ادغام هوش مصنوعی (AI)، به ویژه مدلهای مولد مانند ChatGPT، در آموزش زبان نشاندهنده یک تغییر چشمگیر است. این مقاله یک کاربرد خاص را بررسی میکند: استفاده از ChatGPT برای کمک در طراحی تکالیف ارتباطی مبتنی بر تعارض برای یک دوره بیان شفاهی در سطح دانشگاهی در آموزش زبان چربی به عنوان زبان خارجی (TCFL). این پژوهش رویکردی توصیفی را برای تحلیل تعامل معلم-هوش مصنوعی در طول فرآیند توسعه برنامه درسی اتخاذ کرده و تأثیر آن را بر برنامه آموزشی نهایی ارزیابی میکند.
این مطالعه در چارچوب توسعه عملی یک سیلابس بیان شفاهی TCFL قرار دارد، جایی که مدرس به دنبال ایجاد تکالیفی بود که تعامل اصیل را تحریک کند.
چالش اصلی طراحی تکالیفی بود که فراتر از دیالوگهای از پیش نوشته شده رفته و تعامل شفاهی خودانگیخته و معنادار را تقویت کنند. انتخاب آموزشی این بود که تکالیف بر اساس سناریوهای تعارض (مانند اختلاف نظرها، مذاکرات، حل مسئله) طراحی شوند، که ذاتاً مستلزم آن است که زبانآموزان از زبان متقاعدکننده استفاده کنند، نوبتگیری را مدیریت کنند و نظرات خود را بیان کنند - مؤلفههای کلیدی شایستگی تعامل شفاهی.
این پژوهش از یک روششناسی توصیفی پیروی میکند (Olivier de Sardan, 2008; Catroux, 2018). پیکره اصلی شامل لاگ تعاملات بین پژوهشگر-مدرس و ChatGPT در مرحله طراحی تکلیف است. این لاگ برای شناسایی ویژگیهای برجسته تعامل و ردیابی نحوه ادغام، اصلاح یا رد پیشنهادات هوش مصنوعی در برنامه درسی نهایی تحلیل شده است.
یک تکلیف ارتباطی به عنوان فعالیتی تعریف میشود که در آن معنا اولویت دارد، یک هدف ارتباطی وجود دارد و موفقیت بر اساس نتیجه ارزیابی میشود. ادغام نظریه تعارض چارچوبی مستحکم برای طراحی تکلیف فراهم میکند. سناریوهای تعارض یک «شکاف اطلاعاتی» و یک «دلیل برای ارتباط» ایجاد میکنند و زبانآموزان را به استفاده استراتژیک از زبان برای دستیابی به یک هدف (مانند حل یک اختلاف، پیروزی در یک بحث، یافتن یک مصالحه) سوق میدهند و در نتیجه شایستگی کاربردشناختی و تعاملی را توسعه میدهند.
طراحی این تکالیف چندین معیار را در نظر میگیرد: اصالت سناریوی تعارض، تقاضای شناختی و زبانی مناسب برای سطح زبانآموز، نقشها و اهداف واضح برای شرکتکنندگان، و یک نتیجه مشخص برای ارزیابی موفقیت تکلیف. از ChatGPT برای طوفان فکری، پالایش و ارزیابی سناریوها در برابر این معیارها استفاده شد.
تعامل تکراری و گفتگومحور بود. مدرس فرآیند را با پرامپتهای خاصی آغاز کرد (مثلاً «یک سناریوی تعارض برای زبانآموزان متوسط چربی درباره برنامهریزی یک سفر گروهی ایجاد کن»). ChatGPT با طرحهای روایی، شروعکنندههای دیالوگ بالقوه و توصیف نقشها پاسخ داد. سپس مدرس بر اساس پاسخها، پرامپتها را اصلاح کرد و درخواست تغییرات، سادهسازیها یا تنظیمات فرهنگی کرد. هوش مصنوعی به عنوان یک شریک طوفان فکری مشارکتی و یک مولد نمونه اولیه سریع عمل کرد.
تحلیل نشان میدهد که تأثیر ChatGPT چندوجهی بود: 1) کارایی: مرحله ایدهپردازی و پیشنویس را تسریع کرد. 2) تنوع: تنوع و خلاقیت سناریوهای تعارض پیشنهادی را افزایش داد. 3) داربستسازی: نقطه شروعی فراهم کرد که مدرس متخصص میتوانست آن را به طور انتقادی ارزیابی و تطبیق دهد. برنامه نهایی بازتابی از ترکیب ایدههای تولیدشده توسط هوش مصنوعی و قضاوت آموزشی متخصص بود، نه پذیرش مستقیم خروجی هوش مصنوعی.
