AI và Big Data trong giáo dục đại học: Triển vọng hay rủi ro?

Khả năng phát triển và độ chính xác của trí tuệ nhân tạo cuối cùng phụ thuộc vào việc thu thập dữ liệu - Dữ liệu lớn. Nơi nào có thể tìm thấy một luồng thông tin liên tục hơn một cộng đồng sinh viên tích cực và hấp dẫn? Nói như vậy, ứng dụng trí tuệ nhân tạo trong giáo dục đại học mang đến một mối quan hệ cùng có lợi cho cả hai bên.

Tương lai của trí tuệ nhân tạo được hưởng lợi từ sự tương tác này bằng cách truy cập vào dữ liệu đại chúng để rút ra các kết luận, xác định mối tương quan và xây dựng các chiến lược phân tích dự đoán. Trong cùng một dòng chảy, trí tuệ nhân tạo; được xây dựng trên cơ sở máy học, đã được tìm thấy để thúc đẩy sự thành công của sinh viên, tạo cơ hội phát triển chuyên nghiệp và tạo ra lộ trình học tập cá nhân hóa.

Ở trường hợp đầu tiên, điều này dường như là một tiến bộ mang tính xây dựng trong cả hai lĩnh vực. Như với hầu hết mọi thứ trong cuộc sống, con người phải luôn luôn xem xét các ngoại ứng tiêu cực được tạo ra bởi các quyết định có ý thức. Việc khai thác nhân tạo dấu chân kỹ thuật số của sinh viên cũng không ngoại lệ. Không có gì đáng ngạc nhiên, việc áp dụng trí tuệ nhân tạo trong giáo dục đại học không phải là không có những nguy hiểm. Nhưng có thể là những lợi ích sâu rộng trong việc sử dụng trí tuệ nhân tạo lại vượt xa bất kỳ tác dụng không mong muốn nào?

Ứng dụng trí tuệ nhân tạo trong giáo dục đại học

Tờ Wall Street Journal cho biết trong một bài viết về cách một số trường đại học sử dụng trí tuệ nhân tạo và học máy để xác định mức độ quan tâm của sinh viên tới các trường đại học: “Các trường đại học khai thác dữ liệu về ứng viên của họ”. Lợi ích cá nhân được chứng minh là đã được suy luận dựa trên sự tương tác của sinh viên với các trang web của trường đại học, các bài đăng trên mạng xã hội và email. Hàng ngàn điểm dữ liệu của mỗi sinh viên đang được sử dụng để đánh giá các đơn xin nhập học.

Việc áp dụng học máy trong trường hợp trên là một ví dụ kinh điển về việc sử dụng chức năng của nó. Các mục đích sử dụng khác mở rộng cho việc hỗ trợ sinh viên, ví dụ, đưa ra khuyến nghị về các khóa học và lộ trình nghề nghiệp, dựa trên hồ sơ dữ liệu tương tự của sinh viên được thực hiện trong quá khứ. Theo truyền thống, đây là vai trò của nhân viên dịch vụ nghề nghiệp hoặc cố vấn hướng nghiệp, dịch vụ đề xuất dựa trên dữ liệu được cho là cung cấp giải pháp tốt hơn cho sinh viên.

Việc hỗ trợ sinh viên được nâng cao hơn nữa bằng cách sử dụng các phân tích dự đoán và tiềm năng của nó để xác định các sinh viên có nguy cơ thất bại hoặc bỏ học đại học. Theo truyền thống, các tổ chức sẽ dựa vào các dấu hiệu nhận biết hoặc điểm trung bình giảm để đánh giá liệu một sinh viên có nguy cơ bỏ học hay không. Các hệ thống trí tuệ nhân tạo cho phép phân tích các mẫu chi tiết hơn của hồ sơ dữ liệu sinh viên. Giám sát rủi ro thời gian thực của sinh viên cho phép giảng viên thực hiện hành động kịp thời và hiệu quả.

