Beyond Display: From Dynamic Representation to Generative Representational Activity with Large Language Models

Mathematik war schon immer eine Sprache aus Bildern, Symbolen und Geschichten. Jahrhundertelang lernten Schüler, ein Problem, das in Worten formuliert war, in eine Zeichnung zu übersetzen, oder eine Zeichnung in einen Satz von Zahlen und wieder zurück. Diese Übersetzungen waren harte Arbeit; sie erforderten, dass der Geist verschiedene Versionen derselben Idee gleichzeitig im Gedächtnis behielt. In den letzten Jahrzehnten haben Computer diese Landschaft verändert. Sie führten Werkzeuge ein, die Graphen sofort zeichnen oder Gleichungen lösen konnten, ohne dass eine menschliche Hand einen Bleistift bewegte. Diese Werkzeuge erfanden keine neuen Arten von Mathematik, aber sie veränderten die Art und Weise, wie Menschen mit den alten interagierten. Sie machten es möglich zu sehen, wie sich eine Form verändert, wenn man an einer Ecke zieht, oder wie sich ein Graph verschiebt, wenn man eine Zahl anpasst, wodurch eine dynamische Beziehung zwischen dem Nutzer und der Mathematik entstand. Nun ist ein neues Arten von Computerprogramm, bekannt als Large Language Model (großes Sprachmodell), in das Klassenzimmer eingetreten. Dies sind Systeme, die eine Konversation führen können, Fragen beantworten und Texte schreiben können, die so wirken, als wären sie von einem Menschen geschrieben worden. Die große Frage für Pädagogen und Forscher ist, ob diese sprechenden Maschinen nur ein weiteres Werkzeug für die Mathematik sind oder ob sie die Natur der mathematischen Repräsentation grundlegend verändert haben.

Ein Forscher an der East Carolina University, Kwaku Adu-Gyamfi, setzte sich zum Ziel, diese Frage zu beantworten, indem er genau untersuchte, was diese neuen Maschinen tatsächlich tun. Das Paper argumentiert, dass Large Language Models zwar leistungsstark sind, aber keine neue Art von mathematischem Objekt erschaffen. Man kann einen Computer nicht bitten, einen Graphen zu zeichnen, und das Ergebnis ist keine neue Art von Graph; es ist immer noch ein Graph. Ebenso ist eine von einer Maschine generierte Gleichung keine neue Art von Gleichung. Die eigentliche Veränderung liegt darin, wie die Mathematik spezifiziert wird und wie die Arbeit zwischen Mensch und Maschine aufgeteilt wird. Die Studie legt nahe, dass wir aufhören sollten, diese Modelle einfach als den nächsten Schritt in einer Reihe dynamischer Werkzeuge wie Graphing-Rechnern oder Geometrie-Software zu betrachten. Stattdessen führen sie eine eigenständige Arbeitsweise ein, die als „generative repräsentationale Aktivität“ bezeichnet wird. Das ist ein sperriger Begriff, aber vereinfacht gesagt bedeutet es einen Prozess, bei dem eine Person eine mathematische Idee in gewöhnlicher Konversation beschreibt, der Computer eine Kandidatenversion dieser Idee erstellt und die Person dann über diese Version sprechen kann, um sie zu ändern, zu verfeinern oder nach einer anderen zu fragen – und das alles, ohne jemals eine spezielle Code- oder Kommandosprache erlernen zu müssen.

Das Paper schließt vorsichtig mehrere Ideen aus, die zwar offensichtlich erscheinen mögen, aber nicht ganz zutreffen. Es ist nicht neu, dass Computer Antworten aus natürlicher Sprache generieren; Systeme, die seit über einem Jahrzehnt existieren, können einen Satz wie „Zeig mir das Wachstum einer Population“ nehmen und ein Diagramm erstellen. Es ist auch nicht neu, dass Computer mathematische Objekte erschaffen; Graphing-Rechner und Geometrie-Programme tun dies schon seit Jahren. Neu ist die spezifische Kombination von Merkmalen, die in diesen konversationsbasierten Umgebungen zu finden ist. In der Vergangenheit mussten Schüler, wenn sie einen Graphen ändern wollten, oft zum ursprünglichen Befehl zurückkehren oder einen Schieberegler verwenden, um eine Zahl anzupassen. Mit einem Large Language Model kann der Schüler einfach sagen: „Behalte den Startpunkt gleich, aber lass die zweite Linie nach unten statt nach oben gehen“, und das System produziert eine neue Version basierend auf dieser Beschreibung. Der entscheidende Punkt ist, dass die Konversation selbst zum Werkzeug für die Spezifikation der Mathematik wird. Der Schüler muss nicht die exakten formalen Regeln kennen, um die Änderung vorzunehmen; er muss lediglich die Beziehung beschreiben, die er sehen möchte.

