8.7c Gelişen teknolojiler: yapay zekâ

 

Şekil 8.7 c.1 Görsel: Applift

8.7c.1 YZ’nin öğretme ve öğrenme konusundaki ilişkilerine odaklanmak

Yapay zekâ (AI), eğitimde kullanımı ile ilgili birçok sorun olduğu için göz korkutucu bir konudur. YZ’de şu anda şişirilmiş beklentilerin zirvesinde olmak üzere eğitim için her derde deva olarak başka bir abartılmış reklam döneminden geçmektedir, ancak bu reklam temel olarak finans ve pazarlama gibi eğitim dışı alanlarda meydana gelen başarılı uygulamalar tarafından yönetilmektedir. Ayrıca, ‘YZ’ terimi, herhangi bir bilgi-işlem faaliyeti için genel bir terim olarak (ki bu yanlıştır) giderek daha fazla kullanılmaktadır.

Eğitimde bile, YZ’nin çok farklı olası uygulama alanları vardır. Zeide (2019) kurumsal, öğrenci desteği ve öğretim uygulamaları arasında kayda değer bir ayrım yapar (Şekil 8.7.c.2).

 

Şekil 8.7c.2 Eğitimde YZ uygulamaları Görsel: © Zeide, 2019

Kurumsal ya da öğrenci destek amaçlı YZ uygulamaları çok önemli olmasına rağmen bu bölüm (Zeide’nin “öğretim” uygulamaları olarak adlandırdığı) farklı medya ve teknolojilerin pedagojik özelliklerine odaklanmaktadır. Özellikle, bu bölümdeki odak noktası, yapay zekânın öğretim ve öğrenim için bir medya veya teknoloji biçimi olarak pedagojik özellikleri ve bu alandaki güçlü ve zayıf yönleri üzerinde olacaktır.

Dahası, YZ esasen bir bilgi işlem alt kümesidir. Bu nedenle, bu temanın 5. bölümünde belirtilen eğitimdeki bilgi işlemin tüm genel özellikleri AI için geçerli olacaktır. Bu bölüm Yapay Zekânın öğretim ve öğrenmede sunabileceği ekstra potansiyeli ortaya çıkarmayı amaçlamaktadır. Bu, özellikle öğretimde genel bir teknoloji yerine bir ortam olarak rolüne odaklanmak anlamına gelecektir, bu da YZ’nin yalnızca bilgi işlemsel yönünden ziyade, daha geniş bir bağlamda özellikle pedagojik rolüne bakmak anlamına gelir.

8.7c.2 Yapay zekâ nedir?

Yapay zekânın McCarthy tarafından orijinal tanımı şu şekildedir (1956, Russell ve Norvig, 2010 dan alınmıştır):

öğrenmenin her yönü ya da zekânın başka herhangi bir özelliği prensipte o kadar kesin olarak tanımlanabilir ki onu simüle etmek (benzetim) için bir makine yapılabilir. Makinelerin dili nasıl kullanacakları, soyutlamalar ve kavramlar oluşturacakları, şimdi insanlar için ayrılmış problem türlerini nasıl çözecekleri ve kendilerini nasıl geliştirecekleri bulmaya çalışılacaktır.

Zawacki-Richter vd. (2019), yükseköğretimde yapay zekâ ile ilgili alan yazını gözden geçirip yapay zekâyı tanımlayan yazarların genelde şu tanımlamayı yaptığını belirtmişlerdir:

akıllı bilgisayar sistemleri veya bilgiyi ezberleme, çevrelerini insanlara benzer şekilde algılama ve kullanma ve insanın doğal dilini anlama yeteneği gibi insan özelliklerine sahip akıllı ajanlar.

Klutka vd. (2018) yapay zekâyı yükseköğretimde neler yapabileceği açısından da tanımlar (Şekil 8.7.c.3):

 

Şekil 8.7.c. 3 Yapay zekânın eğitimde neler yapabileceği Görsel: Klutka vd. (2018)

“Modern” yapay zekâyı diğer bilgi işlem uygulamalarından ayıran üç temel bilgi işlem gereksinimi vardır:

• çok miktarda veriye erişim;
• verileri yönetmek ve analiz etmek için büyük ölçekte hesaplama gücü;
• veri analizi için güçlü ve uygun algoritmalar.

8.7c.3 Neden öğretme ve öğrenme için yapay zekâyı kullanılır?

