AIが生徒の学び方や教師の教え方を変えつつある今、カーン・アカデミーの最高学習責任者であるクリステン・ディセルボ博士ほど影響力のある声はほとんどありません。最近、ETSはDiCerboと対談し、エビデンスに基づく学習設計、新興技術、教育の公平性へのコミットメントがどのように融合し、パーソナライズド指導の未来を形作っているのかを探りました。
この対話では、DiCerboが教育における意味のあるイノベーションに本当に求められることについて、稀有で舞台裏の姿を見せてくれます。彼女は、うまくいっていること、まだ解決すべきこと、そして教育者がこの変革の状況を楽観的かつ明確に進む方法を掘り下げています。
Khan Academyのチーフラーニングオフィサーとして、あなたは学習体験にAIを統合する最前線に立ってきました。従来の評価を超えて行動シグナルを使ってスキルを測ることで最もワクワクすることは何ですか?
ディケルボ:実はAIが私たちに提供するのは、行動シグナルというよりも新しい活動だと思います。私たちは10年以上にわたり、シミュレーションやゲームからの証拠をもとに行動シグナルを評価に活用することに取り組んできました。生成AIと評価で最もワクワクするのは、新しい種類の交流を可能にすることです。例えば、学生は現実世界の会話を模倣したAIとの会話をすることができます。また、これまで不可能だった視覚的な出力を生み出すことも可能です。
なぜ今が、協力や粘り強さのような能力の測定方法を見直す適切な時期だと思いますか?
ディチェルボ:新しい会話型の交流が可能になることで、協力やコミュニケーションといった構成要素をより本物らしく評価できるようになります。例えば、説得力を評価したい場合、個人はAIと会話して自分の立場を説得することができます。生成AIが登場する以前は、評価における会話は不可能でした。2015年のPISA協働問題解決評価を例に挙げましょう。協働的な問題解決の対話をシミュレートするために、テストの作成者は受験者が次に「言う」選択肢を選ぶ多肢選択式を使わなければなりませんでした。これにより受験者の解答範囲が大幅に制限され、実際の問題解決の会話のようには感じられなくなりました。現在、生成AIにより、学生が人間と会話するのと同じように会話に参加し、自分のスキルを示す可能性が生まれました。もちろん、これには学生の入力に対するAIの反応を誘導しようとするなど、多大な努力が必要です。
特に持続性については、上記の構成とは異なる見方をしています。粘り強さとは、失敗に直面しても誰かが努力し続けるかどうかを観察することだ。少なくとも過去10年間 、デジタル環境でそれを観察してきました(2016年にここで書いたように)。
音声やジェスチャーのようなマルチモーダルデータを評価に取り入れる機会はありますか?それに伴う課題や倫理的な考慮事項は何でしょうか?
DiCerbo:Khanmigoは、学生向けのAI搭載チューターであり、教師向けのアシスタントであるKhanmigoを立ち上げました。テキスト読み上げおよび音声読み上げ機能の機能は、特に読書やタイピングの負担軽減に役立つとして好評を博しています。評価に進むにつれて、声やジェスチャーを含める際の課題は、採点のバイアスを避けることです。
AIや行動データをスキル測定に活用する最も大きな可能性はどこにあると考え、教育者が考慮すべき制限は何ですか?
ディチェルボ:過去1年間で約8,000人の学生を対象に「Explain Your Thinking」という企画を試行できたことを大変嬉しく思います。学生は伝統的な数学の問題に取り組み、その後生成AIとの対話を行い、その回答の理由を説明するよう求められます。この活動は、教師が生徒の隣に座って課題について尋ねる様子を模すことを目的としています。ETSでの以前の研究と同様に、学生は単に回答を入力するよりも、これらのシナリオで自分の理解度をより多く示していることがわかりました。これにより、教師やその他の関係者は生徒が何を知っていて何ができるかをより深く理解できるようになります。
これらの革新的なアプローチから得られる深い洞察と、教室でのスケーラビリティや実用性の必要性をどのようにバランスを取っていますか?
ディケルボ:評価の多くの事柄と同様に、イノベーションは測定誤差の増加などの影響が小さい形成期から始めるのが最適です。もし学生がすでに習得したことを、評価で習得していないと示されて少し練習しても致命的な誤りではありません。生成AIを使った教室での評価は、この教授 がクラスの口頭試験を作成していたように 、講師が比較的簡単に作成できます。
今後、AIが本物で文化的に応答性のある評価を作成する上でどのような役割を果たすと考えていますか?
ディケルボ:生成AI搭載の評価で可能かもしれないパーソナライズが、より有効で信頼性の高い評価につながるかどうかについて、さらなる研究が必要です。構成概念に関係のない背景知識を含めることで、一部の受験者にとって妥当性が低下することは確かにあります。生成AIを活用することで、評価項目や活動は個々の生徒の経験、言語、文化理解を考慮して調整される可能性があります。しかし、評価対象の構成概念の標準定義を維持しながらこれを行うのは簡単な作業ではありません。
今後数年間で、行動を通じて実世界のスキルを測定する研究や革新に最も期待しているものは何ですか?
ディセルボ:革新はいくつかのカテゴリーに分けています。私が楽しみにしていることは以下の通りです。
- 評価に最適化されていない技術:
- エージェントAI - 評価プロセスの異なる部分を専門エージェントによって分離できるようにします
- 大きなコンテキストウィンドウ - AIに大量の情報を提供することで、複雑なルーブリックでコンテキストに応じたフィードバックや採点に役立ちます
- 今後12か月で利用可能な技術:
- 手頃な価格のテキスト、音声、動画ストリーミングで、受験者とAIが多様な方法で相互作用できるようになっています。例えば、サルと彼の息子によるこのデモ のように
- 説明可能なAI - AI推論が、学習者へのフィードバックを提供するのに役立たないスコアリングのような応用をより効果的にサポートできることを理解する
- プライバシー重視のオンデバイスモデルは、データ共有やプライバシーに関する懸念に応えます
- 今後1〜3年で利用可能な技術:
- マルチエージェントシミュレーション - 受験者は複数のAIと相互作用し、評価で異なる役割を果たし、実際のグループシナリオをシミュレートします