Kulisszák mögött: ez a cikk a fejlesztés alatt álló Studoid V2 AI Engine alapelveit mutatja be. Nem a jelenleg elérhető funkciók listája, és nem megjelenési bejelentés.
Képzeld el, hogy elolvasol egy AI által készített magyarázatot. Világosnak tűnik, a példa is érthető, ezért továbblépsz. A következő feladatnál viszont elakadsz.
Mi legyen ilyenkor a következő lépés? Egy újabb magyarázat? Egy könnyebb kérdés? Egy konkrét segítség ahhoz az egy lépéshez, amelynél bizonytalan lettél?
A Studoid AI-motorjának átdolgozásánál ilyen kérdésekből indulunk ki. Nem pusztán azt nézzük, milyen választ ad az AI, hanem azt is, hogyan kapcsolódik ez a válasz a tanulási folyamatodhoz.
Egyetlen jó magyarázat fontos lehet. Mi most azt a rendszert dolgozzuk át, amely eldönti, mi előzze meg, és mi következzen utána.
Mit nevezünk AI-motornak?
Az AI-motor alatt a Studoid tanulást irányító rendszerét értjük. Ebbe nemcsak a magyarázatok vagy a feladatok létrehozása tartozik bele, hanem az is, hogy miből induljon ki egy tanulási alkalom, mire kérdezzen rá, hogyan kezelje a válaszodat, és mikor legyen indokolt továbblépni.
Az átdolgozás ezért nem egyszerűen egy másik AI-modell bekapcsolását jelenti.
A hangsúly azon van, hogyan dolgozik együtt a tananyag, a tanítás, a gyakorlás és a visszajelzés. A cél az, hogy ezek ne egymás mellett létező funkciók legyenek, hanem ugyanannak a folyamatnak a részei.
A magyarázattól a tanulási folyamatig
A korábbi megközelítésben a tananyagból összeállított tanulási útmutató, majd az azt követő felidézés volt a középpontban. Ezt az alapot gondoljuk tovább.
A kérdés most az, hogyan lehet menet közben is reagálni arra, ami a tanulásban történik. Például arra, hogy egy fogalmat már értesz, de az alkalmazásában még bizonytalan vagy. Vagy arra, hogy az új témánál valójában egy korábbi alapfogalom hiánya okozza az elakadást.
Az irány röviden:
Tananyag → érthető tanulási cél → magyarázat és példa → saját próbálkozás → visszajelzés → indokolt következő lépés.
Ez nem minden helyzetben ugyanazt a merev sorrendet jelenti. Inkább azt, hogy minden lépésnek legyen szerepe. Egy magyarázatnak legyen világos tárgya, egy kérdésnek legyen értelmes célja, a visszajelzésből pedig derüljön ki, mivel érdemes tovább foglalkozni.
Először azt tisztázzuk, mit kell megtanulni
A „tanuld meg ezt a fejezetet” túl tág kiindulópont egy tanulási alkalomhoz.
Más feladat felismerni egy fogalmat, saját szavakkal elmagyarázni, két hasonló fogalom között különbséget tenni, vagy alkalmazni egy eljárást. Ugyanahhoz a témához több ilyen cél is tartozhat.
Ezért a tervezésben konkrétabb kérdést teszünk fel: mit kellene tudnod megmutatni ebből az anyagból?
Egy számítási témánál például nem ugyanaz ismerni egy képletet és eldönteni, mikor használható. Nyelvtanulásnál sem ugyanaz felismerni egy szerkezetet és önállóan mondatot alkotni vele.
Azért bontjuk ilyen célokra a tanulást, hogy a magyarázat és a gyakorlás ugyanarra irányuljon. Ne egy általános témáról kapj szöveget, majd egy lazán kapcsolódó kérdést, hanem legyen érthető kapcsolat aközött, amit feldolgoztál, és amit megpróbálsz megoldani.
A saját tananyagod marad a kiindulópont
Egy egyetemi kurzusnál nem elég, hogy egy magyarázat általában helyesnek hangzik. Az is számít, hogyan kapcsolódik ahhoz az anyaghoz, amelyből készülsz.
Ezért a feltöltött tananyaghoz kötjük a tanulási célokat. Nem abból indulunk ki, hogy az AI szabadon állítson össze egy másik tananyagot ugyanarról a témáról.
Ugyanakkor egy tömör dia önmagában nem feltétlenül ad teljes magyarázatot. Lehet rajta néhány szakkifejezés vagy egy képlet, miközben az összefüggések kibontása még hátravan. A tervezett tanítási megközelítésben ezért helye van az egyszerűbb megfogalmazásnak, a szemléltető példának és az analógiának is.
