19,050 文字
AIは人間関係を強化するために使われるべきです。2019年に教育におけるAIの最も有益な活用法について尋ねられたとき、私はすぐに音声認識とコンピュータービジョンについて話しました。プログラマーとして腕を痛めた経験から、タイピングするよりも話すほうがどれだけ楽かを実感していたからです。私にとってはタイピングすることが身体的に痛みを伴いましたが、幼い子どもたちにとっても、書くよりも口頭で自分を表現するほうが簡単です。
子どもたちは話し言葉を通して、まだ文字に変換できないような豊かな表現ができます。そのため、教室での音声認識の思慮深い応用には大きな可能性があります。AIが少し過大評価されているとしても、自動運転車から分子医学、ビジネス効率化まで、AIは突然あらゆる場所に登場しています。まだあなたの業界に来ていないとしても、すぐにやってくるでしょう。しかし、AIには多くの速度と計算能力が必要なので、コストの急増なしに競争するにはどうすればよいでしょうか？
クラウドの次世代にアップグレードする時が来ました。Oracle Cloud Infrastructure（OCI）は、インフラストラクチャ、データベース、アプリケーション開発、そしてすべてのAI機械学習ワークロードのための高速で安全なプラットフォームです。OCIはコンピューティングで50%、ネットワーキングで80%コストが低く、多くの費用を節約できます。MGMリゾート、Specialized Bikes、Fireworks AIなど何千もの企業がすでにOCIにアップグレードしています。現在、Oracleは新しい米国顧客向けに、OCIに移行すると現在のクラウド料金を半分にすることを提供しています。最低限の財務コミットメントが必要です。あなたの会社がこの特別オファーに適格かどうか、oracle.com/ionAIでご確認ください。
自由な会話形式のQ&Aではなく、どこに話が進むのか楽しみです。私のバックグラウンドとしては、スタンフォード大学で学際的なシンボリックシステム（コンピュータサイエンス、心理学、言語学、哲学の融合）と哲学を学びました。その後、Oracleでソフトウェア開発者として働きましたが、コーディングで手を痛めてしまったため、特殊なキーボードを使い、音声テキスト変換を多用しています。それが実際に私の機械学習技術との最初の関わりであり、今日の生成AIの先駆けとなるものでした。
ソフトウェア開発が自分のキャリアパスではないと気づいたので、スタンフォードに戻り、統計学の修士号と学習科学・技術設計の博士号を取得しました。ゲームベースの学習と次世代の評価に焦点を当て、多くの実験研究を行いました。仮説を検証するために使用するツールを理解するために統計学の修士号を取得しました。
学習科学の目標は広く、学習環境や学習コンテキストを理解することです。学習科学の一つのサブフィールドは、効果的な学習体験を作ることに関するもので、それが私をKaptiveの共同創設に導きました。Kaptiveは最初、iPadで就学前の子どもたちに魅力的な学習体験を提供することに焦点を当てたスタートアップでした。iPadは2010年に発売され、多くの親が「このインターフェースは非常に直感的で、2歳の子どもでもうまく使いこなしている」と言っていました。
そこで、ピクサー映画のように魅力的でありながら、スキルを構築するのに役立つ充実した学習体験を提供できないかと考えました。ABC、123などの表面的なスキルではなく、バランスの取れた早期学習エコシステムで必要な豊かで全体的なスキルセットを育むものです。私たちはLeoPadと呼ばれる素晴らしい体験を構築しました。親も子どもも、アプリストアも気に入ってくれましたが、みんなそれが無料であることを望みました。
2011年、2012年頃はアプリは無料だったからです。特に2歳の子どもがいる場合、一週間遊んだら削除して別のものに移るような使い捨てのようなものに対してお金を払いたくない気持ちがあります。当時のスタートアップが収益化のために行っていたような、幼児への広告掲載やデータ収集、あるいはゲーム内で99セントを支払って金魚を復活させるようなことはしたくありませんでした。
そこで方向転換し、学習関連データを生成する学習体験を作成した他の大規模事業者をサポートし始めました。しかし、それらのデータから意味を作り出す方法を知らなかった企業に対して支援を行いました。私たちの技術プラットフォームは、さまざまなコンテキストから学習関連データを取り出し、それらをすべて比較可能にして、単一の全体的な縦断的学習者プロファイルに貢献することを可能にしました。
その後8年間、基本的にB2B SaaS（ビジネス対ビジネスのソフトウェア・アズ・ア・サービス）と高レベルの専門サービスを提供しました。学習科学者、心理測定学者、データサイエンティストのチームが、学習体験を作成した人々と協力して、それらの学習体験から生まれるデータを理解し、学習体験をパーソナライズしたり、豊かな分析を生成したりできるようにしました。
いつか私は、一つのパートナー、別のパートナー、さらに別のパートナーとそのような深く慎重な作業を行うことは、素晴らしく深く協力的な数年にわたる関係につながるが、ベンチャーキャピタルが支援するシリコンバレーのスタートアップが達成すべきホッケースティック成長の種類ではないことを認識しました。
