Par mākslīgo intelektu izglītībā šobrīd visbiežāk dzird divas galējības. Pirmā nometne pieprasa aizliegumus: atņemt telefonus, bloķēt tīklus un atgriezties pie pildspalvas, jo bērni citādi vairs nemācīšoties domāt. Otrā nometne dzīvo tehnoloģiskā eiforijā: tūlīt visu automatizēsim, katram bērnam būs savs algoritmu privātskolotājs, un skolas tradicionālā veidolā vispār zaudēs jēgu.
Pa vidu šim troksnim atrodas skolotājs. Bieži vien noguris, pārslogots ar birokrātiju un bezgalīgām satura reformām, viņš uzdod vienkāršu, praktisku jautājumu: ko man ar šo darīt pirmdienas rītā pulksten deviņos klasē?
Vienkārša atbilde nepastāv ne aizliegumos, ne aklā sajūsmā. Bērni ģeneratīvo MI lieto un turpinās lietot ārpus klases sienām. Ja skola izliekas to nepamanām, mēs iegūstam sliktāko iespējamo scenāriju — virspusēju uzdevumu izpildi, krāpšanos un ilūziju par mācīšanos.
Vienīgais ilgtspējīgais ceļš ir skolotāja vadīta un pedagoģiski pamatota mākslīgā intelekta izmantošana. Tas nozīmē pārstāt uztvert MI kā autonomu brīnumdari un sākt to lietot kā metodiski ierobežotu domāšanas sastatni.
Kur parasti noiet greizi: haotiskais scenārijs
Lai saprastu atšķirību, vispirms vērts apskatīt tipisku piemēru, kas skolās rada bailes un bezspēcības sajūtu.
Skolotājs klasē pasaka: “Mūsu šodienas temats ir enerģētika Latvijā. Atveriet MI tērzētāju un sagatavojiet īsu referātu par to, kā Latvija pāries uz zaļo enerģiju.”
Šādā brīdī mācīšanās process patiesībā beidzas, vēl nesācies:
- Skolēns iekopē tematu vaicājuma lodziņā.
- Valodas modelis sekundes laikā noģenerē nevainojami gludu, stilistiski pieklājīgu tekstu par vēja parkiem, saules baterijām un zaļo nākotni.
- Skolēns šo tekstu iekopē dokumentā, bieži pat neizlasot tālāk par pirmo rindkopu.
- Skolotājs vakarā sēž pie datora, lasa desmitiem vienādu, bezpersonisku eseju un tērē savu laiku, labojot tekstu, ko nav radījis cilvēks.
Tā nav izglītība. Tā ir darbības imitācija, kurā mašīna uzraksta un cilvēks nogurst. Skolēns šeit nav autors — viņš ir kļuvis par pasīvu kopēšanas operatoru.
Kā izskatās pedagoģiski vadīta stunda: 8. klases piemērs
Mainīsim pieeju no pamatiem. Skolotājs neprasa gatavu tekstu. Skolotājs iedod ceļa karti, kurā tehnoloģija ir tikai viens no izpētes soļiem, bet kognitīvā atbildība paliek skolēnam.
- Priekšmets: Dabaszinības / Ģeogrāfija / Sociālās zinības (8. klase).
- Temats: Dabas resursi un enerģētika Latvijā.
- Centrālais izpētes jautājums: Vai Latvija līdz 2035. gadam var pilnībā slēgt gāzes koģenerācijas stacijas (Rīgas TEC) un pāriet tikai uz atjaunīgajiem resursiem?
1. solis: Enkurs pirms ekrāna atvēršanas (5 minūtes)
Datori vēl ir aizvērti. Skolēns neķeras pie rīka, kamēr viņam nav sava sākotnējā atskaites punkta.
Skolotājs uz tāfeles uzraksta trīs pamatjēdzienus: bāzes jauda, atjaunīgie resursi (saule, vējš, HES), tīkla stabilitāte.
- Uzdevums: Katrs skolēns savā darba lapā ar roku uzraksta vienu teikumu: Kāpēc mēs nevaram rīt vienkārši nojaukt visas gāzes stacijas un visu elektrību ražot tikai no saules paneļiem un vēja ģeneratoriem?
2. solis: Reālais atskaites punkts (faktu bāze)
Pirms jebkādas sarunas ar algoritmu skolēns saņem reālu datu fragmentu. Tas var būt AS Augstsprieguma tīkls (AST) publiskais pārskats par elektroenerģijas ražošanu Latvijā janvāra aukstākajā nedēļā salīdzinājumā ar jūliju.
Grafikā skolēns ar savām acīm redz neapgāžamus datus: ziemā saules izstrāde ir tuvu nullei, Daugavas caurplūde ir zema, bet patēriņš — maksimāls. Gāzes stacijas sedz lielāko daļu deficīta. Tas kļūst par mērauklu, pret kuru tiks vērtēts viss, ko teiks algoritms.
