Matomo

AI-literacy: fra SAMR over TPACK til CoACT

AI-literacy: fra SAMR over TPACK til CoACT

I denne artikel går vi ind og ser på, hvad man skal overveje, hvis man indtænker kunstig intelligens i undervisningen, og hvordan det vil påvirke undervisningen. Vi ser på begrebet AI-literacy og undersøger inklusion af kunstig intelligens i undervisningen ud fra SAMR og TPACK-modellerne. Vi vil også se på en ny måde at anskue implementeringen af teknologi (som f.eks. kunstig intelligens) i undervisningen - i form af modellen AI-CoACT, som omhandler samskabelse (Co-creation) med AI.

Literacy-begrebet defineres nok bedst som vores ressourcer til og færdigheder i at afkode, forstå og anvende tegn. En måde at definere AI-litteracy på kunne være følgende: De færdigheder og kompetencer vi skal have for at anvende AI-teknologier som værktøjer, betragte dem kritisk, forstå dem i sammenhæng med det omgivende samfund samt evnen til at forholde os kritisk til design og implementering af AI. Det må naturligvis inkludere emner som grundlæggende forståelse for teknologien, kritisk tænkning, etik, ansvarlighed, kommunikation og samarbejde - og sandsynligvis en masse andre emner.

SAMR-modellen

SAMR-modellen omhandler den transformation, der kan ske med læring, når ny teknologi introduceres. Modellen er lavet af dr. Ruben R. Puentedura i 2014 og indeholder fire niveauer, hvor teknologi kan bidrage til undervisningen.

I de første to niveauer (enhancement) ser vi et skift, hvor teknologi erstatter tidligere værktøjer, enten direkte uden funktionel ændring (substitution), eller med en grad af funktionel forbedring (augmentation). I de to andre niveauer (transformation) sker der et betydeligt redesign, hvor teknologien ændrer værktøjerne så meget, at selve opgaven ændres (modification) så meget, at der kan laves helt nye opgavetyper, som er 100% afhængige af den nye teknologi (redefinition).

https://upload.wikimedia.org/wikipedia/commons/5/5e/The_SAMR_Model.jpg

Modellen er fin, når man skal vurdere et nyt digitalt værktøj som f.eks. AI. Til gengæld siger den ikke så meget om, hvordan man som underviser skal agere i den nye undervisningssituation og med de nye færdigheder, som håndteringen af AI kræver (AI-literacy).

For at kunne forstå AI-literacy i forhold til undervisning kan vi med fordel se på TPACK-modellen.

TPACK-modellen

I TPACK-modellen beskæftiger sig med 3 vidensområder, der er vigtige at se på, når vi vil inddrage ny teknologi i undervisningen, nemlig teknologisk viden, pædagogisk viden og (fag-)faglig viden. Når vi snakker om at indføre nye værktøjer baseret på kunstig intelligens, som f.eks. ChatGPT i undervisningen, giver det god mening at se på disse tre vidensområder og på, hvordan de relaterer til hinanden.

https://educationaltechnology.net/technological-pedagogical-content-knowledge-tpack-framework/

Lad os udfolde de forskellige vidensområder lidt. Teknologisk viden (TK) handler om den viden, vi som undervisere har om den teknologi, vi introducerer i klasserummet, samt vores evner til at bruge teknologien hensigtsmæssigt.

Pædagogisk viden (PK) inkluderer viden om læring, dannelse og didaktik (planlægning, gennemførelse og evaluering af undervisning). Det er her, vi har fokus på elevernes udvikling.

Faglig viden (CK) handler om det fag-faglige indhold i fagene: faglige begreber, teorier, metoder og modeller, som vi bruger til at udvikle den faglig viden, vores elever skal tilegne sig. Det er her, underviserens egen viden om sit fag befinder sig.

