fredag 20. desember 2019

Trenger vi kunstig intelligens i klasserommet?


Kan kunstig intelligens erstatte læreren i klasserommet? Vil lærerne i fremtidens skole ha en helt annen rolle? Hvordan vil det påvirke elevene? Og hva skjer med læremidlene?

Trenger vi kunstig intelligens i klasserommet?

Kunstig intelligens og digital teknologi er allerede overalt, også inne i klasserommet. Det blir mer og mer digitale læringsmidler. Når Fagfornyelsen trer i kraft i august 2020 har alle de store forlagene pusset opp læringsteknologien sin og er klare for å innta så mange klasserom som mulig. Samtidig blir flere og flere skoler såkalte 1:1-skoler der alle elevene har et nettbrett eller en PC fra de begynner i første klasse.

Det har blitt møtt med både kritikk og begeistring.

Det er viktig å ha klart for seg hva den kunstige intelligensen er god på og hva den ikke er god på.

Kunstig intelligens er god på å måle elevenes faktakunnskaper, ferdigheter og enkeltbegreper. Men den er ikke god når du skal tilegne deg kompetanser som kommunikasjon, refleksjon og argumentasjon i faget. Mer om det senere.

Denne teknologien gjør noe med oss. Den gjør noe med elevene, med foreldrene og selvfølgelig med oss skolefolk. Spørsmålet er hva den vil gjøre med undervisningen?

Hvem er det som tjener på det? Forlagene og teknologi-gigantene - eller elevene?

I dette innlegget prøver jeg å forklare hva kunstig intelligens er, hvordan det påvirker undervisningen og hvordan den kan påvirke lærernes arbeidsoppgaver og rolle i fremtidens skole. Men aller først en kort introduksjon om hva kunstig intelligens er.



Hva er kunstig intelligens?
I følge Store norske leksikon er kunstig intelligens informasjonsteknologi som justerer sin egen aktivitet og derfor tilsynelatende framstår som intelligent. Typisk for kunstig intelligens er at den krever relativt lite programmering og at den selv lærer seg det den skal lære, for eksempel å kategorisere bilder i hunder og katter. Alle begrepsforklaringene under er hentet fra Store norske leksikon.

Kunstig intelligens omfatter alle intelligente systemer. Et grovt skille kan trekkes mellom regelbaserte modeller (ekspertsystemer) og datadrevne modeller (maskinlæring). Regelbaserte modeller forstår begreper gjennom regler, som ofte er programmerte før modellen brukes. I datadrevne modeller lærer maskinen i stedet for å bli programmert.

Ekspertsystem er et dataprogram som benytter kunstig intelligens til å løse eller bidra til å løse problemer innenfor et spesialisert fagområde, der man vanligvis hadde måttet ty til menneskelig ekspertise.

Et ekspertsystem har to hovedkomponenter: en kunnskapsbase og en slutningsmotor. Kunnskapsbasen inneholder ekspertkunnskapen, mens slutningsmotoren bearbeider kunnskapen i forhold til forelagte problemstillinger.

Maskinlæring er en spesialisering innen kunstig intelligens hvor man bruker statistiske metoder for å la datamaskiner finne mønstre i store datamengder. Vi sier at maskinen "lærer" i stedet for å bli programmert. For å lære må den øve seg på den dataen du har tilgjengelig. Jo mer den øver, jo bedre blir den.

Forenklet betyr dette at programmet kan ingenting når det startes, men så er de i stand til å lære over tid, på samme måte som et menneske som ønsker å lære å spille piano blir bedre ved å øve.

Men det er flere begreper vi må ha kjennskap til for å forstå kunstig intelligens.

Et nevralt nettverk er en samlebetegnelse for datastrukturer, med tilhørende algoritmer, som er inspirert av måten nervecellene i en hjerne er organisert på.

Slike datastrukturer er egnet til å identifisere sammenhenger hvor det er vanskelig å formulere klare matematiske sammenhenger, for eksempel bilde- og talegjenkjenning. De kan også benyttes til å klassifisere mennesker ut fra handlingsmønstre

Dyp læring er en metode hvor man bygger et nevralt nettverk med mange lag. For hvert lag man legger til, økes beregningskraften til hele systemet. Forenklet sett kan man si at hvert lag lærer en annen måte å forstå informasjonen på, som en abstraksjon av det lavere laget. For eksempel i et dypt nettverk som forsøker å identifisere objekter i et bilde, vil de lavere lagene gjenkjenne enkle former, for eksempel kanter, mens de høyere lagene gjenkjenner mer abstrakte former, for eksempel et ansikt.