Yapay zekânın genel kullanımı için iki farklı amaç vardır. Birincisi, öncelikle yüksek işçilik maliyetlerini azaltarak, yani nispeten pahalı insan işçilerini nispeten daha az maliyetli makinelerle (otomasyon) değiştirerek bir sistemin veya organizasyonun verimliliğini arttırmaktır. Özellikle eğitimde, ana maliyet öğretmenlerin ve öğretim elemanlarının maliyetidir. Politikacılar, girişimciler ve politika yapıcılar, giderek otomasyona geçişi eğitim maliyetlerini azaltmanın bir yolu olarak görüyorlar.

İkincisi, çıktıları arttırmak için ekonomik anlamda öğretim ve öğrenmenin etkinliğini arttırmaktır: bu da daha iyi öğrenme sonuçları ve aynı veya daha fazla maliyet için daha fazla fayda anlamına gelir. Bu amaçla, YZ öğretmenler ve öğretenlerle birlikte veya destekleyici olarak kullanılacaktır.

Klutka vd. ( 2018 ) YZ’nin yükseköğretimdeki potansiyeline ilişkin Şekil 8.7c.4’de genel bir çerçeve sunmaktadır:

 

Şekil 8.7c.4 Yapay zekânın eğitimde neler yapabileceği Görsel: Klutka vd. (2018)

Bunlar anlaşılabilir hedeflerdir, ancak bu bölümün ilerleyen kısımlarında bugüne kadar bu tür hedeflerin gerçek olmaktan ziyade arzu eden hedefler olduğunu göreceğiz.

Bu kitabın odak noktası dijital çağda öğrencilerin ihtiyaç duyduğu bilgi ve becerileri geliştirmektir. O zaman yapay zekâ için anahtar test, bu üst düzey becerilerin geliştirilmesine ne ölçüde yardımcı olabileceğidir.

 

8.7c.4 Öğretme ve öğrenmede YZ kullanımının ilişkileri ve örnekleri

Zawacki-Richter vd. (2019) başlangıçta İngilizce veya İspanyolca olan 2.656 araştırma makalesinden kopyaları çıkartıp 2007-2018 yılları arasında hakemli dergilerde yayınlanan makalelerden yapay zekânın eğitimde kullanılması ile ilgili olmayanları da eleyerek genel bir alan yazın taraması yapmışlardır. Bu, daha sonra analiz edilen 145 makaleyle sonuçlanmıştır. Zawacki-Richter vd. daha sonra bu 145 makaleyi eğitimde yapay zekânın farklı kullanımlarına göre sınıflandırmıştır. Bu bölüm büyük ölçüde bu sınıflandırmaya dayanmaktadır. (145 makaleden sadece 92’sinin öğretim / öğrenci desteğine odaklandığı belirtilmelidir. Geri kalanı, kabul edilmeden önce risk altındaki öğrencilerin tanımlanması gibi kurumsal kullanımlar üzerinedir).

Zawacki-Richter çalışması, yapay zekânın 2007 ve 2018 yılları arasındaki on yıl boyunca eğitim ve öğretimde kullanımının temel yollarına bir bakış açısı sunmaktadır. İlk olarak çalışmadan üç ana “öğretim” kategorisi (hatırı sayılır bir örtüşme ile) aşağıda verilmiştir, ardından bazı özel örnekler sunulmuştur. (Zawacki-Richter ve arkadaşlarının kabul, ders planlaması ve risk altındaki öğrenciler için erken uyarı sistemleri gibi idari konularla ilgili profil oluşturma ve tahmin kategorilerini göz ardı ettim.)

8.7c.4.1 Akıllı öğretici sistemler (Zawacki-Richter vd. tarafından gözden geçirilen 92 makaleden 29’u)

Akıllı öğretici sistemler:

• öğrencilere öğretim içeriği sağlamak ve aynı zamanda içerikle ilgili alıştırmaları çözmek için uyarlanabilir geri bildirim ve ipuçları vererek içerikle veya alıştırmalarla çalışırken öğrencilerin zorluklarını / hatalarını tespit edip onlara destek verir;
• okuma materyallerinin ve yapılan alıştırmaların çeşidi ile kişiselleştirilmiş eylem kursları gibi özel öneriler sunarak öğrenci ihtiyaçlarına dayalı öğrenme materyalleri oluşturur;
• otomatik geri bildirim sağlayarak, tartışma için otomatik sorular oluşturarak ve sürecin analizini yaparak öğrenciler arasında iş birliğini kolaylaştırır.

