Πρώιμη ανίχνευση των δυσκολιών γραμματισμού
Το παρόν άρθρο, με τίτλο AI: Πρώιμη ανίχνευση των δυσκολιών γραμματισμού, παρουσιάζει πώς η τεχνητή νοημοσύνη μπορεί να συνεισφέρει στην πρώιμη ανίχνευση παιδιών υψηλής επικινδυνότητας για την εκδήλωση μαθησιακών δυσκολιών, τις προϋποθέσεις εφαρμογής της στην εκπαίδευση, καθώς επίσης τις προκλήσεις της εφαρμογής της.
Το να παρέμβεις έγκαιρα σημαίνει να δώσεις στον μαθητή μια δεύτερη ευκαιρία πριν χαθεί η πρώτη.» Torgesen (2002)
Η πρώιμη ανίχνευση των δυσκολιών γραμματισμού με τη χρήση της τεχνητής νοημοσύνης αποτελεί ένα νέο και πολλά υποσχόμενο πεδίο παρέμβασης, το οποίο εστιάζει στην αξιοποίηση των δυνατοτήτων της τεχνητής νοημοσύνης για τον έγκαιρο εντοπισμό παιδιών τα οποία βρίσκονται σε κίνδυνο εκδήλωσης δυσκολιών με την κατάκτηση του γραμματισμού.
Τί είναι ο γραμματισμός;
Ο γραμματισμός δεν περιορίζεται στις δεξιότητες της ανάγνωσης και της γραφής, αλλά περιλαμβάνει ένα σύνολο γνωστικών, γλωσσικών και κοινωνικών ικανοτήτων που επιτρέπουν στο άτομο να κατανοεί, να επεξεργάζεται και να παράγει νοήματα μέσω του προφορικού και του γραπτού λόγου. Περιλαμβάνει δεξιότητες όπως η φωνολογική ενημερότητα, η κατανόηση του κειμένου, η σύνταξη, το λεξιλόγιο και η ορθογραφία, καθώς επίσης η ικανότητα του παιδιού να χρησιμοποιεί τη γλώσσα ως εργαλείο σκέψης, επικοινωνίας και μάθησης (UNESCO, 2006).
Η τεχνητή νοημοσύνη ως εργαλείο ανίχνευσης παιδιών υψηλής επικινδυνότητας για την εκδήλωση μαθησιακών δυσκολιών
Η αξιολόγηση η οποία βασίζεται στην τεχνητή νοημοσύνη μπορεί να αποδώσει πολύ ακριβή αποτελέσματα, ενσωματώνοντας την πολυπαραγοντική ανάλυση των συμπεριφορικών και κοινωνικών παραμέτρων και της μαθησιακής επίδοσης (Zhou κ.ά., 2022).
Συγκεκριμένα, η πρώιμη ανίχνευση των δυσκολιών γραμματισμού με τη χρήση της τεχνητής νοημοσύνης αναφέρεται στη χρήση προηγμένων αλγορίθμων, μηχανικής μάθησης και ανάλυσης μεγάλων δεδομένων (Βig data), με σκοπό την πρώιμη ανίχνευση παιδιών υψηλής επικινδυνότητας για την εκδήλωση μαθησιακών δυσκολιών στη γραφή, την ανάγνωση και την αναγνωστική κατανόηση.
Έτσι, η τεχνητή νοημοσύνη λειτουργεί ως «έγκαιρος ανιχνευτής», παρέχοντας εκτιμήσεις με βάση τα γνωστικά, γλωσσικά και συμπεριφορικά δεδομένα του κάθε παιδιού ξεχωριστά (Torgesen, 2002).
Πράγματι, μέσω της ανάλυσης της επεξεργασίας της γλώσσας την οποία χρησιμοποιεί το παιδί, η τεχνητή νοημοσύνη μπορεί να αναλύσει τις δεξιότητες αφήγησης των παιδιών και να εντοπίζει ασυνέπειες, επαναλήψεις, έλλειψη συντακτικής συνοχής –ελλείμματα τα οποία συνδέονται με προβλέψιμες δυσκολίες στον γραμματισμό.
Advertising
Επί παραδείγματι, ο νευρογλωσσικός προγραμματισμός (NLP) αποτελεί έναν κλάδο της τεχνητής νοημοσύνης ο οποίος επιτρέπει στους υπολογιστές να κατανοούν, να επεξεργάζονται και να αναλύουν τη γλώσσα, ώστε να εξάγονται χρήσιμα συμπεράσματα από τα γλωσσικά δεδομένα που παράγει το παιδί. Με αυτό τον τρόπο, οι ειδικοί μπορούν να αναπτύξουν ένα πιο ευέλικτο και εξατομικευμένο περιβάλλον μάθησης, όπου οι παρεμβάσεις δεν εφαρμόζονται με γενικευμένο τρόπο, αλλά ανταποκρίνονται στις ιδιαίτερες ανάγκες κάθε μαθητή ξεχωριστά.
