Ettersom behovet for fjernundervisning raskt blir en nødvendighet, har bruken av teknologi i grunnskolen (K12) utviklet seg. Spesielt måten skolene vurderer elever på har tatt et stort sprang når det gjelder innovasjon, og heller mot teknologi som kunstig intelligens (KI) og maskinlæring (ML).
I mellomtiden har lærernes perspektiv på testing holdt seg konsistent: vurderinger må gå parallelt med klasseromsundervisningen og gjenspeile de virkelige scenarioene elevene kan møte. I tillegg etterlyser lærerne en helhetlig måling av elevenes ferdigheter og kunnskaper i stedet for ren gjengivelse av fakta.
Enda viktigere er det at lærerne anser tidspunktet for å være et avgjørende aspekt ved vurderinger – de vurderer ikke bare samsvar med undervisningen, men også planleggingen av selve testingen.
For å demonstrere denne oppfatningen, nevner lærerne følgende eksempel: i stedet for å avlegge testen på et bestemt tidspunkt på slutten av et semester eller skoleår, bør testen administreres når eleven er klar til å demonstrere sine ferdigheter innen en bestemt ferdighet eller et bestemt konsept.
På grunn av teknologisk innovasjon er denne typen vurdering mulig. Testing med blyant og papir er ikke lenger det eneste alternativet; adaptive tester, utført ved hjelp av teknologi, kan skape en engasjerende og tilgjengelig vurdering som kommer til studentene på akkurat riktig tidspunkt.
Personalisering er nøkkelen til å lage tester som passer for individuelle elever. Takket være teknologi kan elevene fordype seg i adaptive, databaserte tester som gir et mer spesifikt og handlingsrettet mål på en elevs kunnskaper.
Med adaptiv testing tilpasser selve testen seg den spesifikke evnen og nivået til en bestemt elev. En slik test gir læreren en dypere forståelse av hvor eleven trenger mest hjelp – og tilbyr dem en optimal vei mot suksess.
Utviklingen innen spillteknologi gir ressurser og innovasjon for databaserte tester.
AI og maskinlæring i pedagogisk vurdering gjør denne teknologiske tilnærmingen mulig. Elever kan ta tester som er tilpasset deres ferdighetsnivå, mens lærere får en dypere forståelse av elevenes fremgang, noe som informerer læringen i klasserommet. I tillegg får både elever og utdanningsledere bedre data for å fremme pedagogiske tiltak – uten å måtte stole på inkonsistente, papirbaserte vurderinger av elevenes prestasjoner.
Hvordan forbedre læring under vurdering med AI og ML-teknologi
Engasjement spiller en viktig rolle i å nøyaktig måle og oppnå elevenes mestring av ett eller annet fag. Med inkonsistente, papirbaserte vurderinger kan det være vanskelig å måle og forstå engasjementsnivået. AI-basert læring, derimot, har ikke bare en tendens til å være tilpasset per elev, noe som igjen øker engasjementet, men kan også varsle læreren når engasjementsnivået synker.
Dette gjør det igjen mulig for lærere å koble engasjementsnivåer med ytelse, noe som uten tvil kan øke innsatsen for administrasjonen når det gjelder læring i klasserommet.
AI i pedagogisk vurdering tillater måling av ytelse gjennom poengkonstruerte svar, slik at lærere ikke lenger trenger å bruke tid på tidkrevende manuell poengsetting. I stedet kan de analysere store mengder elevdata for å forstå den generelle ytelsen eller spesifikke mønstre. I tillegg kan de enkelt spore individuelle læringsprogresjoner og tilpasse læringsløp etter elevens behov.
Effektivitet og nøyaktighet er i forkant av måling av vurderingssuksess. AI lar elever definere et problem og finne en løsning – noe som gir læreren klare data om hvordan de skal gå frem både under undervisningen og for fremtidige prøver.
Andre hensyn knyttet til AI i pedagogisk vurdering
Utvidet og virtuell virkelighet står for en stor del av suksessen til AI i pedagogisk vurdering. Disse teknologiene kan gi virkelige scenarioer som lar elevene teste kunnskapen sin på nært hold. I tillegg gir disse typene scenarioer lærere et bredere spekter for å måle elevenes suksess: de lar elevene teste og anvende kunnskapen sin i unike situasjoner som de kan støte på i sin profesjonelle eller akademiske karriere.
Teknologi gjør testing mer rettidig, tilgjengelig og pålitelig. I tillegg kan fremskritt innen kunstig intelligens og maskinlæring eksponere studenter for et bredere spekter av informasjon, erfaring og tekniske tilnærminger enn alternativene med blyant og papir. Dette jevner ut spillereglene for studenter som kanskje ikke har de samme mulighetene som sine mer velstående eller ellers privilegerte motparter.
Kort sagt, teknologi muliggjør en mer nøyaktig og rettferdig fremstilling av den enkelte elevs kunnskap; dessuten lar den flere elever oppleve flere virkelige scenarier, og enda mer rettferdig testing, enn noen gang før. Teknologibaserte vurderinger gir et klarere bilde av veien mot kunnskap, samtidig som de gir like muligheter til å lære for elever med ulik bakgrunn og evner.
