Hogyan írjunk tanulási eredményeket a generatív mesterséges intelligenciával?

A nagy nyelvi modellek egy évvel ezelőtti színpadra lépésük óta komoly népszerűségnek örvendenek a felhasználók körében. A folyamatos fejlesztéseknek köszönhetően felhasználhatóságuk egyre szélesebb körben nyújt segítséget – amennyiben mind a felhasználás körét, mind a rendszer számára nyújtott inputokat sikerül megfelelően behatárolni.

Sokak számára ma már csak az a kérdés, hogy a mesterséges intelligencia használatával mi a célja: kiváltani szeretné vele a munkáját, vagy megkönnyíteni, támogatni? Ugyanígy sokszor felmerülő kérdés, hogy használhatjuk-e ezeket a modelleket olyan helyzetben, amikor saját tudásunkkal nem tudjuk validálni az eredményt – és ha igen, hogyan? Cikkünkben ezekre keresünk választ, egy minden oktató számára fontos, de nem feltétlenül a szakterülete körébe tartozó példán – a tanulási eredmények írásán – keresztül.

Tanulási eredményekben határozzuk meg egy szak, képzés, vagy akár egyetlen óra kimeneti követelményeit: vagyis azt, milyennek szeretnénk látni a hallgatót az adott tanulási egység elsajátítását követően – minden egyetemi tantárgy esetében olyan tanulási eredményeket kell kijelölnünk, amelyek támogatják a szak képzési és kimeneti követelményrendszerében meghatározott céljainak elérését.

Tegyük fel, hogy azt kaptuk feladatnak: írjunk/gondoljuk újra a tanulási eredményeket az egyik kurzusunkhoz! Ez pedagógiai végzettséggel sem mindig egyszerű munka. ELTE-s oktatóink számára hamarosan elérhető, „Tanulási eredmény alapú pedagógiai tervezés” című, hatórás self paced kurzusunk szakszerű segítséget nyújt oktatóinknak – a kurzusban megérthetik és elsajátíthatják a sok szempontnak egyszerre megfelelő tanulási eredmények írásának képességét. Ebben a cikkben pedig azt járjuk körül, hogyan érdemes irányítani a nagyobb nyelvi modelleket, ha szeretnénk használni a segítségüket, de még nem rendelkezünk kiforrott tudással a tanulási eredmények írása terén.

Hogyan adjuk meg a promptot?

Az elmúlt időszak tapasztalatai megtanítottak bennünket arra, hogy a generatív mesterséges intelligencia használatánál az emberi beavatkozás kulcsfontosságú: a program válaszának színvonalát meghatározza a prompt(ok) minősége, és nem maradhat el a folyamat végén annak ellenőrzése, hogy a válasz tartalmaz-e pontatlanságot, hibás állítást, kitalációt. Számít maga az eszköz is: a három legnagyobb ingyenesen hozzáférhető rendszer közül ChatGPT 3.5 nincs összekötve az internettel, így válaszait a legjobban felépített prompt esetén is korlátozza „tudása”: a program adatokkal való feltanítása pillanatnyilag 2022 januárjáig tart. Ha tehát a ChatGPT-t hívjuk segítségül, és olyasmit várunk el tőle, ami ezt követően jött létre (például szakunk legfrissebb, 2023-ban változtatott képzési követelményeinek ismeretét és használatát), akkor ezeket az információkat meg kell neki tanítanunk.

Mivel a saját szakterületünkön igen, de a tanulási eredményekhez kapcsolódó szaktudással nem feltétlenül rendelkezünk, bármelyik modellel könnyen validációs problémákba ütközhetünk – ha csak tanulási eredmények írására kérjük, honnan fogjuk tudni, hogy jól oldotta-e meg a feladatot? További tájékozódás nélkül sehonnan – ezért nem is így érdemes használni. Azonban ha a prompt megírásakor „pedagógiai szakértő” szerepbe helyezzük az eszközt, és megadjuk, milyen forrásokat használjon fel a válaszához, könnyebben fogjuk tudni ellenőrizni válaszait (még ha teljesen biztosak továbbra sem lehetünk abban, hogy releváns válaszokat nyújt majd).