Ηθικά και παιδαγωγικά ζητήματα της εφαρμογής της τεχνητής νοημοσύνης στην εκπαίδευση
- Πρώτον, η συλλογή των δεδομένων απαιτεί αυστηρές διασφαλίσεις του απόρρητου. Τα δεδομένα αφορούν τις γνωστικές, συμπεριφορικές και γλωσσικές επιδόσεις του κάθε παιδιού –δεδομένα τα οποία μπορεί να οδηγήσουν σε στιγματισμό των παιδιών με ελλείμματα ή διαταραχές (Binns, 2018).
- Δεύτερον, η υπέρμετρη εμπιστοσύνη στους αλγόριθμους ενδέχεται να οδηγήσει στη μείωση της ανθρώπινης κρίσης. Η παρέμβαση του εκπαιδευτικού οφείλει να παραμένει κεντρική. Έτσι, η χρήση της τεχνητής νοημοσύνης θα πρέπει να λειτουργεί μόνο ως εργαλείο υποστήριξης του εκπαιδευτικού, και όχι ως απόλυτος κριτής των δυνατοτήτων του παιδιού.
- Τρίτον, η αξιολόγηση με τη χρήση της τεχνητής νοημοσύνης πρέπει να εντάσσεται σε ένα παιδαγωγικά ευαίσθητο πλαίσιο, όπου οι τεχνολογικές λύσεις συνομιλούν με την ενσυναίσθηση, τη γνώση του μαθησιακού προφίλ και τις πολιτισμικές ιδιαιτερότητες κάθε παιδιού. Η ολιστική προσέγγιση παραμένει αναγκαία, ώστε να αποφεύγονται οι απλουστευτικές ερμηνείες των δεδομένων.
- Τέταρτον, είναι σημαντικό είναι να διασφαλιστεί ότι η χρήση της τεχνολογίας δεν ενισχύει τις κοινωνικές ανισότητες. Τα σχολεία και οι εκπαιδευτικοί θα πρέπει να έχουν ισότιμη πρόσβαση σε αυτά τα εργαλεία και την απαραίτητη επιμόρφωση για την ορθή τους χρήση. Διαφορετικά, κινδυνεύει να δημιουργηθεί ένα νέο “ψηφιακό χάσμα”, όπου μόνο συγκεκριμένες ομάδες παιδιών θα ωφελούνται από τις δυνατότητες της τεχνολογίας.
Λογισμικά τεχνητής νοημοσύνης για την ανίχνευση των μαθησιακών δυσκολιών
Σε πρακτικό επίπεδο, έχουν ήδη αναπτυχθεί και εφαρμοστεί καινοτόμα εκπαιδευτικά λογισμικά τα οποία εφαρμόζουν την τεχνητή νοημοσύνη για την πρώιμη ανίχνευση δυσκολιών με τον γραμματισμό. Παρακάτω, παρουσιάζονται μερικές εφαρμογές:
1. LENA (Language Environment Analysis). Η εφαρμογή LENA χρησιμοποιεί ειδικές ηχογραφημένες συσκευές με μικρόφωνα, οι οποίες καταγράφουν τη γλωσσική ροή στο περιβάλλον του παιδιού. Το σύστημα αναλύει πόσες λέξεις ακούγονται, ποιοι συμμετέχουν σε διαλόγους και πόσες φορές ανταποκρίνεται το παιδί. Με βάση τα λεκτικά ερεθίσματα και την ποιότητα της γλωσσικής αλληλεπίδρασης, το λογισμικό εντοπίζει παιδιά τα οποία ενδέχεται να εμφανίσουν καθυστέρηση στην ανάπτυξη του προφορικού λόγου. Η αξιοπιστία της μεθόδου έχει τεκμηριωθεί από έρευνες όπως αυτή των Gilkerson κ.ά. (2017). Παρόλο που η εφαρμογή LENA έχει διαδοθεί σε αρκετές χώρες, δεν είναι ελεύθερα διαθέσιμη προς χρήση στην Ελλάδα, καθώς απαιτεί εξειδικευμένο εξοπλισμό και υποστήριξη.
2. i-Ready Diagnostic. Το i-Ready Diagnostic αποτελεί μία από τις δημοφιλέστερες πλατφόρμες αξιολόγησης στις ΗΠΑ. Συνδυάζει τα τεστ αναγνωστικής κατανόησης με τη μηχανική μάθηση για την εξατομίκευση της μαθησιακής πορείας του κάθε παιδιού. Το λογισμικό αξιολογεί τις βασικές δεξιότητες όπως η φωνολογική ενημερότητα, το λεξιλόγιο και η κατανόηση του κειμένου και εντοπίζει μαθητές οι οποίοι χρειάζονται υποστήριξη. Αν και θεωρείται αξιόπιστο εργαλείο, δεν διατίθεται δωρεάν και δεν χρησιμοποιείται επίσημα στην Ελλάδα, παρά μόνο μέσω των ιδιωτικών ή των διεθνών σχολείων τα οποία πληρώνουν συνδρομή.