8.7c.4.2 Ölçme ve değerlendirme (92’den 36’sı)

Yapay zekâ ile Ölçme ve değerlendirmeyi destekler:

• otomatik puanlanma;
• öğrencilere çalışmalarında kafaları karıştığında ya da durduklarında bilgi istemleri ya da rehberlik sağlayan akıllı aracılar gibi bir dizi öğrenciye dönük araç da dâhil olmak üzere geri bildirim;
• öğrenci anlayışının, katılımının ve akademik bütünlüğünün değerlendirilmesi.

8.7c.4.3 Uyarlanabilir sistemler ve kişiselleştirme (92’den 27 si)

YZ, uyarlanabilir sistemleri ve öğrenmenin kişiselleştirilmesini şu yollarla sağlar:

• ders içeriği öğretildikten sonra öğrenci bilgisindeki güçlü yönleri veya boşlukları teşhis etmek ve otomatik geri bildirim sağlamak;
• kişiselleştirilmiş içerik önerme;
• öğrenci performansına dayalı uygun öğretim stratejileri önererek öğretmenlerin öğrenme tasarımında desteklenmesi;
• kavram haritalarında bilginin temsilini desteklemek.

Klutka vd. (2018) ABD’deki üniversitelerde öğretme ve öğrenme için yapay zekânın çeşitli kullanımlarını belirlemişlerdir. Michigan Üniversitesinde geliştirilen ECoach, STEM alanında çeşitli büyüklükteki sınıflar için biçimlendirici geri bildirim sunar. Öğrencilerin bir dersteki ilerlemelerini izler ve onları kişiselleştirilmiş bir şekilde uygun eylemlere ve etkinliklere yönlendirir. Raporda listelenen diğer uygulamalar arasında duyarlılık analizi (öğrencilerin yüz ifadelerini eğitimdeki katılım düzeylerini ölçmek için kullanma), tartışma forumlarında öğrenci katılımını izlemek ve eğitmenin bireysel olarak değil de gruba tek seferde cevap vermesi amacıyla sınavlarda yaygın olarak yapılan hataları gruplara ayırmak için bir uygulama bulunmaktadır.

8.7c.4.4 Sohbet botları

Sohbet botu, metin veya ses etkileşimleri yoluyla bir insanın konuşmasını veya “sohbetini” simüle eden (benzetim) programlamadır. (Rouse, 2018). Sohbet botları özellikle öğrencilerle iletişimi otomatikleştirmek için kullanılan bir araçtır. Bayne (2014) KAÇD’de 90.000 abonesi olan böyle bir uygulamayı açıklar. Öğrenci faaliyetlerinin çoğu, sosyal medyada Coursera platformunun dışında gerçekleşmiştir. KAÇD’de öğretim yapan beş akademisyenin hepsi Twitter’da aktifti, her biri büyük ağlara sahipti ve KAÇD (MOOC) hashtag’i (#edcmooc) içeren Twitter etkinliği kursun tüm aşamalarında yüksekti (örneğin, KAÇD’nin ilk teklifi üzerine yaklaşık 180.000 tweet değiştirildi). Bir “Öğretmen Botu”, Twitter hashtag kursunu kullanarak tweetleri toplamak ve “sorunları” tanımlamak için anahtar kelimeler kullanmak ve ardından bu konulara önceden tasarlanmış cevapları seçmek için tasarlanmıştı ve bu da öğrencileri genellikle bir konu hakkında daha spesifik araştırmalara yönlendirmeyi gerektiriyordu. Eğitimdeki sohbet botları hakkındaki araştırmalar için Winkler ve Söllner(2018)’e bakınız..

8.7 c.4.5 Otomatik kompozisyon değerlendirme

Doğal dil işleme (NLP) yapay zekâ sistemleri – genellikle otomatik deneme puanlama motorları olarak adlandırılır – günümüzde ABD’deki en az 21 eyalette standart testlerde birincil veya ikincil puanlayıcılardır (Feathers, 2019). Feathers’e göre:

Kompozisyon puanlama motorları aslında yazma kalitesini analiz etmez. İnsanlara verilen yüksek veya düşük notlarla ilişkili kalıpları tanımak için yüzlerce örnek kompozisyon dizisi üzerinde eğitilmişlerdir. Daha sonra bu kalıplara dayanarak bir insanın kompozisyona hangi puanı atayacağını tahmin ederler.

Feathers yine de psikometrik uzmanlardan ve yapay zekâ uzmanlarından yapılan araştırmaların bu araçların yapay zekâdaki ortak bir yanılgı olan belirli demografik gruplara karşı ön yargı konusunda duyarlı olduğunu gösterdiğini iddia etmektedir (bk. Ongweso, 2019).