A tananyag állítása és a megértéshez készített példa azonban nem ugyanaz.
Ha a Studoid kitalál egy hétköznapi helyzetet egy fogalom bemutatására, az szemléltetés, nem idézet a jegyzetedből. A cél az, hogy ez a különbség érthető maradjon, és a gyakorlás az eredeti fogalomra irányuljon, ne a kitalált történet mellékes részleteire.
Ugyanezért fontos a hiányok kezelése. Ha egy szükséges részlet nem áll rendelkezésre vagy nem értelmezhető egyértelműen, azt korlátként kell kezelni, nem magabiztosnak hangzó kiegészítéssel elfedni.
A magyarázat után neked is legyen dolgod
A fejlesztési irány nem az, hogy minden lépésből minél hosszabb szöveg legyen. De az sem, hogy néhány rövid kártyát automatikusan tanításnak nevezzünk.
Olyan egységekben gondolkodunk, amelyekben a magyarázatot szükség szerint példa vagy bemutatott megoldási lépés egészíti ki, majd te is dolgozol valamivel. Elmagyarázol egy összefüggést, összehasonlítasz két lehetőséget, megoldasz egy részfeladatot vagy alkalmazol egy szabályt.
A feladat formáját ahhoz szeretnénk igazítani, amit tanulsz. Egy fogalom értelmezéséhez más próbálkozás illik, mint egy számítási eljárás vagy egy nyelvi szerkezet gyakorlásához.
A segítségnek is van helye. Egy új eljárás első találkozásánál értelmes lehet előbb megmutatni egy kidolgozott példát. Nem az a cél, hogy minden segítséget visszatartsunk, hanem az, hogy a segítség után legyen lehetőséged saját magadnak is dolgozni.
Nem minden elakadásra ugyanaz a válasz
Tegyük fel, hogy egy feladatban rossz eredményre jutottál. Ebből önmagában még nem derül ki, miért.
Lehet, hogy jó módszert választottál, de hibáztál egy számítási lépésben. Lehet, hogy félreértetted, milyen helyzetben alkalmazható az eljárás. Az is előfordulhat, hogy egy szükséges alapfogalom még nem világos.
A megközelítésünkben ezek különböző tanítási helyzetek.
Egy részhibánál célzott segítség lehet indokolt. Egy fogalmi félreértésnél másik példára vagy a két értelmezés szembeállítására lehet szükség. Hiányzó alapnál pedig néha érdemes röviden visszalépni, mielőtt ugyanazzal a feladattal próbálkozol tovább.
Ezért nem egyszerű helyes–helytelen jelzésben gondolkodunk. A válaszból azt is szeretnénk megérteni, melyik következő lépés lehet hasznos.
Az AI értelmezése itt sem tévedhetetlen. Egy rövid vagy többféleképpen érthető válaszból nem mindig lehet biztos következtetést levonni. Ilyenkor egy tisztázó kérdés vagy új próbálkozás jobb kiindulópont, mint egy túl határozott minősítés.
A gyakorlás és az önálló tudás ellenőrzése két külön feladat
A gyakorlás során teljesen rendben van segítséget kérni, megnézni egy mintát vagy javítani a válaszodon. Ettől a tanulási alkalom nem lesz kevésbé értékes.
Más következtetést lehet viszont levonni abból, hogy egy feladat segítséggel sikerült, mint abból, hogy egy új helyzetet önállóan oldottál meg.
Ha az előbb láttad a teljes megoldást, annak visszamondása nem ugyanaz, mint saját magadtól felépíteni a választ. Ezért külön kezeljük azt, amikor a rendszer segít megtanulni valamit, és azt, amikor arra keresünk bizonyítékot, hogy segítség nélkül is boldogulsz vele.
A segítség nem kudarc. Csak nem azonos az önálló teljesítménnyel.
Ehhez kapcsolódik egy másik alapelv: a számonkérés igazodjon ahhoz, amit már feldolgoztál, vagy amiről korábban megmutattad, hogy tudod. Attól, hogy valami szerepel a teljes jegyzetben, még nem indokolt azonnal számon kérni.
Az előzetes tudást felmérő kérdéseknek ettől eltérő szerepük van: azok éppen azt segítenek tisztázni, honnan érdemes indulni. Ezt nem szeretnénk összemosni a tanítás utáni ellenőrzéssel.