A szerep és a források mellett sok időt spórolhatunk konkrét kérdésünk kisebb lépésekre bontásával is: például elsőként tájékozódjunk arról, a prompttal kellően be tudjuk-e szűkíteni a program számára a felhasználható információk körét – vagyis mielőtt „kiadnánk” a konkrét feladatot, felmérjük, értékelhető-e az anyag, amivel dolgozni fog. A modellekkel való chatelés lehetősége (sőt, a promptok utólagos szerkesztése) lehetővé teszi a lépésenkénti haladást, finomítást, annak folyamatos ellenőrzését, hogy egy kontextusban vagyunk-e a programmal. Jelen cikkben az áttekinthetőség érdekében egy „megaprompttal” dolgozunk, ami sok kisebb beszélgetésláncból csiszolódott egy használható, összetett utasítássá.

A megaprompt

Mindhárom modell az alábbi prompt angol verzióját kapta utasításnak. A táblázatban összehasonlíthatjuk a rendszerek válaszait, a programok nevére kattintva pedig megtekintheti a teljes beszélgetéseket.

„Ön olyan pedagógiai szakértő, aki az összes hatályos EKKR és a Magyar Képesítési Keretrendszer szakértője.

1. Foglalja össze magyar nyelven, mit tud a tanulási eredményekről, és milyen információkra van szüksége ahhoz, hogy a felsőoktatásban oktatott tantárgyamhoz releváns tanulási eredményeket írjon.
2. Használja az MKKR-t, illetve az ELTE PPK honlapján található vonatkozó dokumentumokat: segítsen megírni a pedagógia BA szak didaktika tantárgyának tanulási eredményeit. 6 tanulási eredményre van szükségem, kezdje a tanulási eredmények felsorolásával: 2 ismeret, 2 készség és 2 attitűd.
3. Vegyük az első tanulási eredményt. Értékelje táblázatban, hogy ez a tanulási eredmény SMART-cél-e, és ha nem, javítsa ki, hogy azzá váljon. Ha javít, akkor a javított változatot használja a továbbiakban válaszai alapjául.
4. Milyen tanulási tevékenységekkel tudnám biztosítani, hogy a tanulók elérjék ezt a tanulási eredményt?”

