Investigating Generative AI for Personalized College Assignments Based on Student Interests
Dit artikel presenteert Taklif.AI, een serverloos generatief AI-platform dat Llama 3.3 en gestructureerde prompt engineering gebruikt om gepersonaliseerde college-opdrachten te creëren op basis van de unieke interesses en culturele contexten van studenten, waarbij een positieve ontvangst door gebruikers wordt aangetoond terwijl uitdagingen op het gebied van betrokkenheid en ethiek in het onderwijs worden geadresseerd.
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 klaslokalen over de hele wereld kampen docenten met een stille maar hardnekkige strijd: hoe maak je een enkele les persoonlijk voor tientallen studenten die op heel verschillende manieren denken, leren en dingen waar ze om geven. Een student die van astronomie houdt, vindt een standaard wiskundeprobleem over verkeerslichten misschien saai, terwijl een student die geobsedeerd is door basketbal moeite kan hebben om het nut van een generieke programmeeroefening in te zien. Decennialang hebben onderwijzers geweten dat het verbinden van schoolwerk aan de eigen passies van een student de motivatie kan aanwakkeren en het begrip kan verdiepen, maar dit voor elke individuele opdracht te doen in een grote klas is een taak die het hele leven van een docent zou opslokken. De komst van krachtige computerprogramma's die menselijke tekst kunnen schrijven, heeft een nieuwe deur geopend. Deze hulpmiddelen, bekend als grote taalmodellen, kunnen een standaardopdracht lezen en deze herschrijven om aan een specifieke interesse aan te sluiten, wat theoretisch een manier biedt om elke student een unieke versie van dezelfde les te geven zonder dat dit extra uren van de instructeur vereist.
Een team van onderzoekers van de Islamitische Universiteit van Gaza en de Università del Salento in Italië zette zich in om te testen of deze technologie daadwerkelijk zou kunnen werken in een echte college-omgeving. Ze bouwden een webplatform genaamd Taklif.AI, ontworpen om een standaardopdracht — zoals een programmeertaak of een wiskundeprobleem — automatisch te hervormen zodat deze aansluit bij de hobby's van een student, zoals voetbal, videogames of muziek. Het systeem verandert de kern van de les of de moeilijkheidsgraad van het werk niet; in plaats daarvan fungeert het als een vertaler die de oorspronkelijke vereisten neemt en ze verpakt in een nieuw verhaal dat spreekt tot de persoonlijke interesses van de student. Om ervoor te zorgen dat de computer niet van het onderwerp afwijkt of onveilige inhoud produceert, programmeerden de onderzoekers strikte regels, of guardrails, die zowel de invoer van de student als de uitvoer van de computer controleren voordat er iets wordt getoond.
De onderzoekers testten hun systeem met 68 deelnemers, waaronder 65 bachelorstudenten en drie docenten. Elke persoon gebruikte het platform om één opdracht naar keuze te personaliseren. De resultaten waren bemoedigend. Wanneer gevraagd werd of de gepersonaliseerde versie meer boeiend aanvoelde dan een standaardversie, stemde 84 procent van de deelnemers ermee in of was het er sterk mee eens. De grote meerderheid vond het systeem ook gemakkelijk in gebruik en vond dat de oorspronkelijke leerdoelen behouden bleven. Het platform genereerde succesvol voorbeelden zoals een programmeeruitdaging over het vinden van paren getallen, die voor een student geïnteresseerd in astronomie werd herschreven tot een taak over het uitlijnen van telescooplenzen om de intensiteit van sterlicht te matchen. Een ander voorbeeld transformeerde een verzamelingenleerprobleem naar een scenario over het analyseren van basketbalteams en hun gedeelde spelers. In deze gevallen bleef de wiskundige logica en de regels van het probleem exact hetzelfde, maar verschoof de context naar de wereld van de student.
De onderzoekers zijn echter voorzichtig in het benadrukken van wat hun studie nog niet heeft bewezen. Hoewel de studenten rapporteerden dat de opdrachten interessanter aanvoelden, heeft het team niet gemeten of deze toegenomen interesse daadwerkelijk leidde tot betere toetsresultaten, dieper begrip of minder gevallen van academische oneerlijkheid. De studie was een voorlopige controle op de vraag of mensen het idee leuk vonden en het hulpmiddel bruikbaar vonden, niet een definitief oordeel over de vraag of het de leerresultaten verbetert. Het systeem heeft ook beperkingen; het is afhankelijk van studenten die eerlijk rapporteren over hun interesses, en het kan nog niet elk type opdracht of onderwerp met evenveel gemak aan. De onderzoekers erkennen dat zeer abstracte onderwerpen moeilijk te herformuleren kunnen zijn zonder hun essentiële aard te verliezen, en ze waarschuwen dat te veel storytelling de aandacht van het werkelijke werk kan afleiden.
Het project vertegenwoordigt een belangrijke stap in het bewegen van kunstmatige intelligentie van een hulpmiddel dat simpelweg vragen beantwoordt naar een hulpmiddel dat helpt bij het ontwerpen van de leerervaring zelf. Door een flexibele computerarchitectuur te combineren met zorgvuldige veiligheidscontroles, lieten de onderzoekers zien dat het mogelijk is om unieke, op interesse gebaseerde opdrachten te genereren op een schaal die voorheen onmogelijk was voor menselijke docenten om te beheren. De volgende fase van hun werk zal bestaan uit een meer rigoureuze vergelijking, waarbij studenten die deze gepersonaliseerde opdrachten ontvangen worden tegenover elkaar gezet met studenten die standaardopdrachten ontvangen, om te zien of de personalisatie het leren echt verandert. Voor nu suggereert de studie dat wanneer technologie wordt gebruikt om de kloof tussen het leven van een student en hun schoolwerk te overbruggen, het resultaat een leerervaring is die minder aanvoelt als een verplichting en meer als een gesprek.
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.