Τάξεις έτοιμες για το μέλλον: Ενσωμάτωση της Τεχνητής Νοημοσύνης και της τεχνολογίας στην εκπαίδευση

Υλοποίηση απο το ΚΕΔΙΒΜ του ΑΠΘ

Το εκπαιδευτικό πρόγραμμα προσφέρει μια ολοκληρωμένη προσέγγιση στη χρήση και την ενσωμάτωση της Τεχνητής Νοημοσύνης (ΤΝ) στην εκπαίδευση. Μέσα από 10 διακριτές ενότητες, οι εκπαιδευτικοί θα εξοικειωθούν με τα βασικά εργαλεία και τις μεθόδους που αξιοποιούν την Τεχνητή Νοημοσύνη για τη βελτίωση της μαθησιακής εμπειρίας, τη διευκόλυνση της οργάνωσης του εκπαιδευτικού υλικού και τη δημιουργική εκπαιδευτική ανάπτυξη των μαθητών.

Διδακτική Ενότητα 1: Εισαγωγή στην Τεχνητή Νοημοσύνη στην Εκπαίδευση

Περιεχόμενο μαθημάτων:

  • Βασικές Έννοιες της Τεχνητής Νοημοσύνης
  • Εφαρμογές της Τεχνητής Νοημοσύνης στην Εκπαίδευση
  • Κατανόηση των θεμάτων ιδιωτικότητας και προστασίας δεδομένων στην εκπαιδευτική χρήση της Τεχνητής Νοημοσύνης (ΤΝ)
  • Κύριοι Κλάδοι και Τεχνικές: Μηχανική Μάθηση (Machine Learning), Βαθιά Μάθηση (Deep Learning), Επεξεργασία Φυσικής Γλώσσας (Natural Language Processing – NLP), Ρομποτική

30 ώρες.

Ενότητα 2: Αυτοματοποιημένη αξιολόγηση μαθητών και παροχή εξατομικευμένης ανατροφοδότησης

Περιεχόμενο μαθημάτων

  • Προσωποποιημένη Μάθηση με Τεχνητή Νοημοσύνη
  • Εργαλεία και Τεχνολογίες – Παρουσίαση προσαρμοστικών συστημάτων μάθησης (π.χ., Knewton, Smart Sparrow).
  • Πρακτική εξάσκηση με επιλεγμένα εργαλεία.
  • Ανάλυση Δεδομένων και Ανατροφοδότηση
  • Αυτοματοποιημένη Αξιολόγηση
  • Είδη αυτοματοποιημένων αξιολογήσεων (κουίζ, τεστ, ανατροφοδοτήσεις).
  • Παρουσίαση πλατφορμών όπως Moodle Quizzes, Google Forms, Kahoot!.
  • Ερμηνεία των αποτελεσμάτων των αξιολογήσεων.
  • Χρήση των δεδομένων για βελτίωση της διδασκαλίας.

30 ώρες.

Ενότητα 3: Εργαλεία Οργάνωσης και Διαχείρισης Εκπαιδευτικού Υλικού. Τα οποία υποστηρίζονται από Τεχνητή Νοημοσύνη

Περιεχόμενο μαθημάτων

  • Δημιουργία και Οργάνωση Εκπαιδευτικού Υλικού .Δημιουργία προσαρμοσμένων εκπαιδευτικών βιβλίων.
  • Ψηφιοποιήση και Διαχείριση Υλικού. Ψηφιοποίηση χειρόγραφων εγγράφων και κατηγοριοποίησή τους 
  • Εργαλεία Αναζήτησης και Ταξινόμησης Υλικού Διαχείριση σημειώσεων και οργάνωση σχεδίων διδασκαλίας .
  • Δημιουργία Πολυμέσων με εργαλεία τεχνητής νοημοσύνης. Μετατροπή βίντεο σε εκπαιδευτικό υλικό με ενσωματωμένα  quiz και ανατροφοδότηση.

30 ώρες.

Ενότητα 4: Ανάλυση δεδομένων μάθησης με Τεχνητή Νοημοσύνη (Learning Analytics

Περιεχόμενο μαθημάτων

  • Τι είναι τα Learning Analytics;
  • Πώς η ΤΝ συμβάλλει στη συλλογή και ανάλυση δεδομένων.
  • Εφαρμογές Learning Analytics στην εκπαίδευση.
  • Παρουσίαση των πιο γνωστών εργαλείων Learning Analytics με
  • χρήση πραγματικών παραδειγμάτων.
  • Εργαλεία που Παρουσιάζονται: Tableau for Education: Οπτικοποίηση δεδομένων από επιδόσεις μαθητών. Power BI Education Analytics: Επεξεργασία και ανάλυση δεδομένων για εκπαιδευτικούς οργανισμούς. Google Classroom Analytics: Αξιολόγηση της συμμετοχής μαθητών μέσω της πλατφόρμας.

