ChatGPT во благо. О возможностях и проблемах больших языковых моделей для образования

Перевод статьи ChatGPT for good On opportunities and challenges of large language models for education

Познакомиться и научиться применять искусственный интеллект в образовании можно на курсе Применение искусственного интеллекта в образовании

Авторы:

Энкелейда Каснеджи, Катрин Сесслер, Стефан Кюхеманн, Мария Баннерт, Дарина Дементьева, Фрэнк Фишер, Урс Гассер, Георг Грох, Стефан Гюннеманн, Эйке Хюллермайер, Стефа Круше, Гитта Кутинёк, Тилман Михаэли, Клаудия Нердель, Юрген Пфеффер, Александра Поке, Майкл Сайлер,Альбрехт Шмидт, Тина Зайдель ,Матиас Стадлер, Йохен Веллер, Йохен Кун, Гьерджи Каснечи

Основные моменты

• Текущие исследования и приложения больших языковых моделей в образовании

Возможности и проблемы, связанные с использованием языковых моделей в образовании с точки зрения учителя и ученика

• Возможности использования больших языковых моделей для инновационных образовательных технологий

• Ключевые проблемы, риски и стратегии их смягчения, связанные с применением моделей большого языка в образовании

• Дополнительные вопросы и обсуждение, связанные с пользовательскими интерфейсами, честным доступом, этичным и ответственным использованием таких технологий

Аннотация 

Большие языковые модели представляют собой значительный прогресс в области ИИ. Базовая технология является ключом к дальнейшим инновациям, и, несмотря на критические взгляды и даже запреты в сообществах и регионах, большие языковые модели никуда не денутся. В этом комментарии представлены потенциальные преимущества и проблемы образовательных приложений больших языковых моделей с точки зрения учащихся и учителей. Мы кратко обсудим текущее состояние больших языковых моделей и их приложений. Затем мы расскажем, как эти модели можно использовать для создания образовательного контента, повышения вовлеченности и взаимодействия учащихся, а также персонализации учебного процесса. Что касается проблем, мы утверждаем, что большие языковые модели в образовании требуют от учителей и учащихся развития набора компетенций и грамотности, необходимых как для понимания технологии, так и для понимания их ограничений и неожиданной хрупкости таких систем. Кроме того, четкая стратегия в рамках образовательных систем и четкий педагогический подход с упором на критическое мышление и стратегии проверки фактов необходимы для интеграции и полного использования больших языковых моделей в условиях обучения и учебных программах. Другие проблемы, такие как потенциальная систематическая ошибка в результатах, необходимость постоянного человеческого контроля и возможность неправильного использования, не являются уникальными для применения ИИ в образовании. Но мы считаем, что при разумном подходе к этим проблемам можно получить информацию и возможности в образовательных сценариях, чтобы на раннем этапе познакомить учащихся с потенциальными социальными предубеждениями, критическими моментами и рисками применения ИИ.

1.   Введение

Большие языковые модели, такие как генеративная предварительно обученная модель Transformer (GPT-3) (Floridi & Chiriatti, 2020), в последние годы достигли значительных успехов в обработке естественного языка (NLP). Эти модели обучаются на огромных объемах текстовых данных и способны генерировать человекоподобный текст, отвечать на вопросы и выполнять другие задачи, связанные с языком, с высокой точностью.

Одним из ключевых достижений в этой области является использование архитектур трансформаторов (Devlin et al., 2018, Tay et al., 2022) и лежащего в их основе механизма внимания (Vaswani et al., 2017), которые значительно улучшили способность языковых моделей обрабатывать дальние де-ференции в естественно-языковых текстах. Более конкретно, архитектура трансформатора, представленная в Vaswani et al. (2017), использует механизм самовнимания для определения релевантности различных частей входных данных при генерации предсказаний. Это позволяет модели лучше понимать взаимосвязи между словами в предложении, независимо от их положения.

Другой важной разработкой является использование предварительного обучения, когда языковая модель сначала обучается на большом наборе данных, а затем дорабатывается для конкретной задачи. Это оказалось эффективной методикой для повышения производительности при решении широкого круга языковых задач (Min et al., 2021). Например, Bidirectional Encoder Representations from Transformers (или сокращенно BERT) (Devlin et al., 2018) — это предварительно обученная модель кодера на основе трансформаторов, которую можно точно настроить на различных задачах НЛП, таких как классификация предложений, ответы на вопросы и распознавание именованных сущностей. Фактически, так называемая способность больших языковых моделей к обучению в несколько приемов эффективно адаптироваться к последующим задачам или даже к другим, казалось бы, несвязанным задачам (например, как в трансферном обучении) была эмпирически замечена и изучена для различных задач естественного языка (Brown et al., 2020), например, недавно в контексте генерации синтетических и в то же время реалистичных гетерогенных табличных данных (Bor- isov et al., 2022).

К последним достижениям также относится ChatGPT (Team, 2022), который был обучен на гораздо большем наборе данных, т.е. на текстах из очень большого веб-корпуса, и продемонстрировал современную производительность на широком спектре задач на естественном языке, начиная от перевода и заканчивая ответами на вопросы, написанием связных эссе и компьютерных программ. Кроме того, были проведены обширные исследования по тонкой настройке этих моделей на небольших наборах данных и применению трансферного обучения для решения новых задач. Это позволяет повысить производительность при решении конкретных задач с меньшим объемом данных.

Хотя большие языковые модели достигли больших успехов в последние годы, все еще существует множество ограничений, которые необходимо устранить. Одним из основных ограничений является отсутствие интерпретируемости, поскольку трудно понять причины, стоящие за предсказаниями модели. Существуют и этические соображения, такие как опасения по поводу предвзятости и влияния этих моделей, например, на занятость, риск неправильного использования и неадекватного или неэтичного внедрения, потеря целостности и многое другое. В целом, большие языковые модели будут продолжать расширять границы возможного в обработке естественного языка. Однако предстоит еще много работы по устранению их ограничений и связанных с ними этических соображений.

  1. 1.1.   Возможности для обучения

Использование больших языковых моделей в образовании было определено как потенциальная область интереса в связи с разнообразным спектром их применения. Благодаря использованию этих моделей можно улучшить процесс обучения и преподавания для людей на всех уровнях образования, включая начальное, среднее, высшее и профессиональное. Более того, поскольку каждый человек имеет уникальные предпочтения, способности и потребности в обучении, большие языковые модели предоставляют уникальную возможность обеспечить персонализированный и эффективный опыт обучения.

Для учащихся начальной школы большие языковые модели могут помочь в развитии навыков чтения и письма (например, предлагая синтаксические и грамматические исправления), а также в развитии стиля письма и навыков критического мышления. Эти модели можно использовать для создания вопросов и подсказок, которые побуждают учащихся критически осмысливать прочитанное и написанное, анализировать и интерпретировать представленную им информацию. Кроме того, большие языковые модели могут также помочь в развитии навыков понимания прочитанного, предоставляя учащимся резюме и объяснения сложных текстов, что может облегчить чтение и понимание материала.

