Branża technologii edukacyjnych cierpi na głęboki rozdźwięk między rynkowym sukcesem a faktycznym wpływem na procesy poznawcze. Senior IT Architekci muszą odejść od mierzenia prostego zaangażowania (tzw. screen time) na rzecz Learning Engineering i ciągłej ewaluacji opartej na danych, co drastycznie zmienia podejście do projektowania systemów uczących i ich biznesową wiarygodność.
Koniec zakupów opartych na „hype” — frameworki 3E i 5Es
Obecnie wiele instytucji wybiera rozwiązania EdTech na podstawie popularności lub „wiary”, a nie rygorystycznych dowodów efektywności. Brak zapotrzebowania na dowody sprawia, że dostawcy nie czują potrzeby rygorystycznej ewaluacji, co tworzy cykl niskiej jakości narzędzi, które absorbują czas, ale nie poprawiają wyników nauczania.
Odpowiedzią na ten chaos jest holenderski framework 3E (Evidence-informed Evaluation of EdTech), który klasyfikuje dowody na trzech poziomach: Bronze (modele logiczne, badania wstępne), Silver (badania korelacyjne, UX) oraz Gold (badania eksperymentalne, RCT). Alternatywą jest model 5Es (Efficacy, Effectiveness, Ethics, Equity, Environment), stosowany przez EduEvidence (ICEIE), który pozwala na rzetelne porównywanie produktów na rynkach międzynarodowych. Z punktu widzenia architekta systemów, kluczowe jest przejście od statycznej certyfikacji do cyklu ciągłego doskonalenia, gdzie dowody są zbierane, stosowane i aktualizowane w miarę ewolucji technologii.
AI i architektura oparta na dowodach
Wprowadzenie generatywnej sztucznej inteligencji do edukacji podniosło obawy o systemową jakość narzędzi. Architektura nowoczesnych rozwiązań musi być zakorzeniona w naukach o uczeniu się (learning sciences), a nie tylko w czystej inżynierii oprogramowania. Sandra Liu Huang z Learning Commons podkreśla, że systemy AI wymagają granularnych danych strukturalnych, aby mogły „rozumować” o postępach ucznia. Przykładem takiej infrastruktury jest Knowledge Graph, który łączy standardy akademickie z research-based design.
W procesie projektowania AI (tzw. Value-Sensitive Design) niezbędne jest zaangażowanie nauczycieli w trybie co-designu. Rekomendacje projektowe (DR1-DR7) wskazują na konieczność budowania w narzędziach AI mechanizmów dla: Integracji danych (DR5): Przezroczystość cyklu ML (zbiór danych, trening, ewaluacja). Analizy etycznej (DR7): Scaffolding dla dyskusji o uprzedzeniach (bias) i normach społeczno-ekonomicznych. * Krytycznej refleksji (DR6): Wbudowane w narzędzia okazje do refleksji nad wzorcami w danych.
Learning Engineering jako nowy standard operacyjny
Learning Engineering to proces stosujący nauki o uczeniu się przy użyciu metodologii inżynierskich skoncentrowanych na człowieku. W tradycyjnych firmach EdTech procesy projektowania, budowy i analizy danych są często odseparowane (silosy). Learning Engineering integruje te elementy w iteracyjne cykle: Wyzwanie -> Badanie -> Tworzenie -> Implementacja.
Kluczowym produktem tego podejścia jest Evidence Portfolio — żyjący dokument, który systematycznie gromadzi dowody na skuteczność narzędzia w różnych kontekstach. Dla profesjonalistów IT oznacza to konieczność projektowania systemów z wbudowaną instrumentacją danych (data instrumentation), która pozwala na ciągłe monitorowanie wpływu technologii na wyniki edukacyjne.
Podsumowanie i wnioski praktyczne
Dla decydentów IT i biznesu płyną z powyższych analiz trzy kluczowe wnioski: 1. Dług technologiczny dowodów: Narzędzie bez portfela dowodów (Evidence Portfolio) staje się ryzykiem biznesowym i operacyjnym. 2. Architektura „Open Data”: Istnieje rosnąca presja na tworzenie otwartych repozytoriów danych EdTech, co wymusi na architektach zmianę podejścia do własności danych i ich interoperacyjności. 3. Inżynieria wartości: Projektowanie AI w edukacji musi wykraczać poza sprawność algorytmiczną, integrując ramy etyczne (Ethics) i sprawiedliwość społeczną (Equity) jako natywne funkcje systemu.
Dodaj komentarz