržaja prije konačne implementacije

• potiče uključivanje studenata u proces razvoja povratnim informacijama i mikrotestovima

• omogućuje podatkovno vođene odluke o prilagodbama i izmjenama

• smanjuje rizik od neuspjeha jer se problemi prepoznaju u ranoj fazi dizajna

• potiče suradnju između nastavnika, dizajnera i sustava umjetne inteligencije.

Nedostaci

• zahtijeva više vremena u početnim fazama zbog ponavljanih testiranja

• može stvoriti zasićenje podacima ako se analitika ne strukturira jasno

• pretjerana automatizacija može smanjiti kreativnost i pedagošku intuiciju dizajnera

• zahtijeva odgovorno tumačenje rezultata analiza umjetne inteligencije i ljudsku prosudbu pri odlukama o promjenama.

Refleksivno pitanje:

• Kako biste u svojoj praksi mogli koristiti iterativni pristup i alate umjetne inteligencije za testiranje i poboljšavanje nastavnih materijala prije njihove konačne primjene?

Detaljnije o SAM modelu i njegovoj upotrebi:

Successive Approximation Model (SAM)

SAM model in E-learning Development

SAM Model: An Agile Approach To Instructional Design

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

3.4. Model dizajna usmjerenog na korisnika (User-Centered Design - UCD)

Kako umjetna inteligencija podržava UCD model:

• Praćenje korisničkog ponašanja
  Umjetna inteligencija analizira obrasce korištenja sadržaja, duljinu zadržavanja na pojedinim aktivnostima i načine interakcije s materijalima. Na temelju tih podataka sustav predlaže personalizirane prilagodbe koje poboljšavaju iskustvo učenja i povećavaju angažman polaznika.

• Chatbotovi i virtualni asistenti
  Chatbotovi podržani umjetnom inteligencijom pružaju stalnu podršku polaznicima, odgovaraju na pitanja, objašnjavaju pojmove i nude dodatne resurse kada sustav prepozna nesigurnost ili pogrešku. Osim informativne, ovi alati imaju i motivacijsku ulogu, pomažući polaznicima da zadrže kontinuitet i samopouzdanje tijekom učenja.

• Analitika empatije
  Napredni sustavi umjetne inteligencije analiziraju ton, ritam i jezik komunikacije polaznika i mogu prepoznati emocionalne pokazatelje poput frustracije, demotiviranosti ili zbunjenosti. Kada ih detektiraju, automatski nude dodatno pojašnjenje, prijedlog aktivnosti ili poruku podrške, čime se gradi empatičniji i humaniji oblik digitalnog učenja.

Primjer:

U online tečaju za odrasle koristi se sustav umjetne inteligencije koji dinamički prilagođava putanje učenja prema ponašanju i reakcijama polaznika. Onima koji brzo napreduju sustav nudi kraće module i napredne zadatke, dok onima koji pokazuju poteškoće pruža dodatna objašnjenja, vizualne prikaze i produljeno vrijeme za zadatke. Na taj način umjetna inteligencija ostvaruje temeljno načelo UCD pristupa – usmjeravanje obrazovnog iskustva na individualne potrebe svakog korisnika.

Prednosti i nedostaci primjene UCD modela uz umjetnu inteligenciju

Prednosti

• stavlja polaznika u središte obrazovnog procesa, čime povećava angažiranost, motivaciju i osjećaj kontrole nad učenjem;

• omogućuje visok stupanj personalizacije zahvaljujući analitici ponašanja i adaptivnim preporukama umjetne inteligencije

• potiče empatičan i responzivan pristup u online okruženju, jer AI sustavi mogu prepoznati emocionalne signale i pravovremeno reagirati

• omogućuje stalno unaprjeđivanje sadržaja na temelju povratnih informacija i stvarnih korisničkih iskustava

• rasterećuje nastavnike pružanjem automatske podrške i mikrointervencija tijekom procesa učenja.

Nedostaci

• zahtijeva prikupljanje i obradu velikih količina osobnih podataka, što otvara pitanja privatnosti, etike i transparentnosti algoritama

• može doći do pretjerane automatizacije u komunikaciji, pri čemu se gubi autentičnost i ljudska toplina nastavničke podrške

• postoji rizik od pogrešnih interpretacija emocionalnih signala, osobito u višejezičnim ili kulturno raznolikim skupinama

• implementacija zahtijeva tehničku podršku i kontinuirano praćenje učinkovitosti UI rješenja

• pretjerano oslanjanje na analitiku može dovesti do površnog razumijevanja kompleksnih obrazovnih iskustava.

