Differentiera instruktion med AI

Differentierad undervisning, som beskrivs av Carol Ann Tomlinson, justerar fyra element: innehåll (vad eleverna lär sig eller hur de får tillgång till det), process (hur de förstår det), produkt (hur de visar lärande) och inlärningsmiljö. Lärare differentierar utifrån beredskap, intresse och lärandeprofil. AI passar mest naturligt med innehåll och process: utjämna texter, generera ställningar och producera övningar i nivåer. Verktyg som Diffit är byggda för detta, att ta en text eller ett ämne och ta fram en version på en vald läsnivå med ordlistor och frågor. Allmänna chatbots kan göra liknande arbete med en tydlig prompt. Tiden som sparas är verklig, eftersom att skriva tre versioner av en läsning för hand kan ta en kväll. Den största risken är urvattning. En förenklad text som tar bort nyckelbegreppen, eller ersätter exakt vokabulär med vaga ord, ger vissa elever mindre att lära sig snarare än en annan väg till samma lärande. Bra utjämnade versioner behåller kärnidéer och viktiga termer och lägger till stöd, såsom definitioner, kortare meningar och bilder. En andra risk är fast spårning: om samma elever alltid får den enklaste versionen sjunker förväntningarna. Flexibel gruppering, omplacerad baserat på nya bevis, undviker detta. Ställningar, en term som introducerades av Wood, Bruner och Ross 1976 och ofta kopplas till Vygotskys zon för proximal utveckling, innebär tillfälligt stöd som tas bort i takt med att kompetensen växer. AI gör det enkelt att lägga till stöd, men lärare måste också planera att tona ut dem. En vanlig missuppfattning är att differentiering innebär att man matchar undervisningen med "inlärningsstilar" som visuella eller auditiva elever. En granskning från 2008 av Pashler och kollegor fann få bevis för att matchning av undervisning med inlärningsstilar förbättrar resultaten. Differentiering är bättre grundad i beredskap och bevis på vad eleverna för närvarande förstår.