DOI: https://doi.org/10.3390/educsci14010083
تاريخ النشر: 2024-01-12
المؤلف: David Ernesto Salinas-Navarro وآخرون
الموضوع الرئيسي: التعلم عبر الإنترنت والتحليلات
نظرة عامة
تستكشف ورقة البحث دمج الذكاء الاصطناعي التوليدي (GenAI) في البيئات التعليمية، مع التأكيد على إمكانيته في تعزيز التعليم والتعلم من خلال أساليب بيداغوجية مبتكرة. تسلط الضوء على ضرورة إعادة تصميم تجارب التعلم النشطة لمعالجة التحديات مثل النزاهة الأكاديمية والانتحال مع تحقيق نتائج التعلم المقصودة. تستخدم الدراسة الإثنوغرافيا لاستكشاف كيفية دمج أدوات GenAI بشكل فعال مع التقييم الأصيل والتعلم التجريبي، كاشفة عن رؤى حول إنشاء تجارب تعلم مركزية على الإنسان ومعززة بـ GenAI. تشير النتائج إلى تحول من رؤية أدوات GenAI كعوامل للكتابة أو الإجابة على الأسئلة إلى الاعتراف بدورها كمسهلين للتعلم التجريبي والتقييم الأصيل.
في الختام، تؤكد الأبحاث على الإمكانيات التحويلية لأدوات GenAI في التعليم، داعية إلى استخدامها المسؤول لدعم الوكالة البشرية واحتياجات التعلم. توفر إرشادات عملية حول دمج GenAI ضمن إطار التوافق البنائي، مع معالجة نتائج التعلم المقصودة، وأنشطة التدريس والتقييم. تثير الورقة أيضًا أسئلة حاسمة بشأن الآثار الأخلاقية لاستخدام GenAI وأهمية صياغة استفسارات دقيقة للتخفيف من المخاطر مثل الهلوسة والمعلومات المضللة. بشكل عام، تضع الدراسة أساسًا لمزيد من استكشاف دور GenAI في التعليم، مع التأكيد على الحاجة إلى تنفيذ عملي مستمر للتحقق من مساهماته في نتائج التعلم الفعالة.
مقدمة
تتناول مقدمة هذه الورقة البحثية دمج الذكاء الاصطناعي التوليدي (GenAI) في أنشطة التعلم التجريبي الموجهة نحو التقييم الأصيل في التعليم العالي. تسلط الضوء على الطبيعة المزدوجة لـ GenAI، التي، بينما تحدث ثورة في مختلف القطاعات من خلال توليد محتوى يشبه البشر، تثير مخاوف كبيرة بشأن النزاهة الأكاديمية، وحقوق الملكية الفكرية، وإمكانية الانتحال. تؤكد الورقة على الحاجة إلى نهج متوازن يولي الأولوية للوكالة البشرية والاستخدام المسؤول لأدوات GenAI، مقترحة أن هذه التقنيات يمكن أن تعزز تعلم الطلاب من خلال الدعم الشخصي وبيئات التعلم التكيفية.
يقترح المؤلفون أن GenAI يمكن أن يسهل التقييمات الأصيلة المبتكرة التي تتحدى الطلاب لتطبيق المعرفة في سيناريوهات معقدة، مما يعزز مهارات التفكير العليا مثل التحليل والتقييم. يهدف هذا النهج إلى خلق تجارب تعلم جذابة تكون أقل عرضة لقدرات GenAI، مما يعزز في النهاية الفهم الأعمق والتفكير النقدي. تسعى البحث لاستكشاف التفاعل بين أدوات GenAI والتعلم التجريبي، مطروحة سؤالين بحثيين رئيسيين: (RQ1) العلاقة بين GenAI والتعلم التجريبي للتقييم الأصيل، و(RQ2) تحديد البدائل لدمج GenAI في أنشطة التعلم. تضع الورقة الأساس لفحص شامل لهذه الموضوعات، مع نية تطوير توصيات قابلة للتنفيذ للممارسات التعليمية الفعالة باستخدام GenAI.
