Denne teksten er refleksjoner som bygger på erfaringer forskere og lærere har gjort i partnerskap mellom FIKS og Oslo kommune om Oslos løsning for bruk av KI i skolen: ki.osloskolen.no
Realfag er det som hindrer bygninger i å falle i hodet på oss og stopper båter fra å synke. Men utover å være en bærebjelke i samfunnet – både i konkret og overført betydning – representerer realfagene også en bestemt måte å forstå verden på. Realfag favner bredt og inkluderer både den deduktive og logisk-strukturerte tilnærmingen i matematikk og de empirisk utforskende metodene i naturvitenskapelige fag og teknologi. Til felles har disse fagene en søken etter mønstre, forklaringer og forutsigbarhet basert på observasjon, eksperimentering og logikk. Hvilke muligheter og utfordringer kan så KI være for realfagslærere og deres elever?
Realfagenes egenart – utforsking og etterprøvbarhet
En sentral egenart ved realfagene er idealet om objektivitet og etterprøvbarhet. Der for eksempel humanistiske fag ofte åpner for tolkning og subjektive perspektiver, søker realfagene svar som i prinsippet er uavhengige av hvem som stiller spørsmålet. Samtidig er det et fagområde hvor det legges stor vekt på utforskende metoder og læring, spesielt i skolen. Her er idealet nysgjerrighetsdrevet læring med større fokus på å forstå sammenhenger enn å sette to streker under svaret. Utforskende læring ved hjelp av programmering har i de siste årene blitt en større del av realfagene. Her kan generativ KI brukes på en hensiktsmessig måte.
Realfag kan av mange oppfattes som først og fremst innlæring av algoritmer og fakta. Noe av dette danner grunnlag for videre drøfting, og et visst kunnskapsgrunnlag er åpenbart viktig for å kunne vurdere og se sammenhenger. Samtidig bør ikke realfagene reduseres til kun praksiser med lav kognitiv taksonomi. Tvert imot er det et overordnet mål at de som lærer realfag, skal utvikle en dypere forståelse og evne til å anvende kunnskapen i nye sammenhenger. Kunnskapsinnholdet i realfagene er tett sammenvevd og kumulativt; forståelse av ett begrep er ofte en forutsetning for å mestre et annet. Dette stiller krav til relasjonell forståelse og helhetlig tenkning.
Realfag og KI – muligheter og utfordringer
Bruken av kunstig intelligens (KI) påvirker flere sider ved realfagenes egenart. På den ene siden kan realfagenes ideal om objektivitet gjøre KI til et mindre kontroversielt verktøy sammenlignet med fag der personlig uttrykk og stemme står sterkere. Når det forventes at svarene skal være presise, etterprøvbare og ofte uten personlig preg, fremstår det mindre problematisk at deler av arbeidet er støttet av teknologi.
På den andre siden kan fraværet av personlig stemme gjøre genuin vurdering utfordrende. Når elevens individuelle stemme og arbeidsprosess i utgangspunktet er mindre synlig, blir det vanskeligere å vurdere om en besvarelse faktisk reflekterer elevens egen forståelse. Dette aktualiserer behovet for vurderingsformer som legger større vekt på muntlige forklaringer, prosessdokumentasjon, refleksjon og bruk av åpne oppgaver hvor eleven må vise tenkning og ikke bare gjengi fakta.
På den positive siden representerer generativ kunstig intelligens (GKI) et kraftfullt verktøy for læring. Språkmodeller kan forklare realfaglige prinsipper på ulike og tilpassede måter, og dermed bidra til dypere innsikt – spesielt når eleven selv stiller spørsmål og reflekterer kritisk over svarene. Læring skjer ikke nødvendigvis gjennom informasjonstilførsel alene, men gjennom aktiv bearbeiding av innholdet. Når eleven bruker KI bevisst, kritisk og kombinert med andre kilder, kan det styrke forståelsen.
Men det ligger også en fare i at KI reduseres til en snarvei, der tenking og egen problemløsning settes til side. Hvis elevene i for stor grad overlater prosessene med å skrive, forklare og resonnere til teknologien, kan det undergrave selve læringsutbyttet. KI må derfor brukes som støtte for refleksjon og forståelse, ikke som en erstatning for dem.
En hjelpelærer i programmering
Siden kode er tekst som er basert på presise programmeringsspråk, er det ikke overraskende at språkmodellene har blitt ekstremt gode til programmering. Dette åpner mange dører for elever som strever med det programmeringstekniske. For det første har de personlig tilgang til en «hjelpelærer» som er ekspert i programmering. En slik hjelpelærer kan hjelpe dem å forklare feilmeldinger og syntaksfeil i elevskrevet kode, men de kan også bruke KI til å skrive kode for seg – og dermed komme raskere i gang med å tenke på faget selv, i stedet for å stå fast på programmeringstekniske detaljer.
Samtidig utfordrer dette også målene med å lære programmering. Det er forskjell på å forstå en algoritme og å få den skrevet for seg. Derfor bør bruken av KI til programmering i realfag kombineres med eksplisitt refleksjon: Hvorfor virker koden? Hva gjør den? Hvilke valg er tatt – og hvorfor? Slik kan eleven bruke KI som en katalysator for egen forståelse, snarere enn som en erstatning for å lære. For å realisere denne målsettingen, er det nødvendig å gi riktig veiledning og stillas som stimulerer til slik tenkning hos elever.
