שילוב בינה מלאכותית במוסדות להשכלה הגבוהה: אסטרטגיות מפתח

ג'יימס ג'נון ושון יוז (2024). שילוב בינה מלאכותית במוסדות להשכלה הגבוהה: אסטרטגיות מפתח. פרויקט מינרווה, מרכז אדמונד דה רוטשילד לחיבור השכלה גבוהה ותעסוקה

עיקרי הדברים:

• שימוש בבינה מלאכותית יוצרת בהערכה ודרוג מועמדים ללימודים עשוי לייעל את עבודתן של מחלקות הרישום, אך יגביר את הסיכון להחלטות מוטות, שמפלות קבוצות ספציפיות באוכלוסייה
• יישומי ה-AI עלולים להפוך את האינטראקציות בין צוות האוניברסיטה לסטודנטים לגנריות ונטולות מאפיינים אישיים, שהינם משמעותיים ואף קריטיים להצלחת הסטודנט
• התוכנות לגילוי בינה מלאכותית שנועדות לזהות פלגיאטים והונאות אינן אמינות
• לכן, על אנשי החינוך להגדיר מה פירושה של יושרה אקדמית בסביבה עתירת יישומי בינה מלאכותית יוצרת
• מיומנויות עמידות מתמקדות פחות ב"מה לחשוב" ויותר ב"איך לחשוב": חשיבה ביקורתית, פתרון בעיות, תקשורת, אינטליגנציה רגשית ושיתוף פעולה
• מיומנויות עמידות ניתנות להעברה ולהסתגלות והן חסינות יותר בפני התקדמות הבינה המלאכותית
• כלי בינה מלאכותית יכולים לסייע לסטודנטים לתרגל מיומנויות עמידות כחשיבה ביקורתית, למשל דרך פעילות "ציד סתירות בינה מלאכותית" שבה הסטודנטים מחפשים סתירות או כשלים לוגיים בתוכן שנוצר בעזרת בינה מלאכותית
• המרצה יכול להורות לבינה מלאכותית ליצור מושגים מדעיים, אירועים היסטוריים או תיאוריות ספרותיות שנשמעים אמיתיים אך אינם כאלה, ואז לבקש מהסטודנטים לבדוק את ה"עובדות" ולהפריכן.
• מומחים רבים התייחסו לפיתוחים טכנולוגיים אלה  ולהשלכותיהם בתחום החינוך, אבל רובם התמקדו בדאגה ליושרה אקדמית ובשאלה האם יש לאסור את השימוש בבינה מלאכותית יוצרת או לפקח עליו כדי למנוע פלגיאטים והונאות. אנו סבורים שהשימוש בבינה מלאכותית יוצרת ושילובה בחיים האקדמיים הם בבחינת הכרח, ולכן ממליצים לאוניברסיטאות לאמץ גישה שונה. כבר עתה סטודנטים רבים מאוד משתמשים ביישומים אלה. בסקר שנערך באחרונה בקרב סטודנטים בארה"ב, דיווחו 74% מתוכם כי ייתכן שישתמשו ביישומי בינה מלאכותית בעתיד, גם אם המוסד האקדמי שבו הם לומדים יאסור על כך.

לדוח המלא

לקריאה נוספת: כל סיכומי המאמרים על בינה מלאכותית בחינוך

מחברי הדוח טוענים כי אוניברסיטאות שישלבו בינה מלאכותית בתוכניות הלימוד שלהן, במקום לנסות לאסור על השימוש בה או לפקח עליו, ייטיבו להכין את הסטודנטים שלהן לחיים בעולם שבו הבינה המלאכותית היא חלק בלתי נפרד מחיי היומיום.

גם חברי הסגל האקדמי והמנהלתי באוניברסיטאות אימצו את השימוש ביישומים אלה, ותוכנות הוראה ולמידה מבוססות בינה מלאכותית מושקות מדי שבוע. יכולות בינה מלאכותית צפויות להתווסף תוך 12-6 חודשים לרבים מהיישומים והתוכנות הפדגוגיים הקיימים.

