Page 309 - Izobraževanje v dobi generativne umetne inteligence

Tehnična, tehnološka in druga merila vrednotenja orodij GUI za integracijo v izobraževanje

GUI so primerne metrike, kot so perpleksnost (angl. perplexity), ki meri, kako
dobro model predvidi zaporedje besed (Techhara, 2023), ter človekove oce-
ne kakovosti (npr. ocenjevanje ustreznosti, kontekstualnosti in skladnosti
generiranih odgovorov) (Sarraf, 2024), saj bolje zajamejo kompleksnost GUI
kot klasične metrike razvrščanja. Človekove ocene kakovosti, kot je ocenje-
vanje ustreznosti, kontekstualnosti in skladnosti generiranih odgovorov, so
uporabne v kombinaciji z analitičnimi pristopi, kot je mehka kontrafaktualna
analiza, ki jo Penicig idr. (2024) uporabljajo za sistematično vrednotenje not-
ranjih mehanizmov velikih jezikovnih modelov. V kombinaciji s temi pristopi
lahko GUI ocenimo celoviteje, saj pridobimo vpogled tako v tehnično kot v
vsebinsko kakovost generiranih rezultatov.
Prilagodljivost meri, kako dobro lahko GUI prilagodi izhodne rezultate raz-
ličnim izobraževalnim ravnem in različnim učnim strategijam učečih se (Chen
idr., 2020; Kasneci idr., 2023; Zawacki-Richter idr., 2019). Vključuje torej sposob-
nost GUI, da prilagaja svoje odzive in rezultate glede na edinstvene potrebe
vsakega učečega se (Chen idr., 2020). Raziskava poudarja, da lahko takšni mo-
deli ustvarjajo prilagojene učne materiale, ki upoštevajo interese in karier-
ne cilje učečih se, kar povečuje njihovo vključenost in razumevanje ključnih
akademskih konceptov. To je ključno za personalizirano učenje, kjer mora
GUI upoštevati različen tempo učenja in preference posameznega učenca
(Zawacki-Richter idr., 2019; Chen idr., 2024). Prilagodljivi modeli GUI lahko
povečajo vključenost učečih se z zagotavljanjem individualiziranih pov ratnih
informacij (Preiksaitis in Rose, 2023; Xu, 2024). Lijia Chen idr. (2020) ter Enkelej-
da Kasneci idr. (2023) poudarjajo pomen prilagodljivosti GUI pri podpori raz-
noliki populaciji učečih se, kot so tisti z različnimi ravnmi znanja pa tudi tisti z
učnimi težavami. Prilagodljiva orodja GUI lahko olajšajo inkluzivno izobraže-
vanje, saj zagotavljajo, da vsi učeči se prejmejo vsebino, ki ustreza njihovim
sposobnostim in tempu učenja.
Prilagodljivost GUI je mogoče oceniti s pristopi, ki se uporabljajo za siste-
me rudarjenja podatkov v izobraževanju, kot predlagata Baker in Inventado
(2014). To vključuje vnos anonimiziranih profilov učečih se ali drugih deležni-
kov z različnimi učnimi preferencami ter analizo, kako ustrezno GUI prilagaja
vsebino in način učenja oz. poučevanja specifičnim potrebam. Tovrstni testi
prilagodljivosti omogočajo vpogled v zmožnosti (G)UI za personalizacijo, ki
v realnem času prilagajajo učno gradivo na podlagi podatkov o uspešnosti
učencev, kar povečuje uporabnost GUI za personalizirano učenje.
Razširljivost zagotavlja, da lahko sistemi GUI obvladujejo naraščajoče šte-
vilo uporabnikov z minimalnim poslabšanjem zmogljivosti (Zawacki-Richter
idr., 2019), kar je bistveno za množično uvajanje v izobraževalni prostor. Za

309