4 Minutit
Tallinna Ülikooli teadlaste juhitud projekt näitab, et pelgalt suured keelemudelid (LLM-id) ei pruugi koolikeskkonnas täita kõiki ootusi. Kuigi LLM-id oskavad genereerida vastuseid ja selgitusi, jääb sageli puudu otsuste põhjendatavusest, õppija eripärade arvestamisest ning õppimisprotsessi dünaamikast. Eesti kontekstis — kus digiõpet, tarkvaralahendusi ja privaatsuse regulatsioone jälgitakse tähelepanelikult — on vajadus lahenduste järele, mis põhinevad kohalikul andmel ja annavad õpetajatele ja õpilastele reaalset tuge.
TLÜ lähenemine: mudel, mis õpib Eesti õpilastelt
TLÜ tehisintellekti professor Danial Hooshyari ja tema meeskond töötavad välja algoritmi, mis kasutab õppijate logi- ja enesehindamisandmeid, et modelleerida emotsiooni, motivatsiooni, metakognitsiooni ja kognitiivset suutlikkust. Projekt kestab viis aastat ning keskendub esialgu 8. klassi matemaatikale, kasutades Opiq platvormi kolme varianti: täielikult uute tööriistadega keskkond, kognitiivsete lisadega versioon ning traditsiooniline digiõpik.
Andmepõhine personaliseerimine ja ennustus
Uurimisrühm kogus ligi 700 Eesti 8. klassi õpilase logiandmeid, et treenida mudelit, mis suudab ennustada oskuste taset, arvestades nii õpilase enesehinnangut, emotsionaalset seisundit kui ka motivatsiooni. Esimesed katsed välistas suure üldise keelemudeli kasutamise: TLÜ mudel saavutas USA andmestikul tehtud võrdluses LLM-iga paremaid tulemusi ja tegi vähem ennustusvigu, kuna see oli treenitud just õppija käitumisele ja õppimisele suunatud andmetel.
Funktsioonid: mida uus tehisintellekt koolis pakub?
Arendatav süsteem integreerib mitmeid praktilisi funktsioone, mis on kasulikud nii õpetajatele kui õpilastele ja koolide IT-juhtidele:
- Reaalajas logi- ja metrikakogumine digiõppest (õppimise kestus, kordused, raskustega kohtumised).
- Emotsiooni ja motivatsiooni lühiküsitlused ning nende kasutamine adaptatiivsete soovituste loomiseks.
- Avatud õppija mudel (open learner model), mis kuvab õppija profiili ja arengu õpetajale ja õppijale läbipaistvalt.
- Kolme režiimiga tööviis: täielikult AI-põhine juhendamine, soovitused + inimese lõplik otsus ning täisautonoomne õppija juhtimine.
- Õpetaja töölaud ja privaatsuse juhtimisvahendid vastamisena Eesti andmekaitse- ja hariduspoliitikale.
.avif)
Võrdlus LLM-idega: miks mitte tavaline must kast?
Globaalne trend näitab LLM-ide kiiret levikut haridustehnoloogias, kuid TLÜ meeskond rõhutab tõlgendatavuse tähtsust. Musta kasti LLM-id ei selgita sageli, kuidas jõuti soovituse või hinnanguni — probleem, mida Eesti koolid ja haridustöötajad ei saa lihtsalt aktsepteerida. TLÜ lahendus lähtub valge kasti (interpretable) mudelitest, mis annavad põhjendusi ennustuste taga olevatele andmetele ja loogikale.
Eelised Eesti haridusele ja turule
Personaalne ja kohalikult treenitud mudel tähendab mitut praktilist eelist Eesti jaoks:
- Suurem täpsus õpilaste oskuste ja vajaduste enneustamisel, mis toetab individualiseeritud õppekavu.
- Parem andmekaitse ja usaldus, kuna mudel treenitakse Eesti õpilaste logiandmetel vastavalt kohalikele reeglitele.
- Võimalus kohalikel edtech-ettevõtetel ja koolidel integreerida lahendust Eesti keele, õppekavade ja koolitava õpetaja praktikaga.
- Õpetajatele mõeldud tõlgendused ja otsustuatjad vähendavad tehnoloogilist kergemeelsust ja suurendavad vastutustundlikku kasutamist.
Kasutusjuhtumid ja äriline tähendus Eestis
Praktilisi kasutusjuhtumeid on mitmeid: individuaalsed õppeteed matemaatikas, tugiprogrammid nõrgemate õpilastele, õpetaja abistamine hindamises ja tunniplaanide kohandamises ning piirkondlikud analüüsid koolide digiõppe tõhususest. Eesti koolide ja edtech-ettevõtete jaoks pakub selline lahendus võimalust arendada kohalikke tooteid, mis vastavad Euroopa Liidu ja Eesti andmekaitsenõuetele ning mis konkureerivad globaalseid LLM-põhiseid lahendusi.
Kriitilised punktid: läbipaistvus ja koostöö
Hooshyari rõhutab, et tehisintellekti koolikasutus nõuab vastutustundlikku arendust: sotsiaalteadlaste, õpetajate ja praktikute kaasamine algusest lõpuni, läbipaistvad mudelid ning pidev järelevalve. Samuti tuleb vältida kiirust turuletoomisel, kui ohuallikaks on seadmata turvalisus ja seletamatud otsused — eriti hariduses, kus tagajärjed mõjutavad noori õpilasi.
Järeldus
TLÜ projekt näitab suunda: Eesti koolidele mõeldud tehisintellekt peab olema kohalikult treenitud, läbipaistev ja õpetajat ning õpilast toetav. Sellised lahendused võivad parandada digiõppe kvaliteeti, toetada enesereguleeritud õppimist ja anda kohalikele edtech-ettevõtetele võimaluse pakkuda turvalisi ning õiguspäraseid tooteid. Järgmised kaks aastat toovad katsetused Eesti koolides, mis annavad parema ülevaate süsteemi mõju kohta reaalses õpikeskkonnas.
Allikas: novaator.err
Jäta kommentaar