Для учащихся средних и старших классов большие языковые модели могут помочь в изучении языка и стилей письма по различным предметам и темам, например, математике, физике, языку и литературе и другим предметам. Эти модели можно использовать для составления практических задач и тестов, что может помочь учащимся лучше понять, контекстуализировать и запомнить изучаемый материал. Кроме того, большие языковые модели могут помочь в развитии навыков решения проблем, предоставляя учащимся объяснения, пошаговые решения и интересные сопутствующие вопросы к проблемам, что может помочь им понять обоснование решений и развить аналитическое и нестандартное мышление.

Для студентов университетов большие языковые модели могут помочь в выполнении исследовательских и письменных заданий, а также в развитии критического мышления и навыков решения проблем. Эти модели можно использовать для создания резюме и конспектов текстов, что может помочь студентам быстро понять основные моменты текста и организовать свои мысли для написания. Кроме того, большие языковые модели могут также помочь в развитии исследовательских навыков, предоставляя учащимся информацию и ресурсы по определенной теме и намекая на неизученные аспекты и текущие темы исследований, что может помочь им лучше понять и проанализировать материал.

Для группового и дистанционного обучения большие языковые модели могут быть использованы для содействия групповым дискуссиям и дебатам путем предоставления структуры дискуссии, обратной связи в реальном времени и персонализированного руководства для учащихся во время обсуждения. Это может помочь улучшить вовлеченность и участие учащихся. В совместной письменной деятельности, когда несколько учащихся работают вместе над написанием документа или проекта, языковые модели могут помочь, предоставляя предложения по стилю и редактированию, а также другие интегрированные функции совместного написания. В исследовательских целях такие модели могут использоваться для определения круга открытых исследовательских вопросов в связи с уже изученными темами и автоматического распределения вопросов и тем между членами команды. Для целей дистанционного обучения они могут использоваться для автоматической генерации вопросов и предоставления практических задач, объяснений и оценок, адаптированных к уровню знаний учащихся, чтобы они могли учиться в своем собственном темпе.

Для расширения возможностей учащихся с ограниченными возможностями большие языковые модели могут использоваться в сочетании с решениями «речь в текст» или «текст в речь» для помощи людям с нарушениями зрения. В сочетании с ранее упомянутыми возможностями группового и удаленного репетиторства, языковые модели могут быть использованы для разработки инклюзивных стратегий обучения с адекватной поддержкой в таких задачах, как адаптивное письмо, перевод и выделение важного контента в различных форматах. Однако важно отметить, что использование больших языковых моделей должно сопровождаться помощью профессионалов, таких как логопеды, педагоги и другие специалисты, которые могут адаптировать технологию к конкретным потребностям обучающегося с ограниченными возможностями.

Для профессионального обучения большие языковые модели могут помочь в развитии языковых навыков, характерных для конкретной сферы деятельности. Они также могут помочь в развитии таких навыков, как программирование, написание отчетов, управление проектами, принятие решений и решение проблем. Например, большие языковые модели могут быть отлажены на корпусе данных по конкретной области (например, юридической, медицинской, ИТ), чтобы генерировать язык, специфичный для данной области, и помогать учащимся в написании технических отчетов, юридических документов, медицинских карт и т.д.. Они также могут генерировать вопросы и подсказки, которые побуждают учащихся критически осмысливать свою работу, анализировать и интерпретировать представленную им информацию.

В заключение следует отметить, что большие языковые модели способны обеспечить широкий спектр преимуществ и возможностей для учащихся и специалистов на всех этапах обучения. Они могут помочь в развитии навыков чтения, письма, математики, науки и языка, а также предоставить учащимся персонализированные материалы для практики, резюме и объяснения, что может помочь улучшить успеваемость и способствовать повышению качества обучения. Кроме того, большие языковые модели могут также помочь в проведении исследований, составлении письменных работ и решении задач, а также предоставить языковые навыки, специфичные для конкретной области, и другие навыки для профессионального обучения. Однако, как уже говорилось ранее, использовать эти модели следует с осторожностью, поскольку они также имеют ограничения, такие как отсутствие взаимопретенциозности и возможность предвзятости, неожиданная хрупкость при выполнении относительно простых задач (Magazine, 2022), которые необходимо устранить.

  1. 1.2.   Возможности для преподавания

Большие языковые модели, такие как ChatGPT, способны совершить революцию в преподавании и помочь в процессе обучения. Ниже мы приводим лишь несколько примеров того, как эти модели могут принести пользу учителям:

Для персонализированного обучения преподаватели могут использовать большие языковые модели для создания персонализированного учебного опыта для своих учеников. Эти

Модели могут анализировать письменные работы и ответы учеников, предоставлять индивидуальную обратную связь и предлагать материалы, соответствующие конкретным потребностям ученика в обучении. Такая поддержка может сэкономить время и усилия учителей на создание персонализированных материалов и обратной связи, а также позволит им сосредоточиться на других аспектах преподавания, таких как создание увлекательных и интерактивных уроков.

Для планирования уроков большие языковые модели также могут помочь учителям в создании (инклюзивных) планов уроков и мероприятий. Преподаватели могут ввести в модели корпус документов, на основе которых они хотят построить курс. Результатом может быть учебный план курса с кратким описанием каждой темы. Языковые модели также могут генерировать вопросы и подсказки, которые стимулируют участие людей с разным уровнем знаний и способностей, а также вызывают критическое мышление и решение проблем. Более того, их можно использовать для создания целевых и персонализированных практических задач и тестов, которые помогут убедиться, что учащиеся усвоили материал.

Для изучения языка преподаватели языковых классов могут использовать большие языковые модели в качестве вспомогательного средства, например, для выделения важных фрагментов, составления резюме и перевода, объяснения грамматики и лексики, предложения грамматических или стилистических улучшений и помощи в разговорной практике. Языковые модели также могут предоставить учителям адаптивные и персонализированные средства для помощи учащимся в изучении языка, что может сделать изучение языка более увлекательным и эффективным для учащихся.

Для исследовательской и письменной работы большие языковые модели могут помочь преподавателям университетских и школьных классов более эффективно и результативно выполнять исследовательские и письменные задания (например, при работе на семинарах, написании рефератов и обратной связи учащимся). Самая основная помощь может быть оказана на синтаксическом уровне, т.е. выявление и исправление опечаток. На семантическом уровне большие языковые модели могут быть использованы для выделения (потенциальных) грамматических несоответствий и предложения адекватных и персонализированных стратегий улучшения. Далее, эти модели могут быть использованы для выявления возможностей улучшения стиля в зависимости от темы. Они также могут быть использованы для создания резюме и конспектов сложных текстов, что может помочь учителям и исследователям выделить основные моменты текста таким образом, чтобы это было полезно для дальнейшего глубокого погружения и понимания рассматриваемого содержания.

