Искусственный интеллект

Кремний науки: как искусственный интеллект помогает педагогам и учащимся.

Так генерирующая изображения нейросеть MidJourney «представляет» себе учащихся (по запросу «students») / ©Naked Science

В апреле 1985 года в знаменитом компьютерном журнале Byte вышла статья двух профессоров Университета Карнеги—Меллона — психологов и специалистов по компьютерным наукам. Называлась она «Учитель Лиспа». Во введении авторы сформулировали ключевой тезис, определивший развитие технологий в образовании на 40 лет вперед:

«Наблюдая за тем, как студенты приобретают навыки [программирования], мы пришли к выводу, что индивидуальное обучение гораздо более эффективно, нежели обычные групповые занятия в университетской аудитории. При аудиторном обучении студенты прослушивают лекции, занимаются по учебникам и в одиночку трудятся над домашними заданиями. При индивидуальном обучении к студенту прикрепляется опытный преподаватель, под руководством которого учащийся работает с учебником и решает задачи. При изучении [языка программирования] Лисп сравнительный анализ показал, что студенты, занимающиеся с педагогами, за 11 учебных часов усваивают такой же объем материала, на который при аудиторных занятиях требуется 43 учебных часа. И в том, и в другом случае время уходило в основном не на изучение учебных пособий, а на непосредственные попытки написания программ на Лиспе».

Но где же набрать столько профессиональных тьюторов и откуда брать деньги на их почасовую оплату? Задача, казалось бы, нерешаемая. Однако выход был найден — ученые создали один из первых интерактивных компьютерных тренажеров, совмещенных с экспертной системой по языку Лисп — собственно «Учителя Лиспа», написанного, по иронии, на его диалекте Franz LISP (одного из трех общепризнанных в то время языков для создания систем искусственного интеллекта наряду с PROLOG и РЕФАЛ).

Иными словами, в те годы ученые сформулировали ключевое противоречие между системой массового стандартного образования и адаптивного, персонализированного под каждого ученика. Первая охватывает многих учащихся, но оказывается неэффективной, а вторая высокоэффективна, но требует на порядки больше ресурсов в виде высококлассных педагогических кадров. Тут же было предложено и решение проблемы нехватки педагогов для реализации последнего подхода — их замены на отдельных классах учебных задач «кремниевыми учителями», или компьютерными программами-ассистентами и диалоговыми системами с элементами искусственного интеллекта.

Человеческое, слишком человеческое

Основой гуманистической педагогики всегда был постулат, что учитель — в большей степени личный пример, ролевая модель и лидер для учеников, нежели ретранслятор знаний. Он должен пробуждать их мышление, разжигать любопытство и поощрять поиск. Задача педагога — делать занятия интересными, работать с артистизмом, по сути давая не урок, а перформанс. Его первоочередная цель — сформировать характер, ценности, научить мягким навыкам (soft skills) и метакогнитивным компетенциям (простыми словами — умению учиться).

Обычно блестящих преподавателей, которых любят и ценят студенты, можно пересчитать по пальцам, и на всех их не хватает / ©Pixabay

У многих ли из нас был подобный опыт в школе и университете? Обычно таких учителей можно пересчитать по пальцам, и на всех их не хватает. Однако искусственный интеллект может оказать им большую помощь: подменяя в ряде рутинных задач человека, он высвобождает его время и силы на то, что может дать только живой учитель. Будущее образования (впрочем, как и медицины, искусства, производства и так далее) — в кентавр-системах, где педагог работает «рука об руку» сразу с несколькими технологиями искусственного интеллекта, а время учеников в равной степени поделено между работой с учителем и компьютером.

Так, например, ученые из НИУ ВШЭ, участвующие в проекте «Искусственный интеллект в образовании», выделяют три самых перспективных направления в использовании технологий ИИ в средней и высшей школе:

– персонализированное адаптивное обучение как элемент современной цифровой образовательной инфраструктуры;

– сбор и обработка данных оценивания учеников в образовании, а также автоматическое оценивание и конструирование тестовых заданий;

– педагогический дизайн образовательных продуктов.

Кроме того, к ним можно добавить еще предиктивную аналитику успеваемости студентов и психодиагностику по их «цифровому следу», либо автоматизированную обработку традиционных методов педагогической и психологической психометрии — стандартных тестов достижений, анкетирования и личностных опросников.