طرق البحث
تستخدم الدراسة نهجًا إثنوغرافيًا لاستكشاف دمج الذكاء الاصطناعي التوليدي (GenAI) في التعلم التجريبي للتقييم الأصيل. من خلال اعتبار أدوات GenAI كمواضيع نشطة، تهدف البحث إلى كشف طرق مبتكرة لدمج هذه التقنيات في الممارسات التعليمية. تُستخدم الإثنوغرافيا، التي تركز على فهم التفاعلات الثقافية ووجهات النظر، لجمع رؤى من كل من المشاركين البشريين وأدوات GenAI. يسمح هذا المنهج باستكشاف دقيق للعلاقة الديناميكية بين المستخدمين وGenAI، متحديًا وجهات النظر التقليدية التي تركز على الإنسان ويؤكد على البناء المشترك للمعرفة بين البشر والتكنولوجيا.
شملت جمع البيانات مقابلات شبه منظمة مع روبوتات الدردشة البارزة لـ GenAI، بما في ذلك ChatGPT من OpenAI، وGoogle Bard، وMicrosoft Copilot، وClaude من Anthropic. تم تصميم عملية المقابلة لاستنباط استجابات غنية وسياقية، مسترشدين بإطار موضوعي متماشي مع أسئلة البحث. تم استخدام التحليل الموضوعي لتنظيم وتفسير البيانات، كاشفًا عن أنماط ورؤى تُعلم الأدوار المحتملة لـ GenAI في تعزيز التعلم التجريبي. تعترف الدراسة بحدود القابلية للتعميم بسبب وجهات النظر الفريدة لأدوات GenAI المختلفة وتؤكد على الحاجة إلى مزيد من التحقق من النتائج عبر سياقات متنوعة.
النتائج
يقدم قسم النتائج نتائج من المقابلات التي أجريت مع أربعة أدوات للذكاء الاصطناعي التوليدي (GenAI): ChatGPT 3.5، وGoogle Bard، وMicrosoft New Bing، وClaude من Anthropic. كانت المقابلات تهدف إلى تقييم الفهم المفاهيمي للأدوات وتم تلخيص استجاباتها في جداول، كاشفة عن مواضيع ناشئة. على الرغم من أن الاستجابات لم تكن محور التركيز الرئيسي للدراسة، إلا أنها أظهرت قدرة الأدوات على توليد إجابات متماسكة ومستنيرة على الأسئلة الأساسية المتعلقة بالبحث.
استخدم التحقيق في التفاعل بين أدوات GenAI، والتقييم الأصيل، والتعلم التجريبي إطار التوافق البنائي، الذي يشمل نتائج التعلم المقصودة (ILOs)، وأنشطة التدريس والتعلم (TLAs)، ومهام التقييم (ATs). تشير النتائج إلى أن أدوات GenAI يمكن أن تعزز بشكل كبير أنشطة التعلم طوال دورة التعلم التجريبي، من التجارب الملموسة إلى التصور المجرد والتجريب النشط. كل أداة تظهر نقاط قوة فريدة: ChatGPT 3.5 متعددة الاستخدامات عبر مراحل متعددة، وGoogle Bard تتفوق في إنشاء سيناريوهات جذابة، وNew Bing تركز على سيناريوهات اتخاذ القرار، وClaude تؤكد على الإرشاد الشخصي ولعب الأدوار. على الرغم من اختلافاتها، تشترك جميع الأدوات في ميزات شائعة مثل التخصيص، والتعلم التفاعلي، وآليات التغذية الراجعة، ودعم التعلم التعاوني، والتي تساهم مجتمعة في إثراء التجارب التعليمية وتسهيل التقييم الأصيل. يختتم القسم باقتراح بدائل لدمج أدوات GenAI في أنشطة التعلم التي تتماشى مع مبادئ التعلم التجريبي.
