AI vizualizace podle Philippy Hardman

Anotace

Známá cambridgeská odbornice na vzdělávací technologie dr. Philippa Hardman na vědecké úrovni zkoumající využití AI publikovala přehledný článek [1] o tom, jak lze nejnovější Google AI nástroj nazvaný Nana Banana využít na vizualizaci vzdělávacího obsahu tak, aby byl zohledněn výukový efekt. Podívejme se nejprve na to, jaké typy výukových vizualizací Philippa rozlišuje.

• Vysvětlení problému
  Vytvoření 2D grafické reprezentace – jako je diagram, mapa, časová osa nebo průběh cesty – pro organizaci myšlenek a informací. Když jsou informace uspořádány v prostoru, lidé je mohou jednoduše vyhledávat, vidět na první pohled neviditelné vzory a snáze si všímat struktury, což následně podporuje lepší porozumění. Nesmíme však zapomínat na to, že naším konečným cílem je schopnost žáků vytvářet na základě poznání problematiky vlastní vizualizace, které posilují poznání a zvyšují jejich zapojení do poznávacího procesu.

• Analogie
  Učení pomocí analogií je založeno na porovnávání na první pohled odlišných příkladů. Výzkumy potvrzují, že analogie pomáhají žákům všímat si základních principů a přenášet je do nových kontextů – od transferového učení v předškolním věku až po klasické schematické zobrazení různých konceptů. Analogie pomáhají žákům vidět hlubší strukturu spíše než povrchní detaily a výrazně zlepšují pochopení neznámých problémů.

• Řešení problému
  Jedná se o plně vyřešené problémy, které zviditelňují kroky a uvažování experta. Výzkum porovnávající studium s využitím vhodných příkladů řešení se studiem bez podobného vedení ukazuje, že začátečníci se často učí postupy přesněji a efektivněji, když se řídí jasným postupem, místo aby museli každý krok vymýšlet sami, protože to snižuje kognitivní zátěž. Dobře navržené příklady řešení pomáhají pochopit užitečné dílčí cíle a vzorce, zejména v kombinaci s výzvami k vysvětlení každého kroku.

• Kontrastní případy
  Jedná se o případy, které se na první pohled zdají být stejné, ale liší se v určitém klíčovém rysu, kterého si má žák všimnout. Kontrastní případy pomáhají začátečníkům odhalit jemné, ale zásadní rozdíly, což umožňuje lepší kategorizaci a přesnější rozhodování. Vhodně obměněné případy urychlují detekci struktury a napomáhají jejímu porozumění, které je základním aspektem odbornosti.

• Rozpracování
  Rozpracování znamená rozvinutí tématu – například prostřednictvím vysvětlení, propojením s příběhem nebo navržením vlastního konkrétního příkladu. Posiluje paměť tím, že propojuje nové informace s předchozími znalostmi, čímž je obohacuje a usnadňuje jejich zapamatování. Prohlubuje porozumění vytvářením hustě propojených znalostních struktur a zlepšuje vybavování si detailů i flexibilní využívání znalostí. I malé děti se mohou naučit jednoduchým strategiím rozpracování, jako je např. představa dvou objektů, které na sebe vzájemně reagují.

• Generování
  Generování vyžaduje, aby žáci odpověděli, vysvětlili nebo odhadli řešení dříve, než uvidí to správné. Umocňuje cesty poznávání prostřednictvím aktivního zapojení. I nesprávná reakce posiluje paměť. Zlepšuje porozumění a včas odhaluje mylné představy.

Klíčovým poselstvím je, že se AI dostává do stádia, kdy bude schopná plnit roli experta nejen generováním obecného grafického obsahu, ale zároveň i experta na vzdělávání. Teprve když se spojí nástroje umělé inteligence s osvědčenými mechanismy učení, výsledky se posunou od hezčího výstupu k lepšímu učení. Abychom si uvědomili skutečnou sílu umělé inteligence, musíme se nejprve soustředit na hluboké pochopení toho, jak se lidé učí, a teprve poté se ptát, zda může generativní AI pomoci s jeho posílením?

Podle Philippy je nyní nejvhodnějším nástrojem pro vzdělávací vizualizace Nana Banana. Má tyto unikátní vlastnosti:

• Multimodální vstupy
  Do modelu lze vkládat náčrty, snímky obrazovky, fotografie, existující diagramy a další prvky, které formují každý nový výstup. Každý nápad se stává základem pro vylepšený vizuál.

• Přetrvávající vizuální identita
  Lze uzamknout postavy, palety, rozvržení i vizuální jazyk napříč sekvencemi. Model lépe než kterýkoli jiný rozumí pokynům „použít tuto postavu ve všech panelech“ nebo „zachovat stejné prostředí kanceláře, ale měnit interakci“.

• Řízené variace
  Lze systematicky měnit specifické parametry v rámci obrázku a zároveň ponechat vše ostatní konstantní, což usnadňuje úpravu vytvořených obrázků a zajišťuje jejich kvalitu.

Jen velmi nerad se zabývám konkrétními vlastnostmi jednotlivých nástrojů. Důvod je zřejmý. Vývoj je tak překotný, že za měsíc již může být vše jinak. Je skoro jisté, že zde popsanými unikátními vlastnostmi Nana Banana budou velmi rychle disponovat i jiné nástroje a možná je i překonají. Zvláště budete-li ochotni zaplatit. Nám jde hlavně o to, jak zajistit skutečný výukový přínos.

Patřím k těm, kdo se snaží v rámci snahy o názorné snižování nerovného přístupu ke vzdělání pracovat pouze s volně dostupnými zdroji (OER) a nástroji. Připojím malou ukázku toho, jak snadno lze i v tomto prostředí vizualizovat jinak obtížně vysvětlitelný problém.

Zeptal jsem se Gemini takto:

Existuje rozdíl mezi tím, jak se učí lidé a stroje?

Odpověď byla poměrně dlouhá. Řekl bych, že žák 2. stupně by možná měl problémy s pochopením. A tak jsem jí zadal z této odpovědi vytvořit vizualizaci:

Vytvoř vizualizaci efektivity dat: "Dítě vs. Superpočítač"
Tato vizualizace ukazuje rozdíl v tom, kolik příkladů je potřeba k pochopení konceptu.
Levá strana (Člověk): Malé dítě se dívá na jednu živou kočku a v bublině má symbol „kočka“. Hned vedle pozná kočku plyšovou i kreslenou.
Titulek: Few-shot Learning (Učení z mála) – Člověk si vytvoří abstraktní model (prototyp) téměř okamžitě.
Pravá strana (AI): Obrovský server, do kterého proudí tisíce fotografií koček z různých úhlů, aby na konci "blikla" zelená kontrolka „kočka“.
Titulek: Massive Data Training – AI potřebuje statistickou jistotu, nepochopí podstatu, "brute-force" hledá vzory v pixelech.

Nakonec ještě připomenu související myšlenku anglické odbornice Daisy Christodoulou, která nás varuje před příliš velkým zjednodušováním vzdělávacího procesu, které by mohlo vést až k tomu, že bude snadnější zůstat hloupý.