Engagement and Equity as Evidence for AI-Informed Instructional Design: A Learning Analytics Study of Two Large-Scale Datasets
Door het analyseren van twee grootschalige leerdatasets toont deze studie aan dat hoewel gedragsmatige betrokkenheid de sterkste voorspeller is van academisch succes, de ongelijke verdeling ervan over sociaaleconomische groepen en groepen met een beperking noodzaakt dat door AI geïnformeerd instructief ontwerp prioriteit geeft aan rechtvaardigheid en strategieën voor vroege retentie boven louter automatisering om inclusief onderwijs effectief te bevorderen.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
In de wereld van het onderwijs is al enige tijd een stille revolutie gaande. Scholen en universiteiten wenden zich steeds vaker tot technologie om studenten te helpen leren, in de hoop dat digitale hulpmiddelen lessen kunnen afstemmen op individuele behoeften, werk direct kunnen nakijken en leerders op koers kunnen houden. Dit veld, bekend als learning analytics, houdt in dat enorme hoeveelheden gegevens worden verzameld over hoe studenten met hun cursussen omgaan—waar ze op klikken, hoe lang ze op een pagina doorbrengen en wanneer ze opdrachten inleveren. Het doel is om deze informatie te gebruiken om te begrijpen wat wel en wat niet werkt. Echter, nu kunstmatige intelligentie belooft deze instrumenten naar een volgend niveau te tillen, groeit de bezorgdheid onder onderwijzers. Zij vrezen dat de haast om nieuwe, flitsende technologieën te adopteren sneller gaat dan het bewijs dat nodig is om aan te tonen dat ze daadwerkelijk helpen. De centrale vraag is niet langer alleen wat technologie kan doen, maar welke specifieke ontwerpkeuzes in een cursus betrouwbaar leiden tot succes voor de student, en of deze keuzes alle studenten helpen of slechts een gelukkige enkeling.
Een nieuwe studie door onderzoekers van KCA University pakt deze vraag aan door te kijken naar twee enorme collecties real-world data. In plaats van een nieuw gadget te testen in een kleine klas, onderzocht het team de gegevens van bijna 29.000 studenten van een grote Britse afstandsonderwijsinstelling en een aparte steekproef van 4.000 gebruikers die interactie hebben met een commercieel AI-tutorsysteem voor Engelse taaltests. Door deze enorme datasets te analyseren, probeerden de onderzoekers de krachtigste signalen van succes te vinden en te zien of de belofte van kunstmatige intelligentie gebouwd is op een solide fundament, of dat het risico loopt de kloof tussen zij die slagen en zij die achterblijven te vergroten.
Het onderzoek begon met het bekijken van de structuur van de cursussen zelf. De onderzoekers onderzochten hoe het aantal toetsen, de lengte van de cursus en de soorten opdrachten bepaalden of studenten slaagden of zakten. Ze ontdekten dat het specifieke ontwerp van een cursus belangrijker is dan de reputatie van de instructeur. Langere cursussen die beoordelingen over een langere periode verspreiden, hadden de neiging hogere slagingspercentages te hebben, terwijl cursussen die vol gepropt waren met veel toetsen vaak zagen dat meer studenten worstelden of uitvielen. Interessant genoeg deed het type nakijken er minder toe dan de timing. Door computers nagekeken opdrachten, die te laat ingeleverd en vaak opnieuw ingediend kunnen worden, werden door studenten gebruikt als flexibele oefening, terwijl strikte, getimede examens werden behandeld als laatste hindernissen. Dit suggereert dat het ritme en de flexibiliteit van een cursus belangrijker zijn dan de loutere hoeveelheid werk of de specifieke technologie die wordt gebruikt om het te nakijken.
De meest opvallende ontdekking ging echter over het gedrag van de student. De onderzoekers ontdekten dat de sterkste voorspeller van of een student zou slagen, simpelweg was hoeveel ze interactie hadden met het cursusmateriaal. Studenten die op cursuspagina's klikten, forumberichten lazen en oefentoetsen maakten, hadden een veel grotere kans om te slagen dan studenten die dat niet deden. Deze verbinding was zo sterk dat het elk structureel kenmerk van het cursusontwerp dat zij onderzochten, overtrof. Sterker nog, het verschil in activiteit tussen studenten die slaagden en studenten die uitvielen, was enorm. Studenten die de hoogste cijfers behaalden, klikten meer dan twintig keer zo vaak op cursusmateriaal als zij die de cursus verlieten. Deze bevinding suggereert dat het boeiend en actief houden van studenten de meest cruciale taak is voor elk onderwijssysteem, of het nu wordt gerund door een menselijke docent of door kunstmatige intelligentie.
