Những điểm chính:
Khi tất cả chúng ta đấu tranh trên con đường hướng tới sự hòa nhập giáo dục thực sự, chúng ta phải đối mặt với bốn trụ cột của sự công bằng như được mô tả bởi Rochelle Guiterize: Truy cập, Thành công, Quyền lực và Bản sắc.
Các nhà giáo dục có quan điểm hướng tới sự công bằng thường vượt trội về khả năng tiếp cận. Mở cửa cho tất cả học sinh là một động thái rõ ràng. Tuy nhiên, chúng ta phải liên tục thúc đẩy các hệ thống để tất cả học sinh có thể thành công trong những không gian mà các em có quyền sở hữu và cảm thấy mình thuộc về (bản sắc). Nếu không thì sự công bằng và hòa nhập vẫn chỉ là một giấc mơ.
Mặc dù chúng tôi nhận thấy rằng một số yếu tố này yêu cầu các hệ thống lớn phải thay đổi, nhưng chúng tôi cũng muốn thách thức tất cả các nhà giáo dục khoa học máy tính hãy làm gương. Đưa khoa học máy tính, với lịch sử loại trừ lâu dài, hướng tới một tương lai hòa nhập sẽ gây ra hiệu ứng lan tỏa trên tất cả các lĩnh vực nội dung . Sử dụng nguyên lý AiiCE, khuyến nghị áp dụng các phương pháp tiếp cận đáp ứng nhận dạng của học sinh (Liên minh Giáo dục Điện toán Toàn diện Nhận dạng, 2023), chúng tôi sẽ đề xuất các bước hướng tới phương pháp sư phạm giáo dục hòa nhập với Thiết kế Phổ quát cho Học tập (UDL) và các đối tác tư tưởng AI tổng quát.
Bước đầu tiên hướng tới giáo dục hòa nhập có thể được thực hiện thông qua việc áp dụng UDL. Theo CSTA: Phương pháp giảng dạy hòa nhập, “UDL là một phương pháp lập kế hoạch giảng dạy được thiết kế để mang lại cho tất cả học sinh cơ hội học tập bình đẳng bằng cách loại bỏ các rào cản ngăn cản học sinh tham gia đầy đủ vào cộng đồng lớp học của mình” (White, 2023). Tuy nhiên, đây là một nhiệm vụ tốn thời gian (mặc dù đáng giá) đối với những giáo viên đã bị đánh thuế.
Trong khuôn khổ làm việc thông minh hơn chứ không phải chăm chỉ hơn, chúng tôi sẽ mô tả cách bắt đầu tích hợp các nguyên tắc UDL vào các bài học, hướng tới sự công bằng và hòa nhập cao hơn thông qua việc sử dụng các công cụ Generative AI (GenAI). Mô hình tổng quát đang được sử dụng là ChatGPT 3.5 (để sử dụng tối ưu, chúng tôi khuyên dùng ChatGPT 4).
Việc giảng dạy cho học sinh trung bình chưa bao giờ có hiệu quả. Học sinh của chúng tôi sở hữu nhiều bộ não khác nhau, với khả năng xử lý và cảm giác khác nhau. Những giáo viên giỏi đang tìm cách đáp ứng nhu cầu học tập của tất cả những bộ não đa dạng này trong cùng một lớp học.
UDL sử dụng các nguyên tắc cơ bản của khoa học thần kinh để cung cấp cho các nhà giáo dục một khuôn khổ để trao quyền cho tất cả người học (CAST, 2018). UDL là một quá trình chứ không phải một sản phẩm và yêu cầu giáo viên phải suy nghĩ lại việc lập kế hoạch và thực hiện giảng dạy của mình. Mặc dù điều này không nhất thiết có nghĩa là yêu cầu giáo viên làm nhiều hơn nhưng nó hoàn toàn yêu cầu họ làm điều gì đó khác biệt. Khi giáo viên vật lộn với việc chuyển đổi phương pháp giảng dạy của họ, AI mang lại những cơ hội mạnh mẽ. Khi chúng tôi kết hợp một khung dựa trên nghiên cứu, đã được thử nghiệm như UDL với AI, nó sẽ đưa chúng tôi tiến một bước gần hơn đến mục tiêu đưa tất cả người học vào các lớp CS thực sự.
Việc thực hiện UDL đòi hỏi phải xem xét lại việc phát triển và lập kế hoạch bài học. Ralabate (2016) đưa ra năm câu hỏi cơ bản cho phép giáo viên bắt đầu chuyển đổi phương pháp thực hành của mình. Khi giáo viên nắm bắt sự chuyển đổi này, AI có thể tạo ra có thể là đối tác tư duy trong việc sử dụng năm câu hỏi cơ bản một cách hiệu quả. Những câu hỏi này xoay quanh khả năng tiếp cận, tính linh hoạt, thiếu thiên vị, tính hợp lệ và độ tin cậy của các hoạt động học tập của chúng ta.
