An Integrated Framework for Generative AI in Undergraduate Mathematics: Policy, Pedagogy, and Assessment
Dit conceptuele artikel introduceert AI-EPE, een uitgebreid kader dat beleid, pedagogiek en beoordeling integreert om het ethische en effectieve gebruik van generatieve AI in het wiskundeonderwijs voor bachelorstudenten te begeleiden door kernconstructen zoals ethische competentie en epistemische agency te definiëren, terwijl het niveau-specifieke richtlijnen en beoordelingsstrategieën biedt.
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
Wiskunde is altijd meer geweest dan een verzameling antwoorden om te onthouden. Voor studenten ligt de werkelijke waarde van het vak in het mentale werk van het uitzoeken van zaken: de strijd om een concept te begrijpen, het proces van het opbouwen van een logisch argument en de verantwoordelijkheid voor het verifiëren van een resultaat. Deze intellectuele inspanning is wat onderwijzers "productieve strijd" noemen, en het is de motor die diepgaand leren aandrijft. Echter, een nieuw soort technologie is gearriveerd dat dit mentale werk onmiddellijk kan uitvoeren. Generatieve kunstmatige intelligentie, hetzelfde type systeem dat essays kan schrijven of afbeeldingen kan creëren, kan nu complexe wiskundige problemen oplossen, formele bewijzen construeren en moeilijke concepten in seconden uitleggen. Deze capaciteit creëert een diepgaand dilemma voor universiteiten. Als een machine een perfecte oplossing kan produceren, hoe kan een docent dan weten of een student de wiskunde daadwerkelijk begrijpt? Als een student de tool gebruikt om de strijd te omzeilen, kunnen zij afstuderen met een cijferlijst vol correcte antwoorden, maar zonder de redeneervaardigheden die die antwoorden zouden moeten vertegenwoordigen.
De uitdaging is niet simpelweg het detecteren van ongeoorloofd gebruik. Het gaat om het behoud van precies datgene wat wiskundeonderwijs waardevol maakt: de ontwikkeling van de eigen geest van een student. Wanneer een student een machine vertrouwt om het denken over te nemen, missen zij de kans om de neurale paden op te bouwen die nodig zijn voor logisch redeneren. Toch negeert het volledig verbieden van deze tools de realiteit dat studenten ze in hun toekomstige carrières en levens zullen tegenkomen. De vraag is verschoven van of we deze tools moeten toestaan naar hoe we ze kunnen gebruiken op een manier die het menselijk denken versterkt, in plaats van vervangt. Onderzoekers Eunmi Joung, HyeJin Tina Yeo, Bitnara Jasmine Park en Mia Kang hebben dit complexe probleem aangepakt door een nieuwe manier voor te stellen om over de relatie tussen beleid, onderwijs en toetsing in de bacheloropleiding wiskunde na te denken.
De auteurs introduceren een kader genaamd AI-EPE, wat staat voor Ethische Competentie (Ethical Competency), Waargenomen Nut (Perceived Utility) en Epistemische Agency (Epistemic Agency). Deze drie ideeën vormen de ruggengraat van hun aanpak. Ethische Competentie is het vermogen om te oordelen wanneer het juist is om de tool te gebruiken en wanneer niet. Het gaat niet alleen om het volgen van een regel, maar om het begrijpen van het doel van de leeropdracht. Waargenomen Nut is de overtuiging dat de tool daadwerkelijk helpt bij het leren, in plaats van alleen het werk gemakkelijker te maken. Ten slotte is Epistemische Agency de actieve verantwoordelijkheid van de student om de kapitein van hun eigen redenering te blijven. Het betekent dat de student, zelfs bij het gebruik van de machine, de stappen moet verifiëren, de logica moet bevragen en eigenaarschap moet nemen over het uiteindelijke resultaat. De onderzoekers betogen dat voor het voortbestaan van het wiskundeonderwijs in deze technologische verschuiving, deze drie voorwaarden op elk niveau van de universiteit moeten worden voldaan, van de administratie tot aan de individuele huiswerkopdracht.
Het artikel beschrijft hoe deze voorwaarden toegepast moeten worden via drie verschillende lagen van bestuur. Op het hoogste niveau stelt de universiteitsadministratie de basisregels vast, zoals het beschermen van de privacy van studentgegevens en het waarborgen dat geen enkele cursus van studenten vereist om voor dure software te betalen. Dit creëert een eerlijke basislijn voor iedereen. De tweede laag behoort toe aan de vakgroep wiskunde. Omdat wiskunde een cumulatief vak is waarbij vaardigheden op elkaar voortbouwen, moet de vakgroep beslissen welke specifieke vaardigheden in welke cursussen zonder hulp geoefend moeten worden. In een basaal algebravak kan de vakgroep bijvoorbeeld besluiten dat studenten kernberekeningen op eigen kracht moeten uitvoeren om ervoor te zorgen dat ze later klaar zijn voor calculus. In een statistiekvak kan de regel zijn dat studenten het model moeten kiezen en de resultaten moeten interpreteren, zelfs als het hen is toegestaan de tool te gebruiken om programmeerfouten te herstellen. Deze laag zorgt ervoor dat de leerdoelen van de ene cursus niet worden ondermijnd door de regels van een andere. De derde laag is de klas zelf, waar instructeurs deze standaarden van de vakgroep vertalen naar specifieke instructies voor elke opdracht, waarbij zij studenten precies vertellen hoe en wanneer zij de tool mogen gebruiken.