Trí tuệ nhân tạo sở hữu khả năng hỗ trợ cho sự tiến bộ của từng cá nhân sinh viên. Một số hệ thống phần mềm giáo dục phân tích dữ liệu của sinh viên để đánh giá tiến bộ của họ và đưa ra khuyến nghị dựa trên bộ kỹ năng của họ. Nhằm mục đích đào tạo các nhà lãnh đạo doanh nghiệp và nhân sự tương lai của thế giới kỹ thuật số, Đại học 20.35 giới thiệu mô hình đại học đầu tiên sử dụng trí tuệ nhân tạo để tạo ra quỹ đạo giáo dục cá nhân bằng cách theo dõi hồ sơ kỹ năng số.

Tại Đại học Staffordshire có một chatbot với tên gọi Beacon – chatbox sẵn sàng hỗ trợ mọi thắc mắc mà sinh viên có thể có.

Bộ sưu tập Big Data trên nền tảng giáo dục và chuyên nghiệp của sinh viên, kết hợp với dấu chân kỹ thuật số của họ, cho phép cỗ máy thông minh gợi ý con đường phát triển tốt nhất. Mỗi sinh viên tại bất kỳ thời điểm nào cũng có thể đưa ra quyết định về các bước giáo dục tiếp theo, dựa trên các khuyến nghị có tính đến dấu chân kỹ thuật số của họ, của các sinh viên khác và nội dung giáo dục có sẵn cho họ.

Các tài liệu học tập tùy chỉnh tạo nên một nền tảng vững chắc của việc đào tạo có hiệu quả và tiết kiệm thời gian sẽ bị lãng phí vào các tài liệu không liên quan. Trong khi các quỹ đạo giáo dục được đề xuất đang được tạo ra, thì việc thành lập hồ sơ kỹ thuật số song sinh dành cho sinh viên cũng được tiến hành. Nói cách khác, bản sao kỹ thuật số của tài sản vật chất (hồ sơ dữ liệu của sinh viên) là đại diện cho sự phát triển của sinh viên trên cơ sở thời gian thực. Sự thể hiện của một hồ sơ dữ liệu cá nhân, dựa trên dấu chân kỹ thuật số của họ, cũng như một số dữ liệu sinh học; có thể giúp xác định những lỗ hổng trong kiến ​​thức, những kiến thức bị quên lãng và trau dồi những điểm mạnh của sinh viên.

Làm việc theo nhóm và các dự án nhóm là những chiến lược đánh giá quan trọng tại trường đại học và đào tạo sinh viên để chia sẻ những quan điểm đa dạng và biết chịu trách nhiệm - một kỹ năng được yêu cầu cao tại nơi làm việc. Việc ứng dụng trí tuệ nhân tạo trong các dự án nhóm tại trường đại học được đánh giá thấp và không được sử dụng đúng mức. Bằng cách định cấu hình các mô hình học máy để tính đến từng hồ sơ người tham gia, các khuyến nghị có thể được đưa ra để tạo ra các nhóm hiệu quả nhất và từ đó tạo ra kết quả tốt nhất.

Những hiểm họa phụ thuộc vào trí tuệ nhân tạo trong giáo dục đại học

Như đã đề cập ở trên - theo dõi hồ sơ dữ liệu của sinh viên trong thời gian thực để xác định rủi ro - cũng có thể là mối quan tâm của sinh viên. Nhưng một số bộ dữ liệu đi xa đến mức kết hợp thông tin về thời điểm một sinh viên dừng lại ở nhà ăn để ăn trưa hoặc theo dõi hoạt động thể thao của họ. Trong khi hệ thống này giúp hợp lý hóa sự thành công, nó cũng làm tăng mối quan tâm đạo đức nghiêm trọng về quyền riêng tư và tự chủ của sinh viên.

Khi xem xét một số cách mà quá trình sử dụng trí tuệ nhân tạo có thể nảy sinh vấn đề, cần lưu ý rằng nếu không có sự quan tâm đúng mức và các nhà thống kê chuyên nghiệp, những kết quả bất lợi của việc dựa vào trí tuệ nhân tạo trong hệ thống giáo dục đại học, có thể sớm trở nên rõ ràng.

