Eğitimde Yapay Zeka Kullanımı: Uygulanabilirlik ve etik hususlar[1]

Yazar: Michael J. Reiss[2]

Çeviren: Rozerin Yaşa[3]

Özet

Yapay zekanın potansiyeli hakkında, hayatlarımızı yakın bir zamanda nasıl dönüştüreceğine ilişkin aşırı hevesli açıklamalardan, kitlesel işsizlikten bildiğimiz yaşamın yok olmasına kadar her şeye nasıl neden olacağına ilişkin endişe verici tahminlere kadar geniş bir görüş çeşitliliği bulunmaktadır. Bu makalede, eğitimde yapay zekanın uygulanabilirliğini ve ortaya çıkardığı etik sorunları ele almaktayım. Benim vardığım temel sonuç, yakın ve orta vadeli gelecekte yapay zekanın öğrencilerin öğrenimini zenginleştirme ve (insan) öğretmenlerin çalışmalarını onları devre dışı bırakmadan tamamlama potansiyeline sahip olduğudur. Buna ek olarak, yapay zeka, 'okula karşı ev' gibi geleneksel ayrımların öğrenme açısından aşılmasını giderek daha fazla mümkün kılmalıdır. Yapay zeka, eğitimde kişiselleştirmeyi artırma umudu sunsa da öğrenmenin daha az sosyal hale gelmesi riskini de beraberinde getirmektedir. Yapay zekanın öğrencilerin hem gelişmesine hem de güçlü bilgiler öğrenmesine yardımcı olma olasılığını en üst düzeye çıkarmaya yardımcı olmak için okulda yeni teknolojilerin önceki tanıtımlarından öğrenebileceğimiz çok şey var. İleriye baktığımızda, yapay zeka eğitimde dönüştürücü olma potansiyeline sahiptir ve bu tür faydalar ilk olarak özel eğitim ihtiyaçları olan öğrenciler için görülebilir. Bu memnuniyetle karşılanmalıdır.

Anahtar Kelimeler: yapay zeka, eğitim, kişiselleştirilmiş öğrenme, gelişme

Giriş

Bilgisayarların eğitimde kullanımının onlarca yıllık bir geçmişi vardır - biraz karışık sonuçlarla birlikte. Bilgisayarlar, savunucularının öngördüğü sonuçların elde edilmesine her zaman yardımcı olmamıştır (McFarlane, 2019). Baker ve diğerleri (2019) yaptıkları incelemede, geniş ölçekte etki yaratmayı başaran ve bir bütün olarak okul sistemlerinde (az sayıda okulun özel bağlamının ötesinde) istenen farkı yaratan eğitim teknolojisi örneklerinin sanılandan daha nadir olduğunu tespit etmiştir. Baker ve diğerleri (2019), teknolojinin çok sayıda öğrenci için faydalı etkilere sahip olduğu dokuz örneği - üçü İtalya'da, üçü Avrupa'nın geri kalanında ve üçü de dünyanın geri kalanında - incelemiştir. Örneklerden biri Brezilya'daki Lemann Vakfı ile Khan Academy arasındaki ortaklıktır; bu ortaklık 2012'den beri devam etmektedir ve milyonlarca öğrencinin Khan Academy platformuna kaydolmasıyla sonuçlanmıştır. Brezilya'daki okulların çoğunda öğrenciler günlük üç seanstan sadece birine katılmakta ve günde sadece dört saat ders almaktadır. Bu ortaklığın değerlendirmeleri olumlu olmuştur, örneğin kontrollere kıyasla matematik kazanımlarının arttığını göstermiştir (Fundação Lemann, 2018).

Günümüzde yapay zekadan çok yaygın bir şekilde bahsedilmekte ve özellikle öğrenciler için hayatlarımızı nasıl dönüştüreceğine ilişkin hem aşırı hevesli açıklamalar (örneğin, Abidoye ile Seldon, 2018) hem de kitlesel işsizlikten bildiğimiz yaşamın yok olmasına kadar her şeye nasıl neden olacağına ilişkin vahim tahminler mevcuttur (örneğin, Bostrom, 2014).

Yapay zeka ile tam olarak neyin kastedildiği konusu da tartışmalıdır (Wilks, 2019). Benim gibi bir biyolog için zeka sadece insanlarla sınırlı değildir. Gerçekten de insan olmayan hayvanların zekaları da dahil olmak üzere zihinsel kapasitelerinin incelenmesine adanmış, hayvan bilişi adında bütün bir akademik alan vardır (Reader vd., 2011). Homo sapiens türünün üyeleri yaklaşık dört bin milyon (4 milyar) yıllık bir evrimin ürünüdür. Bir yaratıcı yok ise, insanlar inorganik maddeden türemiştir. Eğer dünün inorganik maddesi bugünün insanını meydana getirdiyse, insanların bilinçli bir şekilde hareket ederek en azından zeka temellerine sahip inorganik varlıklar üretebilmeleri pek de dikkate değer görünmemektedir. Sonuçta, tek hücreli organizmalar bile, kimyasal gradyanlardan gelen bilgileri kullanarak, yiyecek (ya da yiyeceğin yapı taşlarını) elde etme olasılıklarının daha yüksek olduğu ve kendilerinin tüketilme olasılıklarının daha düşük olduğu yerlere hareket ederken yaşamlarında belirgin bir amaçlılık gösterirler (Cooper, 2000).

Scala Naturae'yi ya da Büyük Varlık Zinciri'ni onaylamaksızın, pek çok türün kendi zekasına sahip olduğu açıktır. Bu bizim için en bariz şekilde diğer büyük maymunlarda - goriller, bonobolar, şempanzeler ve orangutanlar - görülmektedir; ancak evrimsel biyologlar ve bazı filozoflar ikili sınıflandırmalara (insanlara karşı diğer tüm türler ya da büyük maymunlara karşı diğer tüm türler) karşı temkinli davranmakta, zekayı farklı tezahürlerde ve farklı derecelerde bulunan, ortaya çıkan bir özellik olarak görmeyi tercih etmektedirler (Spencer-Smith, 1995; Kaplan ve Robson, 2002). Örneğin, bazı türlerin uzamsal hafızaları bizden çok daha iyidir - bülbül, baştankara, alakarga, fındıkkıran ve sıvacı kuşu gibi kuş türlerinde, bireyler yiyecek deposu olarak bazen binlerce fındık ve diğer yenilebilir maddeleri her biri farklı bir yere saçarlar (Crystal ve Shettleworth, 1994). Hafızaları, bazen aylar sonra bu tür öğelerin büyük çoğunluğunu geri almalarını sağlar.

Bunların hiçbiri insan zekasının istisnai ve ayırt edici doğasını küçümsemek için değildir. Sadece bir örnek vermek gerekirse, dili kullanma şeklimiz, insan olmayan hayvanlar tarafından kullanılan basit iletişim biçimleriyle açıkça ilişkili olsa da, farklı bir düzendedir (Scruton, 2017). Doğumumuzdan itibaren, ebeveynlerimizden ve diğerlerinden öğrenmeye başlamadan önce, -doğa-yetiştirme tartışmasına ayrıntılı olarak girmeden, başkalarıyla ilişki kurma ve bilgi alma konusunda doğuştan gelen bir kapasiteye sahiptir (Nicoglou, 2018). Yeni doğan bebek bu bilgileri aldıkça, tıpkı sütü alıp yürümeyi taklit ettiği gibi, bunları işlemeye başlar. Uzun zamandır belirtildiği gibi, 4 yaşındaki çocuklar en sofistike yapay zekanın bile yapmakta zorlandığı şeyleri (yüzleri tanıyabilir, bir zihin teorisi ortaya koyabilir, koşullu olasılıksal muhakeme kullanabilir) yapabilirler. Dahası, tüm bunları yapan aynı 4 yaşındaki çocukken, bunların her biriyle başa çıkmak (ya da başa çıkmaya çalışmak) için hala farklı yapay zeka sistemleri kullanıyoruz, bu da yapay zekanın hala oldukça dar olduğu, oysa insan bilişinin karşılaştırıldığında çok daha geniş olduğu noktasını vurguluyor (Boden, 2016).

