Uzun süredir benim inancım, bir üniversite sınıfında neredeyse eşit sayıda A ve F almaya çalışmanın büyük ölçüde yanlış yönlendirilmiş bir hedef olduğudur. Bu bana her zaman montaj hattı imalatına yönelik bir sınıflandırma kılavuzuna daha iyi uygulanmış gibi göründü. Bana öyle geliyor ki, kaliteli derecelendirme değerlendirme listeleri kullanılarak iyi tasarlanmış bir sınıfta ne kadar çok A alınırsa o kadar iyi olur. Uygulanabilir, ilgili, güncel öğrenme çıktıları iyi değerlendirilirse, ortalama olarak daha yüksek notlar övgüye değerdir.
Ancak son haftalarda, saygın Harvard ve Yale Üniversiteleri gibi bazı yüksek öğretim kurumlarımızın, belirli bir sınıfta alınabilecek A notu yüzdesini azaltmak için tasarlanmış politikalar üzerinde düşündüklerini öğrendik. Yazma New York TimesMark Arsenault’un bildirdiğine göre, “Çok Fazla A İçin Tek Çözüm mü? Harvard A+ Notları Vermeyi Düşünüyor.” Bu biraz samimiyetsiz görünüyor; bir sınıfa gönderilen A notlarının itibarsız sayısını azaltmak için notun başlığını bir artı işareti ekleyerek değiştirmek.
Kez makale lisans eğitimi dekanından alıntıyla devam ediyor: “‘Birçoğunuz bu sonbaharda notlarınızı sıkılaştırdınız ve çabalarınız anlamlı bir fark yarattı,’ dekan Amanda Claybaugh Pazartesi öğleden sonra fakülteye gönderdiği bir e-postada yazdı. Dr. Claybaugh, A notlarının bir önceki akademik yılda yüzde 60,2 iken sonbahar döneminde verilen notların yüzde 53,4’üne düştüğünü bildirdi. ‘Bu değişimin kolay olmadığını biliyorum’ diye ekledi, bazı öğretim üyelerinin öğrencilerden daha az olumlu ders değerlendirmeleri aldıklarını söylediklerini belirtti.
Yale’deki endişeler de benzer görünüyor. Jaeha Jang yazıyor Yale Günlük Haberleri,
“Not enflasyonu profesörler için kendiliğinden ortaya çıkan, düzeltilebilir bir sorun gibi görünse de, profesörlere şunu söylediler: Haberler gerçeğin daha karmaşık olduğunu. Öğrencilerin derslerine kaydolması yönündeki baskının yanı sıra inceleme süreçlerinde öğrenci değerlendirmelerinin öneminin, eğitmenleri cömert notlar vermeye teşvik ettiğini söylediler.”
Bu konu tamamen yeni bir konu ya da birkaç Ivy League okuluyla sınırlı değil. Jane Nam, Best Colleges web sitesinde Mayıs 2024 raporunda önemli verileri paylaşıyor:Üniversitede Not Enflasyonu: Eğilimler ve Neden Oluyor?”:
- Ortalama üniversite not ortalaması 2020’de 3,15’ti.
- Ortalama üniversite not ortalaması 30 yıl içinde (1990–2020) %21,5 arttı.
- Dört yıllık kamu kurumları, tüm okul türleri arasında en büyük not ortalaması artışını gördü ve ortalama not ortalamalarını on yılda %17 artırdı.
- İktisat öğrencileri, 1990-2020 arasında %18’lik bir artışla tüm ana dallar arasında not ortalamasında en yüksek artışı yaşadı.
- Pandemi sırasında daha hafif not standartları, okulların öğrenciyi elde tutma oranlarını artırma çabaları ve öğretim üyeleri üzerindeki öğrenci incelemelerini iyileştirme yönündeki baskı, not enflasyonunun arkasında yatan faktörler olabilir.
Hem kurumsal hem de bireysel öğretim üyesi düzeyinde notları şişirme eğiliminde olan çok sayıda baskı noktası vardır. Döngü, daha yüksek notlardaki artan artışlarla birlikte yıldan yıla kendi üzerine inşa edilir.
Ancak, temelden kusurlu bir sistem altında çalıştığımıza inanıyorum. Bizi bu zayıf değerlendirme krizinden kurtarabilecek araç olan yapay zeka, nihai makalelerin ve projelerin abartılı değerlendirmelerinden sorumlu tutulan araçtır. Kusur, yapay zekanın doğasında yoktur; daha ziyade öğretim üyelerinin teknolojiyi tüm öğrenciler arasında öğrenmeyi teşvik edecek ve ders içeriğine hakimiyeti doğru bir şekilde değerlendirecek şekilde uygulamadaki başarısızlığından kaynaklanmaktadır. Bu, teknolojik bir eserden çok, değerlendirmede pedagojik bir bozulmadır.
