AI በትምህርት፡ የPISA ማስረጃ ሀገር-ተስማሚ መፍትሄዎች

2018 የPISA ፈተና ውጤቶች ሲወጡ ብዙ ሀገራት አንድ ነገር ግልፅ አድርገው አዩ፤ ተማሪ ውጤት ከቴክኖሎጂ መኖር ብቻ አይመጣም። ቤት ውስጥ ኮምፒዩተር መኖሩ፣ ት/ቤት ውስጥ ላፕቶፕ ማሰራጨት ወይም ኢንተርኔት መግባት ብቻ ውጤትን የሚያሳድግ አይደለም፤ አስተዳደር፣ የአስተማሪ ዝግጅት፣ የትምህርት አቅጣጫ እና የሀገር አውድ አስፈላጊ ናቸው።

ScienceDirect ላይ የታተመው “National contexts and information and communication technology in education: A systematic review of PISA studies” የሚለው ጥናታዊ ጽሑፍ ይህን ጉዳይ በሰፊ አካሄድ የሚያሳይ ሊሆን ቢችልም፣ እኛ ያገኘነው ግብዓት 403 (Forbidden) ስለሆነ ዝርዝር ውስጥ ገብተን ማጠቃለያ ማድረግ አልተቻለም። ግን የጽሑፉ ርዕስ እና የምርምር አይነቱ (systematic review ከPISA ጥናቶች) የሚያመለክተው መልዕክት ግልፅ ነው፤ ICT በትምህርት ውጤት ላይ የሚያሳየው ተፅእኖ በሀገር አውድ ይለያያል። ይህንን ማስተላለፊያ በእኛ የተነሳ የትምህርትና ስልጠና ተንታኝነት—“አርቲፊሻል ኢንተሊጀንስ በትምህርትና በስልጠና ዘርፍ”—ውስጥ እንለውጠው እንዲህ እንላለን፤ AI መፍትሄ ውጤታማ የሚሆነው ሀገር-ተስማሚ ሲሆን ነው፣ እንጂ አንድ መፍትሄ ለሁሉ አይሰራም።

የPISA ማስረጃ ምን ይላል? ቴክኖሎጂ እና ውጤት መጣጣት አይደለም

መልስ በቀድሞ: PISA ተኮር ጥናቶች ብዙ ጊዜ የሚያሳዩት ቴክኖሎጂ መግባት ራሱ ውጤት እንደማያረጋግጥ ነው፤ የሚያረጋግጠው የሀገር አውድ ውስጥ እንዴት እንደተዋቀረ ነው።

PISA (Programme for International Student Assessment) ተማሪዎችን በንባብ፣ በሂሳብ፣ በሳይንስ የሚመዘን ዓለም አቀፍ መለኪያ ነው። በዚህ መለኪያ የተሰበሰበ መረጃ ብዙ የICT አመላካች (ምሳሌ፡ የት/ቤት ኢንተርኔት፣ የቤት ዲጂታል ተደራሽነት፣ የተማሪ ቴክኖሎጂ አጠቃቀም ደረጃ) ጋር ተጣመር ይመረምራል። ችግሩ እዚህ ነው፤ አንዳንድ አውድ ውስጥ ቴክኖሎጂ ውጤትን ይጨምራል፣ በሌላ አውድ ውስጥ ግን አልፎ ይጎዳል—እንደ መቀየር ይመስላል፣ ግን እውነቱ ከተግባር አቅም ጋር የተያያዘ ነው።

የሀገር አውድ የሚለው ምንድን ነው?

