Tehnike primjene umjetne inteligencije za poticanje aktivnog učenja

Povratni odgovor jedan je od najsnažnijih elemenata učenja i poučavanja u visokom obrazovanju, jer pruža polaznicima uvid u kvalitetu njihova razumijevanja, argumentacije i primjene znanja. U tradicionalnim uvjetima polaznici često dobivaju povratni odgovor tek nakon što je nastavna aktivnost završena, što ograničava mogućnosti učenja u trenutku kada je kognitivna aktivnost još aktivna.

Automatizirani povratni odgovor u stvarnom vremenu omogućuje polaznicima da odmah prepoznaju pogreške, dobiju smjernice i prilagode svoj pristup rješavanju zadataka tijekom samoga procesa učenja, čime se potiče aktivna analiza, refleksija i razvoj samoprocjene.

Sustavi temeljeni na umjetnoj inteligenciji omogućuju polaznicima trenutni, informativni i personalizirani povratni odgovor tijekom rješavanja zadataka. Takav pristup potiče aktivno učenje jer polaznik:

• odmah uočava pogrešku i razloge pogreške
• preispituje vlastito razmišljanje
• donosi odluku o tome kako prilagoditi svoj pristup
• usvaja obrazovni sadržaj kroz iteraciju i refleksiju u stvarnom vremenu.

Instruktor pritom preuzima ulogu stručnog moderatora koji tumači podatke koje sustav prikuplja i potiče raspravu o pogreškama i različitim strategijama rješavanja problema.

Primjer alata umjetne inteligencije:

Gradescope je sustav temeljen na umjetnoj inteligenciji koji se široko koristi u visokom obrazovanju za ocjenjivanje i analizu studentskih zadataka, uključujući eseje, matematičke probleme i računalne kodove. Sustav omogućuje digitalno skeniranje papirnatih radova ili učitavanje zadataka u PDF-obliku, a zatim automatsku analizu i grupiranje sličnih odgovora. Dakle, sustav prepoznaje pravilne i pogrešne obrasce rješavanja i omogućuje personalizirani povratni odgovor u kratkom vremenu. 

Kvaliteta povratnog odgovora zahtijeva pedagoški nadzor instruktora. Primjena naprednih funkionalnosti zahtijeva institucionalnu pretplatu.

Primjer u visokoškolskom obrazovanju:

Na kolegiju „Linearna algebra” studenti rješavaju zadatke koji uključuju računanje determinanti i rješavanje sustava linearnih jednadžbi. Nakon što predaju rješenja putem Gradescopea, sustav automatski analizira postupke i prepoznaje najčešće matematičke pogreške, na primjer, krivo izvedenu elementarnu transformaciju ili pogrešku u računanju determinante.

Studenti odmah dobivaju povratni odgovor koji ih upućuje na konkretan korak u kojem je došlo do pogreške, uz kratku smjernicu koja potiče provjeru logike postupka. Nakon ispravka rješenja, studenti uspoređuju svoj početni i poboljšani pristup i obrazlažu koja ih je dodatna razmišljanja dovela do točnog rješenja.

Nastavnik pritom koristi pregled najčešćih pogrešaka kako bi otvorio raspravu o različitim strategijama rješavanja sustava jednadžbi i o važnosti provjere postupaka. Takva rasprava aktivira dublje razumijevanje matematičkih koncepata i potiče studente na metakognitivnu refleksiju o vlastitome učenju.