En morsom introduksjon til kunstig intelligens er Googles Quick Draw. Quick Draw forteller hva du skal tegne. Du har bare 20 sekunder på deg, så du må være rask. Så skal den kunstige intelligensen gjette hva du har tegnet. Det er ganske imponerende hvor ofte den klarer å gjette at dine strektegninger for eksempel er et gjerde eller rad med trær.

Quick Draw er et nevralt nettverk. Den forteller oss noe om hvordan kunstig intelligens kan gjette eller kategorisere enkle strektegninger, Men det er også en fin måte å lære deg å illustrere dine egne ideer.

Vil kunstig intelligens revolusjonere undervisningen?
Det er navit å tro at ikke kunstig intelligens vil være med på å endre praksis i klasserommet. Men akkurat hvordan og på hvilken måte er fremdeles usikkert. I videoen under kan du se og høre om ulike ting som alle har lovet at nettopp dette og denne teknologien vil revolusjonere undervisningen - men som ikke har slått til.



En viktig ting å finne ut av er hva som skjer inni hodet til elevene dine. Det er der læringen skjer. Det er ikke selve teknologien som er avgjørende, men hvordan du bruker den i klasserommet.

Lærerens oppgave er å inspirere, utfordre og motivere eleven til å ønske å lære. Du må få elevene til å føle seg viktige og gjøre dem ansvarlige for å jobbe med sin egen læring.

I stedet for å kalle det en revolusjon, kan vi heller kalle det en evolusjon.

Kunstig intelligens og læring
Morten Goodwin har en doktorgrad innen kunstig intelligens og er en av våre dyktigste forskere på feltet med mer en 60 fagvellevurderte publikasjoner bak seg. I tillegg underviser han til daglig om kunstig intelligens og brenner for formidling og læreryrket.

Dr. Morten Goodwin er førsteamanuensis ved Universitetet i Agder og nestleder for Centre for Artificial Intelligence Research.

- En av de viktigste tingene i undersiningssammenheng er å engasjere, sier Goodwin.

I podcasten Virituell hverdag diskuterer Sergei Pedersen og Morten Goodwin forskningen og hvordan fremtiden til læreryrket og andre yrker kan se ut. De snakker også om hvilken utvikling kunstig intelligens har i verden og hvordan selskaper og land posisjonerer seg for å være de beste på dette feltet. Temaet skole og utdanning starter etter ca 40 minutter.



I Kina bruker de for eksempel kunstig intelligens og ansiktsgjenkjenning til å ta "opprop" når elevene kommer på skolen. Men den sjekker også om elevene kommer til å bli syke eller om de er syke, slik at de kan sende elevene hjem allerede før de har kommet inn skoledøra.


Den samme teknologien kan brukes for å sjekke om studentene følger med på foreleseren eller ikke (eller sovner). Personvernet er så og si ikke-eksisterende i Kina, men det sier noe om hva som er mulig få til.

- Hvis vi hadde klart å tilrettelegge undervisningen til hver og én, ville vi fått til mye mer. Og det ville blitt mindre frafall i videregående, sier Goodwin.

Maskinlæring og dyp læring kan være et hjelpemiddel til nettopp dette; å tilpasse utdanningsbehovet til det enkelte menneske. Den kan for eksempel gjøre en analyse av hva du kan, dine interesser, hva du ikke kan, hva du trenger å lære for å komme deg videre og komme med forslag til hvordan du kan komme deg dit.

- Maskinlæring kan helt klart være et bidrag til det, sier Goodwin. Det er ikke en erstatning for lærerne, men et veldig godt verktøy.

Hvis vi kan utvikle et verktøy som tar virkelig hensyn til hver enkelt elev sin proksimale utviklingssone, kobler det sammen med hvilke faglige ferdigheter eleven har, hvilke interesser de har og andre parametre som har med læring å gjøre, ville vi ikke bare blitt søkkrike, men også ganske mektige.

Tilpasset undervisning handler jo om nettopp å sørge for at hver enkelt elev får den undervisningen og utfordringene de trenger. Hvis kunstig intelligens kan hjelpe oss med dette burde den ønskes velkommen inn i klasserommet.