መልስ በቀድሞ: የሀገር አውድ ማለት ፖሊሲ፣ ት/ቤት አስተዳደር፣ ኢንፍራስትራክቸር፣ የቋንቋ እና የባህል እውነታዎች፣ እንዲሁም የአስተማሪ ዝግጅት ተጠቃሚ ስርዓት ነው።

እኔ በተግባር የማየው ነገር ይህ ነው፤ አንዳንድ ት/ቤቶች ታብሌት እና ፕሮጀክተር አላቸው ነገር ግን የአስተማሪ ትምህርታዊ እቅድ እንዴት እንደሚለዋወጥ አልተቀመጠም። የቴክኖሎጂ መሳሪያ ማሰራጨት ቀላል ነው፤ ነገር ግን እውቀትን ወደ ክፍል ልምምድ ማስገባት የሚፈልገው ጊዜ፣ አመራር እና ትምህርታዊ ዲዛይን ነው።

ከICT ወደ AI ሲመጣ፡ እንዴት ሀገር-ተስማሚ ማድረግ እንችላለን?

መልስ በቀድሞ: AI በትምህርት ውስጥ የሚሰራው በመረጃ ጥራት፣ በየቋንቋው ድጋፍ፣ በመስመር ላይ/ከመስመር ውጭ ተደራሽነት እና በአስተማሪ የስራ ፍሰት ውስጥ ሲገባ ነው።

PISA ያሳየው መልዕክት “ICT አይደለም—አውድ ነው” ከሆነ፣ AI ላይ ይበልጥ ይሰራል። ምክንያቱም AI ብዙ ጊዜ በመረጃ (data) ይተኮራል፣ መረጃው ደግሞ በአካባቢ ቋንቋ፣ በማስተማር አቅጣጫ እና በየክልሉ ሁኔታ እጅግ ይለያያል።

1) ቋንቋ እና ባህል: አማርኛ ያለበት ቦታ የራሱ መፍትሄ ይፈልጋል

መልስ በቀድሞ: እንግሊዝኛ-ተኮር AI ረዳቶች በአማርኛ ክፍል ውስጥ አስተማሪን በቂ አይደግፉም፤ የቋንቋ ድጋፍ እና አካባቢያዊ ምሳሌዎች ያስፈልጋሉ።

AI የሚሰጠው ምላሽ በተማሪ የሚጠይቀው ቋንቋ እና በሚማረው የትምህርት መርሀ ግብር ላይ ይመራል። አማርኛ ወይም ሌሎች አካባቢያዊ ቋንቋዎች የሚፈልጉት የቃላት መዝገብ፣ የንዑስ ትርጉም ግልጽነት፣ እና የክፍል ባህል ምሳሌ ነው። ይህ ካልተሟላ ተማሪዎች ከAI ጋር የሚያደርጉት ውይይት ወደ “ኮፒ-ፔስት” እና ወደ ግልጽ ያልሆነ ምላሽ ይዘርፋል።

2) ኢንፍራስትራክቸር: ከመስመር ውጭ የሚሰራ ነገር አብዛኛውን ጊዜ ይሻላል

መልስ በቀድሞ: በዝቅተኛ የኢንተርኔት ተደራሽነት አካባቢ የAI ዲዛይን የመጀመሪያ መስፈርት “offline-first” መሆን አለበት።

በብዙ ቦታዎች ኤሌክትሪክ መቋረጥ፣ የዳታ ዋጋ፣ እና የመሣሪያ ጥገና ችግር እውነታ ናቸው። ስለዚህ AI መፍትሄ በሁሉም ጊዜ የሚፈልገውን የመስመር ላይ ግንኙነት እንዳይጠብቅ መዋቀር ይጠቅማል። ለምሳሌ፣

• የትምህርት ይዘት በስልክ/ታብሌት ላይ ቀድሞ መውረድ
• ንጥረ ፈተናዎችን ከመስመር ውጭ ማድረግ እና በኋላ ማስላት
• ቀላል የAI ስራዎች (ምሳሌ፡ የስህተት መለያ የሰዋሰው) በአካባቢ መሣሪያ ላይ መስራት

