Ateičiai paruoštų mokymų kūrimas generatyvinio dirbtinio intelekto amžiuje

Nuo darbo stabilumo iki užduočių lankstumo: pasekmės darbo jėgos ugdymui

Dirbtinis intelektas iš periferinės technologijos virto struktūrine jėga, precedento neturinčiu greičiu keičiančia darbo rinkas. Sparčiai tobulėjant skaičiavimo galiai, duomenų prieinamumui ir generatyviniams modeliams, organizacijos plačiai pritaikė šią technologiją, o tai daro išmatuojamą poveikį produktyvumui ir sąnaudoms visuose sektoriuose. Svarbiausia, kad ši transformacija vyksta užduočių lygmeniu: įprastas pažintinis ir administracinis darbas vis labiau automatizuojamas, o specialistus papildo dirbtinio intelekto “bendrapilotiai” rašymo, programinės įrangos kūrimo, tyrimų ir dizaino srityse – vaidmenys pertvarkomi į hibridines žmogaus ir dirbtinio intelekto profesijas ir kuriami visiškai nauji. Skaitmeninimui, darbui platformose, tarpvalstybinei konkurencijai ir demografiniams pokyčiams sąveikaujant su šiuo pokyčiu, darbdavių reikalaujamas įgūdžių profilis keičiasi greičiau, nei tradicinės mokymo sistemos gali prisitaikyti. Todėl rengiant mokymus sparčiai besikeičiančioms darbo rinkoms reikia pereiti nuo statiškų, daugiamečių mokymo programų prie modulinių, nuolat atnaujinamų mokymosi vienetų, kuriuose būtų įtvirtintas praktinis dirbtinio intelekto raštingumas, kritiškas dirbtinio intelekto rezultatų vertinimas ir žmogaus ir dirbtinio intelekto bendradarbiavimas kaip pagrindinės kompetencijos.

Vertinimu pagrįstas dizainas sparčiai kintančiose darbo rinkose

Sukurti mokymus, kurie išliktų aktualūs sparčiai kintančiose darbo rinkose, yra ne tik sunku – tai ir struktūriškai suvaržyta. Technologijoms, pareigoms ir įgūdžių reikalavimams vystantis greičiau nei mokymo programų ciklams, jokia turinio gausa paremta mokymo programa negali ilgai išlikti aktuali. Tai nereiškia, kad reikia atsisakyti mokymų dizaino, o perkelti jų svorio centrą: nuo turinio aprėpties prie vertinimu pagrįsto mokymosi dizaino. Pagrindinis teiginys yra paprastas, bet reikšmingas: turinys pasensta, besimokantieji išlieka. Kad mokymai išliktų aktualūs, juose turi būti teikiama pirmenybė ilgalaikiams gebėjimams: problemų formulavimui, kritiniam vertinimui, bendradarbiavimui, refleksijai ir gebėjimui nuolat mokytis nestabilioje žinių aplinkoje.

Šis pakeitimas vertinimą iškelia į mokymo programos kūrimo pagrindą. Užuot vertinimą laikant jį priedu ar atitikties reikalavimu, vertinimas tampa pagrindiniu kūrimo veiksniu. Tai, kaip besimokantieji vertinami, lemia, kaip jie mokosi, kam teikia pirmenybę ir kokius gebėjimus lavina. Nepastovioje įgūdžių aplinkoje, kurią formuoja generatyvusis dirbtinis intelektas, vertinimas yra vienas iš nedaugelio svertų, kuriuos pedagogai gali patikimai kontroliuoti, kad formuotų prasmingą mokymosi elgseną.

Konstruktyvus derinimas ir vertinimu grindžiamas dizainas

Vertinimu grindžiamas metodas įgyvendinamas konstruktyviai derinant: mokymosi rezultatai, mokymosi veikla ir vertinimas yra kuriami kaip viena integruota sistema, o ne kaip laisvai susieti komponentai. Tai pakeičia tradicinę seką “pirmiausia turinys, o paskui vertinimas”. Dizaineriai pirmiausia nurodo, ką besimokantieji turi gebėti daryti autentiškuose kontekstuose, tada parengia vertinimo užduotis, kurios įrodo šiuos gebėjimus, ir tik tada kuruoja mokymosi veiklas ir išteklius, kad padėtų sėkmingai atlikti šias užduotis.