任意の学習環境にポップインできるプラグアンドプレイのようなものを作るよう圧力をかけられましたが、私はそれが機能しないと言いました。データが生成されるコンテキストを理解していなければ、データからどのような推論ができるかわかりません。代わりに必要だったのは、独自のエコシステムを持つほど大きな組織との連携でした。そこで複数の異なるプログラムからデータを取得して比較可能にするための技術とパターンが実を結ぶことができるようにしました。
それはすぐにMcGraw-Hillへと導きました。学校ビジネスユニットのShan Ryanはすでに、時間とコンテキストを越えた学習体験から得られたデータを取り込み、それらすべての経験から洞察を抽出して、教育者と学習者に現在地と次に進む場所について情報を提供する、普遍的な学生記録、学習者の縦断的プロファイルというアイデアを考えていました。それは天国からの賜物でした。
私たちはMcGraw-Hillに加わり、いくつかのステップを経て、現在私はMcGraw-Hillの最高データサイエンス・AI責任者を務めています。しかし、私は依然として性質上、学習科学者であり、データサイエンスとAIに興味があるのは、それらが学習をサポートし、意味を持つ限りにおいてです。
教育におけるAIの約束についてどう考えているかというと、個人チューターとして、学生が画面と関係を持つという考え方について、私は非常に否定的です。AIの教育への応用の大きな可能性については、まず言っておきます。生成AIやより広範囲のAIの教育への積極的な応用には大きな可能性を見ています。
私が持つ具体的な懸念は二つあります。一つは、100年以上にわたって教育において人間を機械に置き換えようとしてきた人々のグループです。Sydney Preyの教育機械は1924年に発表されました。その時から今に至るまで、人々が「これが技術革新で、ついに教師と同じくらい優れたものを作ることができるので、子どもたちは人間ではなくそれと関わることができる」と考えた例が繰り返し見られます。
これらの試みはすべて、教育プロセスから学習プロセスから最も重要な要素、つまりその社会性、人間のつながりを取り除くという本当のリスクがあると思います。大学院生時代、参加者が迷路をナビゲートし、迷路の特定のポイントでヒントを得る実験を行いました。「左に曲がってください」や「その方向に行かないでください」などのヒントです。
私たちは実験的に、参加者がヒントが人間（実験者）から来ているのか、機械から来ているのかについての信念を操作しました。現実には、ヒントは常に機械から来ており、すべての条件の人々に対して同じように設定されていました。しかし、ヒントが人からのものだと信じた人々は、迷路のレイアウトをより速く学びました。
これは多くの文脈で見出されている一般的な効果を示しています。何かが社会的であると考える、つまり他の人と関わっていると考えるならば、私たちはより注意深くなり、より気にかけ、より努力するようになります。生成AIはこの「意図的姿勢」を活用することができます。哲学者がそう呼ぶように、世界の中のものを社会的行為者によって動機づけられているかのように解釈する脳の傾向です。
生成AIはアヒルのように鳴き、アヒルのように歩き、アヒルのような羽を持っているような状況を作り出すことができます。私が心配するのは、それらのアヒルのようなものの偽物の性質です。人と関わっていると信じるとき、私はある特定の方法で社会的、心理的、感情的に投資しますが、システムは人が行うほど完全にはそれを支えることができません。
人のように振る舞うシステムと関わることは、私がそれをツールとして理解し、そのように使用・扱う限り、完全に問題ありません。すべて素晴らしいです。私たちはすでに、擬人化されたAIと擬似社会的関係を形成し、悲劇的な結果を招いた個人の高い知名度の例をいくつか見てきました。
2018年頃、AIのガールフレンド関係を発展させた少年がいて、彼女は弓矢を持って宮殿に侵入し、エリザベス女王を暗殺することが素晴らしいアイデアだと納得させました。彼は成功しませんでした。最近のより悲劇的な例では、14歳の少年が自殺し、後に彼のAI疑似ガールフレンドがそれについて励まし、安心させていたことが発見されました。
これらは、人であるかのように寄りかかっているものとの関係を形成するという一般的な問題の思い浮かぶ二つの例ですが、それは実際には人として行動するためのサポートがありません。とはいえ、繰り返しますが、これはAIをチュートリアルに活用するという考えに反対しているわけではありません。正しく安全に行われれば素晴らしいアイデアだと思います。正しく安全に行われることを確認したいだけです。
それはすごく興味深いですね。私は擬人化されたAIやAIアバターとの関係について何か書きたいと思っていました。人間はものに人間らしい性質を付与します。例えば、あなたの部屋を走り回るルンバが立ち往生して鳴き始めると、あなたがそれを長い間放置していたのであれば、ある種の気の毒さを感じますよね。
ソニーが長い間出していた犬型ロボットもそうで、特に高齢者がそれらと関係を築き、サポートが終了したときには悲しみがありました。人々は葬式を行い、それは大きな出来事でした。最近「Eternal You」という映画を作った映画製作者について調べていました。この映画は、死後のアバターという考えを探求しています。死後も愛する人と話せるというものです。
韓国人の母親が子どもを亡くし、バーチャルリアリティメガネと触覚グローブを着用している、非常に劇的な例があります。それは心を引き裂くようなものです。そのドキュメンタリーの重要な点の一つは、これは無料ではありえないので、亡くなった娘へのアクセスに対して女性に料金を請求するのでしょうか？そこには明らかな倫理的な問題があります。
