34 Generativna UI za učilnice, 1. del

Kaj storite, ko vam nekdo predlaga, da določeno aktivnost preizkusite z orodjem generativne UI? Kaj storite, ko imate idejo za aktivnost, vendar niste prepričani, kako jo prilagoditi?

Namen tega poglavja je, da vam pomagamo pri ocenjevanju, izbiri in izvajanju takšnih aktivnosti.

Zaradi hitrosti razvoja s tem povezanih tehnologij in glede na to, da se učni uspeh spreminja od predmeta do predmeta in od konteksta do konteksta, vseh vprašanj, ki jih mora učitelj zastaviti, ni mogoče našteti vnaprej. Vseeno upamo, da vas bomo spodbudili k razmišljanju, v skladu z znanimi smernicami in raziskavami ter študijami primerov.

V tem priročniku obravnavamo samo tiste aktivnosti, pri katerih z generativno UI sodeluje učitelj, ne pa tudi učenec. Več o razlogih za to si preberite na povezavi v okvirčku.

Tudi če niste prepričani, da bi morala imeti orodja generativne UI svoje mesto v izobraževanju, vas vabimo, da preizkusite vsaj eno aktivnost, ki uporablja to tehnologijo. Morda vam bo to pomagalo:

• razumeti, kaj omogočajo in česa ne omogočajo orodja generativne UI;
• preoblikovati ali drugače razporediti elemente učnih ur, zlasti pri odločanju, kaj naj učencem naložite za domačo nalogo in česa ne. Na primer, ChatGPT se je izkazal za učinkovitega pri pomoči učencem pri pisanju esejev^1. Zato nemara ni najboljša ideja, da učenci standardne eseje pišejo doma. Morda boste morali uporabiti različne metode ocenjevanja, kot so skupinski projekti, praktične aktivnosti in ustne predstavitve, ter postavljati drugačna vprašanja kot tista, ki zahtevajo zgolj odgovor da ali ne¹;
• razumeti omejitve te tehnologije, da jo boste lahko uporabili za motiviranje učencev, da razvijejo svojo domišljijo in ustvarjalnost²;
• ne počutiti se zapostavljene, ko bo naslednja generacija teh tehnologij z naprednejšimi zmogljivostmi postala resničnost;
• uporabiti jih za zmanjšanje delovne obremenitve in raziskovanje novih tem, ki so bile prej morda preveč zamudne;
• izkoristiti nove filozofije in pristope k učenju, ki so zdaj možni;
• sooblikovati raziskave in razvoj izobraževalnih aplikacij³.

Obenem vam glede na novost te tehnologije in metod priporočamo, da podrobnosti vseh aktivnosti beležite v dnevnik. To vam bo pomagalo pri spremljanju in ocenjevanju kratkoročnih in dolgoročnih učinke vsake aktivnosti ter pri razpravljanju o vsem, kar boste opazili, s svojimi sodelavci.

Vprašanja o pedagogiki in praksi

Aktivnosti za izvedbo v učilnicah lahko predlaga kdorkoli. Predlogi lahko pridejo iz sveta tehnologije, brez razumevanja situacij v razredu. Ali pa je ideja dobra za študente, ne pa tudi za dijake. A tudi če je aktivnost primerna za vaš razred, vas lahko na dolgi rok preseneti, če ne bo podprta z dobro premišljeno pedagoško teorijo in potrditvijo v učilnici. Zato vas spodbujamo, da se pred vsako aktivnostjo vprašate o pedagogiki (teoriji) in praksi.

Vprašanja o generativni UI

V središču uporabe generativne UI so veliki jezikovni modeli (LLM) ali slikovni modeli (difuzijski modeli). Kot je dejal jezikoslovec Noam Chomsky, “grobo rečeno, [veliki jezikovni modeli] iščejo vzorce v ogromnih količinah podatkov in postajajo vse bolj spretni pri ustvarjanju statistično verjetnih rezultatov – kot sta, vsaj tako se zdi, človeškemu podoben jezik in način razmišljanja⁴.” BERT, BLOOM, GPT, LLaMA in PaLM so vsi veliki jezikovni modeli. Slikovni modeli globokega učenja pa se imenujejo difuzijski modeli. Stable diffusion in Midjourney sta priljubljena primera slednjih.