על ראשי האקדמיה להבין לעומקם את ההבדלים בין יישומי הבינה המלאכותית היוצרת החדשים לבין מודלים קודמים, לזהות את ההשלכות הפוטנציאליות מרחיקות הלכת של הטכנולוגיה החדשה, ולבחון כיצד אימוץ בינה מלאכותית יתרום לשינוי הגישה כלפי הוראה ולמידה.

שלוש ההמלצות העיקריות של הדוח:

1. לפתח אסטרטגיה כלל-מוסדית ולהקצות משאבים לבניית מודעות בקרב הסגל האקדמי, הסגל המנהלתי והסטודנטים באשר לחוזקות ולחולשות של יישומי בינה מלאכותית יוצרת, ולגבש הנחיות המבהירות כיצד, מתי ומדוע להשתמש בהם.
2. לפתח פרקטיקות הוראה והערכה המבוססות על מדעי הלמידה וההוראה, ואשר ניתן להעצימן באמצעות כלי בינה מלאכותית.
3. לפתח פרקטיקות הוראה להקניית מיומנויות רלוונטיות, הנדרשות מבוגרי ההשכלה הגבוהה בשוק התעסוקה, אשר יאפשרו לבוגרים לבצע מטלות ולקחת על עצמם תחומי אחריות שלא ניתן להפקיד בידי יישומי בינה מלאכותית.

רקע

החידוש הגדול נעוץ בעובדה שמודלים עדכניים של בינה מלאכותית מייצרים תוכן מקורי בתגובה לכל שאלה של המשתמש. במקום להסתמך על מאגר קיים של תשובות, היישומים האלה מאומנים על בסיסי נתונים בהיקפי ענק. לדוגמה, אפשר לבקש מהמודל, "כתוב עבודה אקדמית המבקרת את האסכולה הבלשנית של חומסקי ולקבל תוצאה

מבחינת הצוותים האדמיניסטרטיביים, בינה מלאכותית יוצרת עשויה לתמוך בהרחבת התמיכה האקדמית והשירותים לסטודנטים באמצעות אוטומציה, בהגדילה את כמות ואת מגוון ערוצי התמיכה שהמוסד האקדמי מעמיד לרשות הסטודנטים. ואולם, יישומים אלה עלולים להפוך את האינטראקציות בין צוות האוניברסיטה לסטודנטים לגנריות ונטולות מאפיינים אישיים, שהינם משמעותיים ואף קריטיים להצלחת הסטודנט. בדומה לכך, שימוש בבינה מלאכותית יוצרת בהערכה ודרוג מועמדים ללימודים עשוי לייעל את עבודתן של מחלקות הרישום, אך יגביר את הסיכון להחלטות מוטות, שמפלות קבוצות ספציפיות באוכלוסייה.

חברי הסגל האקדמי יכולים להסתייע ביישומי בינה מלאכותית לצורך מחקר, פיתוח תוכניות לימודים, והערכת עבודות, ובכך להקל במידת מה את עומס המטלות עתירות העבודה הכרוכות בעבודה האקדמית. בהינתן שגם הסטודנטים ישתמשו בבינה מלאכותית יוצרת כדי לבצע את מטלותיהם, אנו עלולים לחזות במחזה האבסורדי שבו אנשי הוראה משתמשים בכלי הערכה מבוססי בינה מלאכותית כדי לתת ציונים לעבודות שכתבו סטודנטים בסיוע כלי כתיבה מבוססי בינה מלאכותית.

בינה מלאכותית יכולה לשמש כמנטור מותאם אישית ללמידה, כדוגמת המתרגל הווירטואלי של אקדמיית קהאן, Khanmigo, להתאים את התוכן ושיטות הלימוד לרמת הסטודנט ולתמוך בתהליכי הלמידה כאשר המורה אינו זמין. היא יכולה לשמש כשותף לדיון בשיטה הסוקרטית, או לסייע לסטודנטים לסכם מידע, לכתוב טיוטות ראשונות, להעלות רעיונות ולבחון את עצמם. ואולם, שימוש לא מבוקר בכלי בינה מלאכותית, מבלי שהסטודנט תורם אינטלקטואלית לתוצר הסופי, עלול לפגוע פגיעה חמורה בהתפתחות האינטלקטואלית והאקדמית. סטודנטים רבים יתפתו להגיש תוכן שיוצר בידי בינה מלאכותית כאילו יצרו אותו בעצמם.

