Τα τελευταία πενήντα χρόνια, οι θέσεις εργασίας με τις υψηλότερες αποδοχές συγκεντρώνονταν ολοένα και περισσότερο γύρω από την εργασία γνώσης, ιδίως στην επιστήμη και την τεχνολογία.
Τώρα, με τη διάδοση της γενετικής Τεχνητής Νοημοσύνης, αυτό μπορεί να μην ισχύει πλέον. Οι εργοδότες αρχίζουν να δηλώνουν την πρόθεσή τους να αντικαταστήσουν ορισμένες θέσεις εργασίας γραφείου με ΑΙ. Αυτό γεννά ερωτήματα για το αν η οικονομία θα χρειάζεται τόσους πολλούς δημιουργικούς και αναλυτικούς εργαζομένους, όπως προγραμματιστές υπολογιστών, ή αν θα συνεχίσει να στηρίζει τόσες πολλές θέσεις εισαγωγικού επιπέδου στην οικονομία της γνώσης.
Αυτή η μετατόπιση δεν έχει σημασία μόνο για τους εργαζόμενους, αλλά και για τους δασκάλους της πρωτοβάθμιας και δευτεροβάθμιας εκπαίδευσης, που είναι συνηθισμένοι να προετοιμάζουν τους μαθητές για δουλειές γραφείου. Οι οικογένειες επίσης ανησυχούν για τις δεξιότητες που θα χρειαστούν τα παιδιά τους σε μια οικονομία διαποτισμένη με γενετική τεχνητή νοημοσύνη.
Ως καθηγητής εκπαιδευτικής πολιτικής που έχει μελετήσει τις επιπτώσεις της τεχνητής νοημοσύνης στην εργασία, και πρώην δάσκαλος πρωτοβάθμιας και δευτεροβάθμιας εκπαίδευσης, πιστεύω ότι η απάντηση για τους δασκάλους και τις οικογένειες βρίσκεται στην κατανόηση του τι δεν μπορεί – και ίσως δεν θα μπορέσει ποτέ – να κάνει η ΑΙ.
Προηγούμενα κύματα αυτοματοποίησης αντικατέστησαν επαναλαμβανόμενες και χειρωνακτικές εργασίες, αυξάνοντας το πλεονέκτημα εισοδήματος της διανοητικά απαιτητικής εργασίας. Αλλά η γενετική ΑΙ είναι διαφορετική. Διαπρέπει στην αντιστοίχιση προτύπων με τρόπους που της επιτρέπουν να προσομοιώνει τον ανθρώπινο προγραμματισμό, τη συγγραφή, τη ζωγραφική και την ανάλυση δεδομένων, αφήνοντας τις κατώτερες βαθμίδες αυτών των επαγγελμάτων εκτεθειμένες στην αυτοματοποίηση.
Από την άλλη πλευρά, επειδή η παραγωγή της μιμείται πρότυπα από υπάρχοντα δεδομένα, η γενετική ΑΙ δυσκολεύεται να χειριστεί περίπλοκες συλλογιστικές εργασίες, πόσο μάλλον σύνθετα προβλήματα των οποίων οι απαντήσεις εξαρτώνται από πολλά άγνωστα. Επιπλέον, δεν διαθέτει καμία κατανόηση του πώς σκέφτονται και αισθάνονται οι άνθρωποι.
Ο καλός νέος είναι ότι οι «μαλακές» δεξιότητες μπορούν να διδαχθούν παράλληλα με τα παραδοσιακά μαθήματα όπως τα μαθηματικά και η ανάγνωση – τομείς για τους οποίους οι δάσκαλοι έχουν ευθύνη – χρησιμοποιώντας τεχνικές που οι δάσκαλοι ήδη γνωρίζουν.
Για παράδειγμα, οι δάσκαλοι συχνά ζητούν από τους μαθητές να υποβάλουν «εισιτήρια εξόδου» καθώς φεύγουν από την τάξη στο τέλος ενός μαθήματος. Αυτά είναι σύντομες γραπτές αναφορές ή ερωτήσεις σχετικά με τις έννοιες που μόλις έμαθαν οι μαθητές.
Τα «εισιτήρια εξόδου» μπορούν επίσης να χρησιμοποιηθούν για να βοηθήσουν τους μαθητές να ενισχύσουν τις συναισθηματικές και κοινωνικές τους δεξιότητες μαζί με τη μαθησιακή τους πρόοδο. Στην πράξη, οι δάσκαλοι μπορούν να δώσουν προτροπές που εστιάζουν σε στιγμές διανοητικής τόλμης, συναισθηματικής ρύθμισης ή διαπροσωπικής κατανόησης, όπως:
- Γράψε για μια στιγμή που βοήθησες κάποιον σήμερα.
