חדשנות בהערכה אקדמית עם בינה מלאכותית - לאן עכשיו?

• לאחר שנתיים, האתגר הגדול בהתאמת הלמידה וההערכה האקדמית לעידן הבינה המלאכותית ברור - שלל הזדמנויות מחד, וחשש לאבד יכולות בסיס חיוניות בתהליכי הכשרה. 

דרושה חדשנות וחשיבה מחודשת, אך נשאלת השאלה במה עלינו להשקיע על מנת להתקדם בצורה מועילה נכון לעכשיו? 

אגייס לטובת הניתוח עקרונות ממדעי הלמידה, שעוזרים להצביע על כיוון:

פיתוח מיומנויות בכל תחום, בנוי משלושה רכיבים חיוניים, כך על פי הספר "How Learning Works" שמחבר בין עקרונות מבוססי מחקר ואסטרטגיות להוראה אקדמית:

1. לרכוש מיומנויות בסיס

2. לתרגל את החיבור הנחוץ בין מיומנויות הבסיס

3. לדעת מתי וכיצד ליישם את המיומנויות הללו

הספר מדבר  על פיתוח מיומנויות אקדמיות בקרב סטודנטים, אך ננסה להשאיל את הרעיונות לפיתוח המיומנויות שלנו, אנשי ההוראה באקדמיה, באשר לפיתוח המיומנות הנדרשות לנו ל"פיתוח הערכה אקדמית משולבת בינה מלאכותית", ולשאול - לאן הגענו?  ומה הצעד הבא במטרה להבטיח את איכות ההכשרה? להלן הצעה בהלימה למודל 

שלעיל (וראו גם איור המצורף להלן):

1. מיומנויות הבסיס העיקריות שכבר רכשנו (או שניתן להניח זאת):

פיתוח הערכה אפקטיבית באקדמיה בהלימה ליעדים (מיומנות פדגוגית) - 

שימוש בכלי בינה מלאכותית באופן יעיל במקצוע הרלוונטי - 

2. תרגול החיבור בין מיומנויות הבסיס:

רבים עוסקים בחיבורים הללו בימים אלו, כל מרצה - במסגרת הקורס שלו או שלה.  מתנסים ביישומי בינה מלאכותית בהערכה, במגוון רחב של דרכים: החל מהתעלמות, ועד לשימוש מתוחכם ומתקדם.

זוהי תקופה כאוטית: כל אחד לפי מידת ההיכרות עם האפשרויות, המוטיבציה, הצורך העולה מן השטח. זהו שלב ביניים נחוץ כדי ללמוד מהצלחות ומטעויות.

אך על מנת להתקדם כדאי לחשוב על  השלב הבא:

3. מתי ואיפה ניישם את את המיומנויות הללו?

כל עוד כל מרצה מקבל/ת החלטה על דרכי היישום ברמת הקורס, תחת הנחיות מוסדיות כלליות בלבד, אין לנו יכולת להתאים בין היעדים ובין דרכי השגתם. לכל אחד יש דעה אחרת לגבי היעדים (כישורים בסיסיים? כישורי בינה מלאכותית? דגש על ידע? דגש על יישום?) והיישום נעשה בסדר רנדומלי, במיקוד משתנה ובחוסר תיאום. כל אלו, כאמור, תואמים את נקודת הזמן הנוכחית בהתפתחות.

ההצעה היא שהצעד הבא יתבטא במיקוד מאמצי החדשנות בתחום ההערכה ברמת החוג או המסלול, ולא רק הקורס, תוך דגש על:

1. הגדרת יעדים לבוגרי המסלול, ותוצרי למידה מדורגים מהבסיס ומעלה שיבואו לידי ביטוי בקורסים השונים במהלך התואר.

2. עיצוב דרכי הערכה חדשות המשלבות:

 הערכה ללא בינה מלאכותית ברמת הקורס שתבטיח סטנדרטים אנושיים של ידע ומיומנויות בסיס חיוניות.

דרכי הערכה משמעותיות חוצות-קורסים שיכללו הערכת יכולות מתקדמות, כולל שילוב רלוונטי של בינה מלאכותית בסוף שנת לימודים. כמו למשל פרויקטים רוחביים משותפים למספר קורסים, מבחנים מעשיים, או פרזנטציות הכוללות מענה לשאלות צוותי שיפוט. 

עלינו לחדש כך שנוכל להעריך את הישגי הלומדים במסלול במונחים של ידע ומיומנויות, בדרך משמעותית ותקפה, אינטגרטיבית ומעמיקה, ובו בזמן שהשקעת המשאבים של סגלי ההוראה תהיה מתואמת וממוקדת. - כאן טמון אתגר החדשנות המשמעותי ביותר. 

"מהפכת" הבינה המלאכותית, מביאה איתה אתגרים משמעותיים מחד, והזדמנויות מאידך. עלינו לראות את איכות ההכשרה לנגד עינינו כמטרה ראשונה במעלה, ולמקד מאמצים בחדשנות בהערכה אשר תבטיח בוגרים ובוגרות מסוגלים. יש חשיבות למאמצים ולהישגים הספורדיים שמתרחשים היום, כאמור לעיל, אך המבט קדימה צריך להיות ממוקד במטרה ראויה ומוגדרת היטב.

Lovett, M. C., Bridges, M. W., DiPietro, M., Ambrose, S. A., & Norman, M. K. (2023). How learning works: Eight research-based principles for smart teaching. John Wiley & Sons.