ورودی (پرامپت معلم) → پردازش هوش مصنوعی (تولید سناریو) → ارزیابی و تطبیق انسانی → خروجی تلفیقی (تکلیف نهایی). فیلتر حیاتی تخصص معلم، استحکام آموزشی و تناسب فرهنگی را تضمین کرد.
این مقاله درباره جایگزینی معلمان با هوش مصنوعی نیست؛ بلکه درباره تقویت بار خلاقانه و شناختی طراحی برنامه درسی متخصص توسط هوش مصنوعی است. داستان واقعی ظهور یک آموزش مبتنی بر مهندسی پرامپت با انسان در حلقه است. ارزش در خروجی خام ChatGPT نیست، بلکه در توانایی معلم برای ساختن پرامپتهایی است که آن را به سمت سازههای آموزشی معتبر - مانند تکالیف مبتنی بر تعارض - هدایت میکند و سپس نتایج را به طور انتقادی گردآوری میکند. این یافتهها در صنایع خلاق را منعکس میکند که در آن ابزارهای هوش مصنوعی مانند DALL-E یا GPT-3 زمانی قدرتمندترین هستند که توسط یک کارگردان خلاق انسانی قوی هدایت شوند (Ammanabrolu و همکاران، 2021، درباره تولید روایت).
منطق مقاله مستحکم است اما تنشی را آشکار میکند: از یک رویکرد توصیفی برای نشان دادن «چه اتفاقی افتاد» حمایت میکند، اما وعده زیربنایی آن تجویزی است - به این معنا که این یک مدل قابل تکرار است. جریان از بافتار (هوش مصنوعی در آموزش) به یک مسئله خاص (طراحی تکلیف) حرکت میکند، سپس جزئیات روش (تحلیل لاگهای چت) را شرح میدهد و در نهایت تأثیر را ارزیابی میکند. با این حال، از ارائه یک چارچوب رسمی برای فرآیند مهندسی پرامپت خود که قابل انتقالترین محصول دانش است، کوتاه میآید.
نقاط قوت: تمرکز بر یک تکلیف آموزشی با ارزش بالا و تقاضای شناختی (طراحی، نه فقط ارائه محتوا) هوشمندانه است. انتخاب تکالیف مبتنی بر تعارض عالی است، زیرا توانایی هوش مصنوعی در مدیریت ظرافت و پویاییهای انسانی را میآزماید. روششناسی توصیفی برای این کاوش مرحله اولیه مناسب است.
نقاط ضعف: تحلیل ذاتاً پسرویدادی و ذهنی است و بر اساس لاگ تعامل یک معلم واحد است. هیچ گروه کنترل (طراحی بدون هوش مصنوعی) یا داده نتیجه یادگیری قابل اندازهگیری برای اثبات ادعای «تأثیر» مثبت وجود ندارد. بحث درباره «تأثیرات» در مورد دستاوردهای واقعی یادگیری دانشآموزان همچنان حدسی است. این خطر درهمآمیختن کارایی فرآیند طراحی با اثربخشی آموزشی را دارد.
برای مربیان و مؤسسات: 1) سرمایهگذاری در سواد پرامپت: آموزش معلمان باید از «چگونه از هوش مصنوعی استفاده کنیم» به «چگونه پرامپتهای آموزشی بسازیم» تغییر کند. 2) توسعه روبریکهای ارزیابی: معیارهای مشترکی برای ارزیابی محتوای آموزشی تولیدشده توسط هوش مصنوعی ایجاد کنید که بر اصول آموزشی، نه فقط صحت زبانی، تمرکز دارد. 3) آزمایش با فرضیهای واضح: فقط فرآیند را توصیف نکنید؛ آزمونهای A/B طراحی کنید که روشهای طراحی با کمک هوش مصنوعی و سنتی را هم بر اساس معیارهای کارایی و هم، مهمتر از همه، بر اساس مشارکت/عملکرد بعدی دانشآموزان مقایسه کند. 4) مستندسازی زنجیره پرامپت: مالکیت فکری واقعی، دنباله پرامپتهایی است که بهترین نتایج را به دست آورد. این باید به طور سیستماتیک بایگانی و به اشتراک گذاشته شود.
