키 포인트:
우리 모두는 진정한 교육적 포용을 향한 길을 따라갈 때 다음에서 설명하는 네 가지 형평성 기둥에 직면하게 됩니다. 로셸 기테리즈: 접근, 성공, 힘, 정체성.
형평성을 염두에 둔 교육자는 일반적으로 접근성이 뛰어납니다. 모든 학생들에게 문을 여는 것은 분명한 움직임입니다. 하지만 모든 학생들이 주인의식을 갖고 소속감(정체성)을 느낄 수 있는 공간에서 성공할 수 있도록 시스템을 지속적으로 추진해야 합니다. 그렇지 않으면 형평성과 포용성은 여전히 꿈일 뿐입니다.
이러한 요소 중 일부에는 대규모 시스템 변화가 필요하다는 점을 인식하지만 모든 컴퓨터 과학 교육자에게 모범이 되도록 도전하고 싶습니다. 오랜 배제의 역사를 지닌 컴퓨터 과학을 포괄적인 미래를 향해 나아가는 것은 모든 콘텐츠 영역에 파급 효과를 일으킬 것입니다. . 활용 AiiCE 신조, 학생 정체성에 대응하는 접근 방식을 권장하는(Alliance for Identity-Inclusive Computing Education, 2023) UDL(Universal Design for Learning) 및 생성적 AI 사고 파트너를 통해 포괄적인 교육 교육학을 향한 단계를 제안할 것입니다.
통합 교육을 향한 첫 번째 단계는 UDL 채택을 통해 이루어질 수 있습니다. 에 따르면 CSTA: 포괄적 교육 교육학, "UDL은 학생들이 교실 커뮤니티에 완전히 참여하는 것을 방해하는 장벽을 제거하여 모든 학생에게 동등한 학습 기회를 제공하도록 설계된 교육 계획 접근 방식입니다"(White, 2023). 그러나 이것은 이미 부담을 안고 있는 교사들에게는 시간이 많이 걸리는(가치 있는 일이기는 하지만) 작업입니다.
더 열심히가 아니라 더 스마트하게 일하는 프레임에서 UDL 원칙을 수업에 통합하고 GenAI(Generative AI) 도구를 사용하여 더 큰 형평성과 포용성을 향해 나아가는 방법을 설명할 것입니다. 사용되는 생성 모델은 ChatGPT 3.5(최적의 사용을 위해 ChatGPT 4를 권장합니다).
일반 학생을 가르치는 것은 결코 효과적이지 않았습니다. 우리 학생들은 다양한 감각 및 처리 능력을 지닌 다양한 두뇌를 보유하고 있습니다. 훌륭한 교사는 같은 교실 내에서 이러한 다양한 두뇌의 학습 요구를 모두 충족할 수 있는 방법을 찾고 있습니다.
UDL은 신경과학의 기초를 사용하여 교육자에게 프레임 워크 모든 학습자에게 권한을 부여합니다(CAST, 2018). UDL은 제품이 아닌 프로세스이므로 교사는 수업 계획 및 전달을 재고해야 합니다. 이는 반드시 교사에게 더 많은 일을 요구하는 것은 아니지만 절대적으로 다른 일을 하도록 요구하는 것입니다. 교사가 교육 방식을 변화시키기 위해 고군분투할 때 생성적 AI는 강력한 기회를 제공합니다. UDL과 같은 테스트된 연구 기반 프레임워크를 AI와 결합하면 CS 수업에 모든 학습자를 실제로 포함한다는 목표에 한 걸음 더 가까워질 수 있습니다.
UDL을 구현하려면 수업 개발 및 계획을 재고해야 합니다. Ralabate(2016)는 교사가 자신의 업무를 변화시킬 수 있는 다섯 가지 근본적인 질문을 제공합니다. 교사가 이러한 변화를 수용함에 따라 생성 AI는 다섯 가지 기본 질문을 효율적으로 활용하는 사고 파트너가 될 수 있습니다. 이러한 질문은 학습 활동의 접근성, 유연성, 편견 없음, 타당성 및 신뢰성에 관한 것입니다.