	ChatGPT	Copilot (jegyzetfüzet)	Gemini
1.	A tanulási eredmények azok a megfogalmazott célok, melyeket a tanulási folyamat végére el kell érnie a hallgatónak. Ezek a célok hozzájárulnak ahhoz, hogy a hallgatók fejlesszék tudásukat, készségeiket és attitűdjeiket. A releváns tanulási eredmények megfogalmazásához szükséges információk közé tartozik a tantárgy tartalma, céljai, az elvárt szint, valamint a hallgatók előzetes tudásának és képességeinek figyelembevétele.	A tanulási eredményekről és a releváns tanulási eredmények megírásához szükséges információkról   A tanulási eredmények a tanulási folyamat eredményeként elvárt tudásra, készségekre és kompetenciákra vonatkoznak. A tanulási eredmények kidolgozásához szükséges információk közé tartozik a tanítandó tárgy tartalma, a tanulók jelenlegi tudásszintje, a tanulási célok, és az, hogy milyen szintű mesterségbeli tudást vagy készséget kell a tanulóknak a tanulmányok befejezésekor bemutatniuk.	Tanulási kimenetek a felsőoktatásban A tanulási kimenetek olyan kijelentések, amelyek megfogalmazzák, hogy a hallgatók mit tudnak majd, mit értenek meg és milyen képességekre tesznek szert a tanulási folyamat végére. A kimeneteknek a hallgatóközpontúaknak kell lenniük, vagyis azt írják le, hogy a hallgatók mit fognak tudni tenni, nem pedig azt, hogy az oktató mit fog tanítani. A releváns tanulási kimenetek megírásához a következő információkra van szüksége: A tárgy neve és kódja A kreditérték A tanulási célok (mit szeretne elérni a tárggyal?) A hallgatók előzetes tudása A tantárgy helye a képzési programban
2.	A pedagógia alapszak Didaktika tantárgyának tanulási eredményeinek megfogalmazása az alábbiak szerint:	A pedagógia BA didaktika kurzusának tanulási eredményei: Az alábbiakban találhatók a tanulási eredmények, amelyeket a MKKR és az ELTE PPK weboldalán található releváns dokumentumok alapján állítottam össze:	A pedagógia BA szak Didaktika kurzus tanulási kimenetei az MKKR és az ELTE PPK alapján:
2.1	Tudás: Ismeri a pedagógiai folyamatok elméleti alapjait. Áttekintést nyújt a különböző pedagógiai módszerekről.	Tudás: Ismerje a didaktika alapvető fogalmait és elméleteit. Értse a tanítási módszerek és stratégiák alkalmazásának jelentőségét a tanulói eredmények előmozdításában.	Tudás: A hallgató ismeri a didaktika alapfogalmait és az oktatás elméleti modelljeit. A hallgató ismeri a különböző tanulásirányítási módszereket és azok alkalmazási lehetőségeit.
2.2	Készségek: Képes alkalmazni a pedagógiai elméleteket a gyakorlatban. Képes tervezni és kivitelezni hatékony oktatási módszereket.	Készségek: Képes legyen alkalmazni a didaktikai elméleteket és módszereket a tanítási gyakorlatban. Képes legyen kritikusan értékelni és alkalmazni a didaktikai kutatás eredményeit a tanítási gyakorlat fejlesztésében.	Készség: A hallgató képes önállóan didaktikai tervező munkát végezni. A hallgató képes a tananyagot a különböző korosztályok sajátosságaihoz igazítani.
2.3	Attitűdök: Nyitott a változatos pedagógiai megközelítésekre. Elkötelezett a folyamatos pedagógiai fejlődés mellett.	Attitűdök: Mutasson nyitottságot és rugalmasságot a didaktikai módszerek és stratégiák alkalmazásában. Legyen elkötelezett a folyamatos szakmai fejlődés és a didaktikai gyakorlatok innovatív alkalmazása iránt.	Attitűd: A hallgató elkötelezett a folyamatos szakmai fejlődés iránt. A hallgató nyitott az új pedagógiai módszerek megismerésére és alkalmazására.
3.	Először tekintsük át az első tudás alapú tanulási eredményt és ellenőrizzük, hogy SMART cél-e: Tanulási eredmény: "Ismeri a pedagógiai folyamatok elméleti alapjait." SMART cél: Specifikus: A tanuló pontosan tudja, mely pedagógiai folyamatokról van szó. Mérhető: Megállapítható, hogy a hallgató mennyire ismeri az elméleti alapokat. Elérhető: A hallgatók számára elérhetővé tehető az elméleti alapok tanulmányozása. Releváns: Fontos, hogy a hallgatók megértsék a pedagógiai folyamatok hátterét. Időzített: A tanulmányok során megfelelő időt biztosítanak a pedagógiai folyamatok elméleti megértésére.	Az első tudás eredményének értékelése: Az első tudás eredmény ("Ismerje a didaktika alapvető fogalmait és elméleteit") a SMART célok szerint értékelve: SMART Elem / Értékelés / Indoklás Specifikus: Igen. A tanulási eredmény egyértelműen meghatározza, mit kell a tanulónak tudnia. Mérhető: Igen. A tanuló tudását tesztekkel és vizsgákkal lehet mérni. Elérhető: Igen. A tanulási eredmény elérhető a tanulók számára a tanfolyam keretein belül. Releváns: Igen. A tanulási eredmény releváns a didaktika kurzushoz. Időben meghatározott: Igen. A tanulási eredményt a tanfolyam végére kell elérni.	Az első tanulási kimenetet SMART módszerrel történő értékelése Eredeti tanulási kimeneti: A hallgató ismeri a didaktika alapfogalmait és az oktatás elméleti modelljeit. Nem SMART, mert nem elég konkrét és nem tartalmazza az értékelés módját. Javított tanulási kimeneti (SMART): A hallgató az év végére képes lesz felsorolni és definiálni a didaktika 10 legalapvetőbb fogalmát, valamint képes lesz összehasonlítani és különbséget tenni az oktatás 3 leggyakoribb elméleti modellje között szóbeli vagy írásbeli számonkérés keretében.
4.	A hallgatók ezt a tanulási eredményt elérhetik az alábbi tevékenységekkel: Előadások és szemináriumok látogatása a pedagógiai elméletekről. Gyakorlati példák elemzése és viták az elméleti alapokról. Olvasmányok és kutatások a pedagógiai irodalomban.	A tanulási eredmény elérésének biztosítása, mérés és értékelési skála A tanulási eredmény elérésének biztosítása érdekében a tanulók részt vehetnek: előadásokon, szemináriumokon, csoportos projekteken és önálló kutatásokon.	Tanulási tevékenységek, mérési módszerek és értékelési skála az első tanulási kimenethez Tanulási tevékenységek: Előadások a didaktika alapfogalmairól és az oktatás elméleti modelljeiről Szemináriumi munka a didaktikai fogalmak elemzésével Csoportos projekt az oktatási modellek összehasonlításáról Beadandó dolgozat a didaktika alapfogalmainak definiálásával

