Képesek-e a mesterséges intelligencia nagy, prediktív nyelvi modelljei más, magasabb minőségű tudást generálni, mint amilyent betanítóik beléjük tápláltak? „Megértik”-e a felhasználói beviteleket (hisz többnyire adekvát válaszokat adnak), vagy csak szimulálják a megértést? Ha egy középiskolai tanuló a bevitelek (tanári magyarázat, tankönyv, külső információk) alapján „megtanulja” a tananyagot, és jó válaszokat ad, akkor ő is csak szimulálja a tudást?
A válaszadás komoly akadályba ütközik, hiszen az érdemi válaszhoz nagyobb pontossággal kellene tudnunk, hogy mit is értünk tudáson, megértésen vagy akár tanuláson. A kérdés pedig messze nem akadémiai: az MI képességeinek rohamos fejlődése és mindennapjainkba való benyomulása elengedhetetlenné teszi, hogy újratervezzük a mesterséges intelligencia tudást generáló eszközei és az iskolarendszer közötti munkamegosztást.
A két nagy tudásmenedzsment-rendszer közötti feladatmegosztás körvonalai megrajzolhatók a két rendszer egymástól nagyban eltérő képességei alapján. Nyilvánvaló, hogy az MI minden adat-alapú feladat kezelésében verhetetlen, ami miatt egy sereg adminisztratív munka rábízható. Az osztályteremben vagy a nagyelőadóban elhangzó előadással szemben jelentős előnyben van a virtuális, interaktív tudásmegosztás, hiszen az előadásokat tartalmazó podcast megállítható, időtől, iskolai tértől függetlenül hallgatható, megosztható, és egy-egy speciális önszervező tanulási hálózatban meg is vitatható. A magas fokú interaktivitást biztosító MI-eszközök segítségével rákérdezhetünk az online tananyagok nem világos részleteire, kérhetünk háttér-anyagokat, ellenőriztethetjük saját munkáinkat, és a chatbotok - egyéni igényeinkhez igazodva - fáradhatatlanul válaszolnak is.
Ezzel szemben a tanároknak - a személyes interakciók lehetőségei miatt - a hagyományos szocializációs tanárszerepben, azaz a motiválásban, az érzelmi ráhatásban, a csoportépítésben vannak a gépnél hatásosabb eszközeik. A tanári adminisztratív munka és a rutinszerű tudásközlő feladatok átadása nyomán pedig megnyílhat a lehetőség, hogy több idő jusson a specifikusan humán feladatokra.
Az eredményes munkamegosztás menedzselésének persze elengedhetetlen feltétele, hogy elegendő ismeretünk legyen a két nagy alrendszer tulajdonságairól. Az MI esetében a szakemberek a mesterséges intelligencia algoritmusai által kifejlesztett programokat három nagy csoportba sorolják. Az elsőbe tartoznak azok a csetelő programok, amelyek egy átlagos érettségizett műveltségi szintjét és feladatmegoldó képességét érik el. Ezekkel – például a chatGPT-vel, a Binggel és a Barddal - találkozik az átlagos felhasználó, és ezek egyre gyakrabban teljesítenek az átlagot jóval meghaladó szinten is. Ráadásul amióta a Bing és a Bard esetében a szöveggeneráló és kereső képességet integrálták, megbízhatóságuk foka is nagyban megnőtt.
A második csoportba tartoznak azok a programok, amelyek csak egyetlen szűk területen teljesítenek, de azon a legkiemelkedőbb emberi produktumokat is magasan felülmúlják. Ilyenek a bonyolult szabályokon alapuló játékok (emlékszünk, hogyan kapott ki a számítógéptől a sakk és a go világbajnoka), vagy ilyenek azok a programok, amelyek nagy gyógyászati adatbázisok gyors és pontos kiértékelésében múlják felül a legjobb szakorvosokat is.
Végül a harmadik (még a fejlesztés stádiumában lévő) szintet általános mesterséges intelligenciának (Artificial general intelligence, AGI) nevezték el. Ezen a szinten a gép minden területen képes minden emberi teljesítményt meghaladni. (Vannak olyan kutatók, akik azt mondják: ha a chatbotok képesek megoldani olyan újszerű feladatokat is, amelyekre nem voltak betanítva, és képesek szöveges utasítások alapján rajzolni, programozni, zenét szerezni, akkor már tulajdonképpen közel állnak a harmadik fokozathoz.)
A tanulási alrendszert a különböző intézmények és személyek közötti bonyolult hálózatok alkotják. Működéséhez el kell tervezni a tanórákat, az órarendeket, a vizsgarendet, a terembeosztásokat, a szüneteket, a helyettesítéseket. Létre kell hozni országos érvényű tanterveket, ezeket össze kell hangolni a helyi és egyéni igényekkel. Ki kell találni az iskolai és az otthoni tanulási tevékenységek viszonyát, tartalmát, az állami, egyházi és magán intézmények, az üzleti alapú továbbképző intézmények működési rendjét. Szembe kell nézni az MI kihívásaival. Össze kell gyűjteni és rendszerezni a minőség-ellenőrzések eredményeit, ezeket vissza kell csatolni a tanárképzésbe és továbbképzésbe. Ki kell tűzni az oktatáskutatás stratégiai irányait, el kell tervezni a munkaerőpiaci szükségletekhez való igazodás mikéntjét, az általános és a szakmai tartalmak arányait, és fel kell becsülni a nemzetgazdaság tudásszükségletét. Ezek a tevékenységek viszont olyan hatalmas adatfeldolgozó, tervezői, minőség-ellenőrzői, kutatói, koordináló kapacitást igényelnek, amivel az oktatásirányító intézmények általában nem szoktak rendelkezni.
Ebben a helyzetben segítségül lehetne hívni magát a mesterséges intelligenciát. Lássunk el például egy hologramos avatárt harmadik típusú mesterséges intelligenciával. Ültessük be „őt” az oktatáspolitika kulcsfontosságú vezetői helyére, és bocsássunk rendelkezésére egy speciálisan a tanulási alrendszerre trenírozott, nagy prediktív nyelvi modellt. Miután az MI-vel folytatott kísérletezések azt mutatták, hogy a világ csupán nyelvi adatokból is felépíthető, avatárunktól joggal várhatjuk el, hogy képes lesz a bonyolult alrendszer adatai közötti összefüggés elemzését elvégezni, a rendszer elemeinek belső dinamikáját összehangolni, és mindezek nyomán hatékony oktatáspolitikát megvalósítani.
Ehhez azonban avatárunkat megfelelő hatalommal is fel kell ruházni. De mielőtt ezt megtennénk, gondoljuk át, hogy mi történne akkor, ha avatárunk hirtelen felindulásból megteremtői ellen fordítaná a tőlük frissen megkapott hatalmát.
—
A cikkben megjelenő vélemények nem feltétlenül tükrözik szerkesztőségünk álláspontját. Lapunk fenntartja magának a jogot a beérkező írások szerkesztésére, rövidítésére.