3. solis: Strukturēta izpēte ar MI (15 minūtes)
Skolēni atver rīku, taču viņiem ir aizliegts prasīt gatavu atbildi uz centrālo jautājumu. Skolotāja ceļa kartē ir iedotas konkrētas vaicājumu formas, kas liek modelim strādāt par skaidrotāju, nevis rakstītāju:
- “Paskaidro man kā 8. klases skolēnam, ko enerģētikā nozīmē ‘bāzes jauda’ un kāpēc vējš un saule to nespēj nodrošināt patstāvīgi.”
- “Kādas ir trīs galvenās tehnoloģijas (piemēram, akumulatori, ūdeņradis, starpsavienojumi), kas nākotnē varētu nodrošināt bāzes jaudu bez dabasgāzes?”
4. solis: Pārbaudes filtrs un kļūdu medības (10 minūtes)
Šis ir metodiski izšķirošais brīdis. Skolēns noliek blakus MI atbildi un 2. soļa reālo datu grafiku.
- Uzdevums darba lapā:
- Kuru reālu šķērsli (piemēram, nedēļām ilgu tumšu bezvēju ziemā) MI atbilde mēģina apiet ar vispārīgām frāzēm?
- Vai piedāvātās tehnoloģijas (piemēram, rūpnieciska mēroga ūdeņraža uzglabāšana) Latvijā šodien ir reāla infrastruktūra vai tikai nākotnes iecere?
- Atrodi un pieraksti vienu apgalvojumu, kurā MI ir izteicies pārāk optimistiski vai virspusēji.
5. solis: Datori ciet — klases diskusija (15 minūtes)
Ekrāni tiek nolaisti. Klase tiek sadalīta divās grupās:
- Viena puse aizstāv tēzi: “Valstij prioritāri jāiegulda tikai atjaunīgajos resursos, jo klimata mērķi negaida.”
- Otra puse oponē: “Valstij prioritāri jāuztur gāzes stacijas un starpsavienojumi, jo energoneatkarība un siltums ziemā ir pirmajā vietā.”
- Galvenais noteikums: Runāt drīkst tikai saviem vārdiem. Aizliegts lasīt priekšā no ekrāna. Katram argumentam ir jābalstās vai nu grafikā redzamajos skaitļos, vai pārbaudītajos jēdzienos.
Pedagoģiskais rāmis: kāpēc šī pieeja strādā?
Šis stundas plāns balstās uz četriem pārbaudītiem pedagoģijas un kognitīvās psiholoģijas pamatprincipiem, kurus tehnoloģiju klātbūtne nedrīkst izjaukt. Vispirms — pats cikls vienā attēlā:
- 1. Enkurs pirms ekrāna → produktīvā piepūle (sava doma).
- 2. Atskaites punkts (dati) → enkurojums realitātē.
- 3. Strukturēts vaicājums → kognitīvās slodzes vadība.
- 4. Pārbaudes filtrs → metakognīcija (kritisks audits).
- 5. Klātienes diskusija → sociālais konstruktīvisms.
1. Produktīvā piepūle (Productive Struggle)
Cilvēka smadzenes mācās tikai tad, kad tās saskaras ar zināmu piepūli un pretestību. Ja atbilde tiek iedota gatava piecās sekundēs, kognitīvā berze pazūd, un informācija ilgtermiņa atmiņā nenostiprinās.
Pieprasot noformulēt savu domu pirms rīka atvēršanas (1. solis), mēs nodrošinām, ka bērns sarunā ar algoritmu ienāk ar savu prāta konstrukciju, kuru viņš ir gatavs aizstāvēt vai mainīt, nevis vienkārši pieņemt pirmo piedāvāto tekstu.
2. Kognitīvās slodzes vadība (Cognitive Load Theory)
Kognitīvās slodzes teorija uzsver, ka cilvēka darba atmiņas kapacitāte ir stingri ierobežota. Ja skolēnam iedod vaļēju tēmu un tukšu tērzētāja logu, viņš piedzīvo ārējo kognitīvo pārslodzi — mēģina saprast, ko jautāt, apmaldās tūkstošos vārdu un rezultātā nespēj iedziļināties būtībā.
Skolotāja sagatavotās vaicājumu sastatnes (scaffolding) noņem lieko tehnisko stresu. Tā vietā visa skolēna mentālā enerģija tiek novirzīta jēgpilnam darbam — atrastās informācijas salīdzināšanai ar reālajiem datiem.
3. Metakognīcija un automatizācijas aizsprieduma laušana
Cilvēkam ir dabiska tieksme uzticēties gludam, autoritatīvam tekstam, īpaši, ja to ģenerē dators (automation bias). Izglītībā tas ir milzīgs risks: skolēns pieņem mašīnas viedokli par absolūtu patiesību.