Tapasztalatok

A válaszok alapján a feladatot legtöbbször a Gemini teljesítette a legjobban – miért mutatjuk meg mégis mindhárom modell válaszait a cikkben? Amikor nem vagyunk olyan mélységű tudás birtokában, hogy magabiztosan tudjuk validálni a mesterséges intelligencia által generált válaszokat, segítségünkre lehet az is, ha ugyanazt a promptot több rendszer számára is megadjuk, majd az eredményeket összehasonlítjuk. Elsőre nagyobb munkának tűnik, de valójában befektetés: hamarabb láthatóvá válnak a kérdéses pontok, ha többszörös ellenőrzés alá vetjük őket, és alapvető célunk a minőségi munka létrehozása, így a validálás lépését nem hagyhatjuk ki a folyamatból. További haszon lehet, ha a nyelvi modellek használatával kapcsolatos attitűdünkbe saját kompetenciáink fejlesztését is beemeljük munkánk könnyítésének igénye mellé: ezzel a hozzáállással a mesterséges intelligenciára nem úgy fogunk tekinteni, mint egy rendszerre, ami esetlegesen képes az általunk adott feladatok megoldására, hanem olyan eszközként, amivel kölcsönösen tanítjuk egymást, és ebben a tanulási folyamatban rendszeresen emelkedik a közösen végzett munkánk minősége.

A validálás mellett fontos érv a programok párhuzamos használatában (vagyis amikor azon gondolkodunk, hogy melyik eszköz(öke)t válasszuk, a „vagy” helyett az „és” legyen döntésünk egyik kulcseleme), hogy gazdagíthatja munkánk színvonalát a többféle nézőpont.

Amikor egyszerre több rendszerrel is dolgozunk, lehetőségünk van erősségeikre fókuszálni és kihasználni azokat: a Copilot által felhasznált és hivatkozott 24 releváns weboldal (lásd a linken elérhető beszélgetést) újabb segítség számunkra a validáláshoz – kattintással ellenőrizni tudjuk az válasz helyességét. Mivel a három rendszer közül ez hoz egyedül stabilan hivatkozást, érdemes bevennünk a munkafolyamatba – hiszen az adott weboldalakon a másik két modell válaszainak (vagy a három válasz egyenetlenségéből gyanúsan következő hibáknak) felülvizsgálatához is jól használhatók az összegyűjtött releváns források.

Amennyiben kedvet kapott hozzá, hogy kipróbálja saját tantárgyában a generatív mesterséges intelligenciával támogatott tanulási eredmények írását, használja bátran a cikkben szereplő prompt alábbi sablonját. A prompt szabadon alakítható, a <jelek közötti részt> minden esetben szükséges felülírni az Ön személyre szabott igényeivel (a zárójeleket pedig törölni):

Szívesen fogadjuk visszajelzését, javítási / prompt-tökéletesítési javaslatait, tapasztalatait, illetve válaszolunk ELTE-s oktatóinknak felmerülő kérdéseire akár konzultáció keretében is.