การศึกษาโดยใช้ปัญญาประดิษฐ์
(openai.com)- OpenAI เผยแพร่เอกสารแนะนำสำหรับครูที่ต้องการใช้ ChatGPT ในห้องเรียน โดยครอบคลุมทั้งตัวอย่างพรอมป์ วิธีการทำงานและข้อจำกัด ประโยชน์ของ AI detector และอคติ
- ตัวอย่างการใช้งานจริงมุ่งเน้นการขยายปฏิสัมพันธ์ระหว่างครูและนักเรียน เช่น ใช้เป็นคู่โต้วาที ผู้สัมภาษณ์งาน หัวหน้าที่คอยให้ฟีดแบ็ก ผู้ช่วยออกแบบการสอน และเครื่องมือเรียนภาษา
- พรอมป์สำหรับครูถูกออกแบบให้ค่อย ๆ ตรวจสอบหัวข้อ ระดับชั้น ความรู้เดิม และเป้าหมายการเรียนรู้ ก่อนสร้าง แผนการสอนแบบปรับให้เหมาะบุคคล พร้อมคำอธิบาย ตัวอย่าง และอุปมา
- การใช้งานสำหรับนักเรียนเน้นการชวนคิดด้วยคำถามและคำใบ้ มากกว่าการให้คำตอบทันที และเนื่องจากคำตอบของ ChatGPT ไม่ได้ถูกต้องหรือเชื่อถือได้เสมอไป จึงต้อง ตรวจสอบกับแหล่งข้อมูลปฐมภูมิ
- พรอมป์เป็นเพียงจุดเริ่มต้นของการเตรียมการสอน และครูต้องคง บทบาทของผู้เชี่ยวชาญ ไว้ด้วยการตรวจทานผลลัพธ์และปรับให้เข้ากับบริบท
วิธีใช้ ChatGPT ในห้องเรียน
- OpenAI จัดทำ เอกสารแนะนำ เพื่อช่วยให้ครูนำ ChatGPT ไปใช้ในการสอน
- รวมพรอมป์ที่แนะนำ วิธีการทำงานและข้อจำกัดของ ChatGPT ประโยชน์ของ AI detector และอคติ
- คำถามที่พบบ่อยสำหรับผู้สอน มีข้อมูลเพิ่มเติมจากสถาบันการศึกษาหลัก ๆ ตัวอย่างเครื่องมือการศึกษาที่ใช้ AI และคำถามที่ครูมักถาม
ตัวอย่างการใช้งานของผู้สอน
- Dr. Helen Crompton จาก Old Dominion University แนะนำให้นักศึกษาบัณฑิตศึกษาด้านการศึกษาใช้ ChatGPT เป็น persona เฉพาะ
- ตัวอย่างเช่น คู่โต้วาทีที่ชี้จุดอ่อนของข้อโต้แย้ง ผู้สัมภาษณ์งาน หรือหัวหน้าคนใหม่ที่ให้ฟีดแบ็กในรูปแบบเฉพาะ
- เธอมองว่าการสำรวจข้อมูลในสภาพแวดล้อมแบบสนทนาจะช่วยให้นักศึกษาเข้าใจเนื้อหาได้อย่างลุ่มลึกและเห็นมุมมองใหม่มากขึ้น
- Fran Bellas จาก Universidade da Coruña แนะนำวิธีที่ครูใช้ ChatGPT เป็นเครื่องมือช่วยสร้าง ควิซ ข้อสอบ และแผนการสอน
- เริ่มจากแชร์หลักสูตรให้ ChatGPT ก่อน จากนั้นขอไอเดียควิซและแผนการสอนที่ใช้ตัวอย่างร่วมสมัยหรือเกี่ยวข้องกับวัฒนธรรม
- ยังสามารถใช้ตรวจสอบได้ด้วยว่าคำถามที่ครูสร้างเองเหมาะกับระดับการเรียนรู้ของนักเรียน ครอบคลุมทุกคน และเข้าถึงได้หรือไม่
- เขามองว่าหากขอข้อสอบ 5 ข้อเกี่ยวกับวงจรไฟฟ้า ก็จะได้ผลลัพธ์ที่สดใหม่ และครูสามารถนำไอเดียนั้นไปปรับใช้ในแบบของตนเองได้
- Dr. Anthony Kaziboni จาก University of Johannesburg สอนนักเรียนที่นอกห้องเรียนไม่ได้ใช้ภาษาอังกฤษเป็นหลัก
- เขามองว่าความสามารถในการใช้ภาษาอังกฤษเป็นข้อได้เปรียบสำคัญในแวดวงวิชาการ และความเข้าใจคลาดเคลื่อนเล็กน้อยด้านไวยากรณ์อังกฤษก็อาจจำกัดการยอมรับและโอกาสของนักเรียนได้
- เขาแนะนำให้นักเรียนใช้ ChatGPT เป็น ตัวช่วยแปลภาษา ปรับปรุงการเขียนภาษาอังกฤษ และฝึกสนทนา
- Geetha Venugopal ผู้สอนวิทยาการคอมพิวเตอร์ที่ American International School ในเมือง Chennai เปรียบการสอนใช้เครื่องมือ AI กับการสอนให้ใช้อินเทอร์เน็ตอย่างมีความรับผิดชอบ
