Kontrast jest silny.Jarring nawet. W Stanford studenci bezproblemowo poruszają się systemami zarządzania nauką zasilanymi przez sztuczną inteligencję, które przewidują ich potrzeby, sugerują optymalne harmonogramy studiów i zapewniają natychmiastowe informacje zwrotne na temat zadań.W międzyczasie, trzy tysiące mil oddalonych, nastolatki w niedofinansowanych szkołach publicznych w Detroit spoglądają na ekrany pikseli, walcząc z przestarzałymi interfejsami, które zderzają się ze średnim przydzieleniem. Witamy w paradoksie edukacji „inteligentnej inteligencji”, utopijnej wizji owiniętej w algorytmiczne obietnice, ale przywiązanej do tych samych systemowych nierówności, które od dziesięcioleci nękają amerykańską edukację. Mirage cyfrowego narodzin "AI-native to ktoś, kto zostanie wychowany, robiąc całą (lub większość) swojej pracy z możliwością pomocy AI" - wyjaśnia Briana Morrison, której badania na Uniwersytecie w Wirginii ujawniły błędne linie pojawiające się w przyjęciu technologii edukacyjnych. Pamiętaj, kiedy etykietowaliśmy całe pokolenie „cyfrowych tubylców”? Ten przełomowy założenie – że dzieci, które dorastały ze smartfonami, automatycznie posiadały wyrafinowane umiejętności technologiczne – okazało się niszczycielsko błędne. Teraz ponownie popełniamy ten sam błąd. Tylko tym razem stawki są wyższe. Zakłada się, że uczniowie jutra będą intuicyjnie poruszać się po narzędziach sztucznej inteligencji z taką samą łatwością, jak ich poprzednicy przyjęli media społecznościowe.Ale badania Morrisona ujawniają bardziej złożoną rzeczywistość.Studenci mogą szeroko wykorzystywać generującą sztuczną inteligencję – często nie zdając sobie z tego sprawy – ale nadal pozostają zasadniczo nieprzygotowani do krytycznego myślenia, rozumowania etycznego i umiejętności technicznych, których wymaga prawdziwe partnerstwo w dziedzinie sztucznej inteligencji. Nierówna linia startowa "Ci bez zasobów będą czekać na lokalne wymagania (i finansowanie)," Morrison zauważa, jej słowa noszą ciężar historycznego precedensu. Paralele są niepokojące.W latach 80-tych i 90-tych ubogie dzielnice nabyły laboratoria komputerowe, podczas gdy szkoły wiejskie i miejskie czekały lata na podstawowy sprzęt. Elitarne instytucje zatrudniają konsultantów ds. umiejętności sztucznej inteligencji i wdrażają zaawansowane platformy analityki uczenia się. Eksperymentują z spersonalizowanymi nauczycielami sztucznej inteligencji, zautomatyzowanymi systemami oceny i modelami predykcyjnymi, które identyfikują studentów, którzy borykają się z trudnościami, zanim opadną. Szkoły publiczne nadal walczą o niezawodny internet. Podczas gdy startupy w Dolinie Krzemowej opracowują programy nauczania zasilane przez sztuczną inteligencję, aby zaangażować kapitalistów, szkołom w Afryce Subsaharyjskiej brakuje energii elektrycznej do zasilania podstawowych komputerów. Kryzys, o którym nikt nie mówi "Aby to zrobić, musisz najpierw mieć nauczycieli, którzy są kompetentni" - podkreśla Morrison, uderzając w być może najbardziej krytyczną barierę w przyjęciu edukacji native AI. Oto niewygodna prawda: większość nauczycieli nie jest przygotowana na ten przejście. Nie dlatego, że są niekompetentni lub odporni na zmiany, ale dlatego, że system nie zainwestował w ich przygotowanie. Niektórzy wychowawcy, którzy otrzymują szkolenie, często napotykają programy zaprojektowane przez technologów, a nie ekspertów pedagogicznych.Uczą się obsługiwać interfejsy AI bez zrozumienia podstawowych zasad, uprzedzeń lub ograniczeń. Komitety programowe poruszają się w mroźnym tempie, dyskutując o zaletach technologii, które zostaną przestarzałe, gdy