Автор Тим Дейси
Вся система образования действует вслепую.
Руководители школ не могут проверить, улучшит ли реформа расписания обучение, не нарушая распорядок дня реальных учеников. Новые учителя приходят в классы, им говорят, чего ожидать, но у них нет опыта работы с 25 реальными учениками. Многие быстро отсеиваются из-за сильного стресса, связанного с обучением на собственном горьком опыте. Исследователи, изучающие развитие устойчивых навыков, работают в основном на основе теории, а не доказательств, потому что долгосрочные исследования занимают годы, в течение которых меняются состав учащихся и контекст. Вместо этого они вынуждены проводить менее важные эксперименты.
Когда кто-то предлагает радикальную перестройку, конечно же, люди отвергают ее как слишком рискованную. Она не «основана на доказательствах». Выбор сводится к тому, чтобы внедрить ее и надеяться на лучшее, или отвергнуть, потому что мы не можем доказать, что она работает. Неудивительно, что реформ мало. Надежда — плохая замена доказательствам.
Образованию отчаянно нужно то, что есть в других сложных областях — способ безопасно исследовать сценарии «что если» на каждом уровне системы. Нам нужны симуляции.
Уроки из других областей
Другие области начали изучать аналогичные подходы. Маркетинговые отделы экспериментируют с созданными с помощью ИИ портретами пользователей для тестирования кампаний. Экономика имеет более долгую историю использования симуляций, применяя макроуровневые модели для проверки политических мер. Градостроители используют симуляции на основе данных для тестирования мер по регулированию дорожного движения и изменений в зонировании. Там, где симуляции получили распространение, они оказались ценными для проверки идей перед выделением ресурсов.
Образование десятилетиями экспериментировало с симуляциями. SimSchool, разработанный в начале 2000-х годов, создавал виртуальные классы, где будущие учителя могли практиковать стратегии обучения, не причиняя вреда реальным детям. Если дать студентам слишком сложную работу, виртуальные ученики демонстрировали разочарование. Если сделать слишком простую, они расслаблялись. Исследования показали, что будущие учителя, использующие симулятор, быстрее приобретали уверенность в своих педагогических способностях, чем те, кто обучался по традиционным программам подготовки.
Эти ранние симуляции оказались ценными, но имели фундаментальные ограничения. Имитированные студенты работали по простым правилам. Они могли демонстрировать разочарование или замешательство, но им не хватало тонких реакций реальных детей. Некоторые программы использовали виртуальных учеников, управляемых обученными актерами. Эффективно, но трудоемко и не масштабируемо.
Поведение человека чрезвычайно сложно. Более ранние системы не могли надежно отразить эту сложность.
Современный ИИ ведет гибкий диалог, который точно имитирует человеческую беседу. Ученик-ИИ может отвечать контекстно уместными ответами, совершать реалистичные ошибки, задавать спонтанные вопросы или проявлять замешательство. Имитированные люди теперь могут быть гораздо сложнее, многограннее и многограннее.
В этом году исследователи создали аватар ученика-ИИ по имени «Сесилия», чтобы помочь учителям практиковаться в выявлении мыслительных процессов учеников. Версия GenAI предложила Сесилии действовать как виртуальная первоклассница с определенными пробелами в знаниях. Сесилия решала задачи по-детски. Участники-учителя сочли этот опыт реалистичным и ценным.
Это симуляция с одним агентом. Один ученик-ИИ помогает отдельному учителю практиковать определенные навыки. Но та же технология позволяет создавать симуляции с несколькими агентами — целые виртуальные классы, населенные разнообразными учениками-ИИ, каждый из которых представляет разный опыт и профили обучения. Представьте виртуальный класс с одним учеником, использующим ИИ, который испытывает трудности с чтением, другим, который преуспевает в математике, но застенчив, и третьим, проявляющим признаки СДВГ. Проведите предложенный подход к обучению на этой группе учеников и понаблюдайте за реакцией каждого. Или передайте смоделированный класс студенту-преподавателю в первый же день в качестве его «класса» на семестр.
(Следует отметить, что эти примеры не являются рекомендацией. Я попросил ИИ провести глубокий поиск информации о недавних образовательных симуляциях с использованием ИИ, и он не нашел многого, но, конечно, он мог многое упустить. Я не уверен, насколько уникальна Сесилия.)
Цикл построения знаний
Очевидный вопрос заключается в том, можем ли мы достаточно хорошо описать поведение человека, чтобы надежно моделировать различных людей в образовательных системах или связанных с ними — учителей, учеников, руководителей, плательщиков, родителей или опекунов.
Честный ответ: не идеально, но достаточно хорошо для начала. И сам процесс попыток имеет множество огромных преимуществ.
ИИ может быстро генерировать правдоподобные варианты учеников. Правдоподобие достаточно для многих целей. Обучение учителей не требует идеальной точности. Необходимы достаточно реалистичные взаимодействия, чтобы учителя могли выработать полезные стратегии распознавания образов и реагирования. Системные исследования (улучшит ли это изменение расписания обучение или ухудшит его?) как вариации существующих парадигм должны работать с ИИ, который учитывает знания и опыт сообщества.
Учителя могли бы имитировать свой класс в точности, если бы ИИ имел доступ к системам управления обучением и данным учащихся. С этической точки зрения это вызывает опасения по поводу конфиденциальности и согласия, а также ненадлежащего использования таких эмуляций. Создание симуляции идентифицируемого ученика без согласия заходит на проблемную территорию, даже с педагогической целью. Лучше использовать составные типы учащихся, полученные из агрегированных моделей, а не индивидуальные цифровые двойники.
