Human–GenAI Interaction in Higher Education: A Multi-Agent Fuzzy Delphi Framework for Co-Creative Environmental Learning
Deze studie introduceert een nieuw multi-agent mens–GenAI fuzzy Delphi-framework om co-creatief omgevingsleren in het hoger onderwijs empirisch te modelleren en te optimaliseren, waarbij wordt onthuld hoe georkestreerde interacties tussen docenten en diverse AI-systemen systeemdenken, betrokkenheid en adaptieve leerstrategieën bevorderen via drie iteratieve interactielussen.
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
De wereld van het milieueducatie staat voor een diepgaande verschuiving. Decennialang vertrouwde de aanpak bij het onderwijzen over klimaatverandering, vervuiling en biodiversiteitsverlies vaak op lineaire lessen: een docent presenteert feiten, en studenten absorberen deze. Toch zijn de problemen waar we voor staan geen eenvoudige lijsten met feiten; het zijn verstrengelde, levende systemen waarbij een verandering in één gebied doorwerkt in vele andere gebieden. Om deze complexe webben te begrijpen, moeten leerlingen in systemen kunnen denken, waarbij ze zich voorstellen hoe acties van vandaag de wereld van morgen kunnen hervormen. Hier komt een nieuw soort technologie in de klas kijken. Generatieve kunstmatige intelligentie, dezelfde technologie die verhalen kan schrijven of vergelijkingen kan oplossen, wordt getest niet alleen als een hulpmiddel voor het leveren van informatie, maar als een partner in het denkproces zelf. De vraag is niet langer of machines antwoorden kunnen genereren, maar hoe mensen en machines samen kunnen werken om nieuwe inzichten te creëren die geen van beiden alleen had kunnen bereiken.
In een recente studie hebben onderzoekers van de Universiteit van Teheran geprobeerd in kaart te brengen hoe deze samenwerking precies zou kunnen werken in het hoger onderwijs. Ze waren niet geïnteresseerd in het simpelweg vragen van advies aan één enkel computerprogramma. In plaats daarvan behandelden ze kunstmatige intelligentie als een groep afzonderlijke denkers, elk met een eigen manier om informatie te verwerken. Het team zette acht verschillende tekstgebaseerde kunstmatige intelligentiesystemen in, variërend van algemeen bekende algemene assistenten tot gespecialiseerde modellen ontworpen voor onderzoek of logische redenering. Ze plaatsten deze systemen in een gestructureerd gesprek en vroegen hen te helpen bij het ontwerpen van leerervaringen voor complexe milieuonderwerpen zoals waterbeheer en de circulaire economie. Het doel was om te zien hoe deze verschillende digitale geesten dezelfde probleemstelling zouden benaderen, welke patronen naar voren kwamen wanneer zij samenwerkten, en hoe menselijke experts deze samenwerking konden sturen.
De onderzoekers ontdekten dat deze kunstmatige intelligentiesystemen niet allemaal op dezelfde manier dachten. Sommigen waren beter in het genereren van ethische argumenten en het reflecteren op waarden, terwijl anderen uitblonken in het bouwen van logische structuren of het simuleren van de gevolgen van specifieke beslissingen. Het ene systeem richtte zich misschien op de veiligheid en ethiek van een voorgestelde oplossing, terwijl een ander direct zou beginnen met het modelleren van de achterliggende data. Deze diversiteit suggereerde dat het vertrouwen op slechts één kunstmatige intelligentietool de diepgang van het leren zou kunnen beperken. In plaats daarvan leek de meest effectieve aanpak een gecoördineerde inspanning te zijn waarbij een menselijke docent optreedt als een dirigent, die de unieke sterktes van verschillende systemen samenbrengt om een rijkere leeromgeving te creëren. De studie identificeerde dat wanneer mensen en deze uiteenlopende kunstmatige intelligenties interageren, zij door drie verschillende, herhalende cycli bewegen. Eerst verkennen zij een probleem en genereren zij initiële ideeën. Vervolgens simuleren zij de uitkomsten van die ideeën en reflecteren zij op wat er goed of fout zou kunnen gaan. Ten slotte implementeren zij de beste oplossingen en passen zij deze aan op basis van wat zij hebben geleerd, waardoor een continue lus van verbetering ontstaat.
Om deze interacties te duiden, brachten de onderzoekers een panel van vier menselijke experts in milieueducatie en technologie in. Zij gebruikten een rigoureuze methode om de door de kunstmatige intelligentiesystemen gegenereerde ideeën te testen, waarbij zij de experts vroegen de belangrijkheid en duidelijkheid van elk concept te beoordelen. Dit proces, dat meerdere ronden van feedback omvatte, hielp om vage suggesties te filteren en een helder kader te consolideren. De experts bevestigden dat de meest waardevolle interacties diegene waren die de mens in de bestuurdersstoel hielden voor oordeelsvorming en ethiek, terwijl zij de machines gebruikten om het bereik van mogelijkheden te vergroten. De studie benadrukte dat hoewel kunstmatige intelligentie complexe scenario's kan simuleren en directe feedback kan bieden, het de emotionele, historische of diep politieke nuances van milieuproblemen niet volledig kan begrijpen. Daarom verschuift de rol van de mens van het simpelweg onderwijzen van inhoud naar het orkestreren van een complexe dans tussen student, machine en de werkelijke context.
Het uiteindelijke beeld dat naar voren kwam, is dat van een dynamisch leer-ecosysteem. In dit model is de docent niet langer slechts een bron van informatie, maar een facilitator die studenten helpt de relatie tussen menselijke intuïtie en machineberekening te navigeren. De studie suggereert dat voor het slagen hiervan, onderwijssystemen moeten worden herontworpen om deze nieuwe interacties te ondersteunen, zodat studenten leren de vooroordelen van de machines die zij gebruiken in twijfel te trekken en hun eigen kritisch denken te waarderen. Hoewel de onderzoekers opmerkten dat hun bevindingen gebaseerd zijn op simulaties en expertbeoordelingen in plaats van langdurige klasexperimenten, biedt het door hen ontwikkelde kader een concrete weg vooruit. Het stelt voor dat door kunstmatige intelligentie te behandelen als een diverse set cognitieve partners in plaats van een enkel hulpmiddel, onderwijzers studenten kunnen helpen het diepe, flexibele denken te ontwikkelen dat vereist is om de milieuproblemen van de toekomst op te lossen. Het werk onderstreept dat de toekomst van leren niet ligt in het vervangen van menselijke docenten, maar in het in staat stellen van hen om studenten te begeleiden door een nieuw, gedeeld landschap van ontdekking.
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.