Некоторые мысли о преподавании (и) ИИ

Эта статья – набор мыслей о влиянии искусственного интеллекта ^[1] на ландшафт современного образования в смысле рисков и возможностей, которые он несёт. Мысли несколько сумбурные, но, как мне кажется, своевременные.

Процитирую свой же текст, опубликованный в телеграм-канале ^[2]:

“В последнее время образовательное сообщество охватила паника, связанная с бессильностью по отношению к использованию AI для списывания. С проблемой столкнулись не только школы и сравнительно простые курсы университетского уровня, но и такие мастодонты как шад (https://habr.com/ru/articles/881858/). Высказаться о новом ландшафте образовательной реальности успели и Сальман Хан, и Эрик Шмидт, и Билл Гейтс.

Проблема не обошла стороной ни гуманитарные науки, ни западные университеты. Один из первых скандалов, связанных со списыванием, произошел в 2022 году, когда Даррен Хик, профессор философии университета Фурмана (США) с удивлением обнаружил курсовую работу, полностью написанную ChatGPT. В 2022 году это ещё было в новинку. Фурман распознал статическую нетипичность работы, а также методом пристального детективного анализа обнаружил колоссальное количество фактических ошибок в работе, ни одна из которых изначально не бросалась в глаза.

С тех пор всё стало хуже. LLM решают почти любые мыслимые задачи любой технической области, зачастую не оставляя явных артифактов своей работы. Звучали разные идеи по преодолению этого кризиса: от использования специальных ребусоподобных форматов заданий (капча и задача – 2 в 1) и попыток формулировать задания с учётом уязвимостей LLM до тотального возвращения к аналоговым форматам сдачи экзаменов.

И вот, терпение некоторых школ и университетов США лопнуло. FoxNews выпустили интересный материал, в котором пишут, что часть университетов, причем, в частности, больших и известных – Техасский, Беркли –  ведут активные закупки бумажных экзаменационных бланков, а многие школы переходят в оффлайн формат.”

Сиюминутные проблемы современности

Status quo сегодняшнего дня состоит в том, что искусственный интеллект стал не только объектом изучения и преподавания, но и технологией, формирующей ландшафт образовательной среды. Здесь можно выделить несколько ключевых аспектов проблемы, с которой, насколько мне известно, сталкиваются авторы и продюсеры практически всех курсов университетского уровня, причем не только в области ИИ. Первый аспект состоит в том, что развитие технологий в последние годы имеет крайне динамичный характер: передовые методы развиваются с такой скоростью, что создание качественного обучающего материала может занять больше времени, чем необходимо на полное обновление мейнстрима.  Однако эта проблема не нова – любая живая область человеческого знания, в которой работает много квалифицированных и заинтересованных людей, в определенный момент своего развития становится крайне динамичной, поэтому я не стану акцентировать внимание ^[3] на этой проблеме.

Второй аспект значительно интереснее. Впервые в истории образование столкнулось с возможностью студента использовать универсальную шпаргалку за 20$ в месяц. Последние разработки в области LLM во многом сосредоточены на обучении ^[4] больших моделей ИИ сложным когнитивным навыкам, комплексным рассуждениям и решению нетривиальных математических задач. Уже на текущем уровне развития технологий списывание при помощи ИИ приобрело системный характер, приобретая иногда даже черты искусства. На мой взгляд, в ближайшие годы проблема совершенного списывания станет одной из центральных проблем образования во всем мире.

Какие же могут быть варианты борьбы с системным списыванием?

Первый вариант – возвращение систем контроля, в случаях, когда это возможно, к сугубо очным непосредственно контролируемым преподавателям форматам. Возможность напрямую следить за выполнением задания студентами исключает возможность использования сложных форм списывания, однако при этом существенно ограничивает формат заданий и усложняет процесс организации. Помимо этого, возникают ограничения, связанные с форматом проведения самой образовательной программы – очные контрольные мероприятия, хотя и не исключают, но в существенной мере отменяют преимущества дистанционных образовательных программ, а вступительные испытания возвращаются к своим старым болезням, обусловленным во многом масштабами нашей страны – абитуриенту из Владивостока невозможно поступить в МГУ, не потратив большое количество усилий, времени и денег на долгую дорогу для сдачи очного экзамена.

Другой вариант борьбы со списыванием – разработка новых, более творческих проектно-ориентированных форматов контрольных испытаний. В этом случае перед студентом ставится задача не столько выполнить определенное задание, сколько решить некоторую проблему, вдохновленную реальными сложностями, возникающими в соответствующей практике. Фокус усилий студента при этом смещается с проработки технических навыков в область планирования и дизайна эксперимента/исследования/прототипа, при этом признается право студента использовать определенные вспомогательные средства. Преимуществом и недостатком такого подхода одновременно является фактическое изменение образовательного результата программы за счет смещения точек приложения усилий студента – глубина понимания предметной области должна смениться на широту ориентации в ней, что, в совокупности с глубоко и тщательно проработанной базой, может быть приемлемым вариантом для некоторых предметных областей.