30 ώρες.

Ενότητα 5: Ψηφιακοί Βοηθοί και Chatbots στην Εκπαίδευση

Περιεχόμενο μαθημάτων

  • Παρουσίαση βασικών εννοιών και ορισμών, όπως: Τι είναι οι ψηφιακοί βοηθοί και τα chatbots; Ρόλος και οφέλη στην εκπαίδευση.
  • Παραδείγματα εργαλείων (π.χ. ChatGPT, Duolingo Bot, Replika).
  • Επίδειξη της λειτουργίας και των δυνατοτήτων εργαλείων chatbots και
  • ψηφιακών βοηθών σε πραγματικό χρόνο.
  • Εργαλεία που Παρουσιάζονται:
    • ChatGPT: Εξυπηρέτηση μαθητών με απαντήσεις σε ερωτήσεις και επεξηγήσεις εννοιών.
    • Duolingo Bot: Εφαρμογή για την εξάσκηση ξένων γλωσσών.
    • Replika: Ψηφιακός βοηθός για ανάπτυξη δεξιοτήτων επικοινωνίας.

30 ώρες.

Ενότητα 6: Παιγνιοποίηση (Gamification) στην εκπαίδευση

Περιεχόμενο μαθημάτων

  • Εισαγωγή στην παιγνιοποίηση (οφέλη στην εκπαίδευση, μέθοδοι παιγνιοποίησης, επιτυχημένα παραδείγματα).
  • Παιγνιοποίηση και AI – χρήση εργαλείων που παρουσιάστηκαν στις προηγούμενες ενότητες για την δημιουργία ενός σεναρίου παιγνιοποίησης ενός μαθήματος.
  • Εισαγωγή στην ανάπτυξη παιχνιδιών με χρήση Unity.

 30 ωρες.

Ενότητα 7: Εξατομικευμένη/διαφοροποιημένη διδασκαλία και δημιουργία διαφοροποιημένου εκπαιδευτικού υλικού με τη χρήση εργαλείων Τεχνητής Νοημοσύνης

Περιεχόμενο μαθημάτων

  • Κατανόηση της έννοιας της εξατομικευμένης μάθησης και της διαφοροποίησης της διδασκαλίας.
  • Ανάπτυξη γνώσεων για τα εργαλεία ΤΝ που υποστηρίζουν την εξατομικευμένη εκπαίδευση / διαφοροποιημένη διδασκαλία
  • Δημιουργία πρακτικών εφαρμογών που βασίζονται σε ΤΝ για τη βελτίωση της εκπαιδευτικής εμπειρίας.
  • Σχεδιασμός ενός πρωτότυπου συστήματος εξατομικευμένης μάθησης.
  • Εκμάθηση πλατφορμών εξατομικευμένης μάθησης (π.χ., DreamBox, Khan Academy, Duolingo)

 30 ωρες.

Ενότητα 8: Παρουσίαση διαδικτυακών εκπαιδευτικών Πλατφόρμων οι οποίες έχουν βασιστεί για τη δημιουργία τους στην Τεχνητή Νοημοσύνη για Εκμάθηση. Καλά παραδείγματα και πρακτικές

Περιεχόμενο μαθημάτων

Khan Academy

  • Εξατομικευμένη Μάθηση: Χρήση αλγορίθμων για προσαρμογή των μαθημάτων στις ανάγκες κάθε μαθητή.
  • Εκτεταμένη Βιβλιοθήκη Υλικού: Διαθέτει πλούσιο εκπαιδευτικό υλικό σε πολλά μαθήματα, από μαθηματικά μέχρι τέχνες.
  • Διαδραστικές Ασκήσεις: Προσφέρει διαδραστικές ασκήσεις για άμεση εξάσκηση και κατανόηση της ύλης.
  • Πρόοδός και Ανατροφοδότηση: Παρέχει συνεχή ανατροφοδότηση και ενημερώσεις για την πρόοδο των μαθητών.

Coursera

  • Προσφορά Πιστοποιητικών: Συνεργασία με πανεπιστήμια και άλλους φορείς για την παροχή πιστοποιητικών και διπλωμάτων.
  • Ποικιλία Μαθημάτων: Διαθέσιμα μαθήματα σε διάφορους τομείς, από τεχνολογία και επιστήμη μέχρι ανθρωπιστικές σπουδές.
  • Μάθηση Βασισμένη σε Βίντεο: Χρήση βίντεο διαλέξεων για εύκολη πρόσβαση και κατανόηση του μαθήματος.
  • Αλληλεπίδραση και Συζητήσεις: Ενθαρρύνει την αλληλεπίδραση μεταξύ των μαθητών και τη συμμετοχή σε φόρουμ συζητήσεων.