우리는 이러한 각 질문의 구현 속도를 높이는 데 사용할 수 있는 생성적 AI 프롬프트와 함께 아래의 처음 4가지 질문을 해결합니다.
| 문제 | 상품 설명 | 생성적 AI 프롬프트 |
| 액세스 | 누가 수업에 참여할 수 있고 누가 참여할 수 없나요? | 이 수업 계획을 검토하고 어떤 유형의 학생이 이 수업에 완전히 참여할 수 없는지 알려주십시오. |
| 유연성 | 학습 방법과 학습을 보여주는 방법에 대한 학생의 선택입니다. | 학생들이 [학습 목표/목표]를 입증할 수 있는 다양한 방법을 제공해주세요. |
| 편견 없음 | 나의 학습 활동에서 의도치 않게 학생들에게 불리한 것은 무엇입니까? | 이 수업의 어떤 구성요소가 나와 강사의 사전 지식이 유사하다고 가정하는지, 또는 어떤 구성요소가… |
| 유효한 | 내 평가는 내가 평가하려는 특정 학습 목표를 평가합니까? | 이 질문의 읽기 수준을 7학년 수준으로 변경하십시오(모든 학생이 접근할 수 있는 수준을 선택하십시오). |
마지막 질문은 신뢰성에 관한 것입니다. 신뢰성은 학습 활동이 목표를 달성하는 능력을 측정합니다. 내 학생의 성과에 변동이 있는 이유는 전적으로 학생의 성과로 인한 것입니까, 아니면 활동 설계로 인한 변동이 있습니까(Ralabate, 2016). 디자인으로 인한 차이를 완전히 없애는 것은 불가능하지만, 처음 네 가지 질문을 신중하게 고려하고 디자인 프로세스에 구현한다면 최소화될 것입니다. 신뢰성에 대한 최종 점검으로 GenAI를 사용하여 삼각측량 채점을 수행할 수 있습니다. 즉, 루브릭을 기준으로 학생 데이터를 평가하도록 요청할 수 있습니다. 여러 GenAI 응답을 교사의 결과와 비교함으로써 암묵적인 편견을 최소화하고 우리가 제공하는 성적이 학생 학습에 대한 확실한 척도인지 확인할 수 있습니다.
시스템은 생산하도록 설계된 것을 생산합니다. 우리의 교육 시스템은 불평등한 결과를 생산하도록 구성되었으며, 그것이 바로 그것이 생산하는 것입니다. 우리는 컴퓨터 공학 교육자들이 오늘날의 과제에 대처하고 매우 다양한 요구 사항을 수반하는 모든 뇌를 효과적으로 교육하는 방식으로 교육을 재구성할 수 있다고 믿습니다. 우리는 이유(형평성)를 알고 방법(UDL)을 알고 있으며, 생성 AI를 통해 이제 현재 요구되는 것을 달성할 수 있는 수단을 갖게 되었습니다.
참고자료
정체성을 포괄하는 컴퓨팅 교육을 위한 연합(2023). AIICE IIC 신조. https://identityincs.org/resources/aiice-iic-tenets/
캐스트(2018). UDL과 학습 두뇌. 매사추세츠주 웨이크필드 http://www.cast.org/products-services/resources/2018/udl-learning-brain-neuroscience에서 검색함
구티에레즈, R. (2011). 상황 문제: 수학 교육에서 형평성을 어떻게 개념화해야 합니까? 수학 교육을 위한 담론의 형평성: 이론, 실천 및 정책(pp. 17-33). Dordrecht: Springer 네덜란드.
P. 랄라바테(2016). UDL 강의 계획서: 모든 학습자를 교육하기 위한 단계별 가이드. 브룩스 출판.
화이트, S.V., 외. (2023년 5월 XNUMX일). 포괄적 교육 교육학. 컴퓨터 과학 교사 협회. https://csteachers.org/inclusive-teaching-pedagogies/
바이오스 :
- SEO 기반 콘텐츠 및 PR 배포. 오늘 증폭하십시오.
- PlatoData.Network 수직 생성 Ai. 자신에게 권한을 부여하십시오. 여기에서 액세스하십시오.
- PlatoAiStream. 웹3 인텔리전스. 지식 증폭. 여기에서 액세스하십시오.
- 플라톤ESG. 탄소, 클린테크, 에너지, 환경, 태양광, 폐기물 관리. 여기에서 액세스하십시오.
- PlatoHealth. 생명 공학 및 임상 시험 인텔리전스. 여기에서 액세스하십시오.
- 출처: https://www.eschoolnews.com/educational-leadership/2024/01/12/educational-equity-computer-science-generative-ai/
