A Magyar Tudomány Ünnepe 2023 „Tudomány: válaszok a globális kihívásokra”. A Pannon Egyetem Humántudományi Karának és a VEAB Nyelv- és Irodalomtudományi Szakbizottságának közös tudományos konferenciáján elhangzott plenáris előadás: https://youtu.be/v-ykscp4xG4
2. Mesterséges intelligencia a felsőoktatásban
• Az alkalmazott MI technológiai és elméleti alapja
• Kapcsolódó intézményi feladataink
• Az innovatív technológia megjelenésére adott lehetséges intézményi reakciók
• A jelen kérdései még a jövő kihívásai előtt (a most)
• Az MI az oktatás-módszertanban (a holnap feladatai)
• Az MI pozitív hatása a tudományos kutatásokra
• Az MI negatív hatása a tudományos kutatásokra
• A tudományos kutatások minőségbiztosítási lehetőségei
• Tanácsok és ötletek az MI hétköznapi alkalmazásához
2
3. Az alkalmazott MI technológiai és elméleti alapja
• a számítási és adatelemzési kapacitás és sebesség extrém növekedése (adatelemzés)
• mintázatok, trendek komplexebb és pontosabb elemzése
• predikatív elemzések, anomália elemzések
• valós idejű adatelemzés, riport és visszacsatolás, vizuális ábrázolás
• generatív nyelv modell (tartalommenedzsment):
• a gépi tanulás feladata a szöveg, mint adathalmaz mintázatának,
összefüggésrendszerének, szerkezetének, szókincsének, kontextusfüggő
tartalmának elemzése és adatbázisba rendezése
• az adatbázis szöveg alapú interaktív hozzáféréssel is elérhető (chat, chatbot)
• a szöveg alapú export generált tartalomként felhasználható
3
4. Kapcsolódó intézményi feladataink
• adatelemzés és adatgazdálkodás
• adatgyűjtés és adatelemzés intézményi környezetben is
• további adatgyűjtési lehetőségek kialakítása
• információs és adatvagyon definiálása, feltérképezése, szabályozása
• adatvédelmi szabályozás proaktív felülvizsgálata
• tartalom-menedzsment:
• tartalomkezelő szoftverkörnyezet megismerése és kialakítása, fejlesztése
• intézményen belüli oktatói, hallgatói és dolgozói MI szoftverkörnyezet tervezése
• intézményi oktatási tudástőke digitalizálása, rendszerezése, továbbfejlesztése
• saját adatbázisépítés tanuló algoritmusokkal
4
5. Az innovatív technológia megjelenésére adott
lehetséges intézményi reakciók
• a pozitív és a negatív hype csapdája
• figyelmen kívül hagyás vagy az innováció jelentőségének lebecsülése
• konzervatív szabályozás: elutasítás, tagadás, tiltás, erős korlátozás
• passzív elfogadás és mértéktartó befogadás, közömbösség
• látszattevékenységek, látszatmegoldás, félkész fejlesztések
• aktív felhasználás: kommunikáció, tartalomgenerálás, interaktivitás
• proaktív kísérletezés: innovációs ötletek jó gyakorlattá alakítása
5
6. Az innovatív technológia megjelenésére adott
lehetséges intézményi reakciók
6
• az innovációra adott reflexiók eltérése extrém
mértékben növeli meg az intézmények, karok,
szakok közötti különbségeket (versenyhelyzetben)
• a piaci alapú felnőttoktatás, az intézményes
oktatáson kívül piaci képzések a hatékonyság
érdekében hogyan döntenek majd? (na, ugye)
• a hype csapdája
• figyelmen kívül hagyás
• konzervatív szabályozás
• passzív elfogadás
• látszattevékenységek
• aktív felhasználás
• proaktív kísérletezés
7. A jelen kérdései még a jövő kihívásai előtt (a most)
7
• intézményi szabályozás, iránymutatás, módszertani támogatás oktatóknak
• az MI használat mint önálló kompetencia - munkaerőpiaci elvárás
• kompetencia az oktatási programokban (KKK, modelltanterv, kurzus szinteken)
• az MI eszközrendszer alkalmazása, mint a diszciplínához kapcsolódó tananyag / kurzus
• nyelvészet, idegen nyelv, fordító, e-learning fejlesztő, pedagógus-képzésportfolió...