Lazendic vd. (2018) Avustralya’daki liselerde makine derecelendirme planının ayrıntılı bir açıklamasını sunar. Belirttiklerine göre:

Her UDPOYA yazma istemi için geliştirilen insan puanlama modellerinin ve tutarlı uygulamalarının NAPLAN yazma değerlendirmelerinin geçerliliğini sağladığını ve sürdürdüğünü kabul etmek çok önemlidir. Sonuç olarak insan puanlama sonuçlarının istatistiksel güvenilirliği UDPOYA yazma puanlaması ile temel olarak ilişkilidir ve geçerliliği için anahtar delildir.

Başka bir deyişle puanlama tutarlı insan ölçütlerine dayandırılmalıdır. Bununla birlikte daha sonra (Hendry, 2018) Avustralya eğitim bakanlarının, öğretmen gruplarından teklifi reddetmeleri için gelen çağrıları dikkate alıp UDPOYA yazma sınavları için otomatik kompozisyon puanlaması getirmemeye karar verdikleri açıklandı.

Perelman (2013) BABEL jeneratörü adı verilen ve karmaşık kelime ve cümle dizelerini bir araya getirip anlamsız kompozisyonlar oluşturan bir bilgisayar programı geliştirdi. Anlamsız kompozisyonlar, birkaç farklı puanlama motorundan geçip sürekli olarak yüksek, bazen de çok yüksek puanlar aldı. Otomatik yazma puanlamasındaki sorunların dikkatli analizi için ayrıca Mayfield, 2013 ve Parachuri, 2013’e bakınız.

Standartlaştırılmış sınavlar için otomatik kompozisyon puanlamayı kullanma konusundaki büyük baskıya rağmen teknolojinin hâla cevaplandırması gereken birçok soru bulunmaktadır.

8.7c.5 Güçlü ve zayıf yönleri

YZ’nin belirli uygulamalarının öğretim ve öğrenimdeki öğretim ve öğrenim özelliklerinin değerini değerlendirmenin birkaç yolu vardır:

• uygulama ‘modern’ yapay zekânın üç temel özelliğine dayanıyor mu: büyük veri setleri, büyük bilgi işlem gücü; güçlü ve ilgili algoritmalar?
• uygulamanın diğer medya ve özellikle de genel bilgi işlem uygulamalarına göre uygunluk açısından belirgin faydaları var mı?
• yoksa bu yöntem, dijital dünyada gerekli olan soyut becerilerin (soft skills)S ve etkin bilgi yönetiminin geliştirilmesini mi teşvik ediyor?
• algoritmaların içine yerleştirilmiş istenmeyen bir eğilim var mı? Belirli insan kategorilerine karşı ayrımcılık yapıyor gibi görünüyor mu?
• uygulama öğrenci ve öğretmen / öğretim görevlilerinin mahremiyeti ve açık ve demokratik bir toplumdaki hakları açısından etik ilkelere uygun mudur?
• uygulamasının sonuçları ‘açıklanabilir’ midir? Örneğin, bir öğretmen veya eğitmen veya uygulamadan sorumlu kişiler, YZ uygulaması tarafından alınan sonuçlara veya kararlara nasıl ulaşıldığını öğrencilere anlatabilir ve açıklayabilir mi?

Bu sorunlar aşağıda ele alınmaktadır.

8.7c.5.1 Bu gerçekten eğitim ve öğretimde kullanılan ‘modern’ bir YZ uygulaması mı?

Zawacki-Richter vd. çalışmasına, hakemli dergilerde yayınlanan diğer birçok araştırma makalesine bakıldığında öğretme ve öğrenmede yapay zekâ uygulamaları olarak adlandırılan çok az sayıda araştırmanın kitlesel veri, kitlesel hesaplama gücü ve güçlü ve ilgili algoritma kriterlerini karşıladığı görülmektedir. Geleneksel eğitimdeki akıllı özel derslerin çoğu, ‘eski’ yapay zekâ olarak adlandırılabilir: çok fazla işlem yapılmaz ve veri noktaları nispeten küçüktür. Akıllı özel ders ve uyarlanabilir öğrenmeye odaklanan birçok sözüm ona YZ makalesi aslında sadece genel bilgi işlem uygulamalarıdır.