Для профессионального развития большие языковые модели также могут помочь учителям, предоставляя им ресурсы, резюме и примеры новых методик, технологий и материалов. Это может помочь учителям оставаться в курсе последних разработок и методик в области образования и способствовать повышению эффективности их преподавания. Их можно использовать для повышения четкости преподавательских материалов, поиска информации или ресурсов, которые могут понадобиться специалистам в процессе обучения на рабочем месте, а также использовать для учебных модулей на рабочем месте, требующих навыков презентации и общения.

Для оценки и анализа преподаватели могут использовать большие языковые модели для полуавтоматического оценивания работ учащихся, выделяя потенциальные сильные и слабые стороны работы, например, эссе, исследовательских работ и других письменных заданий. Это может сэкономить учителям значительное количество времени на выполнение задач, связанных с индивидуальной обратной связью с учащимися. Кроме того, большие языковые модели можно использовать для проверки на плагиат, что может помочь предотвратить списывание. Таким образом, большие языковые модели могут помочь учителям определить области, в которых учащиеся испытывают трудности, что позволяет более точно оценить уровень развития и проблемы в обучении учащихся. Целевое обучение, предоставляемое моделями, может быть использовано для того, чтобы помочь учащимся добиться успехов и предоставить возможности для дальнейшего развития.

Знакомство учащихся с проблемами ИИ, связанными с потенциальной предвзятостью результатов, необходимостью постоянного человеческого контроля и возможностью неправильного использования больших языковых моделей, не является уникальным для образования. Фактически, эти проблемы присущи трансформационным цифровым технологиям. Поэтому мы считаем, что при разумном подходе со стороны преподавателя эти проблемы могут быть полезны в сценариях обучения и воспитания, чтобы рано познакомить учащихся с потенциальными предубеждениями общества и рисками применения ИИ.

В заключение следует отметить, что большие языковые модели имеют потенциал для революционного преобразования преподавания с точки зрения учителя, предоставляя учителям широкий спектр инструментов и ресурсов, которые могут помочь в планировании уроков, создании персонализированного контента, дифференциации и персонализированной ин- струкции, оценке и профессиональном развитии. В целом, большие языковые модели имеют потенциал стать мощным инструментом в образовании, и в настоящее время ведется ряд исследований, направленных на изучение возможностей их применения в этой области.

2.   Современные исследования и применение языковых моделей в образовании

В последние годы было разработано несколько больших языковых моделей, включая GPT (Radford et al., 2018), BERT (Devlin et al., 2018), XLNet (Yang et al., 2019), T5 (Raffel et al., 2020), RoBERTa (Liu et al., 2019) и наиболее широко используемую GPT-3 (Floridi & Chiriatti, 2020; Scao et al., 2022). Эти модели основаны на архитектуре трансформаторов и были предварительно обучены на огромных массивах данных текста для создания человекоподобного текста, ответов на вопросы, помощи в переводе и обобщении, а также для выполнения многих задач НЛП с помощью единого конвейера предварительного обучения и тонкой настройки. BLOOM — последнее пополнение этого семейства, разработанное сообществом BigScience и выпущенное в качестве проекта с открытым исходным кодом. Это прозрачно обучаемая многоязычная языковая модель, явно рассчитанная на 46 естественных языков и 13 языков программирования (Scao et al., 2022). Эти разработки знаменуют собой важные вехи в области НЛП и открывают огромные возможности для применения в исследовательских и промышленных контекстах. Мы ожидаем, что будущие достижения в области НЛП, и в частности большие языковые модели, приведут к еще большему расширению возможностей языковых моделей, что подчеркивает необходимость изучения их потенциального применения в образовании.

Далее мы приводим обзор исследовательских работ, использующих большие языковые модели в образовании, которые были опубликованы с момента выпуска первой большой языковой модели в 2018 году. Далее эти исследования рассматриваются в соответствии с их целевыми группами, т.е. учащимися или преподавателями. Поскольку эта область продолжает развиваться, существует множество неизвестных, которые еще предстоит изучить, и их можно выявить и решить только с помощью систематических и строгих эмпирических исследований и оценок.

  • 2.1.   Исследовательские работы, рассматривающие перспективы обучающихся

С точки зрения учащегося, большие языковые модели могут использоваться различными способами для помощи в процессе обучения. Одним из примеров является создание и разработка образовательного контента. Например, исследователи использовали большие языковые модели для создания интерактивных образовательных материалов, таких как викторины и флэш-карты, которые могут быть использованы для улучшения обучения и вовлечения учащихся (Dijkstra et al., 2022; Gabajiwala et al., 2022). В частности, в недавней работе Dijkstra et al. (2022) исследователи использовали GPT-3 для генерации вопросов с несколькими вариантами ответов для задания на понимание прочитанного и утверждают, что автоматизированная генерация тестов не только снижает нагрузку на преподавателей, связанных с разработкой тестов вручную, но и, прежде всего, предоставляет учащимся полезный инструмент для тренировки и проверки знаний при изучении учебников и подготовке к экзаменам (Dijkstra et al., 2022).

В другой недавней работе GPT-3 использовался в качестве педагогического средства для стимулирования любопытства детей и развития навыков задавания вопросов (Abdelghani et al., 2022). Более конкретно, авторы автоматизировали генерацию подсказок, стимулирующих любопытство, в качестве стимула для задавания более глубоких вопросов. Согласно их результатам, большие языковые модели не только способны значительно облегчить внедрение обучения, стимулирующего любопытство, но и могут служить эффективным инструментом для усиления проявления любопытства (Abdelghani et al., 2022).

В области компьютерного образования в недавней работе MacNeil и др. (2022) GPT-3 используется для создания пояснений к коду. Несмотря на ряд открытых исследовательских и педагогических вопросов, требующих дальнейшего изучения, эта работа успешно продемонстрировала потенциал GPT-3 для поддержки обучения путем объяснения аспектов данного фрагмента кода.

Для курса по науке о данных Бхат и др. (2022) предложили конвейер для генерации оценочных вопросов на основе точно настроенной модели GPT3 по текстовым учебным материалам. Сгенерированные вопросы были оценены с точки зрения их полезности для результата обучения на основе автоматической маркировки обученной моделью GPT-3 и ручной оценки человеческими экспертами. Авторы сообщили, что сгенерированные вопросы были положительно оценены экспертами-людьми, что способствует использованию больших языковых моделей в обучении науке о данных (Bhat et al., 2022).

