Jak může umělá inteligence učitelům pomoci

Anotace

Zajímavý ohlas vyvolalo zveřejnění výsledků výzkumu [1] Seana Kellyho z University of Pittsburgh. Se svým týmem se rozhodl pomocí aplikace hlubokého učení naučit stroj vybavený umělou inteligencí analyzovat zvukové záznamy výuky. Zásadní otázkou je, jak rozpozná kvalitní výuku zkušený hodnotitel. Sean pro začátek použil natolik zjednodušující metodu, aby ji současné technologie dokázaly zvládnout. V záznamech vyhledávali místa, kde učitel klade otázky, a zkoumali, zda mají charakter tzv. „autentických“ otázek. Je důležité ještě připomenout, že se jednalo o jazykově orientovanou výuku.

Autentická otázka je taková, na níž neexistuje jediná možná správná odpověď. Teoreticky by měla (dle předchozích Kellyho výzkumů) vést k přemýšlení žáků a rozvíjet ve třídě diskuzi. Posoudit, zda se tak skutečně děje, je zatím nad rámec schopností umělé inteligence. Dokáže i tak víc, než jsme si do nedávna uměli představit. Hodnotitelé ve stovkách nahrávek identifikovali autentické otázky, čímž tuto schopnost předávali stroji. Ten poté začal tuto práci dělat za ně. Je jasné, že z počátku to asi nebylo zcela bezchybné. Po nutném zacvičení (fázi, kdy člověk chyby stroje opravuje, a ten se díky tomu zlepšuje) vytvořili vědci v Pittsburghu nástroj, jehož úspěšnost hledání autentických otázek je srovnatelná s lidskou.

Řekl bych, že se jedná o vývoj, který má velkou budoucnost. Již teď na samém počátku dokáže během vteřiny sdělit učiteli, jak moc je jeho výuka orientovaná na vyvolávání zájmu žák.. Stačí ve třídě zapnout mikrofon. Ekvivalentem je mnoho hodin práce specializovaných odborníků (i když ti samozřejmě zatím dokáží více). Nezanedbatelnou skutečností je i to, že výsledek analýzy mohou případně získat i nadřízené orgány a učitele podle ní hodnotit.

Bude hodně zajímavé sledovat, kam se bude ubírat další vývoj. Zásadním problémem je, do jaké míry zde použité kritérium aplikace autentických otázek ve výuce vystihuje skutečnou kvalitu výuky. Troufnu si hádat, že toto je zatím určitá slabina tohoto modelu hodnocení. Posun bude vyžadovat analýzu skutečných reakcí žáků ve třídě, rozpoznávání jednotlivých žáků a ve finále sledování jejich dlouhodobého pokroku. Je možné uvažovat dokonce o tom, že může podobná analýza fungovat v reálném čase a dávat učiteli okamžitou zpětnou vazbu k tomu, co se ve třídě děje. Jednou se tato analýza pravděpodobně propojí s analýzou velkých dat získaných činností žáků prostřednictvím jejich digitálních zařízení (na počátku je již existující analýza psaných textů).

Nejsem jediný, koho výsledky výzkumu Seana Kellyho zaujaly. Dopisovatelka Hechinger Report Jill Barshay o nich informuje ve svém vědeckém sloupku [2]. Docela by mě zajímalo, zda si umíte představit, že bude jednou podobná analýza k dispozici i u nás.

Pitt School of Education Faculty Introduction – Sean Kelly