そして、前述のように、チューターであっても、チューターとの感情的な関係を発展させた場合、その関係を維持するためにお金を払うべきなのでしょうか？それはすべての質問を提起します。とはいえ、以前言ったように、私はOpenAIの最新モデルを使用し、Perplexityを使用しています。私は自分が興味を持っていることについて質問するだけで、理解できない用語があればそれを説明してもらうなど、たくさんのことを学んできました。
AIは教師を置き換えるためのものではありませんが、教育の多くの労力を軽減し、学生が教室外で勉強する方法を提供することができます。あなたはAIがどのように使用されるべきだと思いますか？また、McGraw-Hillは何をしていますか？
私たちはこの点でMcGraw-Hillと一致していると思います。AIは人間関係を強化するために使用されるべきです。2019年に人々が教育でAIがどのように最も役立つかを尋ねたとき、私はすぐに音声認識とコンピュータービジョンについて話しました。コーダーとして腕を痛めたので、タイピングするよりも言いたいことを言うだけの方がどれだけ簡単かを本当に認識していました。私にとってはタイピングが身体的に痛みを伴ったからです。
しかし、幼い子どもたちにとっても、書くよりも口頭で自分を表現する方が簡単です。書くことは発達すべき重要なスキルですが、幼い学習者は話し言葉で、まだ書き言葉に変換できないような豊かな表現ができます。そのため、教室での音声認識の思慮深い応用には多くの良いことがあります。
同様に、コンピュータービジョンにも多くの利点があります。K-5（幼稚園から小学校5年生）では、デジタルに焦点が当てられていますが、それでも多くの子どもたちが印刷物で作業しています。それは良いことです。しかし、教師として、多くのワークシートがあり、それらを積み上げてスキャンし、機械学習アルゴリズムに主要な誤解の6つのカテゴリを識別させ、そのうちの一つが学級の多数に共有されているとわかれば、翌日はそれに焦点を当てることができます。
これらは、教師の管理業務や計算負担を軽減し、教師が注意を向ける場所を助けるというAIの使用の素晴らしい例です。教室での貴重なリソースは教師の注意力なので、効果的に向けるのを助けることができれば素晴らしいでしょう。教師がより豊かな会話を学習者と持つことができるようにすれば、学習の中核にある人間関係を強化することになります。
これが私がAIが教育でどのように使用されるべきだと考える方法であり、McGraw-Hillで私たちが行っている種類の仕事です。生成AIなどを教育で使用するために、私たちは既存の製品内に最近リリースした二つの生成AIの機能を持っています。
一つは高等教育空間での「AIリーダー」と呼ばれるものです。大学生は常に読むべきものがたくさんあり、最近はそれがより悪化しているようです。「どうやって300ページの本と経済学の50ページの章と生物学のテキストなどを読むことができるでしょうか？」という問題を解決するために、私たちは大学教授や講師と話し、この考えを思いつきました。「そのテキストをハイライトして、異なる方法で説明してもらえたらどうでしょうか？」
この考えが「AIリーダー」の中核であり、目標はテクノロジーのためのテクノロジーではなく、あなたにテキストと格闘し、自分の心の中でそのテキストから意味を構築してほしいというものです。あなたが言ったように、Perplexityを使って「これを別の方法で説明してください」と言うのと同じように、これらのツールを使用して、より理解しやすく、既存の知識構造と一致させるようにします。
これは構成主義の認知理論の基礎であり、学習についての理論です。私たちは自分の頭の中で知識を構築することで学びます。知識がここにあり、それをここに注ぐと、今それがここにあるというものではありません。AIリーダーは、学生が自分の頭の中で意味を構築するのを助けるツールです。テキストのボディにアプローチするためのより多くの道を提供することで、「これについてクイズを出して」「子どものように説明して」「簡略化して」などがあります。
6-12年生（中学・高校）では、私たちは異なる学習課題を解決しようとしていました。AIはそれを解決するのに役立ちました。中学・高校の子どもたちは、短い自由形式の回答を書くことが求められるデジタル体験に取り組んでいることがよくあります。30人の子どもが5つのセクションで、クラス時間ごとに5回これを行うと、読み取って意味のあるフィードバックを提供するために200Wの小さな文章が教師に残されます。
時にはそれが課題の主な目標ではなく、書き込み要素を持つだけの課題です。私が教室を歩き回り、子どもの肩越しに彼らが何をしているかを見て、彼らが書いた小さな文章を読むと、そのときにフィードバックを提供するかもしれませんが、それは偶発的で散発的です。
私たちは教師がすべての学生にそのようなフィードバックを提供する方法を提供したいと考えました。それが「ライティングアシスタント」と呼ばれる機能であり、現在私たちのプログラムの二つでベータ版を提供しています。それは学生として短い回答を書いているなら、「下書きにフィードバックをください」というボタンをクリックし、ツールと数回の会話を行うだけです。
始め方がわからない場合は、「プロンプトはこれを求めています。あなたはこの話を読み、この特定の質問に答えるよう求められています。どう思いますか？」というような小さなプッシュを与えます。そして子どもは何かの下書きを書き、プログラムはあなたがどこにいるかを見ます。
