Odborný článek
Digitalizace ve vzdělávání
AI vizualizace podle Philippy Hardman
5,0 (1 hodnocení)
Informace o tom, jak vnímá současné možnosti výukového využití vizualizací generovaných AI známá americká odbornice na vzdělávací technologie.
Známá cambridgeská odbornice na vzdělávací technologie dr. Philippa Hardman na vědecké úrovni zkoumající využití AI publikovala přehledný článek [1] o tom, jak lze nejnovější Google AI nástroj nazvaný Nana Banana využít na vizualizaci vzdělávacího obsahu tak, aby byl zohledněn výukový efekt. Podívejme se nejprve na to, jaké typy výukových vizualizací Philippa rozlišuje.
Klíčovým poselstvím je, že se AI dostává do stádia, kdy bude schopná plnit roli experta nejen generováním obecného grafického obsahu, ale zároveň i experta na vzdělávání. Teprve když se spojí nástroje umělé inteligence s osvědčenými mechanismy učení, výsledky se posunou od hezčího výstupu k lepšímu učení. Abychom si uvědomili skutečnou sílu umělé inteligence, musíme se nejprve soustředit na hluboké pochopení toho, jak se lidé učí, a teprve poté se ptát, zda může generativní AI pomoci s jeho posílením?
Podle Philippy je nyní nejvhodnějším nástrojem pro vzdělávací vizualizace Nana Banana. Má tyto unikátní vlastnosti:
Jen velmi nerad se zabývám konkrétními vlastnostmi jednotlivých nástrojů. Důvod je zřejmý. Vývoj je tak překotný, že za měsíc již může být vše jinak. Je skoro jisté, že zde popsanými unikátními vlastnostmi Nana Banana budou velmi rychle disponovat i jiné nástroje a možná je i překonají. Zvláště budete-li ochotni zaplatit. Nám jde hlavně o to, jak zajistit skutečný výukový přínos.
Patřím k těm, kdo se snaží v rámci snahy o názorné snižování nerovného přístupu ke vzdělání pracovat pouze s volně dostupnými zdroji (OER) a nástroji. Připojím malou ukázku toho, jak snadno lze i v tomto prostředí vizualizovat jinak obtížně vysvětlitelný problém.
Zeptal jsem se Gemini takto:
Existuje rozdíl mezi tím, jak se učí lidé a stroje?
Odpověď byla poměrně dlouhá. Řekl bych, že žák 2. stupně by možná měl problémy s pochopením. A tak jsem jí zadal z této odpovědi vytvořit vizualizaci:
Vytvoř vizualizaci efektivity dat: "Dítě vs. Superpočítač"
Tato vizualizace ukazuje rozdíl v tom, kolik příkladů je potřeba k pochopení konceptu.
Levá strana (Člověk): Malé dítě se dívá na jednu živou kočku a v bublině má symbol „kočka“. Hned vedle pozná kočku plyšovou i kreslenou.
Titulek: Few-shot Learning (Učení z mála) – Člověk si vytvoří abstraktní model (prototyp) téměř okamžitě.
Pravá strana (AI): Obrovský server, do kterého proudí tisíce fotografií koček z různých úhlů, aby na konci "blikla" zelená kontrolka „kočka“.
Titulek: Massive Data Training – AI potřebuje statistickou jistotu, nepochopí podstatu, "brute-force" hledá vzory v pixelech.
Nakonec ještě připomenu související myšlenku anglické odbornice Daisy Christodoulou, která nás varuje před příliš velkým zjednodušováním vzdělávacího procesu, které by mohlo vést až k tomu, že bude snadnější zůstat hloupý.
HARDMAN, Philippa. Beyond Infographics: How to Use Nano Banana to *Actually* Support Learning [online]. 2025. [cit. 2025-12-11]. Dostupné z: https://drphilippahardman.substack.com/p/beyond-infographics-how-to-use-nano.
Tento materiál je publikován pod licencí Creative Commons – Uveďte původ – Neužívejte komerčně – Nezpracovávejte 4.0.