Intelixencia artificial nas promesas de educación e implicacións para a docencia ea aprendizaxe

Vivindigación do discurso sobre intelixencia artificial centrada en humanos nas tecnoloxías educativas

A relevancia dos sistemas de Intelixencia Artificial (AI) -Pported en Educación ou AI en Educación (AED) aumentou dramaticamente nos últimos anos, que suscitan grandes expectativas e ofrecendo un enorme potencial de innovación en todo o sector educativo ( EdtechxGlobal, 2016; Holmes et al., 2019). AI expandiu significativamente as prácticas tradicionais na educación, mentres que xurdiron novas solucións dixitais que están gañando unha cota de mercado xunto cos conceptos tradicionais. Ademais, o uso das tecnoloxías AI comezou a permitir o cambio sostible na educación e á transferencia de coñecemento.

Porque os resultados destas ferramentas dependen moito dos datos producidos nunha tarefa ou dominio específicos, afectan ás persoas de varias maneiras. Por exemplo, algúns están preocupados polo uso de información privada, como comportamentos de aprendizaxe, habilidades e estados mentais ao realizar actividades educativas (Holmes et al., 2018). Por conseguinte, unha maior necesidade xurdiu abordar as implicacións tecnolóxicas e societarias asociadas á aparición e uso das ferramentas AIED. Un discurso continuo continúa sobre como mellorar mellor os distintos valores que xorden durante o desenvolvemento de sistemas AI, en lugar de aplicar só regras e directrices despois da implantación AI.

Neste traballo, presentamos o enfoque "Deseño-for-valores", que está baseado nunha metodoloxía destinada a incorporar valores morais como parte do deseño, investigación e desenvolvemento tecnolóxico. Desenvolver sistemas de intelixencia artificial implica procesos como a identificación de valores sociais, decidir sobre unha visión deliberación moral, e que une os valores para os requisitos do sistema formais e funcións de formigón (Dignum, 2019). As preguntas que este investigador pretende responder a problemas sociais asociados coa dixitalización da educación a través de ferramentas AIED, así como os cambios necesarios para ser feitas a estas ferramentas para que a xente os acepte tan útil e de confianza. Polo tanto, centrámosnos / centrámonos en como se poden desenvolver e operar ferramentas responsables e operadoras.

Neste esforzo amigable, presentamos varios aspectos do valor centrado, centrado, ético e responsable de valor no dominio da educación, que na nosa opinión aínda permanece subexplorado. Na seguinte revisión da literatura, contamos con brevemente os desenvolvementos actuais do mercado en AED e discutir aplicacións AI que se utilizan actualmente na tecnoloxía educativa (Edtech). Baseado nunha análise conceptual, combinamos varios enfoques HCAI para suxerir un novo modelo de como as tecnoloxías de AI poden ser cada vez máis transparentes nos contextos educativos, dun xeito que poida adaptarse de forma intencionada a valores humanos para os futuros desenvolvementos.

Implementación de tecnoloxías AI ten alto potencial de innovación en varios campos. No sector educativo, os provedores de servizos e produtos están entrando no mercado en crecentes números. Están ofrecendo "solucións de aprendizaxe intelixentes" a través de enfoques baseados en datos e AI, como as árbores de decisión, redes neuronais, sistemas de Markov Hidden, sistemas bayesianos e lóxica borrosa (Aldahwan & Alsaed, 2020). Aínda que as aplicacións de EDTECH baseadas en AI son innovacións ricas para os modelos de negocio de provedores e usuarios, aínda moi poucas empresas de Editech implementaron a tecnoloxía AI (Renz e Hilbig, 2020).

Así, Renz et al. (2020A) argumentaron que o potencial innovador de usar elementos a base de AI na educación xa existe. O problema é que a miúdo só se usou nun papel subxuntivo, obtendo así pouca evidencia práctica. Unha enquisa mundial sobre as partes interesadas no sector educativo mostrou que o 20% das compañías emisoradas de Edtech xa investiron e implementaron tecnoloxías AI e outro 21% estaban probando tecnoloxías AI nos seus negocios (Panel Executivo Global, 2019).

Ademais dinámica innovación emerxente inclúen AI en empresas EDTECH, a cadea COVID-19 pandemia conducentes a un punto de inflexión con desenvolvemento de mercado máis rápido. Nunha análise de dúas aplicacións EDTECH AI adaptadas ao mercado, con foco en plataformas de aprendizaxe de linguas (LLP) e sistemas de xestión de aprendizaxe (LMS), Renz et al. (2020B) demostraron que a pandemia COVID-19 xa provocou un cambio de mercado a partir de modelos de negocio de baixo de datos para modelos de negocio de datos mellorada. Os autores asumiron que o aumento significativo no uso de aplicacións EDTECH durante a crise de saúde actual tamén levaría á entrada de máis aplicacións EDTECH baseadas en datos de mercado. O número crecente de usuarios de aplicacións EDTECH levou a xerar máis datos relacionados cos comportamentos e os resultados da aprendizaxe. Estes datos proporcionan unha base para outros sistemas de aprendizaxe baseado-AI en desenvolvemento, en ciclos de proba ea iteración.