• az MI alkalmazása, mint önálló képzés (mikrotanusítványok, specializációk)
• az MI eszközrendszer alkalmazása kutatásokban
• kutatásmódszertan és nyelvészeti kutatási terület
8. Az MI az oktatás-módszertanban (a holnap feladatai)
8
• a tevékenységek alapja az adatgazdálkodás és a digitális tartalom-menedzsment
• a képzési programban oktatók támogató fejlesztése külön előadás témája lehet
• oktatás-módszertani alapterületek:
• tanulási környezet
• tanulásszervezés
• oktatástervezés, tananyagfejlesztés
• teljesítményértékelésben
• differenciálásban, egyéni fejlesztésben, lemorzsolódás csökkentésében
9. Tanulási környezet és tanulásszervezés
9
• intézményi LMS rendszer továbbfejlesztés és integrálása
• tanulástámogatás által felszabadult idő felhasználása
kontakt foglalkozásokra
• chatbotok alkalmazása az oktatásszervezésben és
oktatási ügyintézésben
• diszciplináris chatbotok fejlesztése: mentorálás,
tutorálás, önálló tanulás támogatása
• adatvezérelt döntéshozatal tanulói profilok alapján
10. Oktatástervezés, tananyagfejlesztés
10
• oktatási programtervezés: digitalizált oktatási tudástőke / saját források
• oktatási tartalommal végzett műveletek, pl. ekvivalens vagy
differenciált tartalom gyártása (szöveg, kép, hang, videó)
• tanulási feladatok generálása, munkafüzetek készítése
• segédanyagok készítése, idegen nyelvi változatok konvertálása
• tanulásban akadályozott hallgatók számára tartalom gyártása
• mérsékelhető az általános felsőoktatási tananyaghiány
11. Oktatástervezés: a fejlesztési területre gyakorolt hatások
11
• a digitális tartalom- és tananyaggyártás erőforrásszükséglete a töredékére csökken
• az intézményközi versenyben felértékelődik a digitalizált tudástőke
• szinte személyre szabható képzési utak és megoldások érhetők majd el LXP és
mikrotanusítvány online rendszerekben
• felértékelődik a felsőoktatás-pedagógia és a diszciplináris szakmódszertan
• felértékelődik a tananyag módszertani minősége (tevékenységközpontúság)
• átalakítható és újratervezhető a képzés teljes időgazdálkodása
• a tananyag-forrás oktatói szerep kontakt támoható mentorrá alakul
12. Hallgatói teljesítményértékelés
12
• ekvivalens vagy differenciált feladat- és tesztgenerálás
• automatizált formatív értékelés, visszacsatolások a tanulási folyamatban
• szövegelemzés- és értékelés
• tanuló profilok készítése kompetenciatérképpel
• adatvezérelt teljesítményértékelés a hallgatók személyes
támogatásához
• vö. a felsőoktatási hallgatói mérések és a köznevelési tanulói mérések
távolságának csökkentése
13. Differenciálás, egyéni fejlesztés, lemorzsolódás csökkentése
13
• oktatási tartalom és tanulási feladat generálása
• tanulói profil alapján személyre szabott
• csoporttulajdonságok alapján különböző
• adaptív online környezet kialakítása az LMS rendszerben
• tartalom- és tevékenységrendszer is
• várható tanulási események előrejelzése
• automatizált beavatkozás vagy a személyes támogatás
előkészítése
14. Az MI pozitív hatása a tudományos kutatásokra
14
• kutatás-módszertani technológia
• szövegelemzés
• extrém adatelemzési kapacitás, komplex összefüggések elemzése
• tudományos eredmények disszeminációja
• népszerű alkalmazások, pl. chatbotok
• az MI megjelenése kutatástámogató alkalmazásokban
• keresők és szakirodalmi adatbázis építők, szövegműveletek
• kutatás-adminisztráció, algoritmizálható feladatok
15. Az MI negatív
hatása a
tudományos
kutatásokra
15
The Nine Circles of Scientific Hell.
Perspectives on Psychological Science
(2012)
16. Az MI negatív
hatása a
tudományos
kutatásokra
16
felszínes médiahuszárok
felpörgött
tartalomgenerálás,
kutatási módszerek
alkalmazása nélküli
”kutatások”,
áltudományhoz
közeli felszínesség,
szakmai-közéleti
legitimizálás
automatizált adatelemzés
hipotézismentes
adatelemzés, MI által
számolt komplex
magyarázó modellek,
ötlettelen
„adatgyártós” kutatók
örökmozgója
kreatív parafrazeálók
néhány kattintásos
(generatív) nyelvi
átfogalmazások,
elsősorban
empirikus
kutatások nélküli
területeken
17. A tudományos kutatások minőségbiztosítási lehetőségei
17
• nem a plágium és nem is az áltudomány a legveszélyesebb, hanem a látszat-
tudomány és az ezt legitimizáló közösségi háttér
• erősíteni kell a kutatásmódszertani szabványokat és a terület oktatását
• az egyszerűbb adatgazdálkodással egyszerűbb lesz a validálás és az empirikus
reprodukció, illetve egyszerűbb a cáfoló jellegű kontroll-kutatás
• a publikációs nyomás kiegyensúlyozása mellett megerősödhet és jobban
megmutatkozhat az akadémiától eltérő publikációmentes ipari és piaci kutatás
18. Tanácsok és ötletek az MI hétköznapi alkalmazásához
18
• Ne használjuk olyan tématerületen, amihez nem értünk
• Egy újabb érv a digitális átállás mellett
• Nem helyettünk dolgozik, hanem nekünk
• Ne gondoljuk, hogy holnap is ugyanarra képes mint ma
• Véleménye mindenkinek van róla, konkrét tapasztalata keveseknek
• Gyárts és gyűjts adatokat, Neked is nagyon hasznos és érdekes lehet
• Az alkalmazása minőségi időt szabadít fel, amit sokféleképpen felhasználhatunk