- เธอเตือนให้นักเรียนจำไว้ว่าคำตอบของ ChatGPT อาจ ไม่น่าเชื่อถือหรือไม่ถูกต้องเสมอไป
- เธอสอนให้นักเรียนคิดอย่างมีวิจารณญาณ แทนที่จะเชื่อคำตอบตามตัวอักษร และให้ตรวจสอบข้อมูลกับแหล่งข้อมูลปฐมภูมิอื่น ๆ
- เป้าหมายคือให้นักเรียนเข้าใจความสำคัญของการพัฒนาทักษะการคิดเชิงวิพากษ์ การแก้ปัญหา และความคิดสร้างสรรค์อย่างต่อเนื่อง
หลักการพื้นฐานของพรอมป์สำหรับครู
- Ethan Mollick และ Lilach Mollick พัฒนาพรอมป์ที่ใช้ร่วมกับ GPT-4
- สมมติฐานในการใช้พรอมป์มีความชัดเจน
- โมเดลอาจไม่ได้สร้างข้อมูลที่ถูกต้องเสมอไป
- ผลลัพธ์จากพรอมป์เป็นเพียง จุดเริ่มต้น
- ครูคือผู้เชี่ยวชาญของเนื้อหา และต้องตรวจทานผลลัพธ์จากโมเดลก่อนตัดสินใจปรับใช้กับการสอน
- พรอมป์ที่นำเสนอเป็นเพียงข้อเสนอแนะ และสามารถปรับแก้ให้ตรงกับผลลัพธ์ที่ต้องการได้
พรอมป์ที่ช่วยวางแผนการสอน
- พรอมป์แรกตั้งค่าให้ ChatGPT เป็น โค้ชการสอน ที่เป็นมิตรและช่วยเหลือได้
- รูปแบบการทำงานคือถามครูทีละขั้นตอนและรอคำตอบ
- เริ่มจากตรวจสอบหัวข้อที่จะสอนและระดับชั้นของนักเรียน
- ตรวจสอบว่านักเรียนมีความรู้เดิมเกี่ยวกับหัวข้อนั้นหรือไม่
- ถามถึง เป้าหมายการเรียนรู้ ว่าหลังเรียนแล้วนักเรียนควรเข้าใจหรือทำอะไรได้
- จากนั้นจึงสร้างแผนการสอนแบบปรับให้เหมาะบุคคล
- การสอนโดยตรง
- การตรวจสอบความเข้าใจ
- การรวบรวมหลักฐานความเข้าใจจากนักเรียนหลายคน
- การอภิปราย
- กิจกรรมในชั้นเรียนที่น่าสนใจ
- การบ้าน
- ระบบจะถามว่าครูอยากแก้ส่วนใดหรือรู้ถึงความเข้าใจผิดที่นักเรียนอาจเจอหรือไม่ และจะปรับบทเรียนหากจำเป็น
- หากครูต้องการคำแนะนำเรื่องวิธีตรวจสอบว่านักเรียนบรรลุเป้าหมายการเรียนรู้หรือไม่ ก็จะมีการช่วยเพิ่มเติม
พรอมป์สำหรับสร้างคำอธิบาย อุปมา และตัวอย่าง
- พรอมป์ที่สองตั้งค่าให้ ChatGPT เป็น ผู้ออกแบบการสอน เพื่อสร้างคำอธิบาย อุปมา และตัวอย่างที่เรียบง่ายและแม่นยำ
- จะถามครูทีละคำถาม
- ระดับการเรียนรู้ของนักเรียน
- หัวข้อหรือแนวคิดที่ต้องการอธิบาย
- ตำแหน่งของแนวคิดนั้นในหลักสูตรและความรู้เดิมของนักเรียน
- ข้อมูลของนักเรียนที่จำเป็นต่อการปรับคำอธิบาย เช่น การอภิปรายหรือบทเรียนก่อนหน้า
- จากข้อมูลนี้จะให้ผลลัพธ์ดังต่อไปนี้
- คำอธิบาย 2 ย่อหน้า ที่ชัดเจนและเรียบง่ายเกี่ยวกับหัวข้อ
- ตัวอย่าง 2 รายการ
- อุปมา 1 รายการ
- พรอมป์ถูกตั้งค่าไม่ให้ตั้งสมมติฐานว่านักเรียนมีความรู้มาก่อนเกี่ยวกับแนวคิดที่เกี่ยวข้อง ความรู้เฉพาะสาขา หรือศัพท์เทคนิค
- หลังคำอธิบาย ระบบจะถามว่าครูอยากแก้หรือเพิ่มส่วนใดหรือไม่ และสามารถปรับคำอธิบายให้สะท้อนความเข้าใจผิดที่พบบ่อยได้
พรอมป์ที่ช่วยครูประเมินโดยให้ AI รับบทเป็นนักเรียน
- พรอมป์ที่สามตั้งค่าให้ ChatGPT รับบทเป็น นักเรียน ที่ได้เรียนหัวข้อใดหัวข้อหนึ่งมาแล้ว
- เป้าหมายคือช่วยให้ครูประเมินคำอธิบายและตัวอย่างการประยุกต์ใช้ของ AI
