På OEB2018 i Berlin var mit fokus på datadrevet undervisning

Carlos Delgado Kloos viste en illustration, som er grundlæggende for forståelsen af databehandling i dag, hvor maskinlæring og kunstig intelligens får større og større betydning:

Figuren til venstre viser traditionel beregning: maskinen laver beregninger på nogle data ud fra foruddefinerede regler og ud kommer et output (data + rules = answers)
Figuren til højre viser machine learning, hvor maskinen registrerer mange output fra andre beregninger, tilføjer data (denne del af hans model forstår jeg ikke) og udleder derfra nogle regler.

Han fortsatte med at fortælle, at maskinlæring af samme grund ikke kan bruges til at finde statistisk kausalitet, men er fantastisk til at mine korrelationer. Korrelationer deles igen op i årsagssammenhænge og tilfældige sammenhænge.

Derudover understregede han vigtigheden af at have fagligt gennemtænkte datasæt at træne ML på, da data har de samme bias’er som de mennesker, der har defineret variablerne, der skal registreres.

Min kommentar: Nu skal vi undervisningspraktikere og læringsteoretikere komme på banen og definere brugbare variabler, som man kan triangulere med, så vi kan få forankret digitale værktøjer som ML og AI i undervisningsudviklingen.

Maren Scheffel viste JISCs “Learning Analytics Deployment Maturity” og talte derefter om den tillid i Luhmann’sk forståelse, der er nødvendig for at komme fremad.
På slidet stod:
“Luhmann defined “TRUST” as a way to cope with risk, complexity, and a lack of system understanding. For Luhmann the concept of trust compensates for insufficient capabilities for fully understanding the complexity of the world” 
Trust ift Learning Analytics blev illustreret som en black box og en transparent boks:
Den sorte boks indeholdt ukendte algoritmer, uoplyst data registreringer, automatiserede beslutninger, manglende adgang til rådata, ingen kontrol over hvem, der har adgang til data.
I den transparente boks var kendte algoritmer, transparente indikatorer, ingen automatiserede beslutninger, fuld adgang til rådata og kontrol over, hvem, der har adgang til data.

Maren Scheffel sluttede af med at fortælle om SHEILA-projektet, som er en ramme til udvikling af Learning Analytics Policies. Learning Analytics Policies kan være en vej til at få skabt tilliden, som er nødvendig for at komme videre.

Min kommentar: Der er en mooc på EdX for tiden (den bliver gentaget senere), som adressererer netop udvikling af policy på baggrund af SHEILA. Her underviser både Maren Scheffel, Carlos Delgado Kloos og mange andre.

Den sidste taler jeg vil nævne i denne omgang er Wayne Holmes fra Center for Curriculum Redesign, UK som fortalte om “A taxonomy of AI in Education”. Her blot overskrifterne, dvs de forskellige typer AI brugt i uddannelsesverdenen, da det er for omfattende til et referat at gå i dybden med de forskelliges karakteristika:

  • Intelligent Tutoring Systems (ITS)
  • Dialogue-based Tutoring Systems
  • Exploratory Learning Environments
  • Automatic Writing Evaluation
  • Learning Network Orchestratiors
  • Language Learning
  • ITS+

Læs evt http://oro.open.ac.uk/53020/1/WTRSBookApril%20%20Chapter%206.pdf.
Wayne Holmes mente i øvrigt, at det meste ITS er for individualistisk i sin læringstilgang og han savnede understøttelse med AI af mere kollaborativ læring.
Så hans slide om ønsker til fremtiden indeholdt følgende punkter:

  • Collaborative learning
  • Student forum monitoring
  • Continuous assessment
  • AI learning companions
  • AI teaching assistants
  • AI as a research tool to further the learning sciences.

En observation:
Der var flere af de talere jeg lyttede til, der ikke lod til at skelne mellem “learning” og “teaching”, hvilket jeg ser som et punkt vi med fordel kan være opmærksomme på: Undervisere kan lave undervisningsdesigns, dvs have en intention med undervisningen, men undervisere kan ikke lave læringsdesigns, da læring foregår i den lærende hhv i dennes kontekst. 

 

Leave a Reply

Your email address will not be published. Required fields are marked *