Das Paper warnt jedoch davor, dass diese Leichtigkeit der Generierung mit einer versteckten Falle einhergeht. Wenn ein Computer als Reaktion auf eine Konversation einen perfekt aussehenden Graphen oder eine korrekt aussehende Tabelle erstellt, ist es sehr verlockend anzunehmen, dass der Schüler die Mathematik dahinter versteht. Der Forscher argumentiert, dass dies eine gefährliche Annahme ist. Nur weil die Maschine das Objekt erfolgreich gebaut hat, bedeutet das nicht, dass der Schüler die verschiedenen Teile der Idee in seinem eigenen Geist koordiniert hat. In einem traditionellen Setting, wenn ein Schüler einen Graphen zeichnet und dann die passende Gleichung dazu schreibt, beweist der Akt des Zeichnens, dass er die beiden Ideen miteinander verknüpft hat. In einem generativen Setting übernimmt die Maschine das Verknüpfen. Der Schüler hat vielleicht das Richtige verlangt, aber er hat vielleicht nicht verstanden, warum die Antwort der Maschine richtig ist, oder er bemerkt vielleicht nicht, wenn die Maschine einen subtilen Fehler gemacht hat. Das Paper weist darauf hin, dass ein korrekt aussehendes Produkt kein Beweis für Verständnis ist. Es ist lediglich der Beweis dafür, dass die Maschine Anweisungen befolgt hat.

Um dies zu illustrieren, betrachtet das Paper, wie Schüler mit einer Geometrieaufgabe arbeiten könnten. Stellen Sie sich vor, ein Schüler bittet einen Computer, eine bestimmte Form zu erstellen, etwa eine vierseitige Figur mit bestimmten Eigenschaften. In einem traditionellen dynamischen Geometrieprogramm würde der Schüler die Form durch das Verschieben von Punkten aufbauen, und der Computer würde sicherstellen, dass die Form den Regeln treu bleibt, wie etwa die gegenüberliegenden Seiten parallel zu halten. Wenn der Schüler einen Punkt verschiebt und die Form dadurch „bricht“, weiß er, dass er eine Regel verletzt hat. Mit einem Large Language Model beschreibt der Schüler die Form vielleicht in Worten, und der Computer generiert ein Bild. Wenn der Computer einen Fehler macht und die Seiten tatsächlich nicht parallel sind, bemerkt der Schüler dies vielleicht nicht, sofern er die Mathematik nicht aktiv überprüft. Die Maschine hat die Arbeit der Konstruktion übernommen, aber der Schüler hat nicht notwendigerweise die Arbeit des Verständnisses der Bedingungen geleistet. Das Paper legt nahe, dass das eigentliche Lernen stattfindet, wenn der Schüler gezwungen ist, sich das Ergebnis der Maschine anzusehen, zu prüfen, ob es seinem mentalen Bild entspricht, und dann zu beschreiben, wie er es korrigieren muss, falls es falsch ist.

Die Forschung hebt auch hervor, dass diese neue Arbeitsweise definiert, was als Fertigkeit zählt. In der Vergangenheit war die Fähigkeit eines Schülers, einen Graphen zu zeichnen oder eine Gleichung zu lösen, ein direktes Maß für seine Geschicklichkeit. Jetzt, wenn ein Schüler durch das Gespräch mit einem Computer das richtige Ergebnis erzielen kann, können wir nicht sicher sein, ob er die Fertigkeit gelernt oder nur gelernt hat, die richtigen Fragen zu stellen. Das Paper schlägt vor, dass wir nach anderen Belegen für das Lernen suchen müssen. Wir müssen sehen, ob Schüler erklären können, warum die Antwort des Computers korrekt ist, oder ob sie erkennen können, wenn der Computer falsch liegt. Wir müssen sehen, ob sie ein maschinengeneriertes Beispiel nehmen und es nutzen können, um eine tieferliegende Regel zu verstehen. Die Fähigkeit, einen Computer zu „prompten“, ist eine neue Fertigkeit, aber sie ist nicht dasselbe wie die Fähigkeit, Mathematik zu betreiben. Das Paper argumentiert, dass der wichtigste Teil des Prozesses nicht mehr die Produktion der Antwort ist, sondern die Koordination der Ideen. Der Schüler muss weiterhin derjenige sein, der die verschiedenen Versionen der Mathematik in seinem Kopf zusammenhält und überprüft, ob sie sinnvoll sind.

Letztlich kommt das Paper zu dem Schluss, dass Large Language Models weder ein Zauberstab sind, der die Probleme der Mathematikausbildung löst, noch eine Bedrohung, die das Bedürfnis nach menschlichem Verständnis ersetzt. Sie sind eine neue Art von Umgebung, die das Gleichgewicht der Arbeit verschiebt. Sie übernehmen die schwere Arbeit des Zeichnens und Rechnens und setzen so den menschlichen Geist frei, damit dieser sich auf das Beschreiben, Kritisieren und Verfeinern von Ideen konzentrieren kann. Aber dieser Wandel erfordert eine neue Art von Wachsamkeit. Lehrer und Schüler müssen vorsichtig sein, die Fähigkeit einer Maschine, eine korrekte Antwort zu generieren, nicht mit der Fähigkeit eines Menschen zu verwechseln, die Mathematik zu verstehen. Das Paper legt nahe, dass die Zukunft der Mathematikausbildung mit diesen Werkzeugen davon abhängt, den Fokus auf die Beziehungen zwischen den Ideen zu legen, statt nur auf das Endprodukt. Das Ziel ist es, die Maschine zu nutzen, um Möglichkeiten zu generieren, aber den Menschen als denjenigen in der Schleife zu halten, der entscheidet, was wahr, was konsistent und was lernenswert ist. Die Maschine kann das Haus bauen, aber der Mensch muss immer noch den Bauplan verstehen.