バックグラウンドには下書きの質を評価するルーブリックがあり、プログラムの目標は数回の会話であなたを次のレベルに導くことです。30分もかけて何度も書き直すわけではなく、その瞬間に文章を改善するのに役立つかもしれない小さなサポートです。
「AIリーダー」と「ライティングアシスタント」という二つの場合で、私たちが推進したい明確な学習体験があり、AIを活用してサポートする方法があります。
「AIリーダー」について考えたとき、私は自分の教育のためにこれらのチャットボットとたくさん対話することを思い出しました。YouTubeビデオやテレビシリーズを見て、2年後に何かを見たことを覚えているが、まったく覚えていないということに驚きます。受動的な関与と積極的な関与には、学習プロセスに影響するものがあります。
読書については、私も罪があります。誰かがレポートを送ってきたら、ChatGPTに読み込ませて要約を依頼します。短期的なタスクには非常に役立ちますが、1週間後にはレポートや要約のことを覚えていません。この問題にどう対処しますか？学生たちが読書を減らしているとおっしゃいましたが、それはAIが生成した要約を読んでいるだけで、長期記憶に残らないことが原因かもしれません。
学習タスクを容易にするものには、確かに学習上のリスクがあります。学習はある意味で努力が必要でなければなりません。新しい知識構造を構築することは難しい作業です。新しい知識を取り入れ、世界の既存の理解に組み込むことは仕事であり、私たちの脳は仕事をするのを好みません。カロリー効率的な理由で可能な場合はその仕事を軽減しようとします。脳はカロリー消費が非常に高いものです。
「クリフノーツ」や簡単な要約のみに頼ると、完全に吸収されないリスクがあります。これらのリスクは、全く読まなかったというリスクと比較考量する必要があります。また、自分自身の学習と学習目標を所有するというメタ認知タスクに学習者を関与させる必要もあります。
「これはテストに出ますか？」という決まり文句があります。子供たちがそれを尋ねるのは、ある意味で摂取を管理する必要があるからです。歴史に興味を持って多くの興味深いことを話しているけれど、テストに出ないことなら、私は聞き流すでしょう。自分は測定されることを知っているものを学ぶよう自分自身に説明責任を持っています。
報告書をChatGPTに入力して要約を得るという目標が、単に報告書を理解して首尾一貫した応答ができるようにすることなら、その目標は達成されています。あなたが言ったように、数年後や数ヶ月後まで残るほど深くまたは精巧にエンコードされていません。
同様に、数シーズン前に見たテレビ番組は良かったことは覚えていますが、正確に何が起こったかはよく覚えていません。学習者が心理学コース、経済学コース、ファイナンスコースに取り組んでいて、本当にこの概念を学びたいと思っている場合、テストされることを知っていて、それが彼らの専攻なので、将来的に役立つことを知っています。
私たちはその情報をエンコードするのを助けたいと思います。より豊かにエンコードするのを助けることができれば、それを覚えている可能性が高くなります。絶対にバランスが取れるべきであり、あなたは正しいです。学習科学者として、AIのさまざまな分野での実装をサポートする際の私の最大の恐れの一つは、これが人間の能力の低下につながらないようにすることです。
私が子供の頃、友達や家族全員の電話番号を暗記していましたが、今はもう誰の電話番号も覚えていません。自分自身と妻の番号は知っていますが、息子の番号さえ知りません。なぜなら、今はツールがあり、その認知的なオフロードをそのツールに行ったからです。脳は必要のないものを覚えないのが得意なので、もう覚えていません。
同様に、私たちの社会はGPSが今や普及しているため、経路探索が下手になりました。地図を扱ったり、ルートを覚えたりするのが上手ではなくなりました。目的地を入力して、指示されたとおりに曲がるだけです。どちらも能力が低下した分野であり、結局それが良いのか悪いのかは議論の余地があります。
教育の領域に入ると、学生に能力を向上させるツールを与えるか、私たちが損害を与えると考える方法で能力を低下させるかを注意深く考慮する必要があります。電卓の導入は、社会がこれと格闘する機会でした。電卓は70年代に普及し、効率的で小型になり、教室に導入されはじめ、これが数学教育の終わりになるのではないかという大きな議論がありました。
最終的に私たちは良い場所に着地しました。学生が算術を学んでいるとき、概念を理解し、それらの概念に熟練する必要があるため、電卓の使用を許可していません。しかし、高度な三角法、微積分などのコースでは学生に電卓の使用を許可していて、実際にはそれによって学習を豊かにしています。例えば、グラフ電卓を使用すると、1950年代に手で全てのポイントをプロットしていたときには実行不可能だった方法で、関数の振る舞いを探索することができます。
そのため、私たちは実際にツールの特長のおかげで、学生がより豊かな概念的な資料により深く関わることを可能にしています。では、電卓は数学に良いのか悪いのかという質問は合理的ではありません。どのように電卓が数学に対して良くも悪くもなりうるかということです。
私たちは現在、生成AIのさまざまな応用についても同様の状況にあります。最も明白なのは、これらのツールは文章を書くのが得意ですが、それは子供たちが自分で書くことを学ぶ代わりにそれを使わせるべきなのでしょうか？そして、書くことと考えることの間の深い関係、本質的な関係はどうなるのでしょうか？ビットゲンシュタインだったかは知りませんが、誰かが「言ったことを見るまで自分が何を考えているのかどうやって知ることができるだろう」と言いました。これは言語と思考の関係の素晴らしい要約です。
