С появлением технологического прогресса с беспрецедентной скоростью, автоматизация многих задач, которые мы сейчас выполняем, является лишь вопросом времени. Это может варьироваться от приземленных, таких как покупка продуктов, до более тонких, таких как преподавание и обучение. Имея это в виду, в этой статье делается попытка изучить, как машины могут обучаться, а также как их можно использовать в контексте классной комнаты, если вообще можно. Может показаться нелепым думать, что машина может заменить учителя и переопределить сложные взаимодействия, регулирующие отношения между учеником и учителем. Казалось бы, мы должны готовиться к действительно такой ситуации. В Мэрилендском университете «исследователи учат роботов быть внимательными учениками» (Knight, 2015), поскольку это доказывает более эффективный и менее затратный способ переобучения промышленных роботов.

Хотя определение робота — это «(особенно в научной фантастике) машина, напоминающая человека и способная автоматически воспроизводить определенные человеческие движения и функции» (Оксфорд, 2019 г.), для целей этой статьи мы собираемся принять более широкое определение, включающее любое механическое устройство, способное выполнять сложные задачи и программируемое компьютером. Интересно отметить, что в области робототехники существует множество различных типов роботов. Harvard Business Review (2015) проводит различие между промышленными роботами и сервисными роботами:

«Различие между промышленными и сервисными полезно, потому что оно определяет роботов на основе их отношений с людьми и работает больше, чем на каком-либо техническом факторе. Объединяя промышленных и сервисных роботов, мы можем предложить базовое определение робота как искусственно созданной системы, спроектированной, построенной и реализованной для выполнения задач или услуг для людей» (HBR, 2015).

Для наших целей мы рассматриваем «сервисных роботов». Более конкретно, нам нужно рассмотреть две другие характеристики — обучение и преподавание. На основании работ (Дьюи, 1938; Пиаже, 1964; Выготский, 1986) мы знаем, что обучение рассматривается как активный процесс, который включает в себя взаимодействия, беседы и переживания для построения ментальных моделей. Ментальные модели (Johnson-Laird and Byrne, 1991) — это наши представления о том, как работают вещи. Когда речь идет о машинах и роботах, эти модели неприменимы. Чтобы лучше понять это, нам нужно взглянуть на две другие области — искусственный интеллект (ИИ) и роботизированное обучение. Для целей этого эссе мы будем использовать определение, данное Оксфордским словарем для ИИ — «Теория и разработка компьютерных систем, способных выполнять задачи, обычно требующие человеческого интеллекта, такие как визуальное восприятие, распознавание речи, принятие решений, и перевод между языками (Оксфорд)». Подотрасль ИИ, которая, в свою очередь, является подобластью компьютерных наук, — это машинное обучение. Машинное обучение (Сэмюэлс, 1959) — это то, как машина обучается, используя данные, основанные на прошлом опыте (Шапир, 2008). Он использует эти данные для принятия более эффективных решений, когда в будущем возникнет аналогичная ситуация. Есть три основных формы обучения машин, как показано на рисунке.

Чтобы робот мог обучать, он должен пройти этапы «под наблюдением», «без присмотра» и, наконец, оказаться на этапе подкрепления. В этот момент у робота будет контент, и он сможет реагировать на окружающую среду. Вот что отличает его от машин, утверждает Саймон (2017). Когда он может реагировать на окружающую среду и принимать правильные решения без вмешательства человека, он демонстрирует интеллект.

Чтобы робот мог учить, ему сначала нужно изучить тему, которую он преподает. Затем ему нужно научиться учить, гарантируя, что ученик, которого он обучает, понял то, чему он научил. Когда дело доходит до людей в качестве учителей, это кажется довольно обычным процессом, включающим лекции и оценку. Для этого робот или машина должны использовать машинное обучение для ряда задач, таких как ответы на вопросы, заданные учащимися, проверка на понимание, стратегии выхода из ситуации, когда учащийся запутался, и так далее. Давайте рассмотрим пример, иллюстрирующий этот момент. Если бы робот преподавал урок Солнечной системы группе учеников 6-го класса, ему нужно было бы выполнить ряд шагов. Задавая вопрос «как робот может научиться учить», я уже предположил, что робот знает содержание, и речь идет о том, чтобы передать это знание учащимся. Это вполне может иметь место, поскольку беглый поиск по солнечным системам показывает миллионы веб-сайтов. Хорошо продуманный алгоритм может позволить роботу отсеять ненужное и дать хорошее объяснение темы. Кроме того, в зависимости от характера программирования робота, он может включать изображения и видео, чтобы сопровождать объяснение в критических моментах. Это очень поможет учащимся лучше понять тему. Опять же, в зависимости от алгоритма и характера программирования, робот мог отвечать на вопросы, обычно задаваемые учащимися. Это, вероятно, означает, что у робота уже есть ответы на часто задаваемые вопросы или он выполнит мгновенный поиск, чтобы найти ответ. Предполагая, что робот до сих пор делал это правильно, мы можем подумать, что произойдет, если робот не сможет найти ответ? Его можно запрограммировать на стандартный ответ, такой как «Я свяжусь с вами», который будет приемлемым, поскольку он аналогичен существующим практикам.

