Использование генеративного искусственного интеллекта для формирования вычислительного мышления школьников

Материал из Поле цифровой дидактики
Версия от 17:21, 16 сентября 2023; Patarakin (обсуждение | вклад) (Новая страница: «{{Событие |Description=Е.Д. Патаракин, В.В.Буров, Д.В. Сошников, Доклад в Красноярске |has start=2023-09-19T11:20:03.000Z |has end=2023-09-19T11:45:03.000Z |color=orange |Website=Красноярск }} формирования вычислительного мышления школьников В работе рассматриваются возможности для поддержки формир...»)
(разн.) ← Предыдущая версия | Текущая версия (разн.) | Следующая версия → (разн.)


Описание события Е.Д. Патаракин, В.В.Буров, Д.В. Сошников, Доклад в Красноярске
Тип события
Начало 2023-09-19T11:20:03.000Z
Окончание 2023-09-19T11:45:03.000Z
color orange
Адрес события Красноярск
Видео запись события
Среды и средства, которые использовались в рамках события
Формируемые в рамках события компетенции
Область знаний
Местоположение
Формат реализации


формирования вычислительного мышления школьников

В работе рассматриваются возможности для поддержки формирования вычислительного мышления школьников, которые привносит генеративный искусственный интеллект на поле вычислительной дидактики. В качестве теоретической рамки в работе используется теория творческой коммуникации внутри семиосферы Ю. Лотмана и теория субъектной продуктивности С. Пейперта. Приведены примеры использования генеративного искусственного интеллекта для поддержки перевода сообщений на языки диаграмм, программ управления роботами, изображений и многоагентных моделей.

Keywords
MediaWiki, Semantic MediaWiki, Scratch, Snap!, UML, graphviz, AI-generated content

Формирование и развитие вычислительного мышления в цифровой среде исследуется достаточно активно [1,2] Поле вычислительной дидактики развивается достаточно давно и предполагает формирование у обучаемого вычислительного мышления, как способности человека использовать возможности вычислительных систем. Особенность этой области знаний подчеркивает определение вычислительного мышления, данное А. Репеннингом [3] — «синтез способностей человека и возможностей вычислительных систем». При этом вычислительная грамотность предполагает способность человека говорить с компьютерными сущностями на языке, который они понимают, обращаться к ним с запросами, которые они способны выполнить, учить их тому, чему они способны научиться. Развитие генеративного искусственного интеллекта (GenAI) серьёзно изменит требования к навыкам вычислительного мышления, и мы уже сейчас можем рассмотреть возможные изменения на примере поля вычислительной дидактики. Для изучения области вычислительной дидактики, в которой для обучаемого создаются возможности выступить в роли обучающего для обучаемого программного агента или робота, была использована площадка MediaWiki с расширением Semantic MediaWiki, которое позволяет добавлять семантические аннотации к вики-страницам, существенно расширяя возможности совместной работы не только над текстами статей, но и над совместной онтологией знаний. Экспериментальная площадка использует технологию Semantic MediaWiki и главная особенность заключается в том, что мы думаем сразу о классах статей объектов, которые относятся к определенной категории и обладают определёнными свойствами.

Вики площадка открыта для совместного использования преподавателями и студентами по адресу http://digida.mgpu.ru . Исходная онтология в среде Semantic MediaWiki предполагала взаимодействие объектов из следующих классов: понятия, языки программирования, обучающие видеоигры, датасеты, диаграммы, цифровые средства, сетевые сообщества, паттерны вычислительного мышления, стандарты, компетенции, руководства и учебные курсы. Исходно мы рассматривали вики-площадку как сообщество практики вычислительной дидактики, в котором представители естественно-научных дисциплин могли бы использовать статьи, данные, программы и диаграммы в качестве граничных объектов.

Прилагательное «вычислительный» по отношению к области знаний одними из первых предложили использовать Пейперт и Минский в своей книге о персептронах и вычислительной геометрии в 1969 году [4]. В дальнейшем эта традиция была успешно перенесена в другие области археологии, экономики, экологии, социологии и вычислительной психологии. Термин подчеркивает особенности в процессах формулировки задач, подготовки решений и способах их проверки таким образом, чтобы в этих процессах могли принимать участие и люди, и компьютеры.

Использование GenAI в образовании происходит неравномерно. Наибольший прорыв наблюдается в сфере обучения компьютерным дисциплинам. Во многом это связано с тем, что нейросеть обучали на материалах репозитория GitHub и с тем, что возможности использования искусственного интеллекта в обучении программированию исследуются достаточно давно. Среди работ последних двух лет отметим изучение способности роботов-агентов решать задачи из области информатики [5], объяснение программой ученику способа получения решений [6], создания при помощи GenAI условий для обучения вычислительному мышлению (через комиксы) [7], использование GenAI для имитации обучающего микромира, подобного известной системе генерации Boxer [8], генерация ситуаций, когда от учеников требуется умение решать задачи вместе с GenAI [9].

Особый интерес с точки зрения конструкционистского подхода к организации обучения вызывают работы, в которых осуществляется генерация текстов рассказов [10,11] и проектирование игр подобных Mario и Minecraft на основе генерации правил и объектов при помощи GenAI [12–14]. Для сравнительного анализа инструментов GenAI мы дополнили категорию цифровых инструментов Semantic MediaWiki свойством «Поддерживается ИИ» и получили возможность выделять средства, поддерживающие генерацию контента искусственным интеллектом по запросу:


Этот запрос на площадке возвращает перечень всех страниц, связанных с генерацией контента. Кейсы использования GenAI удобнее всего изучать и сравнивать на площадке в категории https://digida.mgpu.ru/index.php/Category:GenAIcase где есть все данные о каждом кейсе и приведены тексты, коды и изображения. В рамках данной статьи наибольший интерес представляют примеры, когда генеративный интеллект помогает ученику создавать новые продукты деятельности, переводя с одного способа представления информации на другие. При подборе таких примеров мы использовали в качестве теоретической рамки положение о творческом переводе Юрия Лотмана, сформулированное им в рамках концепции семиосферы – «любое устройство, претендующее на качество интеллектуальности, должно обладать таким механизмом генерации текстов, который в определенном звене не давал бы однозначной предопределенности в развертывании» [15].