AMPRIMDA – en tilnærming til programmering
Gjennom det siste halvåret har vi som har arbeidet med KI.osloskolens løsning videreutviklet en velkjent modell for et slikt stillas innen programmering, «PRIMM» – Predict, Run, Investigate, Modify, Make – til «AMPRIMDA». PRIMM er en strukturert modell for programmeringsundervisning som legger til rette for gradvis utvikling av elevenes forståelse gjennom arbeid med eksisterende kode før de selv skaper egen kode. Den bygger på prinsippet om å først forutsi hva en kode gjør, deretter kjøre den, undersøke hvordan og hvorfor den virker, endre den og til slutt lage noe nytt. På den måten får elever et utgangspunkt for videre utforsking, uten at de står fast allerede i planleggingsfasen.
AMPRIMDA er en utvidelse av denne modellen. A-en i starten står for «Ask», hvor eleven kan stille et vitenskapelig spørsmål de ønsker å utforske ved hjelp av programmering. Dermed legges det til et utforskende og problemorientert element som knytter programmering til faglig nysgjerrighet og forskningsbasert tilnærming. Deretter kan de be KI-en om å lage programmet som utforsker spørsmålet for dem. Med andre ord: Vi har flyttet den siste «M»-en i PRIMM, “make”, til før P-en, og supplert modellen med en avsluttende «DA» for «Discuss» og «Adapt» – hvor eleven reflekterer over og eventuelt tilpasser løsningen videre.
Gjennom både workshops for realfagslærere i osloskolen, utforsking blant lærere i realfagsgruppa og en utprøving i klasserommet, ser vi at selv om KI er et ekstremt nyttig hjelpemiddel for arbeid med kode dersom det er godt pedagogisk gjennomtenkt. AMPRIMDA har potensialet til å realisere målet med programmering i realfag gjennom å rette fokuset mot utforsking og konseptuell forståelse. Samtidig har vi sett at det kan være vanskelig å motivere elever til å jobbe dypt med å forstå og skrive kode i en verden hvor KI kan gjøre det meste av jobben for deg, og gjerne bedre enn deg.
Vurdering i realfag
En fellesnevner for vurderingsarbeid i realfagene er vektleggingen av struktur og presisjon. Rapporter og skriftlige arbeider følger ofte formelle maler som IMRaD-strukturen – Introduction, Method, Results and Discussion – der hver del har en tydelig funksjon. Det stilles krav til at figurer og tabeller har forklarende bildetekster, at metodebeskrivelser er etterprøvbare, og at fagbegreper brukes korrekt og konsist. Vurdering av slike arbeider kan være tidkrevende, og i mange tilfeller kan ikke lærere ta seg tid til å vurdere større prosjekter eller rapporter fra eksperimenter.
Med språkmodeller åpner det seg nye muligheter for å effektivisere og støtte dette arbeidet. KI kan brukes som et stillas for elever som strever med det formelle språket eller struktureringen av en naturfaglig rapport. Modellen kan gi umiddelbar tilbakemelding på alt fra grammatikk til struktur og overganger, noe som frigjør tid for læreren til å fokusere på innhold og faglig forståelse. Dette gjør også utforskende, større arbeider mer tilgjengelig, og det kan være enklere å sette av tid til slikt arbeid for læreren.
Samtidig er det flere utfordringer med at elever bruker KI til egenvurdering. Når språkmodeller enkelt kan generere godt strukturerte og grammatisk korrekte tekster, blir det vanskeligere å vite hva som faktisk er elevens eget arbeid. Dette kan øke behovet for å styrke prosessorientert vurdering, der dokumentasjon av arbeidsprosesser, kildebruk og faglige resonnementer vektlegges sterkere enn sluttproduktet alene. Muntlige vurderinger, loggføring og refleksjonstekster kan bidra til å sikre faglig ekthet og innsikt i elevens egne tanker. Dessuten trenger elevene veiledning i hvordan de kan bruke KI på en måte som ikke frigjør dem fra kontrollen over det faglige innholdet.
Et viktig mottiltak til KI-generert tekstproduksjon er å legge større vekt på vurderingssituasjoner der eleven må hente data fra virkeligheten – gjennom egne målinger, forsøk eller observasjoner. Slike prosjektbaserte oppgaver gir eleven en mer aktiv rolle i kunnskapsproduksjonen, og gjør det vanskeligere å overlate hele arbeidet til en språkmodell. I tillegg åpner språkmodeller for nye former for støtte underveis i prosjektarbeidet: Elever kan få hjelp til å planlegge eksperimenter, formulere hypoteser, tolke resultater og forbedre presentasjonen av funn.
Å tilpasse de krevende realfagene
Realfagene kan ofte oppleves som lite tilgivende: Dersom man ikke forstår ett begrep eller én fremgangsmåte, blir det vanskelig å følge resten av fagstoffet. Dette gjør fagene særlig sårbare for kunnskapshull og ulikheter i forkunnskaper. Ulikheter kan også oppstå mellom elever med foresatte som kan hjelpe til med realfag og de som ikke har tilgang på slike ressurser. Med kunstig intelligens som støtteverktøy åpner det seg nye muligheter for å jevne ut disse forskjellene.
Brukt bevisst og pedagogisk kan KI fungere som en personlig fagveileder som tilbyr tilpasset forklaring, veiledning og hjelp, uavhengig av tid, sted og kompetansen til nære relasjoner. En språkmodell kan forklare samme begrep på ulike måter, svare på oppfølgingsspørsmål, evaluere elevenes arbeider og tilpasse nivå og språk etter elevens behov. Dette gir potensial for en mer individualisert opplæring der eleven får støtte i eget tempo, samtidig som læreren kan bruke sin tid mer målrettet på faglig veiledning og relasjonsbygging. Samtidig kan forskjellene også forsterkes om ikke elevene får muligheter til å utvikle kompetansen som kreves for å ta verktøyene i bruk på en god måte.