Схожие направления выделяют и иностранные ученые. Ниже мы расскажем о каждом из них, и о том, какие ключевые проблемы в образовании помогает решить ИИ педагогам, школьной и вузовской администрации.

Предиктивная аналитика и психодиагностика в школе и университете

Если с психодиагностикой сталкивались все от квазинаучных опросников в глянцевых журналах до серьезных батарей тестов при профессиональном отборе либо перед курсом психотерапии, то предиктивная аналитика — вещь менее известная. Это технология, позволяющая предсказать наше поведение, выбор в тех или иных ситуациях, либо, например, академический или профессиональный успех (или неудачу).

Предиктивная аналитика всегда базируется на сборе большого массива данных и использовании машинного обучения для поиска в них закономерностей. Сами того не замечая, мы генерируем огромное число данных о себе — оставляем «цифровой след» вроде активности в социальных сетях или истории покупок в соседнем супермаркете.

Если же этих данных не хватает, то можно применить и дополнительные их источники, вроде интеллектуальной видеоаналитики — использования записей с видеокамер наблюдения для, скажем, оценки наших эмоциональных реакций или предпочитаемого маршрута посещения торгового центра. Естественно, предиктивная аналитика может эффективно применяться и в образовании.

Так, одна из сложных задач — относительно точное предсказание успеваемости в школе. Оригинальное и эффективное решение этой проблемы нашел заведующий лабораторией вычислительных социальных наук Института образования НИУ ВШЭ Иван Смирнов. Он обучил модель искусственного интеллекта на выборке из 130 575 постов с открытых аккаунтов 2468 школьников в социальной сети «ВКонтакте». Все ученики параллельно участвовали в мониторинге PISA (Programme for International Student Assessment) и проходили соответствующие стандартизированные тесты академических достижений.

В итоге алгоритм научился с точностью почти 94 процента определять, кому принадлежит тот или иной пост: двоечнику или отличнику, на основании частоты использования встречающихся в нем слов в общей выборке школьников, размера словаря, принадлежности слов или символов к определенным смысловым кластерам.

Так, эмодзи и слова из прописных букв отрицательно коррелировали со школьными оценками. А использование латиницы и английских слов; лексем, связанных с чтением и мышлением (книга, том, опубликовано, размышлял, запомнил, думал и так далее), оказались сильно положительно связаны с успехами в учебе.

Исследователь выложил собранные дата-сеты и модель в открытый доступ. На их основании сотрудники научно-образовательного портала IQ.HSE сделали интерактивную онлайн-игру, в который каждый может проверить, насколько он умнее среднестатистического школьника!

Другой важный аспект применения предиктивной аналитики — отслеживание психологического и психофизиологического состояния учеников и студентов. С этим могут помочь алгоритмы. Системы видеоаналитики с элементами искусственного интеллекта способны выявить агрессию, оценить психическое состояние учеников в классе и загодя выдать предупреждение. После чего уже психолог может начать работу с проблемным учеником.

Переходный возраст нередко сопровождается депрессиями и личностными кризисами. И здесь опять же на выручку приходит «цифровой след». По комментариям в соцсетях также можно определить уровень агрессивности или предварительно диагностировать депрессию. А, например, в Университете Джонса Хопкинса (Балтимор, США) разработали модель машинного обучения, способную с высокой точностью выявить подростков с суицидальными мыслями, на основе анализа результатов школьных опросов.

В нашей стране психологический и психофизиологический мониторинг активно применяются и для сугубо педагогических целей. Так, компания «Росэлектроника» (входит в «Ростех») создала систему искусственного интеллекта для оценки влияния психофизиологического состояния на усвоение учебного материала. С ее помощью учитель может оперативно выявить пробелы у учеников и подтянуть с ними необходимый учебный материал.

Другая интересная разработка — сервис Neuro Angel производства компании «Лаборатория знаний» (резидент «Сколково»). Здесь также алгоритмы ИИ анализируют физиологические данные человека и прогнозируют его работоспособность. Система может применяться не только для оценки трудовых коллективов и команд, занятых интеллектуальной деятельностью, но и в школах и университетах.

Автоматическое оценивание и конструирование тестовых заданий

Вплотную к психодиагностике примыкает и автоматизация оценок достигнутого учащимися уровня знаний и понимания учебного материала — методов вычислительной психометрики. Этот подход помогает решить сразу несколько застарелых проблем образования.