Podjetje, ki je produkt razvilo, ali tretja oseba, lahko model LLM dodatno usposobi (natančno uravna) za posebne naloge, npr. za odgovarjanje na vprašanja ali povzemanje esejev. Lahko pa modelu LLM ali klepetalnemu robotu dodajo nekaj pozivov ali ga nadgradijo z obsežnim programiranjem ter nato rezultat predstavijo kot aplikacijski paket (Chatpdf, Elicit, Compose AI, DreamStudio, NightCafe, PhotoSonic, Pictory…).

Na ta način je OpenAI natančno uravnal svoj GPT3 in GPT4 z vzorci vprašanj in odgovorov ter s pravili o sprejemljivosti vsebine in tako je nastal ChatGPT. Googlova raziskovalna ekipa je učila model PaLM z znanstvenimi in matematičnimi podatki in nastala je Minerva. Ta jezikovni model je dosegel najboljše rezultate med aplikacijami jezikovnih modelov za reševanje kvantitativnih problemov sklepanja: rešiti je znal skoraj tretjino problemov na dodiplomski ravni v fiziki, biologiji, kemiji, ekonomiji in drugih vedah, ki zahtevajo kvantitativno sklepanje⁵.

Za natančno uravnavanje jezikovnega modela za uporabo v izobraževanju Ed-GPT bo potrebno dodajanje znanja o predmetih (temah) in odpravljanje pristranskosti².

Dejstvo, da je bil jezikovni model natančno uravnan za določeno nalogo ali pa ne, bo vplivalo na njegovo učinkovitost pri tej nalogi⁶. Glede na to, ali celoten paket zagotavlja eno samo podjetje (npr., OpenAI je lastnik ChatGPT), ali pa je model nadalje razvijalo drugo podjetje, vpliva na varnost in zasebnost podatkov. Ko raziskujete, se zato splača preučiti tako uspehe kot omejitve izbranega modela.

Vprašanja o primernosti za vašo učilnico

Tudi če lahko določena aktivnost doseže vse zadane cilje in je uporabljeno orodje generativne UI najboljše in najbolj etično med vsemi, ki so na voljo, bo aktivnost vseeno treba prilagoditi vaši učilnici. Kot pri vsakem orodju UI, boste morda morali narediti več ponovitev, preden boste dosegli zadane cilje². Morda boste potrebovali usposabljanje in prakso pri tehnikah postavljanja vprašanj (iztočnic, pozivov) in pri kritičnem ocenjevanju rezultatov¹. Celotna izkušnja naj bi bila nagrajujoča in v skladu z vašimi vrednotami učitelja.

¹ Tlili, A., Shehata, B., Adarkwah, M.A. et al, What if the devil is my guardian angel: ChatGPT as a case study of using chatbots in education, Smart Learning Environments, 10, 15 2023.

² Holmes, W., Miao, F., Guidance for generative AI in education and research, Unesco, Paris, 2023.

³ Becker, B., et al, Programming Is Hard – Or at Least It Used to Be: Educational Opportunities and Challenges of AI Code Generation, Proceedings of the 54th ACM Technical Symposium on Computer Science Education V. 1 (SIGCSE 2023), Association for Computing Machinery, New York, 500–506, 2023.

⁴ Chomsky, N., Roberts, I., Watumull, J., Noam Chomsky: The False Promise of ChatGPT, The New York Times, 2023.

⁵ Lewkowycz, A., Andreassen, A.,  Dohan, D. et al, Solving Quantitative Reasoning Problems with Language Models, Google Research, 2022.

⁶ Enkelejda, K., et al, Chatgpt for Good? on Opportunities and Challenges of Large Language Models for Education, EdArXiv, 2023.