Imellem teknologisk og pædagogisk viden (TPK) finder vi de forskellige teknologiers læringspotentiale. Kan en given teknologi gøre noget positivt for læring? Hvordan ændres undervisningen, når ny teknologi introduceres, og hvordan gøres det hensigtsmæssigt? Mellem pædagogisk viden og faglig viden (PCK) finder vi sammenhængen mellem det, vi underviser i, og den måde vi gør det på, over for netop de elever vi har med at gøre. Mellem teknologisk og faglig viden (TCK) ser vi på, hvordan teknologi kan ændre den faglige viden, vi underviser i.

Midt i modellen har vi samspillet mellem faglig viden, teknologiers indflydelse og hvordan vi underviser (TPACK) - altså der hvor teknologi, fag og pædagogik/didaktik går op i en højere enhed.

Men, hvad sker der med alle disse vidensdomæner, når vi introducerer en ny teknologi som f.eks. ChatGPT eller en anden generativ kunstig intelligens?

Kunstig intelligens og dens indflydelse på forskellige vidensdomæner

Når vi introducerer en ny teknologi, påvirkes alle tre domæner i mere eller mindre grad. Men når vi taler om kunstig intelligens, har vi med en meget kompleks teknologi at gøre, og det komplicerer situationen.

Ifølge TPACK-modellen skal vi som undervisere have viden om den teknologi, vi vil introducere.

Tager vi ChatGPT som eksempel, vil vi derfor skulle vide, hvordan en sprogmodel fungerer rent teknisk, hvilke styrker og begrænsninger den har, hvordan og med hvilket materiale den er trænet, dens troværdighed (eller mangel på samme), bias i output, etiske implikationer, hvordan man prompter bedst og meget mere, før vi kan introducere den i klasserummet. Vi skal også have viden om, hvad det gør ved pædagogik og didaktik, hvordan vi skal bruge teknologien og til hvad, hvilken betydning det har for undervisningen m.m. Vi skal simpelthen have viden om, hvad det gør ved vores fags faglighed at introducere teknologien.

Den teknologiske viden (TK) kan vi få ved at studere, udforske og læse om teknologien. Den er nok den nemmeste af de tre (selvom det kan virke helt uoverskueligt for mange).

Den pædagogiske og didaktiske viden (PK) kræver mange eksperimenter, f.eks. i form af aktionslæringsprojekter. Vi ved ikke på forhånd, hvad det gør ved vores undervisning, når vi "tillader" brug af en anderledes (og for mange ukendt) teknologi som kunstig intelligens - også selvom vores pædagogiske og didaktiske erfaring er stor. Der findes ingen forskning på området endnu, og vi har svært ved at vente på det, før vi bliver nødt til at tage stilling til teknologierne. Det handler også om den teoretiske viden og forståelse for, hvordan man bedst strukturerer undervisningen for at fremme læring.

Viden om vores fags faglighed (CK) kan også være ret kompleks, når vi introducerer kunstig intelligens. Når hele verden påvirkes af de nye teknologier, vil de allerfleste vidensdomæner også blive påvirket. Når man i sprogfag pludselig har tekster, som er skrevet af kunstig intelligens, f.eks. nyheder. Når vi ser billeder, der er lavet af generativ kunstig intelligens ud fra en tekstprompt, f.eks. pressefotos af ting, der ikke har fundet sted. Eller når vi møder koder i programmering, som man kan fejlrette uden at kende programmeringssproget, så sker der noget med fagenes faglighed, som vi skal forholde os til.

TPK, PCK og TCK

Hvis vi går ind og ser på forholdet mellem teknologisk og pædagogisk viden (TPK), skal vi som undervisere forstå, hvordan den nye teknologi kan bruges som redskaber til at nå et læringsmål. Når vi i et sprogfag f.eks. vælger at anvende retteværktøjer, der bygger på kunstig intelligens (fordi det måske sparer tid), kan underviserne miste noget af fornemmelsen for elevernes udvikling og læring, ligesom vi mister vigtig viden om den enkelte elevs skrivestil. Læremidler vil også skifte karakter til noget, der bliver tilpasset direkte til den enkelte elevs læringsbehov, og det vil i højre grad være med til at differentiere undervisningen.