Во-первых, субъективизм в проверке и оценивании педагогами работ школьников и студентов. Люди не всегда объективны, подвержены предвзятости и стереотипам, поэтому и оценки не всегда соответствуют реальному уровню учеников. Использование ИИ для начисления баллов за задания открытого типа и алгоритмов обработки естественного языка для проверки диктантов, изложений и даже эссе позволяет убрать из процесса проверки экспертов-людей. Благодаря этому система становится более прозрачной, справедливой и создающей равные для всех возможности.

Автоматизация оценок позволит хотя бы отчасти избавиться от субъективизма педагогов / ©Pixabay

Кроме того, автоматизация оценок снимает огромную нагрузку с учителей и преподавателей вузов по проверке работ, что позволяет им уделить больше времени личным консультациям с учащимися. Дополнительно любая система оценивания заданий имеет встроенный модуль аналитики, который позволяет педагогу понять, какие темы или задания вызвали у его подопечных трудности. Это позволяет вернуться к сложным вопросам и вновь подробно разобрать их в классе или лично с каждым.

Во-вторых, существует большая проблема списывания: в интернете много сайтов-решебников, где можно найти разбор всех заданий из всех стандартных учебников, ответы на шаблонные вопросы и прочее, и во время дистантных занятий ими так удобно пользоваться. Поэтому перед педагогом возникают два новых вызова: постоянно создавать свежий образовательный контент, в первую очередь задачи и тестовые вопросы, и проверять не столько формальную сторону ответов на тесты — в нужном ли квадратике стоит галочка, сколько логику, благодаря которой учащийся пришел к такому ответу.

Современный ИИ дает возможность автоматической генерации новых заданий, которые прежде никому не предъявлялись, но достоверно обладают заранее известными психометрическими характеристиками, то есть позволяют оценить конкретные знания, умения, навыки. В этом случае использование алгоритмов не только экономит время педагога, но и ресурсы методистов, повышает безопасность тестовых материалов: если они сгенерированы здесь и сейчас, то точно не могут быть скомпрометированы, в том числе и самим преподавателем. Все это увеличивает не только продуктивность, но и справедливость системы образования и, как следствие, доверие к ней.

Профессор Института образования НИУ ВШЭ Ирина Абанкина считает, что «только благодаря таким разработкам искусственного интеллекта можно перейти на индивидуализацию в образовательных треках»: «Без этого идет оценка стандартных заданий по шаблону, и она не позволяет всерьез индивидуализировать учебный процесс».

По ее словам, уже есть программа, которая помогает оценивать логику решения математических задач при условии, что у них есть несколько вариантов решений. «Если нет возможности индивидуализировать задание, проверять его, давать рекомендации и комментарии, то все разговоры о переходе на индивидуальные образовательные треки окажутся только разговорами», — считает эксперт.

Персонализированное адаптивное обучение будущего

И здесь мы вновь возвращаемся к тому, с чего начали. Хотя разговоры о персональных траекториях в образовании идут давно, реальные имплементации этого подхода пока носят фрагментарный характер и пока в основном на частных образовательных платформах вроде британской Century Tech, основанной Прией Лакхани. Там с самого начала оценки ставятся автоматически, ученики и учителя получают мгновенную обратную связь, а собранные в ходе процесса обучения данные показывают сильные и слабые места каждого учащегося.

В идеальной системе персонализированного обучения любое задание всегда адаптируется под конкретного студента. Вроде того, как пишет известный визионер в области искусственного интеллекта Кай-Фу Ли: «Алгоритм подберет методику обучения геометрии, которая не работает с тысячей учеников, но позволит быстрее обучить одного-единственного. Для школьника, который любит баскетбол, [генеративная языковая модель] может сформулировать математические задачи в терминах этого вида спорта».

При этом системе необходимо получать постоянную обратную связь с помощью видеоаналитики, например отслеживая расширение зрачков ученика в моменты интереса и восторга, либо их сужение и вообще признаки дремоты, когда ему скучно. Такая информация должна в реальном времени поступать в систему и калибровать ее действия и предлагаемые задания. Конечно, пока технологии еще далеки от такого уровня.

В России в качестве методологической основы персонализированного адаптивного обучения используется модель скаффолдинга (scaffolding), которая позволяет технологически переформулировать концепцию «зоны ближайшего развития» ребенка из педагогической психологии Льва Выготского. Сначала под ней подразумевались такие интеллектуальные задачи, которые ребенок пока не может выполнить самостоятельно, но способен освоить в диалоге и с помощью родителя.