zostaną wdrożone polityki. Pokolenie studentów może ukończyć studia bez podstawowych umiejętności czytania sztucznej inteligencji – nie dlatego, że technologia nie była dostępna, ale dlatego, że ich wychowawcy nie byli przygotowani do skutecznego nauczania. Kiedy automatyzacja przyspiesza nierówności Badania Mirandy Parker na temat przyjmowania technologii edukacyjnych ujawniają niepokojący wzorzec: zamożni studenci konsekwentnie uzyskują wczesny dostęp do transformacyjnych narzędzi, rozszerzając luki w osiągnięciach, zanim populacje w niekorzystnej sytuacji sięgają. Szkolenie oparte na sztucznej inteligencji wzmacnia tę dynamikę w sposób eksponencyjny. Rozważ systemy nauczania AI. Na powierzchni obiecują spersonalizowane uczenie się na skalę – potencjalnie demokratyzujące dostęp do wysokiej jakości instrukcji. Ale rzeczywistość jest bardziej złożona. Zaawansowani nauczyciele AI wymagają wyrafinowanych algorytmów przeszkolonych na dużych zestawach danych, kosztownej infrastrukturze obliczeniowej i ciągłej konserwacji technicznej. Szkoły z ograniczonymi zasobami często uzgadniają się z rudimentarnymi wersjami, które faktycznie mogą zaszkodzić wynikom uczenia się. Co gorsza, algorytmiczne uprzedzenia w narzędziach edukacyjnych AI mogą utrzymać istniejące nierówności. Jeśli dane szkoleniowe nie reprezentują pewnych grup demograficznych, systemy AI mogą zapewnić mniej skuteczne wsparcie dla studentów z tych środowisk. Istnieje również wymiar psychologiczny.Studenci w szkołach o słabych zasobach coraz częściej spotykają się z kursami zaawansowanymi przez sztuczną inteligencję stworzonymi przez rówieśników w lepiej finansowanych instytucjach.Doświadczają z pierwszej ręki, jak technologia może przekształcić naukę – ale tylko dla tych z dostępem. Informacje o Whack-a-Mole "Często czuje się jak whack-a-mole" - przyznaje Morrison, opisując obecny stan akademickiej polityki AI. Porównanie jest dobre. – To bardzo przykre. Instytucje edukacyjne zakazują ChatGPT, więc studenci przechodzą na Claude'a. Administratorzy blokują narzędzia Anthropic, co prowadzi do migracji do Perplexity. Szkoły opracowują oprogramowanie do wykrywania sztucznej inteligencji; studenci uczą się szybkich technik inżynieryjnych, aby uniknąć wykrywania. Podstawowym problemem nie jest kreatywność studentów – jest to pojęciowe zamieszanie dotyczące roli sztucznej inteligencji w uczeniu się.Tradycyjna binaria „pomagania w stosunku do robienia” ulega zerwaniu, gdy narzędzia sztucznej inteligencji mogą badać, rysować, projektować, edytować i polerować zadania z różnym stopniem ludzkiego nadzoru. Gdzie dokładnie jest granica między uzasadnioną pomocą AI a nieuczciwością akademicką? Niektóre instytucje próbują niuansowanych polityk odróżniających wykorzystanie sztucznej inteligencji do brainstormingu od ostatecznej kompozycji.Inne zezwalają na sztuczną inteligencję do badań, ale nie piszą.Wielu po prostu rzuca ręce i zakazuje wszystkiego, co związane jest z sztuczną inteligencją – odpowiedź jest zarówno nieskuteczna, jak i edukacyjnie kontrprodukcyjna. Paraliż polityki odzwierciedla głębszą instytucjonalną niepewność co do potencjału transformacyjnego AI. Przywódcy edukacyjni uznają, że są świadkami zmiany paradygmatu, ale brakuje ram do przemyślanego poruszania się po nim. Problem osadzenia pyłu "Będziemy potrzebować kurzu, aby się uspokoić ... zanim będziemy mogli zdefiniować politykę akademicką" - sugeruje Morrison, uznając czasowe niezgodności między szybkim postępem technologicznym a umyślnymi zmianami instytucjonalnymi. Ale oto łapówka: pył może nigdy nie ustąpić. Rozwój sztucznej