- AI จะถามครูว่าต้องการให้อธิบายหัวข้อใดและนำไปใช้ในลักษณะไหน
- ตัวอย่างเช่น การประยุกต์แนวคิดกับฉากจากรายการทีวี บทกวี หรือเรื่องสั้น
- จากนั้น AI จะสร้างคำอธิบาย 1 ย่อหน้าเกี่ยวกับหัวข้อและตัวอย่างการประยุกต์ใช้ 2 รายการ แล้วถามครูว่าส่วนใดถูกหรือผิด และครั้งหน้าควรปรับปรุงอย่างไร
- หากทุกอย่างถูกต้อง ก็ออกแบบให้ครูขอฟังฟีดแบ็กว่าการประยุกต์ใช้แนวคิดนั้นแม่นยำแล้ว
พรอมป์ AI tutor สำหรับนักเรียน
- พรอมป์ที่สี่ตั้งค่าให้ ChatGPT เป็น AI tutor ที่คอยให้กำลังใจ
- จะถามนักเรียนทีละคำถาม
- อยากเรียนรู้อะไร
- อยู่ในระดับมัธยม มหาวิทยาลัย หรือผู้เชี่ยวชาญ
- รู้เรื่องอะไรเกี่ยวกับหัวข้อที่เลือกอยู่แล้วบ้าง
- จะให้คำอธิบาย ตัวอย่าง และอุปมาตามระดับและความรู้เดิมของนักเรียน
- แทนที่จะให้คำตอบหรือวิธีทำทันที จะใช้ คำถามชี้นำ เพื่อให้นักเรียนสร้างคำตอบได้ด้วยตนเอง
- หากนักเรียนติดขัดหรือตอบผิด ก็จะให้ลองทำเพียงบางส่วนของงาน หรือเตือนเป้าหมายและให้คำใบ้
- เมื่อนักเรียนพัฒนาขึ้น ก็จะชื่นชม และพยายามปิดท้ายคำตอบด้วยคำถามเพื่อให้นักเรียนคิดต่อ
- เมื่อนักเรียนแสดงความเข้าใจในระดับที่เหมาะสมแล้ว จะให้ลองอธิบายแนวคิดนั้นด้วยคำของตัวเองหรือยกตัวอย่าง ก่อนจบบทสนทนา
เอกสารที่เกี่ยวข้อง
- Practical AI for Teachers and Students: เอกสารวันที่ 4 สิงหาคม 2023 โดย Ethan R. Mollick และ Lilach Mollick
- Assigning AI: Seven Approaches for Students, with Prompts: เอกสารวันที่ 12 มิถุนายน 2023
- Using AI to Implement Effective Teaching Strategies in Classrooms: Five Strategies, Including Prompts: เอกสารวันที่ 17 มีนาคม 2023
1 ความคิดเห็น
ความคิดเห็นบน Hacker News
ประเด็นสำคัญที่ขาดไปคือ นักเรียนต้องการคะแนนเพื่อให้ผ่านวิชาและได้รับ ประกาศนียบัตรจบมัธยมปลาย
สำหรับนักเรียนจำนวนมาก LLM เป็นทางลัดราวกับเวทมนตร์ในการได้คะแนน ด้วยเหตุผลธรรมดา ๆ อย่างเวลาไม่พอ ความขี้เกียจ ความเหนื่อยล้า ความไม่เข้าใจ ความกังวล แรงกดดันจากพ่อแม่ หรือสถานะ จึงยั่วยวนมาก
ใครที่เคยใช้ ChatGPT แม้เพียงเล็กน้อยก็จะรู้ว่าเหตุผลแบบ “แสดงขั้นตอนให้ดู” นั้นไม่มีความหมาย เพราะ AI สามารถสร้างแผน โครงร่าง หรือร่างแรก ๆ ให้ดูน่าเชื่อถือย้อนหลังได้เช่นกัน
ทุกวันนี้เกรดก็เป็นตัวชี้วัดแทนความสามารถอยู่แล้ว แต่การติวตัวต่อตัวสามารถดันนักเรียนทั่วไปให้ขึ้นไปอยู่ระดับท็อป 2% ของขั้นนั้นได้ (ปัญหา 2 ซิกมาของ Bloom) อย่างไรก็ตาม นั่นไม่ได้หมายความว่าสติปัญญาทั่วไปจะเพิ่มขึ้นในขั้นถัดไป
ท้ายที่สุด สิ่งที่ถูกประเมินจริง ๆ อาจเป็นความสามารถในการได้เกรดดี ไม่ว่าจะด้วยความมั่งคั่งหรือความพยายาม LLM ก็เช่นเดียวกัน ถ้าความสามารถในการใช้มันเป็นสิ่งสำคัญ ก็ให้สอบวัดสิ่งนั้น อนาคตคงคล้ายกับการใช้เครื่องคิดเลขหรือการสอบแบบเปิดหนังสือ
