“Nous devrions changer les objectifs de l'éducation pour se concentrer sur un apprentissage plus approfondi: La pertinence de ce qui est enseigné, pour renforcer la motivation, et la personnalisation du quoi et comment; Versatilité, créer 'l'homme de la Renaissance», qui apporte robustesse pour faire face à ce que la vie jette sur nous; Transfert, assurer que ce que nous apprenons dans les limites étroites des écoles, se traduit actionability dans des situations de la vie réelle.” — Charles Fadel
Les ordinateurs d'apprentissage des grandes données ont créé une nouvelle source de connaissances pour la société.
Les ordinateurs peuvent déjà nous dire beaucoup de choses, y compris, qui à ce jour et ce que les stocks d'acheter. Et étant donné la vitesse à laquelle ils sont en cours d'élaboration, combien de temps il avant que les ordinateurs peuvent écrire nos essais haute école ou de parler une langue étrangère, ou même nous conduire à l'école?
Charles Fadel is the founder of the Center for Curriculum Redesign and author of Quatre-Dimensional Education: Les compétences des apprenants ont besoin pour réussir. He just taught the first-ever class at Harvard Graduate School of Education on « L'apprentissage de la machine + Apprentissage Humain ».
Il se joindra à nous La recherche globale pour l'éducation pour discuter de la façon dont les élèves continueront avec les machines.
“Nous allons voir l'émergence d'une « classe sacerdotale » de ceux qui sont capables de concevoir et utiliser des algorithmes contre ceux qui vivent avec leurs conséquences, il incombe systèmes d'éducation pour faire en sorte que tout le monde * * est suffisant et numerate algorithmiquement capable.” — Charles Fadel
Charles, un tiers de tous les mariages commencent en ligne. programmes de négociation automatisés ont remplacé 60-70% du commerce humain. Un algorithme pourrait bientôt être en mesure d'appeler 911 et peut-être sauver nos vies. Qu'est-ce que cela signifie pour l'éducation?
Tout d'abord, let’s establish some boundaries about what Machine Learning/AI can and cannot do – at least at this stage. We have seen tremendous advances in games such as chess, Allez au poker, des domaines tels que la parole et la reconnaissance de l'écriture manuscrite et la synthèse, composition musicale, etc. Cependant, aussi incroyable que c'est, ils représentent soi-disant « problèmes » bornés où les règles sont claires et limitées, même si l'espace de solution est large.
Donc, AI est déjà supérieure dans les tâches répétitives et prédictive, les tâches qui dépendra de la puissance de calcul, classer d'énormes quantités de données et entrées, prendre des décisions fondées sur des règles concrètes — avec moins de préjugés que les humains, mais toujours induite par des algorithmes et des ensembles de données choisis par l'homme.
Alors que les humains sont mieux à éprouver des émotions authentiques et établir des relations, la formulation des questions et des explications sur différentes échelles et sources, décider comment utiliser des ressources limitées entre les dimensions stratégiques (y compris les machines tâches devraient faire et quelles sont les données pour leur donner), la fabrication de produits et les résultats utilisables pour l'homme et de communiquer à leur sujet, prendre des décisions en fonction des valeurs abstraites.
Quant à ce que cela signifie pour l'éducation, elle implique que nous devrions changer les objectifs de l'éducation pour se concentrer sur un apprentissage plus approfondi: La pertinence de ce qui est enseigné, pour renforcer la motivation, et la personnalisation du quoi et comment; Versatilité, créer "l'homme de la Renaissance", qui apporte robustesse pour faire face à ce que la vie jette sur nous; Transfert, assurer que ce que nous apprenons dans les limites étroites des écoles, se traduit actionability dans des situations de la vie réelle.
plaisamment, Les succès de l'utilisation tardive des algorithmes d'apprentissage « profond » d'Amnesty International, et dans les milieux de l'éducation, nous avons parlé de « apprentissage plus approfondi,» Il est vraiment « profonde + plus profond apprentissage » ensemble!
Nous pourrions bientôt devoir nos emplois à des algorithmes. Les entreprises les utilisent pour sélectionner les demandeurs d'emploi. Depuis combien de temps est-il jusqu'à ce qu'un algorithme détermine qui est accepté à Harvard? Qu'est-ce que cela signifie pour l'éducation?