単純に子供たちにブープボブープと押させて、エッセイが出てくるようにさせれば、彼らはその仕事をしていないのです。彼らはそれらのアイデアと格闘しておらず、確実に下書きやリビジョン、フィードバックをすべて通して、自分の考えを表現できるポイントまで持っていくことで学ぶであろうことを学んでいません。それは悪いことでしょう。
一方で、言語的な課題を持つ子供たちや、豊かなアイデアを持っているけれどまだ表現するのが得意でない子供たちがいます。本質的な思考能力を低下させる側に落ちることなく、それらのケースをサポートするためにテクノロジーをどのように使用できるかというのが、教育のためのAI（生成AIまたはその他）の新しい応用を検討するたびに私たちが取り組まなければならない課題です。
それは面白いですね。テストに出るかどうかという冗談について言及されましたが、大人になると学生時代にどれだけ学ぶことが意味を持たなかったかを忘れてしまいます。それは本当に成績だけでした。知識追跡アルゴリズムによる継続的な評価に関する研究があり、それはKaptiveが行った大きな部分でした。
デジタルで、チューターとではないかもしれませんが、テストなどとやり取りしていて、それがすべて捉えられています。理論的には、システムはいつでも学生がコース資料に関してどこにいるかを知っているべきで、その場合、スナップショットであるテストは実際には必要ありません。このことについて作業をされましたか？あるいはこの分野での作業がありますか？
継続的な組み込み評価は、Kaptiveの設立原則の一つでした。子供たちがさまざまな学習体験に時間をかけて異なるコンテキストで取り組むにつれて、彼らは知っていること、理解していること、関心を持っていることをあらゆる場所で示しています。一つのコンテキストで一時点での最大パフォーマンスを要求するモデルの代わりに、さまざまなコンテキストで多くの時間にわたる典型的なパフォーマンスを蓄積するモデルがあります。
後者のモデルでは、モザイクのアナロジーを使用しますが、それは実際に私のチーム名であり、Kaptiveの時に出したLearner Mosaicという製品の名前でもありました。小さなタイルがたくさんあり、それぞれは単独ではあまり興味深くありませんが、正しい方法で組み合わせると非常に豊かな画像が得られます。
適切に行われ、収集しているデータが良い参照を行うことができるコンテキストで収集されている場合、継続的な組み込み評価も同じことが言えます。1年を通じてただいくつかの空から降ってくる高いステークスの評価を持っていたよりも、学習者のより豊かな像を得ることができます。しかし、すべての悪魔はそれらの詳細にあります。
本当にお粗末なアプローチは、子供がしていることからすべてのデータを掃除機のように吸い上げて、それをすべて区別せずに扱うことでしょう。しかし、出口チケットや練習課題での学習者のパフォーマンス方法は、週末のクイズや単元評価、または最終試験での学習者のパフォーマンス方法とは非常に異なります。ステークスが異なり、子供はそれを知っています。したがって、子供がその思考を行うコンテキストは異なり、子供から期待されるパフォーマンスレベルも異なります。
このような考慮は、これらのすべての継続的な組み込み評価コンテキストに存在するべきです。ほとんどの場合、本当に豊かな継続的な組み込み評価を非実用的にしている課題の一つは、すべてのこれらの異なるコンテキストで測定しているものを操作化し、それらを合理的な方法で一緒に持ってくることは非常に難しいということです。
私たちはそれを行うためのアプローチに特許を申請しましたが、それはすべての異なるコンテキストの深い心理測定学的作業と慎重な学習科学分析、そしてすべてのそれらのコンテキストで見られているものについてどのような主張が擁護できるかを必要とします。しかし、その原則のアイデアは健全であり、探求する価値があると思います。そのため、私は過去15年間それを探求しようとしてきました。
とはいえ、理論的に、技術的に、社会的に、政治的に、まだ大量の作業が必要です。すべての学習者の十分に豊かな像をすでに持っているので、年度末のテストが不要であると合理的に言えるポイントに到達する前に。継続的な組み込み評価アプローチには利点があります。その一つは、不正行為が少なくなりやすいということです。
私が他の誰かを雇ってSATを一度受けさせるよりも、私が答えるすべての質問に他の誰かを雇う方が難しいです。年間を通じて私が示すあらゆる種類の熟練さを示す各数学スキルです。そして、それらの個々のことのステークスが低いので、それをする価値が本当にありません。そのため、学習者の真の読み取りが得られる可能性がはるかに高いです。
しかし、それはすべての時点でより低い解像度です。そのため、これらのすべての本当に低い解像度の信号を集めて、すべてのノイズを取り除き、測定したい構造の本当の弦の振動のような高解像度の信号に達する方法を理解する必要があります。それは統計的に、科学的に、技術的に挑戦的です。
そして、社会的および政治的な課題の全く別のバスケットがあります。それは、普遍的な監視のような本当に気味の悪いバージョンがあります。「あなたは常に監視されています。あなたは常に判断されています。あなたが行うすべての選択はあなたの永久記録に残るでしょう。」子供のときに「これはあなたの永久記録に残ります」という言葉を覚えていますか？私はいくつかの規律上の問題を抱えていたので、それを多く言われました。