สำหรับคนจำนวนมาก การประเมินและเกรด คือเป้าหมายสุดท้าย ส่วนการเรียนรู้เป็นสิ่งที่เกิดขึ้นเป็นผลพลอยได้เสียมากกว่า
อาจมีคนใช้แบบขี้เกียจจนไม่เรียนรู้อะไรเลย แต่สำหรับคนจำนวนมาก มันจะเป็นแรงเสริมอย่างมากแน่นอน สุดท้ายก็จะปรับตัวกันได้
ผมมีความรู้สึกสองด้านต่อ LLM แต่เจอการใช้งานที่ดีจริง ๆ อย่างหนึ่ง นั่นคือ ผู้ช่วยเรียนภาษา
พอภาษาที่สองของผมขึ้นมาถึงระดับ C1 แล้ว ก็เริ่มหาแหล่งข้อมูลหรือครูสอนพิเศษที่จะช่วยขัดเกลาให้ดียิ่งขึ้นได้ยาก
ดังนั้นผมจึงคุยกับ Claude แล้วขอให้ช่วยแก้ข้อผิดพลาดที่ผมทำ หรือให้แบบฝึกหัดในจุดที่ควรโฟกัส เช่น ขอว่า “ช่วยออกแบบฝึกหัดให้ใช้รูปอดีตและเลือกรูปที่ถูกต้อง”
ให้ความรู้สึกเหมือนลู่วิ่งสำหรับฝึกภาษาส่วนตัว
ไม่ใช่แค่แปลได้ในระดับล้ำหน้า แต่ยังรับส่งบริบทได้ และถูกฝึกด้วยสื่อเจ้าของภาษาและวัฒนธรรมจริง ๆ ไม่เคยมีการก้าวกระโดดของ machine translation ที่ใหญ่และเร็วขนาดนี้มาก่อน
ควรนำไปตรวจทานข้ามกับแหล่งข้อมูลภายนอก และถ้ามีแผนจะโต้ตอบกับคนจริง ๆ การสร้างภาษาพูด ก็สำคัญมากเช่นกัน
ถ้าใช้ร่วมกับบทสนทนาจริง ก็ช่วยได้แน่นอน ในฐานะเครื่องมือเสริมไว้ลองเล่น ถือว่ายอดเยี่ยมมาก
น่าเสียดายที่ตอนนี้ลองใช้ฟรีไม่ได้แล้ว แต่ทำงานได้ดี
ดังนั้นในภาษาขนาดเล็ก จึงมีปัญหามากกว่ามากที่มันสร้างผลลัพธ์แปลกและผิดอย่างสิ้นเชิง ไม่ใช่แค่ด้านข้อเท็จจริง แต่รวมถึงภาษา การเลือกคำ และไวยากรณ์ด้วย
สงสัยว่า Claude จะดีกว่าในด้านนี้ไหม ตามอุดมคติแล้วอยากให้ LLM แก้ข้อผิดพลาดทุกจุดทีละอย่าง พร้อมอธิบายให้ด้วย
อยากระบายความอึดอัดกับเรื่องนี้ คำพูดและการตลาดของที่เหล่านี้ล้วนพูดทำนองว่าจะยกระดับมนุษยชาติและทำให้ ทุกคนได้ประโยชน์จาก AI แต่ความจริงห่างไกลจากนั้นมาก
ตอนนี้คนที่ได้ประโยชน์และทำเงินได้มีเพียงส่วนน้อย และ OpenAI ก็กลายเป็น closed AI ไปแล้ว
จำได้ว่าก่อน GPT-3 ก็เคยมีคำพูดทำนองว่า “อันตรายเกินไปจึงจะไม่เปิดเผย”
https://techcrunch.com/2019/02/17/openai-text-generator-dang...
“OpenAI built a text generator so good, it’s considered too dangerous to release”
ในสภาพตอนนี้ แทบไม่มีประเด็นเชิง substantive ว่า OpenAI แย่อย่างไร
ยากจะปฏิเสธว่า OpenAI ได้ช่วยเหลือแทบทุกคนที่เคยใช้ ChatGPT การที่ทำไปพร้อมกับทำกำไรไม่ได้เปลี่ยนข้อเท็จจริงนั้นไปมากนัก
GPT-4 ก็ถูกฝึกด้วยข้อมูลของโลกเช่นกัน ถ้าเปิดเป็นโอเพนซอร์สได้ก็คงดี แต่บังคับไม่ได้
น่าแปลกที่ไม่มีใครพูดถึง Khanmigo ที่นี่ เท่าที่รู้ พวกเขาใช้ GPT-4 เป็นติวเตอร์ในรูปแบบเบตามาค่อนข้างนานแล้ว
เวลาผ่านไปพอสมควร ผมเลยกำลังมองหาข้อมูลเรื่องประสิทธิผล Khan Academy น่าจะมีข้อมูลแล้วตอนนี้ แต่ยังไม่เห็นว่าเปิดเผยออกมา
ผลลัพธ์ 2 ซิกมาอันโด่งดังของการติวเกิดจากการเรียนเพียง 6 สัปดาห์ และ Khanmigo ตอนนี้น่าจะมีข้อมูลมากกว่า 6 เดือนแล้ว
[0]https://www.khanacademy.org/khan-labs
https://www.nytimes.com/2023/06/26/technology/newark-schools...