A haladás több, mint egy végigkattintott tananyag
Az, hogy végignéztél egy magyarázatot, elmond valamit arról, mivel foglalkoztál. Arról viszont még nem ad elég információt, mit tudsz önállóan megoldani.
Ezért a tudásról alkotott képet nem pusztán eltöltött időre vagy befejezett képernyőkre akarjuk építeni.
Számít, milyen feladattal boldogultál, mennyi segítségre volt szükséged, és a témának mekkora részét próbáltad ki. Egyetlen részlet sikeres megválaszolásából nem szeretnénk az egész fejezet ismeretére következtetni.
Ugyanilyen fontos, hogy amiről még nincs elég információ, azt ne nevezzük automatikusan hiányzó tudásnak. A „még nem mértük fel” és a „még gyakorolni kell” két különböző helyzet.
Az ismétlésnek ebben a gondolkodásban az a szerepe, hogy később is vissza lehessen térni a már feldolgozott anyaghoz. Az azonnali siker és egy későbbi önálló próbálkozás más kérdésre ad választ. A haladásról alkotott képnek ezt is figyelembe kell vennie.
Az AI köré szabályok és ellenőrzések is kellenek
A rendszerben nem minden döntést szeretnénk egy szabadon válaszoló AI-ra bízni.
A magyarázat megfogalmazása és egy nyitott válasz értelmezése más feladat, mint eldönteni, milyen feltételekkel lehet továbblépni vagy mit lehet a tanuló tudásáról állítani. Ezért az AI-val dolgozó részek mellé ellenőrizhető működési szabályokat építünk.
Ennek egy fontos következménye a hibák szétválasztása. Ha a rendszer nem tud kiértékelni egy választ, az nem bizonyítja, hogy a válasz rossz. Ha egy kérdés hibás vagy nem illik a feldolgozott anyaghoz, azt sem szabad a tanuló hiányosságaként kezelni.
A folyamat követhetősége is ide tartozik. Mit dolgoztál már fel? Hol volt segítségre szükséged? Mi maradt nyitva? Ezekre akkor is szükség van, amikor egy tanulási alkalmat megszakítasz, majd később folytatsz.
Ezek kevésbé látványos kérdések, mint egy új AI-funkció bemutatása. Mégis alapvetően meghatározzák, hogy egy tanulási rendszer mennyire használható a gyakorlatban.
Hogyan nézne ki mindez egy egyszerű példán?
Képzelj el egy tanulási helyzetet, amelyben egy számítási eljárást szeretnél elsajátítani. Ez szemléltetés, nem egy konkrét képernyősor vagy kész funkció bemutatása.
Az első cél annak tisztázása, mire való az eljárás. Ezt követheti egy rövid magyarázat és egy bemutatott példa, amelyben a lépések oka is érthetővé válik.
Utána egy hasonló helyzetben te próbálkozol. Ha az indulás jó, de egy részlépés hibás, arra irányul a segítség. Ha már a módszer kiválasztásánál elakadsz, előbb azt érdemes tisztázni.
A közösen javított megoldás után egy másik feladat mutathatja meg, hogyan boldogulsz segítség nélkül. Később pedig egy újabb alkalom adhat képet arról, mire emlékszel, és mivel érdemes még foglalkozni.
Ebben a példában ugyanaz a tananyag a kiindulópont. A különbség abban van, hogy az egyes lépések kapcsolódnak egymáshoz, és a próbálkozásaidnak szerepük van a folytatásban.
Mit jelent ez most?
A Studoid AI-motorjának átdolgozása fejlesztési és tesztelési munka. A fenti elvek nem jelentik azt, hogy minden részlet már kész, minden tananyagnál azonos minőségben működik, vagy hogy bármilyen vizsgaeredményt garantálhatunk.
A tesztelésnél azt is vizsgáljuk, hogy a magyarázat valóban kibontja-e a témát, a feladat illeszkedik-e hozzá, a segítség használható-e, és a rendszer megfelelően kezeli-e a bizonytalanságot vagy a megszakítást. Egy meggyőzően megfogalmazott válasz önmagában ehhez nem elég.
A tanulói oldalon az egész átdolgozás értelmét egy kérdés foglalja össze:
Mi az a következő lépés, amely közelebb visz ahhoz, hogy ezt önállóan is meg tudd csinálni?
Ehhez építjük a Studoid tanulási rendszerét. Nem azért, hogy helyetted végezze el a gondolkodást, hanem hogy a saját munkádnak világosabb iránya, értelmesebb visszajelzése és követhetőbb folytatása legyen.