Các mô hình dựa trên mối tương quan là một nguồn tuyệt vời để tìm kiếm các xu hướng và các mẫu trong bộ dữ liệu. Tuy nhiên, chúng không phải là dấu hiệu của quan hệ nhân quả. Nói một cách đơn giản, chúng không cung cấp cho các nhà giáo dục câu trả lời về lý do tại sao các sinh viên hình thành kỹ năng số theo cách họ làm. Ở quy mô cực kỳ lớn, các máy móc thông minh đang thực hiện các mối tương quan theo hầu hết mọi hướng. Nhưng việc phân biệt giữa các xu hướng và các mẫu thực sự chính xác và các xu hướng chỉ là thoảng qua - có thể là quá trình khó khăn và vẫn đòi hỏi nhiều thông tin đầu vào của con người.

Các nhà giáo dục nhận được những gì họ đưa vào. Vì vậy, chất lượng và độ tin cậy của dữ liệu đi vào các hệ thống máy móc thông minh là đại diện cho chất lượng và độ tin cậy của kết quả mà nó tạo ra. Sự thay đổi về chất lượng hoặc dữ liệu cũ và lỗi thời có thể tạo ra kết quả ngoài ý muốn và phá vỡ toàn bộ ứng dụng. Cũng có rất ít phạm vi để giám sát chất lượng của mọi dữ liệu sinh viên.

Tính tổng quát của dữ liệu có thể gây bất lợi cho khả năng ứng dụng của nó. Dữ liệu được rút ra từ một tập hợp con của dân số hoặc lực lượng lao động, có thể không phù hợp với các sinh viên được nhắm mục tiêu. Hơn nữa, các giải pháp học tập trí tuệ nhân tạo đã được sử dụng cho sinh viên trong một trường đại học hàng đầu có thể không có kết quả và mức độ phù hợp như nhau đối với sinh viên trong một trường cao đẳng cộng đồng ở nơi khác. Các ràng buộc không gian tương tự cũng được áp dụng cho các khái niệm về thời gian. Một hệ thống trí tuệ nhân tạo dựa trên sinh viên thế hệ Millennial (những người sinh ra khoảng từ năm 1980 đến những năm đầu thập niên 2000) có thể không thể khái quát hóa đối với những sinh viên theo học kỹ thuật số của Thế hệ Z (những người sinh năm 1996 trở đi).

Hứa hẹn hay nguy hiểm?

Điểm mấu chốt là, trí tuệ nhân tạo có thể cực kỳ hữu ích trong việc phát triển trải nghiệm đại học tiên tiến. Tuy nhiên, nó không phải là phép màu. Thay vào đó, các hệ thống máy tính được tạo ra bởi con người và trong tương lai gần, đòi hỏi đầu vào của con người.

Một số bước phòng ngừa chính cần được tuân thủ để thúc đẩy những thực hành tốt nhất và giảm thiểu rủi ro thất bại. Đầu tiên, đào tạo chuyên nghiệp cường độ cao cho những người sẽ thực hiện bất kỳ chiến lược trí tuệ nhân tạo nào trong một tổ chức, nên chuẩn bị cho họ ít nhất, nhận thức được những thiếu sót.

Thứ hai, cần có một chương trình giám sát hiệu quả trong tổ chức để đo lường hiệu quả và kế hoạch phát triển của mô hình trí tuệ nhân tạo trong tương lai. Một cách khác để tạo ra kết quả tốt hơn, về lâu dài, là tham gia với các sinh viên và giảng viên để hiểu rõ hơn về kinh nghiệm và mối quan tâm của họ với công nghệ.

Hãy thận trọng vì, mặc dù có những rủi ro tiềm ẩn liên quan đến trí tuệ nhân tạo trong hệ thống giáo dục, bức tranh được vẽ ở trên là một bức tranh đẹp với một tương lai thịnh vượng.