เมื่อต้องเจาะลึกหัวข้อที่ไม่คุ้นเคย AI ช่วยฉันได้มากเป็นการส่วนตัว ช่วงหลังยังใช้เตรียมสัมภาษณ์ด้วย ส่วนพาร์ตเนอร์ใช้เพื่อทำความเข้าใจ แนวคิด STEM ที่ไม่ได้เรียนในโรงเรียน
ก็สงสัยเหมือนกันว่าอีกนานแค่ไหนกว่าจะถึง Young Lady's Illustrated Primer จริง ๆ เมื่อ 3 ปีก่อนคงบอกว่าต้องใช้เวลา 50 ปี แต่ตอนนี้รู้สึกเหมือนราว ๆ 10 ปี
เลยกังวลว่าหัวข้อที่ฉันไม่รู้ก็อาจมีความไม่สอดคล้องแบบเดียวกัน เพียงแต่ฉันรู้ไม่พอที่จะสังเกตเห็นหรือเปล่า
ยังอธิบายละเอียดด้วยว่าทำไมฉันถึงผิด มีประโยชน์มากกับวิธีเรียนรู้ของฉัน ฉันชอบแยกอะไรสักอย่างออกมาดู แล้วหาว่ามันประกอบกลับเข้าด้วยกันอย่างไร
LLM ไม่ได้ให้เหตุผล เพียงแต่สร้างข้อความที่ดูสมเหตุสมผลขึ้นมาเท่านั้น
หลังจากแก้พารามิเตอร์บางตัวให้อ่านจากไฟล์ตั้งค่าในโฟลเดอร์ที่รันโดยตรง แล้วก็นึกได้ว่าต้องใช้ PowerShell เลยแปะสคริปต์ที่แก้แล้วเข้าไปพร้อมบอกว่า “เขียนอันนี้เป็น PowerShell ให้หน่อย” แล้วมันก็ใช้งานได้เลย
ตัวเวิร์กโฟลว์ OAuth 2.0 เองมีเอกสารดีอยู่แล้ว และในโค้ดของเราก็อิมพลีเมนต์ไว้ 50 จุด ฉันเลยไม่ได้สนใจ ต้องการแค่สคริปต์ที่จะเอาไปรวมกับการทดสอบอัตโนมัติเท่านั้น
มันช่วยลดงานที่คงต้องใช้เวลาราวหนึ่งชั่วโมงไปกับการพลาดไวยากรณ์ bash และค้นหาไวยากรณ์ที่เทียบเท่าใน PowerShell เพื่อนร่วมงานก็ชอบมากที่ทำได้เร็ว ฉันเองก็ดีใจที่ไม่ต้องทำงานน่าเบื่อ ถือว่าเป็นชัยชนะเต็ม ๆ
ประมาณ 2.5 สัปดาห์ก่อน ฉันสร้างและปล่อยปลั๊กอิน Chrome ชื่อ Revision History และช่วงหลังได้คุยกับนักการศึกษาหลายคน
ครูส่วนใหญ่กลัว AI เพราะมันหมายความว่าพวกเขาต้องเปลี่ยนวิธีสอนทั้งหมดภายในไม่กี่เดือน การเปลี่ยนแผนการสอนหรือโครงสร้างงานที่มอบหมายให้เร็วขนาดนั้นไม่ใช่เรื่องง่าย และต้องใช้เวลาดูว่าทุกอย่างจะไปบรรจบที่ไหน
ครูบางส่วนกำลังมองหาวิธีที่จะไม่ต้องปรับตัว ความสนใจจึงไปรวมอยู่ที่การตรวจจับ AI แต่การตรวจจับ AI ทำงานได้ไม่ดี นักการศึกษาที่เฉียบแหลมที่ฉันพบรู้ดีว่าไม่มีทางย้อนกลับแล้ว
ดังนั้นพวกเขาจึงพยายามใส่ AI เข้าไปในหลักสูตร และทำให้งานที่มอบหมาย “กัน AI” มากขึ้น กล่าวคือมีงานในชั้นเรียนแบบ flipped learning เพิ่มขึ้น ครูคนอื่น ๆ มองหาวิธีให้เด็กใช้ AI กับงานที่ได้รับมอบหมาย แต่ต้องแก้ไขและใส่คำอธิบายประกอบสิ่งที่ AI สร้างขึ้น นี่ก็เป็นจุดที่ฉันใช้ทำการตลาดปลั๊กอินของฉัน
อีกไม่กี่ปีข้างหน้าจะปั่นป่วนมากสำหรับนักการศึกษา เพราะต้องปรับตัวกับการเปลี่ยนแปลงขนาดใหญ่ที่เหมือนเกิดขึ้นชั่วข้ามคืน
[1] https://www.revisionhistory.com ปลั๊กอินนี้ต่างจากปลั๊กอินอื่น ๆ ที่พยายามเป็น “ตัวตรวจจับ AI” ตรงที่ช่วยให้ครูเห็นกระบวนการเขียนของนักเรียน
[2] https://bokcenter.harvard.edu/flipped-classrooms#:~:text=A%2...