Если бы мы сейчас посмотрели на области, в которых робот будет отличаться от человека-соотечественника, то это прежде всего были бы области эмоций и познания. Как остро заметил Фелпс (2006), «исследование когнитивных функций без учета социального, эмоционального и мотивационного контекста приведет к пониманию, которое может быть ограничено в своем применении за пределами исследовательской лаборатории». не применимо к роботам, потому что они не «познают» мир так, как мы. Робот может преподавать часами, не уставая и не истощая умственные способности. Конечно, ему может потребоваться зарядка аккумуляторов, но он никогда не будет жаловаться на переутомление. Когда дело доходит до эмоций, робот их не испытывает. В своем нынешнем аватаре робот может распознавать эмоции других с помощью машинного обучения и может даже отображать симпатические эмоции, но на самом деле не может чувствовать никаких эмоций по своей сути. Тагард (2019) подчеркивает очень важный момент при учете эмоций роботов — физиологию. Эмоции, которые мы чувствуем, возникают в результате ряда физиологических изменений (сердцебиение, гормоны, кровяное давление и т. д.), которые мы испытываем. Робот, поскольку у него нет человеческого тела, естественно, не может испытывать те же эмоции, что и мы. Итак, мы должны задать себе вопрос: нужны ли роботам те же эмоции, что и мы, чтобы учить? И ответ будет существенно отличаться. Для целей этого эссе я считаю, что роботы должны иметь датчик, чтобы измерять эмоции своих учеников, а также отображать несколько основных эмоций, таких как радость, печаль и сочувствие. Это подойдет для нашей цели. Робот Pepper от Softbank подходит под это описание. Вот что Softbank говорит о Pepper: «Pepper — первый в мире социальный робот-гуманоид, способный распознавать лица и основные человеческие эмоции. Пеппер был оптимизирован для человеческого взаимодействия и может взаимодействовать с людьми посредством разговора и своего сенсорного экрана».

Если бы мы посмотрели на обучение робота с точки зрения цикла обучения Колба, как бы оно вписалось? На данный момент об этом можно только догадываться. «Испытывает ли» робот что-то, изучая что-то новое? Его алгоритмы могут позволить ему размышлять и концептуализировать полученную информацию, но мы можем быть уверены, что это не в тех же терминах, что и мы. Он также мог бы проводить активные эксперименты с учетом вероятности и статистики за считанные секунды, на освоение которых у людей уйдет много жизней.

В то время как учителя-роботы могут преуспеть в улучшении академических достижений учащегося, учителям-людям остается помочь учащимся в других областях, таких как социально-эмоциональное развитие. Социально-эмоциональное развитие имеет решающее значение, поскольку оно позволяет ребенку понять чувства, которые он испытывает, а также установить заботливые отношения с другими (Cohen et. al, 2005). Это становится еще более важным, когда учащемуся приходится переключаться между взаимодействием с машиной и людьми. Эту роль должен взять на себя человеческий учитель, по крайней мере, в ближайшем будущем.

В заключение я хотел бы подчеркнуть возможность преподавания роботов в классах в ближайшие несколько лет. Уже есть примеры, когда это опробовали и доказали свою эффективность. Финляндия использовала робота для обучения английскому языку учащихся начальных классов (Reuters, 2018). По мере развития технологий и все большего внимания к области искусственного интеллекта перспектива учителя-робота будет получать все большее признание. В приведенных выше отрывках я попытался сформулировать, как робот будет учиться учить. Есть и другие вещи, о которых нужно подумать, например, чему учат, в какой среде и так далее. Текущий сегмент онлайн-обучения в рамках различных массовых открытых онлайн-курсов (МООК) позволил миллионам пользователей изучить контент, к которому у них раньше не было доступа (Бринтон и др., 2014). Если бы МООК могли масштабировать высшее образование, преподаватели-роботы были бы полностью ориентированы на персонализацию.

