Lịch sử sử dụng AI trong giáo dục

Bảng liên kết

Tóm tắt và giới thiệu

Lịch sử sử dụng AI trong giáo dục

Phương pháp nghiên cứu

Phê bình văn học

Bản tóm tắt

Kết luận và tài liệu tham khảo

2. Lịch sử sử dụng AI trong giáo dục

Lịch sử sử dụng AI trong giáo dục bắt đầu từ những năm 1960, với sự phát triển của các hệ thống dạy kèm thông minh thời kỳ đầu. Các hệ thống này được thiết kế để cung cấp hướng dẫn cá nhân hóa cho học sinh, phù hợp với nhu cầu cá nhân và phong cách học tập của các em. Tuy nhiên, trước khi đi sâu vào quá trình phát triển của việc sử dụng AI tạo sinh trong giáo dục, chúng ta cần hiểu lịch sử và sự phát triển của các mô hình AI tạo sinh.

2.1. Lịch sử và sự phát triển của các mô hình AI sáng tạo

Các mô hình Trí tuệ nhân tạo sáng tạo (AI), đặc biệt là Mô hình ngôn ngữ (LLM), đã chứng kiến sự tiến bộ vượt bậc trong những năm qua, làm thay đổi bối cảnh xử lý ngôn ngữ tự nhiên và một loạt các nhiệm vụ sáng tạo khác (Susarla và cộng sự, 2023). Trong phần này, chúng tôi đi sâu vào nguồn gốc lịch sử và quỹ đạo tiến hóa của những mô hình này, nêu bật những cột mốc quan trọng đã định hình sự phát triển của chúng.

• Những ngày đầu của mô hình hóa ngôn ngữ: Lịch sử phát triển LLM bắt đầu từ những năm 1950 và 1960 với sự xuất hiện của Xử lý ngôn ngữ tự nhiên thống kê (NLP). Ở giai đoạn sơ khai, các mô hình ngôn ngữ chủ yếu sử dụng các phương pháp thống kê để ước tính khả năng xảy ra của một từ hoặc chuỗi từ nhất định trong ngữ cảnh ngôn ngữ. N-gram và chuỗi n từ là những kỹ thuật cơ bản trong thời kỳ này (Russell & Norvig, 2010).

• Từ N-gram sang Word Embeddings: Một sự thay đổi quan trọng từ các mô hình dựa trên n-gram sang việc sử dụng các từ nhúng bắt đầu xuất hiện vào giữa những năm 2000 với sự ra đời của thuật toán ”Word2Vec” của (Mikolov et al., 2013). ) vào năm 2013. Cách tiếp cận đổi mới này dựa trên việc sử dụng các biểu diễn vectơ để nắm bắt ý nghĩa ngữ nghĩa của từ. Bước đột phá này đã đặt nền móng cho những phát triển tiếp theo trong mô hình ngôn ngữ.

• Những tiến bộ trong mô hình học sâu dựa trên văn bản (tức là NLP theo trình tự): Việc tích hợp các từ nhúng vào mô hình ngôn ngữ đã mở ra một kỷ nguyên mới. Các biểu diễn vectơ này đóng vai trò là đầu vào cho các mô hình học sâu như mạng thần kinh tái phát (RNN) và sau này là kiến trúc bộ mã hóa-giải mã. Sự thay đổi này có tác động sâu sắc đến nghiên cứu NLP, bao gồm tóm tắt văn bản và dịch máy, như đã được chứng minh bởi (Sutskever và cộng sự, 2014). Khả năng nắm bắt ngữ cảnh ngữ nghĩa thông qua biểu diễn vectơ đã nâng cao đáng kể chất lượng và độ sâu của nội dung được tạo ra.

• Cuộc cách mạng kiến trúc máy biến áp: Sự ra đời của kiến trúc máy biến áp (Vaswani và cộng sự, 2017) vào năm 2017 được coi là một bước ngoặt trong sự tiến bộ của NLP và nghiên cứu thị giác máy tính và đặc biệt là nghiên cứu mô hình hóa ngôn ngữ. Kiến trúc máy biến áp thể hiện sự thay đổi mô hình trong NLP bằng cách giới thiệu cơ chế tự chú ý. Một số mô hình học sâu đã được phát triển dựa trên kiến trúc máy biến áp như BERT (Devlin và cộng sự, 2018). Sự đổi mới này cho phép mô hình nắm bắt được sự phụ thuộc tầm xa trong các trình tự, cải thiện tính mạch lạc và ngữ cảnh của nội dung được tạo. Kiến trúc Transformer đã đặt nền móng cho sự phát triển tiếp theo của LLM.