En vanlig progressjon er ofte at de som har nødvendige forkunnskaper innenfor et emne kan komme seg fortere til et vanskeligere nivå. For de som ikke har nødvendige forkunnskaper går progressjonen saktere og de må derfor bruke mer tid. I for seg ingen overraskelse. Men alle som jobber med tilpasset undervisning i klasserommet vet hvor vanskelig det er å få til i praksis. En kunstig intelligens vil derfor kunne hjelpe oss og elevene til å lære mer.

I fremtiden kan vi faktisk se for oss en algoritme som vet hva slags menneske du er og hva slags læring du trenger. Før du vet det selv, vil algoritmen være i stand til å predikere hva du ennå ikke kan og hvilke utfordringer du vil møte.

I en verden som stadig blir mer kompleks, der kravet til kunnskap blir mer omfattende, vil det derfor være fornuftig av oss skolefolk å se på hvordan kunstig intelligens kan hjelpe oss med å utvikle skolen vi trenger i fremtiden.

Forskeren John Seely-Brown spesialiserer seg i organisasjonsstudier med en spesiell bøyning mot de organisatoriske implikasjonene av datamaskinstøttede aktiviteter. Han hevder at halvveringstiden på kunnskap nå er på 5 år, mens det tidligere var på 30 år.


Livslang læring
Veldig mange jobber er jo allerede nå slik at du stadig trenger ny kompetanse for å holde tritt med utviklingen. Livslang læring er ikke bare et begrep, men et faktum vi må ta hensyn til. Kanskje framtidens skole vil være noe som varer hele livet?

I dag er antallet mennesker som tar etter- og videreutdanning på vei nedover, selv om behovet blir større enn noen sinne.

Læringsteknologi vil gjøre det mulig å ta etter- og videreutdannig mens du er på jobben.

- Teknologien kan gi langt flere muligheten til å delta i en opplæring som er både fleksibel og tett på arbeidet de skal gjøre, sier Tore Tennøe, direktør i Teknologirådet.

I en rapport fra 2018 skisserer Teknologirådet tre måter teknologi kan bidra til å styrke potensialet for livslang læring, og gjøre det mulig å gi store deler av befolkningen et kompetanseløft:

1. Uavhengig av tid og sted: – En oppskalering av tradisjonell klasseromsundervisning kan bli dyrt og lite fleksibelt, og to–tre nye år på skolebenken vil i mange tilfeller være for langsomt. Det bør derfor være mulig å ta korte moduler og kurs når man har behov for det, og mens man er i jobb, sier Marianne Barland, prosjektleder i Teknologirådet.

2. Stimulering og spillifisering: Med digitale simuleringer kan læringsopplegg knyttes tett opp til faktiske oppgaver og situasjoner man må kunne håndtere i jobben sin, og man kan øve seg trygt og sikkert på krevende situasjoner og oppgaver. Elementer fra spill, som poeng, nivådeling og rangeringer, kan øke motivasjonen for læring og oppmuntre til repetisjon.

3. Tilpasset den enkelte: Med adaptive læringssystemer kan hver enkelt få tilbakemeldinger mens de løser oppgaver, og undervisningen blir løpende tilpasset deres behov. Det kan gi økt motivasjon og bedre utbytte av undervisningen.

– Adaptive læringssystemer kan styrke lærerens mulighet til å gi tettere oppfølging, og til å forstå akkurat hvor skoen trykker for hver enkelt, sier Teknologirådets prosjektleder Renira Angeles.

Det er altså mulig å se for seg et arbeidsliv der du tar all nødvendig etter- og videreutdanning mens du er på jobb. En utfordring er hvordan det skal dokumenteres at den ansatte faktisk har tilegnet seg den kompetansen han eller hun er kurset i. Tradisjonelt er det jo utdanningsinstutisjoner som har vært ansvarlig for innhold og dokumentasjon på kompetanse. Er vi klare for å overlate det ansvaret til maskinene?

Mekaniske bøker og læringsmaskiner
Allerede for over hundre år siden, skrev Edward L. Thorndike i boka "Education: a first book" (Macmillan, 1912) om noe som ligner på kunstig intelligens og adaptiv læring. Men da som en mekanisk oppfinnsomhet, som kunne arrangere en bok der side 2 bare ble synlig for den som hadde gjort side 1 riktig:

"If, by a miracle of mechanical ingenuity, a book could be so arranged that only to him who had done what was directed on page one would page two become visible, and so on, much that now requires personal instruction could be managed by print."

Ikke så langt unna det vi kjenner som adaptiv teknologi med andre ord.

