Veröffentlicht am

Künstliche Intelligenz: Die Auswirkungen auf Lernen, Lehren und (Weiter-)Bildung (Tuomi 2018)

Ilkka Tuomi, Chief Scientist bei Meaning Processing Ltd, einem unabhängigen Forschungsinstitut in Helsinki, hat im Auftrag des Joint Research Centre (JRC) der EU einen Bericht zum Thema „The Impact of Artificial Intelligence on Learning, Teaching, and Education“ erstellt.

Der Bericht ist keine leichte Kost. Mehrfach habe ich ihn zur Hand genommen und wieder beiseite gelegt – unsicher, ob der Ertrag einer genaueren Lektüre den Aufwand lohnt. Irgendwann habe ich dann doch einen Zugang gefunden. Hier meine Notizen…

 

Drei Ebenen menschlichen Lernens

Im ersten inhaltlichen Kapitel über Künstliche Intelligenz (KI) werden, in Anlehnung an die von Wygotski und Leontjew begründete Tätigkeitstheorie (Activity Theory), drei Ebenen des menschlichen Lernens unterschieden: Routinisierung von Verhalten, kognitives Problemlösen und soziales bzw. kulturelles Lernen (Kulturentwicklung).

 

Bildquelle: Tuomi 2018, S. 9

 

Dieser Bezugsrahmen bildet dann die Folie, vor deren Hintergrund Tuomi dem Potenzial für KI und die Auswirkungen auf Handeln, Lehren und Lernen nachgeht. Dabei werden zunächst drei Typen von KI unterschieden:

  • Logik-orientierte KI,
  • wissensbasierte KI und
  • datenbasierte KI und neuronale Netze.

Mit einer Fokussierung auf datenbasierte KI und neuronale Netze werden anschliessend drei Typen von maschinellem Lernen unterschieden:

  • überwachtes Lernen (supervised learning) auf der Basis von aufbereiteten bzw. kodierten Datensätzen und transferorientiertes Lernen als eine Variante davon,
  • unüberwachtes Lernen (non-supervised learning) – häufig auf der Grundlage von künstlichen neuronalen Netzen – bei dem die Maschinen selbstständig Muster in den Daten entdecken, mit Verstärkungslernen (z.B. Googles Alpha Zero) als einer und General Adversarial Networks (GANs) als weiterer Variante.

Ausgehend von dieser Unterscheidung gelangt Tuomi zu einer ersten wichtigen Feststellung: KI-basierte Systeme, die auf überwachtem Lernen basieren, können dazu beitragen, bestehende Sichtweisen (und Voreingenommenheiten) zu zementieren:

A particular challenge of supervised learning models is that they can only see the world as a repetition of the past. The available categories and success criteria that are used for their training are supplied by humans. Personal and cultural biases, thus, are an inherent element in AI systems that use supervised learning. (…) supervised learning creates machines that are only able to perceive worlds where humans are put in pre-defined boxes.

Dies ist aus ethischer ebenso wie aus pädagogischer Sicht problematisch.

 

Veränderte Kompetenzerfordernisse und Substitution von menschlicher Arbeitskraft

In einem weiteren Kapitel geht Tuomi den Folgen der Entwicklungen im Bereich KI für zukünftige Kompetenzerfordernisse nach. Hier unterscheidet er Studien, die einzelne Fertigkeiten (Skills) als Bezugspunkt heranziehen und davon ausgehend das Potenzial für Automatisierung ermitteln, und Studien, die darüber angesiedelte Aufgaben (Tasks) als Bezugspunkt heranziehen (z.B. Osborne & Frey 2013). Die Wahl des Bezugspunkts hat Konsequenzen für die Schätzung der Auswirkungen von KI auf Automatisierung und Beschäftigung (vgl. die folgenden Abbildungen). Tuomi liefert für das Beispiel der typischen Aufgaben von Lehrpersonen an Mittelschulen seine eigene Einschätzung dazu, wie stark sich die Entwicklungen im Bereich KI auf welche Aufgaben auswirken werden:

 

Bildquelle: Tuomi 2018, S. 19

 

Bildquelle: Tuomi 2018, S. 20

 

As a result, AI will probably have its biggest impact when it is used to augment human cognition, and in supporting human learning and knowing. (…) Assuming that some occupations, perhaps such as truck drivers, data entry keyers or utilities meter readers, will become obsolete in the near future, an important question for education policy is how people in these occupations can move to new jobs. (…) The RBC study argued that as many occupations overlap in their skill requirements, it is relatively easy to complement skills within these clusters in ways that enable people to move to new jobs when their old jobs become automated.

