“Devemos estar mudando os objetivos da educação para se concentrar em um aprendizado mais profundo: Relevância do que é ensinado, para construir a motivação, e personalização do que e como; Versatilidade, para criar 'humanos renascentistas’, que traz robustez para enfrentar o que a vida joga em nós; Transferir, assegurando que o que aprendemos nos limites estreitos de escolas, traduz em actionnability em situações da vida real.” — Charles Fadel
Computadores de aprendizagem a partir de dados grandes criaram uma nova fonte de conhecimento para a sociedade.
Computadores já pode nos dizer muitas coisas, incluindo que a data e quais ações comprar. E dada a velocidade em que eles estão sendo desenvolvidos, quanto tempo será antes que os computadores podem escrever nossos ensaios do ensino médio ou falar qualquer língua estrangeira, ou até mesmo dirigir-nos para a escola?
Charles Fadel é o fundador do Centro de Redesign Curriculum e autor de Four-Dimensional Educação: As competências os alunos precisam para ter sucesso. Ele só ensinou a primeira classe em Harvard Graduate School of Education em “Aprendizado de Máquina + Aprendizagem Humana”.
Ele se junta a nós em A Pesquisa Global para a Educação para discutir como os alunos vão manter-se com as máquinas.
“Vamos ver o surgimento de uma ‘classe sacerdócio’ daqueles que são capazes de projetar e usando algoritmos vs aqueles que vão viver com suas consequências, por isso cabe a sistemas de ensino para garantir que * todos * é numerate suficiente e algoritmos capazes.” — Charles Fadel
Charles, um terço de todos os casamentos começam on-line. programas automatizados de negociação substituíram 60-70% de negociação humana. Um algoritmo pode em breve ser capaz de chamar 911 e, possivelmente, salvar nossas vidas. O que isso significa para a educação?
Em primeiro lugar, vamos estabelecer alguns limites sobre o que Machine Learning / AI pode e não pode fazer - pelo menos nesta fase. Temos visto grandes avanços em jogos como xadrez, Vá e pôquer, campos, como a fala e reconhecimento de escrita e síntese, composição musical, etc. No entanto, tão incrível como isso é, eles representam os chamados “problemas delimitadas” onde as regras são claras e limitado, mesmo se o espaço solução é ampla.
Então AI já é superior em tarefas repetitivas e preditivos, tarefas que dependem do poder computacional, classificar enormes quantidades de dados e insumos, a tomada de decisões com base em regras concretas — com menos preconceitos do que os seres humanos, mas ainda induzida por algoritmos e conjuntos de dados escolhidos por seres humanos.
Considerando os seres humanos são melhores em experimentar emoções autênticas e construir relacionamentos, formulação de perguntas e explicações em todo escalas e fontes, decidir como usar recursos limitados através das dimensões estratégica (incluindo quais tarefas máquinas deveriam estar fazendo e quais os dados para dar-lhes), tornando os produtos e resultados utilizáveis para os seres humanos e se comunicar com eles, tomar decisões de acordo com valores abstratos.
Quanto ao que isso significa para a educação, isso implica que devemos estar mudando os objetivos da educação para se concentrar em aprendizado mais profundo: Relevância do que é ensinado, para construir a motivação, e personalização do que e como; Versatilidade, para criar "humanos renascentistas", que traz robustez para enfrentar o que a vida joga em nós; Transferir, assegurando que o que aprendemos nos limites estreitos de escolas, traduz em actionnability em situações da vida real.
amusingly, sucessos de uso final de algoritmos “aprendizagem profunda” da AI, e nos círculos de educação que temos vindo a falar de “aprendizado mais profundo,”Por isso é realmente“deep + aprendizado mais profundo”juntos!
Podemos breve devemos aos nossos empregos para algoritmos. As empresas estão usando-os para selecionar candidatos a emprego. Quanto tempo é até um algoritmo determina quem é aceito em Harvard? O que isso tudo significa para a educação?