Burada robotlar ve yapay zeka arasındaki ilişki hakkında ayrıntılı bir tartışmaya girmeye gerek yok - her ne kadar robotların sahip olduğu ve yazılımın sahip olmadığı maddeselliğin yüksek zeka seviyelerini ortaya koyma kapasitesi üzerinde ne ölçüde fark yarattığı veya yaratacağı konusunda ilginç sorular olsa da (Reiss, 2020). Yapay zeka için kriterlerimizin zaman içinde değiştiğini belirtmek gerekir (bkz. Wang, 2019). Makine performansında önemli bir ilerleme kaydedilen her seferinde, 'gerçek yapay zeka' için çıta yükselmektedir. Gerçek şu ki, artık sadece satranç ve go gibi oyunları hepimizden daha iyi oynayabilen makineler değil, aynı zamanda belirli teşhisleri (örneğin meme kanseri, diyabetik retinopati) en az deneyimli doktorlar kadar doğru bir şekilde koyabilen makineler de (kuşkusuz aynı makineler değil) var.

Ancak unutulmamalıdır ki, her yapay zeka sisteminin içinde sayısız saat süren insan düşüncesinin meyveleri vardır. AlphaGo 18 kez dünya go şampiyonunu yendiğinde şampiyonu Lee Sedol'u 2016'da dörde karşı bir oyunla yenen AlphaGo, bir anlamda tek başına AlphaGo değil, yazılımı üretmek için çalışan tüm programcılar ve go uzmanlarıydı. Aslında aynı nokta tüm teknolojiler ve tüm insan faaliyetleri için de geçerlidir. Bir sonraki nesle öğretmek ve uzun ömürlü kayıtların (örneğin yazı) icadı gibi şeylerle ortaya konan insan zekası, her birimiz veya ürünlerimiz (yazılım gibi) tarafından ortaya konan yeteneklerin uzun bir insan düşüncesi ve eylemi tarihinin sonuçları olduğu anlamına gelmektedir.

Makinelerin Turing testini geçip geçemeyeceği konusunda sonu gelmeyen tartışmalar var. Gerçek şu ki internet, insanları düzenli olarak başka insanlar olduklarına ikna eden botlarla dolu (Ishowo-Oloko vd., 2019). En üzücü örneklerden bazıları, flört sitelerinde ortaya çıkan botlardır. Endişe verici bir şekilde, bunların nasıl tespit edileceğine ilişkin standart tavsiyeler (mesajlar senaryo gibi görünür, dilbilgisi zayıftır, para isterler, çok hızlı yanıt verirler) muhtemelen teknoloji 'geliştikçe' yakında eskiyecek ve pek çok insanı da diskalifiye edecektir.

Yani, yapay zeka burada - üretimin neredeyse her alanında şimdiden büyük bir etki yaratıyor ve tıp, hukuk ve sosyal bakım da dahil olmak üzere çok sayıda meslekte giderek daha fazla kullanılacağına ilişkin mantıklı tahminler var (Frey ve Osborne, 2013; POST, 2018). Eğitimdeki etkileri ne olabilir ve bunu hoş karşılamalı mıyız, karşılamamalı mıyız?

Yapay zeka ve eğitimin öğretim dışı yönlerinde kullanımı

Bu makalenin ana kaygısı, yapay zekanın öğretim için kullanılmasıdır. Bununla birlikte, okullar karmaşık örgütlerdir ve yapay zekanın eğitimin öğretim dışı yönleri olarak adlandırılabilecek konularda artan bir rol oynayacağına ilişkin çok az şüphe vardır. Bunlardan bazılarının sınıf öğretmeniyle çok az ilgisi vardır ya da hiç ilgisi yoktur - örneğin, bu tür kararların hala bireysel okulların dışında alındığı yerlerde öğrencilerin okullara tahsisi, öğretmenler ve diğer personel için iyileştirilmiş işe alım prosedürleri, okullarda kullanılan malzemeler için daha iyi tedarik sistemleri ve öğrencilerin daha doğru kaydı. Diğer hususlar öğretmenleri ilgilendirmektedir - örneğin, son değerlendirmelerin daha iyi tasarlanması ve işaretlenmesi, öğrenciler hakkında ebeveynlerine/velilerine daha geçerli bilgi sağlanması (raporlar) vb. Bunların öğretmenlerin hayatları için önemi küçümsenmemelidir. Birçok öğretmen, yapay zekanın kendilerini yıpratan bürokrasi olarak nitelendirdikleri işleri azaltmasından memnuniyet duyacaktır (örneğin bkz. Towers, 2017; Skinner vd., 2019).

Okul hayatının bu yönlerinden bazılarına yardımcı olacak bir dizi yazılım aracı halihazırda mevcuttur - örneğin, zaman çizelgeleme için (FET, Lantiv Timetabler, diğerleri arasında) - ve Pearson ve diğer ticari kuruluşlar tarafından değerlendirme amacıyla yapay zekanın geliştirilmesi için gelişen bir pazar vardır (Jiao ve Lissitz, 2020). Açıkçası, otomatik sistemler 'objektif işaretlemede' (çoktan seçmeli bir testte olduğu gibi) kullanılabilir (ve uzun yıllardır kullanılmaktadır). Asıl soru, otomatik sistemler daha açık uçlu ödevler için kullanıldığında bunun etkinliği ve istenmeyen sonuçların ortaya çıkıp çıkmayacağıdır. Araştırma literatürü, hem özetleyici hem de biçimlendirici değerlendirme amaçları için ihtiyatlı bir şekilde iyimserdir (örneğin, Shute ve Rahimi, 2017; van Groen ve Eggen, 2020). Aynı zamanda, yapay zekanın bu tür amaçlar için kullanımının mutlaka sorunsuz olacağı varsayılmamalıdır. Artık yapay zekadaki önyargı (örneğin, kasıtsız ırksal profilleme) hakkında temkinli olmamız için yeterince şey bilinmektedir (Burbidge ve ark., 2020).

Okulların öğrencilere sağlayabileceği faydalardan bazıları 'öğretim' terimi kapsamında değildir ve yapay zeka burada faydalı olabilir. Örneğin, İngiltere'de hem bağımsız hem de devlet okulları, kendine zarar verme, uyuşturucu kullanımı ve yeme bozukluklarını tahmin etmek için tasarlanmış bir yapay zeka aracı kullanmaktadır.Her ne kadar Ada Lovelace Enstitüsü (veri ve yapay zekanın insanlar ve toplum için çalışmasını sağlama misyonuna sahip bir araştırma ve müzakere organı) Direktörü Carly Kind, "Bu tür teknolojilerin bir nedenle uygulanıp daha sonra başka nedenlerle kullanılması endişesi vardır" (Manthorpe, 2019) dese de, bunun kendine zarar verme olaylarını azalttığı iddia edilmektedir (Manthorpe, 2019).

Yapay zeka ve eğitimin kişiselleştirilmesi

Eğitimde yapay zeka için ortaya atılan bazı iddiaların gerçekleşme olasılığı son derece düşük. Örneğin, Fountech.ai'nin kurucusu ve CEO'su Nikolas Kairinos, 20 yıl içinde kafalarımızın özel implantlarla güçlendirileceğini, böylece 'hiçbir şeyi ezberlemenize gerek kalmayacağını' söylemiştir (White, 2019). Bırakın 20 yılı, bunun gerçekleşme ihtimalinin bile düşük olmasının nedenleri, bu tür bir bilgi 'yerleştirme' olasılığını inceleyen Aldridge (2018) tarafından tartışılmaktadır (bkz. Gibson, 1984). Aldridge (2018), böyle bir olasılığı reddetmek için fenomenolojik bir bilgi açıklamasına dayanmaktadır. Puddifoot ve O'Donnell (2018), bilgiyi bizim yerimize depolaması için teknolojilere çok fazla güvenmenin - önceki zamanlarda hatırlamamız gereken bilgiler - ters etki yaratabileceğini ve öğrencilerin hafıza sistemlerinin soyutlamalar oluşturması ve yeni öğrenilen bilgilerden içgörüler üretmesi için kaçırılmış fırsatlarla sonuçlanabileceğini savunmaktadır.

