En undersökning av hur television, algoritmer och lärmaskiner tyst förändrar vad det innebär att vara vaken
Mänskligt lärande bygger i grunden på produktiv kamp och genomtänkta svårigheter – den obekväma men nödvändiga kognitiva ansträngningen att brottas med komplexa problem, navigera i förvirring och aktivt skapa nya mentala ramverk. När en LMS-algoritm upptäcker tvekan och omedelbart sänker svårighetsgraden, bryter ner begrepp i lättsmälta mikromoduler eller omdirigerar den studerande bort från en utmaning, tar den bort den friktion som krävs för att bygga upp intellektuell resiliens och självstyrd autonomi. Den studerande upphör att vara en aktiv utforskare som styr sin egen undersökning; i stället, likt en användare som flyter med i en oändlig social flödesström, blir den studerande en passiv passagerare inuti en överoptimerad maskin som eliminerar smärtan av att tänka.
Utvecklingen från tv-sändningar till sociala algoritmer och adaptiv pedagogisk AI återspeglar en stadigt framåtskridande marsch mot minskad mänsklig handlingsförmåga, förklädd som bekvämlighet. Televisionen stilla fysisk rörelse och tid; sociala algoritmer stilla uppmärksamhet och avsikt; adaptiva pedagogiska verktyg riskerar att stilla den intellektuella uthålligheten i sig själv. Varje teknologisk framsteg har förfinat konsten att avlägsna kognitiv friktion, och på ett subtilt sätt övertalat oss att ge upp ansträngningen att välja, reflektera och kämpa. För att bevara äkta tankar i en automatiserad värld måste vi inse att sann tillväxt finns just där friktionen bevaras – vi måste vägra låta våra verktyg tyst styra våra sinnen.
Att bevara produktiv kamp i adaptivt lärande
Att bevara produktiv kamp i adaptivt lärande kräver att vi utformar AI-system som stödjer den studerandes tankeprocess utan att ta över den. Målet är att behålla studerande inom sin optimala tillväxtzon, där innehållet är tillräckligt utmanande för att utmana deras förmågor, men ge tillräckligt stöd för att inte orsaka uppgivenhet.
Nedan följer ett scenario som jämför hur AI-system kan fungera på ett passiviserande respektive aktiverande sätt.
Scenario: Att lösa ett 2D-vektorproblem i fysik
En gymnasieelev, Maja, arbetar med en fysikmodul i ett lärplattformssystem (LMS). Hon stöter på ett flerstegsproblem för beräkning av hastigheter efter en kollision. Maya gör ett grundläggande begreppsmässigt misstag: hon glömmer att hastighet är en vektorkvantitet och behandlar riktningsvärden (+v och -v) som positiva skalor i sin ekvation: m₁v₁i + m₂v₂i = (m₁ + m₂)v_f
| Interaktionsfas | Passiv AI-stöttning (friktionseliminerande) | Aktiv, kampbevarande AI (friktionsbalanserande) |
|---|---|---|
| Felutlösare | Systemet upptäcker en felaktig numerisk inmatning efter 45 sekunders inmatning. | Systemet upptäcker utelämnande av vektortecken genom att jämföra beräkningar av mellanstegsvariabler och inmatningstid. |
| AI-systemets svar | Sänker automatiskt svårighetsgraden, presenterar ett förenklat endimensionellt problem med en enda riktning och visar den korrigerade ekvationen med förifyllda siffror: 10(5) + 5(-2) = 15v_f. | Behåller problemets svårighetsgrad. Ger en sokratisk ledtråd: »Observera pilarna i ditt diagram som anger rörelse åt vänster respektive höger. Hur påverkar riktningen v₂i i vektorekvationer?» |
| Eleven agerar | Klickar på »Fortsätt«, kopierar de förifyllda värdena till en miniräknare och skickar in svaret utan att omvärdera vektorlogiken. | Pausar, läser om problemdiagrammet, inser att hastighet åt vänster kräver ett negativt tecken och modifierar ekvationen manuellt. |
| Kognitivt tillstånd | Passiv lydnad: Låg kognitiv belastning, hög ytlig engagemang, ingen metakognitiv ansträngning eller reflektion över varför det tidigare försöket misslyckades. | Produktiv kamp: Måttlig kognitiv belastning, hög reflektion; den studerande omstrukturerar aktivt sin mentala modell av vektorkvantiteter. |
| Feedbackloop | Systemet berömmer snabb genomförande: »Bra jobbat! Du behärskade det här problemet.« Flyttar eleven vidare till nästa enhet. | Systemet belyser strategin: »Att upptäcka teckenfelet på riktad hastighet var nyckeln. Hur kommer du att kontrollera vektortecken i 2D-komponenter nästa gång?« |
| Effekt på behållning | När hon ställs inför ett liknande 2D-problem på ett oassisterat prov tre veckor senare, upprepar Maya vektorteckenfelet. | Maya kontrollerar självständigt riktningstecken innan hon utför beräkningar vid framtida bedömningar. |
Utifrån denna bakgrund skapar vi nu en interaktiv bok med bästa praxis för utvecklare av adaptiv AI och kursutvecklare.
Författad av LarsGöran Boström
Vi hjälper organisationer och människor att interaktivisera sig genom att förvandla skärmar till aktiva framsteg och till skydd för er personliga integritet och organisations informationssäkerhet. Mer information på eLearningworld Europe AB och B-InteraQtive Publishing