ในยุคที่ 92% ของคนใช้ AI มหาวิทยาลัยควรรักษาอะไรและเปลี่ยนแปลงอะไร: ทั้งการสอน เกรด และการบริหารจัดการก็ต้องเขียนใหม่

บทนำ: การเปลี่ยนแปลงการออกแบบที่ AI นำมาสู่มหาวิทยาลัย

AI ที่สร้างขึ้นจะเปลี่ยนแปลงมหาวิทยาลัยอย่างไร การอภิปรายกำลังร้อนแรง แต่อนาคตไม่ได้เป็นเอกภาพ ทีมวิจัยจากมหาวิทยาลัยเทคโนโลยีชาลเมอร์สได้วาดภาพ "อนาคตอันใกล้" ในช่วงเวลา 2 ปีเป็น 6 ฉากโดยใช้วิธีการที่เรียกว่า "นิยายการศึกษาเชิงข้อมูล" ซึ่งเป็นจินตนาการที่มีพื้นฐานจากการพิสูจน์ นี่ไม่ใช่คำทำนาย แต่เป็นกระจกสำหรับการเลือก Phys.org

จุดสำคัญของการวิจัย: จับอนาคตด้วยเรื่องราว

การวิจัยนี้สร้างเรื่องราวของ "อนาคตที่เป็นไปได้" ในเวิร์กช็อปที่รวมอาจารย์ นักวิจัยหลังปริญญาเอก และนักพัฒนาการศึกษา โดยอิงจากข้อมูลเชิงลึกจากการสัมภาษณ์นักศึกษา เรื่องราวเหล่านี้มีรากฐานจากข้อมูลและทฤษฎี และทำหน้าที่เป็น "เครื่องมือทดลองความคิด" เพื่อกระตุ้นการพิจารณาอย่างรอบคอบของผู้ตัดสินใจ Phys.org

6 ฉากอนาคตอันใกล้ (สรุปและความคิดเห็น)

1. เป้าหมายการเรียนรู้ที่ขัดแย้งกัน (Conflicting learning goals)
   นักศึกษาใช้ AI เพื่อ "ทำ" งาน แต่ฝ่ายการศึกษาต้องถามตัวเองว่า "ต้องการให้นักเรียนเรียนรู้อะไร" การออกแบบการประเมินที่เน้นไม่เพียงแค่ผลลัพธ์การเรียนรู้เท่านั้น แต่ยังรวมถึงหลักฐานกระบวนการ (ร่องรอยความคิด การให้เหตุผล ประวัติการแก้ไข) เป็นสิ่งสำคัญ Phys.org

2. การ "อิสระเกินไป" ของนักศึกษา
   ในขณะที่ AI เป็นผู้ร่วมทาง แต่ก็มีหลุมพรางของการเรียนรู้ที่ผิดพลาดและความมั่นใจเกินไป การรวมความละเอียดของการสนับสนุนและการเรียนรู้ที่ปรับตัวเองเป็นประเด็นที่ต้องพิจารณา Phys.org

3. ความไม่สามารถคาดการณ์ได้ของ GenAI
   วงจรการปรับปรุงหลักสูตรไม่ทันกับการพัฒนาเทคโนโลยี จำเป็นต้องมี**การออกแบบเมตาของผลลัพธ์การเรียนรู้ (SLO ที่ปรับตัวได้)** และการปรับปรุงการประเมิน Phys.org

4. กฎระเบียบที่ขัดแย้งและมีผลย้อนกลับ
   นโยบายของคณะ อาจารย์ และฝ่ายบริหารของมหาวิทยาลัยไม่สอดคล้องกัน ทำให้นักศึกษาสับสน การสร้างความสอดคล้องของนโยบาย (การออกแบบความสอดคล้องระหว่างชั้นในมหาวิทยาลัย) และการสร้างข้อตกลงที่โปร่งใสเป็นกุญแจสำคัญ Phys.org

5. การเปลี่ยนแปลงบทบาทของอาจารย์
   จาก "ผู้ถ่ายทอด" สู่ "นักออกแบบประสบการณ์การเรียนรู้" การออกแบบการปรับแต่งส่วนบุคคลและการประเมินเชิงสร้างสรรค์ด้วย AI จะกลายเป็นทักษะหลัก Phys.org

6. การสร้างวิทยาเขตที่พร้อมสำหรับ AI
   ไม่ปล่อยให้เป็นหน้าที่ของบุคคล แต่การสนับสนุน มาตรฐาน และพื้นฐานควรจัดเตรียมในระดับองค์กร การรวม LMS การตรวจสอบบันทึก การฝึกอบรมความรู้เกี่ยวกับการใช้ AI และการจัดการข้อมูลเป็นเสาหลัก Phys.org

ข้อมูลจากภาคสนาม: การขยายตัวอย่างรวดเร็วและความเป็นจริงของ "AI การให้คะแนน"