Om dit in de praktijk te laten werken, suggereren de onderzoekers het veranderen van de aard van het werk dat studenten doen. In plaats van te vragen om een definitief antwoord, dat de machine onmiddellijk kan generen, zouden docenten moeten vragen naar het denkproces. Een effectieve methode is om studenten eerst een probleem op eigen kracht op te lossen, vervolgens de tool te gebruiken om hun werk te controleren, en tot slot op te schrijven wat ze hebben geleerd van de vergelijking. Een andere benadering is om studenten als critici te laten optreden, door fouten te vinden in een door de machine gegenereerde oplossing of uit te leggen waarom het antwoord van een machine misleidend kan zijn. In een bewijsgericht vak kan een student gevraagd worden om een logisch argument vanaf nul op te bouwen en vervolgens de tool te gebruiken om te proberen een fout in dat argument te vinden. Deze taken verschuiven de focus van het verkrijgen van het juiste antwoord naar het demonstreren van het vermogen om de redenering achter het antwoord te beheersen, te evalueren en te rechtvaardigen. De onderzoekers benadrukken dat het doel niet is om de technologie te verbieden, maar om taken te ontwerpen waarbij de menselijke geest het zware werk moet doen dat de machine niet kan repliceren.
Het artikel behandelt ook hoe dit nieuwe soort werk beoordeeld moet worden. Aangezien het juiste antwoord niet langer het enige bewijs van begrip is, moeten de beoordelingscriteria veranderen. Docenten moeten zoeken naar bewijs van besluitvorming, waarbij de student uitlegt waarom zij een bepaalde weg hebben gekozen. Ze moeten zoeken naar rechtvaardiging, waarbij de student hun keuzes ondersteunt met logica in plaats van alleen te herhalen wat de machine zei. Ze moeten ook zoeken naar foutdetectie, waarbij de student fouten in de output van de machine opmerkt, en naar transparantie in de redenering, waarbij de student hun eigen denkproces duidelijk uitlegt. Door op deze elementen te focussen, kunnen onderwijzers beoordelen of een student de stof werkelijk begrijpt, zelfs als zij een tool hebben gebruikt om te helpen. De onderzoekers merken op dat deze strategieën het meest effectief zijn wanneer ze worden geoefend in opdrachten met een lage inzet voordat ze worden gebruikt bij belangrijke examens, zodat studenten de tijd krijgen om de gewoonte van kritische betrokkenheid te ontwikkelen.
Ondanks het gedetailleerde plan, zijn de auteurs voorzichtig om te stellen dat dit kader een voorstel is, en geen bewezen oplossing. Het is een conceptueel model dat is opgebouwd door bestaande theorieën over onderwijs en technologie te combineren met de specifieke behoeften van de wiskunde. Het is nog niet getest in klaslokalen om te zien of het daadwerkelijk het leren van studenten verbetert of of het praktisch uitvoerbaar is voor docenten. De onderzoekers erkennen dat hun ideeën primair zijn ontwikkeld binnen de context van het hoger onderwijs in de Verenigde Staten en mogelijk moeten worden aangepast voor andere landen of andere soorten instellingen. Ze wijzen ook erop dat de grenzen tussen hun drie hoofdzaken — ethiek, nut en agency — op manieren kunnen overlappen die nog niet duidelijk zijn. Toekomstige studies zullen moeten testen of deze ideeën samenwerken zoals bedoeld en of ze kunnen worden aangepast aan verschillende studentenpopulaties en cursusstructuren.
Het uiteindelijke doel van dit werk is om universiteiten te helpen navigeren door een toekomst waarin kunstmatige intelligentie een constante aanwezigheid is. De onderzoekers suggereren dat de oplossing niet ligt in het bevechten van de technologie, maar in het herontwerpen van het onderwijs om ervoor te zorgen dat studenten de primaire denkers blijven. Door duidelijk te definiëren wat onafhankelijk moet gebeuren en wat ondersteund kan worden door een machine, en door beoordelingen te ontwerpen die menselijke redenering zichtbaar maken, kunnen onderwijzers de integriteit van het wiskundeonderwijs beschermen. Het artikel biedt een startpunt voor vakgroepen en instructeurs om deze moeilijke gesprekken te voeren en een systeem op te bouwen waarbij technologie de intellectuele groei van de student dient in plaats van deze te vervangen. Hoewel het kader nog geen voltooid product is, biedt het een coherente structuur om vooruit te gaan, waardoor wordt gewaarborgd dat de volgende generatie wiskundigen en wetenschappers de kritische denkvaardigheden ontwikkelt die zij nodig hebben om te floreren in een wereld vol intelligente machines.
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.