المناقشة
يؤكد قسم المناقشة في ورقة البحث على أهمية التعلم التجريبي، والتقييم الأصيل، والتوافق البنائي في الممارسات التعليمية، خاصة في سياق دمج أدوات الذكاء الاصطناعي التوليدي (GenAI). يتم تسليط الضوء على التعلم التجريبي كنموذج بيداغوجي متفوق يعزز الانخراط المعنوي والتحفيز بين الطلاب من خلال غمرهم في سيناريوهات العالم الحقيقي. هذا النموذج التعليمي، المستند إلى دورة التعلم التجريبي لكولب—التي تشمل مراحل التجربة الملموسة (CE)، والملاحظة التأملية (RO)، والتصور المجرد (AC)، والتجريب النشط (AE)—يشجع الطلاب على بناء المعرفة بنشاط من خلال المهام العملية والممارسات التأملية.
يتم تقديم التقييم الأصيل كطريقة تقيم أداء الطلاب من خلال مهام معقدة من العالم الحقيقي بدلاً من مقاييس بسيطة. يهدف إلى قياس قدرات الطلاب على تطبيق المعرفة في سياقات عملية، مما يعزز التفكير الأعلى والتعلم الذاتي المنظم. تجادل الورقة من أجل توافق نتائج التعلم المقصودة (ILOs)، وأنشطة التدريس والتعلم (TLAs)، ومهام التقييم (ATs) لضمان أن التجارب التعليمية متماسكة وفعالة. هذا التوافق البنائي ضروري للاستفادة من أدوات GenAI، التي يمكن أن تعزز صياغة ILOs، وتدعم TLAs المتنوعة، وتسهيل التقييمات الأصيلة من خلال توفير تغذية راجعة شخصية وتجارب تعلم تكيفية.
يتم استكشاف التفاعل بين أدوات GenAI وهذه الأطر التعليمية، مقترحة أن هذه الأدوات يمكن أن تثري أنشطة التعلم عبر جميع مراحل دورة كولب. على سبيل المثال، يمكن أن يساعد GenAI في إنشاء تجارب افتراضية غامرة، وتوجيه الكتابة التأملية، وتوليد سيناريوهات اتخاذ القرار التكيفية. تشير النتائج إلى أن دمج أدوات GenAI في التعلم التجريبي والتقييم الأصيل يمكن أن يؤدي إلى ممارسات تعليمية أكثر فعالية وجاذبية، مما يدعم الطلاب في تحقيق نتائج تعلمهم. يُقترح العمل المستقبلي لاستكشاف هذه التكاملات بشكل أكبر ومعالجة أي قيود تم تحديدها في الدراسة الحالية.
القيود
تشمل قيود هذه البحث القضايا المنهجية، والمخاوف المتعلقة بـ GenAI، والمخاوف الأخلاقية. منهجيًا، يثير استخدام الإثنوغرافيا أسئلة حول التفسير الأنيمستي للأشياء وموثوقية أدوات GenAI في التعبير عن استجابات صحيحة خلال المقابلات. بينما يمكن لـ GenAI توليد لغة تشبه البشر، تتطلب مخرجاته التحقق من المصادر الموثوقة من أجل الدقة والملاءمة. تشكل التغيرات في الاستجابات من نفس أدوات GenAI بمرور الوقت تحديًا مشابهًا لذلك الذي يتم مواجهته في البحث الاجتماعي البشري، مما يتطلب عملية بحث منظمة بعناية لضمان استقرار النتائج. على الرغم من توافق استجابات GenAI مع الأدبيات الموجودة حول المفاهيم الأساسية، تم ملاحظة اختلافات في التفاصيل والنطاق، مما يشير إلى الحاجة إلى مزيد من التحقيق التجريبي في السياقات التعليمية الواقعية. بالإضافة إلى ذلك، يحد عدم وجود آلية تغذية راجعة لتقييم فعالية توصيات GenAI من القدرة على تقييم نجاحها أو فشلها.
أخلاقيًا، تسلط الدراسة الضوء على المخاوف المتعلقة بإمكانية الوصول والشمولية لأدوات GenAI، وإمكانية وجود تحيزات خفية، والقضايا المتعلقة بخصوصية البيانات وأمانها. تؤكد هذه العوامل على أهمية ممارسة تعليمية تأملية للتخفيف من المخاطر المرتبطة باستخدام GenAI. يتم التأكيد على أن GenAI يجب أن يكون بمثابة مورد تكميلي بدلاً من استبدال الحكم البشري في القرارات البيداغوجية. يجب أن تعطي التطبيق المسؤول لرؤى GenAI الأولوية للتفسير البشري والاعتبارات السياقية المحددة، مما يضمن أن هذه الأدوات تعزز بدلاً من أن تعيق التنمية الفكرية والتفاعل البشري.
