Integrating Machine Learning into K–12 Classrooms: Enhancing Critical Thinking Through Interactive AI Tasks

Technische Samenvatting: Integratie van Machine Learning in het K–12 Onderwijs

Probleemstelling
Hoewel de integratie van Kunstmatige Intelligentie (AI) en Machine Learning (ML) in het onderwijs versnelt, blijft empirisch onderzoek naar de impact ervan op de ontwikkeling van Kritisch Denken (KD) in K–12-settings beperkt. Bestaande literatuur behandelt ML vaak als een instrument voor voorspellende analyses (bijv. studentenprofilering) in plaats van als een pedagogisch medium voor cognitieve ontwikkeling. Bovendien verwarren studies vaak Computationeel Denken met Kritisch Denken, of richten ze zich uitsluitend op de verwerving van technische vaardigheden zonder te onderzoeken hoe ML-taken specifieke KD-processen zoals inferentie, evaluatie en bewijsgebaseerd redeneren activeren. Er is een opvallende kloof in het begrip van hoe middelbare scholieren betrokken zijn bij KD-indicatoren tijdens specifieke fasen van de ML-workflow (training, testen en toepassing) en hoe deze betrokkenheid varieert over verschillende leerprofielen.

Methodologie
Deze studie maakte gebruik van een exploratief casestudy-ontwerp waarbij 15 vrijwillige vijfde- en zesdeklassengroepen (7 meisjes, 8 jongens) van een openbare school in Turkije werden betrokken. De deelnemers, die over eerdere bekwaamheid in blokgebaseerde programmering beschikten, namen deel aan een acht weken durende interventie bestaande uit vijf gestructureerde ML-activiteiten met behulp van het Machine Learning for Kids-platform. De activiteiten omvatten drie tekstgebaseerde taken (Smart Classroom, Quiz Bot, Make Me Happy), één beeldgebaseerde taak (Car or Cup?) en één getalgebaseerde taak (Pac-Man Learner).

De gegevensverzameling was multimodaal:

1. Schermopnames: Legden interacties van studenten, workflowsequenties en verbaal redeneren tijdens het ML-proces vast.
2. Door de onderzoeker ontworpen werkbladen: Documenteerden de output van studenten en besluitvormingsprocessen.
3. Semi-gestructureerde interviews: Afgenomen na de activiteit om reflecties, cognitieve strategieën en waargenomen uitdagingen van studenten te onderzoeken.
4. Klinische interviews: Maakten gebruik van specifieke prompts om doelidentificatie, vraagformulering en het trekken van inferenties te beoordelen.

Data-analyse

• Kwantitatief: Een door de onderzoeker ontwikkelde ML en KD Prestatierubriek werd gebruikt om de prestaties van studenten te scoren over drie ML-fasen (Training, Leren & Testen, Toepassing) en acht KD-dimensies (Doelidentificatie, Vraagformulering, Informatieselectie, Conceptidentificatie, Logisch Redeneren, Toepassingsgerichte Oordeelsvorming, Inferentie, Conclusie). Scores werden gecategoriseerd in drie niveaus: Onvoldoende (0), Verbeterpunt (1) en Bekwaam (2).
• Clusteranalyse: K-means clustering (met behulp van RStudio) werd toegepast op de rubriekscores om onderscheidende studentprestatieprofielen te identificeren.
• Kwalitatief: Gericht inhoudelijke analyse werd uitgevoerd op interviewtranscripten en schermopnamegegevens, waarbij de reacties van studenten werden gekoppeld aan specifieke ML-fasen en KD-componenten. Inter-beoordelaarsbetrouwbaarheid werd vastgesteld met kwadratisch gewogen Cohen's κ op 30% van de gegevens.

Belangrijkste Resultaten
De studie vond dat ML-gebaseerde instructieve interventies observeerbare KD-prestaties en gerelateerde gedragingen kunnen ondersteunen, met name in doelgericht redeneren, toepassing-gebaseerde evaluatie en inferentie.

• Prestatieprofielen: Clusteranalyse onthulde drie duidelijke groepen: lage, gemiddelde en hoge KD-betrokkenheid.
  • Hogere presterende studenten identificeerden consistent relevante concepten tijdens de trainings- en testfasen en hielden gedurende de taakcyclus een analytische monitoring aan.
  • Lager scorende studenten hadden moeite met het selecteren van relevante concepten en het voltooien van de volledige ML-cyclus, wat wijst op een behoefte aan sterkere scaffolding tijdens de leerniveaus.
• Fasesensitiviteit: De studie benadrukte dat de toepassingsgerichte taken effectiever waren in het oproepen van hogere-orde denken in authentieke contexten dan de eerdere fasen.
• KD-indicatoren: Studenten toonden het vermogen om redeneringen te articuleren, modeloutputs te evalueren en benaderingen te herzien, wat overeenkomt met de APA Delphi-consensuscomponenten van KD (interpretatie, analyse, evaluatie, inferentie, verklaring en zelfregulatie).

Belangrijkste Bijdragen

1. Pedagogisch Kader: De studie levert bewijs dat ML-activiteiten kunnen dienen als een ontworpen praktijk om KD zichtbaar te maken, waarbij men verder gaat dan "inhoud" naar een gestructureerd pedagogisch kader waar besluitcriteria worden uitgelegd en bewijs wordt afgewogen.
2. Methodologische Innovatie: Het introduceert een multimethode-aanpak die schermopnames, rubriekgebaseerde prestatiebeoordeling en clusteranalyse combineert om KD-dimensies in kaart te brengen bij specifieke ML-fasen, waarmee het gebrek aan studies wordt geadresseerd die leerprofielen differentiëren in ML-geïntegreerde omgevingen.
3. Curriculumontwerp: De bevindingen suggereren dat de sequencing van ML-taken cruciaal is, waarbij toepassing-gerichte taken potentieel hogere-orde denken stimuleren. Het identificeert ook de noodzaak van scaffolding voor studenten die moeite hebben met conceptselectie en cyclusvoltooiing.

Betekenis en Claims
De auteurs beweren dat deze studie de kloof tussen ML-educatie en KD-ontwikkeling overbrugt door aan te tonen dat middelbare scholieren betekenisvol kunnen deelnemen aan ML-taken die hogere-orde cognitieve vaardigheden activeren. Het artikel stelt dat ML niet louter een technische competentie is, maar een krachtig kader voor het bevorderen van KD-vaardigheden in K–12-contexten. Door data-gestuurde feedbackloops in inquiry-based learning af te stemmen op KD-componenten, rechtvaardigt de studie ontwerpprincipes zoals transparantie, criteriumgebaseerde beoordeling en het pedagogische gebruik van foutenanalyse. De auteurs concluderen dat de geobserveerde veranderingen over de vijf activiteiten de waarde benadrukken van gestructureerde ML-taaksequencing voor het stimuleren van bewijsgebaseerd redeneren en rechtvaardiging in authentieke leercontexten.