Nová studie amerických výzkumníků naznačuje, že žáci se mohou naučit více právě tehdy, když je umělá inteligence donutí zpomalit. V experimentu, do kterého se zapojilo přes 6 000 žáků druhého stupně ve státě Tennessee, dosahovali o něco lepších výsledků v matematice ti studenti, jimž AI tutor pomohl projít jejich chyby a následně po nich vyžadoval, aby stejnou dovednost správně předvedli třikrát po sobě, než mohli postoupit dál. Výhoda byla malá, autoři přesto mluví o prvních náznacích pozitivního přínosu AI ve vzdělávání.
- Kombinace AI tutora a opakovaného procvičování zlepšila výsledky testu zhruba o 3 procentní body oproti běžné počítačové výuce.
- Experimentu se zúčastnilo více než 6 000 žáků druhého stupně v Tennessee.
- Výhoda se projevila hlavně u nejjednodušších příkladů se zlomky, u těžších úloh nikoli.
- Pracovní studii připravili výzkumníci z University of Toronto a Wharton School.
Jak experiment probíhal
Vědci porovnávali čtyři přístupy k procvičování zlomků. Žáci byli náhodně rozděleni tak, aby dostali buď běžnou počítačovou výuku, nebo tentýž software doplněný o AI tutora. V rámci obou skupin pak polovina žáků musela po chybě správně zodpovědět tři procvičovací otázky ke stejné dovednosti za sebou.
Studenti pracovali se softwarem vytvořeným výzkumníky, který se podobal videím a cvičením Khan Academy, a to jedenkrát po dobu 50 minut během hodiny matematiky. O týden později absolvovali patnáctiminutový test, který měřil, kolik si toho zapamatovali.
Vítěznou kombinací nebylo přidání samotného AI tutorování, nýbrž AI tutorování spojené s opakováním. Myšlenka spočívala v tom, že žáci u dané dovednosti musí vydržet a prokázat určitou míru zvládnutí. Studenti, kteří procvičovali matematiku tímto přístupem „mastery learning“ (učení ke zvládnutí) obohaceným o AI, skórovali zhruba o 3 procentní body výše než žáci v běžné počítačové výuce.
Proč pomohlo právě zpomalení
Výzkumníci se domnívají, že AI pomohla proto, že žáky provedla jejich chybami, místo aby jim jen ukázala řešení. Bez AI si studenti sice mohli po chybném výsledku zobrazit vzorový postup krok za krokem, snadno jej ale jen zběžně přelétli a pokračovali dál, aniž by přišli na to, kde udělali chybu.
AI tutor naopak dokázal reagovat přímo na práci žáka a provést ho konkrétní chybou. Studenti, kteří používali AI v kombinaci s opakováním, trávili nad každou otázkou více času než kterákoli jiná skupina, což vědci považují za znak hlubšího zapojení do látky. Zároveň měli po chybě větší pravděpodobnost, že další otázku zodpoví správně.
Část potenciálu AI podle autorů nemusí spočívat v tom, že dětem pomůže naučit se matematiku rychleji, ale naopak v tom, že je přinutí zpomalit.
Výhoda má své hranice
Přínos měl v této studii své meze. Žáci ve skupině s AI a opakováním si vedli lépe především u nejjednodušších příkladů se zlomky, tedy u těch nejpodobnějších tomu, co si procvičovali. U náročnějších úloh se výhoda neprojevila a AI nevedla k hlubšímu ani přenositelnějšímu porozumění zlomkům.
Šlo ovšem jen o padesátiminutový zásah a není známo, jak by tato kombinace AI a opakování mohla ovlivnit učení v horizontu mnoha měsíců. Požadavek správně zodpovědět tři otázky za sebou je ve vzdělávacím softwaru běžný, dosažení tohoto krátkého prahu ale nutně neznamená hluboké porozumění — student se ke třem správným odpovědím může dostat i tipováním nebo opakovaným kontaktem s látkou.
Opatrné závěry autorů
„Nechci vystoupit a tvrdit, že jsme prokázali, že AI bude tou zásadní změnou, v niž doufáme,“ uvedl hlavní autor studie a ekonom z University of Toronto Philip Oreopoulos. „Ale možná je to první druh důkazu, který ukazuje aspoň nějaké náznaky, že to má oproti žádné AI určitou pozitivní hodnotu.“
To je významné proto, že přibývá důkazů o opačném působení — že AI učení často spíše škodí, když studentům rovnou vysype odpovědi a zkratuje proces učení. Podle výsledků studie může být rozdíl mezi tím, jestli žákovi nástroj ukáže hotové řešení, nebo ho provede jeho vlastní chybou.
Oreopoulos varuje před závěrem, že „mastery learning“ je nejlepší způsob využití AI ve výuce matematiky. Vědci testovali pouze čtyři kombinace ze své studie a mohou existovat lepší cesty, jak počítačem podporované učení vylepšit. Jeho větší ambicí je dál porovnávat jednotlivé prvky mezi sebou a software průběžně zlepšovat.
Studie s názvem „Making AI Tutoring Productive: Evidence from a Mastery-Based Math Practice Experiment“ vznikla ve spolupráci výzkumníků z University of Toronto a Wharton School při University of Pennsylvania. Pracovní verzi měl podle plánu 17. srpna rozeslat National Bureau of Economic Research; text zatím neprošel recenzním řízením v odborném časopise.
Měly by školy nasazovat AI nástroje, které žáky nutí procvičovat chyby, nebo je riziko zneužití příliš velké? Podělte se o svůj názor v diskusi.
