Sztuczna inteligencja w szkole
ChatGPT posiada zdolność do rozumienia ludzkich myśli, ponieważ operuje wszystkimi tekstami, które ludzie wymyślili i utrwalili. Dlatego też istotne jest, abyśmy rozumieli w jaki sposób chcemy wykorzystywać go jako partnera w dyskusji lub do rozwiązywania problemów. Podobnie jak w każdej dyskusji, ważne jest poznanie tego, z kim rozmawiamy, jakie argumenty może użyć, skąd je czerpie i w jaki sposób je przetwarza. Istnieje także możliwość, że może nas wprowadzić w błąd, nawet korzystając z naszych własnych tekstów.
Słowa Umberto Eco przypominają nam o zagrożeniu, jakie niesie za sobą obecny przemysł informatyczny, który mnoży informacje, ale niekoniecznie dostarcza nowych. ChatGPT jest dziś często określany jako „stochastyczna papuga”, gdyż pomnaża informacje, korzystając przy tym z sztucznych sieci neuronowych i wnioskowania statystycznego.
Korzystając z analogii z programowaniem, czyli tworzeniem programów komputerowych dla określonych specyfikacji problemu, uczniowie mogą napisać i uruchomić własne programy w Pythonie, lub też zwrócić się o pomoc do ChatGPT. Mimo że oba te rozwiązania mogą się wydawać podobne, różnią się one znacząco. Pierwszy program zostanie rozwinięty przez ucznia w znanym środowisku języka Python, podczas gdy drugi będzie wynikiem odpowiedzi ChatGPT, który operuje na bazie uczenia maszynowego. Jednak kluczową różnicą jest sposób, w jaki oba te rozwiązania działają, co będziemy omawiać dalej.
W praktyce, jak powinien postąpić nauczyciel informatyki, gdy uczeń przynosi gotowy program na zadane polecenie? Choć sytuacja ta nie jest nowa – wyszukiwarka może dostarczyć dziesiątki, setki lub nawet tysiące kodów na ten sam temat – nauczyciel może podejść do niej w sposób systematyczny. Jednym z podejść jest dekonstrukcja gotowego rozwiązania, która polega na tym, że uczeń musi nie tylko przedstawić swój program, ale również wyjaśnić jego działanie na przykładzie danych dostarczonych przez nauczyciela. Możemy również zastosować to podejście do programów generowanych przez ChatGPT. Istnieje także kwestia oceny, czy uczeń rzeczywiście zrozumiał materiał, a nie tylko skutecznie wygenerował kod. To temat wymagający oddzielnego omówienia.
ChatGPT może być również używany do wprowadzenia nowego podejścia metodycznego, polegającego na konstrukcji rozwiązania zamiast jego dekonstrukcji. W tym nowym podejściu kluczowe jest kształtowanie umiejętności formułowania właściwych zapytań do modelu generującego kod. Jest to bardziej zaawansowana umiejętność niż jedynie odpowiadanie na pytania i może być stosowana przez uczniów na różnych etapach edukacji. Badania wykazują, że takie podejście aktywnie angażuje uczniów i pomaga im w naturalny sposób przyswajać nowe konstrukcje programistyczne.
Proponowane podejście do nauki programowania może być również dostosowane do zadań z innych dziedzin. Wyjątkowym wyzwaniem dla nauczycieli jest stworzenie zestawu pytań do różnych problemów, które będą stanowiły materiał kształcący dla uczniów. To także wyzwanie dla wydawców podręczników, aby przestali dostarczać gotowce, a zamiast tego skupili się na kształtowaniu umiejętności uczniów.
Przyjmuje się, że podstawową cechą inteligencji jest zdolność uczenia się. W tym sensie można uznać, że ChatGPT jest inteligentny, ponieważ jest w stanie się uczyć, choć w sposób maszynowy. Uczenie maszynowe (ang. machine learning, ML) można bardzo prosto wyjaśnić nawet najmłodszym uczniom na przykładzie robota A.I., który poprzez ten proces poznaje, jak wyglądają ryby, aby móc sprzątać ocean z zanieczyszczeń po ich wrzuceniu. Zachęcam do zapoznania się z tym zagadnieniem poprzez stronę: https://code.org/oceans. Dodatkowo, polecam również tworzenie potańcówki z wykorzystaniem sztucznej inteligencji: https://code.org/dance.