Tai svarbu, nes besimokantieji savo pastangas organizuoja pagal vertinimo signalus. Greitai besivystančiose srityse, tokiose kaip generatyvinis dirbtinis intelektas, kur informacija greitai pasensta, mokymosi architektūra turi būti pagrįsta perkeliamu našumu, o ne trumpalaikiu turinio įvaldymu. Gerai suderintas vertinimas paaiškina lūkesčius, sumažina netinkamai nukreiptas pastangas ir padidina tikimybę, kad mokymasis bus perkeltas į praktinę veiklą darbo vietoje.

Kodėl autentiškas vertinimas svarbus dirbtinio intelekto eroje

Autentiškas vertinimas suteikia praktinį mechanizmą, kaip užtikrinti mokymų ateitį ir atsispirti darbo rinkos nepastovumui. Užuot teikiant pirmenybę prisiminimais pagrįstam testavimui ar pasyvaus vartojimo modeliams, autentiškos užduotys imituoja realaus pasaulio praktiką. Veiksmingas autentiškas vertinimas pasižymi keliomis savybėmis:

• Aktualumas realiame pasaulyjeužduotys atspindi darbo vietoje kylančių problemų kontekstą (pvz., užduočių kūrimas, skaitmeninių artefaktų kūrimas, intervencijų siūlymas siekiant sumažinti su dirbtiniu intelektu susijusią riziką).
• Neapibrėžtos problemosbesimokantieji susiduria su atviro tipo iššūkiais, o ne su iš anksto nurodytais atsakymais.
• Nuolatinis tyrimasmokymasis vyksta laikui bėgant per iteracinį tobulėjimą, o ne vienkartinius pateikimus.
• Keli požiūriai ir šaltiniaibesimokantieji integruoja įvairius požiūrius ir įrodymus.
• Bendradarbiavimasbendraamžių sąveika atspindi šiuolaikines darbo praktikas.
• Refleksija ir savireguliacijabesimokantieji lavina savo mokymosi procesų metakognityvinį suvokimą.
• Integruotas vertinimasVertinimas yra integruotas į mokymosi veiklą, o ne pridedamas prie jos pabaigos.
• Prasmingi produktaiMokiniai kuria artefaktus, kurie yra vertingi ne tik vertinant.
• Keli mokymosi rodikliaiVertinimą vienu balu papildo aplankai, vertinimo kriterijai, kolegų atsiliepimai ir refleksyvūs pasakojimai.

Internetinėse ir asinchroninėse situacijose – dabar struktūriškai įtvirtintose po pandemijos įvykusiose mokymo ekosistemose – šie principai yra ypač svarbūs. Pasyvūs MOOC stiliaus vartojimo modeliai prastai tinka adaptyvios patirties ugdymui. Konstruktyvistinis, į vertinimą orientuotas dizainas sukuria mokymosi patirtį, kurioje pirmenybė teikiama taikymui, vertinimui ir žinių perdavimui, o ne turinio atkūrimui.

Kurti mokiniams, o ne tik turiniui

Dar viena vertinimu pagrįsto projektavimo pasekmė – poreikis į pirmą planą įtraukti besimokančiojo kontekstą. Efektyviam mokymo planavimui reikia suprasti besimokančiųjų patirtį, profesinę tapatybę, esamus įgūdžių lygius ir apribojimus. Didelio masto internetinėse paslaugose tai vis dažniau palaiko duomenimis pagrįstas besimokančiųjų profiliavimas ir dirbtinio intelekto pagrįsta dalyvių kohortų analizė. Projektuojant atsižvelgiant į auditorijos įvairovę, pagerėja vertinimo įtraukumas, prieinamumas ir teisingumas, ypač asinchroniniuose kursuose, kuriuose fasilitatoriaus parama yra ribota.