Hvis vi ikke er opmærksomme, kan teknologien altså komme til at påvirke relationen mellem underviseren og eleverne. Det er derfor vigtigt, at vi som undervisere overvejer, hvordan den nye teknologi på bedst mulig vis kan styrke relationen mellem elever og undervisere.

Mellem pædagogisk viden og faglig viden (PCK) skal vi se på, hvilke undervisningstilgange og strategier der passer bedst til undervisning af et givent fagligt indhold. Her kan adaptive læringsværktøjer, som vha. kunstig intelligens tilpasser niveau og didaktik til den enkelte elev, komme til at have stor betydning.

I sammenspillet mellem den teknologisk og faglig viden (TCK) ser vi på forholdet mellem teknologi og den faglige viden, vi har i vores fag. I nogle fag ser vi allerede kunstig intelligens få betydning for den faglige viden, vi baserer vores undervisning på. Inden for nyhedsformidling benyttes kunstig intelligens til både skrivning og generering af billeder. I kemi bruges kunstig intelligens mere og mere til f.eks. at forudsige synteser og molekylestrukturer.

Her er det vigtigt at være opmærksom på, at kunstig intelligens vil påvirke både viden og de færdigheder, der er centrale for et fag. Der vil fremover være nye områder, som vi ikke kommer til at bruge meget tid på. Men der vil også opstå nye muligheder i fagene, som vil komme til at fylde i såvel forberedelse som undervisning.

TPACK-modellen overlap

Ser vi på alle disse ting samlet, kræver det en masse af os som undervisere. Den fremtidige underviser skal kunne interagere med alle typer af viden i samspil med kunstig intelligens.

Der lægges ikke op til en dyb teknisk forståelse for, hvordan kunstig intelligens virker, men det er vigtigt at forstå, hvordan teknologien kan anvendes i fag og uddannelse. Herunder skal man være opmærksom på styrker og svagheder, og hvordan disse påvirker elevernes læring.

AI-CoACT

Et helt nyt forslag til et framework, baseret på SAMR, TPACK og Blooms taksonomi, kommer fra Dr. Anjali Rajan Puthiyedath. AI-CoACT modellen indeholder fire indbyrdes forbundne komponenter: Awareness (bevidsthed), Integration (integration), Collaboration (samarbejde) og Transformation (transformation). Modellen er et bud på en måde at integrere og undersøge kunstig intelligens i undervisningen, ved at se på bl.a. læreprocesser og evaluere disse.

https://www.linkedin.com/pulse/framework-ai-co-creation-pedagogy-dr-anjali-rajan-puthiyedath/

Awareness (bevidsthed) minder meget om TPACK's teknologiske viden (TK) og handler om at opbygge en forståelse af AI-teknologier, deres potentielle anvendelser inden for uddannelse og de involverede etiske overvejelser. Både undervisere og elever bør udvikle en grundlæggende viden om AI-værktøjer, deres funktioner og deres begrænsninger, for at kunne beslutte, hvornår det giver mening at bruge dem i undervisningen. Det kræver, at underviserne får nødvendig uddannelse i de nye teknologier og tid til at udforske mulighederne for læring. Det er også fornuftigt at undervisere og elever udforsker mulighederne sammen, så elevernes bevidsthed og kritiske sans guides af en erfaren underviser.

💡
Nøgleaktiviteter i bevidsthedsfasen:
Deltag i kurser og workshops om AI-teknologier. Overvej de etiske implikationer af kunstig intelligens i uddannelse. Udforsk forskellige AI-værktøjer og deres potentialer inden for undervisning og læring.

