Page 240 - Izobraževanje v dobi generativne umetne inteligence

Alenka Lipovec in Barbara Arcet

Učenje z nekaj primeri (angl. few-shot learning) LLM-jem omogoča, da se
naučijo nove naloge s samo nekaj primeri, kar izboljša zmogljivost modela.
Učenje brez primerov (angl. zero-shot learning) zahteva pozivanje LLM-jev
brez primerov, vendar ga je mogoče izboljšati s prilagoditvijo navodil in
krepitvijo učenja s povratnimi informacijami ljudi (Dang idr., 2022). V razi-
skavah, ki so jih izvajali Norberg idr. (2023) ter Norberg idr. (2024), je pri uče-
nju brez predhodnih primerov GUI prejela le nabor splošnih navodil, brez
konkretnih primerov nalog. Ta tehnika je omogočila preoblikovanje nalog v
naloge z boljšo strukturo, kot sta npr. dodajanje uvodnih stavkov in konteks-
tualizacija negativnih števil. Vendar pa ChatGPT-4 ni dosledno poenostavljal
besedišča in stavčne strukture, kar je bilo včasih problematično. Pri okolju,
ki omogoča učenje z malo predhodnimi primeri, so bili GUI podani primeri
sprememb za vsako navodilo. Uporabljeni so bili primeri z eno ali dvema
spremembama, odvisno od zahtevnosti naloge. ChatGPT-4 je bil pozvan, da
najprej pojasni pravila, preden jih uporabi, kar je izboljšalo zanesljivost pri
uporabi aktivnega glagolskega naklona. Vendar je imel še vedno težave pri
zamenjavi težjih besed in je včasih uporabil presplošne izraze, kar bi lah-
ko učence zmedlo. Dodatno so raziskovalci ChatGPT-4 v nekaterih prime-
rih prosili, naj ustvari več različic prepisov. Dodatne različice so bile včasih
boljše, vendar so bile pogosteje slabše od osnovne različice. Razen tega so
raziskovalci ChatGPT-4 poskušali usmeriti k uporabi orodij za ocenjevanje
berljivosti besedila. Vendar ChatGPT-4 ni uspešno uporabljal teh orodij ali
analiziral besedil glede na raven zahtevnosti, kljub trditvam, da to zmore.
Občasno so raziskovalci ChatGPT-4 naročili, naj oceni svoje rezultate in po-
novi korake, če so prisotne napake. ChatGPT-4 ni nikoli ponovil korakov, tudi
ko bi bilo to koristno.

Zaključek
GUI postaja ključno orodje za personalizirano poučevanje matematike, saj
omogoča prilagoditev nalog specifičnim potrebam posameznih učencev in
spodbuja učenje z lastnim tempom. Dodatno lahko GUI pomaga pri vizual-
nih predstavitvah abstraktnih matematičnih konceptov, nudi interaktivno
učenje in odpira nove priložnosti za ustvarjanje matematičnih nalog, ki so
prilagojene stopnji znanja, zanimanjem in ciljem učencev. Posebej učinkovita
so orodja GUI pri učencih z nižjo začetno stopnjo znanja, saj se zdi, da pospe-
šijo njihov napredek. Z vključitvijo učitelja GUI omogoča hibridno tutorstvo,
ki kombinira prednosti človeškega mentorstva in tehnološke prilagodljivosti.
Kljub prednostim ostajajo izzivi, kot je pomanjkanje kulturne in osebne av-
tentičnosti matematičnih nalog, ki so generirane z UI. Dodatno je nujno iz-

240