Výzkumy odhalují, jak generativní AI ovlivňuje lidské učení

Anotace

Nám již dobře známá odbornice na využití AI ve výuce, výzkumnice Philippa Hardman nedávno přišla s přehledem pěti aktuálních vědeckých studií zabývajících se vlivem generativní AI (LLM) na lidské učení [1]. Bude zajímavé podívat se alespoň na přehled výsledků.

1. Jak ChatGPT zlepšuje celkovou angažovanost žáků
   (How ChatGPT impacts student engagement from a systematic review and meta-analysis study)
   Metaanalýza 17 studií vypracovaná výzkumníky z Chinese University of Hong Kong.

   Zjištění:

• Využití ChatGPT při učení mírně zlepšilo celkovou angažovanost studentů, zejména v kognitivní a behaviorální oblasti. Zvýšilo i emocionální angažovanost, zvláště u studentů s obtížemi v tradiční výuce.

• ChatGPT měl nekonzistentní účinky na kognitivní procesy vyššího řádu, jako je kritické myšlení. V některých případech bez vhodného vedení se zhoršila schopnost kriticky myslet.

2. Dvojznačný dopad AI na výuku programování
   (The Impact of Large Language Models on Programming Education and Student Learning Outcomes)
   Experiment ve výuce kurzu programování v bakalářském studiu na University of Maribor.

   Zjištění:

• LLM zlepšil výsledky zadaných úkolů, ale výrazně snížil schopnost studentů řešit podobné problémy nezávisle na kontrolovaném prostředí.

• Začátečníci závislí na LLM při generování kódu a ladění programu měli problémy s rozvojem základních dovedností řešení problémů. Pokročilí studenti dokázali lépe využít LLM pro řešení složitých problémů.

3. Personalizované vyučování matematiky s GPT
   (Let GPT be a Math Tutor: Teaching Math Word Problem Solvers with Customized Exercise Generation)
   Tým vědců řízený z University of Notre Dame vyvinul a ověřil systém CEMAL (Customized Exercise for MAth Learning), který má podobu GPT agenta. Ukazuje nový přístup k výuce matematiky prostřednictvím generování personalizovaných slovních úloh s využitím LLM.

   Zjištění:

• CEMAL zlepšuje schopnost řešit problémy a celkový výkon v matematice.

• Samotné generativní AI modely bez interaktivní podpory jsou méně účinné pro dlouhodobé udržení získaných poznatků.

• Průběžná opakující se zpětná vazba má pozitivní dopad na dlouhodobou udržitelnost dovedností.

4. Kognitivní offloading a kritické myšlení
   (AI Tools in Society: Impacts on Cognitive Offloading and the Future of Critical Thinking)
   Center for Strategic Corporate Foresight and Sustainability, Swiss Business School zkoumalo, jak možnost přenést řešení kognitivních úkolů na AI (offloading) ovlivňuje schopnost kritického myšlení.

   Zjištění:

• Závislost na nástrojích umělé inteligence odrazuje od aktivního zapojení do řešení analytických úkolů, a tak vede ke zhoršení kritického myšlení.

• Mladší uživatelé jsou více závislí na AI a vykazují nižší skóre v kritickém myšlení.

• Vyšší úroveň vzdělání zmírňuje negativní vlivy používání AI na kritické myšlení.

5. Metakognitivní lenost
   (Beware of metacognitive laziness: Effects of generative artificial intelligence on learning motivation, processes, and performance)
   Tým vědců z Graduate School of Education, Peking University zkoumal vliv používání AI na učení a výukové výsledky jejich studentů.

   Zjištění:

• Studenti používající nástroje umělé inteligence vykazovali výrazné krátkodobé zlepšení výkonu (např. skóre esejí), ale žádné významné rozdíly ve vnitřní motivaci, získávání znalostí nebo předávání znalostí ve srovnání s jinými skupinami.

• Interakce s umělou inteligencí snížila zapojení do klíčových procesů vlastního učení, jako je reflexe a sebehodnocení, což vedlo k tzv. metakognitivní lenosti – přílišnému spoléhání se na umělou inteligenci namísto aktivní regulace vlastních výukových aktivit.

• Studenti vykazovali nadměrnou sebedůvěru ve svůj výkon, a to navzdory existenci minimálních přínosů v hlubokém učení nebo přenositelných znalostech.

Závěr:
Všechny zkoumané výzkumy naznačují, že generativní AI nástroje samy o sobě příliš nepomáhají rozvoji samostatného lidského učení, ale často mu aktivně brání. Nástroje jako ChatGPT, Claude či Gemini zlepšují okamžitý výkon studentů při vypracovávání úkolů, ale také snižují kognitivní zapojení, kritické myšlení a samoregulované učení. Pokud se však podaří vytvořit prostředí, v němž je pedagogika na prvním místě a fungují strukturované a pedagogicky optimalizované vzdělávací systémy, potenciál AI je obrovský.

Abychom dokázali tento potenciál využít, potřebujeme společné, mezioborové úsilí. Aby umělá inteligence skutečně transformovala učení, musíme záměrně umožnit zásadní kulturní posun, který upřednostňuje výsledky lidského učení před efektivitou a ziskem. Většina současných produktů s umělou inteligencí se zaměřuje na urychlení vypracování úkolů nebo zvyšování využití uživateli často na úkor smysluplného učení. Musíme předefinovat „úspěch“ tím, že se zaměříme na získávání znalostí, růst dovedností a změnu chování spíše než na rychlost, přesnost nebo usnadnění práce uživatele.

Je nutné posunout důraz od efektivity a výkonu k procesům učení, hlubšímu porozumění a kritickému myšlení. Cílem musí být vytvoření nástrojů, které nás učiní chytřejšími, ne jen „chytřejších“ nástrojů.