- Möjliggör automatisk anpassning till elevers förmågor och behov
- Föregångare baserades på beteendestudier
- Begränsningar i de tidiga exemplen
- Ny teknik tillåter större variation
- Lärare tveksamma till att överlämna kontroll
- Stort intresse för adaptivitet och learning analytics
- Utmaningar inom säkerhet och likvärdighet
Artificiell intelligens i skolan kräver ökad insikt hos lärarna
För att kunna förstå hur artificiell intelligens kan komma att förändra förutsättningar för lärares undervisning och elevernas lärande behöver lärare få ökad insikt om vad artificiell intelligens är. Det handlar om hur man kan använda sig av möjligheterna med artificiell intelligens och hur det kan komma att påverka skolans verksamhet.
Den här artikeln presenterar resultat av forskning. Texten är framtagen vid ett universitet eller högskola på uppdrag av Skolverket.
Läs om hur vi sammanställer och sprider kunskap om resultat av forskning
I argument för användandet av digitala teknologier framhålls ofta stora möjligheter för undervisning och elevers lärande, men artificiell intelligens (AI) i klassrummen kan ge både möjligheter och utmaningar. För att lärare ska kunna föreställa sig hur AI skulle kunna användas i klassrummet behöver de en ökad förståelse av vad AI är, vilket till exempel visas i en studie av Stefan Hrastinski m. fl. De menar att det stora intresset för AI i skolan visar att det finns en vilja att förstå de möjligheter och utmaningar som kan realiseras inom en nära framtid.
Möjliggör automatisk anpassning till elevers förmågor och behov
Men medan forskare i större utsträckning studerar hur tekniken kan användas för ideala framtida undervisningsmetoder, är lärare ofta mer intresserade av hur tekniken kan integreras i nuvarande undervisning. Intelligenta adaptiva system och learning analytics är begrepp som blir allt vanligare i diskussioner om skolans digitalisering. Adaptiva system kan beskrivas som en digital lärmiljö som automatiskt anpassar undervisning och lärresurser till enskilda elevers förmågor och behov. Intelligent adaptivitet är när artificiell intelligens (AI) används för denna anpassning. AI i undervisningen kan till exempel användas för att följa elevernas framsteg, förstå deras nuvarande styrkor och svårigheter samt ge snabb återkoppling i form av förklaringar och lämpliga uppgifter. När eleverna använder dessa digitala system skapas stora mängder användardata som kan användas för att analysera elevernas lärande, vilket brukar benämnas learning analytics.
Föregångare baserades på beteendestudier
I argumenten för användandet av digitala teknologier framhålls ofta stora möjligheter för undervisning och elevers lärande. Larry Cuban beskriver hur idén om modern teknik är tänkt att effektivisera undervisningen och hur detta har medfört att stora implementeringsinsatser med datorer i klassrummen har genomförts. Övertygelsen om att ny teknik kan stödja individualisering och därmed elevernas lärande är inget nytt.
Datorstödd undervisning, som kan ses som en föregångare till AI, introducerades redan på 1960-talet som en metod för att förbättra både undervisning och lärande. Den grundade sig på B. F. Skinners idéer om instrumentell inlärning. En stimulus framkallar en respons hos eleven och denna respons förstärks med belöning. Detta innebär att inlärning ses som en förändring i elevens beteende, och att beteendet kan förstärkas med belöningar. Denna sorts inlärning leder enligt Skinner till ett korrekt beteende där eleven snabbt lär sig att göra rätt och som dessutom skapar intresse och motivation hos eleven. Som en följd av detta tillverkades undervisningsmaskiner, mekaniska verktyg, som förmedlade det som eleven skulle lära sig enligt förutbestämda regler. Progressionen skedde i små steg i elevens egen hastighet med omedelbar återkoppling på varje elevs svar.
Begränsningar i de tidiga exemplen
I en empirisk studie om matematikundervisning från 1973 visade S. H. Erlwanger tidigt risken med att använda datorstödd undervisning för att individualisera undervisningen. Med denna typ av undervisning behandlades matematik som ett ämne som huvudsakligen består av lagar och räkneregler, som eleven ska upptäcka och komma ihåg. Erlwanger menade att matematikundervisningen istället bör stödja elevernas förståelse genom samarbete och diskussion.
Datorstödd undervisning i syfte att förbättra lärmiljön och ge mer relevanta instruktioner till eleverna utvecklades på 70-talet. Målet var att öka elevernas kunskaper genom att engagera dem i resonemang. Detta kunde göras genom att använda datorns möjligheter att förmedla information och att interagera med eleverna med multimedia som till exempel text, bild, ljud och video. Den datorstödda undervisningen inom specifika områden, som till exempel matematik- och språkinlärning, bestod av system som var baserade på så kallade ”om-så”-regler. Dessa regler innebär att det digitala systemet som innehåller de ämneskunskaper som eleven ska lära sig också förutser olika alternativa elevsvar. OM eleven svarar på ett visst sätt, SÅ ges förutbestämda instruktioner anpassade till elevens svar. Eleverna följde helt enkelt de förutbestämda regler som skapats av experten för att lära sig ämnet. Eftersom lärande är en komplex process krävdes det väldigt många regler för en bra anpassning till varje elev. Denna begränsning gjorde att dessa adaptiva system inte fick den framgång som förväntats.
Ny teknik tillåter större variation
Nu har intresset för AI på nytt blivit stort och det sker mycket forskning inom området. Adaptiv datorstödd undervisning börjar långsamt föras in i klassrummen. Denna typ av AI kan beskrivas som självlärande datorsystem konstruerade för att interagera med omgivningen genom att använda röst- och mönsterigenkänning. Till skillnad från tidigare regelstyrda adaptiva system lär sig de moderna systemen från insamlade data, så kallad maskininlärning. Detta innebär att insamlad data analyseras och regler för lärande identifieras. Systemet bedömer tillgänglig information och fattar beslut, som vi skulle uppfatta som i huvudsak mänskligt beteende. Intelligenta adaptiva system skulle genom att använda AI med denna teknik kunna förstå elevens beteende och anpassa uppgifter genom att använda maskininlärning. Dessa system är utan de begränsningar som tidigare system haft då de inte är regelstyrda utan tillåter elevernas lärande att ta olika banor samt har möjlighet att variera både undervisningsstrategier och återkoppling.
De fördelar som ofta framförs är att adaptiv datorstödd undervisning ökar möjligheten att individualisera utifrån alla elevers enskilda behov. Uppgifter rättas automatiskt och elevens behov identifieras, en prognos görs över elevens kunskapsutveckling och lämpligt ämnesinnehåll och relevanta uppgifter tilldelas eleven. När ett digitalt system sköter dessa uppgifter frigörs mer tid till läraren, som kan användas till exempel för personlig kontakt med elever och föräldrar.
Lärare tveksamma till att överlämna kontroll
Adaptiv datorstödd undervisning verkar dock inte bara ge fördelar, eftersom automatisk adaptivitet kan utmana lärares yrkeskompetens. Lärarens roll vid automatisk adaptivitet skulle kunna bli mer begränsad och att lärarens beslut nedgraderas.
Detta visas i en studie av Marie Utterberg m.fl., där matematiklärare använder ett adaptivt läromedel som inte självklart ger kvalificerat stöd för läraren. Den ”inbyggda” artificiella intelligensen i läromedlet ska individanpassa svårighetsgraden på de uppgifter som läromedlet tilldelar eleverna. Genom maskininlärning lär sig datorprogrammet att känna igen vilka typer av uppgifter som eleven klarar och anpassar svårighetsgraden därefter. Ju fler uppgifter eleven räknar desto träffsäkrare blir den adaptiva funktionen. Läraren kan följa de enskilda elevernas arbete och få information om hur många uppgifter de lyckats lösa, hur många försök eleverna gjort, hur länge de tittade på instruktionsfilmerna etc. Läraren kan också få statistik på klassnivå och därigenom upptäcka om det finns avsnitt som kräver ytterligare en gemensam instruktion. Men denna studie visar att det adaptiva systemet visserligen förser läraren med en mängd information, men att lärarna ogärna överlämnar kontrollen till en algoritm och istället föredrar att själva följa elevernas utveckling. Särskilt tydligt var det med de elever som behöver lite extra hjälp. Däremot lät lärarna gärna de elever som behövde nya utmaningar och som ville räkna på i högre tempo styras av den adaptiva funktionen. Här kunde eleverna förses med ständigt nya uppgifter på en lagom utmanade nivå. Forskningsprojektet visar också att adaptivitet som möjliggör för alla elever att utvecklas enligt individuella inlärningsbanor kan göra det svårt för samarbete och gemensamma diskussioner i klassrummet. Elever som arbetar med olika uppgifter från olika matematiska områden kommer att bli alltmer spridda i sin individuella progression. Detta kan också göra det svårare för eleverna att hjälpa varandra.
Stort intresse för adaptivitet och learning analytics
Det finns ett stort forskningsintresse för adaptiv datorstödd undervisning och learning analytics, som anses kunna få många användningsområden. Till exempel, visas i en nyligen presenterad studie av Tiago Franco och Paulo Alves en modell för att analysera data från studenter i syfte att förutse vilka som riskerar att inte slutföra sin universitetsutbildning. Data som analyserades med hjälp av maskininlärning var studenters bakgrundsinformation, antal avklarade kurser, icke avklarade kurser, närvaro och användardata från deras lärplattform. Men studien visar på svårigheter i att definiera och använda tillgängliga och relevanta data. Studien visar också att det skulle ta flera år att ”träna” algoritmerna till att tillräckligt säkert kunna identifiera de elever som troligen kommer att avsluta sin utbildning i förtid. I en avhandling av Mohammed Saqr visas dock att med AI och learning analytics kan elevers prestationer tidigt förutses och därmed möjliggöra genomförandet av effektiva strategier i syfte att förbättra och underlätta lärandet för varje elev.
Intresset för AI-teknikens möjligheter är också omfattande inom utbildningsföretagen. I marknadsföringen används begrepp som individanpassning, automatisk rättning och omedelbar återkoppling. Det finns också tankar om att utforma system som kan följa och anpassa lärandet för en person genom hela studietiden.
Utmaningar inom säkerhet och likvärdighet
Med alla dessa möjligheter följer naturligtvis risker och utmaningar. Utvecklingen bygger på att en stor mängd data samlas in och därmed krävs att datasäkerheten och sekretessen rörande den enskildes integritet är genomtänkt. De stora datasystemen kommer att hantera enorma mängder personuppgifter vilket är särskilt känsligt i skolan där vi i många fall hanterar data från minderåriga. En annan konsekvens är att likvärdigheten inom och mellan olika skolhuvudmän riskerar att bli lidande. Utvecklingen av AI kommer att ställa stora krav på investeringar i mjuk- och hårdvara och dessutom blir fortbildningsbehovet hos lärarna ständigt aktuellt och förmodligen ökande.
Sammanfattningsvis kan man alltså säga att AI innebär både möjligheter och utmaningar. Det som AI skulle kunna bidra med är att stödja läraren i att: analysera stora mängder användardata från eleverna över tid för beslutsstöd, bedöma elevers kunskaper, identifiera elever som riskerar att inte uppnå kunskapskraven, identifiera elever som kommit särskilt långt i sin kunskapsutveckling samt anpassa undervisningsstrategier och ämnesinnehåll till varje enskild elevs behov. Men det behövs mer kunskap om vad AI i skolan innebär. Praktiknära forskning skulle kunna vara ett sätt att förstå och beskriva skolans förutsättningar som ger kunskap användbar för att utveckla skolans verksamhet.
Text: Marie Utterberg Modén, Martin Tallvid och Johan Lundin
Källor:
Choppin, J. & Borys, Z. (2017). Trends in the design, development and use of digital curriculum materials. ZDM Mathematics Education, 49, 663-674.
Cuban, L. (2001). Oversold and underused: Computers in the classroom. USA: Harvard University Press.
Duval, E., Sharples, M., & Sutherland, R. (Eds.) (2017). Technology enhanced learning: Research themes. Switzerland: Springer.
Erlwanger, S. H. (1973). Benny’s conception of rules and answers in IPI mathematics. Journal of Children’s Mathematical Behavior, 1(2), 7-26.
Franco, T., & Alves, P. (2019). Model for the identification of students at risk of dropout using big data analytics. Proceedings of INTED2019 Conference (11th – 13th March), Valencia Spain.
Helander, M., Landauer, T. K., & Prabhu, P. (Eds) (1997). Handbook of Human-Computer Interaction, Second Edition. Elsevier Science B. V.
Saqr, M. (2018). Using Learning Analytics to Understand and Support Collaborative Learning (Doctoral dissertation, Department of Computer and Systems Sciences, Stockholm University).
Utterberg, M., Tallvid, M., Lundin, J., & Lindström, B. (2018). Challenges in mathematics teachers’ introduction to a digital textbook: analyzing contradictions. In L. Liu & D. Gibson (Eds.), Research Highlights in Technology and Teacher Education 2018 (pp. 43-52). USA: Association for the Advancement of Computing in Education (AACE).
Utterberg M., Tallvid, M., Lundin, J., & Lindström, B. (2019). Teachers’ attitude to and use of a digital mathematics textbook. Proceedings of INTED2019 Conference (11th-13th March) 2019, Valencia, Spain.