Konieczna transformacja nie tylko akademickiego kształcenia

 

W świetle Raportu OECD przyszłość edukacji uniwersyteckiej nie jest zagrożona, ale wymaga głębokiej transformacji. Szkolnictwo wyższe jest kluczowe dla rozwoju gospodarczego i społecznego, toteż musi się przekształcić z modelu: 

sztywnych, wieloletnich programów studiów na elastyczne, modułowe, spersonalizowane ścieżki uczenia się przez całe życie; 

z izolowania się od przemysłu i sfery publicznej na  głębokie partnerstwa badawcze i edukacyjne z biznesem i społeczeństwem, a nie cyniczną i populistyczną władzą polityczną; 

z nauczania statycznych umiejętności na rozwijanie zdolności krytycznych, kreatywnych, permanentnego studiowania, a nie głównie dla pozyskania dyplomu;  

z koncentracji wyłącznie na wiedzy na rozwijanie kompetencji przyszłości, czyli korzystania, tworzenia  i współkreowania sztucznej inteligencji z uwzględnieniem granic humanum i jego życiowej przestrzeni.    

Jak podkreśla się w raporcie, innowacja w systemie szkolnictwa wyższego kraju i zapewnienie długoterminowego zrównoważonego sektora jest fundamentalne dla rozwijającej się gospodarki narodowej i społeczeństwa. Uniwersytety, które zrealizują tę transformację, będą kluczowymi graczami w kształtowaniu przyszłości pracy, zdrowia, kultury i wykształcenia. Te zaś, które nie zdołają się przystosować, ryzykują marginalizację w świecie, gdzie alternatywni kreatorzy edukacji, jakimi są firmy technologiczne , coraz aktywniej certyfikują potrzebne umiejętności i kompetencje. 

Na podstawie raportu QS World Future Skills Index oraz obecnych trendów w obszarze AI, proponuje się nową, wielowymiarową taksonomię celów kształcenia adekwatną do ery sztucznej inteligencji:

I. META-KOGNITYWNA WARSTWA FUNDAMENTALNA

1. Meta-uczenie się (Learning to Learn)

W uzasadnieniu podkreśla się: "Adaptive Lifelong Skills" jako kluczową kategorię - w świecie, gdzie umiejętności AI wzrosną o 200% w ciągu kilku lat, toteż najważniejsza jest zdolność do ciągłego przyswajania nowych kompetencji".

Cele edukacyjne:

• rozwijanie samoświadomości procesów poznawczych
• umiejętność identyfikowania luk kompetencyjnych i planowania własnej ścieżki rozwoju
• opanowanie różnych strategii uczenia się (uczenie przez doświadczenie, oparte na współpracy w zespole, autoedukacja)
• zdolność do szybkiego korzystania z różnych dziedzin wiedzy. 

W praktyce akademickiej powinno to przekładać się na:

• regularną autorefleksję studentów dotyczącą tego "jak się uczą", a nie tylko tego "czego się uczą"; 
• tworzenie portfolio własnych kompetencji, które będą aktualizowane przez cały okres studiowania; 
• realizowanie projektów, które wymagają nauki nowych narzędzi/technologii w krótkim czasie.

2. Edukacja cyfrowa oraz krytyczna ocena informacji, wiedzy i wyników badań naukowych

W erze generatywnej AI kluczowa jest umiejętność rozróżniania prawdy od fałszu, faktów od generowanych narracji.

Cele edukacyjne:

• rozumienie ograniczeń i stronniczości AI;
• weryfikacja źródeł informacji w świecie content farmu i deepfakes; 
• krytyczna analiza output'ów generowanych przez AI;
• rozumienie, kiedy AI może być pomocne, a kiedy wprowadza w błąd. 

II. KOMPETENCJE UNIQUELY HUMAN

3. Rozwój inteligencji emocjonalnej i społecznej (Human-Centred Leadership)

Kategoria "Human-Centred Leadership" zyskuje w tym modelu wysokie znaczenie, szczególnie w kontekście pracy w zespołach hybrydowych (ludzie + AI).

Cele edukacyjne:

• uwrażliwianie w toku edukacji na empatię i rozumienia kontekstu społecznego, czego AI nie potrafi;
• umiejętność budowania zaufania i relacji międzyludzkich; 
• kompetencje w zakresie negocjacji i rozwiązywania konfliktów w środowisku wielokulturowym, zróżnicowanym światopoglądowo;
• przywództwo oparte na wartościach, a nie przede wszystkim na efektywności.

Takie podejście do edukacji jest kluczowe właśnie ze względu na XXI wiek (stulecie AI):

• AI może analizować dane, ale nie rozumie niuansów ludzkich relacji; 
• praca zespołowa human-AI wymaga wysokiej inteligencji emocjonalnej;
• decyzje etyczne i społeczne wykraczają poza możliwości algorytmów.

4. Kreatywność i innowacyjne myślenie

 Raport zawiera uzasadnienie: "Entrepreneurial & Innovative Mindset" wskazując na jedną z czterech kluczowych kategorii, a zarazem podkreślając, że kreatywność to umiejętność konieczna w procesie kreowania sensów (top 5 AI skills growing in relevancy).