Другие потребности требуют более тщательной проверки. Прежде чем принимать важные политические решения, необходимо проверить модель на основе задокументированных предыдущих вмешательств. Правильно ли ваша симуляция предсказывает, что произошло, когда эта дисциплинарная политика изменилась пять лет назад? Несоответствия указывают на то, где ваша модель нуждается в доработке.
Если эти симуляции контролируются сообществом педагогических исследований и колледжей, а не хранятся в проприетарных системах, они становятся механизмом, побуждающим к обсуждению того, что действительно важно и над чем следует работать дальше.
Нельзя создать симуляцию, откладывая решения, как это происходит в реальной жизни, или игнорируя факторы просто из-за неуверенности. При использовании симуляции приходится делать выбор. Какие факторы влияют на вовлеченность учащихся? Как действия учителя влияют на динамику в классе? Что делает некоторых учеников более устойчивыми к неудачам? По моему опыту наблюдения за разработкой игрового обучения, это заставляет делать выбор, которого часто избегают в обычной практике. Процесс создания выводит на поверхность неявные знания, выявляет скрытые предположения и вносит ясность в то, что на самом деле определяет результаты. Часто симуляции выявляют что-то неожиданное или «на что следует обратить внимание», а не обязательно точные прогнозы.
Сообщество, создающее симуляцию, должно сформулировать свои предположения, и эти предположения проверяются каждый раз, когда кто-то запускает симуляцию. Когда прогнозы не оправдываются, большая красная стрелка указывает на следующий важный полевой эксперимент.
Это может помочь объединить область, которая досадно фрагментирована. Исследования в области образования испытывают трудности с проведением масштабных экспериментов. Исследования по воспроизведению результатов редки. Различные субсообщества работают изолированно. Общая платформа для симуляций создает общую точку отсчета. SimCity не был создан и не контролировался сообществом, и в исследовательском мире существуют гораздо более точные модели «цифрового города». Но это оказало мощное фокусирующее воздействие на городское планирование. Исследователи спорили о его точности. Оно стало распространенным инструментом обучения. И население узнало о городском планировании и даже смогло продемонстрировать инновационные подходы, фактически используя краудсорсинг для поиска решений. Различные модели городов стали центром исследований.
Наблюдение за реакцией виртуальных студентов на вмешательства порождает конкретные дискуссии о практике, а не абстрактные дебаты о теории. Учителя, исследователи и администраторы изучают одни и те же сценарии и сравнивают интерпретации. Со временем моделирование улучшается, поскольку накопленные знания кодируются в более совершенные модели.
Почему экстраполяция не работает для трансформации
Большинство исследований в области образования изучали традиционные парадигмы, используя варианты традиционных методов. Мы знаем кое-что о том, как студенты изучают алгебру посредством прямого обучения в течение 45-минутных периодов. Мы знаем меньше об обучении посредством длительной проектной работы с участием сверстников. А для модели образования, которая крайне отличается от нормы, накопленные данные очевидны.
Существенно измените парадигму, и все участники будут вести себя по-другому. Учитель, преуспевающий в лекционном обучении, может испытывать трудности с организацией проектного обучения. Ученикам, привыкшим ждать указаний учителя, нужно время, чтобы развить самостоятельность в среде, ориентированной на ученика.
Суть в том, что радикальные изменения вызывают непредвиденные реакции во всей системе. Переход к проектному обучению влияет на педагогику, расписание, оценку, общение с родителями и профессиональное развитие. Некоторые учителя принимают это, другие сопротивляются. Одни ученики преуспевают, другие терпят неудачу.
Нельзя экстраполировать «преподавание по-старому», чтобы понять, как может работать принципиально иная парадигма. Необходимы знания на более фундаментальных уровнях — базовые модели человеческой мотивации, обучения и поведения, которые сохраняются в разных контекстах.
Моделирование может выявить эти проблемы до внедрения. Тестирование блочного расписания в виртуальной школе может показать, что ученики, склонные к трудностям с вниманием, испытывают трудности на более длительных уроках, если стратегии обучения не будут соответствующим образом скорректированы. Заблаговременное выявление этого позволяет добавить поддержку или провести обучение учителей для решения проблемы до внедрения изменений. Моделирование, показывающее, что новая система оценок сбивает с толку родителей из определенных демографических групп, побуждает к разработке превентивных коммуникационных стратегий.
Моделирование не сможет предсказать всё. Человеческие системы слишком сложны. Но оно значительно расширяет диапазон сценариев, которые мы можем исследовать, и скорость, с которой мы можем это делать. Оно превращает трансформацию из пугающего скачка в обоснованный эксперимент.
Пора построить лабораторию
Игры и симуляции всегда были ценными образовательными инструментами, если их хорошо использовать, сокращая время и предоставляя безопасное пространство для экспериментов. Но они были хрупкими. Запрограммированные сценарии не могли адаптироваться. Простой ИИ создавал поверхностные взаимодействия. Создание сложных симуляций требовало огромных ресурсов. Модели упускали важные нюансы.
Способность ИИ к ролевым играм меняет всё. Создание сложного ИИ-ученика теперь требует тщательного наставления, а не месяцев программирования. Масштабирование становится простым.
Программы подготовки учителей могут дать каждому кандидату обширную практику работы с разнообразными виртуальными учениками. Руководители школ могут тестировать изменения в политике, прежде чем выделять ресурсы. Исследователи могут проводить эксперименты, которые были бы непрактичными или неэтичными в реальных школах.
Сложность поведения больше не является ограничивающим фактором. Ограничение заключается в нашей способности сформулировать то, что мы знаем о преподавании и обучении, в формах, которые могут быть использованы в симуляциях.
Система образования слишком долго действовала вслепую. Симуляции с использованием агентов ИИ — это новый, мощный корректирующий инструмент.