Integration er næste trin i modellen og handler om, hvordan man (efter at have opnået en solid forståelse for teknologierne) kan inkorporere AI-værktøjer i eksisterende undervisnings- og læringsprocesser. Det starter med identifikation af egnede AI-værktøjer til specifikke læringsmål og aktiviteter, hvorefter AI-værktøjerne skal tilpasses de gældende læreplanskrav og læringsmål. Når det er på plads, begynder træningen af eleverne i, hvordan de bedst bruger de muligheder, som AI-værktøjerne giver, ud fra den enkeltes læringsbehov. For at komme i mål med denne fase kan man arbejde med undersøgelsesbaseret undervisning, lave aktionslæringsprojekter og også se på undervisningsdifferentiering.

💡
Foreslåede aktiviteter i integrationsfasen:
Find egnede AI-værktøjer til specifikke læringsmål og aktiviteter. Tilpas AI-værktøjer til læreplanskrav og læringsmål. Træn eleverne i, hvordan de kan bruge AI-værktøjer effektivt til netop deres læringsbehov.

I krydsfeltet mellem bevidsthed og integration sker en vigtig proces. Det er her, man forbinder den grundlæggende forståelse af AI-teknologier, de etiske udfordringer og kritisk tænkning, og deres praktiske anvendelse i undervisningen. Det er også her, at viden om læringsmiljø og samarbejdsstrukturer er relevante at se på. Det er vigtigt at forstå, at dette er en iterativ proces. Den viden, man som underviser får i integrationsfasen, skal bruges til at justere på bevidsthedsfasen, inden man så igen kan ændre på integrationen.

Collaboration (samarbejde) omhandler den fælles indsats fra undervisere, elever og AI-værktøjer, der er nødvendig for sammen at skabe viden, løsninger og læringserfaringer. I denne fase er fokus på at fremme et kollaborativt læringsmiljø, hvor både mennesker og AI-systemer arbejder sammen for at nå fælles mål. Samarbejdsprojekter, der kræver, at eleverne arbejder sammen ved at bruge AI-værktøjer til f.eks. at udforske data, formulere løsninger eller generere innovative projekter, træner elevernes kollektive problemløsningskompetencer og kritiske tænkningsevner. I denne proces går underviserens rolle fra at være vidensleverandør til at være facilitator, der styrer eleverne i deres udforskning og opdagelse.

💡
Foreslåede aktiviteter i samarbejdsfasen:
Design læringsaktiviteter, der tilskynder til interaktion mellem elever, undervisere og AI-værktøjer. Frem samarbejdende problemløsning og idéer med AI-værktøjer. Tilskynd eleverne til at give feedback på AI-genereret output, og lad dem arbejde med at forfine proces og produkt.

I skæringspunktet mellem integration og samarbejde interagerer undervisere, elever og AI-værktøjer i et kollaborativt læringsmiljø, hvor der sker en forståelse af AI's muligheder og begrænsninger. Dette sker, som beskrevet i den konstruktivistiske læringsteori, ved konstruktion af viden gennem social interaktion og praktisk erfaring. Det er også her, at behovet for kritisk tænkning og etiske overvejelser (som f.eks. databeskyttelse og algoritmisk bias) af integrationen af ​​AI i uddannelse er størst.

Transformation handler om at vurdere virkningen af ​​AI-samskabelse på undervisning og læring, og forfine processen af denne. Det involverer løbende evaluering af effektiviteten af ​​AI-integration, identifikation af forbedringsområder og tilpasning af tilgangen til AI i undervisning, for at maksimere fordelene ved denne. Det er her, vi får vigtig viden om de nye teknologiers indvirken på vores undervisning og kræver indsamling af data vedrørende virkningerne af AI-værktøjer på elevernes læring, samtaler med lærere og studerende om deres erfaringer og viljen til at lave ændringer på baggrund af denne viden. Transformation ligger som skæringspunkt mellem de tre domæner: bevidsthed, integration og samarbejde, og det understreger behovet for disruption-parathed. Undervisere og uddannelsessteder skal være parate til at omfavne ændringer i teknologi, pædagogik/didaktik og faglig viden, for at sikre, at eleverne er udstyret med de færdigheder og kompetencer, der er nødvendige for en fremtid i en AI-drevet verden.