ก็ไม่น่าแปลกใจนัก เมื่อคิดว่าคนส่วนใหญ่แทบไม่เคยเชื่อมโยงเลยว่าเป้าหมายหลักของการศึกษาคือการสร้างผู้มีส่วนร่วมทางเศรษฐกิจที่มีประสิทธิภาพในสังคม
เราจะใช้ AI ที่ทรงพลังเพื่อสอนเด็ก ๆ ในสิ่งที่ภายใน 10–20 ปี AI แทบจะแน่นอนว่าจะทำได้ดีกว่าอย่างนั้นหรือ?
เข้าใจความคิดที่ว่า “แล้วควรทำอะไรล่ะ” แต่การแค่ไหลตามไปแบบนี้มันรู้สึกไร้สาระและเปล่าประโยชน์มาก “มาสอนเด็กเขียนโปรแกรมด้วย AI กันเถอะ” นี่เห็นตอนจบอยู่แล้ว
น่าจะตั้งกฎฟิลเตอร์ไว้ดีกว่า
มันถูกเพิ่มเข้าไปทั้งที่เด็กมีชั่วโมงเรียนเทียบเท่างานประจำอยู่แล้ว ดังนั้นหายไปได้ก็ดี
โมเดลภาษา ตอนนี้เป็นส่วนหนึ่งของสังคมแล้วและจะคงอยู่ต่อไป จึงควรถูกนำเข้าห้องเรียน เด็ก ๆ ควรได้เรียนว่าโมเดลภาษาทำงานอย่างไร มาจากไหน และใช้อย่างไร เช่นเดียวกับที่เรียนพิมพ์ดีดหรือส่งอีเมล
นึกถึงตอนฉันอยู่มัธยมต้นในปี 2002 ระหว่างทัศนศึกษาห้องสมุด บรรณารักษ์สอน “วิธีใช้เสิร์ชเอนจินอย่างถูกต้อง” ความกังวลทางสังคมตอนนั้นคือเสิร์ชเอนจินจะมาแทนที่บรรณารักษ์ จึงน่าประทับใจที่บรรณารักษ์คนนั้นถ่อมตัวสอนวิธีใช้ “สิ่งทดแทน” ของตัวเอง
ตรรกะเดียวกันใช้ได้กับครูและ ChatGPT ครูที่ดีจะไม่มัวแต่กังวลถึงผลกระทบส่วนตัวที่ ChatGPT จะมีต่อตนเอง แต่จะใช้มันเป็นโอกาสสอนนักเรียนเกี่ยวกับขอบฟ้าใหม่ที่เทคโนโลยีนี้เปิดขึ้น
ที่น่าสนใจคือ ในคาบห้องสมุดนั้น เขาย้ำว่าอย่าถามเสิร์ชเอนจินด้วยภาษาธรรมชาติ แต่ให้สร้างคำค้นแบบคีย์เวิร์ดที่มีประสิทธิภาพ ผ่านไป 20 ปี เรากลับมาสู่จุดที่สามารถโยนคำถามให้โมเดลภาษาได้เลย
ผม/ฉันได้พัฒนาโปรแกรมฝึกอบรมจริงสำหรับครูร่วมกับน้องสาวซึ่งเป็นครูมัธยมต้น แต่ “คู่มือ” ของ OpenAI นี้ค่อนข้างน่าผิดหวัง
ไม่ได้แตะปัญหาจริง 90% ที่ครูเผชิญเกี่ยวกับ AI และส่วนใหญ่ดูใกล้เคียงกับ โบรชัวร์ ที่แนะนำวิธีหาข้อมูลด้วย ChatGPT มากกว่า
หากคุณเป็นครูที่กำลังปรับตัวลำบากในปีการศึกษานี้ หรือรู้จักครูแบบนั้น ผม/ฉันอยากพูดคุยและดูว่าจะช่วยได้ไหม
[1] https://max.io/teacher-training.html
สิ่งที่พวกคุณสองคนทำดูยอดเยี่ยม และน่าจะได้ผลยิ่งขึ้นถ้าทำเป็นบทความสั้น ๆ หรือวิดีโอ
มีคนจำนวนมากที่น่าจะอยากได้รับประโยชน์จากมุมมองเชิงลึกนั้น ในเยอรมนีก็เห็นว่าครูกำลังลำบาก แม้ยังคงเปิดใจยอมรับเทคโนโลยีนี้ก็ตาม
แม้จะไม่ใช่เวิร์กช็อปแบบพบหน้ากัน 4 ชั่วโมงตามที่เสนอ แต่ก็เพิ่มคุณค่าเชิงบวกแล้ว และน่าจะครอบคลุมหัวข้อจำนวนไม่น้อยที่อยู่ในกระบวนการนั้นด้วย อาจเป็นระดับเริ่มต้น แต่ก็เป็นจุดเริ่มต้น
พูดตรง ๆ คือไม่ค่อยเข้าใจว่าทำไมจึงอ่านแล้วรู้สึกเป็นลบต่อ OpenAI ควรจะชมเชยความตั้งใจของ OpenAI ที่พยายามมีส่วนร่วมในด้านนี้ด้วยซ้ำ
https://www.codermindz.com/ https://www.amazon.com/gp/aw/d/B07FTG78C3/
Codermindz AI Curriculum: https://www.codermindz.com/stem-school/
https://K12CS.org หลักสูตร K12 CS, code.org, Khanmigo ควรรวม หลักสูตรด้านความปลอดภัยและจริยธรรมของ AI ไว้ด้วย
AI SAFETY มาก่อน ส่วน Jupyter-book ที่มีโน้ตบุ๊กให้ตรวจให้คะแนนอัตโนมัติสำหรับ ML, AutoML, AGI จะเป็นทรัพยากรที่ดี
jupyter-edx-grader-xblock https://github.com/ibleducation/jupyter-edx-grader-xblock, Otter-Grader https://otter-grader.readthedocs.io/en/latest/, และเพราะมี Chromebooks จึงต้องมี JupyterLite ด้วย
ยังมีทรัพยากรหลักสูตร K12 CS/AI และ QIS อะไรอีกบ้าง?
