Tehnike primjene umjetne inteligencije za poticanje aktivnog učenja

Analitika učenja podržana umjetnom inteligencijom odnosi se na sustavno prikupljanje i analizu podataka o studentskom učenju uz primjenu algoritama umjetne inteligencije koji omogućuju dublje razumijevanje procesa učenja, prepoznavanje obrazaca ponašanja i predviđanje mogućih rizika u ostvarivanju obrazovnih ciljeva. 

Rezultati takve analize koriste se za pružanje personaliziranih preporuka studentima i pravovremenu pedagošku intervenciju nastavnika, pri čemu studenti stječu jasniji uvid u vlastite obrasce učenja, donose informiranije odluke o daljnjim koracima i reflektiraju o napretku. 

Ovakav pristup izravno potiče aktivno učenje i razvoj akademske autonomije jer student postaje aktivni donositelj odluka o vlastitom učenju.

Analitika učenja podržana umjetnom inteligencijom podržava samostalno upravljanje učenjem, ali ne upravlja učenjem umjesto studenta.

Primjer alata umjetne inteligencije:

IntelliBoard je sustav za analitiku učenja koji se može integrirati s Moodleom i drugim visokoškolskim sustavima za upravljanje učenjem. Koristi elemente umjetne inteligencije, osobito metode strojnog učenja, kako bi analizirao angažman i uspješnost polaznika i prepoznao obrasce koji upućuju na potrebu za dodatnom podrškom. Polaznicima i instruktorima daje vizualne prikaze napretka i preporuke za poboljšanje procesa učenja. Naprednije analitičke funkcionalnosti nalaze se u komercijalnoj verziji alata i za punu primjenu je potrebna institucionalna licenca.

Primjer u visokoškolskom okruženju:

Na kolegiju „Uvod u programiranje” studenti redovito rješavaju kratke problemske zadatke u digitalnom sustavu za učenje (LMS) koji koristi umjetnu inteligenciju za analizu podataka o njihovim aktivnostima. Sustav prati učestalost pristupa materijalima, razinu uspješnosti u kvizovima i pravovremenost predaje zadataka i studentima prikazuje vizualne pokazatelje napretka u odnosu na ishode učenja.

Ako sustav uoči da pojedini student zaostaje u određenoj vrsti zadataka ili pokazuje pad angažmana, prikazuje mu personaliziranu preporuku, na primjer:

• pregled dodatnih materijala
• ciljanu vježbu
• podsjetnik na rok ili aktivnost u kojoj nije sudjelovao.

Student na temelju tih uvida planira svoje daljnje aktivnosti, prilagođava strategiju učenja i reflektira o napretku kroz vrijeme. Nastavnik koristi agregirane podatke kako bi pokrenuo raspravu o učinkovitim načinima učenja i pravovremeno podržao studente kojima je potrebna dodatna pomoć.

Ovakav pristup potiče aktivno učenje jer se studenti oslanjaju na informacije o vlastitome napretku, donose obrazložene odluke i preuzimaju odgovornost za kvalitetu svoga učenja.

Primjena analitike učenja podržane umjetnom inteligencijom pridonosi aktivnom učenju jer student aktivno prati svoj napredak, prilagođava strategije učenja i razvija odgovornost za postizanje ishoda učenja. Nastavnik istovremeno koristi analitičke uvide kako bi usmjerio podršku studentima, što osigurava pravovremene i učinkovite prilagodbe u procesu poučavanja.