Teaching Machine ble funnet opp av Sidney L. Pressey på midten av 1920-tallet. Den var et forsøk på å finne ut om læring hadde funnet sted. Typisk inneholdt den flervalgssvar og du kunne bare komme videre hvis du hadde rett svar. Dermed ble det et "bevis" for at læring hadde funnet sted. Rødt lys indikerte galt svar, mens grønt lys indikerte rett svar. På den måten var teaching machines en tidlig versjon av pedagogiske belønninger som vi kjenner igjen fra spillverden og gamification, med emblemer og andre former for premier du får ved å mestre oppgavene som blir gitt.

Pressey mente at maskinen ville bli en "industrial revolution in education". Det ble den ikke. Læring er en sosial aktivitet, og å sitte alene med en teaching machine var ikke særlig vellykket.

Psykologen Burrhus F. Skinner er mest kjent for radikal behaviorisme. Han likte denne læringsmaskinen, men utarbeidet også maskinen GLIDER, som tok i bruk hans ideer om hvordan læring rettet seg etter positiv forsterking. Han mente at maskinen og ideene kunne brukes fra barnehage til universitet og på de fleste fag. 

Alan Turing brukte begrepet kunstig intelligens allerede for 70 år siden. Han regnes derfor som grunnlegger av teoretisk datateknologi og kunstig intelligens.

Turing foreslo et eksperiment som senere er omtalt som Turingtesten. Dette er et forsøk på å definere en standard for når en maskin kan omtales som intelligent. Ideen var at en maskin kunne antas å tenke når et menneske i skriftlig kommunikasjon med objektet ikke kunne avklare om objektet var en maskin eller et menneske.

Ingen av maskinene revolusjonerte læringsprosessen, men ideene om belønning etter innsats lever videre. Men Turing var den som var nærmest, hvertfall begrepsmessig.

Adaptiv læringsteknologi

Adaptiv teknologi finnes i mange digitale læringsverktøy som brukes i skolen i dag. Adaptiv kommer fra det engelske adaption, som betyr tilpasning. Adaptiv læring er altså det samme som tilpasset læring. Bare at den digitale løsningen bedre kan tilpasses den enkelte.

Adaptiv læring er i følge WikiPedia en "undervisningsmetode som benytter IKT for spesialtilpasse læremidler og oppgaver til den enkeltes forkunnskaper og ferdighetsnivå. Felles for adaptiv læringteknologi er at programvare observerer et eller flere aspekt ved læringen, oftest hvorvidt det er svart riktig eller feil på oppgaver, for deretter å analyse av observasjonene for å kunne gjøre personlig tilpassning av læremidler som tilbys senere."

Adaptive læringsystemer etterligner hvordan en god lærer tilpasser undervisning etter kunnskapsnivå, interesser og hvilke feil som er gjort tidligere. Når dette gjøres digitalt overlater vi til maskinen å bestemme hva som skal være neste skritt i læringsprosessen. Hvis teknologien har nok relevant data til å gjøre dette på en tilfredsstillende måte er det ingen problemer. Men hvis den ikke har det, blir det verre.

Men adaptive systemer har potensielt mulighet til å hente inn data fra tusenvis av elever og dermed se mønstre eller måle effekter ved hjelp av læringsanalyse som mange lærere ikke vil oppdage eller ha tid til å benytte erfaringene fra. Dersom adaptive læringssystemer benyttes som supplement, ikke erstatning for tradisjonell undervisning har metoden (i likhet med omvendt undervisning) mulighet til å frigjøre undervisningtid fra klasseromsundervisning til individuell veiledning.

I 2018 ga Bjørkeng ut boka "Kunstig intelligens. Den usynlige revolusjonen" (Vega forlag, 2018), som jeg har lest i forbindelsen med dette blogginnlegget. Boka anbefales - men les den før den blir utdatert. Halvveringstiden på kunnskap er som sagt bare 5 år, men når det gjelder kunstig intelligens er den nok enda kortere.

En påstand er at den adaptive læringsteknologien hjelper elevene å være i flytsonen.

- Flytsonen er den vi alle elsker å være i, der balansen mellom det for vanskelige og det for lette er akkurat tilpasset den enkeltes nivå. Det er der læringen er mest effektiv. Det er der læring er gøy. Og det er der tiden flyr, skrev en entusiastisk Per Kristian Bjørkeng i Aftenposten i 2015, der den adaptive teknologien blir omtalt.