Ieviešot obligāto kļūdu filtru (4. solis), mēs mainām skolēna pozīciju. Viņš vairs nav satura patērētājs; viņš kļūst par satura recenzentu un auditoru. Jautājums “Kur MI kļūdās vai izsakās pārāk vispārīgi?” liek ieslēgt metakognitīvo uzraudzību — spēju kritiski vērtēt pašam savu un mašīnas domāšanas procesu.
4. Sociālais konstruktīvisms: atgriešanās pie cilvēka
Nekāds algoritms nevar aizstāt cilvēka sarunu ar cilvēku. Balstoties Ļeva Vigotska sociālā konstruktīvisma teorijā, patiesa izpratne un nozīme dzimst sociālā mijiedarbībā, valodā un argumentācijā.
Aizverot datorus un pārejot pie dzīvas diskusijas (5. solis), klase pārtop par laboratoriju, kurā skolēns ir spiests noformulēt savu pozīciju, uzklausīt oponentu un pielāgot savus argumentus reālā laikā. Šajā brīdī skolotājs skaidri redz, kurš tematu ir sapratis un kurš tikai mācējis noklikšķināt pogu.
Ko tas nozīmē skolotāja darba ikdienai?
Bieži izskan arguments: “Skolotāji ir pārāk pārslogoti, lai vēl mācītos šādas metodes.” Taču patiesībā šāda pedagoģiskā pieeja pārslodzi nevis palielina, bet samazina:
- Vērtēšana notiek klasē, nevis naktī pie datora. Skolotājs vērtē skolēna argumentus, iesaisti un izpratni diskusijas laikā. Nav nepieciešams mājās lasīt un labot bezgalīgus mākslīgā intelekta radītus referātus.
- Pedagogs atgūst profesionālo autoritāti. Skolotājam nav jāsacenšas ar algoritmu faktu zināšanā. Viņa vērtība slēpjas spējā uzdot pareizos jautājumus, strukturēt izziņas procesu un vadīt cilvēcisku sarunu.
- Skolēns apgūst nākotnes pamatprasmi — domas vadību. Bērns saprot, ka mākslīgais intelekts var būt lielisks palīgs, bet tas nekad nedrīkst kļūt par viņa prāta aizstājēju.
Mums nav jābaidās no mākslīgā intelekta un nav jāpaslēpjas aiz birokrātiska nolieguma. Tehnoloģija klasē kļūst bīstama tikai tad, kad tai atdod iniciatīvu. Kolīdz pie procesa vadības stingri un profesionāli stāv skolotājs, MI no krāpšanās rīka kļūst par spēcīgu mācīšanās pastiprinātāju.
Izmantotie un ieteicamie avoti
- Sweller, J. (2011). Cognitive Load Theory. In: J. P. Mestre & B. H. Ross (Eds.), The Psychology of Learning and Motivation: Cognition in Education (Vol. 55, pp. 37–76). Academic Press. (Pamats izpratnei par darba atmiņas ierobežojumiem un to, kāpēc nesastatņota MI lietošana rada kognitīvo pārslodzi).
- Vygotsky, L. S. (1978). Mind in Society: The Development of Higher Psychological Processes. Harvard University Press. (Teorētiskais pamats sociālajam konstruktīvismam, tuvākās attīstības zonai un sastatņu [scaffolding] principam mācību procesā).
- Kapur, M. (2016). Examining Productive Failure, Productive Success, Unproductive Failure, and Unproductive Success in Learning. Educational Psychologist, 51(2), 289–299. (Pētījums par to, kāpēc patstāvīga piepūle un kļūdīšanās pirms instrukcijas vai gatavas atbildes saņemšanas rada dziļāku izpratni).
- Mollick, E. R., & Mollick, L. (2023). Assigning AI: Seven Approaches for Students, with Prompts. Wharton School Research Paper, SSRN: https://ssrn.com/abstract=4475995. (Praktisks ceļvedis skolotājiem par to, kā MI pārvērst par oponentu, sokrātisko sarunu biedru vai auditoru, nevis gatavu atbilžu ģeneratoru).
- UNESCO (2023). Guidance for generative AI in education and research. UNESCO Publishing, Paris. (Starptautiskās vadlīnijas par cilvēka aģentūras un kritiskās domāšanas saglabāšanu izglītībā mākslīgā intelekta laikmetā).
- Parasuraman, R., & Manzey, D. H. (2010). Complacency and bias in human use of automation: An attentional integration. Human Factors, 52(3), 381–410. (Analīze par automatizācijas aizspriedumu [automation bias] un riskiem, kad cilvēks nekritiski uzticas algoritmu rezultātiem).
- AS “Augstsprieguma tīkls” (AST) (2024–2026). Elektroenerģijas ražošanas un patēriņa operatīvie dati un ikgadējie pārskati. Pieejams: https://www.ast.lv. (Reālu datu avots klases darbam — Latvijas energobilances un jaudu analīzei).