Les entreprises et les universités utilisent des critères quantitatifs et qualitatifs pour longtemps, chez les candidats de dépistage: SAT scores, GPAs, les échelles salariales, marque d'anciens employeurs, etc. all of which are used to decide on a candidate’s fit. There is a lot left to human decisions, and we generally think that humans are infallible. The reality is that the processes are fraught with imperfections: les juges décernent des peines plus sévères à des séances en fin de matinée, qualité des enseignants plus mal les premiers et derniers essais, les médecins sont incapables de suivre toutes les avancées dans leur domaine, etc. I would welcome a day where the algorithms handle the tedium, and the humans make the wise choices unburdened. Bien sûr, cela implique que nous serions sages de ne pas laisser les algorithmes dicter les décisions que nous voyons dans les cas de la police dans tout le pays que les algorithmes ont codé biais de codes postaux existants ...
Cependant, les employeurs et les universités cherchent aussi bien à l'échelle mondiale bien arrondis candidats alphabétisés, capable de non seulement la maîtrise des connaissances modernes tels que l'ingénierie et l'esprit d'entreprise, sciences sociales et à l'information, mais sont également qualifiés: créatif, penseurs critiques qui sont communicatif et collaboration; affichage qualités de caractère: pleine conscience, curiosité, courage, résistance, l'éthique et le leadership; adapter et apprendre à apprendre via les capacités de méta-apprentissage avec la mentalité de croissance et métacognition.
“AI est de plus intégré dans toutes les applications et toutes les, comme cela est en général le calcul. Il devient aussi omniprésent et invisible microprocesseurs dans les systèmes auto-rupture, par exemple.” — Charles Fadel
La vitesse à laquelle l'apprentissage automatique améliore est intimidante. Est-ce que l'apprentissage machine appartient même au laboratoire? Ne devrait pas tout le monde dans la société comprendre comment ces machines déterminent leurs faits? Qu'est-ce que cela signifie pour l'éducation?
Ray Dalio, milliardaire de fonds de couverture Bridgewater, a déclaré dans le Financial Times:
« Nous nous dirigeons vers un monde où vous allez soit être capable d'écrire des algorithmes et de parler cette langue, or be replaced by algorithms…” and I agree. We are going to see the emergence of a “priesthood class” of those who are capable of designing and using algorithms vs those who will live with their consequences, so it behooves education systems to ensure that *everyone* is numerate enough and algorithmically capable. All fields are becoming quantitative, à l'exception possible de la philosophie; Biology in Darwin times used to be descriptive and now it is mostly analytical. Plus, ce qui implique l'importance renouvelée de l'éthique en cours d'étude pour tout le monde.
Les connaissances accumulées par des algorithmes sur une tâche ou d'un domaine donné bientôt éclipsera les scientifiques du savoir ont accumulé au fil des siècles. Machine Learning sont les informaticiens mieux que les scientifiques de l'homme, étant donné qu'ils peuvent regarder beaucoup plus de données et les analyser plus rapidement que tout scientifique humain pourrait jamais?
Comme décrit plus haut, les algorithmes sont mieux que les humains lorsque les ensembles de données sont claires et propres, and the application narrow. They do undoubtedly accelerate our progress, par exemple via accélération génomique. Cependant, à affirmer qu'ils sont globalement meilleure que les scientifiques de l'homme est un tronçon injustifiée à ce stade,, il est comme dire que parce que les ordinateurs sont plus rapides que les humains à calculer, they are better Mathematicians. We work in symbiosis, et de plus en - comme Augmentée humains.
Quant à la façon dont ces capacités pourraient évoluer à l'avenir, il est bien sûr impossible de dire, mais avec des milliards de dollars investis dans le monde entier, AI est de plus intégré dans toutes les applications et toutes les, comme cela est en général le calcul. Il devient aussi omniprésent et invisible microprocesseurs dans les systèmes auto-rupture, par exemple.
“We do not need Intelligence artificielle Généralisée (AGI) to witness major disruptions! We will be experiencing “death by a thousand cuts” even with low-level capabilities – for instance, un lecteur de code à barres ou une étiquette d'identification RF emplois déjà automatisés loin, avec intelligence zéro.” — Charles Fadel
La prochaine étape est l'algorithme ultime – qui est capable d'apprendre quoi que ce soit à partir des données – qui est prêt pour cette?