Современный же скаффолдинг предполагает формирование большого арсенала педагогических вмешательств, реализуемых интерактивной обучающей системой. Здесь и имитационное моделирование процесса решения учебных задач, когда учащийся и «кремниевый учитель» «совместно» проходят образцы их решения, и указание виртуальным помощником на конкретные ошибки. В любом случае процесс создания подобных систем идет в том числе и в нашей стране при поддержке государства.

К таковым можно отнести виртуального репетитора английского языка, созданного резидентом Фонда «Сколково», компанией Skyeng. Сервис анализирует навыки и знания ученика, определяет уровень его подготовки. Одно из ноу-хау разработки — способность «понимать» английскую речь школьника и анализировать ее качество — произношение, корректность и так далее.

Другой пример — «01Математика», также созданный резидентом Фонда «Сколково». Система полностью настроена на обучение школьников средних и старших классов, особенно на подготовку к ЕГЭ. Здесь есть как традиционные онлайн-лекции, обучающие видео, 3D-модели, интерактивные графики, игры и так далее, так и алгоритмы искусственного интеллекта. Они предложат ученику пройти вводный тест и проанализируют его текущее владение математикой. Потом ИИ начнет предлагать задания, причем с упором на те темы, которые даются школьнику сложнее всего. Все происходит как в продвинутой компьютерной игре: система регулирует сложность в зависимости от прогресса учащегося.

Благодаря такому подходу «01Математика» становится очень адаптивным личным репетитором. Всего за несколько месяцев она поможет любому школьнику «набить руку» — довести решение задач до автоматизма. При этом постоянно анализируя ошибки, подстраиваясь не только под уровень, но и привычки школьника. Совсем недавно «01Математика» прошла верификацию контента, и теперь любая школа страны может получить бесплатный доступ к ее системе (начиная с середины ноября) через федеральную платформу EduCont.ru.

Педагогический дизайн образовательных продуктов

Здесь сочетается как использование давно известных, хоть и редко применяемых педагогами инструментов, вроде организации системы обратной связи от студентов по отдельным элементам курса или интервального обучения. Иногда приходится слышать, что специалист должен хорошо знать свой предмет, и это автоматически делает его преподавателем от бога. Однако в большинстве случаев это заблуждение, и для создания действительно интересного и эффективного контента требуется научный подход и проектирование (дизайн) учебного курса.

Но, как нас учит кибернетика, ни одна система не может улучшаться и эволюционировать без обратной связи. Дать ее могут только учащиеся, а обобщить информацию и сделать продуктивные выводы всегда поможет машинное обучение. Для сбора обратной связи создаются информационные дашборды (условно, виртуальные интерфейсы со счетчиками, метриками, графиками и таблицами), запускаются текстовые или голосовые боты.

Кроме того, ИИ способен постоянно контролировать интервал обучения — отслеживать, что и когда изучили учащиеся, соотносить с такими метриками, как кривая забывания, или требованиями к пропедевтике курса — и предлагать повторить материал. Доступ к этим данным могут иметь как педагоги для улучшения дизайна курсов, так и ученики — для самоконтроля и подготовки.

Среди перспектив ближайшего будущего в разработке образовательных продуктов — активное использование виртуальных помощников и образовательных систем, способных вести диалоги на естественном языке об изучаемом предмете. Здесь сходятся сразу несколько технологий ИИ. Среди них создание фотореалистичных аватаров, в том числе, например, с помощью метода deepfake — наложения лица, голоса, мимики и пантомимики реального учителя на виртуального помощника. И использование сложных генеративных языковых моделей для поддержания письменного или устного диалога.

Ну и самое интересное и эффективное — создание сложных интерактивных образовательных и исследовательских сред с применением AR- и VR-технологий (дополненной и виртуальной реальности). Такой подход подразумевает использование принципа осознанного конструирования образовательного опыта. Ученики активно создают свои знания, исследуя элементы учебной среды и манипулируя ими.

Впрочем, немаловажен здесь и мотивационный аспект. Даже сейчас внедрение в учебный процесс внутри образовательных приложений и платформ виртуальных, но активных и интересных «одноклассников»-ботов стимулирует вовлеченность учеников и поощряет их больше и усерднее заниматься. Пока эта технология реализуется на примитивном уровне — через записанные видео, но в будущем подобных персонажей будет легко конструировать с помощью ИИ, а возможности голосовых моделей и визуализации растет каждый день.

Источник: m.vk.com

Источник

Добавить комментарий

Кнопка «Наверх»