Nội dung bài viết
Tên câu chuyện: Cách giáo viên có thể sử dụng AI để tận dụng trải nghiệm trong lớp học của đồng nghiệp Làn sóng trí tuệ nhân tạo hiện nay trong giáo dục tập trung vào một ý tưởng: AI giúp học sinh, gia sư AI; AI trợ giúp bài tập về nhà; Hệ thống AI giải thích các khái niệm hoặc tạo ra các câu hỏi thực hành.
Những công cụ đó có thể hữu ích. Nhưng họ bỏ lỡ nơi thực sự diễn ra những quyết định quan trọng nhất trong giáo dục.
Quyết định quan trọng nhất trong lớp học không phải là điều học sinh hỏi hệ thống AI. Đó là điều giáo viên quyết định làm tiếp theo.
Mỗi ngày, giáo viên đưa ra hàng trăm lời phán xét nhỏ. Tôi có nên dạy lại khái niệm này hay tiếp tục?
Học sinh của tôi bỏ học vì bài tập quá khó hay vì họ không hiểu được mục đích? Điều nào trong số hàng tá điều tôi có thể thử vào ngày mai có nhiều khả năng thực sự hiệu quả nhất?
Hầu hết, giáo viên trả lời những câu hỏi đó theo cách họ vẫn thường làm: dựa trên kinh nghiệm, bản năng của chính họ và bất kỳ lời khuyên nào mà đồng nghiệp hoặc huấn luyện viên có thể đưa ra.
Điều đó không phải là không có gì, nhưng nó có nghĩa là mọi giáo viên phần lớn đều phải bắt đầu lại từ đầu, học những bài học mà các giáo viên khác ở các lớp khác đã trải qua. Quyết định quan trọng nhất trong lớp học là không phải những gì học sinh hỏi hệ thống AI.
Đó là điều giáo viên quyết định làm tiếp theo. Tại Navigator Schools, một mạng lưới các trường bán công phục vụ hơn 1.800 học sinh trên khắp California, chúng tôi đã thử nghiệm một cách sử dụng trí tuệ nhân tạo khác.
Thay vì tập trung vào AI cung cấp nội dung cho học sinh, chúng tôi đang tận dụng công nghệ này để giúp chúng tôi xem xét hàng trăm quyết định tưởng chừng như nhỏ nhặt mà giáo viên phải đưa ra hàng ngày.
Qua nhiều năm huấn luyện giảng dạy, các trường học của chúng tôi đã xây dựng được một kho lưu trữ lớn: hàng nghìn quan sát trong lớp học, các bước hành động cụ thể mà giáo viên đã thử để phản hồi và hồ sơ về những gì đã xảy ra với kết quả học tập của học sinh sau đó.
Chúng tôi bắt đầu hỏi liệu AI có thể tìm ra các khuôn mẫu trong lịch sử đó và sử dụng chúng để giúp giáo viên đưa ra quyết định tốt hơn nhanh hơn hay không. Hãy xem xét trường hợp của Patrick Carr, giáo viên lớp 8 tại Watsonville Prep.
Trong nhiều tuần, Carr đã phải vật lộn để giúp học sinh của mình tập trung vào kỹ năng đọc cốt lõi. Anh ấy đã thử điều chỉnh cách bắt đầu lớp học, hoạt động khởi động mà học sinh thực hiện khi bước vào cửa, thêm các biện pháp khuyến khích và tổ chức lại cách học sinh làm việc theo nhóm.
Một số điều đã giúp được một chút, nhưng không có gì bị mắc kẹt.
Khi hệ thống của chúng tôi phân tích dữ liệu lớp học của anh ấy, nó đã gắn cờ một mô hình mà nó đã thấy trước đó và đưa ra đề xuất cụ thể: Hãy thử một quy trình nhập học có cấu trúc trong đó học sinh biết chính xác phải làm gì ngay khi ngồi xuống, kết hợp nó với các buổi thực hành ngắn, đúng thời gian — năm hoặc sáu phút đọc tập trung với mục tiêu rõ ràng — và giao cho các học sinh cụ thể các vai trò xác định để họ có lý do để tiếp tục tham gia thay vì trôi dạt.
Không có ý tưởng nào trong số đó tự nó là phép thuật. Điều quan trọng là thực hiện chúng cùng nhau, nhất quán và theo một trình tự cụ thể.
Hệ thống này đã từng thấy sự kết hợp đó hoạt động trong các lớp học tương đương trước đây; Carr đã không làm vậy vì những lớp học đó không phải của anh ấy. Anh ấy đã thử nó.
Trong vòng vài tuần, có điều gì đó đã thay đổi. Các sinh viên đã đến và bắt đầu làm việc.
Các thói quen được tổ chức và đến cuối mùa đông, hiệu suất tương tác và đọc sách đều được cải thiện. Không có một khoảnh khắc đột phá nào, nhưng có một điểm khởi đầu rõ ràng hơn được rút ra từ hàng trăm lớp học đã từng đối mặt với điều tương tự.
Đó chính là sự thay đổi mà chúng ta đang nói đến. Vấn đề không phải là thay thế sự phán xét của giáo viên, Carr vẫn quyết định cách điều chỉnh và áp dụng mọi đề xuất, mà là cung cấp cho giáo viên nền tảng tốt hơn để đưa ra những phán xét đó.
Loại hỗ trợ dựa trên dự đoán này đã trở thành tiêu chuẩn trong các lĩnh vực khác. Các bác sĩ sử dụng hệ thống phân tích mô hình của hàng nghìn bệnh nhân để đề xuất phương pháp điều trị.
Các đội thể thao sử dụng dữ liệu lịch sử để đánh giá các lượt chơi có nhiều khả năng thành công nhất trong một tình huống nhất định.
Giáo dục phần lớn đã hoạt động mà không có bất cứ điều gì tương đương, yêu cầu giáo viên đưa ra những quyết định mang tính quyết định cao mà hầu như không có cái nhìn rõ ràng về những gì đã mang lại hiệu quả trong các lớp học ngoài lớp học của họ.
Tin tốt là hầu hết các trường đều đã có sẵn dữ liệu cần thiết để bắt đầu: quan sát lớp học, ghi chú huấn luyện, kết quả đánh giá.
Những gì AI có thể làm được, lần đầu tiên trên quy mô lớn, là kết nối tín hiệu đó với bước đi tiếp theo được đề xuất rõ ràng, sau đó học hỏi từ những gì xảy ra khi giáo viên thử thực hiện.
Năm nay trên toàn mạng của chúng tôi, vòng lặp đó đã tạo ra hơn 1.700 quan sát và 2.000 bước hành động — góp phần cải thiện khoảng 19% hoạt động giảng dạy.
Gợi ý thực hành:
1. Theo dõi thông báo từ cơ quan địa phương tại California.
2. Kiểm tra nguồn chính thức trước khi chia sẻ lại thông tin.