In einer neuen Studie ließen Forscher der North Carolina State University 28 Highschool-Schüler ihre eigenen Modelle für künstliche Intelligenz (KI) für maschinelles Lernen zur Analyse von Daten erstellen. Die Ziele des Projekts bestanden darin, Studenten dabei zu helfen, die Herausforderungen, Grenzen und Versprechen von KI zu erkunden und sicherzustellen, dass eine zukünftige Belegschaft auf die Nutzung von KI-Tools vorbereitet ist.
Die Arbeit wird in der Zeitschrift veröffentlicht Lernen, Medien und Technologie.
Die Studie wurde in Verbindung mit einer Journalistenklasse einer Highschool im Nordosten durchgeführt. Seitdem haben Forscher das Programm auf Klassenzimmer von High Schools in mehreren Bundesstaaten ausgeweitet, darunter North Carolina. Forscher des NC State suchen Partnerschaften mit weiteren Schulen, um gemeinsam daran zu arbeiten, den Lehrplan in die Klassenzimmer zu bringen.
„Wir möchten, dass Schüler schon in jungen Jahren diese Black Box öffnen, damit sie keine Angst vor KI haben“, sagte der Hauptautor der Studie, Shiyan Jiang, Assistenzprofessor für Lerndesign und -technologie an der NC State. „Wir möchten, dass die Schüler das Potenzial und die Herausforderungen der KI kennen und darüber nachdenken, wie sie, die nächste Generation, auf die sich entwickelnde Rolle der KI und der Gesellschaft reagieren können. Wir möchten die Schüler auf die Arbeitswelt der Zukunft vorbereiten.“
Für die Studie entwickelten die Forscher ein Computerprogramm namens StoryQ, mit dem Schüler ihre eigenen Modelle für maschinelles Lernen erstellen können. Anschließend veranstalteten die Forscher einen Monat lang jede Woche einen Lehrer-Workshop über den Lehrplan und die Technologie des maschinellen Lernens in anderthalbstündigen Sitzungen. Für Lehrer, die sich für eine weitere Teilnahme angemeldet hatten, erstellten die Forscher eine weitere Zusammenfassung des Lehrplans für teilnehmende Lehrer und erarbeiteten die Logistik.
„Wir haben die StoryQ-Technologie entwickelt, um es Schülern in High School- oder Grundschulklassen zu ermöglichen, Modelle zu erstellen, die wir ‚Textklassifizierungs‘-Modelle nennen“, sagte Jiang. „Wir wollten die Barrieren senken, damit die Schüler wirklich wissen, was beim maschinellen Lernen vor sich geht, anstatt sich mit der Codierung herumzuschlagen. Also haben wir StoryQ entwickelt, ein Tool, mit dem die Schüler die Nuancen beim Erstellen von Modellen für maschinelles Lernen und Textklassifizierung verstehen können.“
Ein Lehrer, der sich für die Teilnahme entschied, leitete eine Journalistenklasse durch eine 15-tägige Unterrichtsstunde, in der sie StoryQ nutzten, um eine Reihe von Yelp-Rezensionen über Eisdielen auszuwerten. Die Schüler entwickelten Modelle, um vorherzusagen, ob Bewertungen basierend auf der Sprache „positiv“ oder „negativ“ waren.
„Der Lehrer sah die Relevanz des Programms für den Journalismus“, sagte Jiang. „Dies war eine sehr vielfältige Klasse mit vielen Schülern, die in STEM und Informatik unterrepräsentiert sind. Insgesamt haben wir festgestellt, dass die Schüler den Unterricht sehr genossen und großartige Diskussionen über die Verwendung und den Mechanismus des maschinellen Lernens geführt haben.“
Die Forscher sahen, dass Studenten Hypothesen zu bestimmten Wörtern in den Yelp-Bewertungen aufstellten, von denen sie dachten, dass sie vorhersagen würden, ob eine Bewertung positiv oder negativ ausfallen würde. Beispielsweise erwarteten sie positive Bewertungen, die das Wort „Gefällt mir“ enthielten. Dann leitete der Lehrer die Schüler an, zu analysieren, ob ihre Modelle Rezensionen richtig klassifizierten. Beispielsweise stellte ein Student, der das Wort „Gefällt mir“ verwendet, um Bewertungen vorherzusagen, fest, dass mehr als die Hälfte der Bewertungen, die das Wort enthielten, tatsächlich negativ waren. Dann, sagten die Forscher, verwendeten die Studenten Trial-and-Error, um zu versuchen, die Genauigkeit ihrer Modelle zu verbessern.
„Die Schüler lernten, wie diese Modelle Entscheidungen treffen, welche Rolle Menschen bei der Entwicklung dieser Technologien spielen können und welche Perspektiven bei der Entwicklung von KI-Technologien eingebracht werden können“, sagte Jiang.
In ihren Diskussionen stellten die Forscher fest, dass die Schüler gemischte Reaktionen auf KI-Technologien hatten. Die Studenten waren beispielsweise sehr besorgt über das Potenzial, KI zur Automatisierung von Prozessen zur Auswahl von Studenten oder Kandidaten für Möglichkeiten wie Stipendien oder Programme einzusetzen.
Für zukünftige Klassen erstellten die Forscher ein kürzeres fünfstündiges Programm. Sie haben das Programm an zwei High Schools in North Carolina sowie an Schulen in Georgia, Maryland und Massachusetts eingeführt. In der nächsten Phase ihrer Forschung wollen sie untersuchen, wie Lehrer aus verschiedenen Disziplinen zusammenarbeiten, um ein auf KI ausgerichtetes Programm zu starten und eine Gemeinschaft des KI-Lernens zu schaffen.
„Wir wollen die Umsetzung in North Carolina ausweiten“, sagte Jiang. „Wenn es interessierte Schulen gibt, sind wir immer bereit, dieses Programm an eine Schule zu bringen. Da wir wissen, dass die Lehrer sehr beschäftigt sind, bieten wir einen kürzeren beruflichen Weiterbildungskurs an und stellen auch ein Stipendium für Lehrer bereit. Wir werden gehen in den Klassenraum, um bei Bedarf zu unterrichten, oder demonstrieren, wie wir den Lehrplan unterrichten würden, damit Lehrer ihn replizieren, anpassen und überarbeiten können. Wir werden Lehrer auf jede erdenkliche Weise unterstützen.“
Zu den Co-Autoren der Studie gehörten Hengtao Tang, Cansu Tatar, Carolyn P. Rosé und Jie Chao.
Mehr Informationen:
Shiyan Jiang et al, Datenmodellierungspraktiken und -prozesse von Gymnasiasten: Von der Modellierung unstrukturierter Daten bis zur Bewertung automatisierter Entscheidungen, Lernen, Medien und Technologie (2023). DOI: 10.1080/17439884.2023.2189735