- Πες μου για κάποιον που ήταν ευγενικός μαζί σου σήμερα. Πώς ήταν ευγενικός;
- Περιγράψτε μια στιγμή αυτή την εβδομάδα που έμαθες κάτι που φαινόταν πολύ δύσκολο. Πώς το κατάφερες;
Ο σκοπός της δραστηριότητας δεν είναι μόνο να βελτιώσει τη διάθεση ή την εμπλοκή των μαθητών, αν και αυτά είναι ωφέλιμα αποτελέσματα. Ο στόχος είναι να βοηθήσουν τους μαθητές να κατανοήσουν ότι οι συναισθηματικές τους αντιδράσεις σε εξωτερικές συνθήκες είναι υπό τον έλεγχό τους.
Η ενισχυμένη συνειδητοποίηση των δικών τους συναισθημάτων προβλέπει την ικανότητα των παιδιών να διαχειρίζονται την απογοήτευση, να αντιλαμβάνονται και να προβλέπουν τα συναισθήματα των άλλων και να συνεργάζονται ομαλά με άλλους ανθρώπους. Όλες αυτές οι δεξιότητες είναι ζωτικής σημασίας για το επαγγελματικό περιβάλλον και αναμένεται να γίνουν ακόμα πιο πολύτιμες με την άνοδο της γενετικής Τεχνητής Νοημοσύνης.
Διδασκαλία της επίλυσης προβλημάτων
Οι δάσκαλοι μπορούν επίσης να βοηθήσουν τους μαθητές να εξασκηθούν στην επίλυση περίπλοκων προβλημάτων, των οποίων οι απαντήσεις δεν είναι γνωστές. Για παράδειγμα, καθώς οι μαθητές του δημοτικού μαθαίνουν να υπολογίζουν περιμέτρους, επιφάνειες ή όγκους, μπορούν να δουλέψουν σε ομάδες για να βρουν τις μετρήσεις αντικειμένων γύρω από το σχολείο, περιλαμβανομένων μεγάλων ή παράξενα σχηματισμένων αντικειμένων. Οι δάσκαλοι μπορούν να ζητήσουν από τους μαθητές να σκεφτούν όχι μόνο τη σωστή απάντηση, αλλά και το πώς διαμόρφωσαν και προσέγγισαν κάθε πρόβλημα.
Η επίλυση πραγματικών προβλημάτων, γνωστή και ως αυθεντική αξιολόγηση, μπορεί να διδάσκεται σε οποιοδήποτε μάθημα, με παραδείγματα που περιλαμβάνουν:
Δοκιμή των κλίσεων του εδάφους και των επιπέδων υγρασίας στις σχολικές εγκαταστάσεις και προτάσεις για λύσεις τοπιοτεχνίας.
Δημιουργία και πιλοτική δοκιμή βιντεοκαμπανιών για κοινωνικούς σκοπούς.
Επανεκτίμηση του τρόπου με τον οποίο η ιστορία θα μπορούσε να είχε εξελιχθεί αν οι ηγέτες είχαν κάνει διαφορετικές επιλογές, και εξέταση των πολιτικών επιπτώσεων για το σήμερα.
Διδάσκοντας τα παιδιά να αναλύουν την πολυπλοκότητα τους βοηθά να κατανοήσουν τη διαφορά μεταξύ της αναζήτησης βιβλιακών απαντήσεων και της δοκιμής δυνατοτήτων όταν η καλύτερη επιλογή είναι άγνωστη. Η επίλυση νέων και περίπλοκων προβλημάτων θα συνεχίσει να προκαλεί την Τεχνητή Νοημοσύνη, όχι μόνο επειδή υπάρχουν πολλά βήματα και άγνωστοι παράγοντες, αλλά και επειδή η ΤΝ δεν διαθέτει την χωρική και συναισθηματική κατανόηση του κόσμου όπως οι άνθρωποι. Ακόμα και μακροπρόθεσμα, αμέτρητοι παράγοντες που οι άνθρωποι κατανοούν ενστικτωδώς θα είναι δύσκολο για τους υπολογιστές να διαισθανθούν.
* Η Jennifer L. Steele είναι καθηγήτρια Εκπαίδευσης, Αμερικανικό Πανεπιστήμιο.
Το άρθρο του αναδημοσιεύεται αυτούσιο στο Liberal μέσω άδειας Creative Commons από τον ιστότοπο TheConversation.com.