Refleksivno pitanje:

• Na koji način biste mogli primijeniti načela dizajna usmjerenog na korisnika u svojoj nastavi uz podršku umjetne inteligencije, a da pritom zadržite ljudsku dimenziju u komunikaciji i podršci studentima?

Osnove i primjena UCD-a:

What is User Centered Design (UCD)?

User-Centered Design For eLearning

4. Važnost pedagoških metoda u modeliranju nastave modelima instrukcijskog dizajna i primjenom umjetne inteligencije

Pedagoške metode čine temelj svakog procesa poučavanja i učenja, jer određuju način na koji će se nastava modelirati – odnosno kako će biti strukturiran, vođen i evaluiran proces učenja.

Bez jasnog razumijevanja i dosljedne primjene odgovarajućih pedagoških metoda, primjena modela instrukcijskog dizajna i alata umjetne inteligencije može postati neučinkovita ili površna. Pedagoške metode djeluju kao most između teorijskih modela i konkretne nastavne prakse i omogućuju da tehnologija, uključujući umjetnu inteligenciju, bude sredstvo za postizanje ciljeva učenja, a ne sama svrha.

Primjenom pedagoških metoda možemo:

• odrediti obrazovne pristupe koji najbolje odgovaraju potrebama, razini znanja i motivaciji polaznika

• definirati aktivnosti i oblike interakcije koji doprinose smislenom i angažiranom učenju

• usmjeriti dizajn sadržaja, evaluaciju i povratne informacije prema stvarnim ishodima učenja

• odabrati metode koje omogućuju integraciju umjetne inteligencije na način koji pojačava angažman, refleksiju i razumijevanje.

Drugim riječima, pedagoške metode predstavljaju okvir koji oblikuje način na koji se modeli instrukcijskog dizajna primjenjuju u praksi. Umjetna inteligencija u tom kontekstu djeluje kao podrška i proširenje pedagoškog djelovanja, a ne kao njegov zamjenski mehanizam.

4.1. Vrste pedagoških metoda za primjenu alata i sustava umjetne inteligencije (UI)

Pri primjeni umjetne inteligencije u obrazovanju ključno je odabrati pedagoške metode koje odgovaraju tehnološkim mogućnostima i obrazovnim ciljevima. Umjetna inteligencija nije zamjena za pedagoški proces, već alat koji ga može unaprijediti, osnažiti i učiniti učinkovitijim. U tom kontekstu, neke od najčešćih i najdjelotvornijih metoda u kojima UI može značajno doprinijeti kvaliteti nastave uključuju sljedeće:

Pravilnim odabirom pedagoških metoda i njihovom integracijom s tehnologijom umjetne inteligencije, instrukcijski dizajneri mogu kreirati dinamične, prilagođene i učinkovite obrazovne sadržaje koji maksimalno iskorištavaju mogućnosti umjetne inteligencije.

4.2. Primjer: Sokratov dijalog i primjena umjetne inteligencije

Sokratov dijalog je temeljna pedagoška metoda koja kroz pitanja i odgovore razvija kritičko mišljenje i dublje razumijevanje. U modernom obrazovanju, umjetna inteligencija (UI), posebno veliki jezični modeli (LLM) poput ChatGPT-a, značajno unaprjeđuju ovu metodu.

Kako umjetna inteligencija podržava Sokratov dijalog?

Chatbotovi podržani umjetnom inteligencijom i virtualni tutori mogu preuzeti ulogu „Sokrata“, postavljajući promišljena pitanja koja potiču na refleksiju. Sustavi analiziraju odgovore i prilagođavaju daljnja pitanja prema razumijevanju polaznika, nudeći personalizirano učenje. LLM-ovi dodatno automatiziraju postavljanje pitanja, prilagođavaju dijalog, analiziraju odgovore i pružaju povratne informacije, simulirajući kompleksne filozofske razgovore.

Prednosti primjene:

• Personalizira se učenje kroz vođene diskusije.
• Potiče se aktivno učenje i samorefleksiju.
• Pristupačno je online, s umjetnom inteligencijom koja moderira dijalog u stvarnom vremenu ili asinkrono.
• Povećava se angažman i razvijaju metakognitivne sposobnosti.