אימוץ במקום איסור

הניסיון למנוע את הגעתן של טכנולוגיות חדשות לידיהם של הסטודנטים הוא בגדר ברכה לבטלה, בדיוק כפי שהיה הניסיון למנוע מהם לחפש תשובות לשיעורי הבית באינטרנט. כדי לאכוף איסור גורף על בינה מלאכותית ייאלצו המוסדות האקדמיים לעקוב, לתעד, ולמנוע את הגישה למגוון גדל והולך של תוכנות וטכנולוגיות, מאמץ שהסטודנטים יוכלו לעקוף בקלות בבית או באמצעות הטלפונים הניידים שלהם שאינם מחוברים לרשת הקמפוס.

פיקוח יהיה בעייתי באותה המידה. מנהלים שירצו להסתמך על תוכנות לגילוי בינה מלאכותית כדי לזהות פלגיאטים והונאות יגלו שתוכנות אלה אינן אמינות. לכן, על אנשי החינוך להגדיר מה פירושה של יושרה אקדמית בסביבה עתירת יישומי בינה מלאכותית יוצרת. הפרדיגמה המסורתית גרסה שעל הכותב ליצור את עבודתו בעצמו, ולציין במפורש כל תוכן שנוצר בידי אחרים. ואולם, זמינותם של כלים המאפשרים למשתמשים למנף את היצירתיות שלהם ולה ימנע מההיבטים המייגעים יותר הכרוכים בתהליך הכתיבה, סביר שתשנה את הגישה למה שראוי ומה אינו ראוי במסגרת כתיבת טקסט ויצירת תוצרים יצירתיים אחרים.

להכשיר סטודנטים לעולם העבודה שכבר אימץ את הבינה המלאכותית

כשהסטודנטים ייכנסו לעולם התעסוקה המעסיקים יצפו מהם לדעת להשתמש ביישומי בינה מלאכותית. כותבים מקצועיים כבר החלו לאמץ יישומי כתיבה מבוססי בינה מלאכותית , כפי שאימצו טכנולוגיות אחרות שחוסכות עבודה, כגון כלים אוטומטיים לבדיקת דקדוק ואיות. בוגרי אוניברסיטה יידרשו להשתמש ביישומים שיסייעו להם לסכם מידע ולערוך טיוטות, להשתתף בסיעור מוחות, לייצר ייצוגים ויזואלי ים ולנתח מידע, ולהוביל את השימוש בכלי הבינה המלאכותית תוך הערכה ביקורתית של התוצרים ושימוש בתוצרי הטכנולוגיה כבסיס להמשך עבודה. הדברים נכונים גם לגבי מדיומים אחרים כגון , דימויים, סרטונים ומוסיקה. בקיצור, הסטודנטים צריכים ללמוד כיצד לייצר תוכן באמצעות בינה מלאכותית כדי להתכונן לתנאים שצפויים להם בעולם התעסוקה.

לאחר שתאומץ בקנה מידה רחב, בינה מלאכותית תיצור שינוי מהותי בשוק מלאכת הידע, (Work knowledge), באופן שיאפשר לבני אדם להשתחרר ולהתמקד במשימות היותר מופשטות ואסטרטגיות – ניתוח ותכנון הזדמנויות לעבודה יצירתית. זה ידרוש מהסטודנטים להיות מוכנים לחייהם המקצועיים בדרכים חדשות, תוך מתן חשיבות רבה עוד יותר לחשיבה ביקורתית ולמיומנויות של פתרון בעיות מורכבות, אשר אוניברסיטאות רבות אמנם מתיימרות לקדם, אך עדויות מצביעות על כך שבמידה רבה הן אינן מצליחות בכך.

שילוב בינה מלאכותית בהשכלה הגבוהה

מחברי הדוח ממליצים על שלוש אסטרטגיות:

1. בניית מודעות ויכולות
2. התאמת גישות הוראה ולמידה
3. פיתוח תוכניות ללימוד מיומנויות רלוונטיות.