Ahmad et al. (2020) presentou unha análise bibliométrica de aplicacións de IA na educación. Os autores dividiron o campo de aplicacións de IA na educación en ITS, avaliación, aprendizaxe personalizada, sistemas de recomendación, o desempeño dos alumnos, análise de sentimentos, retención e renuncia, e seguimento de clase. Holmes et al. (2019) proporcionou outra visión xeral dos programas actuais AI na educación. Os autores clasificaron catro tipos principais aplicacións AIED: ITS, sistemas de titoría baseado diálogo (DBTS), ambientes de aprendizaxe exploratorio (EL) e avaliación escrita automática (AWE). O cadro seguinte resume os maioría dos provedores de EDTECH populares seleccionados segundo Holmes et al. (2019) clasificación.

Un sistema de aprendizaxe intelixente opera con base en datos individuais de aprendizaxe sobre o comportamento ou está baseado no razoamento lóxico non é coñecida polo usuario. Con todo, pódese esperar que un número crecente de aplicacións EDTECH pronto será desenvolvido en base a AIED. Polo tanto, é esencial para establecer normas adecuadas para asegurar o desenvolvemento responsable e sostible de tales aplicacións. Human-centered AI (IACS) é unha posible achegamento que é unha promesa para a posta en marcha responsable de AI en educación, incluíndo produtos e servizos educativos.

A pesar do aumento implementacións AI para a educación, non o suficiente atención foi aínda pagado ao papel dos valores humanos no desenvolvemento de tecnoloxía AI. Algúns científicos comezaron recentemente a traballar en propostas de proxecto que o foco en valores humanos (Auernhammer, 2020). Cada unha destas propostas de deseño ofrece unha perspectiva valiosa sobre proxecto para a xente. Unha visión chamada de deseño sensible ao valor (VSD) é unha visión teoricamente fundamentada á tecnoloxía deseño que as contas de valores humanos de forma baseada en principios e ampla. Ofrece diversas perspectivas sobre a sociedade, a interacción persoal e as necesidades humanas no proxecto de sistemas de ordenador, tales como AI. Así, a visión VSD ofrece unha oportunidade para buscar e analizar a través dunha determinada lente os efectos da AI sobre as persoas (Himma & Tavani, 2008 ;. Friedman et al, 2017).

Outra solución que atenua eses retos foi a de seguir unha visión metodolóxica "Deseño para valores". Esta visión ten como obxectivo facer os valores morais parte do proxecto e desenvolvemento tecnolóxico (Dignum, 2019). Os valores son moitas veces interpretado como conceptos abstractos de alto nivel que son difíciles de operacionalizar en funcións técnicas concretas. Con todo, o enfoque de deseño para-valores ten a vantaxe de poñer os dereitos humanos, a dignidade humana ea liberdade humana no centro do deseño AI. Usando o achegamento de deseño axudou na construción HCAI que axuda a identificar os valores sociais, e tomar decisións con un enfoque deliberación moral (a través de algoritmos, control de usuario, e regulación), conectando así estes valores cos requisitos sistema formal e formigón valores deseño para características (dignum, 2019).

Xu (2019) propuxo un marco IACS extensas (ver Figura 3) que inclúe os tres compoñentes principais que se seguen: 1) Deseño eticamente aliñados, o que crea solucións alí onde a discriminación evitar, manter a equidade e xustiza, e facer non substituír os humanos; 2) tecnoloxía que reflicte máis plenamente a intelixencia humana, reforzando así a tecnoloxía AI para reflectir a profundidade da intelixencia humana e carácter; e 3) factores humanos no deseño asegura que as solucións de IA son explicable, comprensible, útil, e utilizable.

CIRCLS presenta iniciadores relevantes atopados na literatura. Congratulamo-nos con novos Primers sobre temas semellantes, pero escribiu máis especialmente para atender ás necesidades da comunidade RETTL. Ten unha cartilla para recomendar? Contactar CIRCLS.

Resumo

Este libro do Centro de Curriculum Redesign mergulla o lector nunha discusión sobre o que para ensinar aos estudantes na era de AI e examinar como AI xa está esixindo actualizacións moi necesarias para o currículo escolar. A segunda parte do libro mergulla na forma en que: A historia, as técnicas e as aplicacións de AI en Educación: incluíndo a forma en que AI pode axudar aos profesores a ser máis efectivos e remata a unha reflexión sobre aspectos sociais de AI.

Cita

Fondo: Houbo recoñecemento crecente que a educación médica de pregrado (UME) debe desempeñar un papel formal na instrución de futuros médicos sobre as promesas e limitacións da intelixencia artificial (AI), xa que estas ferramentas están integradas na práctica médica ..

Métodos: realizamos unha enquisa exploratoria sobre o coñecemento dos estudantes médicos de AI, percepcións sobre o papel de AI en medicina e preferencias que rodean a integración das competencias da AI á educación médica. A enquisa foi completada por 321 estudantes médicos (13.% de resposta) en catro escolas médicas en Ontario.