DOI: https://doi.org/10.3390/educsci14010083
Publication Date: 2024-01-12
Author(s): David Ernesto Salinas-Navarro et al.
Primary Topic: Online Learning and Analytics
Overview
The research paper explores the integration of generative artificial intelligence (GenAI) in educational settings, emphasizing its potential to enhance teaching and learning through innovative pedagogical approaches. It highlights the necessity of redesigning active learning experiences to address challenges such as academic integrity and plagiarism while achieving intended learning outcomes. The study employs thing ethnography to investigate how GenAI tools can be effectively integrated with authentic assessment and experiential learning, revealing insights into creating human-centered, GenAI-enhanced learning experiences. The findings suggest a shift from viewing GenAI tools merely as agents for writing or answering questions to recognizing their role as facilitators of experiential learning and authentic assessment.
In conclusion, the research underscores the transformative potential of GenAI tools in education, advocating for their responsible use to support human agency and learning needs. It provides practical guidance on incorporating GenAI within the framework of constructive alignment, addressing intended learning outcomes, teaching activities, and assessment tasks. The paper also raises critical questions regarding the ethical implications of GenAI use and the importance of formulating precise inquiries to mitigate risks such as hallucinations and misinformation. Overall, the study lays a foundation for further exploration of GenAI’s role in education, emphasizing the need for ongoing practical implementation to validate its contributions to effective learning outcomes.
Introduction
The introduction of this research paper addresses the integration of generative artificial intelligence (GenAI) in experiential learning activities aimed at authentic assessment within higher education. It highlights the dual nature of GenAI, which, while revolutionizing various sectors by generating human-like content, raises significant concerns regarding academic integrity, intellectual property, and the potential for plagiarism. The paper emphasizes the need for a balanced approach that prioritizes human agency and responsible use of GenAI tools, suggesting that these technologies can enhance student learning through personalized support and adaptive learning environments.
The authors propose that GenAI can facilitate innovative authentic assessments that challenge students to apply knowledge in complex scenarios, thereby promoting higher-order cognitive skills such as analysis and evaluation. This approach aims to create engaging learning experiences that are less susceptible to GenAI’s capabilities, ultimately fostering deeper understanding and critical thinking. The research seeks to explore the interplay between GenAI tools and experiential learning, posing two key research questions: (RQ1) the relationship between GenAI and experiential learning for authentic assessment, and (RQ2) the identification of alternatives for integrating GenAI in learning activities. The paper sets the stage for a comprehensive examination of these themes, with the intention of developing actionable recommendations for effective educational practices using GenAI.
Methods
The study employs an ethnographic approach to investigate the integration of Generative AI (GenAI) into experiential learning for authentic assessment. By treating GenAI tools as active subjects, the research aims to uncover innovative ways to incorporate these technologies into educational practices. Ethnography, which focuses on understanding cultural interactions and perspectives, is utilized to gather insights from both human participants and GenAI tools. This methodology allows for a nuanced exploration of the dynamic relationship between users and GenAI, challenging traditional anthropocentric views and emphasizing the co-construction of knowledge between humans and technology.
Data collection involved semi-structured interviews with prominent GenAI chatbots, including OpenAI’s ChatGPT, Google Bard, Microsoft Copilot, and Anthropic’s Claude. The interview process was designed to elicit rich, contextual responses, guided by a thematic framework aligned with the research questions. Thematic analysis was employed to organize and interpret the data, revealing patterns and insights that inform the potential roles of GenAI in enhancing experiential learning. The study acknowledges the limitations of generalizability due to the unique perspectives of different GenAI tools and emphasizes the need for further validation of findings across varied contexts.