בניית מודעות ויכולות

הנהגת המוסד:

המאמץ מתחיל בשדרת ההנהגה: על רקטורים, סגני רקטור, דיקנים, ראשי מחלקות ובעלי תפקיד אחרים להכיר לעומק את יכולותיהן של מערכות הבינה המלאכותית היוצרת ואת היישומים הנשענים עליהן. יהיה עליהם לכנס קבוצות שייצגו פונקציות אוניברסיטאיות שונות כדי לבחון את מדיניות המוסד. העלאת רמת המומחיות איננה רק עניין של למידת מודלים עכשוויים אלא גם לגרסאות עתידיות, שיהיו עוצמתיות אף יותר מהגרסאות הזמינות כיום. על המוסדות יהיה להעצים מנהיגים שייקחו אחריות על התעדכנות מתמדת בהתפתחויות טכנולוגיית הבינה המלאכותית ועל תיאום התגובות המוסדיות באופן שוטף.

סגל אקדמי:

ראשי המוסדות יצטרכו גם לבנות את יכולות צוותי הטכנולוגיה והחדשנות במוסדותיהם, כמו גם את אלו של צוותי עיצוב ההוראה, כדי להכשיר את חברי הסגל האקדמי ולתמוך בהם. הם יוכלו לעשות כן על ידי ביסוס מרכזי הוראה ולמידה שינחילו ידע רלוונטי באמצעות סדנאות, פיתוח מקצועי מתמשך ומאגרי ידע שיתופיים שיסייעו לחברות ולחברי הסגל להתמצא בנושאים אתיים ולהשתמש בכלי בינה מלאכותית.

 צוות המרכז להוראה ולמידה באוניברסיטת פיטסבורג, לדוגמה, יצר דף אינטרנט הכולל הנחיות ומשאבים פדגוגיים כדי לתמוך בסגל האקדמי בתהליך ההסתגלות לשימוש בכלי בינה מלאכותית.

לחברי ה סגל תידרש גם הכשרה ב'הנדסת פרומפטים אפקטיבית, אומנות יצירת השאילתות שיובילו מערכות בינה מלאכותית לאחזר פלט מועיל.

סטודנטים:

סטודנטים יזדקקו להכשרה באוריינות AI, שתסייע להם למצוא את דרכם בעולם שבו כלי בינה מלאכותית הם דבר שבשגרה, לזהות את החוזקות והמגבלות של מערכות מסוג זה, ולהבין כיצד להשתמש בכלים אלה בדרכים אפקטיביות, אתיות ואחראיות.

לסטודנטים תידרש גם הבנה כללית יותר לגבי ניווט מסלולם המקצועי בעודם מחפשים הזדמנויות תעסוקה המתווכות על ידי מערכות וכלים מבוססי בינה מלאכותית. משמעות הדבר היא שמרכזי השירותים לסטודנט, כגון מרכזי הייעוץ ופיתוח הקריירה יצטרכו להתחשב ברלוונטיות של בינה מלאכותית בעבודתם מול סטודנטים.

סגל מנהלי:

על המוסדות להוביל לאימוץ טכנולוגיות בינה מלאכותית בקרב מגוון בעלי תפקידים ברחבי המוסד, מעבר לסגל האקדמי. ככל שמתפתחים כלי בינה מלאכותית יוצרת שיכולים לסייע בניהול הליכי קבלה, רישום וסיוע לסטודנטים יהיה על ההנהלות ומומחי המחשוב במוסדות האקדמיים לשקול אילו כלים לאמץ וכיצד ליישמם בדרכים שישפרו את תהליכי העבודה מבלי להתפשר על יושרתם. ייתכן שחלק מהמערכות יהיו כרוכות בתוספת עלויות משמעותיות לתשתיות מחשוב, ולכן יידרש ניתוח החזר השקעה.