私たちはすべてを永久記録に残したくありません。子供たちに練習するための安全な空間を提供したいのです。それは実際に、大学院でのオリジナルの焦点の一つであったゲームベースの学習の最も豊かなことの一つです。子供が彼らがしていることすべてが監視され評価されていると知っていれば、それは圧倒的です。あるいは、少なくとも圧倒的な可能性があり、確実に私たちが望まないような方法で彼らのパフォーマンスに影響を与えるでしょう。
そこにはたくさんのニュアンスと困難がありますが、それは探求のための非常に豊かな空間だと思います。そして現在、これは興味深いですね。監視という考えは、そのレンズを通して見たことがありませんでした。ただし、それが教室の設定のみであれば、おそらく子供たちはそれを忘れるでしょう。
しかし、問題の一つは、収集したいデータの多くがまだ鉛筆と紙であり、それが難しくなっているということです。すべては廃棄物の中に終わります。教育がますますデジタル化され、オンラインでテストを受けたり、オンラインで宿題や演習を行ったりするようになると、それが標準になるにつれて、この種のアプリケーションのためのより強力なデータフローにつながると思いますか？
パンデミックは確かにデジタル学習体験とそれらの学習体験から生じるデータの取り込みの加速剤でしたが、それはまた、それらの学習体験の限界と、豊かな対面学習体験と比較してどれほど貧弱になる可能性があるかを非常に鮮明に浮き彫りにしました。
印刷されたデジタルなものと同様に、特にK-5（幼稚園から5年生）ですが、高等教育まででも、純粋にデジタルなコンテキストでは適切に複製できないたくさんの学ぶべきことがあります。そのため、私はテクノロジストの負担は、それらの対面相互作用からデータをキャプチャする方法について考えることだと思います。
以前、コンピュータービジョンのアイデアに言及しました。子供たちが紙でワークシートを行うことを許可します。彼らは6歳で、太い鉛筆を持って、できる限り頑張っているからです。そして、それらのデータをまだキャプチャできるようにするためにテクノロジーを使用します。
あるいは、私たちがまだ適応的であったとき、私たちのパートナーの一つは早期学習プロバイダーでした。彼らは本当に良い評価フレームワークを持っていましたが、それはすべて観察評価でした。これらは幼児であり、何かをクリックすることはなく、ただブロックに唾を垂らすだけです。そして、それらの幼児の学習をケアしサポートしていた大人たちは、一緒に学習者の進捗の本当に詳細な高次元表現を与える観察的なルーブリックに応答していました。
私たちは年長の子供たちのための観察チェックリストも行うことができます。特に、私たちが本当に気にするスキル、例えばコラボレーションや創造性など、現在私たちが求めているスキルに対して。皮肉なことに、私たちはまだそれらを21世紀のスキルと呼んでいますが、私たちは21世紀の4分の1を過ぎているのに、まだこれらのスキルの取り込みに取り組んでいます。
そのようなスキルは、多肢選択式やフラッシュカードのようなものには適していません。それらは教室での実際の人々の間で起こっている対話についてです。テクノロジーを使用して、それらのコラボレーションを評価する方法を見つけてください。子供が友達との会話を演じなければならないような侵入的な方法ではなく、テクノロジーが背景に退き、再び教師がその評価を行う負担を軽減するが、教師に洞察をサポートする方法です。
例えば、大学でブレイクアウトセッション、ブレイクアウトルームを持ち、大学生が何かのトピックについて議論し、プロンプトがあり、それにはいくつかの構造があるという興味深い仕事を行っている会社があります。システムは学生がお互いの考えをどのように応答し、取り上げ、それらを発展させているかを観察しています。あるいは、反証を導入したり、そのようなすべてのことをしたりします。
その後、彼らはそれらのすべてのインタラクションの要約をインストラクターに提供することができます。私は700人の子供を持つ調査コースを教えているかもしれません。私は700のブレイクアウトに座ることはありませんが、いくつかの洞察を得て、システムが私に特定のインタラクションがどのように行われたかを見るために入ることができるビデオへのリンクを送ってくれれば、「ワオ、それは本当に素晴らしい」と言えるでしょう。
それはインストラクターの注意を制御するもう一つの例です。自然なインタラクションからそこから抽出できるデータを抽出し、それらのデータを使用してインストラクターの注意を最も生産的に費やせる場所に導きます。私は、教育的コンテキストでのこれらの種類のツールの優れた使用だと思います。それらはインストラクターを周縁化しません。それらは人間関係を周縁化しません。それらは私たちが人間のものに直接取り組むことを可能にし、テクノロジーは影の中の距離にあり、それをサポートしています。
あなたが話している間に思いついた何か異なることを尋ねさせてください。私はアメリカの教育の現状を嘆いています。その多くは人々が根本的な問題を理解していないために行っている政治的選択です。その多くは教育を受けているはずなのに多くを知らない人々との交流です。その一部は、通りに出かけて人々に簡単な事実や有名人の画像を見せ、彼らがそれが誰なのか分からないというレイトナイトトークショーです。