Chúng tôi giải quyết bốn câu hỏi đầu tiên trong số những câu hỏi dưới đây, cùng với những gợi ý tổng quát về AI có thể được sử dụng để tăng tốc độ thực hiện từng câu hỏi này.
| câu hỏi | Mô tả | Lời nhắc AI sáng tạo |
| Accessible | Ai có thể tham gia bài học và ai không thể? | Vui lòng kiểm tra giáo án này và cho tôi biết loại học sinh nào sẽ không thể tham gia đầy đủ vào bài học này. |
| Linh hoạt | Sự lựa chọn của sinh viên về cách họ học và cách họ thể hiện việc học. | Vui lòng cung cấp nhiều phương pháp để học sinh thể hiện [mục tiêu/mục tiêu học tập]. |
| Không thiên vị | Điều gì trong hoạt động học tập của tôi vô tình gây bất lợi cho học sinh? | Những thành phần nào của bài học này có kiến thức tương tự với tôi, người hướng dẫn hoặc những thành phần nào….. |
| Hợp lệ | Đánh giá của tôi có đánh giá được mục tiêu học tập cụ thể mà tôi đang cố gắng đánh giá không? | Vui lòng thay đổi cấp độ đọc của câu hỏi này thành cấp độ lớp 7 (chọn cấp độ mà tất cả học sinh đều có thể tiếp cận được) |
Câu hỏi cuối cùng là về độ tin cậy. Độ tin cậy đo lường khả năng một hoạt động học tập có thể đạt được mục tiêu của nó. Sự thay đổi trong kết quả học tập của học sinh của tôi hoàn toàn là do kết quả học tập của các em hay có sự khác biệt do thiết kế của hoạt động (Ralabate, 2016). Không thể thực sự loại bỏ được sự khác biệt do thiết kế, nhưng nó sẽ được giảm thiểu nếu bốn câu hỏi đầu tiên được xem xét và triển khai cẩn thận trong quá trình thiết kế. Để kiểm tra độ tin cậy cuối cùng, GenAI có thể được sử dụng để phân loại tam giác – yêu cầu GenAI đánh giá dữ liệu của học sinh theo phiếu tự đánh giá. Bằng cách so sánh nhiều câu trả lời của GenAI với kết quả từ giáo viên, chúng tôi có thể giảm thiểu thành kiến ngầm và đảm bảo rằng điểm số chúng tôi đưa ra là thước đo xác thực cho quá trình học tập của học sinh.
Các hệ thống sản xuất ra những gì chúng được thiết kế để sản xuất. Hệ thống giáo dục của chúng ta được xây dựng để tạo ra những kết quả không công bằng, và đó là những gì nó tạo ra. Chúng tôi tin rằng các nhà giáo dục khoa học máy tính có thể vượt qua thách thức hiện nay và làm lại hướng dẫn của họ theo cách giáo dục hiệu quả cho mọi bộ não có nhu cầu cực kỳ đa dạng. Chúng tôi biết lý do tại sao (công bằng), chúng tôi biết cách thức (UDL) và với AI tổng quát, giờ đây chúng tôi có phương tiện để hoàn thành những gì được yêu cầu vào thời điểm hiện tại.
dự án
Liên minh Giáo dục Điện toán Toàn diện Nhận dạng (2023). Nguyên lý AIICE IIC. https://identityincs.org/resources/aiice-iic-tenets/
ĐÚNG (2018). UDL và bộ não học tập. Wakefield, MA. Lấy từ http://www.cast.org/products-services/resources/2018/udl-learning-brain-neuroscience
Gutiérrez, R. (2011). Vấn đề bối cảnh: Chúng ta nên khái niệm hóa sự công bằng trong giáo dục toán học như thế nào?. Trong Công bằng trong Diễn ngôn về Giáo dục Toán học: Lý thuyết, Thực tiễn và Chính sách (trang 17-33). Dordrecht: Springer Hà Lan.
Ralabate P. (2016). Công cụ lập kế hoạch bài học UDL của bạn: Hướng dẫn từng bước để giảng dạy cho tất cả người học. Nhà xuất bản Brookes.
Trắng, SV, và cộng sự. (2023, ngày 5 tháng XNUMX). Phương pháp giảng dạy hòa nhập. Hiệp hội giáo viên khoa học máy tính. https://csteachers.org/inclusive-teaching-pedagogies/
Bios:
- Phân phối nội dung và PR được hỗ trợ bởi SEO. Được khuếch đại ngay hôm nay.
- PlatoData.Network Vertical Generative Ai. Trao quyền cho chính mình. Truy cập Tại đây.
- PlatoAiStream. Thông minh Web3. Kiến thức khuếch đại. Truy cập Tại đây.
- Trung tâmESG. Than đá, công nghệ sạch, Năng lượng, Môi trường Hệ mặt trời, Quản lý chất thải. Truy cập Tại đây.
- PlatoSức khỏe. Tình báo thử nghiệm lâm sàng và công nghệ sinh học. Truy cập Tại đây.
- nguồn: https://www.eschoolnews.com/educational-leadership/2024/01/12/educational-equity-computer-science-generative-ai/
