Generative AI Adoption in Statistics and Data Science Higher Education
Een studie onder 72 Egyptische studenten in het laatste jaar van de bacheloropleiding, gebruikmakend van een aangepast UTAUT2-model, onthult dat hoewel gebruiksgemak en ondersteuning sterke drijfveren zijn voor de adoptie van generatieve AI in statistiek- en data science-onderwijs, verantwoord vakinhoudelijk gebruik aanvullende kritische vaardigheden vereist zoals verificatie en statistisch oordeelsvermogen die verder gaan dan louter gedragsintentie.
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 het moderne klaslokaal is een nieuw soort helper gearriveerd, een die niet alleen feiten ophaalt, maar ook code schrijft, vergelijkingen oplost en uitleg opstelt in enkele seconden. Deze technologie, bekend als generatieve kunstmatige intelligentie, is snel verschoven van een noviteit naar een noodzaak, met name in velden zoals statistiek en data science waar studenten voortdurend abstracte concepten moeten vertalen naar werkende programma's en heldere argumenten. Voor docenten is de centrale vraag verschoven van óf studenten deze hulpmiddelen zullen gebruiken naar hóé ze ze zullen gebruiken. De uitdaging ligt in het verschil tussen het simpelweg adopteren van een hulpmiddel en het verantwoord gebruiken ervan. Een student kan gemakkelijk een AI vragen om een computerprogramma te schrijven, maar diezelfde gemakkelijkheid kan een subtiele valstrik verbergen: de code kan perfect draaien terwijl de achterliggende logica gebrekkig is, of de uitleg kan zelfverzekerd klinken terwijl de wiskunde fout is. In disciplines waar de geldigheid van een conclusie afhangt van rigoureuze controle en een goed oordeel, kan de snelheid van het hulpmiddel soms sneller gaan dan het vermogen van de student om het werk te verifiëren.
Om te begrijpen hoe deze dynamiek zich afspeelt in werkelijke leeromgevingen, heeft een onderzoeker aan de American University in Cairo een enquête gehouden onder tweeënzeventig eindexamenstudenten die ingeschreven staan voor gevorderde cursussen over tijdreeksanalyse en categorische data-analyse. Dit waren geen beginners; het waren studenten die al comfortabel waren met programmeertalen en complexe statistische modellen, werkend in een setting waar kunstmatige intelligentie gebruikt kon worden om code te debuggen, resultaten te interpreteren of moeilijke concepten te verhelderen. De onderzoeker vroeg deze studenten om hun gewoonten en gevoelens met betrekking tot de technologie te beschrijven, gebruikmakend van een kader dat de redenen waarom mensen nieuwe hulpmiddelen adopteren onderverdeelt in een paar kernideeën: hoe gemakkelijk het hulpmiddel te gebruiken is, hoeveel ondersteuning de school biedt, en hoe zelfverzekerd de student zich voelt in zijn of haar eigen vermogen om met de technologie om te gaan. Het doel was om te zien welke van deze factoren de studenten daadwerkelijk tot het gebruik van de AI dreven, en of die intentie vertaalde in daadwerkelijk gebruik.
De studie vond dat de belangrijkste reden waarom studenten de intentie hadden om generatieve AI te gebruiken, simpelweg was hoeveel moeite het hen bespaarde. Wanneer de technologie het makkelijker maakte om van een verwarrend concept naar een werkende oplossing te gaan, waren studenten veel eerder geneigd het in hun dagelijkse workflow op te nemen. Deze factor, die de onderzoeker 'effort expectancy' (inspanningsverwachting) noemt, was een veel krachtigere drijfveer dan het algemene vertrouwen van de studenten in hun eigen vaardigheden of de specifieke ondersteuning die zij van instructoren ontvingen. Hoewel een ondersteunende omgeving en persoonlijk vertrouwen wel een rol speelden, was de gemakkelijke integratie de primaire poortwachter. Zodra een student de intentie vormde om het hulpmiddel te gebruiken, voorspelde die intentie sterk of hij het ook daadwerkelijk zou gebruiken, wat een duidelijk pad creëerde van het gevoel dat het hulpmiddel handig is naar het maken ervan tot een vast onderdeel van hun studiedagelijkheden.
De research onthulde echter ook een aanzienlijke kloof tussen het gebruiken van het hulpmiddel en het goed gebruiken ervan. De studenten die aan de enquête deelnamen, uitten een duidelijke waardering voor de directheid van de AI, waarbij zij merkten hoe het hen hielp complexe ideeën te vereenvoudigen en sneller code te schrijven. Toch uitten zij in hun eigen woorden ook diepe zorgen over de betrouwbaarheid van de antwoorden die zij ontvingen. Zij beschreven gevallen waarin de AI onjuiste berekeningen maakte, code genereerde die er juist uitzag maar niet werkte, of verklaringen bood die in strijd waren met wat zij in de les hadden geleerd. Veel studenten maakten zich zorgen over het te afhankelijk worden van de technologie, uit angst dat het gemak hun eigen kritische denkvermogen zou uithollen. Zij benadrukten dat, hoewel het hulpmiddel nuttig was om mee te beginnen, het niet in staat was om de noodzaak te vervangen om elke stap te verifiëren, de aannames achter een model te controleren en te waarborgen dat de uiteindelijke output statistisch sluitend was.
De studie concludeert dat hoewel het gemakkelijk maken van het gebruik van een technologie de meest effectieve manier is om studenten tot adoptie te bewegen, gebruiksgemak geen verantwoord gebruik garandeert. In de specifieke context van gevorderde statistiek en data science zijn de factoren die een student aanmoedigen om een hulpmiddel op te pakken, niet dezelfde factoren die ervoor zorgen dat ze het correct gebruiken. De research suggereert dat voor onderwijs dat het tempo van deze technologie kan bijhouden, instructeurs verder moeten kijken dan eenvoudige adoptiemetrieken. De echte educatieve uitdaging is niet alleen om studenten de AI te laten gebruiken, maar om hen te leren hoe ze hun eigen oordeelsvorming kunnen behouden tijdens het gebruik ervan. Dit betekent het creëren van opdrachten die van studenten vragen om fouten in door AI gegenereerd werk te vinden, hun eigen modelkeuzes te rechtvaardigen en expliciet te vermelden hoe zij de resultaten hebben geverifieerd. De studie geeft aan dat zonder deze specifieke waarborgen, hetzelfde gemak dat het hulpmiddel zo populair maakt, ertoe kan leiden dat studenten antwoorden accepteren zonder de noodzakelijke kritische blik die hun vakgebied definieert.
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.