Page 13 - Razvoj kompetenc prihodnosti v pedagoških študijskih programih

Umetna inteligenca kot vsebina in orodje

Preglednica 1 Primerjalna analiza didaktičnih priložnosti in tveganj pri uporabi UI v izobraževanju
Priložnost Opis Sistemsko tveganje Pedagoški protiukrep
Personaliza- UI omogoča prilagaja- Algoritemski »mehurčki« in Uporaba UI za diferen-
cija učenja nje učne poti, tempa in socialna izolacija: Pretirana ciacijo nalog znotraj so-
vsebine vsakemu učencu individualizacija zmanjšuje delovalnega in problem-
(adaptivni sistemi, inteli- priložnosti za sodelovanje, sko naravnanega učenja,
gentni tutorji), kar poveča razpravo in izpostavljenost kjer učenci skupaj rešujejo
motivacijo in uspešnost. različnim mnenjem. kompleksne probleme.
Avtomatiza- UI lahko prevzame rutin- Profesionalna dekvalifi- Model učitelja kot »ken-
ska opravila (priprava gra- kacija in pedagoška ho- trava«, kjer UI služi kot asi-
cija in učin- div, ocenjevanje), kar spro- mogenizacija: Zanaša- stent za rutinska opravila,
kovitost sti čas učiteljev za indivi- nje na standardizirane, z učitelj pa ohrani vlogo obli-
dualno delo z učenci in UI-generirane vsebine in kovalca učnih izkušenj,
ustvarjalnost. ocene zmanjšuje avtono- mentorja in etičnega vo-
mijo ter strokovno presojo dnika.
učitelja.
Takojšnja UI-tutorji in orodja za oce- Površinsko učenje in ero- Oblikovanje nalog, ki zah-
povratna njevanje učencem nudijo zija kritičnega mišljenja: tevajo metakognitivno re-
informacija takojšnjo, formativno po- Učenci se lahko navadijo fleksijo. Učenci morajo po-
vratno informacijo /, na »hitre rešitve« in pa- jasniti, kako so uporabili UI,
kar pospešuje učni proces. sivno sprejemanje poprav- ovrednotiti njene predloge
kov, namesto da bi razvijali in utemeljiti svoje končne
lastne strategije reševanja odločitve.
problemov.
Dostopnost UI lahko nudi dodatno Algoritemska pristranskost Razvoj kritične UI-
in podpora podporo učencem s po- in poglabljanje neenako- pismenosti pri učencih in
sebnimi potrebami (npr. sti: Modeli, naučeni na pri- učiteljih, ki vključuje zmo-
pretvorba govora v bese- stranskih podatkih, lahko žnost prepoznavanja in kri-
dilo) in omogoča dostop reproducirajo stereotipe tičnega vrednotenja poten-
do znanja izven tradicio- in nepošteno obravnavajo cialne pristranskosti v z UI-
nalnega urnika. učence iz marginaliziranih generiranih vsebinah.
skupin.

Algoritemska pristranskost in pravičnost
Do nepravičnosti algoritmov pride, ko program redno daje prednost eni sku-
pini ljudi na račun druge. Ta pristranskost najpogosteje izvira iz podatkov,
na katerih so se programi učili. Ker ti podatki odražajo obstoječe družbene
neenakosti, jih UI ne le ponavlja, ampak lahko celo okrepi (Baker in Hawn,
2021). V šolstvu se to kaže na več področjih: programi za napovedovanje šol-
skega uspeha lahko otroke iz ranljivejših skupin napačno označijo kot tiste
z »visokim tveganjem«, sistemi za samodejno ocenjevanje so lahko pristran-
ski do učencev iz drugačnih jezikovnih okolij, priporočilni sistemi pa lahko
učence usmerjajo v stereotipne izobraževalne poti (Bird idr., 2025; Boateng
in Boateng, 2025). Reševanje tega problema je zahtevno. Ker »pravičnosti«

13