3) የአስተማሪ ስራ ፍሰት: AI መተኪያ ሳይሆን የስራ አገዳዳሪ መሆን አለበት

መልስ በቀድሞ: AI ሲገባ የመጀመሪያ ውጤት የአስተማሪ ጊዜን መቆጠብ ነው—ይህ ካልሆነ አብዛኛው ፕሮጀክት ይደክማል።

አስተማሪ በቀን 40–60 ደቂቃ ብቻ ቢያገኝ እንኳ ግልጽ ለውጥ ይመጣል። ተግባራዊ አጠቃቀሞች፦

1. የክፍል ደረጃ ጥያቄ ባንክ ማቀናበር: በመርሀ ግብር መሰረት 10–15 የተለያዩ ደረጃ ጥያቄዎች
2. ፈጣን የግብረ መልስ ንድፍ: ለተማሪ የስህተት አይነት ተመሳሳይ ማብራሪያ
3. የክፍል ቡድን ክፍፍል: ተማሪዎችን በዝቅተኛ/መካከለኛ/ከፍተኛ ድጋፍ ፍላጎት መለያየት

AI እዚህ የሚረዳው ሥራ አለ፤ ነገር ግን አስተማሪ እንዴት እንደሚጠቀምበት የሚያሳይ ስልጠና ካልነበረ በጣም ፈጣን ይቀርባል።

በዝቅተኛ ሀብት አካባቢ የAI እቅድ አቀራረብ (የሚሰራ ዝርዝር)

መልስ በቀድሞ: የሚሰራ እቅድ በትንሽ መጀመር፣ በምርመራ መመራት እና በመደበኛ መለኪያ መታየት ነው።

እንደ “systematic review” አካሄድ ያለ ጥናት የሚያሳየው በመረጃ ላይ የተመሰረተ ውሳኔ እንዴት እንደሚወሰን ነው። በት/ቤት ወይም በዩኒቨርሲቲ ደረጃ የAI መፍትሄ ለመጀመር የሚረዱ እርምጃዎች፦

እርምጃ 1: አንድ ግብ ይምረጡ (በ6–8 ሳምንት የሚታይ)

ከሚከተሉት አንዱን ብቻ ይጀምሩ፦

• የንባብ ግንዛቤ መሻሻል
• የሂሳብ መሰረታዊ ብቃት (fractions, algebra basics)
• የፈተና መልስ ጥራት እና የግብረ መልስ ፍጥነት

እርምጃ 2: የመረጃ መስፈርት ያጥሩ

AI ለመስራት “ብዙ ዳታ” አስፈላጊ ሊመስል ይችላል፣ ግን በት/ቤት ደረጃ የሚሰሩ ፕሮጀክቶች በአነስተኛ ግን ጥራት ያለው መረጃ ላይ ይሻላሉ፦

• የክፍል ምርመራ (baseline) 20–30 ደቂቃ
• ሳምንታዊ አጭር ፈተና (10 ጥያቄ)
• የተማሪ የማጠናከሪያ ማስታወሻ (አንድ ዓረፍተ ነገር)

እርምጃ 3: አስተማሪ ስልጠና እንደ “ስራ ልምምድ” ያቅርቡ

የሚሰራ ስልጠና በሶስት ነገር ይለካል፦

• በክፍል ውስጥ የሚሰራ ንድፍ አለ?
• በ30 ደቂቃ ውስጥ የሚደረግ ልምምድ አለ?
• የግል ውጤት መለኪያ አለ?

እርምጃ 4: ሶስት መለኪያዎች ብቻ ይያዙ

ብዙ መለኪያ ፕሮጀክትን ያበታትናል። እነዚህ 3 በቂ ናቸው፦

1. የተማሪ ውጤት: ከbaseline ወደ endline ምን ተሻሻለ?
2. የአስተማሪ ጊዜ: በሳምንት ስንት ደቂቃ ቆጠበ?
3. ተደራሽነት/ተጠቃሚነት: ስንት ተማሪ በመደበኛነት ተጠቀመ?

አጭር እውነታ: “AI ለሁሉ ነው” የሚለው ሐሳብ ብዙ ጊዜ ፕሮጀክትን ያበላሻል። “AI ለዚህ ክፍል፣ ለዚህ ትምህርት፣ ለዚህ ግብ” ብለን ሲጀምር ይሰራል።

የPISA-ተኮር ምርምር ለAI ፕሮጀክት ምን ያስተምራል?

