Бағалауды және кері байланысты автоматтандыруға арналған жасанды интеллект

Білім беру және кәсіби даярлық салаларында бағалау процесі маңызды, бірақ көбінесе уақыт пен ресурсты қажет ететін тапсырма болып табылады. Студенттердің жұмыстарын, жобаларын немесе тест жауаптарын бағалау, сондай-ақ оларға сапалы және конструктивті кері байланыс беру тәрбиешілер мен оқытушылар үшін ірі шаруашылықтық жүктемені құрайды. Бұл процесс субъективтілікке бейім, сондай-ақ үлкен топтармен жұмыс істегенде тұрақтылықты сақтау қиындықтарын тудырады. Дәл осы мәселелерді шешуге, яғни бағалаудың дәлдігін арттыруға, уақытты үнемдеуге және әрбір оқушыға дербес назар аудару мүмкіндігін қамтамасыз етуге бағытталған заманауи технологиялық шешім ретінде жасанды интеллект құралдары пайда болады. Бұл мақалада ЖИ-ның бағалау мен кері байланыс процестерін автоматтандырудағы рөлі, қолданылатын әдістер мен құралдар, сондай-ақ бұл тәсілдің тиімділігі мен шектеулері қарастырылады.

Бағалауды автоматтандырудың негізгі мәселесі – бұл тек дұрыс/бұрыс жауаптарды тексеру емес, сонымен қатар ашық сұрақтарға, эсселерге, шығармашылық жобаларға, бағдарламалық кодтарға баға қоюды қамтитын күрделі тапсырмаларды шешу болып табылады. Дәстүрлі автоматты тестілеу жүйелері бұл салада шектеулі болса, табиғи тілді өңдеуге негізделген заманауи ЖИ модельдері, мысалы, GPT, BERT тәрізді трансформаторлық архитектуралар, мәтіндік мазмұнды тереңірек түсінуге және талдауға мүмкіндік береді. Олар студенттің жауабын алдын ала анықталған критерийлер бойынша талдай алады: пікірдің дәйектілігі, дәлелдердің жеткіліктілігі, терминологияны дұрыс қолдану, грамматикалық дұрыстық және т.б. Мысалы, эссеге баға қою үшін модельге бағалау рубрикасы (критерийлері) беріледі, содан кейін ол әрбір критерий бойынша баллдарды ұсынып, оны негіздейтін түсіндірмелер мен нақты мәтінден мысалдар келтіреді. Бұл тәсіл тек қана нәтижені көрсетіп қоймай, оқушыға өзінің қандай аспектілерді жақсартуы керектігін түсінуге көмектесетін егжей-тегжейлі кері байланысты құруға мүмкіндік береді.

Мұндай жүйені енгізу процесі бірнеше кезеңдерден тұрады. Біріншіден, нақты пәнге немесе тапсырма түріне бағытталған бағалау модельін дайындау қажет. Бұл үшін сапалы оқу материалдары мен оларға берілген сараланған бағалардың үлгілері жинақталады, олар модельді оқыту үшін пайдаланылады. Екіншіден, модельдің шешімдерін адам-эксперттің шешімдерімен салыстырып, оның дәлдігін тексеру және жетілдіру үшін валидациялау жүргізіледі. Үшіншіден, пайдаланушы интерфейсі әзірленеді, онда оқытушы тапсырманы, критерийлерді енгізіп, студенттердің жұмыстарын жібереді, ал студенттер өз нәтижелерін және автоматты түрде жасалған кері байланысты көре алады. Маңыздылығы, бұл процестің өзінде де ЖИ-ның өзі промттарды құруға көмектеседі: мысалы, оқытушы модельге «Бұл бағдарламалық кодты оқылуы жеңіл болуы, тиімділігі және қателерді өңдеу мүмкіндігі бойынша талдап, 1-ден 10-ға дейін балл беріп, әрбір бағаны негіздеңіз» дегендей нақты нұсқау бере алады. Модель осы промтқа сүйене отырып, кешенді талдау жасайды.