Учащиеся могут учиться друг у друга, рецензируя и оценивая решения друг друга. Это, конечно, дает наилучший эффект, когда обратная связь является всесторонней и качественной. Например, Jia и др. (2021) показали, как можно использовать BERT для оценки взаимных оценок, чтобы учащиеся могли научиться улучшать свои отзывы.

В недавнем обзоре по разговорному ИИ в языковом образовании авторы обнаружили, что существует пять основных применений разговорного ИИ в процессе обучения (Ji et al., 2022), наиболее распространенным из которых является использование больших языковых моделей в качестве партнера по разговору в письменной или устной форме, например, в контексте диалога, ориентированного на выполнение задания, который предоставляет возможности для практики языка, например, произношения (El Shazly, 2021). Другое применение — поддержка учащихся, когда они испытывают тревогу при изучении иностранного языка (Bao, 2019) или у них снижается желание общаться (Tai & Chen, 2020). В работе Jeon (2021) рассматривается применение обратной связи в качестве аналитика потребностей и оценщика, когда учащиеся начальной школы практикуют свой словарный запас. Авторы Lin и Mubarok (2021) обнаружили, что чат-бот, который руководствуется картой мышления, более успешен в поддержке учащихся путем предоставления лесов во время изучения языка, чем обычный чат-бот с искусственным интеллектом.

В недавней работе в области медицинского образования Кунг и др. (2022) исследовали работу ChatGPT на экзамене по лицензированию медицинской деятельности в США. Согласно результатам оценки, производительность ChatGPT на этом экзамене была на уровне или близка к порогу прохождения без какой-либо тонкой настройки домена. Основываясь на этих результатах, авторы утверждают, что большие языковые модели могут стать мощным инструментом для помощи в медицинском образовании и, в конечном счете, в процессе принятия клинических решений (Kung et al., 2022).

  • 2.2.   Исследовательские работы, рассматривающие перспективы учителей

Поскольку темпы внедрения ИИ в образование все еще низкие по сравнению с другими областями, такими как промышленные приложения (например, финансы, электронная коммерция, автомобилестроение) или медицина, существует меньше исследований, рассматривающих использование больших языковых моделей в образовании (Salas-Pilco et al., 2022). В недавнем обзоре возможностей и проблем чат-ботов в образовании отмечается, что исследования, связанные с чат-ботами в образовании, все еще находятся на ранней стадии, и лишь немногие эмпирические исследования изучают использование эффективных учебных конструкций или стратегий обучения (Hwang & Chang, 2021). Поэтому сначала мы обсудим взгляды преподавателей на ИИ и аналитику обучения в образовании и перенесем их на более новую область больших языковых моделей.

С этой точки зрения, пилотное исследование с участием европейских учителей показывает положительное отношение к ИИ в образовании и высокую мотивацию к внедрению контента, связанного с ИИ, в школе. В целом, учителя, участвовавшие в исследовании, как представляется, имеют базовый уровень цифровых навыков, но низкий уровень навыков, связанных с ИИ (Polak et al., 2022). В другом исследовании с участием нигерийских учителей подчеркивается, что воля и готовность учителей к продвижению ИИ являются ключевыми предпосылками для интеграции технологий на основе ИИ в образование (Ayanwale et al., 2022). Аналогичным образом, результаты исследования, проведенного с учителями из Южной Кореи, показывают, что учителя с конструктивистскими убеждениями более склонны к интеграции образовательных инструментов на основе ИИ, чем учителя с транс-миссионной ориентацией (Choi et al., 2023). Более того, воспринимаемое удобство использования, воспринимаемая простота использования и воспринимаемое доверие к этим инструментам на основе ИИ являются определяющими факторами, которые необходимо учитывать при прогнозировании их принятия учителями. Аналогичные результаты, касающиеся отношения учителей к чат-ботам в образовании, были получены в работе Chocarro et al. (2021): восприятие чат-бота ИИ как простого в использовании и полезного приводит к большему принятию чат-бота. Что касается особенностей чатботов, то формальный язык чатбота приводит к более высокому намерению использовать его.

Поскольку кажется, что взгляды учителей на общее использование ИИ в образовании имеют много общего с упомянутым отношением к чатботам в частности, ответственная интеграция ИИ в образование с привлечением опыта различных сообществ имеет решающее значение (Fadel et al., 2019).

Недавние работы, посвященные использованию больших языковых моделей с точки зрения преподавателя, сосредоточены на автоматизированной оценке ответов учащихся, адаптивной обратной связи и создании учебного контента.

Например, в недавней работе Moore et al. (2022) использовалась точно настроенная модель GPT-3 для оценки ответов учащихся в учебной среде по химии (Moore et al., 2022). Авторы утверждают, что большие языковые модели могут (особенно при точной настройке на конкретную область) стать мощным инструментом для помощи учителям в качественной и педагогической оценке ответов учащихся (Moore et al., 2022). Кроме того, в следующих исследованиях рассматривались модели на основе НЛП для создания автоматической адаптивной обратной связи: Zhu et al. (2020) рассмотрели систему обратной связи на основе ИИ, включающую технологии автоматического оценивания, в контексте задания по климатической активности в средней школе. Результаты показали, что обратная связь помогла учащимся пересмотреть свои научные аргументы. Зайлер и др. (2023) использовали адаптивную обратную связь на основе НЛП в контексте диагностики трудностей в обучении учащихся в педагогическом образовании. В своем экспериментальном исследовании они обнаружили, что преподаватели, получавшие адаптивную обратную связь, лучше обосновывали свои диагнозы, чем будущие преподаватели, получавшие статичную обратную связь. Берниус и др. (2022) использовали модели на основе НЛП для создания обратной связи для текстовых ответов учащихся в больших курсах, где усилия по выставлению оценок могли быть сокращены на 85% с высокой точностью и улучшенным качеством, воспринимаемым учащимися. Большие языковые модели могут не только поддерживать оценку решений учащихся, но и помогать в автоматическом создании упражнений. Сарса и др. (2022) показали, что модель OpenAI Codex, используя обучение с помощью нескольких снимков, способна предоставлять разнообразные задачи по программированию вместе с правильным решением, автоматическими тестами для проверки решений учащихся и дополнительными пояснениями к коду. Что касается тестирования фактических знаний в целом, Ку и др. (2021) предложили схему для автоматической генерации пар «вопрос-ответ». Это может быть использовано при создании учебных материалов, например, для задач на понимание прочитанного. Помимо генерации правильного ответа, трансформационные модели также способны создавать отвлекающие ответы, что необходимо для создания вопросников с множественным выбором (Raina & Gales, 2022; Rodriguez-Tor- realba et al., 2022). Если перенести языковые модели на математическое образование, то в нескольких работах обсуждается автоматическая генерация математических словесных задач (Shen et al., 2021; Wang et al., 2021; Yu et al., 2021), которые сочетают в себе задачу понимания уравнений и их составления.