Aslında, akıllı özel ders sistemleri, otomatik çoktan seçmeli test puanlama ve bu tür testlerle ilgili otomatik geri bildirim 1980’lerin başından beri varlığını sürdürmektedir. Modern YZ uygulamalarına en yakın olanı, tüm eğitim sistemi boyunca uygulanan standart testlerden otomatik kompozisyon puanlama olduğu görünmektedir. Ancak, otomatik kompozisyon puanlama ile ilgili büyük soru işaretleri mevcuttur. Otomatik kompozisyon puanlamayı geçerli kılmak için daha fazla gelişime ihtiyaç vardır.

Klutka vd. (2018) nin yapay zekâ için tanımladığı temel avantaj, yükseköğretim hizmetlerinin sınıf içinde ve dışında benzeri görülmemiş bir oranda ölçeklenebilir olma olasılığını ortaya çıkarmasıdır. Bununla birlikte ‘modern’ yapay zekânın, sınıf büyüklüklerinin veya hatta tüm akademik bölümlerin ve dolayısıyla veri noktalarının nispeten küçük olduğu mevcut eğitim sisteminde nasıl kullanılabileceğini görmek zordur. Modern yapay zekânın öğretim ve öğrenmede denendiği ve başarısız olduğu söylenemez çünkü bugüne kadar denenmemiştir.

Mevcut resmî sistemin dışındaki uygulamalar, örneğin uluslararası ölçekte kurumsal eğitim veya çok sayıda öğrencisi olan uzaktan eğitim üniversiteleri için olan KAÇD’ler daha gerçekçidir. Büyük veri gereksinimi, mevcut eğitim sistemleri dışında, örneğin büyük tüketici pazarlarına dokunabilecek büyük internet şirketleri tarafından modern YZ tabanlı eğitim sunularak gerekli ölçeğe ulaşılabiliyorsa tüm eğitim sisteminin büyük ölçüde bozulabileceğini göstermektedir.

Ancak, YZ bunu mümkün kılmasına hâla uzun bir yol var. Bu, gelecekte modern Yapay Zekânın bu tür uygulamalarının olamayacağı anlamına gelmez ancak şu anda için eski İngiliz polislerinin sözleriyle, “Çekin arabanızı, burada görülecek hiçbir şey yok.”

Bununla birlikte burada sunulan YZ tanımının çok katı olduğunu ve bu bölümde tartışılan uygulamaların çoğunun YZ örnekleri olduğunu varsayalım. Bu YZ uygulamaları yukarıdaki diğer kriterleri nasıl karşılıyor?

8.7c.5.2 Uygulamalar dijital çağda ihtiyaç duyulan bilgi ve becerilerin geliştirilmesini kolaylaştırıyor mu?

Günümüzdeki öğretme ve öğrenme için çoğu sözde YZ uygulamasında durum böyle görünmüyor. Onlar ağırlıklı olarak anlama ve kavrama için içerik sunumu ve testine odaklanmışlardır. Özellikle de, Zawacki-Richter vd. öğretme ve öğrenme için yapay zekâ gelişmelerinin çoğunun – ya da en azından araştırma makalelerinin – eğitimciler tarafından değil bilgisayar bilimcileri tarafından yapıldığını belirtir. Yapay zekâ, bilgisayar bilimcileri tarafından geliştirilme eğiliminde olduğundan bilgisayarların veya bilgisayar ağlarının nasıl çalıştığına bağlı olarak öğrenme modellerini kullanma eğilimindedirler (elbette yapay zekâyı işletmek zorunda olan bir bilgisayar olacaktır). Sonuç olarak bu tür YZ uygulamaları sıkı bir davranışçı öğrenme modeli olan sunma / test etme/ geri bildirimi benimseme eğilimindedir. Lynch (2017) iddia etmektedir ki:

Yapay zekâ eğitimden faydalanacaksa YZ geliştiricileri ile öğrenme bilimleri uzmanları arasındaki bağlantının güçlendirilmesini gerektirecektir. Aksi takdirde, YZ sadece vasat öğretimin yeni yollarını “keşfedecek” ve öğretme ve öğrenme üzerine hatalı fikirleri sürdürecektir.

Anlama ve kavrama gerçekten önemli temel becerilerdir, ancak YZ şimdiye kadar eleştirel düşünme, problem çözme, yaratıcılık ve bilgi yönetimi gibi üst düzey becerilerin geliştirilmesine yardımcı olmamıştır. Aslında, Klutka vd. (2018) YZ’nin şu anda eğitmenler ve yöneticiler tarafından yapılan rutin işlevlerin çoğunu halledebileceğini iddia ederek, daha karmaşık sorunları çözmek ve öğrencilerle daha derin bağlantılar kurmak için onları serbest bıraktığını belirtir. Bu, öğretim elemanının veya öğretmenin rolünün içerik sunumu, içerik yönetimi ve içerik kavrama testinden (hepsi bilgi işlemsel yöntemle yapılabilen) beceri geliştirmeye doğru değişmesi gerektiği görüşünü güçlendirir. İyi haber şu ki bu şekilde kullanılan YZ, öğretmenleri ve eğitmenleri destekler ancak onların yerini almaz. Kötü haber ise birçok öğretmen ve öğretim elemanının öğretme şeklini değiştirmesi gerektiği, aksi takdirde işsiz/işlevsiz kalacağıdır.