しかし、それが今までよりも悪いかどうかはわかりません。ある意味で、現代社会の焦点がシフトしたため、かつて重要だと思われていたことの多くが重要でなくなったのかもしれません。子供の頃、モンタナの牧場で育った母のところに行き、近隣牧場の子供たちと遊んだことを覚えています。
ある時、親しい友人とキャンプに行き、ヨーロッパに行きたいという話をしていたら、彼がイングランドはヨーロッパの首都かと尋ねてきました。イングランドは国の一部であり、都市ではなく、国の首都でもないということを彼が知らないことに愕然としました。
おそらく教育はそれほど低下していないのかもしれません。ただ、人々へのさらされ方が増え、世界には比較的教育を受けていない人々の巨大なプールがあることを認識し始めているだけかもしれません。そして反対側では、ソーシャルメディアやYouTubeを通じた情報へのアクセスがあります。残念ながら誤情報もたくさんありますが、平均的な人はこれほどの情報が常に流れ込んでいるため、50年代よりもずっと多くのことを知っています。
人々が今日、いわゆるフランス語で「en soi」と言うように、あまり教育を受けていないかどうか、あるいはエリートが教育の価値を理解し、子供たちを教育できる余裕があるという問題が続いているが、世界の多くの地域がまだ苦労している状況についてどう感じますか？
20世紀の教育、特にアメリカのような場所では、私たちが気にする成功の人々のセットを増やしました。それは良いことです。そして、あなたが言うように、私立の家庭教師や寄宿学校を持ち、大学に行った、エリートの子孫はまだ同様に素晴らしい教育軌道を持っています。もし教育を受けたすべての人の成功を測定すれば、以前はそれは小さなサークルであり、彼らはほとんどすべてが非常に資源が豊かでした。
サークルが大きくなるにつれて、今はそのような支援へのアクセスがはるかに少ない人々を含むようになるので、はい、平均的な達成は下がるかもしれませんが、それはシステムがより悪くなっていることを意味しません。実際、ある意味では、システムがより良くなっていることを意味します。なぜなら、それは以前はゼロだった人々に今は何かを提供しているからです。
フリン効果と呼ばれる心理学的効果があります。フリン効果を知っていますか？フリン効果は事実であり、理論ではなく、実際のところ、それが起こる理由についてのコンセンサスさえあるかどうかは分かりませんが、20世紀の知能テストのスコアに着実で説明できない上昇傾向がありました。それは明らかに、人間種が進化しているというには速すぎますし、「私たちはより良く食べている」というものでもありません。人々はなぜスコアがそのように高くなっているのかについての良い理由を思いつくことができません。
しかし、私たちが起こっていると思っていないのは、人々が実際により賢くなっているということです。私の祖父母が精神的に障害を持っていたわけではありません。代わりに他のことが起こっています。私が聞いた理論の一つは、知能テストは常に人為的で、様々なタスクでの成功を予測する奇妙な一連の狭いスキルであるという批判を受けてきましたが、それでも反映していないことが多いということです。例えば、モンタナの牧場での友人が日常生活で行う必要があったことです。
社会が知能テストで人々が行うものと同様のタスクで満たされるようになるにつれて、それらのタスクを達成する一般的な能力が向上し、知能テストで測定しているものが人間の脳が日常的に行うように求められているものにより密接にマッピングされるようになったので、テストのパフォーマンスは上昇することになります。これはフリン効果に対する合理的な説明だと思います。
一般的に、はい、社会はより速いペースで動いており、情報を取り入れ、情報を処理し、情報に基づいて選択を行うなどの要求される速度は増加しています。そのため、そうする能力は増加するでしょう。なぜなら、それが人間の脳が反応する方法だからです。それはそれが多く求められることに対してより良くなります。
同様に、あなたが言及したように、私たちはもはや学習者が得意であることを気にすべきではないことがあります。例えば、私たちの祖父母は、高校や大学で数学を取った場合、平方根を計算するために滑り台定規を流暢に使用できることが期待されていたかもしれません。しかし、私が知る限り、現在のどの数学プログラムにも平方根の計算はカリキュラムにありません。
その良い理由は、それは子供の時間を浪費することだからです。それをする理由はありません。概念的に平方根が何であるかを理解し、その平方根を提供するシステムを使用するだけでよいです。私たちは学生のためのカリキュラムの理想の核心の再評価を継続的に行い、これはまだ学習者が知るべきまたは行うべき関連のあることなのか、そうでなければ、私たちの社会が装備することを確認したい新しい関連のあることは何かを問う必要があります。
数年前にピッツバーグにいたとき、そこでテレビレポーターの友人があり、彼が地元の学校について取材していた話に同行しました。CMU（カーネギーメロン大学）がAIを使用した学校でのパイロットプログラムを持っていました。私の記憶では、AIチューターではなかったと思いますが、カーネギーメロンは知的チュータリングシステムの分野での素晴らしいリーダーでした。
それで、これは一種の自習時間中で、教師が存在し、子供たちはこのシステムとやり取りすることになっていました。私はその理論が大好きで、これが教育の未来の約束であり、すべてを変えるだろうという記事を書いたことがあります。しかし、これらの子供たちを見ていると、これはかなり選択的な学校で彼らは賢い子供たちでしたが、彼らは典型的に自分の画面を10秒程度見て、それから動き回って、お互いが何をしているかを見て、立ち上がって友達と話していました。教師は彼らに座るように言っていましたが、まったく集中がありませんでした。