• Sự xuất hiện của LLM: Trong những năm gần đây, lĩnh vực AI chứng kiến sự nở rộ của Mô hình ngôn ngữ lớn (LLM). Những mô hình này còn được biết đến với thuật ngữ “mô hình nền tảng” được đào tạo trên các bộ dữ liệu rộng lớn và đa dạng bao gồm sách, tin tức, trang web và bài đăng trên mạng xã hội cũng như được điều chỉnh bằng hàng tỷ siêu tham số (Bommasani và cộng sự, 2021). Quy mô dữ liệu chưa từng có này, cùng với những tiến bộ trong kiến trúc mô hình và kỹ thuật đào tạo, đã đánh dấu một bước ngoặt quan trọng. Những mô hình nền tảng này thể hiện khả năng thích ứng đặc biệt với nhiều nhiệm vụ khác nhau, bao gồm cả những nhiệm vụ mà ban đầu họ không được đào tạo. ChatGPT là một trường hợp mẫu mực về mô hình AI tổng quát đang hoạt động. Hệ thống AI đáng chú ý này đã được ra mắt vào tháng 11 năm 2022 và được tinh chỉnh từ máy biến áp được đào tạo trước tổng quát GPT-3.5, ban đầu được đào tạo trên một tập dữ liệu lớn về nguồn văn bản và mã (Neelakantan và cộng sự, 2022). ChatGPT khai thác sức mạnh của Học tăng cường từ phản hồi của con người (RLHF), một kỹ thuật đã cho thấy nhiều hứa hẹn trong việc điều chỉnh Mô hình ngôn ngữ lớn (LLM) phù hợp với mục đích của con người (Christiano và cộng sự, 2017). Hiệu suất vượt trội đáng kinh ngạc của ChatGPT nhấn mạnh tiềm năng thay đổi mô hình trong việc đào tạo các mô hình AI tổng hợp. Sự thay đổi này liên quan đến việc áp dụng các kỹ thuật điều chỉnh hướng dẫn, chẳng hạn như học tăng cường (Christiano và cộng sự, 2017), kỹ thuật nhắc nhở (Brown và cộng sự, 2020) và nhắc nhở chuỗi suy nghĩ (CoT) (Wei và cộng sự, 2022), như một bước chung hướng tới việc hiện thực hóa việc xây dựng một hệ sinh thái dịch vụ thông minh dựa trên các mô hình AI tổng hợp.

Đỉnh cao của những tiến bộ này đã dẫn đến các mô hình AI có khả năng tổng hợp có khả năng vượt trội để hiểu và tạo ra nội dung phù hợp và chân thực giàu phương tiện truyền thông (bao gồm văn bản, hình ảnh, âm thanh và video). Những khả năng như vậy đã cho phép các mô hình này được sử dụng và áp dụng rộng rãi trong các ứng dụng khác nhau như giáo dục. Bất chấp những tiến bộ này, những lo ngại và thách thức vẫn nảy sinh trong bối cảnh AI tổng quát (Susarla và cộng sự, 2023). Việc các mô hình như ChatGPT có thể dễ dàng điều chỉnh cho phù hợp với các nhiệm vụ mới đặt ra câu hỏi về mức độ hiểu biết sâu sắc của chúng. Các chuyên gia về sự công bằng của AI đã cảnh báo về khả năng các mô hình này duy trì những thành kiến xã hội được mã hóa trong dữ liệu đào tạo của chúng (Glaser, 2023), gắn nhãn chúng là “những con vẹt ngẫu nhiên” (Bender và cộng sự, 2021).

2.2. Sự phát triển của việc sử dụng AI sáng tạo trong giáo dục

Sử dụng AI trong Giáo dục không phải là mới, những nỗ lực đầu tiên sử dụng AI trong Giáo dục có thể bắt nguồn từ đầu những năm 1960, khi các nhà nghiên cứu tại Đại học Illinois ở Urbana-Champaign phát triển một hệ thống dạy kèm thông minh (ITS) có tên là PLATO (Programmed Logic for Hoạt động giảng dạy tự động) (Bitzer và cộng sự, 1961). PLATO là hệ thống máy tính đầu tiên cho phép sinh viên có giao diện người dùng đồ họa tương tác với các tài liệu giáo dục được phát triển và điều chỉnh bằng AI theo nhu cầu của họ. Một ví dụ khác về những nỗ lực ban đầu của việc sử dụng AI trong Giáo dục là hệ thống “Trình chấm điểm tự động” được phát triển vào những năm 1960 để tự động chấm điểm các lớp lập trình (Hollingsworth, 1960).