💡
Foreslåede aktiviteter i transformationsfasen:
Indsaml og analysér data om effektiviteten af brugen af AI-værktøjer i undervisning og læring. Identificer forbedringsområder og juster AI-samskabelsesprocessen i overensstemmelse hermed. Del "best-practice" og erfaringer med kolleger og fagfæller.

Opfordring til forskning i uddannelse og kunstig intelligens

Med denne artikel vil vi gerne opfordre til, at der sættes gang i en masse undersøgelser af, hvordan og hvor - og ikke mindst om - det giver mening at implementere kunstig intelligens i uddannelse. I denne artikel har vi kun overordnet set på muligheder og udfordringer, og der er helt sikkert meget, vi har overset, eller som vil ændre sig med udviklingen af kunstig intelligens.

Vores opfordring er derfor, at der igangsættes forskningsprojekter, der undersøger de nye muligheder og sikrer, at vores pædagogiske og didaktiske metoder forfines, så vi ikke overhales indenom af de nye teknologier. Kun gennem forskning kan vi udnytte de potentialer, som de nye teknologier giver. Lige så vigtigt er det tillige, at vi kan fravælge de teknologier, der ikke giver mening og merværdi til vores uddannelser.

Kilder

A Framework for AI Co-Creation in Pedagogy
As artificial intelligence (AI) increasingly becomes a part of everyday life, educators must consider pedagogical approaches and student learning when incorporating AI into the classroom. Integrating AI into education requires a deep understanding of teaching and learning theories to ensure meaningf
SAMR - digital læring
Skab digital læring med SAMR-modellen

https://www.researchgate.net/publication/356530865_Deep_Integration_of_AI_and_TPACK_Reconstruction_of_Teachers'_Knowledge_Structure_in_the_Post-pandemic_Era

https://www.sciencedirect.com/science/article/pii/S0747563222002886

https://www.powerschool.com/blog/the-tpack-framework-explained-with-classroom-examples/

AI literacy in K-12: a systematic literature review - International Journal of STEM Education
The successful irruption of AI-based technology in our daily lives has led to a growing educational, social, and political interest in training citizens in AI. Education systems now need to train students at the K-12 level to live in a society where they must interact with AI. Thus, AI literacy is a…
AI Literacy, Explained
Now that AI is expected to influence fields from medicine to policing, what do students need to understand about the technology?
Toward a model of learning innovation integration: TPACK-SAMR based analysis of the introduction of a digital learning environment in three Russian universities - Education and Information Technologies
Digitalisation is penetrating higher education (HE) in Russia. The study explores how three Russian universities have been integrating the Skyes digital learning platform to transform English as a foreign language (EFL) educational practices. The article outlines the main characteristics of the plat…

https://edtechfocus.com/uploads/1/3/7/0/137007363/published/samr-model.png?1618450117

A Learning Programme Based on TPCK (Technological Pedagogical Content Knowledge), Constructionism, and Design to enhance Teacher Learning of the Key Ideas and Competencies of Artificial Intelligence (AI)
Technologies powered by Artificial Intelligence (AI) are more and more present in our daily lives this is the reason why developing skills and competencies to be aware of the positive and negative impact of these technologies is extremely relevant to every citizen. Therefore, there is a developing l…
Promoting the AI teaching competency of K-12 computer science teachers: A TPACK-based professional development approach - Education and Information Technologies
With the rapid development of artificial intelligence (AI), the demand for K-12 computer science (CS) education continues to grow. However, there has long been a lack of trained CS teachers. To promote the AI teaching competency of CS teachers, a professional development (PD) program based on the te…

AI Literacy from Educators’ Perspectives In book: AI Literacy in K-16 Classrooms (pp.131-139), Davy Tsz Kit Ng • Jac Ka Lok Leung, Maggie Jiahong Su, Iris Heung Yue Yim, Maggie Shen Qiao, Samuel Kai Wah Chu, Springer 2022