Nå skulle barna holdes kontinuerlig motivert av en datamaskin som styrer dem inn i deres personlige flytsone. Frafallet skulle bli mer enn halvvert. Hele klasser skulle gå opp en karakter.

Det er nesten ikke grenser for hvor mye bedre læringen kan bli med adaptiv læringsteknologi! Nesten fem år senere vet vi at dette ikke har slått til.

 

– Til forskjell fra tradisjonell undervisning, er adaptiv læring fullstendig skalerbar. Jo flere som bruker den, jo bedre vil den bli, sier NTNU-professor Arne Krokan i samme artikkel.

Gyldendals "Smart Øving" er eksempelet på adaptiv teknologi som trekkes fram i saken i Aftenposten. Andre lignende digitale læringsopplegg finnes hos de andre forlagene også. Og det vil stadig komme flere nye tilbud også fra andre aktører i utdanningsmarkedet. Kikora er et godt eksempel, der Aschehoug har spyttet inn 10 millioner kroner for å videreutvikle den. Khan Academy er et annet eksempel som mange kjenner til.

Felles for de tre eksemplene jeg har nevnt, er at de dreier seg om faget matematikk. Det er fordi matematikk egner seg godt til ferdighetstrening, som kunstig intelligens er veldig god på. Mens i andre fag der argumentasjon og refleksjon er viktig, er det ikke like mye hjelp å hente fra den kunstige intelligensen.

Det er altså store penger involvert, og den som får flest avtaler og abonnenter, vinner markedet. Og alle millionene som følger med. Faren er at store forlag eller selskaper får monopol på læringsprosessene i klasserommet. Det internasjonale selskapet Pearson er et grelt eksempel på nettopp det. De kaller seg rett og slett "verdens læringskompani" (The world's learning company).

I 2014 omsatte Pearson for 60 milliarder dollar, der 75 % kom fra skole og høyere utdanning. De er også tungt inne i PISA. Dermed eier de både "diagnosen" (testene) og "medisinen" (undervisnigsopplegg som følger opp testresultatene). Man trenger ikke å være lærer for å forstå at det er problematisk. Men det hadde vært fint om de fleste politikere forsto det også!

Men; store penger eller ikke, det er mye positivt med adaptiv læringsteknologi. Men det er også negative sider. Kunstig intelligens kan fortelle deg at noe er feil, men ikke hvorfor. Og da er man jo egentlig like langt når det kommer til hvilken retning læringsarbeidet skal ta videre.

Jeg tipper at den kunstige intelligensen og teknologien også kommer til å fikse det problemet i løpet av ikke altfor lang tid. Allerede nå finnes det filtre som har som oppgave å forklare hvorfor.


Det er for eksempel ikke mulig å programmere inn klokskap inn i en algortime. Foreløpig. Men den kunstige intelligensen blir stadig mer intelligent.

Som sagt: Når Fagfornyelsen trer i kraft i august 2020 har alle de store forlagene pusset opp læringsteknologien sin og er klare for å innta så mange klasserom som mulig. Om det fører til at frafallet blir mer enn halvvert, at hele klasser går opp en karakter og om elevene kontinuerlig holdes motivert av datamaskiner gjenstår å se.

Negativ effekt
Nylig kunne vi lese at den danske Undervisningsministeren Pernille Rosenkrantz-Theil vil ha flere bøker og færre skjermer i undervisningen. Hun mener at teknologibegeistringen har tatt overhånd i den danske skolen. Dette henger sammen med de digitale fagportalene som blir brukt i Danmark.

På Saltum Skole i Danmark valgte derfor historielærerne før inneværende skoleår å si opp abonnementet på fagportalen de tidligere hadde brukt.

- Og så oplever jeg faktisk, at portalerne er opbygget på en meget behavioristisk måde, som låser min undervisning og gør det svært at tilpasse den. På den måde er det dem, der er meget gammeldags, sier en av lærerne som er intervjuet i saken.

Vår gamle venn Skinner og behaviorismen er altså fortsatt med. Gamle ideer får nytt liv på digitale flater.

De danske lærerne mente at fagportalen de brukte låste undervisningen og at de til slutt ikke tenkte så mye over bruken av læringsmateriell. De opplevde at det ble vanskeligere å tilpasse undervisningen. Og det er jo det motsatte av hva adaptiv både betyr og sier den skal gjøre. Problematisk. Jeg har ikke lest noen eksempler fra Norge om det samme, men tar gjerne imot tips dersom det finnes.