De studie onthulde ook een verontrustende realiteit over wie er deelname aan deze betrokkenheid krijgt. De gegevens toonden aan dat succes niet gelijkmatig verdeeld was. Studenten uit rijkere wijken slaagden veel vaker voor hun cursussen dan studenten uit de armste gebieden. De kloof werd nog groter wanneer beperking werd toegevoegd aan de mix; studenten met een beperking die ook uit achtergestelde omgevingen kwamen, waren het minst geneigd om te slagen. De onderzoekers vonden dat deze nadelen op elkaar stapelden, waardoor een barrière ontstond die veel hoger was dan elk van de factoren alleen. Dit betekent dat het simpelweg toevoegen van meer technologie aan een cursus deze problemen niet automatisch oplost. Als het ontwerp geen rekening houdt met deze ongelijkheden, kunnen nieuwe hulpmiddelen erdoor eindigen dat ze alleen de studenten helpen die al goed gepositioneerd zijn om te slagen, waardoor anderen verder achterop raken.
Het beeld werd nog duidelijker toen de onderzoekers naar het AI-tutorsysteem keken. Ze ontdekten dat de betrokkenheid bij dit AI-hulpmiddel extreem ongelijk was. Een kleine groep zeer actieve gebruikers genereerde de overgrote meerderheid van de interacties, terwijl de helft van alle gebruikers het systeem na slechts één sessie verliet. In veel gevallen logden deze gebruikers slechts één dag in en keerden nooit meer terug. Dit is een kritiek probleem voor kunstmatige intelligentie, omdat deze systemen tijd en herhaalde interacties nodig hebben om te leren wat een student weet en om hun lessen dienovereenkomstig aan te passen. Als een student na de eerste poging vertrekt, krijgt de AI nooit de kans om zijn werk te doen. De gegevens toonden aan dat de grootste uitdaging voor ontwerpers niet is om de AI slimmer of adaptiever te maken, maar om uit te zoeken hoe ze studenten betrokken houden om lang genoeg te blijven zodat het systeem kan werken.
Deze bevindingen bieden een duidelijk pad voor de verdere integratie van kunstmatige intelligentie in het onderwijs. De studie betoogt dat de prioriteit niet moet liggen bij het automatiseren van het nakijken of het genereren van content als eerste stap. In plaats daarvan moet de focus liggen op drie zaken: studenten betrokken houden vanaf de allereerste sessie, de cursusstructuur ontwerpen om flexibel en ondersteunend te zijn, en ervoor zorgen dat het systeem werkt voor studenten uit alle achtergronden, niet alleen voor het gemiddelde. De onderzoekers suggereren dat voordat er een nieuwe AI-functie wordt toegevoegd, ontwerpers zich de vraag moeten stellen of de cursus een diverse groep studenten geïnteresseerd houdt, of de werklast redelijk verspreid is, en of het systeem hels die het meest worstelen.
Uiteindelijk concludeert de studie dat de belofte van kunstmatige intelligentie in het onderwijs alleen gerealiseerd zal worden als deze gebouwd is op deze bewezen principes. De technologie zelf is geen magische oplossing die een defecte cursus of een ongeïnteresseerde student kan repareren. Het bewijs laat zien dat het krachtigste instrument voor succes een ontwerp is dat studenten aanmoedigt om te blijven verschijnen en deel te nemen. Voor kunstmatige intelligentie om echt te helpen, moet het worden gebruikt om deze menselijke gedragingen te ondersteunen, waarbij wordt gewaarborgd dat elke student, ongeacht hun achtergrond of vermogen, de kans heeft om betrokken te blijven en te leren. De toekomst van onderwijstechnologie hangt niet af van hoe geavanceerd de algoritmen zijn, maar van hoe goed ze de fundamentele behoeften dienen van de leerders die ze bedoeld zijn te ondersteunen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.