התאמת גישות הוראה ולמידה

פרקטיקות הוראה מסורתיות במוסדות רבים עדיין מעוגנות במתכונת הרצאות, שבה קבוצות גדולות של סטודנטים מאזינות באופן פסיבי לשיעור ארוך המועבר על ידי מרצה יחיד. אף שהיא עשויה להיות יעילה מבחינת משאבי המרצים והמוסדות, זוהי שיטה לא יעילה מבחינת עידוד למידה בקרב סטודנטים; שיעורי הכישלון של סטודנטים הלומדים בקורסים מבוססי הרצאות גדול פי 1.5 מזה של סטודנטים הלומדים בקורסים שמיישמים שיטות למידה אקטיביות.

קורסים מבוססי הרצאות היו רחוקים מלהיות מיטביים גם לפני פריצתה של הבינה המלאכותית, אך בעידן הבינה המלאכותית הם יהפכו ללא רלוונטיים במיוחד. ל סטודנטים כבר הייתה גישה לכמויות עצומות של תוכן דרך האינטרנט, וכעת הם מוצאים את עצמם עם חבילת טכנולוגיות בינה מלאכותית שמסוגלות לסכם, להציג, לנתח ולהעריך עבורם את המידע הזה. כלים אלה מערערים את עצם הרעיון של הוראה מבוססת העברת ידע, שינון ושליפה. הם גם מעודדים את הסטודנטים להטיל ספק בערך ובעלות הגבוהה של למידה מבוססת הרצאות ,כאשר מערכות למידה מבוססות בינה מלאכותית יאפשרו להם לרכוש ידע בדרכים המותאמות להם אישית לפי רמת המוכנות שלהם, בזמן ובדרך שמתאימים להם.

את הלמידה הפסיבית המתמקדת בהעברת ידע יש להחליף בלמידה אקטיבית, ממוקדת לומד, שמאפשרת לרכוש, לתרגל וליישם חשיבה מסדר גבוה ומיומנויות הניתנות להעברה.

זה מתחיל באימוץ פרקטיק ות הוראה של "הכיתה ההפוכה", כך שהסטודנטים ילמדו באופן עצמאי מידע חדש מבעוד מועד, באמצעות קריאה או שמיעת הרצאות מוקלטות, ויגיעו לכיתה מוכנים ליישם את החומר שלמדו.

ניתן להשתמש במגוון רחב של פרקטיקות הוראה להשגת מטרות אלו, מדיון סוקרטי ועריכת סקרים בכיתה ועד לעבודה בקבוצות קטנות, דיונים, משחקי תפקידים, סימולציות, משחקים ופרויקטים שיתופיים.

שלי בינה מלאכותית יכולים למלא תפקיד מפתח בסיוע למורים לאמץ שיטות הוראה מתקדמות. הם יכולים לייצר מערכי שיעור יצירתיים המבוססים על למידה פעילה ולהתאים את ההוראה למגוון הסטודנטים.

הם יכולים לסייע ביצירת שאלות רפלקטיביות שבהן יוכלו חברי סגל להשתמש במהלך שיעורי הלמידה הפעילים שלהם. לדוגמה, רעיונות כיצד להכווין סטודנטים לחבר תוכן מפעילות אחת לאחרת, כדי להגיע להבנה עמוקה יותר. במטלת למידה פעילה אפקטיבית המכונה "הוראת עמיתים", הסטודנטים מתמודדים עם שאלה מאתגרת, דנים בתשובותיהם עם חבריהם לכיתה, מסבירים את עמדותיהם ומגנים עליהן. לאחר מכן, הם שוקלים האם לשנות את תשובתם המקורית. באמצעות תהליך זה של רפלקציה אקטיבית על התשובה לבעיה, הסטודנטים מיישמים את הידע שלהם, מתקנים תפיסות מוטעות ומעמיקים את הבנתם. בינה מלאכותית עשויה לשפר פעילויות כגון זו על ידי הדרכ ת הסטודנטים כיצד לחשוב על תגובותיהם או באמצעות מתן משוב אישי על טעויות. במקומות אחרים, היא יכולה לספק לסטודנטים שותף לדיאלוג סוקרטי, מבחנים לתרגול, פירוק שאלות להסבר עצמי ומשוב מותאם אישית על טעויות. יחסית לגישת הלמידה הפסיבית בהרצאות, למידה אקטיבית יוצרת סביבה רותמת ודינאמית, שבה כל הסטודנטים רוצים להשתתף בתהליך הלמידה לבינה מלאכותית יש פוטנציאל להעמיק מעורבות זו, ולאפשר לסטודנטים לתרגל גם את השימוש בטכנולוגיה תוך כדי יישום החומר הנלמד.

