چگونه هوش مصنوعی را به معلمی مؤثرتر تبدیل کنیم: درس‌هایی از TPACK

۲۴ مارس ۲۰۲۵ – نوشته‌ی David Wiley در وبلاگ OpenContent

معلمان انسانی و معلمان هوش مصنوعی

آیا برایتان عجیب خواهد بود اگر فردی تصادفی را از خیابان انتخاب کنید، او را در کلاسی پر از دانش‌آموز قرار دهید و متوجه شوید که معلم چندان مؤثری نیست؟ مسلماً نه! چرا که تدریس مؤثر نیازمند دانش و مهارت‌های بسیاری است و فردی که تصادفی انتخاب شده، احتمالاً هیچ آموزش مرتبطی ندیده است.

پس چرا هر بار که یک مدل هوش مصنوعی مولد (Generative AI) را انتخاب می‌کنیم، آن را در فرآیند یادگیری دانش‌آموزان به کار می‌گیریم و می‌بینیم که چندان مؤثر نیست، شگفت‌زده می‌شویم؟ درست مانند فردی که از خیابان انتخاب شده، بیشتر مدل‌های هوش مصنوعی مولد برای آموزش طراحی نشده‌اند و هیچ پیش‌آموزشی یا تنظیم خاصی برای تدریس ندیده‌اند. حتی اگر روزی هوش مصنوعی به سطح هوش انسانی برسد، باز هم همان نکته مطرح خواهد بود: انسان‌ها بدون آموزش و مهارت‌های لازم، معلمان مؤثری نیستند.

بنابراین، پرسش این است که اگر بخواهیم دانش و مهارت‌هایی به یک مدل هوش مصنوعی مولد بیفزاییم تا آن را به معلمی مؤثر تبدیل کنیم، چه مهارت‌ها و دانشی باید در اختیار آن قرار دهیم؟ پاسخ من این است: همان مهارت‌ها و دانشی که به معلمان انسانی در طول دوره‌ی آموزش و توسعه‌ی حرفه‌ای‌شان ارائه می‌کنیم.

برای نام‌گذاری این ایده، آن را فرضیه‌ی «آموزش هوش مصنوعی برای تبدیل شدن به معلم» یا TRAIT می‌نامم.

فرضیه‌ی TRAIT می‌گوید: میزان اثربخشی یک مدل هوش مصنوعی مولد در حمایت از یادگیری دانش‌آموزان متناسب با میزان دانش و مهارت‌های تدریس آن، مشابه یک معلم انسانی آموزش‌دیده، خواهد بود.

ما می‌توانیم و باید روش‌های مؤثر برای ارائه‌ی این مهارت‌ها و دانش را بررسی کنیم. مثلاً:

• آیا این مهارت‌ها باید مانند «حافظه‌ی بلندمدت» مدل در آن نهادینه شوند (از طریق تنظیم دقیق مدل Fine-tuning)؟

• یا آیا این مهارت‌ها باید به‌گونه‌ای ارائه شوند که بیشتر شبیه یک پشتیبان عملکردی عمل کنند (تولید افزوده‌ی مبتنی بر بازیابی، افزایش زمینه، و غیره).

من درباره‌ی این پرسش نظری دارم که در مقاله‌ی دیگری به آن می‌پردازم. اما امروز می‌خواهم بر روی این موضوع تمرکز کنم که چه مهارت‌ها و دانشی را باید به مدل‌های هوش مصنوعی بدهیم تا بتوانند معلمان مؤثری باشند؟

چارچوب TPACK

برای سازماندهی این ایده، می‌توان از ساختارهای مختلفی استفاده کرد. من قصد دارم از چارچوب دانش فناوری-پداگوژی-محتوا (Technological Pedagogical Content Knowledge – TPACK) که توسط «میشرا و کوهلر» ارائه شده است، استفاده کنم. (البته من این چارچوب را به روشی متفاوت از آنچه نویسندگان اصلی در نظر داشتند به کار می‌گیرم، اما فکر می‌کنم برای هدفم مناسب است.)

احتمالاً قبلاً این تصویر را دیده‌اید:

مدل TPACK و نقش آن در توسعه هوش مصنوعی آموزشی

پیش از آنکه به بررسی پیامدهای مدل TPACK در توسعه هوش مصنوعی مولد برای آموزش بپردازیم، ابتدا مروری کوتاه بر این مدل خواهیم داشت.

سه نوع دانش اصلی در مدل TPACK

مدل TPACK بر تعامل میان سه نوع دانش کلیدی تأکید دارد:

1. دانش محتوا (Content Knowledge – CK):

   • تسلط بر موضوع درسی و مفاهیم مرتبط با آن.

   • شامل درک حقایق، مفاهیم، نظریه‌ها و چارچوب‌های توضیحی در یک حوزه تخصصی.

   • مثال: تفاوت محتوای آموزشی در درس‌های دبیرستانی مانند تاریخ و جبر با دروس دانشگاهی مانند علوم کامپیوتر یا تاریخ هنر.