همکاری انسان-هوش مصنوعی را میتوان به عنوان یک سری چرخههای تکراری مدل کرد. یک جنبه فنی کلیدی، تکامل پرامپت است. پرامپت اولیه $P_0$ (مثلاً «یک سناریوی تعارض») بر اساس خروجی $O_n$ و اهداف آموزشی $G$ اصلاح میشود. این را میتوان به صورت مفهومی بیان کرد: $P_{n+1} = f(P_n, O_n, G, C)$، که در آن $C$ نشاندهنده محدودیتها (سطح زبان، بافتار فرهنگی) است. تابع $f$ مهارت مهندسی پرامپت معلم است. کیفیت تکلیف نهایی $T_{final}$ تابعی از خروجی اولیه هوش مصنوعی و تعداد و کیفیت تکرارهای پالایش است: $T_{final} \approx \sum_{i=1}^{n} (\alpha \cdot O_i + \beta \cdot H_i)$، که در آن $\alpha$ وزن هوش مصنوعی، $\beta$ وزن متخصص انسانی و $H_i$ ورودی انسانی در تکرار $i$ است.
سناریو: طراحی یک تکلیف برای زبانآموزان سطح B1 درباره «مذاکره بر سر برنامه کاری».
چارچوب تحلیلی اعمالشده:
1. تفکیک پرامپت: پرامپت معلم: «یک دیالوگ ایجاد کن که در آن دو همکار بر سر برنامه شیفت آخر هفته اختلاف نظر دارند. شامل عبارات ترجیح، پیشنهاد و مخالفت ملایم باشد. از واژگان سطح B1 استفاده کن.» این پرامپت بافتار، تعارض، کارکردهای زبانی و سطح را مشخص میکند.
2. ماتریس ارزیابی خروجی: خروجی هوش مصنوعی در برابر موارد زیر ارزیابی میشود:
- تناسب آموزشی: آیا کارکردهای زبان هدف حاضر هستند؟
- مناسب بودن زبانی: آیا واژگان/نحو با سطح B1 هماهنگ است؟
- اصالت سناریو: آیا تعارض باورپذیر است؟
- پتانسیل تکلیف: آیا این میتواند به یک بازی نقش با اهداف واضح تبدیل شود؟
3. ردیابی تکرار: معلم متوجه میشود که پیشنویس اول هوش مصنوعی از عبارات مخالفت بیش از حد رسمی استفاده کرده است. پرامپت بعدی اصلاح میشود: «... از عبارات محاورهای رایجتر برای مخالفت مانند '我觉得可能不太行' (فکر میکنم ممکن است جواب ندهد) به جای '我坚决反对' (من مخالفم) استفاده کن.» این چارچوب را در عمل نشان میدهد.
مسیر فراتر از طراحی تکلیف را نشان میدهد. کاربردهای آینده شامل موارد زیر است: 1) تنظیم پویای دشواری: هوش مصنوعی میتواند چندین نسخه از یک سناریوی تعارض را به صورت بلادرنگ بر اساس عملکرد زبانآموز ایجاد کند. 2) سناریوهای تعارض شخصیسازیشده: استفاده از علایق زبانآموز (برگرفته از نظرسنجیها یا تعاملات قبلی) برای شروع تولید سناریو. 3) هوش مصنوعی به عنوان شبیهساز بازی نقش: زبانآموزان با یک شخصیت هوش مصنوعی تمرین مذاکره میکنند که استراتژی خود را بر اساس مهارت زبانی و قدرت متقاعدکنندگی زبانآموز تطبیق میدهد، مفهومی نزدیک به کار روی هوش مصنوعی برای داستانگویی تعاملی (Riedl & Bulitko, 2012).
جهتهای پژوهشی حیاتی: مطالعات طولیمدت که نتایج یادگیری را اندازهگیری میکنند؛ توسعه «کتابخانههای پرامپت آموزشی» استاندارد؛ کاوش در طراحی تکلیف چندوجهی (ادغام تصاویر/ویدیوهای تولیدشده توسط هوش مصنوعی در سناریوها)؛ و بررسی جدی مسائل اخلاقی - اطمینان از اینکه هوش مصنوعی کلیشهها را در روایتهای تعارض تولیدشده خود تقویت نمیکند.