คนที่อยากเข้าใจจริง ๆ ว่าสิ่งหนึ่งทำงานอย่างไร จะไม่หวั่นไหวไปกับ สิ่งล่อใจของ AI
คนมีอยู่สองประเภท คือคนที่อยากรู้และอยากเข้าใจจริง ๆ กับคนที่ไม่ใช่แบบนั้น
ถ้าถึงจุดหนึ่งแล้วเห็นชัดว่าเขาไม่สนใจและทำแบบฝืน ๆ เราจำเป็นต้องบังคับให้เขาสนใจด้วยหรือ? ผม/ฉันคิดว่าผู้คนควรใช้เวลากับสิ่งที่ตนใส่ใจจริง ๆ ให้มากขึ้น
เมื่อสนใจบางอย่างและได้รับความสนุกกับความพึงพอใจจากมัน ก็จะอยากเข้าใจถึงรายละเอียด และโหยหาความรู้กับความเข้าใจเชิงลึกที่แท้จริง แต่ถ้าไม่สนใจ ก็จะเลือกเส้นทางที่สั้นที่สุดเพื่อให้มีเวลาไปทำสิ่งที่ให้ความพึงพอใจจริง ๆ ผม/ฉันเองก็ทำแบบนั้นเสมอกับงานที่ไม่ใส่ใจเลย จึงคิดว่าไม่เป็นไร
หากคนที่อยากเป็นวิศวกรซอฟต์แวร์ไม่สามารถพยายามเรียนรู้และเข้าใจพื้นฐานได้ วิศวกรรมซอฟต์แวร์ก็ไม่ใช่สาขาที่เหมาะกับคนนั้น ยิ่งเข้าใจมากเท่าไร พื้นที่ผิวของปัญหาที่สามารถสำรวจได้ก็ยิ่งกว้างขึ้นเท่านั้น
ChatGPT และ LLM อื่น ๆ ทำได้ไม่ดีอย่างสม่ำเสมอในวิชาฟิสิกส์ และน่าจะเป็นแบบนั้นต่อไปอีกนาน
ผมไม่คิดว่าภาควิชาฟิสิกส์จะกังวลเรื่อง AI มากนัก สิ่งที่ช่วยนักศึกษาได้ค่อนข้างเสถียรก็มีเพียงโปรเจกต์เขียนโค้ดบางส่วนเท่านั้น
ในวิชาฟิสิกส์เชิงคำนวณ เดิมทีก็สนับสนุนให้ทำงานร่วมกัน ขอความช่วยเหลือ และถามคำถามบนอินเทอร์เน็ตอยู่แล้ว จึงไม่น่ามีปัญหา แก่นสำคัญคือการอธิบายและบรรยายกระบวนการคิดอย่างไรเสมอมา
AI ในรูปแบบปัจจุบันอ่อนมากทั้งด้านการแก้โจทย์และการเข้าใจแนวคิด
ในทางกลับกัน สำหรับผู้ใช้ภาษาอังกฤษที่ไม่ใช่เจ้าของภาษา มันช่วยลดเวลาที่ต้องใช้ในการเปลี่ยนความคิดและงานเขียนที่ยังไม่เข้าที่ให้เป็นภาษาทางการได้มาก ยังใช้ช่วยชี้แนวทางงานเขียนโค้ดบางส่วนและแนะนำ API ได้ด้วย สำหรับนักศึกษาหรือนักวิจัยที่ดี มันเป็นเครื่องมือที่ใช้ได้อย่างชาญฉลาดเพื่อหาความรู้และประหยัดเวลา
มันแทบไม่ช่วยอะไรในการแก้โจทย์รถเข็นบนพื้นเอียงที่มีแรงเสียดทานกับลูกตุ้มที่ห้อยติดกับรถเข็น และคงหาค่า normal modes ให้ไม่ได้ด้วย
ทั้งหมดเป็นเพียงประสบการณ์และความเห็นส่วนตัว และในสาขาอื่นอาจแตกต่างไปโดยสิ้นเชิง
นักภาษาศาสตร์เชิงรูปแบบจำนวนมากเคยยืนยันอย่างหนักแน่นว่า AI ไม่สามารถเรียนรู้ความสามารถอย่าง implicature เชิงวัจนปฏิบัติศาสตร์ได้ แต่ตอนนี้เริ่มชัดแล้วว่าพวกเขาคิดผิด
เช่น งานของ Miles Cranmer เรื่อง symbolic regression โดยใช้ graph neural networks เป็นจุดเริ่มต้นไปสู่การค้นพบใหม่ที่มีประโยชน์ในฟิสิกส์ Transformer เองก็เป็นเพียง graph neural network ที่มีฟังก์ชันส่งผ่านข้อความและ positional embedding แบบเฉพาะเท่านั้น