การสำรวจในสหราชอาณาจักรพบว่านักศึกษา 92% ใช้ AI ที่สร้างขึ้นในการเรียนรู้ การสรุปประเด็นสำคัญ การสร้างคำอธิบาย และการสร้างร่างงานกลายเป็นที่ยอมรับ ขณะเดียวกันก็มีการชี้ให้เห็นถึงความกังวลเกี่ยวกับข้อมูลที่ผิดพลาดและความไม่ยุติธรรม ซึ่งการทดสอบความเครียดของวิธีการประเมินเป็นสิ่งที่มหาวิทยาลัยต้องการ The Guardian

ในฝั่งของอาจารย์ การวิเคราะห์บันทึกการสนทนา 74,000 รายการแสดงให้เห็นว่าการใช้ AI ในการให้คะแนนและการประเมินกำลังขยายตัว และในประมาณครึ่งหนึ่งของกรณีมีการ "มอบหมายเกือบทั้งหมด" ซึ่งเป็นการเพิ่มประสิทธิภาพ แต่ในขณะเดียวกันก็ท้าทายความรับผิดชอบและความยุติธรรม Axios

นอกจากนี้ รายงานที่แสดงสถานการณ์ของนักศึกษาและอาจารย์ในภาพรวมแสดงให้เห็นว่า AI ที่สร้างขึ้นมีผลต่อการออกแบบและหลีกเลี่ยงการเรียนรู้ในปัจจุบัน กล่าวคือ หากไม่มีการออกแบบที่ดีมันจะกลายเป็น "ทางลัด" และหากมีการออกแบบที่ดีมันจะกลายเป็น "ฐาน" Phys.org

ปฏิกิริยาจากโซเชียลมีเดีย: ความปรารถนา ความไม่ไว้วางใจ และการแก้ปัญหาที่เป็นจริง

ในชุมชนนักศึกษามีการแชร์ความโกรธต่อเครื่องมือการตรวจจับ AI และประสบการณ์การเห็นการทุจริตในห้องเรียนอย่างชัดเจน ความเหนื่อยล้าจากการต่อสู้ระหว่าง "การตรวจจับ vs. การสนับสนุนการเรียนรู้" Reddit
ในซับเรดดิตของมหาวิทยาลัยมีเสียงที่แสดงความไม่สบายใจต่อการใช้ AI ในการประชาสัมพันธ์ของมหาวิทยาลัย และความสับสนต่อการที่วิทยาเขตถูก "ครอบงำด้วย AI" Reddit
ในเธรดประเภท AskAcademiaมีการอภิปรายเปิดเกี่ยวกับผลกระทบต่อการวิจัยและการตีพิมพ์ Reddit

ใน LinkedInมีโพสต์ที่ท้าทายว่า "การศึกษาระดับสูงกำลังมุ่งหน้าไปยังภูเขาน้ำแข็งของ AI" และความกังวลว่าการปกครองตนเองของวงการวิชาการจะถูกกลืนโดยการนำของบริษัทได้รับความเห็นใจ ในขณะที่ผู้ปฏิบัติงานเสนอแนวทางที่มุ่งไปข้างหน้าโดยกล่าวว่า "ควรออกแบบเพื่อรับรองความแท้จริง แทนที่จะพึ่งพาการตรวจจับ" LinkedIn

มุมมองที่เยือกเย็นรวมถึงข้อโต้แย้ง

มีการวิจารณ์อย่างต่อเนื่องว่า "AI ทำให้การศึกษาระดับสูงกลวงเปล่า" และ "เร่งการเปลี่ยนแปลงเป็นธุรกิจใบรับรอง" ข้อวิจารณ์เหล่านี้ชี้ไปที่ "ปัญหาโครงสร้าง" ที่ไม่สามารถหลีกเลี่ยงได้หากไม่ทำการนิยามใหม่ของการออกแบบการเรียนการสอนและการประเมิน รวมถึงวัตถุประสงค์ของการเรียนรู้ The Australian

ในทางกลับกัน มีการชี้ให้เห็นว่า "AI ยังไม่ได้สร้างผลกระทบที่แท้จริง" คุณภาพของการนำเข้ากำลังถูกตั้งคำถาม Phys.org

สามเหลี่ยมของการนำไปใช้: การประเมิน บทบาท และบรรทัดฐาน

1. การประเมิน (Assessment)

   • จากการประเมินที่เน้นผลลัพธ์เดียวไปสู่การประเมินกระบวนการ: การประเมินร่างคำสั่ง การบันทึกการให้เหตุผล และบันทึกการจัดการเวอร์ชัน

   • เพิ่มน้ำหนักให้กับการสอบปากเปล่าและการสร้างสด และทำให้การรายงานการสนับสนุนจาก AI

     เป็นสิ่งจำเป็น

   • การออกแบบงานที่ "ตั้งอยู่บน AI" (เช่น: งานที่ให้ตรวจสอบและวิจารณ์ผลลัพธ์ของ AI)

2. บทบาท (Roles)

   • อาจารย์เป็น "สถาปนิกของประสบการณ์การเรียนรู้" การออกแบบฟีดแบ็คเชิงสร้างสรรค์และการพัฒนา AI ลิเทอเรซีเป็นแกนหลัก

   • นักศึกษาเป็น "ผู้เรียนที่ปรับตัวเอง" เมตาค็อกนิชัน การประเม