Wprowadza się nową typologię kreatywności w erze AI: 

• Kreatywność kombinatoryczna - łączenie pomysłów z różnych domen;
• Kreatywność proceduralna - projektowanie systemów i procesów; 
• Kreatywność strategiczna - definiowanie problemów do rozwiązania a nie tylko ich rozwiązywanie;
• Co-kreatywność z AI - wykorzystanie AI jako narzędzia rozszerzającego ludzką kreatywność.

W kształceniu akademickim:

• studenci powinni tworzyć projekty nieistniejące jeszcze na rynku; 
• nabyć umiejętność redefinowania problemów zamiast przyjmowania ich jako gotowych, ostatecznie rozwiązanych;  
• doświadczać tolerancji wobec niepewności i eksperymentowania.

III. KOMPETENCJE WSPÓŁPRACY HUMAN-AI

5. Prompt Engineering i AI Literacy

Autorzy raportu uważają, że konieczny będzie dwustuprocentowy wzrost zapotrzebowania na umiejętności AI, które nie dotyczą tylko programowania, ale dla pozostałej większości umiejętności efektywnej komunikacji z AI.

Cele edukacyjne:

• opanowanie prompt engineering - sztuki formułowania zapytań do AI;
• rozumienie możliwości i ograniczeń różnych modeli AI;
• rozwijanie umiejętności walidacji i weryfikacji output'ów AI;
• etyczne zastosowanie AI (samoświadomość zasadności korzystania z AI)

Poziomy kompetencji:

• podstawowy poziom dotyczy użytkowania AI jako narzędzia wspomagającego uczenie się i rozwój indywidualny; 
• średniozaawansowany to integracja AI w złożoną zmienność własnej pracy, aktywności; 
• zaawansowany- to projektowanie systemów human-AI collaboration.

6. Computational Thinking + Data Literacy

W świetle raportu: "Digital" to jedna z trzech kluczowych kategorii future skills (wraz z AI i Green).

Cele edukacyjne:

• rozumienie logiki algorytmicznej bez konieczności bycia programistą;
• data storytelling, czyli uwzględnienie danych w podejmowanych decyzjach i narracjach; 
• rozumienie bias w danych i modelach; 
• umiejętność formułowania weryfikowalnych problemów.  

W edukacji akademickiej:

• każdy student, niezależnie od kierunku kształcenia, powinien rozumieć podstawy działania algorytmów;
• uczestniczyć w projektach interdyscyplinarnych, które łączą humanistykę/nauki społeczne z data science;

IV. KOMPETENCJE ETYCZNE I ZRÓWNOWAŻONE

7. Etyka AI i odpowiedzialność technologiczna

W uzasadnieniu wymienia się w raporcie czwartą a kluczową kategorię - "Sustainable & Ethical Workforce", podkreślając znaczenie etyki i odpowiedzialności społecznej (social responsibility).

Cele edukacyjne:

• rozumienie implikacji etycznych automatyzacji i AI;
• zdolność do przewidywania niezamierzonych konsekwencji technologii;
• podejmowanie decyzji uwzględniających różnorodność i inkluzywność; 
• odpowiedzialność za długoterminowy wpływ decyzji technologicznych.

Zachęca się do rozważenia w procesie kształcenia następujących dylematów:

• Kto odnosi korzyści z danej technologii, a kto ponosi koszty?
• Jakie są długoterminowe konsekwencje społeczne AI?
• Czy AI pogłębia czy zmniejsza nierówności?

8. Równoważoność i myślenie systemowe (Green Skills)

Raport przewiduje 24 miliony nowych miejsc pracy do 2030 roku a dotyczących ochrony środowiska. Nastąpi w tym zakresie wzrost zapotrzebowania na green skills (o 230 proc.). 

Cele edukacyjne:

• rozumienie złożonych systemów i wzajemnych zależności między technologią, gospodarką a codziennym światem życia; 
• myślenie w długoterminowych perspektywach;
• umiejętność równoważenia celów ekonomicznych, społecznych i środowiskowych;
• projektowanie rozwiązań regeneratywnych, a nie tylko zrównoważonych.

V. KOMPETENCJE ADAPTACYJNE I KONTEKSTOWE

9. Adaptacyjność poznawcza i elastyczność ("Reliance and flexibility")

jako kluczowe umiejętności w kategorii Adaptive Lifelong Skills.

Cele edukacyjne:

• utrzymanie dobrostanu w sytuacjach niepewności; 
• zdolność do zmiany perspektywy i rekonstruowania problemów;
• rezyliencja - odporność na porażki i szybkie odzyskiwanie równowagi; 
• transfer uczenia się  - przenoszenie umiejętności między kontekstami w tym procesie. 

Zastosowanie w edukacji:

• realizacja projektów z otwartymi odpowiedziami i wieloma możliwymi rozwiązaniami;
• symulacje kryzysu i nieprzewidywalnych zmian;
• włączanie problematyki z innych dziedzin niż własny kierunek studiów.

10. Zdolności transdyscyplinarne i integracyjne

Raport wielokrotnie podkreśla znaczenie partnerstwa i interdyscyplinarności (partnerships i multidisciplinary approaches) 

Cele edukacyjne:

• umiejętność komunikacji między dyscyplinami nauk;
• synteza perspektyw z różnych dziedzin wiedzy; 
• współpraca w heterogenicznych zespołach; 
• rozumienie common ground między dyscyplinami.

 (tłumaczenie AI-claude.com)

 cdn.