ไม่ยากที่จะเห็นว่าเพียงแค่ใช้โครงสร้างอื่น การเสริมความสามารถ หรือการขยายในลักษณะเดียวกัน AI ก็อาจไปถึงการค้นพบใหม่ในฟิสิกส์ได้ งาน symbolic regression ที่อิง graph neural network เป็นหลักฐานแล้วว่าสิ่งนั้นเกิดขึ้นแล้ว
แค่ดูปัญหาเรื่องการ grounding ความรู้ใน LLM ณ ขณะนี้ ก็มีความสนใจและงานวิจัยมากมาย และคาดว่าจะถูกแก้ได้หลายวิธี ความสามารถด้านความรู้ฟิสิกส์ที่ grounded ยังไม่สมบูรณ์แบบ แต่เมื่อเทียบกับความรู้ของคนทั่วไปตามท้องถนนก็ถือว่าดีมากแล้ว แค่ต่อเข้ากับแหล่งข้อมูลภายนอกก็ดีขึ้นมาก และนี่ก็ยังเป็นการวิเคราะห์ที่สายตาสั้นมากโดยดูแค่สถานการณ์ ณ วันนี้เท่านั้น
ไม่มีความแตกต่างเชิงรากฐานระหว่างการแก้โจทย์เขียนโค้ดกับการแก้โจทย์ฟิสิกส์ เช่นเดียวกับคำฟันธงมากมายก่อนหน้านี้ ผมคิดว่าคอมเมนต์นี้คงดูไม่ดีนักเมื่อเวลาผ่านไป
ถ้ามีใครทำให้ LLM ใช้ Mathematica API ได้และฝึกเพิ่มอีก ก็น่าจะก้าวหน้าได้เร็ว
ปัญหาที่หลีกเลี่ยงไม่ได้ตรงนี้คือ LLM ยังมี hallucination อยู่
ไม่ว่าจะ 1% หรือ 0.1% ก็เป็นปัญหาใหญ่ในการศึกษา อาจมีคนใช้ชีวิตทั้งชีวิตโดยเชื่อสิ่งที่ AI สอนอย่างมั่นใจทั้งที่ผิดโดยสิ้นเชิง
ครูควรระมัดระวังอย่างมากในการใช้ LLM แบบดิบ ๆ ในการศึกษาโดยไม่มีระบบความปลอดภัยหรือการตรวจสอบเพิ่มเติม
อินเทอร์เน็ต ตำราเรียน แม้แต่งานวิจัยวิทยาศาสตร์ก็อาจผิดในเชิงข้อเท็จจริงได้
graph neural network ซึ่งเป็นประเภทย่อยของ LLM มีศักยภาพที่จะถูกปรับให้เก็บความรู้ภายในอย่างกระชับที่สุดเท่าที่เป็นไปได้ สิ่งนี้ต่างจากกรณีที่มนุษย์ซึ่งยังไม่มีบริบทของสาขานั้นเพียงพอไปอ่านบทความบนอินเทอร์เน็ต
มีคนจำนวนมากที่เชื่อความคิดแปลก ๆ ที่ครู ป.4 สอนให้อย่างหนักแน่นไปตลอดชีวิตโดยไม่เคยได้รับการแก้ไข
ในเสี้ยวเวลาเล็ก ๆ ณ ตอนนี้ คำพูดนั้นอาจถูกต้อง แต่การสรุปว่าควรหลีกเลี่ยง language modeling เพราะปัญหาที่มีอยู่ในเดือนนี้ และเพิกเฉยต่อการปรับปรุงที่กำลังจะมาในไม่ช้า เป็นมุมมองที่สายตาสั้นเกินไป
ในความเป็นจริง โค้ชฟุตบอลสาย Southern Baptist พยายามสอนวิทยาศาสตร์แบบเละเทะ
แน่นอนว่ามีครูที่ยอดเยี่ยมอยู่ และโดยเฉพาะครูที่ยอมบอกว่าไม่รู้เมื่อไม่รู้ หรือบอกว่าต้องไปค้นดูก่อน อัตรา hallucination ของคนเหล่านี้อาจใกล้ 0% แต่คนแบบนั้นเป็นข้อยกเว้น
วงการการศึกษาโดยรวมมักเป็นที่รวมของคนที่มีระดับสติปัญญาค่อนข้างธรรมดา และบางส่วนในนั้นก็มักพัฒนาอาการ god complex ขึ้นมา
หนักถึงขั้นที่ผมต้องเรียนประวัติศาสตร์ใหม่อีกครั้งในมัธยมปลาย
แม้จะพยายามแก้หลายครั้งด้วยพรอมป์ที่เฉพาะเจาะจงขึ้นก็ยังเป็นแบบนั้น แม้แต่โจทย์ง่าย ๆ ที่เพิ่มการดำเนินการหนึ่งอย่างเข้าไปกับการหารหรือการเป็นพหุคูณของตัวเลขตั้งแต่ 1 ถึง 10 ก็ยังเป็นแบบนั้น