Sự ra đời của máy tính cá nhân đã thúc đẩy sự phát triển của ITS trong những năm 1970, một ví dụ về hệ thống được phát triển trong thời kỳ đó là TICCIT (Truyền hình giảng dạy tương tác được điều khiển bằng máy tính chia sẻ theo thời gian) (Stetten, 1971). TICCIT là một ITS đầu tiên khác được phát triển vào đầu những năm 1970 tại Đại học Pittsburgh. TICCIT là nỗ lực ban đầu nhằm cung cấp hàng loạt nội dung dựa trên đa phương tiện được cá nhân hóa cho người dùng tại nhà và trường học.

Những tiến bộ trong sự phát triển của ITS trong những năm 1960 và 1970 được hỗ trợ bởi các lý thuyết và nguyên tắc học tập coi trọng việc dạy kèm cá nhân hóa từng học sinh tại lớp học (Xem ví dụ về công trình tiên phong của BF Skinner về “phong trào giảng dạy theo chương trình” và công trình của Benjamin Bloom về “học tập thành thạo” (Block & Burns, 1976). Các ITS được phát triển trong thời kỳ đó chủ yếu là các hệ thống dựa trên quy tắc. Những tiến bộ trong AI và sự ra đời của máy vi tính vào những năm 1970 đã ảnh hưởng đến cách đào tạo ITS. và phát triển (Reiser, 2001a). Kể từ những năm 1980, việc sử dụng giảng dạy dựa trên máy tính và giáo dục dựa trên AI nói riêng đã phát triển để tự động hóa một số hoạt động giảng dạy (Reiser, 2001b).

Sự xuất hiện của world-wide-web (WWW) vào những năm 1990 đã có sự thay đổi lớn trong phương tiện cung cấp các dịch vụ giáo dục thông minh Chen et al. (2020). ITS đã phát triển để cung cấp các dịch vụ học tập thông minh, thích ứng và cá nhân hóa được củng cố bởi các mô hình học máy. Bất chấp những tiến bộ này trong cách ITS được phát triển và cung cấp cho người dùng, khả năng của chúng vẫn bị giới hạn trong việc cung cấp hướng dẫn và học tập cá nhân. Sự phát triển của WWW đến cái gọi là “Web 2.0” và các khả năng bổ sung về tương tác dựa trên cộng tác và xã hội đã mở đường cho một kỷ nguyên mới trong sự phát triển của ITS. Dữ liệu được thu thập dựa trên sự tương tác của người dùng với các dịch vụ Web 2.0 và khả năng đào tạo các tác nhân phần mềm trên những dữ liệu này bằng các thuật toán học máy khác nhau đã dẫn đến có nhiều tiến bộ hơn trong ứng dụng phân tích học tập để thích ứng và học tập cá nhân hóa (Clow, 2013) .

Thế kỷ 21 đã chứng kiến nhiều bước đột phá trong việc sử dụng AI trong giáo dục. Những đột phá này được hỗ trợ bởi những tiến bộ về: (i) Khả năng và hiệu suất phần cứng (Nickolls & Dally, 2010), (ii) Khai thác dữ liệu lớn (Wu và cộng sự, 2013), và (iii) các mô hình và kiến trúc AI (tức là sự ra đời của các mô hình học sâu) (LeCun và cộng sự, 2015). Sự ra đời của kiến trúc deep learning Transformer vào năm 2017 (Vaswani et al., 2017), được coi là bước ngoặt trong lịch sử phát triển phần mềm thông minh nói chung (Xem Phần 2.1). Nhiều mô hình thông minh như máy biến áp tiền huấn luyện tổng quát (GPT) đã bắt đầu xuất hiện ngay sau đó (Radford và cộng sự, 2018). Vào tháng 11 năm 2022, OpenAI đã phát hành ChatGPT - dựa trên kiến trúc GPT 3.5 - và đạt hơn 100 triệu người dùng chỉ sau vài tháng. Kể từ đó và ngày nay, các công cụ giáo dục tổng quát dựa trên AI được phát triển để cung cấp cho học sinh phương pháp giảng dạy được cá nhân hóa, phương pháp học tập thích ứng và trải nghiệm học tập hấp dẫn (Xem Phần 4.2).