Anthony Seldon, yapay zekanın eğitim alanındaki potansiyeline ilişkin daha akla yatkın, ancak yine de çok iyimser bir örnekten yola çıkarak şu şekilde bir açıklama yapmaktadır:

En önemli değişkenlerden ikisi öğretim kalitesi ve sınıf büyüklükleridir. Yapay zeka, meşhur deyişle 'herkes için Eton kalitesinde bir öğretmen' beklentisi sunuyor. Bir okula devam edebilecek kadar şanslı olan çocuklar için sınıf mevcutları, bireysel öğrenci ihtiyaçlarının genellikle kaybolduğu 30 veya daha fazla sayıdan bire bir eğitime kadar azaltılacaktır. Öğrenciler, içinde 10, 20, 30 ya da daha fazla çocuğun bulunabileceği sınıflarda gruplandırılmaya devam edecek, ancak her öğrenci kişiselleştirilmiş bir öğrenme programından yararlanacaktır. Günün bir bölümünü bir ekranın ya da kulaklıkların önünde geçirecekler ve zamanla üzerine bir hologramın yansıtılacağı bir yüzeye geçecekler. Eğitimin kendisi için bağımsız robotlara çok az ihtiyaç duyulacaktır. Ekrandaki ya da hologramdaki 'yüz', öğrencinin zihnini tanıyan ve ona bireysel olarak ders veren, öğrencinin en uygun hızında hareket eden, onu nasıl motive edeceğini bilen, ne zaman yorulduğunu ya da dikkatinin dağıldığını anlayan ve onu tekrar görevinin başına getirmekte usta olan bireyselleştirilmiş bir öğretmenin yüzü olacaktır. 'Öğretmen', dünyanın herhangi bir okulundaki herhangi bir sınıftaki en yetenekli öğretmen kadar etkili olacak ve her bir öğrenci, öğrenme güçlükleri ve psikolojileri hakkında birikmiş bilgisi okul yılının sonunda buharlaşmayacak olan ince bilenmiş bir anlayışa sahip olmanın ek faydasını görecektir. (Abidoye ile Seldon, 2018: Bölüm 9: 2).

Bu pasaj aceleyle yazılmış gibi görünse de ('bir ekranın ya da kulaklıkların önünde', 'hangi', 'göreve'), hem eğitimde yapay zekaya eşlik eden bazı abartıları ortaya koyması hem de sadece bir üniversitenin rektör yardımcısı ve eski bir başöğretmen değil, aynı zamanda (web sitesine göre www.anthonyseldon.co.uk) İngiltere'nin önde gelen eğitimcilerinden biri olan biri tarafından yazıldığı için incelemeye değer.

Öğretimin kişiselleştirilmesinin yapay zekanın eğitimdeki başlıca faydalarından biri olacağı konusunda Seldon'a katılıyorum, ancak okul öğrencilerine bire bir öğretim konusunda onun kadar sınırsız bir coşkuya sahip değilim. Bire bir öğretimin ideal olduğu zamanlar vardır - gerçekten de 2001 yılında şimdiki görevime başladığımdan beri kendi öğretimimin çoğu bire bir olmuştur (doktora öğrencileri). Ancak, bire bir öğretimin küçük öğrenciler için tek başına daha az ideal olmasının iki temel nedeni vardır - bunlardan biri öğrenilecek şeyin doğası ile ilgilidir; diğeri ise nasıl öğrenileceği ile ilgilidir (bkz. Baines vd., 2007). Genç öğrencilerde, öğrenileceklerin büyük bir kısmı doktora öğretiminin aksine, öğrenen için ayırt edici değildir. Öğrenilecekler birkaç öğrenci için ortak olduğunda, resmi öğretmenden olduğu kadar birbirlerinden de öğrenebilirler. Okul sınavlarını geçmek için umutsuzca çabalayan gençlere matematik alanında bire bir dersler vererek epey zaman geçirdiğimde, bu deneyim beni, bire bir eğitim için söylenecek çok şey olsa da, grup tartışmasının da hayati bir rolü olduğuna ikna etti. Aslında, yapay zeka ve grup öğrenimini karşı karşıya getirmek için hiçbir neden yok: ikisi birbirini tamamlayabilir (Bursalı ve Yılmaz, 2019).

Ayrıca, Seldon'un, öğretmenin öğrencileri hakkında herhangi bir bireysel bilgiye sahip olmasının gerekmediği ilginç bir kaliteli okul öğretimi kavramına sahip olduğu gerçeği de vardır: "Öğretmenin kendisi, dünyanın herhangi bir okulundaki herhangi bir sınıftaki en yetenekli öğretmen kadar etkili olacak ve her bir öğrenci hakkında ince bir anlayışa sahip olmanın ek faydasını görecektir" (Abidoye ile Seldon, 2018: Bölüm 9: 2, benim vurgum). Bu, öğretilecek olanın öğrenciden bağımsız olduğu aktarım ('bankacılık') eğitiminin (Freire, 2017) aşırı bir versiyonu gibi görünmektedir. Freire, eleştirel düşünmeyi ('vicdanlaştırma') engelleyen ve böylece baskının devam etmesini sağlayan şeyin bu aktarım eğitimi nosyonu olduğunu savunmuştur. Bu nedenle, yapay zekanın öğrencilerin hızlı bir şekilde öğrenmelerini sağlayarak 'verimli' olabileceğine ilişkin naif bir varsayım, aynı eleştirellik eksikliğine ve öğrenmelerini sahiplenmemelerine yol açabilir.

Ayrıca, 'Ekrandaki veya hologramdaki "yüzün" ... onları nasıl motive edeceğini bileceği' varsayımı konusunda Seldon'dan biraz daha şüpheciyim (Abidoye ile Seldon, 2018: Bölüm 9: 2). Belki o ve ben oldukça farklı türde okullarda öğretmenlik yaptık, ancak öğretmenlik günlerime ilişkin hatırladığım, motivasyonun çoğu zaman ne zaman sert ne zaman şaka yapacağımı, ne zaman görevde kalacağımı ve ne zaman elimdeki konudan öğrencilerimin yaşamlarının yönlerine sıçrayacağımı bilmek için sosyal becerilerimin her zerresini kullanmakla ilgili olduğuydu (bkz. Wentzel ve Miele, 2016). Yapay zekanın bunu başarması imkansız değil - ancak bunun gelecekte çok uzun bir süre olacağından şüpheleniyorum.

Ayrıca Seldon'ın vizyonunda ("Ekrandaki "yüz" ya da hologram") biraz bedensiz bir öğretim modeli de görülmektedir. Bu bir dereceye kadar bazı konularda (matematik gibi) diğerlerine göre daha iyi sonuç verebilir. Bir fen öğretmeni olarak, sınıfta ya da okul laboratuvarında dolaşan, özellikle uygulamalı etkinlikler sırasında öğrencilerle etkileşime giren bir 'şeyin' (bunun prensipte bir robot olabileceğini kabul ediyorum) gerçekliğinin değerli olduğundan şüpheleniyorum (bkz. Abrahams ve Reiss, 2012). Ayrıca, öğretmenin jest ve diğer maddi tezahürlerinin önemi üzerine - hepsi olmasa da bir kısmı fen eğitimine odaklanan - giderek büyüyen bir literatür olduğunu da belirtmek isterim (örneğin, Kress vd., 2001; Roth, 2010).