8.7 c.5.3 algoritmaları orada istenmeyen sapma mı?

Tüm yapay zekânın yaptığı, sistemdeki mevcut ön yargıları içinde barındırdığı söylenebilir. Ancak sorun, bu ön yargıların herhangi bir belirli algoritmada saptanması genellikle zordur ve AI’nın bu ön yargıları büyütme veya büyütme eğiliminde olmasıdır. Bunlar yapay zekânın kurumsal kullanımları için daha fazla sorun olmakla birlikte makine temelli ön yargı, öğretme ve öğrenme bağlamında ve özellikle otomatik değerlendirmede de öğrencilere karşı ayrımcılık yapabilir.

8.7c.5.4 Uygulama etik midir?

Yapay zekânın öğretim ve öğrenimde kullanımından, özellikle yapay zekâ yazılımında şeffaflık olmamasından ve özellikle algoritmalarda gömülü varsayımlardan kaynaklanan birçok potansiyel etik sorun vardır. Zawacki-Richter vd. (2019) tarafından yapılan alanyazın taraması sonucuna göre:

…pedagojik ve etik çıkarımların ve yükseköğretimde YZ uygulamalarının risklerinde kritik olarak değerlendirmesinde dramatik bir şekilde eksiklik bulunmaktadır..

Hangi veriler toplanıyor, verilerin sahibi kim veya kontrol eden kim, veriler nasıl yorumlanıyor ve nasıl kullanılacak? Öğrencileri ve öğretmenleri / eğitmenleri korumak için politikalar oluşturulmalı (bk. örn. AB Eğitim Bölümü’nün okullar için öğrenci verisi politikaları) ve bu politika geliştirmeye öğrenciler ve öğretmenler / eğitmenler dâhil edilmelidir.

8.7c.5.5 Sonuçlar açıklanabilir mi?

YZ ile genel olarak ve özellikle öğretim ve öğrenmede en büyük sorun şeffaflık ile ilgili sorunlardır. Bana bu notu nasıl verdi? Neden bu okumadan ziyade bu okumaya yönlendirildim? Cevabım neden kabul edilemiyor? Lynch ( 2017 ), öğrenci öğrenimi hakkında toplanan verilerin çoğunun dolaylı, asılsız olduğunu, kanıtlanabilir güvenilirliği veya geçerliliği olmadığını ve öğrenmeyi göstermek için gerçekçi olmayan zaman ufuklarını yansıttığını iddia etmektedir.

‘ şu anki AIEd örnekleri sıklıkla güvenmektedir…. eğitim için anlamlı olmaktan çok kolayca toplanabilir verileri kullanarak öğrenme için zayıf proxy’ler .’

8.7 c.6 Sonuçlar

8.7c.6.1. Hayal edin, YZ meraklıları

Yapay zekânın şu anda öğretme ve öğrenme için ne yaptığı konusunda, rüya gerçekliğin çok ötesindedir. Finans, pazarlama veya astronomi alanlarında iyi sonuç veren şey, öğretme ve öğrenme bağlamlarında da başarılı olacak anlamına gelmez. Bu bölüm için araştırma yaparken ciddi oyunlar veya sanal gerçeklikle karşılaştırıldığında, öğretme ve öğrenme için yapay zekâya etkileyici herhangi bir örnek bulmak çok zor oldu. Yapay zekânın olumsuz olduğunu kanıtlamak her zaman zor olmuştur, ancak yapay zekânın öğretme ve öğrenme uygulamalarından bugüne kadar elde edilen sonuçlar son derece sınırlıdır ve hayal kırıklığı yaratmaktadır.

Bu, esas olarak nispeten küçük sınıf boyutlarına, programlara ve kurumlara dayanan çok parçalı bir sistemde “modern” yapay zekâyı ölçekte uygulama zorluğundan kaynaklanmaktadır. Muhtemelen modern yapay zekânın “işe yaraması” için öğretme ve öğrenme için tamamen farklı bir organizasyon yapısına ihtiyaç duyulacaktır. Ama ne istediğimize dikkat etmekte yarar var.