Zanim przejdziemy do bardziej szczegółowego wyjaśnienia uczniom, na czym polega uczenie maszynowe oraz jaki jest jego model rozumowania, który jest niezbędny dla właściwego korzystania z ML, oraz dla zrozumienia i interpretacji wyników jego działania, zapytajmy ich, czy potrafią opisać, jak działa ich laptop. Prawdopodobnie wielu będzie miało z tym trudności, a jest to istotne, aby mogli dostrzec istotne cechy i różnice w uczeniu maszynowym. Klasyczny model działania laptopa jest niezwykle prosty: naciskamy klawisz, a coś się dzieje; piszemy program, wczytujemy dane, a program drukuje wyniki, które przewidzieliśmy; piszemy tekst w edytorze, a nasz tekst pojawia się na ekranie, a następnie na drukarce, itp. Bardziej abstrakcyjnie, wewnątrz laptopa znajduje się procesor, który pobiera dane (z dysku), wykonuje obliczenia i zwraca wynik (również na dysk). To w zasadzie maszyna Turinga (MT) z połowy lat 1930. Niemal 10 lat później von Neumann zaproponował model komputera z programem w pamięci (PC z 1981 roku jest realizacją tego modelu). George Dyson zgrabnie podsumował tę koncepcję, pisząc, że w ten sposób została zatarta różnica między liczbami, które coś znaczą, a liczbami, które coś robią (ang. distinction between numbers that mean things and numbers that do things). W tym cytacie liczby to ciągi zer i jedynek, które w pamięci komputera mogą oznaczać dane, ale mogą też być zapisem instrukcji dla procesora.
W tradycyjnym modelu obliczeń Turinga-von Neumanna, który codziennie wykorzystujemy w naszych laptopach i stacjonarnych PC, program składa się z:
ciągu kolejnych kroków (algorytmu), które są przetwarzane kolejno przez procesor dla niewielkich danych z użyciem niewielkiej liczby zmiennych bazując na klasycznej logice Boole’a i arytmetyce, co prowadzi do silnych zależności między zmiennymi W takim modelu obliczeń, proces rozwiązywania problemu przebiega od specyfikacji przez zaprojektowanie algorytmu, implementację algorytmu w postaci komputerowego programu, kompilację i wykonanie programu, testowanie, debugowanie, aż do ewentualnego powtórzenia całego procesu.
Z kolei, w modelu obliczeniowym ML, każdy punkt w powyższym wyliczeniu przyjmuje inną postać: algorytm jest zastąpiony przez sieć neuronową, nie można wyróżnić kroków w obliczeniach, gdyż dane jednocześnie (równolegle) przepływają przez sieć, model jest uczony (trenowany) na dużych ilościach danych, uczenie powoduje aktualizację wag i połączeń, liczba zmiennych jest często bardzo duża, a zmienne są słabo ze sobą powiązane. Zamiast programu mamy więc coś w rodzaju czarnej skrzynki, która zasilana danymi serwuje nam nie do końca pewne wyniki.
Porównując oba modele obliczeń, pytanie postawione przed pierwszym modelem „jak programować komputery” w drugim modelu przyjmuje postać „jak pozwolić im się programować”. To bardzo zwięzłe porównanie obu modeli ilustruje, jak uczenie maszynowe poszerza dzisiaj nasze spojrzenie na rolę komputerów i informatyki.
Uczenie maszynowe oraz duże modele językowe, takie jak ChatGPT, powinny znaleźć się w podstawie programowej odnoszącej się do wszystkich przedmiotów jako narzędzia AI sugerowane do wykorzystania w procesie tworzenia rozwiązań problemów, a nie jedynie jako narzędzie generujące rozwiązania. Te narzędzia są już w zasięgu możliwości uczniów. Przy tym nie należy zapominać o klasycznych objawach AI, jak roboty sterowane zdarzeniami czy test Turinga, które nic nie straciły na aktualności. Jest o nich mowa w postaci modułu AI dla szkół w tomie, który IBE udostępniło na miesiąc przed pojawieniem się ChatGPT.
Opublikuj komentarz