Son olarak, yapay zeka da dahil olmak üzere teknolojiden yararlanan herhangi bir öğrenme inovasyonunun mevcut gerçekliği, ilk etkilerinden birinin, özellikle finansal sermayeye dayalı olanlar, ancak genellikle cinsiyet ve coğrafya gibi diğer değişkenler açısından da (örneğin, kırsal ve kentsel topluluklarda genişbanda farklı erişim) eşitsizlikleri genişletmesidir (Ansong ve diğerleri, 2020). Buna ek olarak, yapay zekanın artan kişiselleştirme vaadine rağmen, Selwyn (2017) dijital tedarikin genellikle 'aynısının daha fazlası' ile sonuçlandığına işaret etmektedir. Dahası, bu tür dijital sunumlara artan ticarileşme eşlik etmektedir:

Teknoloji şimdiden büyük işletmelerin ve kar amacı güden kuruluşların eğitim vermesine olanak sağlıyor ve bu eğilim önümüzdeki elli yıl içinde artacak. Pearson ve Kaplan'ın 2065'teki muadili olan şirketler okulları yönetiyor olacak ve biz de bu konuda iki kere düşünmeyeceğiz. (Selwyn, 2017: 178-9).

Bununla birlikte, kişiselleştirme, yapay zekanın eğitimde etkili olacağı önemli bir yolu temsil edecek gibi görünüyor. 2002-3 yıllarında 16-19 yaşındaki biyoloji öğrencileri için meslektaşlarımla birlikte (Angela Hall liderlik etti, Anne Scott ve ben de ona destek olduk) yazılım paketleri ('interaktif öğreticiler') tasarladığımızı hatırlıyorum (Hall vd., 2003). Bu paketlerin kilit noktası, öğrencilerin ilk sorulara verdikleri yanıtlara bağlı olarak, kendilerine sunulan materyalin kişisel olarak uygun olmasını sağlamak amacıyla öğrencilerin farklı yollara yönlendirilmesiydi. Bugünün standartlarına göre oldukça hantal görünse de kişiselleştirmenin (yani 'farklılaştırmanın') erken bir versiyonunu oluşturuyordu.

Neil Selwyn (2019) bu yaklaşımın izini 1960'larda bilgisayar destekli eğitimin başlangıcına kadar sürmektedir. Sistemlerin birçoğu 'ustalık' yaklaşımına dayanmaktadır (birçok bilgisayar oyununda olduğu gibi); bir kişi ancak mevcut seviyede başarılı olduğunda bir sonraki seviyeye geçebilmektedir. Selwyn genellikle eğitimde bilgisayarlara yönelik iddiaların birçoğuna şüpheyle yaklaşan biri olarak kabul edilir, bu nedenle "bu yazılım öğretmenleri kesinlikle çoğu insanın hayatları boyunca deneyimleyeceği öğretim kadar iyi görülüyor" (Selwyn, 2019: 56) şeklindeki yorumu dikkate değerdir.

Bu sistemler geliştikçe - özellikle de makine öğrenimi ve işlem kapasitesindeki artışların bir sonucu olarak - eğitimdeki değerlerinin önemli ölçüde artması muhtemel görünüyor. Örneğin, Çinli Squirrel şirketi (2018 sonunda 1 milyar ABD doları değerleme ile 'tek boynuzlu at' statüsüne ulaştı), öğrettiği konuları mümkün olan en küçük kavramsal birimlere ayıran mühendis ekiplerine sahip. Örneğin ortaokul matematiği çok sayıda atomik öğeye ya da 'bilgi noktalarına' ayrılıyor (Hao, 2019). Bilgi noktaları belirlendikten sonra, bunların birbirleri üzerine nasıl inşa edildiği ve birbirleriyle nasıl ilişkilendirildiği bir 'bilgi grafiğinde' kodlanır. Video dersler, notlar, çalışılmış örnekler ve uygulama problemleri daha sonra bilgi noktalarının yazılım aracılığıyla öğretilmesine yardımcı olmak için kullanılır - Squirrel öğrencileri herhangi bir insan öğretmenle karşılaşmaz:

Bir öğrenci, temel kavramları ne kadar iyi anladığını değerlendirmek için kısa bir tanılama testi ile bir eğitim kursuna başlar. Erken bir soruya doğru yanıt verirse, sistem ilgili kavramları bildiğini varsayacak ve ileriye atlayacaktır. Sistem, 10 soru içinde öğrencinin üzerinde çalışması gereken konuların kabaca bir taslağını çıkarır ve bunu bir müfredat oluşturmak için kullanır. Öğrenci çalıştıkça, sistem onun anlayış modelini günceller ve müfredatı buna göre ayarlar. Daha fazla öğrenci sistemi kullandıkça, sistem kavramlar arasında daha önce gerçekleşmemiş bağlantıları tespit ediyor. Makine öğrenimi algoritmaları daha sonra bu yeni bağlantıları dikkate almak için bilgi grafiğindeki ilişkileri günceller. (Hao, 2019: n.p.).

Bu tür sistemlerin ne ölçüde öğretmenlerin yerini alacağı ise belirsizliğini korumaktadır. Sanırım daha olası olan, okullarda giderek öğretmenler için yararlı olan başka bir pedagojik araç olarak görülmeleridir. Yapay zekanın artan bir değere sahip olması muhtemel alanlardan biri de "gerçek zamanlı" ("tam zamanında") biçimlendirici değerlendirmenin sağlanmasıdır. Luckin ve diğerleri (2016: 35), 'AIEd'in [Eğitimde Yapay Zeka] öğrenme analitiğinin, örneğin yabancı bir dil veya zor bir denklem öğrenirken öğrencinin güven ve motivasyonundaki değişiklikleri belirlemesini sağlayacağını' öngörmektedir.Aslında, bazı öğrencilerin öğretmen olarak insanlara daha iyi yanıt vereceğine şüphe olmasa da, bazılarının yazılımı tercih ettiğine ilişkin önemli anekdotsal kanıtlar vardır - sonuçta, yazılım istediğimiz zaman bizim için mevcuttur ve eşzamanlı denklemleri, Birinci Dünya Savaşı'nın nedenlerini veya düzensiz Fransızca fiilleri kavramak için çoğu öğrenciden çok daha uzun zaman alırsak rahatsız olmaz.

Yapay zekanın eğitimde nihai değerlendirmeye ihtiyaç duyulmayan (daha doğrusu 'daha az' diyelim) bir döneme yol açacağı da öne sürülmüştür, zira bu tür bir değerlendirme sadece anlık bir görüntü sağlar ve tipik olarak bir müfredatın sadece küçük bir bölümünü kapsar, oysa Yapay zekanın elinde çok daha fazla ilgili veri vardır. Bu biraz yüksek kaliteli öğretmen değerlendirmesine benziyor, ancak öğretmenlerin genellikle öğrettikleri ve tanıdıkları öğrencileri değerlendirirken tarafsız olmakta zorlanmaları sorunu yok. Kişiselleştirilmiş öğrenme konusuna aşağıdaki 'Özel eğitim ihtiyaçları' bölümünde tekrar değineceğim. 

Yapay zeka ve eğitimde ev-okul ayrımı

Geleneksel olarak okullar, çocukların öğrenebilmesi için yetişkinlerin sorumlu oldukları çocukları gönderdikleri yerlerdir. Ders seçimlerinin ve öğrenme modellerinin esas olarak on dokuzuncu yüzyıldan kalma olduğu ve günümüz toplumları için modasının geçtiği gerekçesiyle okulların kınanması sık rastlanan bir durum değildir (bkz. örneğin White, 2003). Maddi dünya hakkında bildiklerimizde önemli değişiklikler olduğu açık olan fen bilimleri söz konusu olduğunda bile, son yüz yılda okullarda fen bilimlerinin öğretilme şeklindeki değişiklikler mütevazı olmuştur (bkz. örneğin Jenkins, 2019). Dahası, fen dersleri tipik olarak çocukların okul dışında öğrenebilecekleri çok az veya hiç geçerli bilgi olmadığını varsaymaktadır. Sınıf dışı öğrenme genellikle her şeyden çok bir kavram yanılgısı kaynağı olarak görülüyor.