それが本当に私を打ちのめしました。理論は素晴らしいですが、参加したいと思う学生がいない限り、テストに合格するだけでなく学ぶことに興味を持っていない限り、それは無意味です。どれだけ素晴らしいツールを置いても。私は、もし教師であれば、教えることに魅了されています。20人の子供がいる部屋にいるなら、おそらくそこには本当に学びたいと思っている5人の子供がいて、そのような動機を持っています。
私はそれに異議を唱えるでしょう。私はそこにいるすべての子供たちが本当に何かを学びたいと言うでしょう。その日にあなたが教えようとしているものに本当に興奮しているかもしれない子供が5人いる、ということです。数千年前、プラトンは「心は満たされるべき器ではなく、燃やされるべき火だ」と言いました。それは100％正しいです。
あなたがこのデジタル学習体験に取り組んでいる子供たちを観察することができたというポイントは、継続的な組み込み評価のコンテキストで私が以前に言及したポイントに触れています。私たちは本当にデータが収集されるコンテキストを深く理解して、それらがジャンクデータか現実的かを知る必要があります。
私はあるとき、ある教室に座っていました。それは革新的な数学プログラムで、子供たちに体積の異なる単位を計算するよう求めていました。何クォートがガロンに入るかなど。子供たちはお互いを見て、「クォートって何？」と言っていました。彼らは用語さえ知りませんでした。だから彼らはただランダムな数字を入力していて、システムは彼らが数学が下手だと言っていました。彼らは数学が下手なのではなく、システムが彼らを意味のある方法で測定していないのです。
もしそのようなシステムを、その子の数学の能力に関する主張を行おうとする全体的な学習者プロファイルに接続するなら、あなたはその子に害を与えることになるでしょう。学習コンテキストで何が起こっているのか、そして学習者が意図された学習目標にどのように関わっているか、あるいは関わっていないかの慎重な観察は、この仕事のすべてにとって重要です。
あなたが、「それらの子供たちはあなたが学んでいると思っていることを学んでいない、あなたが彼らがしていると思っていることをしていない」と見ることができる立場にいることができたのは素晴らしいことでした。それは学習体験の創造の本当に重要な部分です。どのように学習者の目標と教育学的な目標を整合させるかです。
ゲームは、うまく行われた場合、本当にそのような素晴らしい方法です。ゲームは子供たちがアイデアをいじって内在的に動機づけられる素晴らしい機会です。そしてもしあなたがその内在的な動機付けを探索するために捉えることができれば、あなたは素晴らしい学習体験を作ることができます。代わりに、それがあなたの教師があなたにするように言った退屈なドリルであり、それがつまらなく、あなたが興味を持っていないなら、あなたはただクリックするだけで、あなたは良い測定を得ることはできません。子供は何も学ばないでしょう。あなたはみんなの時間を無駄にしています。
3分で、ゲーム化の約束についてあなたたちが何をしているのか、もしあれば、教えてください。それはこれまでに大きく展開していないものですから。私は3分でそれについてのジェスチャーをすることしかできません。私はゲームベースの学習について博士論文を書きました。そして、ゲームベースの学習についてあなたに何時間も話すことができます。プレイは世界の歴史の中で学習のための最も強力なイノベーションです。他に近づくものさえありません。
プレイは動物界全体に非常に広範囲に広がっているため、それは学習にとって非常に役立つに違いありません。なぜなら、進化は役に立たない特性を保持しないからです。そのため、プレイについての何か証明可能に強力なものがあります。私たちがその力がどこにあるか、そしてそれを私たちが学習者にとって重要だと考える学習目標のためにどのように活用できるかをより良く理解できればできるほど、ゲームベースの学習、プレイベースの学習体験はより強力になります。
代わりに、私たちがただ何かにポイントやレベル、星をチョークで書くだけなら、私たちはプレイの力と学習者の自律性と誠実さの両方に不正を行っていることになります。それが少し過大評価されているとしても、AIは突然あらゆる場所に登場しています。自動運転車から分子医学、ビジネス効率化まで。まだあなたの業界に来ていないとしても、すぐにやってくるでしょう。しかし、AIには多くの速度と計算能力が必要なので、コストの急増なしに競争するにはどうすればよいでしょうか？
クラウドの次世代にアップグレードする時が来ました。Oracle Cloud Infrastructure（OCI）は、インフラストラクチャ、データベース、アプリケーション開発、そしてすべてのAI機械学習ワークロードのための高速で安全なプラットフォームです。OCIはコンピューティングで50%、ネットワーキングで80%コストが低く、多くの費用を節約できます。MGMリゾート、Specialized Bikes、Fireworks AIなど何千もの企業がすでにOCIにアップグレードしています。現在、Oracleは新しい米国顧客向けに、OCIに移行すると現在のクラウド料金を半分にすることを提供しています。最低限の財務コミットメントが必要です。あなたの会社がこの特別オファーに適格かどうか、oracle.com/ionAIでご確認ください。
コメント