መልስ በቀድሞ: ምርምር የሚያስተምረው ውጤት ለመጠን እና አውድ ለመገንዘብ ነው—AI ውጤታማ እንዲሆን ይህ መሠረት ነው።

“Systematic review” የሚለው ነገር ከተለያዩ ጥናቶች ማስረጃ ሰብስቦ አንድ ጥራት ያለው ውሳኔ ለመውጣት የሚያገለግል ዘዴ ነው። በAI ፕሮጀክት ላይ ይህ ማለት፦

• ከፕሮጀክት በፊት መነሻ መለኪያ መያዝ (baseline)
• ከፕሮጀክት በኋላ ለውጥ መለካት (endline)
• አውድን በግልጽ መግለጽ (መሳሪያ ቁጥር፣ ኢንተርኔት ሁኔታ፣ የአስተማሪ ጭነት)

“ሰዎች ብዙ ጊዜ የሚጠይቁት” ጥያቄዎች

AI ተማሪን ይያዛል ወይስ ይረዳዋል? AI ይረዳል የሚለው በቅድሚያ የተደረገ የመማር ዲዛይን ካለ ነው። በልክ ያልተሰራ ሲሆን ግን የተማሪ ግል ሥራ ይቀንሳል እና ተመሳሳይ ምላሾች ይበዛሉ።

AI በፈተና ተግባር ላይ ምን እንደሚሰራ እንዴት እንቆጣጠራለን? ግልጽ መመሪያ እና የክፍል ደንብ ይፈልጋል፦ ምን ይፈቀዳል? ምን አይፈቀድም? ስህተት ሲኖር እንዴት ይታረማል?

ለመጀመር ውድ መፍትሄ ያስፈልጋል? አይደለም። በስራ ሂደት ውስጥ የሚገባ አንድ ቀላል አጠቃቀም ማለት ብዙ ጊዜ በትልቅ ፕላትፎርም ከመጀመር ይሻላል።

ለመጨረሻ፡ የAI ውጤት የሚመጣው ከ“መፍትሄ” አይደለም—ከ“አውድ” ነው

PISA ተኮር የICT ጥናቶችን በስርዓተ-ምርምር መንገድ ማጠቃለል የሚጠቅሙን አንድ ትልቅ እውነት ያስታውሳል፤ የትምህርት ቴክኖሎጂ በሀገር አውድ ይኖራል፣ እና ውጤቱ እንደ አውዱ ይለዋዋጣል። ይህን ማስተላለፊያ ወደ AI ሲወስድ ግን የበለጠ ይጠነክራል፤ AI ያለ ቋንቋ ድጋፍ፣ ያለ እቅድ የአስተማሪ ስራ ፍሰት እና ያለ መለኪያ መቆጣጠር ሲገባ ጊዜ ያጠፋል።

በዚህ የ“አርቲፊሻል ኢንተሊጀንስ በትምህርትና በስልጠና ዘርፍ” ተከታታይ ጽሑፎች ውስጥ የምንደግፈው አቅጣጫ እሱ ነው፤ AI ማስገባት የቴክኖሎጂ ግዢ አይደለም—የትምህርት ስራ አወቃቀር ማሻሻል ነው። እርስዎ በት/ቤት ወይም በስልጠና ማዕከል ውስጥ የAI መፍትሄ ለመጀመር እያሰቡ ከሆነ፣ ዛሬ የሚያደርጉት አንድ ጉዞ ይህ ነው፤ አንድ ግብ ይምረጡ፣ መለኪያ ይያዙ፣ እና በአውድዎ ውስጥ የሚሰራ ነገር ብቻ ይገንቡ።

እስቲ እንዲህ ብለው ያስቡ፦ በእርስዎ ት/ቤት ወይም ድርጅት ውስጥ AI ከነገ ቢገባ፣ በ6 ሳምንት ውስጥ በግልጽ መለኪያ መታየት የሚችል አንድ ለውጥ ምን ይሆናል?