Duolingo

  • Εκμάθηση Γλωσσών μέσω Παιχνιδιού: Χρησιμοποιεί gamification για την ενίσχυση της μάθησης με διασκεδαστικούς και εθιστικούς τρόπους.
  • Προσαρμοστικές Εξασκήσεις: Προσαρμόζει τις ασκήσεις ανάλογα με την απόδοση και τις ανάγκες του χρήστη για βελτιστοποίηση της εκμάθησης.
  • Συνεχής Αξιολόγηση: Συνεχής αξιολόγηση και ανατροφοδότηση για να παρακολουθούν οι χρήστες την πρόοδό τους

 30 ωρες.

Ενότητα 9: Παραγωγική τεχνητή νοημοσύνη(GenAI). Εφαρμογές και λειτουργία στην Εκπαίδευση

Περιεχόμενο μαθημάτων

Εισαγωγή στη Generative AI:

Κατανόηση των βασικών εννοιών και τεχνολογιών πίσω από τη Generative AI, όπως GANs (Generative Adversarial Networks) και νευρωνικά δίκτυα.

Παρουσίαση εργαλείων Generative AI που είναι χρήσιμα στην εκπαίδευση:

Generative AI για τη δημιουργία εκπαιδευτικού περιεχομένου με τα ακόλουθα εργαλεία:

GPT (Generative Pre-trained Transformer) – OpenAI:

Αυτό το μοντέλο μπορεί να παράγει εκπαιδευτικά κείμενα, να απαντήσει σε ερωτήσεις μαθητών, και να βοηθήσει στη σύνθεση έρευνας ή δοκιμίων. Επίσης, μπορεί να παράγει σενάρια για προσομοιώσεις ή να δημιουργήσει περιλήψεις μαθημάτων.

DeepArt – Χρήση Τεχνητής Νοημοσύνης για τη δημιουργία τέχνης:

Εργαλείο που μετατρέπει τις φωτογραφίες σε έργα τέχνης με στυλ διάσημων ζωγράφων. Ιδανικό για μαθήματα τέχνης και δημιουργικής γραφής.

Runway ML – Εύκολη πρόσβαση σε AI εργαλεία:

Πλατφόρμα που επιτρέπει στους χρήστες να εξερευνήσουν, να δημιουργήσουν και να ενσωματώσουν Generative AI στα έργα τους. Μπορεί να χρησιμοποιηθεί για τη δημιουργία πολυμεσικών έργων

Wolfram Alpha – Υπολογιστική νοημοσύνη:

Εργαλείο που παρέχει απαντήσεις σε σύνθετα μαθηματικά και επιστημονικά ερωτήματα μέσω προηγμένων αλγορίθμων και ευρείας γνώσης βάσης.

Artbreeder – Δημιουργία οπτικών εικόνων:

Πλατφόρμα που επιτρέπει τον συνδυασμό και τη μεταμόρφωση εικόνων για τη δημιουργία νέων οπτικών τέχνης μέσω Generative AI, χρήσιμο για μαθήματα τέχνης και σχεδίασης.

Descript – Επεξεργασία ήχου και βίντεο:

Εφαρμογή που επιτρέπει την επεξεργασία ήχου και βίντεο με τη βοήθεια Generative AI, ιδανική για τη δημιουργία εκπαιδευτικού υλικού και παρουσιάσεων

 50 ωρες.

Ενότητα 10: Μία ανθρωποκεντρική προσέγγιση της χρήσης της τεχνητής νοημοσύνης στην εκπαίδευση

Περιεχόμενο μαθημάτων

Δεοντολογικές Προκλήσεις και Νομικό Πλαίσιο:

  • Ανάπτυξη πολιτικών και κανονισμών για την ασφαλή χρήση της τεχνητής νοημοσύνης στην τάξη.
  • Εξέταση των νομικών πλαισίων που ρυθμίζουν τη χρήση της τεχνητής νοημοσύνης σε εκπαιδευτικά περιβάλλοντα.
  • Μέθοδοι παρακολούθησης και αξιολόγησης των αποτελεσμάτων της χρήσης της τεχνητής νοημοσύνης στην εκπαίδευση
  • Διαχείριση και προστασία των προσωπικών πληροφοριών που υλλέγονται κατά τη χρήση Τεχνητής Νοημοσύνης (ΤΝ) στην εκπαίδευση.

 30 ωρες.

Περισσότερες πληροφορίες