Ancak günümüzde, yapay zekanın faydaları olmasa bile, bilimi okul dışında öğrenmenin bir dizi yolu var. Örneğin Google'a 'astronomi öğrenmek' yazdığımda karşıma harika bir dizi web sitesi çıkıyor. Yaklaşık 2004 yılında, 16-18 yaşındakiler için geliştirilmesine yardımcı olduğum bir A seviyesi biyoloji dersini (Salters-Nuffield Advanced Biology) ve diğer iki A seviyesini okurken hasta olan ve okuldan iki dönem (sekiz ay) uzak kalmak zorunda kalan bir öğrenci, diğer iki A seviyesini bırakmak zorunda kalmasına rağmen, büyük, çevrimiçi bileşeni sayesinde biyoloji dersine devam edebildiğinde duyduğum memnuniyeti hatırlıyorum. Eğitimde yapay zekanın yapacağı şeylerden birinin, eğitimde ev-okul ayrımını yıkmaya yardımcı olmak olduğu açık görünüyor. Okullaşma üzerindeki etkileri derin olabilir - alaycı bir analiz, her iki ebeveyn de işe giderken okulların nispeten uygun fiyatlı bir çocuk bakıcılığı sistemi sağladığı sonucuna varabilir.

Bununla birlikte, COVID-19'un geleneksel eğitimde yol açtığı, okulların yaygın bir şekilde kapatılması da dahil olmak üzere, neredeyse dünya çapında yaşanan kesinti, uzaktan eğitim teknolojilerinin insanların yerini almaktan ne kadar uzak olduğunu göstermektedir ki milyonlarca taciz edilmiş ebeveyn, bakıcı ve öğretmen uzaktan ellerinden gelenin en iyisini yapmaktadır. Teknoloji mükemmel çalıştığında (ve aşırı yüklenmediğinde) ve hazırlanmak için bolca zaman olduğunda bile, evde eğitim zorludur (Lees, 2013).

Okuldan uzakta olan öğrencilerin mutlaka kendi başlarına çalışmaları gerektiği de varsayılmamalıdır. Çoğumuz (neredeyse) gerçek zamanlı konuşmalara izin veren çevrimiçi forumlara zaten aşinayız. Luckin ve diğerleri (2016), yapay zekanın yüksek kaliteli işbirlikçi öğrenmeyi kolaylaştırmak için kullanılabileceğini savunmaktadır.Örneğin, yapay zeka tamamlayıcı bilgi ve becerilere sahip bireyleri (sanal olarak) bir araya getirebilir ve etkili işbirliğine dayalı problem çözme stratejileri belirleyebilir, çevrimiçi öğrenci etkileşimlerine aracılık edebilir, grupları yönetebilir ve grup tartışmalarını özetleyebilir.

Eğitimde yapay zekaya ilişkin etik hususlar

Eğitimin Amaçları

Öğrenmeyi kolaylaştırmak için yapay zekanın kullanımı, eğitimin amaçlarına temelden bakma ihtiyacını vurgulamaktadır. John White ile birlikte (Reiss ve White, 2013), eğitimin gelişmeyi teşvik etmeyi amaçlaması gerektiğini savundum - esas olarak insanın gelişmesi, ancak kavramın daha geniş bir uygulaması kavramı insan dışı çevreye genişletecektir. Böyle bir genişleme, türümüzün habitat tahribatı, küresel iklim değişikliği ve türlerin yok olması üzerindeki hızlandırıcı etkisinin giderek daha fazla farkına varıldığı bir dönemde özellikle önemlidir.

İnsani gelişmenin eğitimin amacı olduğunu kabul etmek, öğrencilerin güçlü bilgiler edinmesini sağlama (Young, 2008) -okulların yokluğunda öğrencilerin öğrenemeyeceği türden bilgiler- amacına ters düşmez, ancak bununla bir tutulmamalıdır. İnsanın gelişmesi, eğitimin amacının daha geniş bir kavramsallaştırmasıdır (Reiss, 2018). Eğitimin insani gelişmeyi teşvik etmesi gerektiği iddiası, bu amacın iki alt amacı olduğu iddiasıyla başlar: her öğrencinin kişisel olarak gelişen bir yaşam sürmesini sağlamak ve her öğrencinin başkalarının da böyle yaşamlar sürmesine yardımcı olmasını sağlamak. Spesifik olarak, bir okulun temel amacının, öğrencileri değerli ilişkiler, faaliyetler ve deneyimlere özerk, gönülden ve başarılı bir şekilde katılacakları bir hayata hazırlamak olması gerektiği söylenebilir. Bu amaç, öğrencileri aralarından seçim yapabilecekleri olası seçeneklerle tanıştırmayı içerir, ancak öğrencilerin bu tür 'seçimleri' ne ölçüde yapabildiklerinin farklılık gösterdiğinin kabul edilmesi gerekir. Öğrencilerin özerk yetişkinliğe doğru gelişimleri göz önünde bulundurularak, okullar öğrencilerine kendilerine en uygun uğraşlar arasında karar vermeleri için artan fırsatlar sunmalıdır. Küçük çocukların, tıpkı ebeveynlerinin olduğu gibi öğretmenlerinin de daha fazla rehberliğine ihtiyaç duymaları muhtemeldir. Okul eğitiminin ve aslında ebeveynliğin işlevlerinden biri de, çocukları daha bağımsız kararlar almaya ihtiyaç duyacakları ve bunu yapabilecekleri zamana hazırlamaktır.

İnsanların gelişen yaşamlar sürmesi gerektiği (sürdürebileceği) fikri, en eski etik ilkeler arasında yer alır ve özellikle Aristoteles tarafından Nikomakhos'a Etik ve Politika adlı eserlerinde vurgulanmıştır. Gelişen bir yaşamı tam olarak neyin oluşturduğuna ilişkin birçok açıklama vardır. Benthamcı bir hedonist bunu haz verici duyguları en üst düzeye çıkarmak ve acı verici olanları en aza indirmek olarak görür. Daha gündelik bakış açıları bunu zenginlik, şöhret, tüketim ya da daha genel olarak, her ne olursa olsun kişinin temel arzularının tatmin edilmesine bağlayabilir. Tüm bu açıklamalarla ilgili zorluklar vardır. Örneğin, arzu tatmini ile ilgili bir sorun, neredeyse hepimizin gelişmekte olduğunu inkar edeceği yaşam biçimlerine izin vermesidir - örneğin, tamamen yatak odasını toplamaya adanmış bir yaşam.

Eğitim bağlamında gelişmenin daha zengin bir kavramsallaştırması Bildung kavramı tarafından sağlanmaktadır. Bu Almanca terim, bireyin kendi kimliğini geliştirecek şekilde büyüdüğü ve bireyselliğinden vazgeçmeden toplumun bir üyesi olmayı öğrendiği bir olgunlaşma sürecini ifade eder.Bir bireyin gençlikten yetişkinliğe psikolojik ve ahlaki olarak büyüdüğü Bildungsroman (bazen İngilizce'de 'coming-of-age' hikayeleri olarak tanımlanır) geleneği bu kavramı örneklendirmektedir (Candide, Kırmızı ve Siyah, Jane Eyre, Büyük Umutlar, Oğullar ve Sevgililer, Sanatçının Bir Genç Adam Olarak Portresi ve Büyülü Dağ gibi örnekler).

Bunun yapay zekanın eğitimde artan bir rol oynadığı bir gelecekle ilgisi şudur: Her öğretmenin amaçları üzerinde düşünmesi gerekirken, yapay zekanın öğretimi sağladığı şu anda açıkça görüldüğü gibi, öğretmen öz farkındalıktan ve düşünümsellik ve sorgulama kapasitesinden yoksun olduğunda, bu tür bir düşüncenin gerçekleşmemesi riski daha yüksektir. Ayrıca, bugüne kadar bilgisayar tabanlı öğrenmede matematik gibi konulara yapılan vurgu göz önüne alındığında, yapay zeka eğitim sistemlerinin, bilgi edinmenin veya dar bir beceri setinin baskın hale geldiği dar bir eğitim kavramsallaştırmasına odaklanma tehlikesi vardır. Ölü Ozanlar Derneği'nin konuya bakışını varsaymasak bile, edebiyatı iyi öğretmek için yapay zeka paketleri tasarlamak muhtemelen fiziği öğretmekten daha zor olacaktır. Müfredatın geneline baktığımızda, öğrencilerin bilgili ve aktif vatandaşlar olmalarını istiyoruz. Bu da onları yerel, ulusal ve küresel düzeydeki siyasi meselelere genel yararı gözeterek ilgi duymaya ve bunu özgürlük, bireysel özerklik, eşitlik ve işbirliği gibi değerleri göz önünde bulundurarak yapmaya teşvik etmek anlamına gelmektedir. Gençlerin ayrıca bu eğilimlerin gerektirdiği her türlü anlayışa, örneğin demokrasinin doğasına, bu konudaki görüş ayrılıklarına ve kendi toplumlarının koşullarına uygulanmasına ilişkin bir anlayışa sahip olmaları gerekir (Reiss, 2018).