Öğrenmede güçlü bir duygusal veya duygusal etki mevcuttur. Öğrenciler genellikle eğitmenin veya öğretmenin işi ciddiye aldığını hissedince daha iyi öğrenirler. Özellikle, öğrenciler kendi ilgi alanları, öğrenme yolları ve öğrenmeleri üzerinde bir miktar kontrol duygusu olan bireyler olarak muamele görmek isterler. Kitlesel düzeyde insan davranışı öngörülebilir ve bir dereceye kadar kontrol edilebilir olsa da her öğrenci bir bireydir ve aynı bağlamda aynı tepkiyi vermeyecektir. Öğrenmenin bu duygusal ve kişisel yönleri nedeniyle öğrencilerin bir şekilde öğretmenlerine veya eğitmenlerine başvurmaları gerekir. Öğrenme, sürecin yalnızca nispeten küçük bir bölümünün etkili bir şekilde otomatikleştirilebildiği karmaşık bir etkinliktir. Öğrenme, kişisel ilişkilerden ve sosyal etkileşimden büyük ölçüde yararlanan yoğun bir insan faaliyetidir. Öğrenmenin bu ilişkisel yönü çevrim içi olarak da yüz yüze eğitimle eşit derecede iyi bir şekilde ele alınabilir ancak bilgi işlemin içerik edinimini aktarmanın ve test etmenin yanı sıra iletişimi desteklemek için de kullanılması anlamına gelir.

8.7c.6.2 Amaca uygun değil

Her şeyden öte, benzetimler, oyunlar ve sanal gerçeklik gibi diğer bilgi işlem veya teknoloji biçimleri dijital çağda gerekli olan daha yükseköğrenme düzeylerini veya bunu yapmak için gereken öğretim yöntemlerini destekleyebilse de, yapay zekâ henüz bu noktaya gelememiştir.

Özellikle yapay zekâ geliştiricileri, öğrenmenin gelişimsel ve yapılandırılmış olduğundan büyük ölçüde habersizdir ve bunun yerine davranışçılığa ve nesnelci bir epistemolojiye dayanan eski ve daha az uygun bir öğretim yöntemi uygulamışlardır. Bununla birlikte dijital çağda ihtiyaç duyulan bilgi ve becerileri geliştirmek için öğrenmeye daha yapılandırmacı bir yaklaşım gerekmektedir. Yapay zekânın, aslında mümkün olsa da öğretime böyle bir yaklaşımı destekleyebileceğine dair şimdiye kadar herhangi bir kanıt yoktur.

8.7c.6.3 YZ’nin gerçek gündemi

Yapay zekâ savunucuları genellikle öğretmenlerin yerini almaya çalışmadıklarını, sadece yaşamlarını daha kolay veya daha verimli hâle getirmeye çalıştıklarını iddia ederler. Bir nebze haklılık payları vardır. Yapay zekâ uygulamalarının temel itici gücü maliyeti düşürmektir, bu da öğretmen sayısının, ki eğitimdeki ana maliyettir,azaltılması anlamına gelir. Buna karşılık, tüm yapay zekâ gelişmelerinin temel öğretisi robotik ağırlıklı bir toplumda yaşamın duygusal ve duygusal yönlerine daha fazla dikkat etmemiz gerektiğidir, bu nedenle öğretmenler daha da önemli hâle gelecektir.

Yapay zekâ ile ilgili bir başka sorun, aynı yemeğin ısıtılıp ısıtılıp önümüze konmasıdır. Yapay zekâyı eğitimde kullanma konusundaki aynı tartışmalar 1980’lere dayanmaktadır. O zamanlar eğitim uygulamaları da dâhil olmak üzere, milyonlarca dolar YZ araştırmalarına harcanmıştır ancak hiçbir kazanç sağlanmamıştır.

Yapay zekâ konusunda o zamandan beri, özellikle örüntü tanıma, büyük veri setlerine erişim ve analiz, güçlü algoritmalar ve sınırlar içinde resmîleştirilmiş karar almaya yol açan bazı önemli gelişmeler olmuştur. İşin püf noktası, bu yeni YZ gelişmelerinin ne tür uygulamalar için iyi olduğunu ve neyi yapamayacaklarını tam olarak anlamaktır. Başka bir deyişle önemli olan YZ’nin kullanıldığı bağlamdır. Öğretme ve öğrenme yapay zekâ uygulamaları için oldukça zor bir ortamdır.