Ši orientacija tampa esminė ilgalaikiuose projektuose sparčiai besivystančiose srityse, tokiose kaip generatyvinis dirbtinis intelektas. Kurso turinys neišvengiamai pasens per daugiamečius kūrimo ciklus. Vertinimo dizainas, pagrįstas ilgalaikėmis praktikomis – problemų sprendimu, bendradarbiavimu, kritiniu dirbtinio intelekto rezultatų vertinimu, refleksyviu savęs vertinimu – išlieka aktualus net ir keičiantis konkrečioms priemonėms bei metodams.

Savęs vertinimas ir kolegų vertinimas kaip tvarumo mechanizmai

Kai moderavimas yra ribotas arba jo nėra, savęs vertinimas ir bendraamžių vertinimas veikia kaip struktūrinė parama tvariai mokymosi kokybei. Savęs vertinimas ugdo metakognityvinius gebėjimus ir savireguliacinį mokymąsi – gebėjimus, kurie leidžia besimokantiesiems prisitaikyti prie tobulėjančių įrankių ir žinių bazių. Tarpusavio vertinimas pasitelkia besimokančiųjų grupėse paskirstytą patirtį, pripažįstant, kad dalyviai vis dažniau į mokymosi aplinką įneša nevienalyčių ir praktika pagrįstų žinių, ypač pažangiose su dirbtiniu intelektu susijusiose srityse.

Kolegų grįžtamasis ryšys taip pat atkartoja pagrindinius profesinės praktikos bruožus: kritiką, iteracinį tobulinimą ir bendradarbiavimo prasmės kūrimą. Šie mechanizmai perkelia mokymą iš perdavimo modelio į dalyvaujamojo mokymosi ekologiją, geriau suderintą su šiuolaikiniu žinių darbu.

Mokymo dizaino implikacijos nepastoviose darbo rinkose

Pagrindinis dizaino aspektas yra strateginis: Vien tik turinio atnaujinimais mokymai negali aplenkti darbo rinkos pokyčių. Vietoj to, mokymo sistemos turi būti kuriamos atsižvelgiant į ilgalaikes mokymosi funkcijas. Vertinimu grindžiamas dizainas, integruotas į konstruktyvų derinimą, suteikia keičiamo mastelio mechanizmą, padedantį išlaikyti aktualumą sparčių technologinių ir profesinių pokyčių metu.

Praktiškai tai reiškia:

• vertinimo kūrimas remiantis perkeliamu veiklos rezultatu, o ne su konkrečia priemone susijusiomis žiniomis;
• bendradarbiavimo, refleksijos ir mokymosi iš kolegų integravimas į vertinimo architektūrą;
• pirmenybės teikimas autentiškoms užduotims, kurios atspindi darbo vietoje vykstančią praktiką;
• priimti turinio pasenimą, kartu apsaugant besimokančiojo gebėjimų ugdymą;
• kurti vertinimo sistemas, kurios išliktų prasmingos net ir tobulėjant konkrečioms technologijoms.

Sparčiai kintančiose darbo rinkose, kurias formuoja generatyvinis dirbtinis intelektas, mokymo sistemų stabilumas slypi ne jų turinyje, o vertinimo struktūros kokybėje.

——————————————————

Šis straipsnis buvo parengtas po pirmojo Europos seminaro, Mokymų rengimas sparčiai kintančioms darbo rinkoms: įžvalgos iš Generatyviojo dirbtinio intelekto įgūdžių akademijos, įvykęs 2026 m. vasario 11 d. Seminare dalyvavo praktikai, tyrėjai ir mokymo paslaugų teikėjai, kad išnagrinėtų, kaip generatyvinis dirbtinis intelektas keičia įgūdžių paklausą ir ką tai reiškia ateičiai pritaikytų mokymo sistemų kūrimui. Jei norite peržiūrėti seminaro įrašą ir pranešėjų bei dalyvių pasidalintą medžiagą, galite prie jos prisijungti adresu ši nuoroda.