Page 239 - Izobraževanje v dobi generativne umetne inteligence

Učinkovitost generativne umetne inteligence za personalizirano učenje matematike

kovost odgovorov velikih jezikovnih modelov in so zato ključne za uspešno
vključevanje GUI v izobraževalne procese. Če bodo učitelji pisali učinkovite
pozive in to znanje prenesli tudi na učence, bodo orodja GUI učinkoviteje
pripomogla k izboljšanju matematičnega znanja učencev. Oppenlaender idr.
(2023) so analizirali, kako učitelji matematike prepoznavajo kakovost pozivov
s področja poučevanja matematike in kako pozive izboljšujejo. Ugotovili so,
da oblikovanje učinkovitih pozivov zahteva prakso, poznavanje matematične
terminologije in specifičnih načinov izražanja, ki ugodno delujejo na učin-
kovitost orodij GUI. Zamfirescu-Pereira idr. (2023) pa opozarjajo, da učitelji
kot nestrokovnjaki, ki ne sodelujejo pri razvoju modelov, pogosto oblikujejo
pozive, ki bolj spominjajo na medosebna navodila in manj učinkovito izko-
riščajo zmožnosti LLM. Dang idr. (2022) dodatno poročajo, da so učitelji pri
oblikovanju pozivov za matematične naloge pogosto naleteli na težave, kot
so pomanjkanje jasnih smernic, slaba opredelitev dejavnosti in pričakovanih
rezultatov ter dileme glede etične uporabe modelov. Vsi raziskovalci s tega
področja zato poudarjajo potrebo po izobraževanju učiteljev za učinkovito
ustvarjanje in prilagajanje pozivov.
Eno izmed zanimivih področij raziskovanja se nanaša na sposobnosti orodij
GUI, da lahko (avtomatizirano) prilagajajo naloge učečemu se. Norberg idr.
(2023) in Norberg idr. (2024) so raziskovali, kako lahko veliki jezikovni modeli
prilagajajo matematične naloge za uporabo v realnih učnih okoljih. Preizkusi-
li so, kako lahko ChatGPT-4 uporabijo za izboljšanje berljivosti in razumljivosti
besedilnih nalog. V sodelovanju z inteligentnim tutorjem MATHia so razvili
avtomatiziran postopek za hitro prilagajanje nalog, ki je izboljšal rezultate
berljivosti. Rezultati evalvacije na velikem vzorcu nalog so pokazali, da so
imeli učenci (N = 12374) pri prilagojenih nalogah na nekaterih matematičnih
področjih (npr. reševanje linearnih enačb) višje dosežke, na drugih (npr. verje-
tnost) pa nižje. Raziskovalci so uporabljali negativne pozive, da bi GUI usme-
rili k izogibanju določenim strukturam, kot je npr. uporaba zaimkov. Ugoto-
vili so, da so bili negativni pozivi učinkovitejši, kadar so bili specifični (npr.
»Izo gibaj se ‘on, ona, oni‘«) namesto splošnih (npr. »Izogibaj se zaimkom«). Ta
natančnost je GUI pomagala bolje slediti navodilom, vendar je bilo popolno
izogibanje nejasnim izrazom še vedno izziv. Uporabljali so tudi strategijo CoT,
ki je vključevala podajanje korakov sklepanja skupaj z zgledi. Raziskovalci
so vključili vzorčno nalogo, njen popravek in razlago, zakaj popravek ustre-
za smernicam. Tudi poziv s strategijo CoT se je izkazal za učinkovitega, saj je
ChatGPT-4 v prvem poskusu pravilno popravil 26 od 30 matematičnih nalog,
presegel zgolj nadomeščanje besed s sopomenkami ter izbiral ustreznejše
izraze v kontekstu.

239