Yapay zekanın öğretmenlerin ve öğretim asistanlarının yaşamlarındaki olası etkileri

Yapay zekanın eğitimde kullanılmasıyla hayatları giderek daha fazla etkilenecek olanlar sadece öğrenciler değildir. (İnsan) öğretmenler için sonuçların ne olacağını tahmin etmek zor. Yapay zekanın daha motive olmuş öğrencilere yol açması mümkün olabilir - bu hemen hemen her öğretmenin istediği bir şeydir, çünkü sınıf yönetimi sorunlarına daha az zaman ve çaba harcayabilecekleri ve öğrenmeyi sağlamaya daha fazla zaman ayırabilecekleri anlamına gelir. Öte yandan, aşağıda öğrenci takibiyle ilgili tartıştığım endişeler - mahremiyete yönelik riskler ve artan bir gözetim kültürü - öğretmenler için de geçerli olabilir. Bir zamanlar sınıflar öğretmenlerin mabediydi. Duvarlar çoktan inceldi, ancak öğrenci performansı ve başarısı hakkında artan verilerle birlikte öğretmenler de öğrencileri kadar gözlemlendiklerini fark edebilirler. Yapay zekanın ihtiyaç duyulan öğretmen sayısı üzerinde çok az etkisi olduğu ya da hiç etkisi olmadığı ortaya çıksa bile, öğretmenlik halihazırda olduğundan daha stresli bir meslek haline gelebilir.

Öğretim asistanlarının konumu öğretmenlere kıyasla daha güvencesiz görünmektedir. Blatchford ve diğerleri (2012), İngiltere'deki sınıflarda öğretim asistanlarının büyük ölçüde yaygınlaştırılmasını değerlendiren önemli bir çalışmada - yaklaşık 1 milyar sterline mal olan bir yaygınlaştırma - istatistiksel analizlerle de desteklenen şaşırtıcı bir sonuca ulaşmıştır: öğretim asistanlarından en fazla desteği alan çocuklar, daha az destek alan benzer çocuklara kıyasla öğrenmelerinde önemli ölçüde daha az ilerleme kaydetmiştir. Daha sonra yapılan pek çok çalışma, öğretim asistanlarına dikkatli destek ve eğitim verilmesi halinde bu bulgunun tersine çevrilebileceğini göstermiştir (Webster vd., 2013). Bununla birlikte, yapay zekalı bir gelecekte neden çok sayıda öğretim asistanına ihtiyaç duyulacağına ilişkin argümanlar, neden hala çok sayıda öğretmene ihtiyaç duyulacağına ilişkin argümanlardan daha sarsıcı görünmektedir.

Özel eğitim ihtiyaçları

Yapay zekanın eğitim teklifini bir öğrencinin ihtiyaçlarına ve isteklerine daha hassas bir şekilde uyarlama potansiyeli (yukarıda ele alınan 'kişiselleştirme' argümanı), özel eğitim ihtiyaçları (Special education needs-SEN) olan öğrenciler için özel faydalar sağlayacaktır - dikkat eksikliği hiperaktivite bozukluğu, otistik spektrum bozukluğu, disleksi, diskalkuli ve spesifik dil bozukluğunun yanı sıra orta derecede öğrenme güçlüğü ve derin ve çoklu öğrenme güçlüğü gibi zayıf tanımlanmış kategorileri içeren geniş bir kategori (bkz. Astle ve ark., 2019). Diyelim ki 25 öğrenciden oluşan tipik bir sınıfı göz önünde bulundurursak, neredeyse tanım gereği, özel öğrenme güçlüğü olan öğrenciler, diğer öğrencilere kıyasla herhangi bir dersin daha küçük bir yüzdesinin doğrudan kendileriyle ilgili olduğunu görecektir. Elbette bu nokta, bazen üstün zekalı ve yetenekli (Gifted and talented-G&T) olarak tanımlanan öğrenciler için olduğu kadar, öğrenmeyi (genel olarak veya belirli bir konu için) çoğundan çok daha zor bulan ve ilerleme kaydetmesi önemli ölçüde daha uzun süren öğrenciler için de geçerlidir.

Açıklığa kavuşturmak gerekirse, bazı okul öğrencilerinin SEN olup olmadıkları veya G&T olup olmadıkları konusunda ikili bir belirleme gerektirebilir, gerçekte bunlar ikili değişkenler değildir - süreklilikler üzerinde yer alırlar. Aslında, yapay zeka kullanımının avantajlarından biri, geleneksel eğitimin bazen gerektirdiği (finansman kararları ve uzman personel tahsisi nedenleriyle) türden kaba sınıflandırmalar yapmasına gerek olmamasıdır. Kimya öğrenirken matematiği kullanma kapasitemin ortalamanın çok üzerinde, ancak uzamsal farkındalığımın ortalamanın altında olduğu ortaya çıkarsa (ki durum budur), iyi bir eğitim yazılımı kısa sürede bunun farkına varmalı ve kendini buna göre ayarlamalıdır - kabaca söylemek gerekirse, kimya söz konusu olduğunda, uzamsal farkındalık gerektiren materyallerin (örneğin stereoizomerler) üzerinden daha yavaş ve aşamalı olarak geçerek, ancak kimyasal hesaplamalar gibi alanlarda daha büyük sıçramalar yaparak ve daha ileri giderek.

Özel eğitime ihtiyacı olan öğrencilerin yüzdesine ilişkin tahminler değişiklik göstermektedir. İngiltere'de tanımlar yıllar içinde değişmiştir, ancak yaklaşık yüzde 15'lik bir rakam tipiktir. G&T olan öğrencilerin oranının genellikle çok daha düşük olduğu belirtilmektedir - bazen belirtilen rakamlar yüzde 2 ila yüzde 5'tir - ancak bu kaba sınıflandırma kullanıldığında bile, yaklaşık beş veya altı öğrenciden birinin SEN veya G&T kategorilerine uyduğu açıktır. Ve resmi kategorilere uymasalar bile, herhangi bir ebeveynin özel ihtiyaç olarak kabul edeceği birçok başka öğrenci var. Kendilerini okuldan dışlayan, zorbalık ya da diğer travmalar nedeniyle eğitimlerine devam edemeyen gençleri destekleyen bir hayır kurumu olan Red Balloon'un uzun süredir mütevellisiyim. Girişimlerimizin en başarılılarından biri Red Balloon of the Air oldu; öğretim (henüz) yapay zeka ile yapılmıyor, ancak nitelikli öğretmenler tarafından çevrimiçi olarak sağlanıyor ve öğrenciler ya kendi başlarına ya da küçük gruplar halinde çalışıyor. Yapay zekanın, öğretmen olarak insanlara olan ihtiyacı ortadan kaldırmadan, bu tür öğretimde bir rol oynayacağını öngörmek kolaydır. Aslında, yapay zeka, bireysel öğretmenlerin yapamadığı konulara (hatta tüm konulara) erişim sağlayarak ve böylece eğitim teklifini genişleterek insan öğretmenleri tamamladığında özellikle değerli olacak gibi görünmektedir.

