Tehnike primjene umjetne inteligencije za prilagodbu učenja pojedincu

Primjena sustava i alata umjetne inteligencije u poučavanju ne smije biti sama sebi svrhom, nego mora biti pedagoški promišljena, usklađena s ciljevima, metodama i tehnikama poučavanja i s individualnim karakteristikama studenata.

U didaktičkom smislu nastavna strategija predstavlja najširi plan i usmjerenje obrazovnog procesa. Ona određuje kako će se ostvarivati opći ciljevi obrazovanja i usmjerava odabir pedagoških metoda i tehnika. Drugim riječima, strategija definira opći pristup učenju i poučavanju, dok metode i tehnike određuju konkretne načine njegove provedbe.

U kontekstu primjene umjetne inteligencije nastavna strategija oblikuje opći okvir njezine integracije. Na primjer, hoće li se umjetna inteligencija koristiti za poticanje samoreguliranog učenja, razvoj etičke svijesti, personalizaciju pristupa, jačanje suradničkih vještina ili unapređenje učinkovitosti poučavanja.
Umjetna inteligencija pritom nije zamjena za nastavnika, već pedagoško sredstvo koje omogućuje dublje razumijevanje procesa učenja i njegovo prilagođavanje individualnim potrebama studenata.

Kako bi se razumjelo na koje načine umjetna inteligencija može doprinijeti obrazovanju, korisno je sagledati njezin razvoj unutar različitih teorijskih pristupa učenju.
Prema Ouyangu i Jiaou (2021) i Yalcinalp i suradnicima (2024), evolucija primjene umjetne inteligencije u obrazovanju može se razmotriti kroz tri paradigme.

Prva paradigma temelji se na biheviorističkom pristupu, u kojem umjetna inteligencija ima ulogu instruktora koji usmjerava proces učenja, daje zadatke i evaluira odgovore. U tom okviru student je primatelj znanja, a tehnologija djeluje kao posrednik koji potiče ponavljanje, uvježbavanje i automatizirano vrednovanje.

Druga paradigma proizlazi iz kognitivnih i konstruktivističkih teorija učenja.
Umjetna inteligencija postaje podrška učeniku dijalogom, interakcijom i povratnim informacijama. Student aktivno sudjeluje u konstruiranju znanja, a umjetna inteligencija djeluje kao suradnik koji olakšava razumijevanje, refleksiju i zajedničko stvaranje značenja.

Treća paradigma povezuje se s konekcionizmom i kompleksno-adaptivnim pristupima učenju. U tom okviru student preuzima vodeću i refleksivnu ulogu u procesu učenja, dok umjetna inteligencija djeluje kao partner koji omogućuje personalizirano, samoregulirano i podatkovno osnovano učenje.
Ova paradigma naglašava fleksibilnost, autonomiju i stalno prilagođavanje nastavnog okruženja individualnim potrebama i interesima studenata.

Razumijevanje navedenih paradigmi omogućuje nastavnicima da umjetnu inteligenciju primjenjuju promišljeno i svrhovito, u skladu s pedagoškim ciljevima i razvojnim potrebama studenata.
Na taj se način tehnologija ne promatra kao zamjena za ljudsku dimenziju poučavanja, nego kao partner koji širi pedagoške mogućnosti, potiče samoregulaciju i razvoj viših kognitivnih i metakognitivnih sposobnosti.

U suvremenom visokom obrazovanju umjetna inteligencija može podržati različite nastavne strategije koje proizlaze iz utemeljenih pedagoških teorija i omogućuju nastavnicima da tehnologiju primjenjuju u funkciji učenja, a ne kao tehnički dodatak. 

Primjeri nastavnih strategija podržanih umjetnom inteligencijom:

• Strategija personaliziranog učenja potpomognutog umjetnom inteligencijom
  • Cilj: prilagoditi proces učenja individualnim potrebama, predznanjima i tempu svakog studenta.
  • Primjena umjetne inteligencije: adaptivni sustavi i analitika učenja automatski prilagođavaju sadržaj i aktivnosti pojedincu (npr. Khan Academy, Smart Sparrow).
  • Pedagoška vrijednost: omogućuje samoregulirano učenje, a nastavniku daje uvid u napredak svakog studenta.
  • Primjeri iz nastavne prakse: u radu sa studentima pokazalo se da adaptivni sustavi pomažu studentima različitog tempa učenja prilagođavajući zadatke njihovim potrebama. Za razliku od pristupa u kojem svi rješavaju isti zadatak, adaptivni sustavi omogućuju studentima rješavanje zadataka različite težine i tipa, dok nastavnik i dalje ima uvid u njihov napredak putem izvještaja analitike učenja.
• Strategija problemskog učenja
  • Cilj: poticanje kritičkog mišljenja i primjene znanja rješavanjem stvarnih problema.
  • Primjena umjetne inteligencije: alati za generiranje problemskih scenarija i analizu procesa rješavanja (npr. ChatGPT).
  • Pedagoška vrijednost: studenti aktivno istražuju i argumentiraju rješenja, dok umjetna inteligencija pruža podršku i povratne informacije o napretku. 
  • Primjeri iz nastavne prakse: alat ChatGPT može se koristiti za brzo generiranje više verzija istog problemskog scenarija (različiti konteksti, razine složenosti i perspektive), što znatno skraćuje vrijeme pripreme u odnosu na ručnu izradu zadataka. Za razliku od klasičnih, unaprijed zadanih zadataka s jednim fiksnim scenarijem, takav pristup studentima omogućuje da aktivno „propituju” situaciju, traže dodatna pojašnjenja, istražuju alternativna rješenja i kritički vrednuju dobivene odgovore, čime se potiče dublje razumijevanje gradiva.
• Strategija istraživačkog učenja
  • Cilj: razvijanje sposobnosti postavljanja pitanja, planiranja i provedbe istraživanja.
  • Primjena umjetne inteligencije: alati za pretraživanje i analizu znanstvenih izvora (npr. Elicit) i alati poput ChatGPT-a za generiranje tabličnih sažetaka, prijedloga grafičkih prikaza i tumačenje dobivenih rezultata.
  • Pedagoška vrijednost: studenti razvijaju istraživačke kompetencije i kritičko promišljanje uz podršku tehnologije.
  • Primjeri iz nastavne prakse: Elicit u fazi pregleda literature studentima pomaže u bržem pronalaženju relevantnih radova i sažetaka, dok ChatGPT koriste za inicijalne prijedloge strukture analize i mogućih vizualizacija podataka. U odnosu na isključivo ručno pretraživanje baza podataka, ovaj pristup skraćuje tehnički dio posla i ostavlja više vremena za kritičko čitanje i raspravu o nalazima s nastavnikom.
• Strategija suradničkog učenja
  • Cilj: poticanje suradnje i zajedničkog konstruiranja znanja.
  • Primjena umjetne inteligencije: alati koji olakšavaju timski rad, moderiraju komunikaciju i daju povratne informacije o doprinosu članova tima (npr. Google Workspace AI, Microsoft Copilot).
  • Pedagoška vrijednost: razvija suradničke i komunikacijske kompetencije i promiče zajedničku odgovornost u učenju.
  • Primjeri iz nastavne prakse: U timskim zadacima se koristi alat poput Copilota za predlaganje strukture zajedničkih dokumenata, sažetke tijeka diskusija i praćenje doprinosa članova tima. U usporedbi s klasičnim grupnim radom bez digitalne podrške, ovakav pristup olakšava nastavniku praćenje procesa (tko je što radio) i daje studentima transparentniji uvid u vlastiti doprinos i doprinos njihovih kolega.
• Strategija refleksivnog i metakognitivnog učenja
  • Cilj: poticanje studenata na promišljanje o vlastitom procesu učenja i samoregulaciju.
  • Primjena umjetne inteligencije: alati za praćenje napretka i generiranje personaliziranih povratnih informacija (npr. Notion AI).
  • Pedagoška vrijednost: umjetna inteligencija pomaže studentima prepoznati vlastite obrasce učenja, planirati napredak i jačati odgovornost za rezultate.

  • Primjeri iz nastavne prakse: Notion AI koristi se kao podrška studentima u vođenju refleksivnih dnevnika – alat im pomaže sažeti bilješke i istaknuti ključne točke, a zatim mogu zajedno s nastavnikom analizirati koliko se ti sažeci podudaraju s njihovim vlastitim doživljajem učenja. U odnosu na klasične refleksivne dnevnike, ovakav pristup olakšava studentima uočavanje obrazaca (npr. kada je njihovo učenje najučinkovitije) i planiranje sljedećih koraka u procesu učenja.

• Strategija iskustvenog i simulacijskog učenja
  • Cilj: omogućiti studentima da iskustvom i simulacijama steknu praktična znanja i vještine.
  • Primjena umjetne inteligencije: alati za generiranje simulacija i scenarija (npr. alat ChatGPT, koji može generirati različite scenarije, uloge i moguće ishode odluka (npr. klinički slučaj, situacija u razredu, poslovni problem), alati za izradu videa s virtualnim avatarima npr. Synthesia). 
  • Pedagoška vrijednost: studenti uče autentičnim situacijama, refleksijom i donošenjem odluka u sigurnom digitalnom okruženju.
  • Primjeri iz nastavne prakse: primjena ChatGPT-a za izradu simulacijskih scenarija s različitim mogućim ishodima ovisno o izboru studenta (što se događa ako student odabere jedno ili drugo rješenje) omogućuje polaznicima analiziranje posljedica različitih odluka u sigurnom okruženju. Alat Synthesia koristi se za brzu izradu kratkih videosituacija s virtualnim likovima, bez potrebe za snimanjem „uživo“. U odnosu na tradicionalne tekstualne zadatke, simulacije potaknute alatima umjetne inteligencije omogućuju studentima dublje iskustveno razumijevanje situacije i uvježbavanje donošenja odluka uz manji rizik pogreške.

Sve navedene obrazovne strategije predstavljaju didaktički utemeljene pristupe učenju i poučavanju u kojima umjetna inteligencija ima podržavajuću, a ne zamjensku ulogu.
Njezina vrijednost proizlazi iz sposobnosti personalizacije iskustva učenja, olakšavanja refleksije, unaprjeđenje suradnje i pružanje obrazovnim dionicima uvid u obrazovne procese koji se ranije nisu mogli precizno pratiti.