Wakala Msaidizi wa Roboti kwa Ujifunzaji Pamoja wa Mwanafunzi na Mashine kwenye Mazoezi ya AI-FML yenye Matumizi ya AIoT

Jedwali la Yaliyomo

• 1. Utangulizi
• 2. Ufahamu Mkuu: Mabadiliko ya Mtazamo wa Ujifunzaji Pamoja
• 3. Mtiririko wa Mantiki: Kutoka Nadharia hadi Vitendo
• 4. Nguvu na Udhaifu: Tathmini Muhimu
• 5. Maarifa Yanayoweza Kutekelezwa: Maana yake kwa EdTech
• 6. Maelezo ya Kiufundi: Muundo wa AI-FML na Hisabati
• 7. Matokeo ya Majaribio na Maoni
• 8. Uchunguzi Kisa: Zana ya Kujifunza AIoT-FML Ikifanya Kazi
• 9. Uchambuzi Asilia: Kujaza Pengo
• 10. Matumizi ya Baadaye na Mtazamo
• 11. Marejeleo

1. Utangulizi

Karatasi hii, iliyokubaliwa katika FUZZ-IEEE 2021, inawasilisha Wakala Msaidizi wa Roboti (RAA) iliyoundwa kwa ajili ya ujifunzaji pamoja wa mwanafunzi na mashine kwenye mazoezi ya AI-FML yenye matumizi ya AIoT. Mfumo huu unajumuisha mantiki ya fuzzy, mitandao ya neva, na hesabu za mageuzi ndani ya mfumo wa AI-FML, uliotumwa kwenye roboti Kebbi Air. Tangu Septemba 2019, umetumika katika shule za msingi nchini Taiwan ili kuboresha ujifunzaji wa Kiingereza na sayansi ya kompyuta. RAA inachambua utendaji wa mwanafunzi na kuonyesha matokeo kwenye zana ya kujifunza AIoT-FML, ikilenga kuboresha ushiriki na matokeo.

2. Ufahamu Mkuu: Mabadiliko ya Mtazamo wa Ujifunzaji Pamoja

Hebu tuachane na misamiati ya kitaaluma. Ufahamu mkuu hapa si tu kuhusu mfumo mwingine wa kufundisha wa AI. Ni kuhusu mabadiliko ya kimsingi katika mienendo ya ujifunzaji: ujifunzaji pamoja kati ya binadamu na mashine. Huu si uhamisho wa maarifa wa njia moja; ni mzunguko wa ushirikiano ambapo mwanafunzi anajifunza dhana za AI-FML, na mashine (roboti) inajifunza kutoka kwa data ya mwanafunzi ili kuboresha mifano yake ya utabiri. Hii ni hatua ya ujasiri mbali na zana za ujifunzaji tulivu. Karatasi inasema kwa njia isiyo ya moja kwa moja kwamba njia bora ya kujifunza AI ni kuifundisha, na njia bora ya kuifundisha AI ni kuwa inaingiliana na binadamu. Hii ni nadharia yenye nguvu, ingawa haijachunguzwa vya kutosha, ya kielimu. Inapinga mtindo wa jadi wa 'mwanafunzi kama mtumiaji' na kumweka mwanafunzi kama mshiriki katika kuunda maarifa.

3. Mtiririko wa Mantiki: Kutoka Nadharia hadi Vitendo

Mtiririko wa mantiki wa karatasi unashikamana vyema. Inaanza kwa kuweka msingi wa kinadharia wa AI-FML (Mantiki ya Fuzzy, Mitandao ya Neva, Hesabu za Mageuzi) kama kiini cha Akili ya Kikokotoo. Kisha inatanguliza tatizo la vitendo: jinsi ya kufanya dhana hii ya kufikirika iwe inayogusika kwa wanafunzi wa shule za msingi. Suluhisho ni RAA, ambayo hufanya kama daraja. Mtiririko ni: Nadharia (AI-FML) → Zana (RAA + Kebbi Air) → Matumizi (Kujifunza Kiingereza) → Mzunguko wa Maoni (Data ya mwanafunzi inaboresha mfano). Huu ni mfumo wa kawaida wa 'utafiti-kwa-vitendo', lakini kwa mzunguko muhimu wa maoni unaofunga mduara. Matumizi ya MQTT kwa mawasiliano kati ya roboti na jukwaa la AI-FML ni chaguo la busara na la vitendo kwa mwingiliano wa wakati halisi na wa muda mfupi. Mantiki ni sahihi, lakini mtihani halisi uko katika utekelezaji, ambao tutauhakiki baadaye.