הערכה

כאשר סטודנטים מגישים מטלות שנוצרו על ידי בינה מלאכותית כאילו היו פרי מוחם, מרצים נקלעים למצב מתסכל של הערכת מכונות ולא בני אדם. בעיה זו הובילה רבים לשוב להערכות האנלוגיות גוזלות הזמן, מאמרים בכתב יד שהושלמו במהלך השיעור או בחינות אישיות בעל פה ובכתב בסיום קורסים.

ההערכה בעידן ה-AI להיות הערכה אותנטית, המחייבת את הסטודנטים להפגין חשיבה מסדר גבוה בהקשרים מעשיים, דוגמת מטלות קבוצתיות, דיון ביקורתי על מאמרים בקבוצות קטנות והעברת פרזנטציה. הערכה של תהליכי ניתוח, חשיבה ביקורתית ויצירת רעיונות חדשים במקום מיקוד בתוצר הסופי, מקדמת מיומנויות מטא- קוגניטיביות המשקפות את היכולות האמיתיות של הסטודנטים, את ההבנה העמוקה שלם בתחום הדעת ואת יכולותיהם לפתור בעיות מורכבות.

אוניברסיטת מינרווה מיישמת גישה זו בכל התכניות והקורסים שלה.

 הכנת סטודנטים לעולם עבודה המשלב בינה מלאכותית בעזרת מיומנויות עמידות

חברי סגל ההוראה יצטרכו לסייע לסטודנטים לפתח מיומנויות שיאפשרו להם להצליח בעבודה משולבת-בינה מלאכותית. באופן כללי, ניתן לחלק מיומנויות אלה לשלוש קטגוריות: מיומנויות מתכלות, עמידות למחצה ועמידות. מיומנויות מתכלות, כמו שפת תכנות או כלי ספציפי, מאבדות ערך במהירות עקב התקדמות טכנולוגית, בעוד שלמיומנויות עמידות למחצה, כגון הבנת פרדיגמות תכנות או מסגרות חדשנות, אורך חיים רב יותר, אך הן עדיין נוטות להתיישן ככל שתחום מתקדם. זמן מחצית החיים של שתי מערכות מיומנות אלה ירד בחדות בעשור האחרון, כלומר בוגרים רבים מגלים שהן אינן מתאימות לדרישות המשתנות בשוק העבודה. לעומתן, מיומנויות עמידות מתמקדות פחות ב"מה לחשוב" ויותר ב"איך לחשוב": חשיבה ביקורתית, פתרון בעיות, תקשורת, אינטליגנציה רגשית ושיתוף פעולה. מיומנויות עמידות ניתנות להעברה ולהסתגלות והן חסינות יותר בפני התקדמות הבינה המלאכותית.

כלי בינה מלאכותית יכולים לסייע לסטודנטים לרכוש, לתרגל וליישם מיומנויות עמידות כחשיבה ביקורתית. למשל דרך פעילות "ציד סתירות בינה מלאכותית" שבה הסטודנטים מחפשים סתירות או כשלים לוגיים בתוכן שנוצר בעזרת בינה מלאכותית, או משחק "AI Balderdash", שבו בינה מלאכותית משמשת ליצירת מושגים מדעיים, אירועים היסטוריים או תיאוריות ספרותיות שנשמעים אמיתיים אך אינם כאלה, כאשר בהמשך הסטודנטים בודקים את ה"עובדות" ומנסים להפריכן.

היכולת לתקשר באופן מיטבי עם אינטליגנציה רגשית ו תוך מודעות עצמית, כמו גם כושר הובלה, שיתוף פעולה וניהול משא ומתן עם אחרים בחתירה להשגת מטרות משותפות ה ינם דוגמאות למיומנויות שיוסיפו להיות רלוונטיות ונחוצות בעולם עבודה המשלב בינה מלאכותית.