בינה מלאכותית בשירות המורה: משוב מעצב אוטומטי עבור תשובות לשאלות פתוחות בביולוגיה
מאת: טניה נזרצקי, ד״ר מוריה אריאלי, ד"ר גיורא אלכסנדרון, המחלקה להוראת המדעים, מכון ויצמן
פרטי קשר להתייחסות: tanya.nazaretsky@weizmann.ac.il

לעיתים נדמה שפרסונליזציה או התאמה אישית הפכה להיות ה-buzzword הנפוץ היום בתחום החינוך. אולם התאמה אישית היא הרבה יותר מבאז. בשנת 1984 פרסם הפסיכולוג החינוכי המפורסם בנג׳מין בלום (Benjamin Bloom) את מאמרו המכונן: "בעיית ה-2 סיגמא: חיפוש שיטות הוראה יעילות לקבוצות". בלום טען שהוראה פרטנית היא אפקטיבית עד כדי כך שהיא יכולה להעלות את ביצועי הכיתה בשתי סטיות תקן (מכאן השם ״2 סיגמא״), משמע, 98% מהלומדים בכיתה המקבלת הוראה פרטנית יתעלו על התלמיד הממוצע בכיתה הרגילה.

 

כמובן, הוראה פרטנית דורשת משאבי הוראה רבים ובלום במאמרו סוקר שיטות הוראה חילופיות המאפשרות לגשר על הפער בתוצאות התלמידים. בין השאר הוא מייחד מקום מרכזי לשיטת הוראה המדגישה מתן משוב מותאם-אישית. משוב כזה מאפשר לתלמידים להעריך את ביצועיהם ביחס לקריטריון הרצוי, לעדכן את הידע שלהם, ולשפר את תשובותיהם. אנו קוראים לסוג כזה של משוב ״משוב מעצב״. ואכן, מחקרים מודרניים בתחום החינוך וההוראה מדגימים את תרומתו של המשוב המעצב האישי לשיפור הישגיהם של הלומדים.

נשמע מבטיח, נכון? 
עם זאת המציאות בבתי הספר שלנו – כיתות שסובלות מריבוי תלמידים – מקשה על המורים, וכתוצאה מכך תהליך הוראה מותאם-אישית המבוסס על מתן משוב מעצב קורה לעתים רחוקות בכיתות מדעים בתיכון (ובכלל).
 

גם המערכות המקוונות, הנפוצות בזמננו, בדרך כלל אינן נותנות מענה הולם. מערכות אלה מתמודדות בצורה טובה עם סוגי שאלות שבהן התלמיד מתבקש לבחור מבין מספר תשובות נתונות (שאלות רב-ברירה), אך אינן תומכות בהערכת תשובות לשאלות פתוחות. חוסר היכולת של המערכות המקוונות להתמודד עם שאלות פתוחות נובע מהמורכבות של המשימה: המערכת הממוחשבת צריכה לנתח טקסטים שנכתבו בשפה טבעית שבה תשובות נכונות עשויות להיות מנוסחות באופנים שונים למדי, לפעמים אפילו ללא מילה אחת משותפת. במקרה של שאלות פתוחות במדעים, המערכת צריכה להפריד בין איכות ה״צורה״ לאיכות ה״תוכן״ ולהעריך את איכות הטיעון מבחינה מדעית ולוגית תוך התעלמות (בדרך כלל) משגיאות כתיב ובעיות ניסוח. על כן, בדרך כלל, במערכות מקוונות קיימות, התשובות לשאלות פתוחות ממתינות לבדיקה של מורים אנושיים.

כדי לבחון דרכים לפתור בעיה זו, שאלנו את עצמינו את השאלה הבאה: האם בינה מלאכותית מסוגלת ללמוד ממומחים אנושיים להעריך תשובות לשאלות הפתוחות ולייצר משוב מעצב אוטומטי ומותאם-אישית לכל תלמיד?

בז'רגון המקצועי, התהליך של למידת מכונה ממומחים אנושיים נקרא Supervised Learning או למידה מפוקחת. בשיטה זו המכונה אמורה ללמוד ממספר של הדוגמאות אשר נבדקו קודם על ידי מומחים אנושיים בתהליך למידה שנקרא ״אימון״. בסופו של האימון מצפים שהמערכת תוכל לדמות את ההתנהגות האנושית ולהעריך תשובות חדשות, בדומה למומחים אנושיים.

במחקר שלנו, השתמשנו בשיטה של למידה מפוקחת הנקראת למידה עמוקה, המבוססת על רשתות נוירונים מלאכותיות. בשלב הראשון אספנו תשובות לשלוש שאלות פתוחות בביולוגיה מ-670 תלמידי מגמת ביולוגיה בתיכון מכל רחבי הארץ ומומחים אנושיים העריכו אותן ידנית בהתאם למחוון מפורט המתאר את כל המרכיבים המשמעותיים שחייבים להופיע בתשובה הנכונה. בשלב השני אימנו את רשתות הנוירונים בעזרת הציונים האנושיים והמערכת למדה לזהות האם כל מרכיב של המחוון מתואר באופן נכון בתשובת התלמיד או לא נמצא בה או מתואר באופן שגוי. חשוב לציין כי בהתבסס על המרכיבים החסרים אפשר לייצר משוב מעצב אוטומטי שיפרט לתלמיד מה נדרש בתשובתו כדי לשפר את תשובתו.

כדי לבדוק את איכות הציונים האוטומטיים פרי בדיקתה של המערכת, ביקשנו מ-30 תלמידים נוספים לענות על אותן שלוש השאלות הפתוחות. חמישה מורים לביולוגיה מבתי ספר תיכוניים שונים העריכו את התשובות באופן ידני לפי המחוון. במקביל, הפעלנו את המערכת אוטומטית עבור אותן התשובות.

כפי שאפשר לנחש, המורים האנושיים לא תמיד מסכימים אחד עם האחר ב-100% על הציונים שהם נותנים לאותן תשובות. למעשה, ההסכמה הממוצעת בין שני מורים אנושיים שונים, במקרה שלנו, עמדה על 85%. בשלב הבא, השווינו את ההסכמה הממוצעת בין חמשת המורים לבין התוצאות שהתקבלו מרשת הנוירונים. באופן מפתיע, התוצאה הייתה זהה - 85% הסכמה. כלומר, אלגוריתם הבינה המלאכותית למד לייצר ציונים הדומים מאוד לאלו של מורים אנושיים, אשר לא חרגו מהבדלים רגילים בין שני מורים אנושיים שונים.
 

לסיכום, השיטה והטכנולוגיה שפיתחנו יכולות לסייע לתלמידים לשפר את כישוריהם לטעון טענות מדעיות על ידי מתן משוב מעצב מהיר עבור תשובות לשאלות פתוחות. אב טיפוס של המערכת שולב בסביבת למידה דיגיטלית קיימת בשם PeTeL, שפותחה על ידי המחלקה להוראת המדעים במכון ויצמן למדע. השנה אנחנו ממשיכים את תהליך ההטמעה של המערכת בקרב המורים.
מאחר ו-PeTeL כבר נמצאת בשימוש של מאות מורים למדעים בישראל, הרי שיש פה הזדמנות משמעותית לשפר את תהליך הלמידה במאות כיתות, דבר, שבתקווה, יוביל לשיפור ביכולתם של התלמידים לטעון טענות מדעיות.