Несколько примеров из категории кейсов использования возможностей генеративного искусственного интеллекта для поддержки самостоятельной творческой деятельности школьников приведены ниже:

  1. Приведи пример решения задачи на данном языке. Переведи с одного языка на другой. Проверь, улучши и прокомментируй мой код. Создай помощника для создания программ на языках блочного программирования


Создай схемы алгоритмов для образовательных роботов. Отвечай на все вопросы на языке Dot GraphViz. Предложи схему алгоритма для робота-геолога.

Сгенерируй 10 формул химических соединений для начального курса химии и объясни их значение. Создай диаграмму кристаллической структуры алмаза, используя языке Dot GraphViz

Создай иллюстрации к волшебному миру, в котором есть летающие драконы. Добавь жилища, в которых обитают жители этих мест. Добавь к жилищам обитателям, учитывая, что они варят эль. Задай правила, управляющие поведением пород агентов.

Приведи 10 примеров модификации модели Team Assembly на языке NetLogo. Предложи варианты реализации этой модели в средах блочного программирования Snap! и StarLogo Nova

Системы генеративного искусственного интеллекта рассматриваются в нашей работе как дружественные ученику средства, позволяющие ему экспериментировать и генерировать различные формы и варианты контента в зависимости от тех параметров, которые он выбирает. Эта деятельность ученика во многом напоминает учебные эксперименты с многоагентными моделями, где ученику даётся возможность выращивать различные физические, химические, биологические и социальные феномены, подбирая параметры, управляющие поведением агентов. Во всех перечисленных случаях у ученика формируется продуктивная субъектность как способность разговаривать с программными агентами, контролировать и направлять их деятельность из позиции собственной продуктивной субъектности, когда он нацелен на создание продукта собственной деятельности, а не на выполнение выполнение задач, которые для него генерирует искусственный интеллект.


Список литературы

  1. Патаракин Е.Д. Игровое поле вычислительной дидактики // Современная “цифровая” дидактика. Москва: Общество с ограниченной ответственностью “ГринПринт,” 2022. P. 35–70.
  2. Белолуцкая Анастасия К., Вачкова Светлана Н., Патаракин Евгений Д. Связь цифрового компонента обучения и развития детей дошкольного и школьного возраста: обзор исследований и международных образовательных практик // Образование И Саморазвитие. 2023. Vol. 18, № 2. P. 37–55.
  3. Repenning A., Basawapatna A.R., Escherle N.A. Principles of Computational Thinking Tools // Emerging Research, Practice, and Policy on Computational Thinking / ed. Rich P.J., Hodges C.B. Cham: Springer International Publishing, 2017. P. 291–305.
  4. Minsky M., Papert S.A. Perceptrons: An Introduction to Computational Geometry. MIT Press, 2017. 317 p.
  5. Finnie-Ansley J. et al. The Robots Are Coming: Exploring the Implications of OpenAI Codex on Introductory Programming // Proceedings of the 24th Australasian Computing Education Conference. New York, NY, USA: Association for Computing Machinery, 2022. P. 10–19.
  6. Kim C. et al. Learn, Generate, Rank, Explain: A Case Study of Visual Explanation by Generative Machine Learning // ACM Trans. Interact. Intell. Syst. 2021. Vol. 11, № 3–4. P. 23:1-23:34.
  7. Suh S., An P. Leveraging Generative Conversational AI to Develop a Creative Learning Environment for Computational Thinking // 27th International Conference on Intelligent User Interfaces. New York, NY, USA: Association for Computing Machinery, 2022. P. 73–76.
  8. Lewis C. Automatic Programming and Education // Companion Proceedings of the 6th International Conference on the Art, Science, and Engineering of Programming. New York, NY, USA: Association for Computing Machinery, 2022. P. 70–80.
  9. Jonsson M., Tholander J. Cracking the code: Co-coding with AI in creative programming education // Creativity and Cognition. New York, NY, USA: Association for Computing Machinery, 2022. P. 5–14.
  10. Wang Y. et al. Open-world Story Generation with Structured Knowledge Enhancement: A Comprehensive Survey: arXiv:2212.04634. arXiv, 2023.
  11. Trichopoulos G., Alexandridis G., Caridakis G. A Survey on Computational and Emergent Digital Storytelling // Heritage. 2023. Vol. 6, № 2. P. 1227–1263.
  12. Sudhakaran S. et al. MarioGPT: Open-Ended Text2Level Generation through Large Language Models: arXiv:2302.05981. arXiv, 2023.
  13. González-Duque M. et al. Mario Plays on a Manifold: Generating Functional Content in Latent Space through Differential Geometry // 2022 IEEE Conference on Games (CoG). IEEE, 2022. P. 385–392.
  14. Salge C. et al. Generative Design in Minecraft: Chronicle Challenge: arXiv:1905.05888. arXiv, 2019.
  15. Лотман Ю.М. Семиосфера : культура и взрыв, внутри мыслящих миров, статьи, исследования, заметки. Искусство-СПБ, 2001. 712 p.
Источник — http://digida.mgpu.ru/index.php?title=Использование_генеративного_искусственного_интеллекта_для_формирования_вычислительного_мышления_школьников&oldid=11851