Integracija Sokratovog dijaloga s alatima umjetne inteligencije, posebno LLM-om, snažna je sinergija tradicije i tehnologije. Znatno unapređuje kvalitetu i dubinu obrazovnog procesa, nudeći personalizaciju i skalabilnost učenja.

5. Važna razmatranja u korištenju UI-ja u instrukcijskom dizajnu

Kada govorimo o uvođenju umjetne inteligencije (UI) u obrazovanje (nastavu), potrebno je razviti svijest kako s velikim mogućnostima dolaze i velike odgovornosti.

Evo na što je potrebno posebno obratiti pažnju:

Privatnost podataka – Temelj povjerenja

Sustavi umjetne inteligencije u obrazovanju često prikupljaju i analiziraju veliku količinu podataka o našim polaznicima. Zato je ključno osigurati zaštitu privatnosti i sigurnost tih podataka. Mi, kao instruktori/nastavnici, moramo biti svjesni važnosti usklađenosti sa zakonima i propisima poput GDPR-a. Također, transparentnost u načinu na koji se podaci prikupljaju i koriste nije samo obveza, već i temelj za očuvanje povjerenja roditelja i učenika. Bez povjerenja, implementacija umjetne inteligencije neće biti uspješna.

Pristranost modela umjetne inteligencije – Izazov za pravedno obrazovanje

Sustavi umjetne inteligencije uče iz podataka kojima su trenirani, a ako ti podaci sadrže postojeće pristranosti, umjetne inteligencije ih može „naslijediti". To može dovesti do nepravednih preporuka, diskriminacije ili netočnog vrednovanja polaznika. Naša je odgovornost da kontinuirano pratimo i prilagođavamo modele umjetne inteligencije kako bismo osigurali da budu pravični i inkluzivni za sve polaznike, bez obzira na njihovu pozadinu.

Očuvanje ljudskog činitelja u obrazovanju  

Iako umjetna inteligencija (UI) preuzima mnoge rutinske zadatke – od analize podataka do generiranja sadržaja – ljudski element ostaje ključan za smisleno i kvalitetno učenje.

Instruktori (edukatori/nastavnici) više nisu samo prenositelji znanja, već postaju dizajneri iskustva učenja – prepoznaju kontekst, biraju prikladne pedagoške strategije i pružaju podršku koju umjetne inteligencije ne može zamijeniti.

Umjetna inteligencija nudi personalizaciju i efikasnost, ali ne može zamijeniti odnos, empatiju i etičko promišljanje. Instruktori usmjeravaju polaznike u korištenju alata umjetne inteligencije, razvijaju kritičku pismenost i osiguravaju aktivno, reflektivno učenje.

Zaključno: U središtu je polaznik (student), a suradnja čovjeka i umjetne inteligencije (UI) otvara prostor za bolje, humanije obrazovanje.

Izvor slike: Shutterstock

6. Zaključak i budućnost instrukcijskog dizajna s UI-jem

Umjetna inteligencija će nastaviti transformirati način na koji učimo i podučavamo, omogućujući sve veću personalizaciju, adaptivnost i angažman. Očekuje se sve šira primjena virtualnih asistenata, automatiziranih sustava evaluacije i imerzivnih tehnologija (npr. virtualna stvarnost – VR, proširena stvarnost – AR i miješana stvarnost – MR) i umjetne inteligencije.

Potencijal daljnjeg razvoja i uloge instrukcijkog dizajnera

Uloga instrukcijskih dizajnera evoluira iz tehničkih i operativnih zadataka prema strateškom dizajnu iskustava učenja. Dizajneri više nisu samo planeri sadržaja, već arhitekti interaktivnog i prilagođenog učenja, koji koriste umjetnu inteligenciju za:

• kreiranje sadržaja u suradnji s alatima i sustavima umjetne inteigencije
• analizu podataka o učenju i prilagodbu materijala
• praćenje angažmana i napretka polaznika u stvarnom vremenu
• oblikovanje novih oblika iskustava (poput igrifikacije, simulacija i VR/AR okruženja).

Uz to, kontinuirano usavršavanje u području novih tehnologija, pedagoških metoda i etičkih izazova postaje ključno za održavanje kvalitete i relevantnosti obrazovanja.

Izvor slike: Shutterstok

7. Literatura