Results
The results section presents findings from interviews conducted with four Generative AI (GenAI) tools: ChatGPT 3.5, Google Bard, Microsoft New Bing, and Anthropic’s Claude. The interviews aimed to assess the tools’ conceptual understanding and their responses were summarized in tables, revealing emerging themes. Although the responses were not the primary focus of the study, they demonstrated the tools’ ability to generate coherent and informed answers to fundamental questions related to the research.
The investigation into the interplay between GenAI tools, authentic assessment, and experiential learning utilized the framework of constructive alignment, which encompasses Intended Learning Outcomes (ILOs), Teaching and Learning Activities (TLAs), and Assessment Tasks (ATs). The findings indicate that GenAI tools can significantly enhance learning activities throughout the experiential learning cycle, from concrete experiences to abstract conceptualization and active experimentation. Each tool exhibits unique strengths: ChatGPT 3.5 is versatile across multiple stages, Google Bard excels in creating engaging scenarios, New Bing focuses on decision-making scenarios, and Claude emphasizes personalized guidance and role-playing. Despite their differences, all tools share common features such as personalization, interactive learning, feedback mechanisms, and support for collaborative learning, which collectively contribute to enriching educational experiences and facilitating authentic assessment. The section concludes with proposed alternatives for integrating GenAI tools into learning activities that align with experiential learning principles.
Discussion
The discussion section of the research paper emphasizes the significance of experiential learning, authentic assessment, and constructive alignment in educational practices, particularly in the context of integrating Generative AI (GenAI) tools. Experiential learning is highlighted as a superior pedagogical approach that fosters meaningful engagement and motivation among students by immersing them in real-world scenarios. This learning model, grounded in Kolb’s experiential learning cycle—which includes stages of concrete experience (CE), reflective observation (RO), abstract conceptualization (AC), and active experimentation (AE)—encourages students to actively construct knowledge through hands-on tasks and reflective practices.
Authentic assessment is presented as a method that evaluates student performance through complex, real-world tasks rather than simplistic measures. It aims to gauge students’ abilities to apply knowledge in practical contexts, thereby promoting higher-order thinking and self-regulated learning. The paper argues for the alignment of intended learning outcomes (ILOs), teaching and learning activities (TLAs), and assessment tasks (ATs) to ensure that educational experiences are coherent and effective. This constructive alignment is essential for leveraging GenAI tools, which can enhance the formulation of ILOs, support diverse TLAs, and facilitate authentic assessments by providing personalized feedback and adaptive learning experiences.
The interplay between GenAI tools and these educational frameworks is explored, suggesting that such tools can enrich learning activities across all stages of Kolb’s cycle. For instance, GenAI can assist in creating immersive virtual experiences, guiding reflective journaling, and generating adaptive decision-making scenarios. The findings indicate that integrating GenAI tools into experiential learning and authentic assessment can lead to more effective and engaging educational practices, ultimately supporting students in achieving their learning outcomes. Future work is suggested to further explore these integrations and address any limitations identified in the current study.
Limitations
The limitations of this research encompass methodological, GenAI-related, and ethical concerns. Methodologically, the use of thing ethnography raises questions about the animistic interpretation of objects and the reliability of GenAI tools in articulating valid responses during thing interviews. While GenAI can generate human-like language, its outputs require verification against authoritative sources for accuracy and relevance. Variability in responses from the same GenAI tools over time poses a challenge similar to that encountered in human social research, necessitating a carefully structured research process to ensure stability in findings. Although GenAI responses aligned with existing literature on fundamental concepts, discrepancies in detail and scope were noted, indicating a need for further empirical investigation in real-world educational contexts. Additionally, the lack of a feedback mechanism to evaluate the effectiveness of GenAI recommendations limits the ability to assess their success or failure.
Ethically, the research highlights concerns regarding the accessibility and inclusivity of GenAI tools, the potential for hidden biases, and issues related to data privacy and security. These factors underscore the importance of a reflective teaching practice to mitigate risks associated with GenAI usage. It is emphasized that GenAI should serve as a supplementary resource rather than a replacement for human judgment in pedagogical decisions. The responsible application of GenAI insights must prioritize human interpretation and context-specific considerations, ensuring that these tools enhance rather than hinder intellectual development and human interaction.