Нәтижелер тұрғысынан алғанда, автоматтандырылған бағалау жүйелерінің тиімділігі айтарлықтай. Уақытты үнемдеу айқын артықшылық болып табылады: бірнеше сағат немесе тіпті күндерді қажет ететін жұмыстарды талдау бірнеше минут ішінде орындалады. Бұл оқытушыға сабақты жоспарлауға, жеке студенттермен жұмыс істеуге немесе оқу материалдарын жақсартуға көбірек уақыт бөлуге мүмкіндік береді. Сонымен қатар, жүйе субъективті факторларды азайта отырып, барлық студенттерді бірдей критерийлер бойынша бағалайды, яғни бағалаудың əділеттілігі мен объективтілігін арттырады. Кері байланыс берудегі дербестендіру де маңызды: модель әрбір жұмысты жеке талдап, оның күшті және әлсіз жақтарына назар аудара алады, бұл дәстүрлі топтық түсіндірулерде мүмкін болмайтын нәрсе. Бірақ нәтижелер сапасы тікелей қолданылатын модельдің дайындығына, оқыту деректерінің саны мен сапасына, сондай-ақ дұрыс құрылған промттарға байланысты.

Алайда, бұл технологияның шектеулерін де ескеру қажет. Ең бастысы – ЖИ модельдері шынайы түсініксіздікке ие емес, олар тек оқыған үлгілер негізінде статистикалық әдеттемелер жасайды. Сондықтан олар шығармашылықтың ерекше нюанстарын, парадоксальды, бірақ терең пікірлерді дұрыс бағалай алмауы мүмкін. Сонымен қатар, модельдерді оқытуда қолданылған деректердегі әлеуметтік-мәдени алдын ала шешімдер (bias) бағалауға әсер етіп, əділетсіздікке әкелуі мүмкін. Сондықтан автоматты бағалау толықтай автономды процес ретінде емес, оқытушының құралы ретінде қарастырылуы тиіс. Соңғы шешім әрдайым адамның қолында болуы керек. Алынған тəжірибе көрсеткендей, ЖИ-ны бағалауға енгізудің ең тиімді жолы – бұл «адам-машина» ынтымақтастығы моделі. ЖИ алдын бағалауды және кері байланыстың алғашқы нұсқасын жасайды, ал оқытушы оны тексеріп, түзетіп, ондағы маңызды тұстарға назар аударады және қажет болған жағдайда жеке түсіндіреді.

Қорытындылай келе, жасанды интеллект бағалау мен кері байланыс беру саласында революциялық өзгерістер әкеле алатын қуатты құрал екенін айтуға болады. Ол тәрбиешілердің уақытын босатып, бағалаудың объективтілігін арттырып, оқу процесін дербестендіруге мүмкіндік береді. Алайда, бұл құралды сәтті қолдану оның мүмкіндіктері мен қазіргі кездегі шектеулерін түсінуді, сондай-ақ оны адамның кәсіби тəжірибесі мен шешім қабылдауымен үйлесімді түрде біріктіруді талап етеді. Болашақта модельдердің жақсаруы, олардың контексті түсіну қабілетінің артуы және этикалық бағдарламалардың дамуымен ЖИ білім беру жүйесіндегі бағалаудың тағы да көптеген қиындықтарын шешуге көмектеседі, бірақ оқытушының рөлін ауыстырмай, керісінше, оны жаңа деңгейге көтереді – ол қазір аналитикалық шешімдерді қабылдау және оқушылармен тереңірек гуманитарлық өзара әрекеттесуге назар аудара алады.

ӘДЕБИЕТТЕР

1. Hattie, J., Timperley, H. The Power of Feedback // Review of Educational Research. – 2007. – Vol. 77, № 1. – P. 81–112.

2. Whitelock, D.. Artificial Intelligence and Assessment for Learning: The Death of Formative Assessment? // Frontiers in Artificial Intelligence. – 2023. – Vol. 6.

3. Zawacki-Richter, O., Marin, V.I., Bond, M., Gouverneur, F. Systematic Review of Research on Artificial Intelligence Applications in Higher Education – Where are the Educators? // International Journal of Educational Technology in Higher Education. – 2019. – Vol. 16, № 39.

4. Luckin, R., Cukurova, M. Designing Educational Technologies in the Age of AI: A Learning Sciences-Driven Approach // British Journal of Educational Technology. – 2019. – Vol. 50, № 6. – P. 2824–2838.

5. Holmes, W., Bialik, M., Fadel, C. Artificial Intelligence in Education: Promises and Implications for Teaching and Learning. – Boston: Center for Curriculum Redesign, 2019. – 150 p.

6. Baker, R.S., Inventado, P.S. Educational Data Mining and Learning Analytics // In: Larusson J.A., White B. (eds) Learning Analytics. – New York: Springer, 2014. – P. 61–75.

7. Казахстан Республикасының Білім және ғылым министрлігі. «Білім беруді цифрландыру» тұжырымдамасы. – Астана, 2021. – 45 б.