2. دانش پداگوژیکی (Pedagogical Knowledge – PK):

   • دانش عمیق درباره روش‌ها و فرآیندهای آموزش و یادگیری.

   • شامل برنامه‌ریزی درسی، مدیریت کلاس، ارزیابی دانش‌آموزان و درک ارزش‌ها و اهداف آموزشی.

   • مثال: انتخاب روش تدریس مناسب برای گروه‌های مختلف دانش‌آموزان.

3. دانش فناوری (Technological Knowledge – TK):

   • آشنایی با ابزارهای فناوری، از ابزارهای سنتی مانند کتاب و تخته‌سیاه تا فناوری‌های پیشرفته مانند اینترنت و ویدئوهای دیجیتال.

   • مهارت در استفاده از نرم‌افزارها و سخت‌افزارهای مختلف برای آموزش.

   • مثال: آشنایی با سیستم‌های مدیریت یادگیری (LMS) یا ابزارهای ویرایش ویدئو.

دانش‌های ترکیبی در مدل TPACK

علاوه بر این سه دانش اصلی، مدل TPACK شامل نقاط تلاقی این دانش‌ها است:

1. دانش پداگوژیکی-محتوایی (Pedagogical Content Knowledge – PCK):

   • دانش در مورد بهترین روش‌های تدریس برای یک محتوای خاص.

   • شامل شناخت چالش‌های یادگیری دانش‌آموزان و استفاده از تکنیک‌های آموزشی مناسب.

   • مثال: دانستن این‌که برخی از مفاهیم ریاضی برای دانش‌آموزان دشوار است و یافتن راه‌های بصری برای آموزش آن‌ها.

2. دانش فناورانه-پداگوژیکی (Technological Pedagogical Knowledge – TPK):

   • دانش در مورد چگونگی تعامل بین فناوری و آموزش.

   • شامل درک اینکه چگونه فناوری می‌تواند تدریس را تسهیل کند یا محدودیت‌هایی ایجاد کند.

   • مثال: استفاده از ابزارهای تعاملی مانند کوییزهای آنلاین برای افزایش تعامل دانش‌آموزان.

3. دانش فناورانه-محتوایی (Technological Content Knowledge – TCK):

   • شناخت فناوری‌های مختلف و چگونگی استفاده از آن‌ها برای تدریس یک موضوع خاص.

   • شامل انتخاب ابزارهای مناسب برای ارائه محتوای آموزشی.

   • مثال: استفاده از شبیه‌سازهای علمی برای تدریس فیزیک.

4. دانش فناورانه-پداگوژیکی-محتوایی (Technological Pedagogical Content Knowledge – TPACK):

   • ترکیبی از تمام دانش‌های فوق، که زیربنای یک تدریس مؤثر با فناوری است.

   • شامل دانش درباره چگونگی استفاده از فناوری برای بهبود یادگیری و رفع چالش‌های آموزشی.

   • مثال: طراحی یک درس آنلاین که مفاهیم پیچیده را با استفاده از ابزارهای چندرسانه‌ای توضیح دهد.

در ادامه، بررسی خواهیم کرد که این چارچوب چه دلالتی برای توسعه هوش مصنوعی آموزشی دارد و چگونه می‌توان از آن برای طراحی مدل‌های هوش مصنوعی که توانایی تدریس مؤثر دارند، استفاده کرد.

پیامدهای مدل TPACK برای توسعه هوش مصنوعی مولد آموزشی

بررسی کامل پیامدهای مدل TPACK برای آموزش مؤثر توسط هوش مصنوعی مولد (Generative AI) نیازمند تحلیل گسترده‌ای است. اما در اینجا، به برخی نکات کلیدی اشاره می‌کنم و از مدل‌های زبانی آموزشی باز (OELM – Open Educational Language Models) به‌عنوان نمونه‌ای عملی استفاده خواهم کرد.

نحوه نمایش دانش محتوا و دانش پداگوژیکی در OELM

در طراحی مدل‌های زبانی آموزشی باز (OELM)، دانش محتوا (CK) و دانش پداگوژیکی (PK) به‌صورت مستقل نمایش داده می‌شوند:

1. دانش محتوا (CK) در OELM

   • در این مدل‌ها، دانش محتوا را می‌توان مانند خلاصه‌ای دقیق از یک فصل کتاب درسی باز تصور کرد.

   • این دانش باعث می‌شود مدل، توضیحات و پاسخ‌های دقیق‌تری ارائه دهد و نرخ تولید اطلاعات نادرست را به میزان قابل توجهی کاهش دهد.

   • این کار از طریق روش‌های مختلفی مانند ریزتنظیم (fine-tuning)، بازیابی افزوده به تولید (RAG – Retrieval-Augmented Generation) یا افزایش اطلاعات زمینه‌ای (Context Augmentation) امکان‌پذیر است.