 

Bildquelle: Tuomi 2018, S. 20 (adaptiert von RBC 2018)

 

Auswirkungen auf Lernen, Lehren und (Weiter-)Bildung

In einem dritten Kapitel geht Tuomi den möglichen Auswirkungen von KI auf Lernen, Lehren und (Weiter-)Bildung nach. Hier hatte ich mir allerdings mehr erhofft.

Tuomi kommt zunächst auf die seit den 1980er Jahren entwickelten intelligenten tutoriellen Systeme (ITS) zu sprechen. Diese Systeme stehen für Wissens-basierte KI (vgl. oben) und beinhalten typischerweise ein Domänen-Modell, ein Lerner-Modell und ein tutorielles Modell (vgl. dazu diesen Blogpost). Diese Systeme haben sich bisher aber vor allem in bestimmten Feldern wie z.B. Mathematik und Physik bewährt.

Tuomi macht in seinem Bericht keinen Versuch, aktuell verfügbare KI-basierte Werkzeuge für Lehren und Lernen zu inventarisieren (vgl. dazu u.a. diesen Blogpost). Vielmehr skizziert er einige der von ihm erwarteten allgemeineren technischen Weiterentwicklungen und deren Auswirkungen auf Lernen, Lehren und (Weiter-)Bildung:

  • Lernenden-Modelle für komplexe Wissensdomänen
    Datenbasierte KI-Lösungen mit ausreichend Rechenleistung sind, so erwartet Tuomi, in der Lage, auch Wort bzw. sprachbasierte Wissensdomänen (z.B. Management-Lehre / Betriebswirtschaft) adäquat abzubilden und brauchbare Lernenden-Modelle für diese Domänen zu erzeugen.
  • Lernenden-Sensorik als Datenquelle für Learning Analytics
    Daten-basierte KI-Lösungen benötigen relevante Daten. Dies wird die Entwicklungsarbeit in Richtung Lernenden-Sensorik antreiben, über die Daten von den Lernenden selbst gewonnen werden können – beispielsweise zur Aufmerksamkeit oder zum Stresserleben.
  • Conversational Bots zur Lernbegleitung
    „It can be expected that, as conversational natural language systems such as the Google Duplex are now becoming commercially available, teachable conversational agents will be one area where educational AI start-ups try to create new business in the near future.“
  • KI-basierte Assessment-Lösungen für grosse Lernergruppen (z.B. MOOCs)
    „AI could be used to objectively assess student learning by scoring test results without teacher bias. Given  enough human-labelled examples of data, neural AI and machine learning can easily learn to categorize students based on their test results.“
  • Reduzierte Bedeutung von Faktenwissen im Vergleich zu überfachlichen Kompetenzen
    „AI can reduce the need for human knowledge, experience, and skill (…). As a result, humans do not necessarily need to learn domain specific knowledge that earlier was required for competent behaviour. In particular, as domain-specific knowledge becomes less important for competence, transversal and domain-independent generic competences may become relatively more important.“
    und weiter:
    „as AI can convert speech to text and vice versa, dyslexia [and dyscalculia] may become socially less important than it has been in the past.“

An dieser Stelle plädiert Tuomi für ein vertieftes Verständnis von KI auf Seiten von Entscheidungsträgern in Politik und (Bildungs-)Institutionen. Ohne ein solches vertieftes Verständnis besteht die Gefahr, dass mit KI-basierten Lernlösungen lediglich bereits in die Jahre gekommene oder überholte Lehr- und Erziehungsmodelle auf eine neue technische Basis gestellt werden:

Therefore, without clear visions and policies (…) educational AI will probably mainly be provided as solutions to existing problems. Instead of renewing the system and orienting it towards the needs of a post-industrial economy and knowledge society, AI may therefore mechanize and reinvent outdated teaching practices and make them increasingly difficult to change.

 


Hinweis: In unserem Modul „KI-basierte und adaptive Lernumgebungen“ vertiefen wir einige der hier angesprochenen Punkte:

  • KI und maschinelles Lernen
  • Erfolgsfaktor personalisiertes Lernen: Anspruchsgruppen und ihre Erwartungen
  • Komponenten adaptiver Lernumgebungen: Tutorielles Modell, Lernenden-Modell, Domänen-Modell, Inner- / Outer Loop
  • Überblick und Praxisberichte zu KI-basierten, adaptiven Lernumgebungen

Frey, Carl Benedikt; Osborne, Michael (2013): The future of employment. Herausgegeben vom Oxford Martin Programme on the Impacts of Future Technology. University of Oxford. Oxford, UK.

Tuomi, Ilkka (2018): The Impact of Artificial Intelligence on Learning, Teaching, and Education. JRC Science for Policy Report. Hg. v. European Union. Publications Office of the European Union. Seville, (Spain).

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.