Empresas e universidades têm vindo a utilizar critérios quantitativos e qualitativos por um longo tempo, em candidatos de triagem: SAT, GPAs, escalas de pagamento, marca de antigos empregadores, etc. todos os quais são usados para decidir sobre ajuste de um candidato. Há muito para a esquerda para as decisões humanas, e nós geralmente pensam que os seres humanos são infalíveis. A realidade é que os processos estão repletas de imperfeições: juízes atribuir penas mais pesadas em sessões final da manhã, Os professores da categoria mais mal os primeiros e últimos ensaios, os médicos são incapazes de manter-se com todos os avanços em seu campo, etc. Eu gostaria de receber um dia em que os algoritmos de lidar com o tédio, e os seres humanos fazem as escolhas sábias aliviado. Claro, isso implica que seria sábio em não deixar os algoritmos ditar decisões como podemos ver com casos de polícia em todo o país como os algoritmos têm codificado preconceitos de CEP existentes ...
Não obstante, empregadores e universidades igualmente estão olhando bem-arredondado candidatos globalmente alfabetizados, capaz de não só dominar o conhecimento moderno como engenharia e do empreendedorismo, ciências sociais e literacia da informação, mas também são hábeis: criador, pensadores críticos que são comunicativa e colaborativa; qualidades de exibição de caracteres: atenção, curiosidade, coragem, resiliência, ética e liderança; adaptar e aprender a aprender através de habilidades-Learning Meta com mentalidade de crescimento e metacognição.
“AI está sendo incorporado em todas e quaisquer aplicações, como é de computação em grande. Está se tornando tão onipresente e invisível como microprocessadores em sistemas de carro de quebra, por exemplo.” — Charles Fadel
A velocidade com que a aprendizagem de máquina está melhorando é assustador. Será Machine Learning ainda pertencem ao laboratório? Caso não todos na sociedade entender como essas máquinas determinar os fatos? O que isso significa para a educação?
Ray Dalio, bilionário Bridgewater fundo de hedge, indicado no Financial Times:
“Nós estamos indo para um mundo onde você está indo, quer para ser capaz de escrever algoritmos e falar essa língua, ou ser substituído por algoritmos ...”e eu concordo. Vamos ver o surgimento de uma “classe sacerdócio” daqueles que são capazes de projetar e usando algoritmos vs aqueles que vão viver com suas consequências, por isso cabe a sistemas de ensino para garantir que * todos * é numerate suficiente e algoritmos capazes. Todos os campos estão se tornando quantitativa, com a possível excepção de filosofia; Biologia nos tempos de Darwin costumava ser descritivo e agora é principalmente analítica. Mais, isto implica a importância renovada de Ética como um curso de estudo para todos.
O conhecimento acumulado por algoritmos em qualquer tarefa ou domínio em breve anão os cientistas conhecimento têm acumulado ao longo dos séculos. São Machine Learning Cientistas de computador melhor do que os cientistas humanos, dado que eles podem olhar para muito mais dados e analisá-lo mais rápido do que qualquer cientista humano jamais poderia?
Conforme descrito anteriormente, os algoritmos são melhores do que os seres humanos quando os conjuntos de dados são claras e limpas, e a aplicação limitar. Eles, sem dúvida, acelerar nosso progresso, por exemplo, através aceleração genômica. No entanto, a afirmar que eles são amplamente melhor do que os cientistas humanos é um trecho injustificável nesta fase, isso é como dizer que porque os computadores são mais rápidos do que os humanos no cálculo, eles são melhores matemáticos. Trabalhamos em simbiose, e cada vez mais - como seres humanos Aumentada.
Quanto à forma como esses recursos pode evoluir no futuro, é claro que é impossível dizer, mas com bilhões de dólares sendo investidos em todo o mundo, AI está sendo incorporado em todas e quaisquer aplicações, como é de computação em grande. Está se tornando tão onipresente e invisível como microprocessadores em sistemas carro-quebra por exemplo.
“Nós não precisamos Inteligência Artificial Generalized (AGI) para testemunhar grandes rupturas! Nós estará experimentando “morte por mil cortes” Mesmo com capacidades de baixo nível - por exemplo,, um leitor de código de barras ou uma etiqueta de identificação RF tarefas já automatizadas afastado, com a inteligência zero.” — Charles Fadel
Em seguida é o algoritmo final – aquele que é capaz de aprender qualquer coisa a partir de dados – que está pronto para isso?