Danmark ligger på topp når det gjelder IT i undervisningen, men effekten er altså ikke bare positiv. Det er viktig kunnskap for skolefolk og skolepolitikere her til lands også.

For det er faktisk sannsynlig at vi lærere kan bli late når den digitale hjelpen blir for god. Vi slipper å tenke kritisk gjennom hvilke oppgaver vi skal gi til elevene våre, vi slipper å konsentrere oss om undervisningen og stoler så mye på den kunstige intelligensen at vi ikke bruker vår egen pedagogiske intelligens og erfaring. Vi stoler på teknologien i steden for å tenke selv.

Men teknologien kan ikke erstatte den kloke lærerens vurdering av hvordan undervisningen skal tilpasses sine elever. Den kan hjelpe deg med oppgaver, men den kan ikke hjelpe deg med klasseledelsen. Det må du ordne selv.


Noe av det samme har forskerne sett når det gjelder selvbetjente kasser i butikken. Når du som kunde benytter deg av denne i steden for personen som betjener den andre kassen, øker faktisk sannsynligheten for at du kjøper usunne ting som potetgull og sjokolade.

Er personalisert utdanning fremtiden?
Den adaptive læringen er god på å måle elevenes faktakunnskaper, ferdigheter og enkeltbegreper. Men begrensningen kommer når du skal tilegne deg kompetanser som kommunikasjon, refleksjon og argumentasjon i faget. Det er spesielt viktig i og med at vi vet at det er kompetanser som blir viktigere og viktigere. Dessuten kan som sagt den kunstige intelligensen overta klasseledelsen i klasserommet.

Det digitale gir andre muligheter som ikke kan gis på papir, som videoer og animasjoner. Men begrenses også av at oppgavene ikke inneholder konkreter. Men teknologien kan også frata eleven trening i selvmonitorering og metalæring.

Det er viktig kunnskap når vi ser for oss at utdanningen blir mer og mer personalisert. 

Det er ikke usannsynlig at hele utdanningen vil bli radikalt endret i løpet av noen år. Det er ikke sikkert framtidens skole vil ligne på den skolen vi ha nå i det hele tatt.

Vi vet at læring er en sosial prosess. Det vil den være i framtiden også. Og nettopp det er en utfordring med personalisert læring, der man kan forestille seg at mennesker sitter hver for seg. Men enkelte mener at kollektiv læring er gammeldags og på vei ut.

Anna Nordell er med-gründer i AI-selskapet Lana Sabs. Hun mener at personalisert læring er fremtidens utdanningssystem og at den "gamle" kollektive måten å lære på er på vei ut.

- Gjennom flere hundre år har vi lært å lære kollektivt. Samtidig vet vi at individuell læring har en større effekt, men det er jo rent praktisk umulig å få til med én lærer på 30 elever, sier Nordell.

Sana Labs har utarbeidet en algoritme som skal identifisere hver enkelt elevs kunnskap, evner og mangler i sanntid. De har som mål å forandre hele verdens læring slik vi kjenner den i dag.

– Hvis hvert enkelt individ kan nå sitt fulle potensial, kan vi se effektene på utrolig mange områder. Skole og utdanning er jo en grunnpilar i vårt samfunn, sier Nordel.

AI-gründer Beena Ammanath er enig. Hun mener at kunstig intelligens må bli en del av hverdagen på samme måte som mobiltelefoner har blitt det.

- Utdanning er et samfunnsområde som ikke har endret seg siden tidenes morgen. Det er alltid én lærer som står foran mange elever i en klasse. Inntil nå har man tenkt at "one size fits all", sier Ammanath.

Hun ser for seg at om 25 til 30 år vil alle skoler ha tilgang på denne teknologien.

- Vi må bygge på det at folk over hele verden i dag har egne mobiler, og at de kan bruke den for å få seg en utdanning, sier hun.Ammanath mener at konseptet "livslang læring" vil medføre et fundamentalt skifte i samfunnet når det innføres. Akkurat hvordan det vil se ut, vet vi foreløpig lite om.

Den kunstige intelligensen vil etter hvert være i stand til å kartlegge og utvikle grunnleggende ferdigheter hos barn, og samtidig finne ut hvordan de best lærer. Det høres jo ut som en drømmepakke for oss skolefolk?

Den teknologien vi har i dag er imidlertid ikke god nok for å innfri forventningene som Nordell og Ammanath har. Jeg tror dessuten at læring i et sosialt miljø vil være viktig i framtidens utdanningssystem.