3. EDU-AI (Ευρωπαϊκό Πρόγραμμα Τεχνητής Νοημοσύνης στην Εκπαίδευση). Το EDU-AI είναι ένα ερευνητικό έργο της Ευρωπαϊκής Ένωσης το οποίο εστιάζει στην εφαρμογή της επεξεργασίας της γλώσσας (Natural Language Processing) και της τεχνητής νοημοσύνης για την πρόβλεψη των φωνολογικών ελλειμμάτων σε παιδιά προσχολικής ηλικίας. Στόχος του είναι η πρώιμη ανίχνευση παιδιών τα οποία ενδέχεται να παρουσιάσουν μαθησιακές δυσκολίες (π.χ., δυσλεξία). Το πρόγραμμα είναι ανοικτής πρόσβασης. Στο πρόγραμμα έχουν συμμετάσχει ευρωπαϊκά πανεπιστήμια και ερευνητικά ινστιτούτα, κάποια εκ των οποίων συνεργάζονται και με ελληνικούς φορείς. Παρόλο που δεν έχει υιοθετηθεί ακόμη από τα δημόσια σχολεία της Ελλάδας, ενδέχεται να αξιοποιηθεί στο μέλλον μέσω ερευνητικών συμπράξεων και πιλοτικών δράσεων.
Προτάσεις εφαρμογής της τεχνητής νοημοσύνης στην εκπαιδευτική διαδικασία
Η ένταξη της τεχνητής νοημοσύνης στην πρώιμη ανίχνευση των δυσκολιών γραμματισμού απαιτεί:
- Την εκπαίδευση των εκπαιδευτικών: Οι εκπαιδευτικοί θα πρέπει να είναι εξοικειωμένοι με τις βασικές αρχές λειτουργίας της τεχνητής νοημοσύνης και τα ερμηνευτικά όρια των εργαλείων.
- Τη διαλειτουργικότητα των εργαλείων: Οι πλατφόρμες της τεχνητής νοημοσύνης θα πρέπει να ενσωματώνονται ομαλά στα σχολικά πληροφοριακά συστήματα, διασφαλίζοντας την εξατομίκευση.
- Τη συνεργασία των ειδικών: Ψυχολόγοι, λογοθεραπευτές και ειδικοί παιδαγωγοί θα πρέπει να αξιοποιούν τις ενδείξεις των συστημάτων της τεχνητής νοημοσύνης για την αξιολόγηση των μαθητών.
- Την επικοινωνία με τους γονείς: Η ενημέρωση των γονέων για τον σκοπό και τα οφέλη της χρήσης της τεχνητής νοημοσύνης θα μπορεί να ενισχύσει τη διαφάνεια και την αποδοχή της παρέμβασης.
Συμπεράσματα
Η πρώιμη ανίχνευση των δυσκολιών στον γραμματισμό με τη χρήση της τεχνητής νοημοσύνης δεν είναι πλέον ένα μελλοντικό ενδεχόμενο –είναι ήδη παρούσα και διαμορφώνει νέα δεδομένα στην εκπαιδευτική πράξη. Αν και δεν αντικαθιστά την παιδαγωγική κρίση, αποτελεί ένα πολύτιμο εργαλείο για την έγκαιρη ανίχνευση των μαθησιακών δυσκολιών.
Μέσω της τεχνητής νοημοσύνης, είναι πλέον εφικτό να αναγνωριστούν έγκαιρα τα μοτίβα των γλωσσικών ή γνωστικών ελλειμμάτων τα οποία συχνά περνούν απαρατήρητα στα πρώτα σχολικά χρόνια.
Advertising
Η ισορροπημένη εφαρμογή της τεχνητής νοημοσύνης, με σεβασμό στα ηθικά όρια και την παιδαγωγική ευαισθησία, μπορεί να ενισχύσει την αποτελεσματικότητα των παρεμβάσεων και να προσφέρει ίσες ευκαιρίες μάθησης. Στο μέλλον, η συστηματική αξιοποίηση της τεχνητής νοημοσύνης αναμένεται να βελτιώσει δραστικά τη στοχευμένη υποστήριξη των παιδιών και να μειώσει τη σχολική αποτυχία.
Βιβλιογραφία
Binns, R. (2018). Fairness in Machine Learning: Lessons from Political Philosophy. In Proceedings of the 2018 Conference on Fairness, Accountability, and Transparency (σσ. 149-159).
https://proceedings.mlr.press/v81/binns18a.html
Gilkerson, J., Richards, J. A., Warren, S. F., Montgomery, J. K., Greenwood, C. R., & Oller, D. K. (2017). Mapping the early language environment using all-day recordings and automated analysis. American Journal of Speech-Language Pathology, 26(2), 248–265.
Torgesen, J. K. (2002). The prevention of reading difficulties. Journal of School Psychology, 40(1), 7–26. https://doi.org/10.1016/S0022-4405(01)00092-9
UNESCO. (2006). Education for all global monitoring report: Literacy for life. United Nations Educational, Scientific and Cultural Organization.
https://unesdoc.unesco.org/ark:/48223/pf0000141639
Zhou, M., Lyu, Y., Wang, C., & Wang, Q. (2022). Deep learning for early identification of learning disabilities in primary education. Computers in Human Behavior, 129, 107137.