8.7c.6.4 YZ’lerin öğretme ve öğrenmedeki rolünü tanımlama

Bununla birlikte YZ’nin eğitimdeki yararlı uygulamaları için çok fazla alan vardır, ancak YZ geliştiricileri ve eğitimcileri arasında sürekli bir diyalog olduğu müddetçe yeni gelişmeler meydana gelecektir. Ancak bu, YZ uygulamalarının eğitimdeki amacı hakkında çok net olmayı ve istenmeyen sonuçlara karşı uyanık olmayı gerektirecektir.

Eğitimde YZ âdeta uyuyan bir devdir. Yapay Zekânın öğretim ve öğrenim alanında “çığır açan” uygulamaları muhtemelen devlet üniversitelerinden ve özel okullardan değil LinkedIn, lynda.com, Amazon veya Coursera gibi yapay zekâ uygulamalarını ölçeklenebilir ve faydalı hâle getiren büyük veri kümelerine erişimi olan kuruluşlar aracılığıyla gelecek. Ancak bu devlet okulları, kolejler ve üniversiteler için varoluşsal bir tehdit oluşturacaktır. O zaman sorun şu olur: dijital çağda bireyi korumak ve sürdürmek için en iyi sistem hangisidir: öğretme ve öğrenme için yapay zekâyı kullanan çok uluslu şirketler; ya da yapay zekâ öğretmenlerini öğrenciler için bir destek olarak kullanan bir kamu eğitim sistemi?

Otomasyon teknolojisi ile öğretmenler ve öğretim elemanları değiştirmek amacı olup olmadığını, ya da teknoloji sadece öğretmenler güçlendirmek için kullanılır ama aynı zamanda öğrencilerin olup olmadığı önemli bir soru o zaman. Her şeyden önce, eğitimde yapay zekâyı kim kontrol etmeli: eğitimciler, öğrenciler, bilgisayar bilimcileri veya büyük şirketler? Bunlar, eğer yapay zekâ, öğretme ve öğrenme maliyetlerini azaltmada son derece başarılı olursa, gerçekten varoluşsal sorulardır: ama bunun biz insanlara maliyeti ne olacaktır? Neyse ki YZ henüz böyle bir tehdit oluşturacak durumda değil; ancak yakında bunun değişmemesi de söz konusu değil.

Kaynakça

Bayne, S. (2014) Teacherbot: interventions in automated teaching Teaching in Higher Education, Vol. 20. No.4

Feathers, T. (2019) Flawed Algorithms Are Grading Millions of Students’ Essays, Motherboard: Tech by Vice, 20 August

Hendry, J. (2018) Govts dump NAPLAN robo marking plans itnews, 30 January

Klutka, J. et al. (2018) Artificial Intelligence in Higher Education: Current Uses and Future Applications Louisville Ky: Learning House

Lazandic, G., Justus, J.-A., and Rabinowitz, S. (2018) NAPLAN Online Automated Scoring Research Program: Research Report, Canberra, Australia: Australian Curriculum, Assessment and Reporting Authority

Lynch, J. (2017) How AI will destroy education, buZZrobot, 13 November

Mayfield, E. (2013) Six ways the edX Announcement Gets Automated Essay Grading Wrong, e-Literate, April 8

Ongweso jr. E. (2019) Racial Bias in AI Isn’t Getting Better and Neither Are Researchers’ Excuses Motherboard: Tech by Vice, July 29

Parachuri, V. (2013) On the automated scoring of essays and the lessons learned along the way, vicparachuri.com, July 31

Perelman. L. (2013) Critique of Mark D. Shermis & Ben Hamner, Contrasting State-of-the-Art Automated Scoring of Essays: Analysis, Journal of Writing Assessment, Vol. 6, No.1

Rouse, M. (2019) What is chatbot? Techtarget Network Customer Experience, 5 January

Russell, S. and Norvig, P. (2010) Artificial Intelligence – A Modern Approach New Jersey: Pearson Education

Winkler, R. & Söllner, M. (2018): Unleashing the Potential of Chatbots in Education: A State-Of-The-Art Analysis. Academy of Management Annual Meeting (AOM) Chicago: Illinois

Zawacki-Richter, O. et al. (2019) Systematic review of research on artificial intelligence applications in higher education – where are the educators? International Journal of Technology in Higher Education (in press – details to be added)

Zeide, E. (2019) Artificial Intelligence in Higher Education: Applications, Promise and Perils, and Ethical Questions EDUCAUSE Review, Vol. 54, No. 3, August 26