Kunstig intelligente lærere?
Kunstig intelligens kommer uten tvil til å påvirke hvordan digitaliseringen av samfunnet utvikler seg, nær sagt på alle områder. Selvsagt vil skole og lærernes oppgaver i klasserommet (hvis vi fortsetter med klasserom) også påvirkes.

Tormod Korpås er sentrallstyremedlem i Utdanningsforbundet. Han skriver at kunstig intelligens har potensial til å revolusjonere undervisning og læring, men at det også kan bli en Pandoras eske av dimensjoner. Han mener feltet er for viktig til at det kan overlates til IKT-bransjen alene. Enig? Jeg er enig.

Han spør om elevene skal møte kunstige intelligente lærere? Mine enkle svare på det er: ja, nei og vet ikke.

Ja, fordi vi er nødt til å henge med på utviklingen. Dessuten er adaptiv læringsteknologi et kraftig verktøy som kommer til å ble bedre og bedre etter hvert som den kunstige intelligensen får nok elevdata å øve seg på.

Nei, fordi lærere flest er intelligente nok uten teknologi. Folk lærte ting før i tiden også.

Vet ikke, rett og slett fordi jeg ikke vet hvordan fremtiden vil se ut.

Korpås deler også min bekymring når det gjelder elevdata og hvem som skal eie dem.

- I dag gir vi villig fra oss data om vanene våre for å få tilgang til gratistjenester som Google-søk og Facebook. Dette skjer også i skolen. Stramme budsjetter kombinert med høye forventninger til bruk av IKT har åpnet for at eksempelvis Facebook og kraftige læringsverktøy som Google Classroom brukes tilsynelatende kostnadsfritt i norske skoler. Valutaen er elevdata som maskinlæringsalgoritmer bruker til å produsere informasjon som kan selges til tredjeparter, skriver han.

Dessuten begrenser det lærernes valgfrihet og utfordrer elevenes datasikkerhet. Det er mildt sagt problematisk.

- Etter hvert som KI blir bedre og tas i bruk innen læring, virker det sannsynlig at både KI og menneskelige lærere trengs for å gi elevene best mulig, motiverende og tilpasset opplæring. Men skolen er mer enn fag, og med sterkere læringsverktøy blir den menneskelige læreren som ser og kjenner barna og som kan ta hensyn til om barnet er trist, opplever mestring, er bekymret eller opprømt desto viktigere. For barnas trivsel og sosiale tilhørighet er både et mål i seg selv og en forutsetning for god læring. Skal KI fungere som et støttesystem til beste for elevene mener jeg derfor KI i fremtiden må underordnes menneskelige lærere, skriver Korpås.

Foreløpig er ikke kunstig intelligens god nok til å operere alene. Den trenger hjelp av oss mennesker. I skolesammenheng betyr det at lærernes roller og oppgaver kommer til å bli endret, men at skolen som instutisjon består.

Men; overdriver vi skolens betydning for elevenes læring? Overdriver vi vår egen rolle som lærere? Kunne læring og utdanning skjedd et annet sted enn på skolen?

Hvis du sjekker "teacher" på nettstedet Will Robots Take My Job vil du oppdage at det er ganske liten sjanse for at læreryrket vil forsvinne i tiden som kommer. Man kan faktisk forestille seg at det blir flere lærere i framtidens skole enn det vi har i dag.

Hvorfor? Rett og slett fordi mye tyder på at den adaptive teknologien vil gå i retning av spesialisering og dybdelæring. Det vil bli flere emner og dermed flere lærere.


Min påstand er derfor at det vi fortsatt trenger i skolen er gode lærere. Ingen fjonge opplegg, nye reformer eller digitale muligheter kan endre på det.

Men den teknologiske utviklingen kan også føre til et klasseskille dersom utdanningen blir mer og mer privatisert.

Journalist og forfatter Stian Bromark skriver i Dagsavisen at fattige tilbringer mer tid foran skjerm enn de rike


- Underholdning på skjerm er blitt en billig form for underholdning, som kan erstatte kinobesøk, sosialt samvær og kostbare fritidsaktiviteter, skriver Bromark.

Amerikanske Common Sense står bak den undersøkelsen Bromark henviser til. Den slår fast at inntekt påvirker medievanene. Ansvarlig for rapporten er Vicky Rideout:

- Til en viss grad kan du se at lavinntektsforbrukere bruker media til å kompensere for manglende muligheter i andre områder av livet, enten det gjelder læring, å samhandle med andre, skaffe seg informasjon eller underholdning.