2. دانش پداگوژیکی (PK) در OELM

   • این نوع دانش در قالب پرامپت‌هایی نمایش داده می‌شود که مدل براساس آن‌ها عمل می‌کند.

   • این پرامپت‌ها شامل تکنیک‌های آموزشی فرا‌رشته‌ای هستند، مانند تمرین بازیابی (retrieval practice) یا اتصال دانش جدید به دانش قبلی.

نقش دانش پداگوژیکی-محتوایی در OELM

دانش پداگوژیکی-محتوایی (PCK) نیز در طراحی OELM نقش مهمی ایفا می‌کند:

• در این مدل‌ها، PCK از طریق پرامپت‌هایی که در زمینه‌های خاص علمی اجرا می‌شوند، نمایش داده می‌شود.

• این پرامپت‌ها می‌توانند شامل دستورالعمل‌ها، تمرین‌ها و بازخوردهای متناسب با یک موضوع خاص باشند.

• نمونه‌هایی از این کاربرد:

  • راهنمایی در نوشتن یک جمله موضوعی قوی در مهارت‌های نوشتاری.

  • تمرین‌های تعاملی برای فاکتورگیری چندجمله‌ای‌ها در ریاضیات.

ابزار نویسندگی OELM و آینده تعاملات آموزشی

• نمونه اولیه ابزار نویسندگی OELM که به‌زودی در GitHub منتشر خواهد شد، به نویسندگان کمک می‌کند تا دانش محتوا و دانش پداگوژیکی مرتبط را ثبت کنند.

• این دانش‌ها سپس توسط مدل پردازش شده و در قالب فعالیت‌های یادگیری تعاملی برای دانش‌آموزان اجرا می‌شوند.

با این رویکرد، مدل‌های هوش مصنوعی نه تنها پاسخ‌هایی دقیق ارائه می‌دهند، بلکه می‌توانند روش‌های آموزشی اثربخش را نیز شبیه‌سازی کرده و یادگیری فعال را تسهیل کنند.

تا این لحظه، مدل‌های زبانی آموزشی باز (OELM) را به‌عنوان ترکیبی از چندین بخش مهم در نظر گرفته‌ام: دانش محتوا و دانش پداگوژیکی (یا به زبان ساده‌تر، مجموعه‌ای از منابع آموزشی باز (OER) برای افزایش زمینه و پرامپت‌هایی که شیوه‌های آموزشی مبتنی بر شواهد را توصیف می‌کنند). این عناصر در کنار وزن‌های باز مدل و نرم‌افزارهای متن‌باز قرار می‌گیرند و همه این موارد را در تعاملات آموزشی منسجم و هدفمند سازماندهی می‌کنند.

اما شاید جذاب‌ترین کشف من در استفاده از چارچوب TPACK برای توسعه OELM، شناسایی فرصتی جدید باشد که قبلاً متوجه آن نشده بودم! هنوز در حال بررسی این پیامدها هستم، اما در ادامه بخشی از ایده‌های اولیه خود را به اشتراک می‌گذارم:

دانش فناوری در مدل‌های زبانی آموزشی باز

در طراحی OELM، دانش فناوری (TK) در اطلاعات مربوط به ابزارهای خارجی که مدل می‌تواند از آن‌ها استفاده کند، تجلی پیدا می‌کند. به عنوان مثال:

• یک ماشین‌حساب علمی می‌تواند از طریق پروتکل زمینه مدل (MCP) در اختیار مدل قرار بگیرد.

• داده‌های بلادرنگ در مورد آب‌وهوا، بازار سهام یا عملکرد یادگیرنده می‌توانند از طریق API به مدل منتقل شوند.

در این میان، دانستن چه زمانی و چگونه مدل باید از یک ابزار خاص به‌عنوان بخشی از یک استراتژی آموزشی مشخص برای تدریس یک مفهوم خاص استفاده کند، همان نقطه ایده‌آل دانش تلفیقی فناوری، پداگوژی و محتوا (TPCK) خواهد بود.

دعوت به تبادل ایده‌ها

اگر فرضیه TRAIT صحیح باشد و هوش مصنوعی مولد برای تبدیل‌شدن به یک معلم اثربخش، نیاز به آموزشی مشابه با انسان‌ها داشته باشد، در آن صورت می‌توان از چارچوب‌های گوناگون دانش معلمان و روش‌های توسعه حرفه‌ای آن‌ها برای بهبود عملکرد هوش مصنوعی بهره برد.

برای مثال، مدل‌های توسعه حرفه‌ای معلمان چه راهکارهایی برای برطرف کردن مشکلات ناشی از محدودیت دانش (knowledge cutoff) در مدل‌های هوش مصنوعی پیشنهاد می‌کنند؟

از نظر شما، کدام چارچوب یا رویکرد آموزشی می‌تواند بیشترین تأثیر را بر آموزش با استفاده از هوش مصنوعی مولد داشته باشد؟