Resultados: Os estudantes médicos son xeralmente optimistas sobre as capacidades de AI para realizar unha variedade de funcións sanitarias, desde clínica a administrativa, con reservas sobre tipos de tarefas específicas como asesoramento persoal e coidado empático. Eles cren que AI vai aumentar novas desafíos éticos e sociais. Os alumnos están preocupados por como AI afectará ao mercado de emprego médico, cun 25% que respondeu que estaba afectando activamente a súa elección de especialidade. Os alumnos coinciden en que a educación médica debe facer máis para preparalos para o impacto da AI en medicina (79%), ea maioría (68%) cren que esta formación debe comezar a nivel UME.

Introdución

Moitos expertos discutiron o papel previsto da intelixencia artificial (AI) en medicina como ferramentas para mellorar a toma de decisións medicinales e a eficiencia (Rajkomar, Dean e Kohane, 2019; Topol, 2019). Gran parte desta discusión foi fundada nas recentes melloras no desempeño dos algoritmos AI e á crecente dispoñibilidade de grandes conxuntos médicos para probar estes algoritmos (Oakden-Rayner, 2020). A medida que AI é introducido e eventualmente integrado na asistencia sanitaria, os médicos deberán usar ferramentas AI para monitorear, diagnosticar e tratar aos seus pacientes.

Tamén hai un recoñecemento crecente que a educación médica de pregrado (UME) debe desempeñar un papel formal na instrución de futuros médicos sobre as promesas e limitacións das ferramentas AI na práctica médica (Masters, 2019; Davenport e Kalakota, 2019 ; Paranjape et al., 2019; Kolachalama e Garg, 2018; Wartman e Combs, 2019; McCoy et al., 2020). No momento en que os estudantes médicos de hoxe completan a súa formación de posgrao, en moitos casos case unha década despois, espérase que as ferramentas AI na medicina sexan máis comunmente integradas en fluxos de traballo de toma de decisións clínicos (servizo de saúde nacional, 2019). UME ofrece unha oportunidade clave para dar aos futuros médicos unha ampla comprensión das capacidades, limitacións e consecuencias das ferramentas que utilizarán na súa formación e máis aló.

Mirando ao estranxeiro, o Servizo Nacional de Saúde do Reino Unido recomendou a integración das competencias AI en todos os niveis de formación profesional sanitaria (Servizo Nacional de Saúde, 2019). Nos Estados Unidos, a American Medical Association adoptou recentemente unha política que promove a formación mellorada en AI a través do continuo da educación médica (Informe de Consello de Asociación Médica Americana, 2018). Do mesmo xeito, houbo un importante interese estudantil canadense nas competencias da AI en Educación Médica (Bilimoria et al., 2019). O desexo de introducir AI a educación médica a través de estudantes, servizos de saúde e organización profesional destaca a necesidade dunha maior exploración sobre como se debe desenvolver tal currículo.

O Royal College of Mhysicians e Cirurgeons of Canada Task Force en AI e emerxentes tecnoloxías dixitais lanzaron recentemente un informe sobre os impactos esperados de AI na formación de becas de especialidade, que recomendou o desenvolvemento de directrices para integrar a instrución sobre AI A través dos programas de adestramento de residencia (Royal College of Mhysicians e cirurxiáns de Canadá, 2020). Non existen tales esforzos para programas UME. Ademais, mentres que varios comentarios publicaron chamadas a acción para integrar a AI en Educación Médica e describiron de forma ampla as competencias clave, segue sendo unha paucede de marcos de competencia ou obxectivos de aprendizaxe para orientar a creación de AI en currículos de medicina a nivel UME ( Mestres, 2019; Davenport e Kalakota, 2019; Paranjape et al., 2019; Kolachalama e Garg, 2018; Wartman e Combs, 2019; McCoy et al., 2020).

Métodos

A enquisa consistía en tres seccións. A primeira sección de enquisas capturou datos demográficos, a educación dos alumnos antes da escola de medicina e a exposición pasada a contidos relacionados con AI (e.., Curricular, aprendizaxe autodirixida, etc.). A seguinte sección centrábase no coñecemento dos estudantes médicos de AI pedindo o seu nivel de confianza na súa comprensión de terminoloxías como AI, aprendizaxe de máquinas, redes neuronais e aprendizaxe profunda.

Antes de difusión da enquisa, a usabilidade e a funcionalidade técnica foron probadas polo equipo de investigación e cinco estudantes médicos que non estaban involucrados no deseño do estudo. Non se fixeron cambios na enquisa seguindo as probas piloto.

Abrir a investigación en liña - ORO

©. Todos os dereitos reservados. A Universidade Aberta está constituída por Royal Charter (RC 000391), unha caridade exenta en Inglaterra e Gales e unha caridade rexistrada en Escocia (SC 038302). A Universidade Aberta está autorizada e regulada pola Autoridade de Conduta Financeira en relación coa súa actividade secundaria de Broking de crédito.