Modeli instrukcijskog dizajna za primjenu alata i sustava umjetne inteligencije

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