Zpráva o vývoji metodiky převrácené třídy z pohledu jednoho z jejích průkopníků Jona Bergmanna.
Pomalu to bude 20 let, co se začala ve výuce šířit metodika převrácené třídy. Snaha o to, aby každý žák dospěl k maximu svých možností, je ještě starší (mastery learning). Asi nikoho nepřekvapí, že současný boom AI má vliv i na metodiku převrácené třídy. Jeden z prvních průkopníků využití této metody v praxi amerických středních škol, Jon Bergmann, označuje současný posun kombinující oba pojmy za „mastery flip“ (převrácené mistrovství). Podívejme se, jak to myslí. [1]
Jon tvrdí, že „AI zavádí nové vzdělávací paradigma“. Snaží se maximalizovat její přínos a minimalizovat škody. Jeho převrácené mistrovství stojí na třech pilířích.
AI agent (posilování nezávislého prostoru) Umělá inteligence může studentům pomoci při práci z domova v tom, co učitelé aplikující převrácenou třídu často označují jako nezávislý (mimoškolní) prostor. Jon si představuje, že v blízké budoucnosti budeme mít k dispozici učitelem řízené agenty s funkcí lektorů, kteří budou vyškoleni k tomu, aby žákům kladli otázky, spíše než aby jim poskytovali odpovědi, a které lze naprogramovat tak, aby používali hlas, styl a preference učitele (kognitivní dvojče). Názory na to, zda je vhodné, aby AI agent napodoboval právě toho učitele, kterého mají žáci ve třídě, nejsou jednotné, Jon je ale pro. Používá aplikaci Skylow.AI, která dokáže z mimoškolního studia výukového videa udělat personalizovanou aktivitu podporovanou agentem-učitelem, který napodobuje toho skutečného. Taková výuka v duchu převrácené třídy přenáší výklad do mimoškolního prostředí, ale v něčem se zásadně liší. AI agent se chová jako individuální tutor (Bloomův 2 sigma problém).
Analogové kořeny (kotva učení) Dostupnost umělé inteligence a způsob, jakým ji lze využít ke generování výstupů, činí práci učitele s žáky během výuky ještě důležitější než kdykoli předtím. Proto Jonův současný přístup upřednostňuje používat na podporu učení více technologií mimo výuku, a během ní se více soustředit na kognitivní práci s žáky. Jon říká: „Moje výuka je čím dál méně digitální.“ Umí si však představit přínos dobře navržených AI lektorů i přímo ve výuce za předpokladu, že je zaveden správný dohled a AI podporuje produktivní úsilí žáků, spíše než aby jim dávala všechny odpovědi. Současné AI modely (LLM) byly navrženy pro byznys a pro efektivitu, nikoli pro vzdělávání. Produktivní úsilí v nich není zabudováno, takže potřebujeme něco, co je cíleně vyvíjeno pro vzdělávání a je schopno rozvíjet dětské myšlení. Naším cílem musí být, aby žáci sami pracovali, bojovali, přemýšleli a nakonec dosahovali pokroku ve svém učení.
Lidská kontrola (ověřování kognitivní cesty) Mnoho učitelů si dosud neuvědomuje, jakým způsobem AI zásadně změnila to, jak by mělo vypadat ověřování výukových výsledků. Třeba tradiční zadávání písemných výzkumných prací už je nefunkční. Stačí požádat AI, a za pár vteřin je hotová. Proto musí učitelé vytvářet taková zadání, která zajistí, že žáci, a ne nějaký AI chatbot, látku skutečně prostudují a přemýšlejí o ní. Jon ve fyzice realizuje např. takovýto projekt. Úkolem je postavit jednoduchý trebuchet, středověkou zbraň typu katapultu. Nejde ale jen o teorii, žáci musí stroj skutečně vyrobit a vyzkoušet na školním hřišti. Je celkem nepodstatné, zda při přípravě použijí AI, na závěr musí u tabule nakreslit schéma a vysvětlit fyzikální podstatu funkce tohoto zařízení. Jen tak lze zajistit, aby žáci nepřenechávali znalosti a kritické myšlení AI (kognitivní odlehčení), což se podle Jona děje až příliš často.
Rizika využití AI ve vzdělávání jsou značná. AI umožňuje dospět k výsledkům s mnohem menším úsilím než bez ní. Zdá se, že se najde hodně žáků, kteří ji budou chtít použít k usnadnění práce. To ale znamená přenechat myšlení strojům a vede to k mnohem obtížnějšímu budoucímu uplatnění v životě. Proto je třeba aplikovat AI velmi obezřetně. Jonovo převrácené mistrovství je jednou z možných správných cest.