в соответствующий контекст.

Наконец, в другой недавней работе (Tack & Piech, 2022) исследовалась способность современных разговорных агентов адекватно отвечать студенту в учебном диалоге. Обе модели, использованные в этой работе (Blender и GPT-3), были способны адекватно отвечать студенту и генерировали диалоги, которые создавали впечатление, что эти модели понимают обучающегося (в частности, Blender). Однако они значительно отстают от человека, когда речь идет о помощи учащемуся (Tack & Piech, 2022), что подчеркивает необходимость дальнейших исследований.

  • 2.3.   Неизвестные неизвестные

С точки зрения образования, все еще существует множество пробелов в знаниях и неопределенностей, когда речь идет об успешной и ответственной интеграции больших языковых моделей в процессы обучения и преподавания. В частности, адаптация моделей к конкретным потребностям, устранение предвзятости в конкретных случаях использования, решение этических вопросов и вопросов авторского права требуют междисциплинарных исследований и оценки на основе фактических данных. Хотя большие языковые модели могут генерировать вопросы с несколькими вариантами ответов, создавать текст из буллитов и помогать обучению, очевидно, что они могут служить лишь вспомогательными инструментами для учащихся и преподавателей и не могут заменить учителя.

3.   Возможности для инновационных образовательных технологий

В перспективе большие языковые модели способны значительно улучшить цифровые экосистемы для образования, такие как среды, основанные на дополненной реальности (AR), виртуальной реальности (VR) (Ahuja et al., 2023; Gao et al., 2021; Rojas-Sa´nchez et al., 2022), и другие связанные с ними цифровые явления. В частности, они могут быть использованы для усиления нескольких ключевых факторов, которые имеют решающее значение для иммерсивного взаимодействия пользователей с цифровым контентом. Например, большие языковые модели могут значительно улучшить возможности обработки естественного языка и понимания AR/VR-системы, чтобы обеспечить эффективное естественное общение и взаимодействие между пользователями и системой (например, виртуальным учителем или виртуальными сверстниками). Последнее было определено как ключевой аспект юзабилити для иммерсивных образовательных технологий (Roussou, 2001) и в целом рассматривается как ключевой фактор для улучшения взаимодействия между людьми и системами ИИ (Guzman & Lewis, 2020). Большие языковые модели также можно использовать для разработки более естественных и сложных пользовательских интерфейсов, используя их способность генерировать контекстуализированные, персонализированные и разнообразные ответы на вопросы пользователей на естественном языке. Более того, их способность отвечать на вопросы на естественном языке в различных областях может облегчить интеграцию различных цифровых приложений в единую структуру или приложение, что также важно для расширения границ образовательных возможностей.

и опыта (Ahuja et al., 2023; Kerr & Lawson, 2020).

В целом, способность этих моделей генерировать контекстуализированные тексты на естественном языке, код для различных задач реализации (Becker et al., 2022), а также различные типы мультимедийного контента (например, в сочетании с другими системами ИИ, такими как DALL-E (Ramesh et al., 2021)) может позволить и масштабировать создание убедительных и захватывающих цифровых (например, AR/VR) впечатлений. От геймификации до детального моделирования для иммерсивного обучения в цифровой среде, большие языковые модели являются ключевой технологией. Однако для полной реализации этого потенциала важно учитывать не только технические аспекты, но и этические, правовые, экологические и социальные последствия.

В следующем разделе мы кратко рассмотрим риски, связанные с применением больших языковых моделей в образовании, и предложим соответствующие стратегии по их снижению.

4.   Основные проблемы и риски, связанные с применением больших языковых моделей в образовании

  • 4.1.   Вопросы авторского права

Когда мы обучаем большие языковые модели на задаче по созданию контента, связанного с образованием — конспект курса, контрольная работа, научная статья — режим должен быть обучен на примерах таких текстов. Во время генерирования нового запроса ответ может содержать полное предложение или даже абзац, увиденный в обучающем наборе, что приводит к проблемам авторского права и плагиата.

Важными шагами для ответственного смягчения такой проблемы могут быть следующие:

  • прозрачно (т.е. с указанием цели и политики использования данных) спрашивать разрешения у авторов исходных документов на использование их контента для обучения модели
    • Соблюдение условий авторского права для контента с открытым исходным кодом
    • Наследование и подробные условия использования контента, создаваемого моделью
    • Информирование и повышение осведомленности пользователей об этих политиках.
    • 4.2.   Предвзятость и справедливость

Большие языковые модели могут увековечить и усилить существующие в обществе предубеждения и несправедливость, что может негативно сказаться на процессах и результатах преподавания и обучения. Например, если модель обучается на данных, предвзято относящихся к определенным группам людей, она может выдать результаты, несправедливые или дискриминационные по отношению к этим группам (например, местные знания о меньшинствах, таких как малые этнические группы или культуры, могут померкнуть на заднем плане). Таким образом, важно убедиться, что обучающие данные или данные, используемые для тонкой настройки модели на последующих задачах, разнообразны и репрезентативны для различных групп людей. Регулярный мониторинг и тестирование работы модели на различных группах людей может помочь выявить и устранить любые предубеждения на ранних стадиях. Таким образом, человеческий контроль в этом процессе является незаменимым и критически важным для смягчения предвзятости и полезного применения больших языковых моделей в образовании.

Если говорить более конкретно, то ответственная стратегия смягчения последствий будет сосредоточена на следующих ключевых аспектах:

  • Разнообразный набор данных для обучения или точной настройки модели, чтобы убедиться, что она не предвзята к какой-либо конкретной группе
    • Регулярный мониторинг и оценка эффективности модели (на различных группах людей) для выявления и устранения любых возникающих предубеждений
    • Меры справедливости и методы коррекции предубеждений, такие как методы предварительной или последующей обработки
    • механизмы прозрачности, позволяющие пользователям понять результаты модели, а также данные и предположения, которые были использованы для ее создания
    • Профессиональная подготовка и ресурсы для педагогов по вопросам распознавания и устранения потенциальных предубеждений и других ошибок в результатах работы модели
    • Постоянное обновление модели с помощью разнообразных, непредвзятых данных, а также контроль экспертов-людей для анализа результатов.
  • Учащиеся могут слишком сильно полагаться на модель

Сгенерированная без особых усилий информация может негативно повлиять на их критическое мышление и навыки решения проблем. Это связано с тем, что модель упрощает получение ответов или информации, что может усилить лень и противодействовать заинтересованности учащихся в проведении собственных исследований и выработке собственных выводов или решений.

