Πώς θα πρέπει να αλλάξουν οι εξετάσεις μαθηματικών στην εποχή της τεχνητής νοημοσύνης;

Οι ερευνητές της τεχνητής νοημοσύνης πιστεύουν ότι απαιτούνται αλλαγές στις εξετάσεις μαθηματικών και η ενσωμάτωση ερωτήσεων έκθεσης θα ήταν ένα θετικό βήμα στην εποχή της τεχνητής νοημοσύνης.

Πρόσφατα, πολλοί ειδικοί έχουν εκφράσει διαφορετικές απόψεις σχετικά με τις εξετάσεις μαθηματικών και την κατανομή των βαθμολογιών. Ο Δρ. Dang Quang Vinh, ερευνητής τεχνητής νοημοσύνης (AI) και λέκτορας στο Τμήμα Επιστήμης και Τεχνολογίας Υπολογιστών στο Βρετανικό Πανεπιστήμιο του Βιετνάμ (BUV), μοιράστηκε επίσης μια ενδιαφέρουσα πρόταση από την οπτική γωνία της Τεχνητής Νοημοσύνης στην εφημερίδα Thanh Nien , ελπίζοντας ότι το Υπουργείο Παιδείας και Κατάρτισης θα αλλάξει τις εξετάσεις μαθηματικών στο εγγύς μέλλον.

Η κατανομή των βαθμολογιών στα μαθηματικά το 2025 είναι κοντά σε μια κανονική κατανομή.

Ωστόσο, ο Δρ. Vinh έκανε επίσης θετικά σχόλια σχετικά με την κατανομή των βαθμολογιών στις φετινές εξετάσεις μαθηματικών. Η κατανομή των βαθμολογιών στις απολυτήριες εξετάσεις μαθηματικών του λυκείου ήταν πιο κοντά σε μια κανονική κατανομή, σε σύγκριση με την κατανομή των βαθμολογιών στα μαθηματικά τα τελευταία χρόνια. Αυτό δείχνει ότι οι φετινές εξετάσεις μαθηματικών είχαν υψηλό βαθμό διαφοροποίησης.

Παρόλο που η κατανομή βαθμολογιών φαίνεται χαμηλότερη από πέρυσι, η φετινή κατανομή είναι πιο κοντά στην έννοια της κανονικής κατανομής στις στατιστικές. Θεωρητικά, αυτό μπορούμε να περιμένουμε από μια τυποποιημένη εξέταση, ειδικά όταν εφαρμόζεται σε ένα μεγάλο σύνολο δεδομένων, όπως ο αριθμός των υποψηφίων που δίνουν τις απολυτήριες εξετάσεις λυκείου. Σε τέτοιες περιπτώσεις, η ιδανική κατανομή βαθμολογιών θα πρέπει να προσεγγίζει μια κανονική κατανομή. Επομένως, μπορεί να εκτιμηθεί ότι η φετινή κατανομή βαθμολογιών είναι λογική.

Ένας χαμηλότερος μέσος όρος βαθμολογίας είναι στην πραγματικότητα ένα θετικό σημάδι για την εκπαίδευση . Εάν η εξέταση είναι πολύ εύκολη και πολλοί υποψήφιοι επιτύχουν άριστες βαθμολογίες, η εξέταση θα χάσει τη λειτουργία της να ταξινομεί και να αξιολογεί τις πραγματικές ικανότητες.

Ο Δρ. Vinh δήλωσε: «Όλοι καταλαβαίνουμε ότι οι βαθμολογίες αντανακλούν την ικανότητα μόνο σε σχετικό βαθμό, αλλά η σημαντική διαφορά, όπως μεταξύ μιας βαθμολογίας 8 και μιας βαθμολογίας 3, εξακολουθεί να αντανακλά μια διαφορά στην προετοιμασία και τη νοοτροπία μάθησης. Επιπλέον, αν πάρα πολλοί μαθητές επιτύχουν άριστες βαθμολογίες, αυτό υποδηλώνει ότι η εξέταση δεν ήταν αρκετά δύσκολη για να αξιοποιήσει πλήρως τις ικανότητές τους. Αυτό δείχνει ότι ορισμένοι μαθητές θα μπορούσαν να είχαν επιτύχει υψηλότερες βαθμολογίες, 11, 12 ή ακόμα και 15 μονάδες, αν η κλίμακα βαθμολόγησης το επέτρεπε».

Επομένως, ένα πιο ομοιόμορφα κατανεμημένο εύρος βαθμολογιών, χωρίς συγκέντρωση υψηλών βαθμολογιών, μας βοηθά να ταξινομούμε καλύτερα τους υποψηφίους και τους επιτρέπει να αναδείξουν τις ικανότητές τους στο έπακρο. Αυτή είναι μια θετική πτυχή των φετινών εξετάσεων μαθηματικών και της κατανομής των βαθμολογιών.