inteligencji nie wykazuje oznak spowolnienia.Każdy miesiąc przynosi nowe możliwości, interfejsy i przypadki użytkowania, które przekształcają możliwości edukacyjne.Czekanie na stabilność technologiczną przed opracowaniem polityki może oznaczać czekanie na zawsze - podczas gdy całe kohorty studentów poruszają się po tym przejściu bez wyraźnych wskazówek. Alternatywa nie jest doskonała, ale jest konieczna: dostosowujące się ramy polityki, które ewoluują wraz z możliwościami technologicznymi. Wymaga to bezprecedensowej współpracy technologów, wychowawców, etyków i decydentów. Wymaga to pokory wobec naszej niezdolności do przewidywania trajektorii edukacyjnej sztucznej inteligencji.Najważniejsze, wymaga to zaangażowania się w zasady równości, które zapewniają, że korzyści dotrą do wszystkich studentów, a nie tylko tych w dobrze zasobnych instytucjach. Poza maszyną przywilejów Prawdziwym niebezpieczeństwem nie jest sama sztuczna inteligencja – jest to nieostrożne przyjęcie w istniejących niesprawiedliwych systemach. Szkolenia oparte na sztucznej inteligencji mogłyby demokratyzować dostęp do spersonalizowanego nauczania, oceny adaptacyjnej i inteligentnego nauczania.Te narzędzia mogłyby wreszcie zrealizować długo obiecany potencjał technologii, aby zrewolucjonizować naukę. W przeciwnym razie po prostu kodujemy nierówności w podstawowej infrastrukturze edukacji. Uczniowie w Detroit zasługują na takie same możliwości uczenia się, jak ich odpowiednicy w elitarnych instytucjach. Szkoły wiejskie zasługują na te same zasoby technologiczne jak dzielnice podmiejskie. Osiągnięcie tych celów wymaga celowej interwencji.Polityka edukacyjna federalna musi priorytetować sprawiedliwy dostęp do sztucznej inteligencji.Programy przygotowawcze dla nauczycieli wymagają kompleksowych programów nauczania na temat umiejętności sztucznej inteligencji.Międzynarodowe organizacje rozwojowe powinny uwzględniać budowanie zdolności edukacyjnych w zakresie sztucznej inteligencji w swoich inicjatywach technologicznych. Najbardziej krytycznie, potrzebujemy uczciwych rozmów na temat tego, co w rzeczywistości oznacza edukacja pochodząca z sztucznej inteligencji.Nie fantazja marketingowa o bezproblemowej automatyzacji, ale złożona rzeczywistość współpracy człowieka z sztuczną inteligencją w środowiskach uczenia się. Możemy zbudować systemy, które zwiększają potencjał ludzki we wszystkich populacjach – lub możemy zbudować najbardziej wyrafinowaną maszynę przywilejową w historii. Na razie wybór należy do nas. Uczniowie nawet nie zdają sobie sprawy, że używają generacyjnej sztucznej inteligencji.Polityka edukacyjna porusza się bardzo powoli. Pytanie nie polega na tym, czy sztuczna inteligencja zmieni edukację – chodzi o to, czy ta transformacja przyniesie korzyści wszystkim, czy tylko uprzywilejowanym nielicznym.

Read My Stories

Ten dźwięk jest produkowany w oryginalnym języku historii!

Za długo; Czytać

Get Free Unlimited IP Geo Data With IPinfo Lite

Ukryty koszt kampusów AI-Native: równość, dostęp i lukę w automatyzacji w wyższym Ed

About Author

UWAGI

ZAWIEŚĆ TAGI

ARTYKUŁ TEN ZOSTAŁ PREZENTOWANY W

Related Stories

The #Decentralized-Internet Writing Contest

Meet the Writer: Hacker Noon's Contributor Elay Romanov of Daiger

Understanding Metaverse: A Basic Explanation

Google's Gemini AI: A Thought Experiment in Deception

The #Decentralized-Internet Writing Contest

Meet the Writer: Hacker Noon's Contributor Elay Romanov of Daiger

Understanding Metaverse: A Basic Explanation

Google's Gemini AI: A Thought Experiment in Deception

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps