Hiểu về Trí tuệ nhân tạo và Giáo dục: Trải nghiệm mới và việc đánh giá lợi ích so với rủi ro (Phần 1)

Việc đưa AI vào các bối cảnh giáo dục có thể bắt nguồn từ những năm 1970. Vào thời điểm đó, các nhà nghiên cứu quan tâm đến việc máy tính có thể thay thế việc dạy kèm một-trên-một của giáo viên hay không, vốn được cho là cách tiếp cận hiệu quả nhất nhưng không khả thi với hầu hết mọi người (Bloom, 1984). Những nỗ lực ban đầu sử dụng các kỹ thuật AI dựa trên quy tắc để tự động điều chỉnh hoặc cá nhân hóa việc học cho từng học sinh (Carbonell, 1970; Self, 1974). Kể từ những khởi đầu đó, việc ứng dụng AI trong giáo dục đã phát triển theo nhiều hướng, từ AI hướng đến học sinh (các công cụ được thiết kế để hỗ trợ việc học và đánh giá) đến AI hướng đến giáo viên (được thiết kế để hỗ trợ việc giảng dạy) và AI hướng đến hệ thống (được thiết kế để hỗ trợ quản lý các cơ sở giáo dục) (Baker et al., 2019). Trên thực tế, sự tương tác giữa AI và giáo dục còn đi xa hơn nữa, vượt ra ngoài việc áp dụng AI trong lớp học (nghĩa là học với AI) để dạy các kỹ thuật của nó (nghĩa là học về AI) và chuẩn bị công dân cho cuộc sống trong kỷ nguyên AI (nghĩa là học để hợp tác giữa con người và AI). Việc đưa AI vào giáo dục cũng làm nổi bật các vấn đề về phương pháp giảng dạy, cơ cấu tổ chức, tiếp cận, đạo đức, công bằng và bền vững – để tự động hóa một thứ gì đó, trước tiên bạn cần hiểu rõ về nó.

Hơn nữa, nếu tiềm năng của AI hỗ trợ giáo dục vì sự phát triển bền vững được hiện thực hóa đầy đủ, thì tất cả các lợi ích có thể có của các công cụ này cần được xác định và tận dụng, và các rủi ro cần được thừa nhận và giảm thiểu. Do đó, các cách thức tổ chức giáo dục cũng cần được xem xét liên tục, điều này có thể gợi ý một sự thay đổi cơ bản về nền tảng cốt lõi của giáo dục, hướng tới mục tiêu trung tâm là giải quyết Mục tiêu Phát triển Bền vững 4. Chúng ta cũng cần đặt câu hỏi về những gì việc đưa AI vào giáo dục có thể đạt được: AI có thể mang lại những lợi ích thực sự nào? Làm thế nào để chúng ta đảm bảo rằng AI đáp ứng nhu cầu thực tế chứ không phải chỉ là một xu hướng EdTech mới nhất? Chúng ta nên cho phép AI làm gì?

Để giải phóng tối đa các cơ hội và giảm thiểu các rủi ro tiềm ẩn, cần có các phản ứng hệ thống đối với các câu hỏi chính sách sau:

1. Làm thế nào để tận dụng AI để nâng cao giáo dục?
2. Làm thế nào để đảm bảo việc sử dụng AI trong giáo dục một cách đạo đức, bao trùm và công bằng?
3. Giáo dục có thể chuẩn bị con người để sống và làm việc với AI như thế nào?

Để giúp các hệ thống giáo dục đáp ứng những thách thức phức tạp này, UNESCO, phối hợp với Chính phủ Trung Quốc, đã tổ chức Hội nghị Quốc tế về Trí tuệ nhân tạo và Giáo dục ở Bắc Kinh (2019) với chủ đề “Lập kế hoạch giáo dục trong kỷ nguyên AI: Dẫn đầu bước nhảy vọt”. Các tham dự viên của hội nghị bao gồm hơn 50 bộ trưởng và thứ trưởng chính phủ, và khoảng 500 đại diện quốc tế từ hơn 100 Quốc gia thành viên, các cơ quan của Liên hợp quốc, các cơ sở giáo dục đại học, các tổ chức xã hội dân sự và các tổ chức thuộc khu vực tư nhân. Họ đã xem xét tác động hệ thống của AI trong bối cảnh “Mục tiêu Phát triển Bền vững 4 – Giáo dục 2030 và Tương lai của Giáo dục Sau 2030”. Kết quả chính của hội nghị là “Bản thỏa thuận Bắc Kinh về AI và Giáo dục” (UNESCO, 2019a) cung cấp một sự hiểu biết chung về các vấn đề và khuyến nghị chính sách liên quan đến ba câu hỏi chính sách đã đề cập ở trên. Các khuyến nghị chính được đưa ra trong Bản thỏa thuận Bắc Kinh được tham chiếu trong suốt ấn phẩm này.

Phần còn lại của chương này sẽ xem xét các xu hướng và vấn đề chính ảnh hưởng đến AI trong giáo dục

Làm thế nào để tận dụng AI nâng cao giáo dục?

Trong suốt thập kỷ qua, việc sử dụng các công cụ AI để hỗ trợ hoặc cải thiện việc học đã tăng mạnh (Holmes và cộng sự, 2019). Điều này chỉ tăng lên sau khi các trường học đóng cửa do dịch COVID-19. Tuy nhiên, chứng cứ vẫn còn thiếu về việc AI có thể cải thiện kết quả học tập như thế nào và liệu nó có thể giúp các nhà khoa học và người thực hành trong lĩnh vực học tập hiểu rõ hơn về cách học hiệu quả diễn ra như thế nào (Zawacki-Richter và cộng sự, 2019). Nhiều tuyên bố về tiềm năng cách mạng của AI trong giáo dục dựa trên sự đoán định, suy đoán và lạc quan (Nemorin, 2021). Hơn nữa, chúng ta vẫn chưa khám phá tiềm năng của AI trong việc theo dõi kết quả học tập qua các môi trường khác nhau cũng như đánh giá năng lực, đặc biệt là những kỹ năng được học trong các ngữ cảnh không chính thống và không hình thức.

Ứng dụng AI được thiết kế cho giáo dục ở nơi khác đã được chia thành ba danh mục chính: hướng hệ thống, hướng học sinh và hướng giáo viên (Baker và cộng sự, 2019). Tuy nhiên, đối với các nhà hoạch định chính sách, chúng tôi đề xuất một tập hợp gồm bốn danh mục dựa trên nhu cầu của các ứng dụng tiềm năng và đang xuất hiện: (i) quản lý và cung cấp giáo dục; (ii) học và đánh giá; (iii) trao quyền cho giáo viên và nâng cao việc giảng dạy; và (iv) học suốt đời. Đối với mỗi danh mục này, chúng tôi cũng cung cấp một số trường hợp minh họa. Điều quan trọng cần nhận biết là mỗi danh mục đề xuất đều liên quan mật thiết với nhau; ứng dụng AI trong giáo dục có tiềm năng đáp ứng nhu cầu ở nhiều lĩnh vực hơn một. Ví dụ, các ứng dụng hướng dẫn có thể được thiết kế với mục tiêu hỗ trợ cả giáo viên và học sinh. Cũng được đề xuất rằng việc lập kế hoạch và chính sách cho việc áp dụng công nghệ AI trong ngữ cảnh giáo dục nên dựa trên nhu cầu cục bộ ngắn hạn và dài hạn, thay vì thị trường, và nên được xây dựng dựa trên các phân tích lợi ích-rủi ro trước khi bất kỳ công nghệ nào được áp dụng trên quy mô lớn. Cụ thể, trong khi những người ủng hộ đã đề xuất rằng AI cung cấp một giải pháp sẵn có cho các vấn đề gây ra bởi việc đóng cửa trường học do COVID-19 và sự chuyển đổi sang học trực tuyến, hiện tại có rất ít bằng chứng cho thấy rằng cách tiếp cận như vậy là phù hợp hoặc hiệu quả.

Sử dụng AI cho quản lý và cung cấp giáo dục

Công nghệ AI ngày càng được sử dụng để tạo điều kiện cho việc quản lý và cung cấp giáo dục. Thay vì hỗ trợ giảng dạy hoặc học tập trực tiếp, những ứng dụng hướng hệ thống này được thiết kế để tự động hóa các khía cạnh của quản lý trường học, dựa trên Hệ thống Thông tin Quản lý Giáo dục (Villanueva, 2003), bao gồm việc nhập học, lập lịch, theo dõi điểm danh và bài tập về nhà, và kiểm tra trường học. Đôi khi một phương pháp khai thác dữ liệu được biết đến với tên gọi ‘phân tích học tập’ (du Boulay và cộng sự, 2018) được sử dụng để phân tích dữ liệu lớn được tạo ra trong hệ thống quản lý học tập để cung cấp thông tin cho giáo viên và người quản lý, và đôi khi là hướng dẫn cho học sinh. Ví dụ, một số phân tích học tập dự đoán những học sinh nào có nguy cơ thất bại. Kết quả thường được biểu diễn dưới dạng bảng điều khiển trực quan (‘dashboards’) (Verbert và cộng sự, 2013), và được sử dụng để thông báo quyết định dựa trên dữ liệu (James và cộng sự, 2008; Marsh và cộng sự, 2006). Dữ liệu lớn thu thập từ hệ thống giáo dục cũng có thể đóng góp vào việc hoạch định chính sách cho việc cung cấp:

Các cơ sở giáo dục công lập ngày càng sử dụng dữ liệu lớn để tạo ra các biểu đồ dữ liệu số hóa và tương tác, từ đó cung cấp thông tin cập nhật về hệ thống giáo dục cho các nhà hoạch định chính sách. (Giest, 2017, tr. 377)

Ví dụ, dữ liệu đầu ra của hệ thống quản lý học tập được thiết lập cho người tị nạn có thể giúp xác định cách cung cấp tối ưu các cơ hội giáo dục và hỗ trợ. AI cũng đã thể hiện tiềm năng của mình trong việc tổ chức nội dung học trên các nền tảng dựa trên việc phân tích nhu cầu cá nhân hóa của học viên và cấp độ học tập. Ví dụ, một dự án nhằm tổ chức hàng nghìn tài nguyên giáo dục mở, giúp chúng dễ dàng truy cập hơn cho tất cả học viên (Kreitmayer và cộng sự, 2018).

Tuy nhiên, để bất kỳ phân tích dựa trên dữ liệu nào trở nên hữu ích, với những kết luận đáng tin cậy và công bằng, dữ liệu gốc và các chỉ số thay thế của nó phải chính xác và không chứa thiên vị và giả định sai lầm, trong khi các phương pháp tính toán được áp dụng phải cả hai là phù hợp và mạnh mẽ – những yêu cầu đơn giản mà thường xuyên không được thực hiện một cách nghiêm ngặt (Holmes và cộng sự, 2019). Dù sao, cũng có ví dụ về các công ty AI thu thập lượng lớn dữ liệu tương tác của học sinh chỉ để sử dụng các kỹ thuật học máy để ‘tìm kiếm mô hình’. Mục tiêu là cải thiện việc học của học sinh bằng cách dạy phần mềm nhận biết khi trẻ em bị lạc hướng hoặc chán chường, nhằm giúp họ trở nên hứng thú. Tuy nhiên, cách tiếp cận này gây tranh cãi, với việc thu thập dữ liệu như vậy được mô tả là “đánh giá tâm thần gần như… [điều này] khuyến khích quan điểm xem trẻ em như những bệnh nhân tiềm năng cần điều trị” (Herold, 2018).

Trong một số ngữ cảnh, các công cụ AI trong danh mục này cũng đã được sử dụng để giám sát sự chú ý của học sinh trong lớp (Connor, 2018), trong khi một số khác đã được sử dụng để theo dõi điểm danh (Harwell, 2019) và dự đoán hiệu suất của giáo viên, với những hậu quả đáng lo ngại (O’Neil, 2017). Những khía cạnh này của ứng dụng hướng hệ thống nên được đưa vào cuộc thảo luận rộng lớn hơn về AI và giáo dục.

Ví dụ đầy triển vọng:

• Chatbot giáo dục: Chatbot là các chương trình máy tính trực tuyến sử dụng dịch vụ dựa trên đám mây và kỹ thuật AI để thực hiện cuộc trò chuyện mô phỏng với con người. Người dùng nhập hoặc nói một câu hỏi, và chatbot trả lời, cung cấp thông tin hoặc thực hiện một nhiệm vụ đơn giản. Có hai cấp độ phức tạp của chatbot. Trong khi hầu hết các chatbot sử dụng quy tắc và từ khóa để chọn từ các phản hồi đã được lập trình trước, các chatbot trợ lý ảo (như Siri, Alexa, DuerOS và Xiaoyi) sử dụng xử lý ngôn ngữ tự nhiên và học máy để tạo ra các phản hồi độc đáo. Trong ngữ cảnh giáo dục, chatbot đang được sử dụng trong một phạm vi ứng dụng ngày càng rộng lớn. Điều này bao gồm việc hỗ trợ nhập học của sinh viên (ví dụ: “Bạn có những khóa học về tin học nào?”); cung cấp thông tin 24/7 (ví dụ: “Bài tập của tôi phải nộp khi nào?”); và hỗ trợ trực tiếp việc học (có thể là một phần của hệ thống hướng dẫn dựa trên đối thoại hoặc phương pháp DBTS, khuyến khích học sinh tham gia một cuộc đối thoại nói hoặc cung cấp phản hồi tự động). Chatbot giáo dục bao gồm Ada và Deakin Genie.
• OU Analyse, một ứng dụng AI được thiết kế bởi Đại học Mở của Vương quốc Anh, đã được thiết kế để dự đoán kết quả học tập của sinh viên và xác định những sinh viên có nguy cơ thất bại bằng cách phân tích dữ liệu lớn từ hệ thống thông tin quản lý giáo dục (EMIS) của trường đại học. Các dự đoán được cung cấp cho các giảng viên và đội ngũ hỗ trợ, sử dụng bảng điều khiển dễ truy cập, để họ có thể xem xét sự hỗ trợ phù hợp nhất. Mục tiêu chung là giúp những sinh viên có thể gặp khó khăn hoàn thành khóa học của họ (Herodotou và cộng sự, 2017).
• ‘Swift‘ là một tập hợp các phương pháp được phát triển bởi Swift eLearning Services ở Ấn Độ để giúp các hệ thống EMIS tận dụng dữ liệu được tạo ra trong một mô-đun e-learning. Dữ liệu thu thập từ sự tương tác của người học cung cấp cái nhìn quý giá về khi nào và tại sao người học có thể gặp khó khăn hoặc đạt được. Việc phân tích dữ liệu này giúp tạo ra các lộ trình học tập cá nhân hóa được điều chỉnh để đáp ứng sở thích của người học.
• Tại Mỹ, hệ thống ALP cung cấp chức năng AI ở phía sau để hỗ trợ các công nghệ giáo dục tiêu chuẩn. Hệ thống phân tích dữ liệu người dùng, tổng hợp nó để tạo ra các hồ sơ tâm lý học của từng sự tương tác, sở thích và thành tựu của mỗi sinh viên.
• Có trụ sở tại Mỹ, nhưng liên quan đến các tổ chức từ bốn lục địa, dự án UniTime là một hệ thống lập lịch giáo dục được cung cấp bởi AI toàn diện, phát triển lịch trình cho các khóa học và kỳ thi đại học, quản lý thời gian và thay đổi phòng học, và cung cấp lịch trình cá nhân cho sinh viên.

Sử dụng AI cho việc học và đánh giá

Việc sử dụng công nghệ AI chủ yếu hướng đến học sinh đã nhận được nhiều sự chú ý từ các nhà nghiên cứu, nhà phát triển, giáo viên và nhà hoạch định chính sách. Những ứng dụng này, được coi là một ‘cuộc cách mạng giáo dục thứ tư’ (Seldon và Abidoye, 2018), nhằm cung cấp cho mỗi người học, bất kể họ ở đâu trên thế giới, quyền truy cập vào việc học suốt đời chất lượng cao, cá nhân hóa và phổ biến (hình thức, không hình thức và phi hình thức). Cũng có tiềm năng cho AI giúp đỡ các phương pháp tiếp cận mới về việc đánh giá, như việc đánh giá thích nghi và liên tục được kích hoạt bởi AI (Luckin, 2017). Tuy nhiên, quan trọng là phải nhận biết ngay từ đầu rằng việc sử dụng AI cho việc học và đánh giá cũng đặt ra nhiều vấn đề chưa được giải quyết đúng mức. Điều này bao gồm các lo ngại về phương pháp giảng dạy của họ, sự thiếu hụt bằng chứng vững chắc về hiệu quả của họ và tác động tiềm năng đối với vai trò của giáo viên, cũng như các câu hỏi đạo đức rộng lớn (Holmes và cộng sự, 2018b, 2019).

Hệ thống hướng dẫn thông minh

Chúng tôi bắt đầu thảo luận về việc sử dụng AI cho việc học và đánh giá với một bộ công cụ được gọi là ‘hệ thống hướng dẫn thông minh’ (ITS) vì một số lý do. Trong tất cả các ứng dụng AI giáo dục, ITS đã được nghiên cứu lâu nhất (hơn 40 năm). Chúng là những ứng dụng AI phổ biến nhất trong giáo dục và đã được nhiều học sinh trải nghiệm hơn bất kỳ ứng dụng nào khác. Hơn nữa, chúng đã thu hút mức đầu tư và sự quan tâm cao nhất từ các công ty công nghệ hàng đầu thế giới, và đã được áp dụng trong các hệ thống giáo dục trên khắp thế giới cho hàng triệu học sinh.

Nói chung, cách ITS hoạt động là cung cấp các bài hướng dẫn từng bước, cá nhân hóa cho mỗi học sinh, qua các chủ đề trong các môn học có cấu trúc như toán học hoặc vật lý. Hệ thống xác định một lộ trình tối ưu qua các tài liệu và hoạt động học tập bằng cách sử dụng kiến thức chuyên môn về môn học và khoa học nhận thức, và phản hồi với những hiểu lầm và thành công của từng học sinh. Phương pháp này cũng đôi khi được áp dụng trong các hệ thống quản lý học tập, như Moodle và Open edX, và các nền tảng như Khan Academy.

Khi học sinh tham gia vào các hoạt động học, hệ thống sử dụng dấu vết kiến thức và học máy để tự động điều chỉnh mức độ khó và cung cấp gợi ý hoặc hướng dẫn theo sức mạnh và điểm yếu của từng học sinh, tất cả nhằm đảm bảo học sinh có thể học chủ đề một cách hiệu quả. Một số ITS cũng thu thập và phân tích dữ liệu về trạng thái cảm xúc của học sinh, bao gồm việc theo dõi ánh nhìn của họ để suy luận mức độ chú ý của họ.

Tuy nhiên, mặc dù có vẻ hấp dẫn theo bản năng, quan trọng là phải nhận biết rằng các giả định được thể hiện trong ITS, và phương pháp giảng dạy truyền thống của họ, bỏ qua các phương pháp tiếp cận khác được đánh giá cao bởi các nhà khoa học học tập, như học tập hợp tác, học tập khám phá dưới sự hướng dẫn và thất bại sản phẩm (Dean Jr. và Kuhn, 2007). Cụ thể, việc ‘học tập cá nhân hóa’ được cung cấp bởi ITS thường chỉ cá nhân hóa các lộ trình đến nội dung được chỉ định, thay vì thúc đẩy quyền tự quyết của học sinh bằng cách cá nhân hóa kết quả học tập và giúp học sinh đạt được mục tiêu cá nhân của mình. Ngoài ra, mặc dù một số nghiên cứu đã chỉ ra rằng một số ITS được thiết kế bởi các nhà nghiên cứu so sánh tốt với việc dạy cả lớp (ví dụ: du Boulay, 2016), và mặc dù chúng đã được nhiều hệ thống giáo dục trên khắp thế giới chấp nhận, thực tế có bằng chứng hạn chế rằng ITS thương mại hiệu quả như các nhà phát triển tuyên bố (Holmes và cộng sự, 2018a).

Việc sử dụng rộng rãi của ITS cũng gây ra một số vấn đề khác. Ví dụ, chúng thường giảm bớt sự liên lạc giữa học sinh và giáo viên. Ngoài ra, trong một lớp học ITS điển hình, giáo viên thường dành nhiều thời gian ở bàn làm việc của mình để theo dõi bảng điều khiển của sự tương tác học sinh. Nếu họ chọn di chuyển xung quanh phòng, như họ có thể trong một lớp học không phải ITS, họ mất quyền truy cập vào những gì học sinh đang làm, khiến việc quyết định nơi cung cấp sự chú ý cá nhân trở thành một thách thức. Để giải quyết vấn đề này, một tiện ích mở rộng ITS có tên là Lumilo (Holstein và cộng sự, 2018) sử dụng kính thông minh thực tế tăng cường để ‘nổi’ thông tin trên đầu mỗi học sinh về việc học (ví dụ: hiểu lầm) hoặc hành vi (ví dụ: không chú ý), cung cấp thông tin sâu rộng và liên tục mà giáo viên có thể hành động dựa trên đó. Đây là một cách sử dụng công nghệ AI thông minh đầy hấp dẫn nhưng đáng chú ý là, nó đã được thiết kế để giải quyết một vấn đề chỉ xuất phát từ việc sử dụng một công nghệ AI khác. Đây cũng là một phương pháp đặt ra các vấn đề về quyền con người, đặc biệt là quyền riêng tư. Trên toàn thế giới, hiện có hơn 60 ITS thương mại sẵn có, bao gồm Alef, ALEKS, Byjus, Mathia, Qubena, Riiid và Squirrel AI. Một phương pháp được gọi là Hi-Tech Hi-Touch, nhằm tận dụng tốt nhất của ITS và tốt nhất của giáo viên, hiện đang được Uỷ ban Giáo dục thử nghiệm tại các trường học ở Việt Nam.

Hệ thống hướng dẫn dựa trên đối thoại

Hệ thống hướng dẫn dựa trên đối thoại (DBTS) sử dụng xử lý ngôn ngữ tự nhiên và các kỹ thuật AI khác để mô phỏng một cuộc đối thoại hướng dẫn bằng lời nói giữa giáo viên và học sinh khi họ thực hiện từng bước qua các nhiệm vụ trực tuyến, thường là trong các chủ đề khoa học máy tính, nhưng gần đây hơn trong các lĩnh vực ít có cấu trúc hơn. DBTS áp dụng một phương pháp hướng dẫn theo phong cách Socratic, đặt ra các câu hỏi được tạo ra bởi AI thay vì cung cấp hướng dẫn, để phát triển một cuộc trò chuyện trong đó học sinh được hướng dẫn để tự khám phá ra một giải pháp phù hợp cho một vấn đề. Mục tiêu là khuyến khích học sinh cùng tạo ra các giải thích để đạt được sự hiểu biết sâu rộng về chủ đề thay vì sự hiểu biết nông cạn có thể xuất phát từ một số ITS hướng dẫn.

Hiện nay, có tương đối ít DBTS đang được sử dụng. Hầu hết tồn tại trong các dự án nghiên cứu. Một trong những hệ thống đã được kiểm tra rộng rãi nhất là AutoTutor (Graesser và cộng sự, 2001). Watson Tutor là một hệ thống thương mại đã được IBM và Pearson Education phát triển.

Môi trường học tập khám phá

Một phương án thay thế cho các phương pháp từng bước của ITS và DBTS được cung cấp bởi môi trường học tập khám phá (ELEs). ELEs áp dụng một triết lý xây dựng: thay vì tuân theo một trình tự từng bước như mô hình ‘truyền đạt kiến thức’ được ưa chuộng bởi ITS, học sinh được khuyến khích tích cực xây dựng kiến thức của riêng họ bằng cách khám phá môi trường học tập và kết nối với lược đồ kiến thức hiện có của họ. Vai trò của AI trong ELEs là giảm thiểu sự quá tải nhận thức thường gắn liền với việc học tập khám phá bằng cách cung cấp hướng dẫn và phản hồi tự động, dựa trên việc truy dấu kiến thức và học máy. Phản hồi này giải quyết những hiểu lầm và đề xuất các phương pháp tiếp cận thay thế, để hỗ trợ học sinh trong quá trình khám phá.

Nói chung, ELEs vẫn chưa xuất hiện từ các phòng thí nghiệm nghiên cứu. Ví dụ bao gồm ‘ECHOES’ (Bernardini và cộng sự, 2014); ‘Fractions Lab’ (Rummel và cộng sự, 2016); và ‘Betty’s Brain’ (Leelawong và Biswas, 2008).

Hệ thống đánh giá viết tự động (AWE)

Thay vì đòi hỏi học sinh làm việc trên máy tính và nhận sự hỗ trợ tùy chỉnh ngay lập tức, AWE sử dụng xử lý ngôn ngữ tự nhiên và các kỹ thuật AI khác để cung cấp phản hồi tự động về viết. Nói chung, có hai phương pháp AWE trùng nhau: AWE hình thức để giúp học sinh cải thiện viết của họ trước khi nộp để được đánh giá, và AWE tổng kết để tạo điều kiện cho việc đánh giá tự động của bài viết của học sinh.

Trong thực tế, hầu hết AWE tập trung vào việc ghi điểm hơn là phản hồi; chúng được thiết kế chủ yếu để giảm chi phí đánh giá và do đó có thể được coi là một phần của các ứng dụng hướng tới hệ thống. Tuy nhiên, kể từ khi được giới thiệu, AWE tổng kết đã gây ra nhiều tranh cãi (Feathers, 2019). Ví dụ, họ đã bị chỉ trích vì cho học sinh được điểm cho các đặc điểm bề mặt như độ dài câu, ngay cả khi văn bản không có ý nghĩa gì – họ có thể bị “lừa bởi những dòng vô nghĩa”. Hệ thống cũng không thể đánh giá tính sáng tạo. Đáng lo ngại nhất, các thuật toán cơ bản của AWE đôi khi có thiên vị, đặc biệt là đối với học sinh thiểu số, có thể do sử dụng từ vựng và cấu trúc câu khác nhau. AWE tổng kết cũng không giải quyết được các bài tập dễ dàng truy cập “deep-fake” cho các bài luận trường học và đại học – những bài luận được viết bởi công nghệ AI, thông qua việc sử dụng kiến thức trong lĩnh vực và giả mạo phong cách viết của học sinh cá nhân. Những điều này có khả năng rất khó để phát hiện. Cuối cùng, việc sử dụng AI để đánh dấu các bài tập cũng không thừa nhận giá trị của việc đánh dấu. Mặc dù đánh dấu có thể tốn thời gian và nhàm chán, nó cũng có thể là cơ hội tốt nhất của giáo viên để hiểu về năng lực của học sinh của họ.

Tuy nhiên, một số AWE hướng tới học sinh đặt ưu tiên việc cung cấp phản hồi được thiết kế để có thể thực hiện – để giúp học sinh cải thiện viết của họ và thúc đẩy quy trình học tập tự điều chỉnh và nhận thức về bản thân.

AWE, cả hình thức và tổng kết, hiện đang được sử dụng trong nhiều ngữ cảnh giáo dục thông qua các chương trình như WriteToLearn, e-Rater và Turnitin. Một phương pháp liên quan, sử dụng AI để so sánh kết quả đầu ra của học sinh mới với một lượng lớn kết quả đầu ra của học sinh trước đây được đánh giá bởi giáo viên, đã được sử dụng để đánh giá biểu diễn âm nhạc, ví dụ như với chương trình Smartmusic.

Các công cụ đọc và học ngôn ngữ có sự hỗ trợ của trí tuệ nhân tạo (AI)

Công cụ đọc và học ngôn ngữ đang ngày càng sử dụng Trí tuệ Nhân tạo để bổ sung phương pháp của họ. Ví dụ, một số công cụ này sử dụng cái gọi là cá nhân hóa lộ trình theo kiểu ITS kết hợp với việc nhận dạng giọng nói được điều khiển bởi AI. Thông thường, nhận dạng giọng nói được sử dụng để so sánh sản phẩm của học sinh với các bản ghi mẫu của người nói bản ngữ, để cung cấp phản hồi tự động để giúp học sinh cải thiện cách phát âm của họ. Các ứng dụng khác của việc dịch tự động liên quan đến việc giúp học sinh đọc tài liệu học tập bằng các ngôn ngữ khác và cho phép học sinh từ các nền văn hóa khác dễ dàng tương tác với nhau hơn. Trong khi đó, các hệ thống khác phát hiện và tự động phân tích kỹ năng đọc để đưa ra phản hồi cá nhân cho học sinh.

Các ứng dụng Trí tuệ Nhân tạo cho việc học và đọc bao gồm “AI Teacher,” “Amazing English,” “Babbel,” và “Duolingo.”

Các Robot Thông minh

Sử dụng các robot được trang bị Trí tuệ Nhân tạo hoặc được gọi là ‘robot thông minh’ trong lĩnh vực giáo dục cũng đang được khám phá (Belpaeme, 2018), đặc biệt là trong các môi trường dành cho trẻ em có khuyết tật hoặc khó khăn trong việc học tập. Ví dụ, các robot có khả năng nói chuyện đã được tạo ra để phục vụ các học sinh thuộc phạm vi tự kỷ, cung cấp các tương tác cơ học dự đoán thay vì tương tác với con người, điều này có thể gây rối cho những người học như vậy. Mục tiêu là phát triển khả năng giao tiếp và kỹ năng xã hội của họ (Dautenhahn et al., 2009). Một ví dụ khác là các robot hiện diện từ xa cho học sinh không thể đến trường, có thể do bệnh tật hoặc khủng bố hoặc khủng bố hoặc khủng hoảng tị nạn, để truy cập lớp học.

Ví dụ thứ ba là việc sử dụng các robot có hình dạng người, chẳng hạn như Nao hoặc Pepper, trong các lớp học mẫu giáo tại Singapore (Graham, 2018), để giới thiệu cho trẻ em nhỏ về lập trình máy tính và các môn STEM khác.

Học bằng cách dạy

Đã lâu rồi đã biết rằng người ta có thể học một chủ đề một cách sâu sắc hơn và ghi nhớ tốt hơn bằng cách dạy nó cho người khác (Cohen et al., 1982). Hiệu ứng này đã được khai thác bởi nhiều phương pháp Trí tuệ Nhân tạo khác nhau. Ví dụ, trong ELE được đề cập trước đó, hệ thống Betty’s Brain khuyến khích học sinh dạy một học sinh ảo tên là Betty về hệ sinh thái sông. Trong một ví dụ khác từ một dự án nghiên cứu Thụy Điển, học sinh dạy cho một tác nhân ảo về các quy tắc của một trò chơi giáo dục dựa trên toán học (Pareto, 2009). Ví dụ thứ ba, từ Thụy Sĩ, liên quan đến việc trẻ em dạy viết tay cho một robot có hình dạng người, một phương pháp đã được chứng minh là kích thích kiến thức về tư duy tự quản, đồng cảm và lòng tự trọng (Hood et al., 2015).

Thực tế ảo và thực tế tăng cường trong giáo dục

Thực tế ảo (VR) và thực tế tăng cường (AR) là hai đổi mới có liên quan đã được áp dụng trong ngữ cảnh giáo dục và thường kết hợp với học máy và các kỹ thuật Trí tuệ Nhân tạo khác để tăng cường trải nghiệm của người dùng. VR đã được sử dụng trong việc giảng dạy nhiều môn học, từ mầm non đến cấp trung học và thậm chí cả sau đó, bao gồm thiên văn học, sinh học và địa chất. Kính VR cung cấp trải nghiệm chìm sâu vào không gian mô phỏng, tạo ra sự cảm giác như người dùng đã được chuyển đến trong môi trường thực tế hoặc môi trường tưởng tượng (như bề mặt của Sao Hỏa, bên trong một con núi lửa hoặc tử cung của một thai nhi đang phát triển). Một số đổi mới VR sử dụng các kỹ thuật Trí tuệ Nhân tạo để điều khiển các avatar ảo chân thực, cho phép điều khiển bằng giọng nói sử dụng xử lý ngôn ngữ tự nhiên hoặc tạo ra toàn bộ môi trường từ một số hình ảnh ban đầu.

Trong khi đó, AR trang bị hình ảnh được tạo ra bởi máy tính lên hình thức thực tế của người dùng (tương tự như màn hình hiển thị đầu của phi công chiến đấu). AR là phương pháp được đề cập trước đó được sử dụng bởi Lumilo để hiển thị thông tin về hiệu suất của học sinh trên đầu họ. Khi máy ảnh điện thoại thông minh được hướng vào một mã QR cụ thể, một trái tim con người 3D AR có thể được hiển thị để được khám phá chi tiết. AR cũng có thể liên quan đến việc nhận diện hình ảnh và theo dõi được trang bị sức mạnh bởi Trí tuệ Nhân tạo. Đây chính là công nghệ cho phép trên một số điện thoại di động và trang web như Instagram hoặc Snapchat, đặt tai thỏ hoặc ria mép mèo lên hình ảnh của người.

Các ví dụ về VR và AR được sử dụng trong giáo dục bao gồm Blippar, EonReality, Google Education, NeoBear và VR Monkey.