Οι ερωτήσεις δεν πρέπει να σχεδιάζονται έτσι ώστε να απαιτούν απλώς από τους υποψηφίους να επιλέξουν μια απάντηση.

Ωστόσο, σύμφωνα με τον Δρ. Vinh, από την οπτική γωνία της Τεχνητής Νοημοσύνης, το γεγονός ότι οι ερωτήσεις μαθηματικών είναι εξ ολοκλήρου πολλαπλής επιλογής, όπως οι τρέχουσες εξετάσεις αποφοίτησης λυκείου, δεν συνάδει με τους στόχους της μαθηματικής εκπαίδευσης.

Τα τελευταία χρόνια, πολλοί ανησυχούν ότι η Τεχνητή Νοημοσύνη μπορεί να παρέχει απαντήσεις πολύ γρήγορα, αλλά δεν μπορούν να εξηγήσουν γιατί σκέφτεται με αυτόν τον τρόπο. Αυτό καθιστά την Τεχνητή Νοημοσύνη αναξιόπιστη σε τομείς που απαιτούν αυστηρή συλλογιστική. Επομένως, η τρέχουσα τάση ανάπτυξης είναι η ενσωμάτωση δυνατοτήτων συλλογισμού στην Τεχνητή Νοημοσύνη, έτσι ώστε όχι μόνο να παράγει σωστά αποτελέσματα αλλά και να εξηγεί τη διαδικασία κατάληξης σε αυτά τα συμπεράσματα.

Και αυτό δείχνει ότι η ικανότητα συλλογισμού είναι ένα μοναδικό πλεονέκτημα των ανθρώπων, σε σημείο που και η Τεχνητή Νοημοσύνη προσπαθεί να την επιτύχει.

«Επομένως, δεν υπάρχει λόγος να εγκαταλείψουμε αυτό το πλεονέκτημα. Αντιθέτως, η εκπαίδευση πρέπει να ενθαρρύνει και να αναπτύσσει δεξιότητες συλλογισμού, ειδικά μέσω εξετάσεων με βάση έκθεση», δήλωσε ο Δρ. Βιν.

Σύμφωνα με τον Δρ. Vinh, σε όλη την ιστορία των μαθηματικών, έχουμε δει ότι η διαδικασία συλλογισμού συχνά αποδίδει μεγαλύτερη αξία από το τελικό αποτέλεσμα. Η εστίαση αποκλειστικά στην απάντηση, αγνοώντας τη διαδικασία συλλογισμού, αντιβαίνει στο πνεύμα της μαθηματικής σκέψης.

Με τον τρέχοντα ρυθμό ανάπτυξής της, η Τεχνητή Νοημοσύνη αναμφίβολα θα ξεπεράσει τους ανθρώπους στην ικανότητά της να παράγει αποτελέσματα, ειδικά σε καθαρά υπολογιστικές εργασίες ή στην ανάκτηση ιστορικών δεδομένων. Ωστόσο, η Τεχνητή Νοημοσύνη δεν μπορεί να αντικαταστήσει τους ανθρώπους στην ερμηνεία και την παρουσίαση διαδικασιών λογικής σκέψης, τουλάχιστον όχι προς το παρόν.

Ο Δρ. Vinh δήλωσε: «Υποστηρίζω πλήρως την ανάπτυξη ερωτήσεων εξετάσεων βασισμένων σε δοκίμια για την αξιολόγηση των ικανοτήτων συλλογισμού και της λογικής σκέψης των μαθητών. Αυτή είναι και η προσέγγιση που εφαρμόζουμε στο BUV».

Σε πολλές από τις εξετάσεις του σχολείου, ακόμη και στο τμήμα Επιστήμης και Τεχνολογίας Υπολογιστών, έναν τομέα που μπορεί να φαίνεται ότι επικεντρώνεται αποκλειστικά σε ξηρούς υπολογισμούς, οι μαθητές όχι μόνο χρειάζεται να δώσουν απαντήσεις αλλά και να εξηγήσουν το σκεπτικό τους, είτε μέσω γραπτών εργασιών είτε μέσω παρουσιάσεων στην τάξη. Κανείς δεν επιτρέπεται να ερωτηθεί κάτι όπως «Πόσο κάνει 1 + 1;» και απλώς να γράψει «2».

Πηγή: https://thanhnien.vn/thay-doi-de-thi-toan-the-nao-trong-thoi-dai-ai-185250719210628563.htm