Öğrenci takibi

Batı'da, bazı ülkelerde biyometri ve yapay zekanın bir araya gelmesinin insanların daha sıkı bir şekilde izlenmesine yol açması karşısında sık sık başımızı sallıyoruz. Betty Li, Çin'in kuzeybatısındaki bir üniversitede okuyan 22 yaşında bir öğrenci. Yurduna girmek için tarayıcılardan geçmesi gerekiyor ve sınıfta, kara tahtaların üzerindeki yüz tanıma kameraları onun ve diğer öğrencilerin dikkatini izliyor (Xie, 2019). Bazı Çin liselerinde, bu tür kameralar her öğrenciyi her an mutlu, üzgün, hayal kırıklığına uğramış, kızgın, korkmuş, şaşırmış veya nötr olarak kategorize etmek için kullanılıyor. Şu anda, bu tür verilerden gerçekten çok az yararlanılıyor gibi görünüyor, ancak özellikle teknoloji ilerledikçe bu durum değişebilir.

Sandra Leaton Gray (2019), eğitimde yapay zeka ve biyometrinin yakınlaşmasının kendisini geceleri nasıl uyutmadığı hakkında yazmıştır. Gray, çevrimiçi ders kitaplarının yaygınlaşmasının, yayıncıların öğrencilerin her sayfada ne kadar zaman harcadıkları ve hangi sayfaları atladıkları konusunda zaten veri sahibi oldukları anlamına geldiğine dikkat çekiyor. Şöyle devam ediyor:

Gelecekte, öğrenciler materyali okurken yüz ifadelerini bile izleyebilir veya kurs sırasında soruları çevrimiçi olarak nasıl yanıtladıkları ile nihai GCSE veya A Level sonuçları arasındaki ilişkiyi takip edebilirler, özellikle de öğrenci aynı ana şirketin değerlendirme kolu tarafından üretilen bir sınava giriyorsa. Bu şu anda gerçekleşmiyor, ancak teknik olarak zaten mümkün. (Leaton Gray, 2019: n.p.).

Teknolojilerin kendi içlerinde nadiren iyi ya da kötü olduklarını savunmak teknoloji çalışmalarının standart bir kinayesidir: önemli olan nasıl kullanıldıklarıdır. Leaton Gray (2019) yapay zeka ve biyometrinin bir araya gelmesini sorgulamakta haklıdır. Bu durum öğrenmeyi ilerletme potansiyeline sahip olsa da panoptikon benzeri bir gözetimin nasıl distopik sonuçlar doğurabileceğini görmek çok kolaydır (We ve Nineteen Eighty-Four gibi kitaplara ve Das Leben der Anderen, Brazil ve Minority Report gibi filmlere bakınız).

Sonuçlar

Yapay zekanın eğitimde kalıcı olacağına hiç şüphe yok. Kısa ve orta vadede (kabaca önümüzdeki on yıl) sadece mütevazı etkileri olması mümkündür - oysa hayatımızın diğer birçok alanındaki etkileri neredeyse kesinlikle çok önemli olacaktır. Ancak bir noktada, yapay zeka eğitim üzerinde derin etkileri olması muhtemeldir. Bunların hepsinin olumlu olmaması mümkündür ve eğitimde yapay zeka ilk günlerinde eğitim eşitsizliğinin genişlemesi (nüfuzunun yüzde 100'e yaklaşana kadar neredeyse tüm önemli yeni teknolojilerin eşitsizliği genişletmesi gibi) fazlasıyla olasıdır. Ancak zaman içinde yapay zeka, hem okulda hem de okul dışında öğrenmeye büyük olumlu katkılar yapma potansiyeline sahiptir. Mevcut eğitimin iyi hizmet vermediği öğrenciler de dahil olmak üzere tüm öğrenciler için öğrenmede kişiselleştirmeyi artırmalıdır. Öğretmenler için sonuçlarını tahmin etmek daha zordur, ancak sınıflarda çalışan öğretim asistanlarının sayısında azalmalar olabilir.

Teşekkür

Bu özel sayının editörlerine, derginin editörüne ve bu makalede önemli iyileştirmeler yapılmasını sağlayan son derece yararlı geri bildirimler için iki hakeme çok minnettarım.

Yazar hakkında notlar

Michael J. Reiss, Birleşik Krallık'taki UCL Eğitim Enstitüsü'nde Fen Eğitimi Profesörü, Sosyal Bilimler Akademisi Üyesi ve York Üniversitesi ile Kraliyet Veteriner Koleji'nde Misafir Profesör olarak görev yapmaktadır. Royal Society'nin eski Eğitim Direktörü olan Reiss, Nuffield Biyoetik Konseyi üyesidir ve eğitimde müfredat, pedagoji ve değerlendirme konularında kapsamlı yazılar kaleme almıştır. Halen yapay zeka ve vatandaşlık üzerine bir proje üzerinde çalışmaktadır.

Kaynaklar

Abrahams,I.andReiss,M.J.(2012)‘Practicalwork:Itseffectivenessinprimaryandsecondary schools in England’. Journal of Research in Science Teaching, 49, 1035–55. https://doi.org/10.1002/tea.21036.

Aldridge,D.(2018)‘Cheatingeducationandtheinsertionofknowledge’.EducationalTheory,68 (6), 609–       24. https://doi.org/10.1111/edth.12344.

Ansong,D.,Okumu,M.,Albritton,T.J.,Bahnuk,E.P.andSmall,E.(2020)‘Theroleofsocialsupport and psychological well-being in STEM performance trends across gender and locality: Evidence from Ghana’.ChildIndicatorsResearch,13,1655–73.https://doi.org/10.1007/s12187-019-09691-x.

Astle,D.E.,Bathelt,J.,theCALMTeamandHolmes,J.(2019)‘Remappingthecognitiveandneural             profilesofchildrenwhostruggleatschool’.DevelopmentalScience,22.https://doi.org/10.1111/desc.12747.

Baines,E.,Blatchford,P.andChowne,A.(2007)‘Improvingtheeffectivenessofcollaborativegroup workin        primaryschools:Effectsonscienceattainment’.BritishEducationalResearchJournal,33 (5), 663–80.           https://doi.org/10.1080/01411920701582231.

Baker, T., Tricarico, L. and Bielli, S. (2019) Making the Most of Technology in Education: Lessons from  school systems around the world. London: Nesta. Accessed 7 December 2020. https://media.nesta.org.uk/documents/MakingtheMostofTechnologyinEducation_03-07-19.pdf.

Blatchford,P.,Russell,A.andWebster,R.(2012)ReassessingtheImpactofTeachingAssistants:How research challenges practice and policy. Abingdon:Routledge.

Boden, M.A. (2016) AI: Its nature and future. Oxford: Oxford University Press.

Bostrom, N. (2014) Superintelligence: Paths, dangers, strategies. Oxford: Oxford University Press.

Burbidge, D., Briggs, A. and Reiss, M.J. (2020) Citizenship in a Networked Age: An agenda for rebuildingour civicideals.Oxford:UniversityofOxford.Accessed7December2020.https://citizenshipinanetworkedage.org.

Bursali, H. and Yilmaz, R.M. (2019) ‘Effect of augmented reality applications on secondary school        students’readingcomprehensionandlearningpermanency’.ComputersinHumanBehavior,95, 126–35. https://doi.org/10.1016/j.chb.2019.01.035.

Cooper,G.M.(2000)TheCell:Amolecularapproach.2nded.Sunderland,MA:SinauerAssociates. Crystal,J.D.  andShettleworth,S.J.(1994)‘Spatiallistlearninginblack-cappedchickadees’.AnimalLearning & Behavior, 22, 77–83. https://doi.org/10.3758/BF03199958.

Freire, P. (2017) Pedagogy of the Oppressed. Trans. M.B. Ramos. London: Penguin.

Frey,C.B.andOsborne,M.A.(2013)‘Thefutureofemployment:Howsusceptiblearejobsto     computerisation?’Accessed7December2020.www.oxfordmartin.ox.ac.uk/downloads/academic/TheFutureofEmployment.pdf.

FundaçãoLemann(2018)FiveYearsofKhanAcademyinBrazil:Impactandlessons learned. São  Paulo: Fundação Lemann.