Personne n'est, et si et quand cela arrive, it will be the ultimate challenge for humanity. Cependant, nous sommes loin, far off according to the best experts in the field. We have seen tremendous bottom-up progress, mais il nous manque plusieurs percées pour atteindre Intelligence artificielle Généralisée (AGI).
Bien sûr, comme discuté ci-dessus, on n'a pas besoin d'assister à AGI d'importantes perturbations! We will be experiencing “death by a thousand cuts” even with low-level capabilities – for instance, un lecteur de code à barres ou une étiquette d'identification RF emplois déjà automatisés loin, avec zéro intelligence.
Cela nous ramène à la stratégie de nourrir la polyvalence, comme un couteau suisse: it may not be the best tool for any single job, mais il est une grande base pour tirer au besoin, et peut être aiguisé au besoin pendant une vie.
Cela dit, l'humanité est confrontée à une multitude de problèmes tels que le réchauffement climatique, l'instabilité financière, dictateurs et populistes, les inégalités, etc., which makes my computer scientist cousin quip that “we should be a lot more concerned about natural stupidity than of artificial intelligence”. There is something to ponder here indeed.
C. M. Rubin et Charles Fadel
(Toutes les photos sont une gracieuseté de CMRubinWorld)
Rejoignez-moi et leaders d'opinion de renommée mondiale dont Sir Michael Barber (Royaume-Uni), Dr. Michael Bloquer (États-Unis), Dr. Leon Botstein (États-Unis), Professeur Clay Christensen (États-Unis), Dr. Linda Darling-Hammond (États-Unis), Dr. MadhavChavan (Inde), Charles Fadel (États-Unis), Le professeur Michael Fullan (Canada), Professeur Howard Gardner (États-Unis), Professeur Andy Hargreaves (États-Unis), Professeur Yvonne Hellman (Pays-Bas), Professeur Kristin Helstad (Norvège), Jean Hendrickson (États-Unis), Professeur Rose Hipkins (Nouvelle-Zélande), Professeur Cornelia Hoogland (Canada), Honorable Jeff Johnson (Canada), Mme. Chantal Kaufmann (Belgique), Dr. EijaKauppinen (Finlande), Le secrétaire d'Etat TapioKosunen (Finlande), Professor Dominique Lafontaine (Belgique), Professeur Hugh Lauder (Royaume-Uni), Seigneur Ken Macdonald (Royaume-Uni), Professeur Geoff Masters (Australie), Professeur Barry McGaw (Australie), Shiv Nadar (Inde), Professeur R. Natarajan (Inde), Dr. PAK NG (Singapour), Dr. Denise Pape (États-Unis), Sridhar Rajagopalan (Inde), Dr. Diane Ravitch (États-Unis), Richard Wilson Riley (États-Unis), Sir Ken Robinson (Royaume-Uni), Professeur Pasi Sahlberg (Finlande), Professeur Manabu Sato (Japon), Andreas Schleicher (PISA, OCDE), Dr. Anthony Seldon (Royaume-Uni), Dr. David Shaffer (États-Unis), Dr. Kirsten immersive, (Norvège), Chancelier Stephen Spahn (États-Unis), Yves Thézé (LyceeFrancais États-Unis), Professeur Charles Ungerleider (Canada), Professeur Tony Wagner (États-Unis), Sir David Watson (Royaume-Uni), Professeur Dylan Wiliam (Royaume-Uni), Dr. Mark Wormald (Royaume-Uni), Professeur Theo Wubbels (Pays-Bas), Professeur Michael Young (Royaume-Uni), et le professeur Zhang Minxuan (Chine) alors qu'ils explorent les grandes questions d'éducation de l'image que toutes les nations doivent faire face aujourd'hui.
La recherche globale pour l'éducation communautaire page
C. M. Rubin est l'auteur de deux séries en ligne largement lecture pour lequel elle a reçu une 2011 Upton Sinclair prix, "Le Global Search pour l'éducation» et «Comment allons-nous savoir?"Elle est également l'auteur de trois livres à succès, Y compris The Real Alice au pays des merveilles, est l'éditeur de CMRubinWorldet est une fondation perturbateurs Fellow.
Suivez C. M. Rubin sur Twitter: www.twitter.com/@cmrubinworld
Commentaires récents