Kan vi tenke oss en lignende utvikling i skolen?

Forestill deg et privatisert utdanningssystem der de fattigste har tilgang til all teknologien, men bare de rike har tilgang til en høyt utdannet lærer i tillegg. Det er ikke stor sannsynlighet for at dette vil skje i Norge med det første. Men i en rekke lavintektsland er selskaper som Microsoft og Pearson tungt inne i utdanningsystemet.

Det er med andre ord stor sannsynlighet for at klasseskiller mellom de som har råd og de som ikke har råd vil øke etter hvert som de store selskapene etablerer seg i land som ikke har et fungerende utdanningssystem.

For meg er det opplagt at vi må stille like strenge krav til teknologien som til menneskene som skal jobbe i skolen. Tormod Korpås skriver også om dette:

- Det bør også stilles minst like høye krav til dokumentasjon for en KI-assistent som til en menneskelig lærer. Lærere blir intervjuet, og det kreves politiattest og formell kompetanse før tilsetting. På samme måte må det gis innsyn i algoritmene og datahåndteringen som utgjør en KI.

Den nye teknologien er uansett i rask utvikling og stadig flere løsninger blir presentert. Kunstig intelligens er en realitet enten vi liker det eller ikke. Det store spørsmålet blir hvordan vi skal ta den i bruk på best mulig måte.



Mer om digital teknologi og kunstig intelligens:

Skal elevene møte kunstige intelligente lærere?

Strategi for kunstig intelligens (regjeringen)

Kampen om oppmerksomheten


Tre ting du må vite om kunstig intelligens (AI)

Slik kan teknologi realisere livslang læring

Teknologirådet (2018): Teknologi for livslang læring - fjernt, nært og simulert

Kan kunstig intelligens true menneskeheten?

Robotene som forsvant - essay av Bår Stenvik

Slik kan kunstige intelligens bedre skolen: Vil forstå hvordan det enkelte barn lærer best

Amerikanske skoler lar kunstig intelligens karaktersette studentoppgaver

Kunstig intelligens kan løfte skoletrøtte gutter

Maskinene kommer - vi trenger en plan

Hun fyller kunnskapshull med kunstig intelligens

Kunstig intelligens på norsk, no!

Datasystemet som holder elevene i flytsonen

Vi må skjerme oss

Lærere droppede fagportalen: Vi var holdt op med at tænke over undervisningen

Utprøving og innføring av ny teknologi i skolen - hva har vi lært?

A Two-Minute Guide to Artificial Intelligence

The Beginner's Guide to Artificial Intelligence For Educators

How to Use Artificial Intelligence in the Classroom

What Artificial Intelligence Could Mean For Education

What Technolgy Can & Cannot Replace in the Classroom

Is Machine Learning Really AI Part 2

AI is Biased. Here's How Scientists Are Trying to Fix It


Rapport: Media Use Patterns Among Tweens and Teens

How Artificial Intelligence Is Totally Changing Everything


Videoforedrag:

Kunstig intelligens: Hva er det, hvordan virker det, og hva kan det gjøre for oss?

Virtuell Hverdag #21 - Morten Goodwin - Kunstig intelligens og læring

Morten Goodwin: Sannheten om kunstig intelligens

Artificial Intelligence and the Future of Work (TED)





Per Kristian Bjørkeng, "Kunstig intelligens. Den usynlige revolusjonen" (Vega forlag, 2018)

Tidemann, Axel. (2019, 9. oktober). kunstig intelligens. I Store norske leksikon. Hentet 16. desember 2019 fra https://snl.no/kunstig_intelligens

Elster, Anne Cathrine & Tidemann, Axel. (2017, 6. desember). maskinlæring. I Store norske leksikon. Hentet 16. desember 2019 fra https://snl.no/maskinl%C3%A6ring

Rossen, Eirik. (2016, 23. desember). ekspertsystem. I Store norske leksikon. Hentet 16. desember 2019 fra https://snl.no/ekspertsystem

Dvergsdal, Henrik. (2019, 11. november). nevralt nettverk. I Store norske leksikon. Hentet 16. desember 2019 fra https://snl.no/nevralt_nettverk

Tidemann, Axel. (2018, 20. februar). dyp læring. I Store norske leksikon. Hentet 16. desember 2019 fra https://snl.no/dyp_l%C3%A6ring


Foto: SVG SILH

Ingen kommentarer:

Legg inn en kommentar