Ninguém é, e se e quando isso acontece, será o derradeiro desafio para a humanidade. No entanto, nós estamos longe, longe de acordo com os melhores especialistas na área. Temos visto um grande progresso bottom-up, mas estamos perdendo vários avanços para alcançar Artificial Intelligence Generalized (AGI).
Claro, como discutido acima, nós não precisamos de AGI para testemunhar grandes rupturas! Nós estará experimentando “morte por mil cortes” Mesmo com capacidades de baixo nível - por exemplo,, um leitor de código de barras ou uma etiqueta de identificação RF tarefas já automatizadas afastado, com a inteligência de zero.
Isso nos leva de volta para a estratégia de nutrir Versatilidade, como um canivete suíço: ele pode não ser a melhor ferramenta para qualquer único trabalho, mas é uma base larga para retirar em caso de necessidade, e pode ser afiada, conforme necessário durante a vida.
Dito, a humanidade está enfrentando uma série de problemas como o aquecimento global, instabilidade financeira, ditadores e populistas, desigualdades, etc., o que torna o meu primo cientista da computação ironizar que “devemos ser muito mais preocupado com a estupidez natural do que da inteligência artificial”. Há algo a ponderar aqui de fato.
C. M. Rubin e Charles Fadel
(Todas as fotos são cortesia de CMRubinWorld)
Junte-se a mim e líderes de renome mundial, incluindo Sir Michael Barber (Reino Unido), Dr. Michael Bloco (EUA), Dr. Leon Botstein (EUA), Professor Clay Christensen (EUA), Dr. Linda, Darling-Hammond (EUA), Dr. MadhavChavan (Índia), Charles Fadel (EUA), Professor Michael Fullan (Canadá), Professor Howard Gardner (EUA), Professor Andy Hargreaves (EUA), Professor Yvonne Hellman (Holanda), Professor Kristin Helstad (Noruega), Jean Hendrickson (EUA), Professor Rose Hipkins (Nova Zelândia), Professor Cornelia Hoogland (Canadá), Honrosa Jeff Johnson (Canadá), Senhora. Chantal Kaufmann (Bélgica), Dr. EijaKauppinen (Finlândia), Secretário TapioKosunen Estado (Finlândia), Professor Dominique Lafontaine (Bélgica), Professor Hugh Lauder (Reino Unido), Senhor Ken Macdonald (Reino Unido), Professor Geoff Mestres (Austrália), Professor Barry McGaw (Austrália), Shiv Nadar (Índia), Professor R. Natarajan (Índia), Dr. PAK NG (Cingapura), Dr. Denise Papa (US), Sridhar Rajagopalan (Índia), Dr. Diane Ravitch (EUA), Richard Wilson Riley (EUA), Sir Ken Robinson (Reino Unido), Professor Pasi Sahlberg (Finlândia), Professor Manabu Sato (Japão), Andreas Schleicher (PISA, OCDE), Dr. Anthony Seldon (Reino Unido), Dr. David Shaffer (EUA), Dr. Kirsten Immersive Are (Noruega), Chanceler Stephen Spahn (EUA), Yves Theze (LyceeFrancais EUA), Professor Charles Ungerleider (Canadá), Professor Tony Wagner (EUA), Sir David Watson (Reino Unido), Professor Dylan Wiliam (Reino Unido), Dr. Mark Wormald (Reino Unido), Professor Theo Wubbels (Holanda), Professor Michael Young (Reino Unido), e Professor Minxuan Zhang (China) como eles exploram as grandes questões da educação imagem que todas as nações enfrentam hoje.
A Pesquisa Global para Educação Comunitária Página
C. M. Rubin é o autor de duas séries on-line lido pelo qual ela recebeu uma 2011 Upton Sinclair prêmio, "The Search Global pela Educação" e "Como vamos ler?"Ela também é o autor de três livros mais vendidos, Incluindo The Real Alice no País das Maravilhas, é o editor de CMRubinWorlde é um Disruptor Fundação Fellow.
Siga C. M. Rubin no Twitter: www.twitter.com/@cmrubinworld
Comentários Recentes