Ссылки

Аналитика, Б. и коды), Э. (2017). Основы алгоритмов машинного обучения (с кодами Python и R). [онлайн] Analytics Vidhya. Доступно по адресу: «https://www.analyticsvidhya.com/blog/2017/09/common-machine-learning-algorithms/» [Проверено 31 января 2019 г.].

А. Л. Самуэль, Некоторые исследования в области машинного обучения с использованием игры в шашки, в IBM Journal of Research and Development, vol. 44, нет. 1.2, стр. 206–226, январь 2000 г. doi: 10.1147/rd.441.0206»

Bera.ac.uk. (2019) Роботы в классе? Подготовка к автоматизации обучения | BERA. [онлайн] Доступно по адресу: https://www.bera.ac.uk/blog/robots-in-the-classroom-preparing-for-the-automation-of-teaching [Проверено 31 января 2019 г.].

Коэн, Дж. и др. 2005. Помощь маленьким детям добиться успеха: стратегии содействия социальному и эмоциональному развитию детей младшего возраста

К. Г. Бринтон, М. Чанг, С. Джейн, Х. Лам, З. Лю и Ф. М. Ф. Вонг, Изучение социального обучения в МООК: от статистического анализа к генеративной модели, в IEEE Transactions on Learning Technologies, vol. 7 нет. 4, стр. 346–359, 1 окт.-дек. 2014. doi: 10.1109/TLT.2014.2337900.

Гарвардский бизнес-обзор. (2015). Что такое робот?. [онлайн] Доступно по адресу: «https://hbr.org/2015/04/what-is-a-robot-anyway» [По состоянию на 31 января 2019 г.].

Джонсон-Лэрд, Филип Н. и Бирн, Рут М.Дж. (1993). Ментальные модели или формальные правила? _Behavioral and Brain Sciences_ 16 (2):368.

Найт, В. (2019). Промышленные роботы должны быть наблюдательными учениками. [онлайн] MIT Technology Review. Доступно по адресу: «https://www.technologyreview.com/s/541871/robot-see-robot-do-how-robots-can-learn-new-tasks-by-observing/» [По состоянию на 31 января 2019 г.] .

Маклеод, SA (2017). Колб — стили обучения. Получено с https://www.simplypsychology.org/learning-kolb.html

Колб, Д. А. (1984). Опытное обучение: опыт как источник обучения и развития (том 1). Энглвуд Клиффс, Нью-Джерси: Прентис-Холл.

Маклеод, С. (2019). Зона ближайшего развития и строительные леса | Просто психология. [онлайн] Simplypsychology.org. Доступно по адресу: https://www.simplypsychology.org/Zone-of-Proximal-Development.html [Проверено 28 января 2019 г.].

Оксфордские словари | Английский. (2019). робот | Определение робота на английском языке в Оксфордских словарях. [онлайн] Доступно по адресу: https://en.oxforddictionaries.com/definition/robot [Проверено 31 января 2019 г.].

Фелпс, Э. (2006) Psych.nyu.edu. (2019). [онлайн] Доступно по адресу: http://www.psych.nyu.edu/phhelpslab/papers/2006_AnnRevPsy_v57.pdf [Проверено 29 января 2019 г.].

Психология сегодня. (2019). Будут ли когда-нибудь у роботов эмоции?. [онлайн] Доступно по адресу: https://www.psychologytoday.com/us/blog/hot-thought/201712/will-robots-ever-have-emotions [По состоянию на 28 января 2019 г.].

Саймон М., Саймон М., Роджерс А., Саймон М., Аллен Р., Саймон М., Молтени М. и Саймон М. (2019). Что такое робот?. [онлайн] ПРОВОДНАЯ. Доступно по адресу: https://www.wired.com/story/what-is-a-robot/ [Проверено 28 января 2019 г.].

Шапир, Р. Cs.princeton.edu. (2019). [онлайн] Доступно по адресу: https://www.cs.princeton.edu/courses/archive/spr08/cos511/scribe_notes/0204.pdf [По состоянию на 17 января 2019 г.].

Свеллер, Дж., Когнитивная нагрузка при решении задач: влияние на обучение, Когнитивная наука, 12, 257–285 (1988).

На пути к науке о данных. (2018). Простое введение в обработку естественного языка. [онлайн] Доступно по адресу: «https://towardsdatascience.com/an-easy-introduction-to-natural-language-processing-b1e2801291c1» [Проверено 29 января 2019 г.].

Классы, основанные на робототехнике и машинном обучении  — правдоподобный сценарий