De invloed van AI op het ontwikkelen van onderwijs en opleiden

Volgens Robin Gibson zal kunstmatige intelligentie (AI) op tien manieren van grote invloed zijn op ‘instructional design‘. De technologieën zijn niet nieuw, maar worden steeds meer alomtegenwoordig op het gebied van het ontwerpen en ontwikkelen van onderwijs en opleidingen.

1. 

   Gepersonaliseerd Leren. Gibson beschrijft hoe AI docenten helpt leerervaringen op maat te creëren, afgestemd op de behoeften en vaardigheden van elke lerende. Hij geeft als voorbeeld een op AI gebaseerd Engels programma dat in staat is real-time aanpassingen te doen, gebaseerd op de sterke en zwakke punten van een lerende in grammatica of leesvaardigheid.

2. Adaptief Leren. Hierbij past AI de leerstof aan op basis van de voortgang van de lerende. Gibson noemt een voorbeeld van een wiskundecursus waarbij het AI-systeem de inhoud dynamisch aanpast aan de behoeften van de lerende. Adaptief leren is volgens Gibson een techniek ten behoeve van gepersonaliseerd eren.
3. Intelligente Tutoring Systemen (ITS). Deze systemen bieden gepersonaliseerde begeleiding. Gibson illustreert dit met een natuurkunde cursus waarbij een ITS inhoud en oefeningen biedt, specifiek gericht op de zwakke punten van de lerende. Een ITS kan tegelijkertijd aangepast worden aan de voorkeuren van elke lerende en diep ingebed worden in de leerervaring.
4. Natural Language Processing (NLP). Gibson onderstreept dat NLP-technologieën, zoals chatbots, lerenden in staat stellen op een conversatieachtige manier te interacteren met cursusinhoud. In een voorbeeld over gezondheidszorg kan NLP spraak omzetten in gestructureerde medische termen, die lerenden ondersteunen bij het nemen van besluiten.
5. Gamification. Gibson illustreert hoe AI kan worden ingezet om game-gebaseerde leerervaringen te personaliseren, waardoor de motivatie en betrokkenheid van lerenden wordt vergroot. De auteur geeft als voorbeeld een taalcursus waarin AI dynamische taalspellen kan creëren op basis van de huidige leerdoelen van een lerende.
6. Predictive analytics. Gibson geeft aan dat je met AI algoritmes data van de interacties van lerenden met cursusmateriaal kunt analyseren. Hierdoor kunnen docenten gerichte ondersteuning bieden aan degenen die moeite hebben met leren. In een studie bleek dat het combineren van AI-modellen en learning analytics de betrokkenheid van lerenden verhoogt en hun tevredenheid ten aanzien van het leren versterkt.
7. Contentcreatie. AI kan docenten helpen bij het automatisch genereren van cursusmateriaal zoals quizzen en simulaties. Gibson geeft aan dat AI het proces van cursusontwikkeling kan versnellen zonder dat dit ten koste gaat van kwaliteit. Bovendien kan AI de leerervaring aanpassen op basis van de voortgang van de lerende.
8. Beoordeling en feedback. Volgens Gibson kan AI automatische beoordelingen en directe feedback geven. Daardoor kan de tijd die docenten hieraan besteden worden verkort.
9. Learning analytics. Gibson benadrukt dat AI-gestuurde tools voor learning analytics docenten kunnen helpen de voortgang van lerenden te volgen en het cursusmateriaal automatisch aan te passen. Hierdoor kunnen docenten beslissingen nemen en inhoud optimaliseren voordat een lerende voortijdig uitvalt.
10. Het toewijzen van bronnen (‘resource allocation‘). Gibson laat zien hoe AI docenten kan helpen bij het optimaliseren van de toewijzing van middelen, zoals tijd en budget. Cursus- en cursusmanagementprocessen kunnen worden geautomatiseerd met behulp van AI, waardoor docenten meer tijd overhouden om zich bezig te houden met het doceren zelf.

Robin Gibson heeft een praktisch overzicht gemaakt van relevante toepassingen van AI, in relatie tot ‘instructional design‘. Hij laat ook zien hoe ’technologieën’ zoals AI en learning analytics met elkaar samenhangen. Gibson besteedt geen aandacht aan nadelen of beperkingen. Zo kan AI ook ongepaste feedback geven omdat AI alleen oog heeft voor leergedrag en niet voor de beweegredenen die ten grondslag liggen aan het gedrag. Ook kan gepersonaliseerd leren bijdragen aan een grotere kloof tussen goede en minder goede lerenden (gepersonaliseerd leren komt dikwijls vooral ten goede aan goede lerenden), of bijdragen aan een hoge mate van individualisering.