Gibson, W. (1984) Neuromancer. New York: Ace.

Hall,A.,Reiss,M.J.,RowellC.andScott,C.(2003)‘Designingandimplementinganewadvanced levelbiology      course’.JournalofBiologicalEducation,37,161–7. https://doi.org/10.1007/s11191-006-9070-6.

Hao,K.(2019)‘ChinahasstartedagrandexperimentinAIeducation.Itcouldreshapehow theworld      learns’.MITTechnologyReview,2August.Accessed7December2020. www.technologyreview.com/s/614057/china-squirrel-has-started-a-grand-experiment-in-ai-education-it-could-reshape-how-the/.

Ishowo-Oloko, F., Bonnefon, J., Soroye, Z., Crandall, J., Rahwan, I. and Rahwan, T. (2019) ‘Behavioural evidenceforatransparency–efficiencytradeoffinhuman–machine     cooperation’. NatureMachine Intelligence,1,517–21. https://doi.org/10.1038/s42256-019-  0113-5.

Jenkins,E.(2019)ScienceforAll:ThestruggletoestablishschoolscienceinEngland.London:UCL IOE Press.

Jiao,H.andLissitz,R.W.(2020)ApplicationofArtificialIntelligencetoAssessment.Charlotte,NC: Information AgePublishing.

Kaplan,H.S.andRobson,A.J.(2002)‘Theemergenceofhumans:Thecoevolutionofintelligence and longevity with intergenerational transfers’. Proceedings of the National Academy of Sciences,99(15) 10221–6. https://doi.org/10.1073/pnas.152502899.

Kress,G.,Carey,J.,Ogborn,J.andTsatsarelis,C.(2001)MultimodalTeachingandLearning:The rhetorics of     the science classroom. London:Continuum.

Leaton Gray, S. (2019) ‘What keeps me awake at night? The convergence of AI and biometrics           ineducation’.  2November.Accessed7December2020. https://sandraleatongray.wordpress.com/2019/11/02/what- keeps-me-awake-at-night-the-convergence-of-ai-and-biometrics-in-education/.

Lees, H.E. (2013) Education without Schools: Discovering alternatives. Bristol: Polity Press.

Luckin,R.,Holmes,W.,Griffiths,M.andForcier,L.B.(2016)IntelligenceUnleashed:Anargumentfor AIineducation.London:Pearson.Accessed7December2020. https://static.googleusercontent.com/media/edu.google.com/en//pdfs/Intelligence-Unleashed-Publication.pdf.

McFarlane, A. (2019) Growing up Digital: What do we really need to know about educating the digital generation? London: Nuffield Foundation. Accessed 7 December 2020. www.nuffieldfoundation.org/sites/default/files/files/Growing%20Up%20Digital%20-%20final.pdf.

Manthorpe, R. (2019) ‘Artificial intelligence being used in schools to detect self-harm and bullying’.Sky news, 21 September. Accessed 7 December 2020. https://news.sky.com/story/artificial-intelligence-being-used-in-schools-to-detect-self-harm-and-bullying-11815865.

Nicoglou, A. (2018) ‘The concept of plasticity in the history of the nature–nurture debate in the early    twentiethcentury’.InM.Meloni,J.Cromby,D.FitzgeraldandS.Lloyd(eds),ThePalgrave        HandbookofBiologyandSociety.London:PalgraveMacmillan,97–122.

POST(ParliamentaryOfficeofScience&Technology)(2018)RoboticsinSocialCare. London: Parliamentary Office of Science &Technology. Accessed 7 December 2020. https://researchbriefings.parliament.uk/ResearchBriefing/Summary/POST-PN-0591#fullreport.

Puddifoot, K. and O’Donnell, C. (2018) ‘Human memory and the limits of technology in education’. Educational Theory, 68 (6), 643–55. https://doi.org/10.1111/edth.12345.

Reader, S.M., Hager, Y. and Laland, K.N. (2011) ‘The evolution of primate general and cultural             intelligence’. PhilosophicalTransactionsoftheRoyalSocietyB:BiologicalSciences,366(1567), 1017–27. https://doi.org/10.1098/rstb.2010.0342.

Reiss,M.J.(2018)‘ThecurriculumargumentsofMichaelYoungandJohnWhite’.InD.Guile,D. Lambert and M.J. Reiss (eds), Sociology, Curriculum Studies and Professional Knowledge: New perspectives on the work of Michael Young. Abingdon: Routledge,121–31.

Reiss,M.J.(2020)‘Robotsaspersons?Implicationsformoraleducation’.JournalofMoral Education.                https://doi.org/10.1080/03057240.2020.1763933.

Reiss,M.J.andWhite,J.(2013)AnAims-basedCurriculum:Thesignificanceofhumanflourishing for schools. London: IOEPress.

Roth, W.-M. (2010) Language, Learning, Context: Talking the talk. London: Routledge. Scruton, R. (2017) On Human Nature. Princeton, NJ: Princeton University Press.

Seldon, A. and Abidoye, O. (2018) The Fourth Education Revolution: Will artificial intelligence   liberate or infantilise humanity. Buckingham: University of Buckingham Press.

Selwyn,N.(2017)EducationandTechnology:Keyissuesanddebates.2nded.London:Bloomsbury Academic.

Selwyn, N. (2019) Should Robots Replace Teachers? Cambridge: Polity Press.

Shute,V.J.andRahimi,S.(2017)‘Reviewofcomputer-basedassessmentforlearninginelementary and secondary education’. Journal of Computer Assisted Learning, 33 (1), 1–19. https://doi.org/10.1111/jcal.12172.

Skinner,B.,Leavey,G.andRothi,D.(2019)‘Managerialismandteacherprofessionalidentity:Impact onwell-    beingamongteachersintheUK’.EducationalReview. https://doi.org/10.1080/00131911.2018.1556205.

Spencer-Smith,R.(1995)‘Reductionismandemergentproperties’.ProceedingsoftheAristotelian    Society, 95, new series,113–29.

Towers,E.(2017)‘“Stayers”:Aqualitativestudyexploringwhyteachersandheadteachersstayin challenging Londonprimaryschools’.PhDthesis,King’sCollegeLondon.

van Groen, M.M. and Eggen, T.J.H.M. (2020) ‘Educational test approaches: The suitability of   computer-basedtesttypesforassessmentandevaluationinformativeandsummativecontexts’. Journal of Applied Testing Technology, 21 (1),12–24.

Wang,P.(2019)‘Ondefiningartificialintelligence’.JournalofArtificialGeneralIntelligence,10(2),1–37. https://doi.org/10.2478/jagi-2019-0002.

Webster, R., Blatchford, P. and Russell, A. (2013) ‘Challenging and changing how schools use teaching  assistants: Findings from the Effective Deployment of Teaching Assistants project’. School Leadership&Management:FormerlySchoolOrganisation,33(1),78–96. https://doi.org/10.1080/13632434.2012.724672.

Wentzel,K.R.andMiele,D.B.(2016)(eds)HandbookofMotivationatSchool.2nded.NewYork: Routledge.

White, D. (2019) ‘MEGAMIND: “Google brain” implants could mean end of school as anyone  willbeableto learnanythinginstantly’.TheSun,25March.Accessed7December2020. www.thesun.co.uk/tech/8710836/google-brain-implants-could-mean-end-of-school-as-anyone-will-be-able-to-learn-anything-instantly/.

White,J.(2003)RethinkingtheSchoolCurriculum:Values,aimsandpurposes.London: RoutledgeFalmer.

Wilks, Y. (2019) Artificial Intelligence: Modern magic or dangerous future? London: IconBooks. Xie,E.(2019)‘Artificial intelligenceiswatchingChina’sstudentsbuthowwellcanitreallysee?’South China Morning Post, 16 September. Accessed 7 December 2020. www.scmp.com/news/china/politics/article/3027349/artificial-intelligence-watching-chinas-students-how-well-can.

Young, M.F.D. (2008) Bringing Knowledge Back In: From social constructivism to social realism in the sociology of knowledge. London: Routledge.