Чтобы противостоять этому риску, важно осознавать ограничения больших языковых моделей и использовать их только как инструмент для поддержки и улучшения обучения (Pavlik, 2023), а не как замену человеческим авторитетам и другим авторитетным источникам. Таким образом, ответственная стратегия снижения риска должна быть сосредоточена на следующих ключевых аспектах:

  • Повышение осведомленности об ограничениях и неожиданной хрупкости больших языковых моделей и систем ИИ в целом (т.е. экспериментирование с моделью для создания собственного понимания ее работы и ограничений)
    • Использование языковых моделей для создания гипотез и изучения различных точек зрения, а не только для получения ответов
    • Стратегии использования других образовательных ресурсов (например, книг, статей) и других авторитетных источников для оценки и подтверждения фактической правильности информации, предоставляемой моделью (т.е. поощрение учащихся подвергать сомнению созданный контент)
    • Включение в учебную программу мероприятий по развитию критического мышления и решению проблем, чтобы помочь учащимся развить эти навыки
    • Включение человеческого опыта и учителей для рассмотрения, проверки и объяснения информации, предоставляемой моделью.

Важно отметить, что использование больших языковых моделей должно быть интегрировано в учебную программу таким образом, чтобы дополнять и улучшать учебный процесс, а не заменять его.

  • 4.4.   Учителя могут слишком полагаться на модели

Использование больших языковых моделей может обеспечить точное и актуальное формирование, но они не могут заменить творческий подход, критическое мышление и навыки решения проблем, которые развиваются в процессе обучения человеком. Поэтому учителям важно использовать эти модели в качестве дополнения к обучению, а не замены. Таким образом, важнейшими аспектами, снижающими риск чрезмерной зависимости от больших языковых моделей, являются:

  • Использование языковых моделей только в качестве дополнительного дополнения к генерации инструкций
    • Постоянное обучение и повышение квалификации учителей, позволяющее им оставаться в курсе передовой практики использования языковых моделей в классе для стимулирования и развития творческих способностей и критического мышления
    • критическое мышление и решение проблем с помощью цифровых технологий как неотъемлемая часть учебной программы, чтобы обеспечить развитие этих навыков у учащихся
    • Вовлечение учащихся в творческие и независимые проекты, позволяющие им разрабатывать собственные идеи и решения
    • Мониторинг и оценка использования языковых моделей в классе, чтобы убедиться, что они используются эффективно и не оказывают негативного влияния на обучение учащихся
    • Стимулы для учителей и школ к разработке (инклюзивных, совместных и персонализированных) стратегий обучения на основе больших языковых моделей и вовлечения учащихся в процессы решения проблем, такие как поиск и оценка информации, относящейся к курсу/заданию, с использованием моделей и других источников.
  • 4.5.   Отсутствие понимания и опыта

Многие преподаватели и образовательные учреждения могут не обладать знаниями или опытом для эффективной интеграции новых технологий в преподавание (Redecker et al., 2017). Это особенно касается использования и интеграции больших языковых моделей в практику преподавания. Теория образования уже давно предлагает способы интеграции новых инструментов в образовательную практику (например, Salomon, 1993). Как и любая другая технико-логическая инновация, интеграция больших языковых моделей в эффективную практику преподавания требует понимания их возможностей и ограничений, а также того, как эффективно использовать их для дополнения или улучшения конкретных процессов обучения.

Существует несколько способов решения этих проблем и противостояния этому риску:

  • Исследование проблем больших языковых моделей в образовании путем изучения существующих образовательных моделей интеграции технологий, процессов обучения учащихся и переноса их в контекст больших языковых моделей, а также разработки новой образовательной теории специально для контекста больших языковых моделей
    • Оценка потребностей преподавателей и учащихся и предоставление рекомендаций на основе конкретных случаев (например, для безопасного этичного использования больших языковых моделей в сценариях обучения)
    • Ориентированное на спрос обучение и возможности профессионального развития для преподавателей и учреждений, чтобы узнать о возможностях и потенциальном использовании больших языковых моделей в образовании, а также предоставить лучшие практики для их интеграции в свои методы обучения
    • Открытые образовательные ресурсы (например, учебники, исследования, примеры использования и т.д.) и Руководства для преподавателей и учебных заведений для доступа и изучения использования языковых моделей в образовании
    • Стимулы для сотрудничества и создания сообществ (например, профессиональных обучающих сообществ) среди педагогов и учреждений, которые уже используют языковые модели в своей практике преподавания, чтобы они могли поделиться своими знаниями и опытом с другими.
    • Регулярный анализ и обратная связь по использованию языковых моделей для обеспечения их эффективного применения и внесения корректировок по мере необходимости.

4.6.   Сложность отличить ответы, созданные на модели, от ответов, созданных учащимися

Все труднее становится различать, является ли текст машинным или человеческим, что представляет собой дополнительную серьезную проблему для учителей и преподавателей (Cotton et al., 2023; Elkins & Chun, 2020; Gao et al., 2022; Nassim, 2021). В результате Департамент образования Нью-Йорка недавно запретил ChatGPT на школьных устройствах и в сетях (News, 2023).

Совсем недавно Cotton et al. (2023) предложили несколько стратегий для обнаружения работ, которые были созданы с помощью больших языковых моделей, и в частности ChatGPT. Кроме того, ожидается, что инструменты, такие как недавно выпущенный GPTZero (Tian, 2023), который использует недоумение как меру, намекающую на способность к обобщению (агента, которым был написан текст), для обнаружения участия ИИ в написании текста, окажут дополнительную поддержку. Более продвинутые методы направлены на создание водяных знаков на контенте, генерируемом языковыми моделями (Gu et al., 2022; Kirchenbauer et al., 2023), например, путем смещения генерации контента в сторону терминов, которые вряд ли будут совместно использоваться человеком в текстовом отрывке. В долгосрочной перспективе, однако, мы считаем, что разработка учебных программ и ин-струкций, поощряющих творческое и основанное на фактах использование больших языковых моделей, станет ключом к решению этой проблемы. Следовательно, разумная стратегия снижения этого риска должна быть направлена на:

  • Исследование методов прозрачности, объяснения и анализа, а также мер, позволяющих отличить текст, созданный машиной, от текста, созданного человеком
    • Стимулы и поддержка для разработки учебных программ и инструкций, требующих творческого и взаимодополняющего использования больших языковых моделей.
  • 4.7.   Стоимость обучения и технического обслуживания

Обслуживание больших языковых моделей может стать финансовым бременем для школ и учебных заведений, особенно для тех, у кого ограниченный бюджет. Для решения этой проблемы отправной точкой может послужить использование предварительно обученных моделей и облачных технологий в сочетании с кооперативными схемами использования в партнерстве с учреждениями и компаниями. В частности, стратегия снижения этого риска должна быть сосредоточена на следующих аспектах:

  • Использование предварительно обученных моделей с открытым исходным кодом, которые могут быть точно настроены для конкретных задач
    • Развитие и изучение партнерских отношений с частными компаниями, исследовательскими институтами, а также правительственными и некоммерческими организациями, которые могут предоставить финансовую поддержку, ресурсы и опыт для поддержки использования больших языковых моделей в образовании
    • Совместные затраты и совместное использование масштабируемых (например, облачных) вычислительных услуг, которые обеспечивают доступ к мощным вычислительным ресурсам по низкой цене
    • Использование модели в основном для решения высокоценных образовательных задач, таких как обеспечение персонализированного и целенаправленного обучения учащихся (т.е. присвоение низкого приоритета малоценным задачам)
    • Исследование и разработка методов сжатия, дистилляции и обрезки для уменьшения размера модели, данных и необходимых вычислительных ресурсов.
  • 4.8.   Конфиденциальность и безопасность данных

Использование больших языковых моделей в образовании вызывает опасения по поводу конфиденциальности и безопасности данных, поскольку данные учащихся часто являются конфиденциальными и личными. Это может включать опасения по поводу утечки данных, несанкционированного доступа к данным учащихся и использования данных учащихся в целях, отличных от образовательных.

Некоторые конкретные области для смягчения проблем конфиденциальности и безопасности при использовании больших языковых моделей в образовании:

  • Разработка и внедрение надежных политик конфиденциальности данных и безопасности, которые четко определяют порядок сбора, хранения и использования данных учащихся в соответствии с нормативными требованиями (например, GDPR, HIPAA, FERPA) и этическими стандартами.
    • Прозрачность для учащихся и их семей в отношении сбора, хранения и использования данных, с обязательным согласием перед сбором и использованием данных
    • Современные технологии и меры по защите собранных данных от несанкционированного доступа, нарушений или неэтичного использования (например, анонимизированные данные и безопасные инфраструктуры с современными средствами шифрования, федерация, аналитика с сохранением конфиденциальности и т.д.)
    • регулярный аудит мер по обеспечению конфиденциальности и безопасности данных для выявления и устранения любых потенциальных уязвимостей или областей, требующих улучшения
    • План реагирования на инциденты для быстрого реагирования и смягчения последствий любых утечек данных или несанкционированного доступа к данным
    • Обучение и информирование персонала, т.е. педагогов и учащихся, о политике конфиденциальности и безопасности данных, нормативных актах, этических проблемах и передовых методах работы с соответствующими рисками и информирования о них.
  • 4.9.   Устойчивое использование

Большие языковые модели имеют высокие вычислительные требования, что может привести к высокому потреблению энергии. Следовательно, энергоэффективные жесткие диски и общая (например, облачная) инфраструктура на основе возобновляемой энергии имеют решающее значение для их экологически устойчивого функционирования и масштабирования, необходимого в контексте образования.

Для обучения и обновления моделей следует рассматривать только те данные, которые были собраны и аннотированы в соответствии с нормативными требованиями и этическими нормами. Поэтому ключевым условием успешного внедрения таких моделей является наличие системы управления, включающей политики, процедуры и средства контроля для обеспечения надлежащего использования таких моделей.

Аналогичным образом, для долгосрочного надежного и ответственного использования моделей необходимы прозрачность, уменьшение погрешностей и постоянный мониторинг.

В целом, стратегия снижения данного риска включает в себя:

  • Энергоэффективное оборудование и общая инфраструктура на основе возобновляемой энергии, а также исследования по снижению стоимости обучения и обслуживания (т.е. эффективные алгоритмы, представление и хранение)
    • Сбор, аннотирование, хранение и обработка данных в соответствии с нормативными требованиями и этическими нормами
    • Прозрачность и методы объяснения для выявления и смягчения предвзятости и предотвращения несправедливости
    • Рамки управления, включающие политику, процедуры и правила, обеспечивающие соблюдение вышеуказанных пунктов и надлежащее использование в образовании.
  • 4.10.   Затраты на проверку информации и поддержание целостности

Важно проверять информацию, предоставляемую моделью, путем обращения к внешним авторитетным источникам для обеспечения точности и целостности. Кроме того, могут возникнуть финансовые затраты, связанные с поддержанием и обновлением модели для обеспечения предоставления точной и актуальной информации.

Ответственная стратегия снижения этого риска должна учитывать следующие ключевые аспекты:

  • Регулярное обновление модели новой и точной информацией для обеспечения предоставления актуальной и точной информации
    • Использование нескольких авторитетных источников для проверки информации, предоставляемой моделью, для обеспечения корректности и целостности
    • Использование модели в сочетании с человеческими знаниями, например, учителями или экспертами в предметной области, которые проверяют и подтверждают информацию, предоставляемую моделью
    • Разработка протокола и стандартов для проверки фактов и подтверждения информации, предоставляемой моделью
    • Предоставьте четкую и прозрачную информацию о производительности модели, о том, на что она способна или не способна, и об условиях, в которых она работает.
    • Обучение и ресурсы для педагогов и учащихся по использованию модели, интерпретации ее результатов и оценке предоставляемой информации
    • Регулярный обзор и оценка модели с прозрачной отчетностью о работе модели, т.е. о том, на что она способна или не способна, и выявление условий, при которых могут возникнуть неточности или другие проблемы.
  • 4.11.   Сложность отличить реальные знания от убедительно написанных, но непроверенных результатов моделирования

Способность больших языковых моделей генерировать человекоподобный текст может затруднить для учащихся проведение различия между реальными знаниями и непроверенной информацией. Это может привести к тому, что учащиеся будут принимать ложную или вводящую в заблуждение информацию за истинную, не сомневаясь в ее достоверности.

Для снижения этого риска, в дополнение к вышеуказанной стратегии снижения риска, связанной с проверкой и целостностью, важно проводить обучение тому, как критически оценивать информацию, и обучать учащихся стратегиям исследования, расследования, проверки и подтверждения.

  • 4.12.   Отсутствие адаптивности

Большие языковые модели не способны адаптироваться к различным потребностям студентов и преподавателей и не могут обеспечить уровень персонализации, необходимый для эффективного обучения. Это ограничение нынешней технологии, но можно предположить, что с появлением более совершенных моделей адаптивность повысится.

Более конкретно, разумная стратегия смягчения последствий будет состоять из следующих элементов:

  • Использование адаптивных технологий обучения для персонализации вывода модели в соответствии с потребностями отдельных учащихся, используя данные о учащихся (например, о стиле обучения, предыдущих знаниях, успеваемости и т.д.).
    • Настройка вывода языковой модели в соответствии со стилем преподавания и учебной программой (с использованием данных, предоставленных преподавателем)
    • Использование мультимодальных подходов к обучению и преподаванию, которые сочетают в себе текст, аудио, видео и эксперименты, чтобы обеспечить более увлекательный и персонализированный опыт для учащихся и преподавателей
    • Использование гибридных подходов, которые объединяют сильные стороны как преподавателей-людей, так и языковых моделей для создания целевых и персонализированных учебных материалов (на основе обратной связи, рекомендаций и поддержки, предоставляемых преподавателями)
    • Регулярный обзор модели и постоянное совершенствование для случаев использования, связанных с учебной программой, для обеспечения адекватного и точного функционирования в целях образования
    • Исследования и разработки для создания более совершенных моделей, которые могут лучше адаптироваться к различным потребностям учащихся и учителей.