Третий вариант – апелляция к личной ответственности студента. В рамках этой парадигмы большая часть контрольных мероприятий должна превратиться из некоторого требования по отношению к студенту в услугу, которая ему предлагается. Целью прохождения контрольного мероприятия в этом случае является уже не формальное получение позитивной оценки выполненной работой, а проработанная обратная связь и рекомендации по корректировке подходов к обучению и образовательной траектории. Студент должен стремиться к объективному совершенствованию своих навыков, за счет чего его результативность становится в первую очередь его ответственностью, а контрольные мероприятия превращаются из фильтров в инструмент объективного численного измерения студентами их профессионального роста. Проблема этого подхода состоит в принципиальной сложности построения универсального мотиватора к достижению результата. В идеальном случае, этот универсальный мотиватор должно формулировать общество, культурная и экономическая среда, однако сложно рассчитывать на изменения, контроль которых не находится в наших руках. Суррогатами универсального мотиватора в этом случае могут стать либо отдельные редкие (к примеру, ежегодные) контрольные мероприятия, организация которых отличается особой строгостью, а результат которых не просто построен на системе фильтрации, но должен быть практически безапелляционным и крайне важным в рамках всего процесса обучения; либо развитая система внутренней конкуренции, возможно, дополнительно мотивированная экономически.

Четвертый вариант – использование уязвимостей и технических ограничений ИИ-ассистентов. Этот путь предполагает постоянный мониторинг исследований на тему уязвимостей больших языковых моделей и атак на них, а также крайне динамичное изменение состава заданий курсов. Он рассчитан на отслеживании артефактов ИИ, которых с каждым годом, вероятно, будет становиться все меньше.

Лично я убежден, что любая хорошая образовательная система должна быть основана на взвешенной комбинацией всех четырех путей контроля в здоровых пропорциях. Для выстраивания адекватных систем, не обладающих явными перегибами, необходимо, помимо всего прочего, понимать потребности ^[5] студента, поскольку любой акт нечестного выполнения задания является диссонансом между реальными целями студента, которые ставят перед ним жизненные обстоятельства, и формальными целями образовательной траектории. Очень важно отличать нездоровые тенденции в студенческой среде от объективного запроса общества, и гибко адаптировать подходы к формированию курсов.

Долгосрочные перспективы

При том, что пока что от повсеместного внедрения ИИ в контексте образования больше вреда, чем пользы, долгосрочные перспективы кажутся многообещающими. Современный прогресс в разработке рекомендательных систем и больших языковых моделей открывает перед образовательным сообществом перспективы плодотворной синергии.

Наиболее интересным мне представляются возможности по формированию адаптивных и гибких индивидуальных образовательных траекторий. Сочетание возможности строить рекомендации по освоению необходимых и опциональных знаний с огромных количеством наработанных цифровых ресурсов, а также использования кастомизируемых индивидуальных цифровых помощников, делает построение образовательных траекторий более гибким, чем когда-либо раньше в истории. Индивидуальное формирование домашних заданий, подбор наиболее понятных и релевантных курсов, индивидуальные графики и программы обучения – все это становится доступным, благодаря повсеместной автоматизации рутинных процессов.

Другим важным фактором, меняющим в преподавание в лучшую сторону, является новая возможность упрощенной ориентации в огромных массивах информации. Предыдущей итерацией такого упрощения сопоставимого масштаба стало появление поисковиков. RAG-системы – новое поколение поисковиков, делающее возможным быстрый поиск сложной релевантной информации по большим массивам данных. Правильной моделью использования этой технологии может быть инструмент, позволяющий быстро найти емкий ответ на конкретный вопрос в виде фрагмента онлайн-лекции или учебника из огромной библиотеки обучающих материалов. Примером такой библиотеки может служить, например, проект teach-in, содержащий записи и конспекты огромного количества лекций ученых МГУ и других крупных вузов. Несмотря на огромную объективную ценность такого ресурса, на сегодняшний день остается актуальной проблема александрийской библиотеки – ориентация в массиве этой информации по сути представляет из себя отдельную профессию.

Третий вариант эффективного использования ИИ в образовании – кастомизация заданий. ИИ делает возможным как создание почти неограниченного количества различных однотипных заданий, так и формирование задания исходя из конкретного запроса. Скорость формирования и проверки заданий в целом сильно возросла с появлением ИИ, и эта тенденция, на мой взгляд, должна сохраниться.

Смещение фокуса в преподавании ИИ

Помимо технических вызовов и перспектив современности, пред преподаванием ML, DS и AI стоит и новый концептуальный вызов. Как было отмечено выше, ИИ перестал быть технологией в себе, и стал полезным инструментом для многих других областей науки. В этом контексте все большую ценность приобретает преподавание ИИ, как инструмента с учетом специфики каждой отдельной науки и области технологии. Школы по типу ШАДа, AI Masters, Технопарка, хотя и обладают невероятной важностью в смысле развития индустрии, начинают терять свою ультимативность в смысле изучения ИИ. Огромная и важная область применения ИИ лежит за пределами сугубо технического взгляда на него, как на объект изучения.

Моя работа со студентами МГУ им. М. В. Ломоносова показала, что наибольший интерес ^[6] к обработке данных, машинному обучению и искусственному интеллекту проявляют (помимо студентов ВМК, физфака и мехмата) студенты геогрфического, психологического, социологического, биологического и химического факультетов. Студенты психологического и социологического факультетов находят удивительные и эффективные способы интеграции ИИ в обработку экспериментальных данных с учетом особенностей предметной области. Географы и биологи применяют ИИ к обработке данных не совсем стандартных модальностей (особенно популярны графовые нейронные сети).

Интеграция ИИ в производство, искусство, дизайн, науку и повседневную жизнь требует междисциплинарного взаимодействия, которое на сегодняшний день развито недостаточно. Я думаю, что развитие таких междисциплинарных конклавов в виде создания новых лабораторий, образовательных коллективов, творческих групп и, конечно, образовательных курсов станет в скором времени новым мейнстримом.