AI-ondersteund learning design | WilfredRubens.com over leren en ICT

Philippa Hardman besteedt aandacht aan een artikel over de gevolgen van AI voor de productiviteit en kwaliteit van dagelijks werk. Zij maakt daarbij de vertaalslag naar het ontwerpen van leren, opleiden en onderwijs.

ADDIE — Bron: The Digital Scholar Project, https://thedigitalscholarproject.blogspot.com/2017/01/day-2-class-notes.html

De onderzoekers van de Harvard Universiteit maken een onderscheid tussen taken die binnen of buiten de ‘AI frontier‘ vallen. De productiviteit en kwaliteit van taken binnen deze grens worden door AI verbeterd, terwijl taken daarbuiten wat betreft productiviteit en kwaliteit negatief beïnvloed kunnen worden door het gebruik van AI. Of AI leidt tot meer productiviteit en kwaliteit is afhankelijk van de aard van de taak en van de aard van de capaciteiten van AI.

Als je je bezighoudt met ‘learning design’, dan is het volgens Philippa Hardman van belang om AI dus doelbewust en goed doordacht in het werkproces te integreren. De reden waarom AI deze taken volgens Hardman effectief kan uitvoeren, is omdat ze zeer gestructureerd zijn. Dit geldt zowel voor de instructies om de taak uit te voeren als voor de resultaten die AI oplevert. Deze structuur zorgt ervoor dat AI kan vertrouwen op het vermogen tot patroonherkenning en regelgebaseerde verwerking. Hierdoor kan AI resultaten leveren van een hogere kwaliteit dan een mens alleen, en dat ook nog eens in een sneller tempo. Denk bijvoorbeeld aan het analyseren van enquêtegegevens of het genereren van content op basis van bestaande templates.

Taken waarbij AI worstelt met de complexiteit en/of indien gespecialiseerde domeinkennis en begrip vereist is, zoals het identificeren van problemen of het maken van op bewijs gebaseerde ontwerpbeslissingen, vallen buiten de ‘AI frontier‘.

In haar artikel beschrijft Philippa Hardman aan de hand van het ADDIE-model welke ‘Learning design’-taken binnen en buiten deze grens vallen. Zij stelt dat AI taken zoals het analyseren van enquêtes en feedback, het cureren van content, het genereren van leerinhouden (zoals samenvattingen of quiz vragen), LMS-managementtaken (zoals het inschrijven van lerenden) en het analyseren van leerprestaties beter en in kortere tijd kan uitvoeren. Deze taken profiteren van het vermogen van AI om gestructureerde data te verwerken, patronen te herkennen en inhoud te genereren op basis van sjablonen.

Taken waarbij AI tekortschiet vanwege hun complexiteit en benodigde specialistische kennis zijn bijvoorbeeld het identificeren van problemen, het nemen van op onderwijsonderzoek gebaseerde gebaseerde ontwerpbeslissingen, het schrijven van instructiescripts die bijvoorbeeld rekening houden met de motivatie van lerenden, het faciliteren van het leren waarbij lerenden consistent worden ondersteund en het meten van de impact van leerervaringen. Deze taken vereisen nuance, specialistische kennis en menselijk inzicht.

Hardman sluit haar bijdrage af met tips voor ontwerpers die er vooral op neer komen dat je AI moet gebruiken ter versterking van het werk, en dat ontwerpers zich vooral moeten toeleggen op taken waar AI niet goed in is (zoals het kunnen toepassen van leertheorieën).

Persoonlijk vraag ik me wel af of Hardman bij haar opvatting blijft als we te maken krijgen met de volgende generatie taalmodellen die, naar verluidt, ook autonoom kunnen opereren.

Andere bronnen over generatieve AI

Mijn bronnen over (generatieve) artificiële intelligentie

Deze pagina bevat al mijn bijdragen over (generatieve) artificiële intelligentie, zoals ChatGPT.

This content is published under the Attribution 3.0 Unported license.

Geef een reactie