5.   Дополнительные вопросы, связанные с пользовательскими интерфейсами и справедливым доступом

  • 5.1.   Соответствующие пользовательские интерфейсы

Для интеграции больших языковых моделей в образовательные рабочие процессы необходимы дальнейшие исследования в области взаимодействия человека и компьютера и дизайна пользовательского интерфейса.

В данной работе мы рассмотрели несколько потенциальных вариантов использования для учащихся разного возраста — от детей до взрослых. При создании таких помощников на основе ИИ необходимо учитывать степень психо-логической зрелости, мелкую моторику и технические возможности потенциальных пользователей. Таким образом, пользовательский интерфейс должен соответствовать задаче, но также может иметь различную степень имитации человека — например, для

Для детей, возможно, лучше скрывать машинные артефакты в генерируемом тексте и максимально использовать геймифицированное взаимодействие и подходы к обучению, чтобы обеспечить плавное и увлекательное взаимодействие с такими технологиями, в то время как для более старших учащихся машинный контент может быть использован для развития способностей к решению проблем, критическому мышлению и проверке фактов.

В целом, дизайн пользовательских интерфейсов для средств помощи и обучения на основе ИИ должен способствовать развитию навыков обучения и решения проблем 21 века (Kuhlthau et al., 2015), особенно критического мышления, креативности, коммуникации и сотрудничества, для чего необходимы дальнейшие научно обоснованные исследования. В этом контексте важным аспектом является соответствующая интеграция помощи на основе ИИ в зависимости от возраста и происхождения, чтобы максимизировать ее преимущества и минимизировать возможные недостатки.

  • 5.2.   Многоязычие и справедливый доступ

В то время как большинство исследований в области больших языковых моделей проводится для английского языка, в этой области все еще существует пробел в исследованиях для других языков. Это потенциально может сделать образование для англоязычных пользователей более простым и эффективным, чем для других пользователей, что может привести к несправедливому доступу к таким образовательным технологиям для неанглоязычных пользователей. Несмотря на усилия различных исследовательских сообществ по решению проблемы справедливости многоязычия для технологий ИИ, остается еще много возможностей для улучшения.

Наконец, несправедливость, связанная с финансовыми средствами для доступа, обучения и поддержания больших языковых моделей, возможно, должна регулироваться правительственными организациями с целью предоставления средств, ориентированных на справедливость, всем образовательным учреждениям, заинтересованным в использовании этих современных технологий. Без справедливого доступа эта технология ИИ может серьезно увеличить разрыв в образовании, как никакая другая технология до нее.

Поэтому в заключение мы приводим призыв ЮНЕСКО к тому, чтобы ИИ не увеличивал технологический и образовательный разрыв внутри стран и между ними, а также рекомендуемые важные стратегии ответственного и справедливого использования ИИ для сокращения этого существующего разрыва. Согласно Повестке дня ЮНЕСКО в области образования 2030 (ЮНЕСКО, 2023): «Мандат ЮНЕСКО по своей сути требует подхода к ИИ, ориентированного на человека. Он направлен на то, чтобы перевести разговор на роль ИИ в устранении существующего неравенства в отношении доступа к знаниям, исследованиям и разнообразию культурных экс- прессий, а также на то, чтобы ИИ не увеличивал технологический разрыв внутри стран и между ними». Обещание «ИИ для всех» должно заключаться в том, что каждый сможет воспользоваться преимуществами происходящей технологической революции и получить доступ к ее плодам, особенно в плане инноваций и знаний«.

6.   Заключительные замечания

Использование больших языковых моделей в образовании — это перспективная область исследований, которая предлагает множество возможностей для повышения качества обучения учащихся и поддержки работы преподавателей. Однако, чтобы полностью раскрыть их потенциал для образования, крайне важно подходить к использованию этих моделей с осторожностью и критически оценивать их ограничения и потенциальные предубеждения. Поэтому интеграция больших языковых моделей в образование должна отвечать строгим требованиям конфиденциальности, безопасности и — для устойчивого масштабирования — экологическим, нормативным и этическим требованиям, а также должна осуществляться в сочетании с постоянным мониторингом, руководством и критическим мышлением человека.

Хотя этот комментарий отражает оптимизм авторов в отношении возможностей больших языковых моделей как трансформационной технологии в образовании, он также подчеркивает необходимость дальнейших исследований для изучения лучших практик интеграции больших языковых моделей в образование и смягчения выявленных рисков.

Мы считаем, что, несмотря на многие трудности и проблемы, перечисленные риски управляемы и должны быть устранены, чтобы обеспечить достойный доверия и справедливый доступ к большим языковым моделям для образования. Для достижения этой цели стратегии снижения рисков, предложенные в данном комментарии, могут послужить отправной точкой.

Заявление об авторском вкладе CRediT

Энкелейда Каснеци: концептуализация, методология, написание — первоначальный проект. Катрин Зесслер: Написание — рецензирование и редактирование. Штефан Кюхеманн: Написание — рецензирование и редактирование. Мария Баннерт: Написание — рецензирование и редактирование. Дарья Дементьева: Написание — рецензирование и редактирование. Франк Фишер: Написание — рецензирование и редактирование. Урс Гассер: Написание — повторный просмотр и редактирование. Георг Грох: Написание — рецензирование и редактирование. Стефан Гюннеманн: Написание — рецензирование и редактирование. Эйке Хюллермайер: Написание — рецензирование и редактирование. Стефа Круше: Написание — рецензирование и редактирование. Гитта Кутыниок: Написание — рецензирование и редактирование. Тильман Михаэли: Написание — рецензирование и редактирование. Клаудия Нердель: Написание — рецензирование и редактирование. Юрген Пфеффер: Написание — рецензирование и редактирование. Александра Покет: Написание — рецензирование и редактирование. Михаэль Зайлер: Написание — рецензирование и редактирование. Альбрехт Шмидт: Написание — рецензирование и редактирование. Тина Зайдель: Написание — рецензирование и редактирование. Маттиас Штадлер: Написание — рецензирование и редактирование. Йохен Веллер: Написание — рецензирование и редактирование. Йохен Кун: Написание — рецензирование и редактирование. Gjergji Kasneci: концептуализация, методология, написание — первоначальный проект.

Смешанное обучение в России