Mevcut sınıf sistemimiz, farklı derinlik ve genişlikte konu bilgisi, analitik ve sentezleme araçlarıyla farklı beceri seviyeleri ve eşit olmayan eleştirel ve yaratıcı yeteneklere sahip 20, 30 veya daha fazla öğrenciyi bir sınıfa yerleştirir. Bir dönemde birden fazla ders veren bir öğretim üyesi, farklı öğrenci gruplarını başarıya kolayca yönlendiremez; çünkü bu, her öğrencinin farklı ihtiyaçlarına yanıt veren daha kişiselleştirilmiş bir öğretim tarzı gerektirir. Mevcut model, gevşek bir şekilde, takvime dayalı katı bir tempoda birlikte hareket eden öğrencilerin beyinlerine bilgi, bilgi ve becerilerin aktığı bir montaj hattına dayanıyor. Umudumuz hepsinin bilgeliğe ulaşmasıdır. Ancak, bireysel öğrencilerin değişen ihtiyaçlarına uyum sağlanamadan, önemli sayıda öğrenci neredeyse her zaman geride bırakılıyor, değerlendirmelerde daha düşük puanlar alıyor ve dönem sonunda C, D veya daha kötü puanlar alıyor.
Neyse ki, artık tam öğrenmeyi etkili ve verimli bir şekilde uygulayacak ve asırlık montaj hattı modelini tüm öğrencilerin zaman içinde istenen öğrenme sonuçlarına hakim olmalarını sağlayacak şekilde tasarlanmış bir çerçeveyle değiştirecek yapay zeka ile donatıldık. Mevcut modası geçmiş sistem, öğrencilerin başarılarının ustalık seviyesinin altında olduğu durumlarda bile ilerleyebilecekleri varsayımını taşıyor. Bilgi ve beceri geliştirmenin iskele niteliği göz önüne alındığında, bir sınıf veya lisans programında gerekli tüm ilkeleri, yöntemleri, becerileri ve bilgiyi tam olarak anlamayan ve yeterince uygulayamayan öğrencilerimizin çoğunda kusurlu bir iskele oluşturma riskiyle karşı karşıyayız. Bazıları standartların altında bir not ortalaması ile mezun oluyor, konuya hakim değiller ve öğrenimlerinin iskelesinin sonraki kariyerlerinde onları başarısızlığa uğratması muhtemel.
bunun yerine tam öğrenme modeli Öğrencilerin her modülde ustalık kazanmadan kursta ilerlememelerini sağlar:
“Ustalık öğrenimi (ya da başlangıçta adlandırıldığı şekliyle ‘ustalık için öğrenme’; aynı zamanda ‘ustalık temelli öğrenme’ olarak da bilinir), resmi olarak ilk kez 1968’de Benjamin Bloom tarafından önerilen bir öğretim stratejisi ve eğitim felsefesidir. Ustalık öğrenimi, öğrencilerin daha sonraki bilgileri öğrenmek için ilerlemeden önce önkoşul bilgilerde bir düzeyde ustalık (örneğin, bir bilgi testinde %90) elde etmeleri gerektiğini savunur. Bir öğrenci testte ustalık kazanamazsa, ona öğrenmede ek destek verilir ve Bilginin gözden geçirilmesi ve ardından tekrar test edilmesi. Bu döngü, öğrenci ustalığa ulaşana kadar devam eder ve daha sonra bir sonraki aşamaya geçebilir.
Yapay zekayı kullanarak, öğrencilerin sık sık yapılan biçimlendirici değerlendirmeleri yoluyla her öğrencinin ilerlemesini sürekli olarak izleyebiliyoruz. Bu değerlendirmeler yapay zeka aracılığıyla yapılabilir. Bir öğrenci yüzde 90’ın (veya belirlenen seviyenin) altına düşerse yapay zeka, öğrencinin ilgisini çekmek için kullanılacak en iyi içeriği ve pedagojik modeli belirlemek amacıyla gönderilen yanlış cevapları değerlendirebilir.
Bu, bir sonraki modüle geçmeden önce gerçek ustalığa ulaşmak için gerektiği kadar tekrarlanır ve sonsuz sabırlı yapay zeka programı, bireysel öğrenci için en iyi öğrenme bağlamında materyaller sunar. Destekli iskele modeli öğrencilerin yol boyunca kaybolmamasını sağlar. Değişen şey, tüm modüllerin ve ustalık düzeyindeki son değerlendirmenin tamamlanma zamanı veya takvimidir. Eğitmen ilerlemeyi izler ve gerektiğinde öğrencilere bireysel olarak müdahale eder. Bu nedenle, tam öğrenme modelinde tüm öğrenciler fiilen A notu alırlar, ancak 18 haftalık bir dönemde her dersi eşit şekilde tamamlamazlar.
Yapay zekadan önce, her bir modülde bireysel öğrencilerin temel eksikliklerini etkili bir şekilde değerlendirip ele alacak araçlardan yoksunduk. Artık dersi tamamlayan her öğrencinin materyale hakim olmasını sağlayabiliriz. Ancak bazı öğrenciler konuyu bir ayda, bazıları ise altı ayda tamamlayabilirler. Bana öyle geliyor ki, ders içeriğinin eksik veya hatalı anlaşılmasından ziyade, ustalık için harcanan zaman iyi harcanmış. Bu konuyla ilgili daha fazla kaynağa göz atmak isteyebilirsiniz:
Sonunda, belki de çan eğrisi John Donne’un şu sonucuna varacaktır: “Bu nedenle, çanların kimin için çaldığını asla bilmeyin; çanlar sizin için çalıyor.”
