Лаборатория онлайн-обучения

Последние недели довольно много экспериментирую с GPT как с инструментом для самообучения. Недавно я уже писал об одном из таких экспериментов. Теперь в процессе обучения я заметил ещё одну проблему, которая кажется мне даже фундаментальной. Речь о том, насколько вообще можно верифицировать педагогические решения нейросети. Дело в том, что как бы я ни старался выстраивать собственную образовательную траекторию с помощью GPT, периодически сталкиваюсь с одним и тем же вопросом — почему система рекомендует мне именно следующий шаг в образовательной траектории и насколько данный выбор обоснован? Например, несколько раз в тренажёре продакта я приводил нейросети контраргументы. После этого она соглашалась со мной, находила источники в поддержку моей позиции и перестраивала первоначальный ответ. Что является довольно логичным с точки зрения адаптивной модели обучения. Но порой интереснее вовсе иное. Порой мне как пользователю трудно определить, по каким именно причинам изменилась рекомендация. Потому что появились новые существенные данные? Потому что исходная логика была слабой? Или модель просто адаптировала ответ под мою позицию? Похожая ситуация возникает при оценке прогресса. Нейросеть может анализировать мои ответы, говорить, что определённая тема уже освоена (как это было в случае с выявлением потребности заказчика), и предлагать двигаться дальше. Но при этом мне трудно проверить, по каким критериям она пришла к данному выводу и насколько последовательно применяет эти критерии в течение всего обучения. И в этом, на мой взгляд, проходит та самая граница между языковой и педагогической персонализацией. Дело в том, что нейросеть довольно эффективно создаёт ощущение индивидуальной работы. Она помнит контекст диалога, адаптирует объяснения, учитывает мои возражения, меняет сложность вопросов, предлагает следующие учебные темы и т.д. Но полноценная индивидуальная образовательная траектория требует гораздо большего. Нужно понимать исходный уровень обучающегося, его цели, критерии достижения результата, пробелы в знаниях и, что самое главное, основания для изменения образовательного маршрута. Причём все эти элементы должны оставаться достаточно последовательными на протяжении обучения. И, как я выяснил на практике, обычный диалог с нейросетью пока не гарантирует подобной последовательности. Получается довольно интересная ситуация.

Нейросеть может предложить следующий шаг, однако проверять обоснованность этого решения во многом приходится самому обучающемуся. А это, как правило, довольно неудобно, учитывая тот факт, что ты находишься в процессе обучения.

Поэтому один из главных вопросов для образовательных ИИ-систем я бы сформулировал следующим образом:

Как сделать педагогическую логику нейросети эффективной для пользователя?

Т.е. почему нейросеть считает определённую тему освоенной? На основании чего меняет образовательную траекторию? Какие альтернативы нейросеть рассматривала? Что должно произойти, чтобы она пересмотрела своё решение? и т.д. На мой взгляд, именно способность отвечать на эти вопросы во многом будет определять разницу между нейросетью, которая просто хорошо ведёт диалог, и системой, которой действительно можно управлять образовательной траекторией. Коллеги, а вы пробовали строить свою образовательную траекторию с помощью нейросети? Насколько это оказалось для вас эффективным ❓ Будет здорово если поделитесь реальными кейсами и прокомментируете их