4. Nguvu na Udhaifu: Tathmini Muhimu

Nguvu:

• Ushirikiano Mpya: Kuchanganya AI-FML, roboti halisi, na zana ya kujifunza AIoT katika mfumo mmoja thabiti ni mafanikio makubwa ya uhandisi na ufundishaji. Si tu simulizi; ni uzoefu unaogusika na wa mwingiliano.
• Matumizi Ulimwenguni Halisi: Mfumo ulijaribiwa katika shule halisi za msingi kwa muda wa miezi kadhaa (Septemba 2019 hadi Januari 2021). Hii ni nguvu kubwa. Karatasi nyingi za elimu ya AI zinabaki kwenye maabara. Hii ilienda darasani.
• Maoni Yanayotokana na Data: Kutumia alama za mitihani ya kila mwezi ya wanafunzi kutoa mfano wa urejeleaji wa utabiri ni njia ya vitendo na inayopimika ya kufunga mzunguko wa kujifunza. Inatoa kipimo cha wazi cha mafanikio.

Udhaifu:

• Ukosefu wa Matokeo ya Kiasi Makali: Karatasi inataja 'utendaji wa kujifunza ulioboreshwa' na 'maarufu kwa wanafunzi,' lakini sehemu iliyotolewa haina data maalum, yenye umuhimu wa kitakwimu. Ukubwa wa athari ulikuwa gani? Kikundi cha majaribio kililinganishwaje na kikundi cha udhibiti? Bila hii, madai hayana msingi thabiti. Hii ni udhaifu muhimu kwa karatasi ya mkutano.
• Maswali ya Upanuzi: Mfumo unategemea roboti maalum (Kebbi Air) na zana maalum ya AIoT. Je, hii inaweza kupanuliwa kwa urahisi kwa mamia ya madarasa yenye vifaa tofauti? Gharama na utata havijashughulikiwa.
• Kutegemea Kupita Kiasi Kujifunza Kiingereza: Ingawa Kiingereza ni kisa cha matumizi kizuri, kichwa cha karatasi kinaahidi 'mazoezi ya AI-FML' mapana zaidi. Mtazamo kwenye Kiingereza unahisi kama matumizi finyu ya mfumo wenye uwezo mkubwa. Je, RAA inafundisha AI-FML kweli, au inaitumia tu kama kifuniko cha kujifunza lugha?

5. Maarifa Yanayoweza Kutekelezwa: Maana yake kwa EdTech

Kwa waelimishaji na watengenezaji wa EdTech, maarifa yanayoweza kutekelezwa ni wazi:

1. Kukumbatia AI Iliyojengewa Mwili: Roboti halisi inavutia zaidi kuliko avatar ya skrini. Mbinu ya 'Kebbi Air' ni uthibitisho wa dhana kwamba uwepo wa kimwili ni muhimu kwa motisha ya mwanafunzi, hasa kwa wanafunzi wadogo.
2. Kubuni kwa Ujifunzaji Pamoja, Si Tu Utoaji: Acha kujenga mifumo inayotoa tu maudhui. Jenga mifumo inayojifunza kutoka kwa mwanafunzi. Mzunguko wa maoni ndio sehemu muhimu zaidi ya usanifu huu. Data ya mwanafunzi inapaswa kuboresha AI, ambayo kisha inaboresha uzoefu wa mwanafunzi.
3. Anza na Tatizo Dhahiri, Linalopimika: Karatasi kwa busara ilichagua alama za mitihani ya Kiingereza kama matokeo dhahiri na yanayopimika. Usijaribu kutatua 'kujifunza' kwa ujumla. Chagua tatizo maalum, linaloweza kupimika (mfano, uhifadhi wa msamiati, kasi ya kutatua matatizo ya hesabu) na ujenge AI yako kuzunguka hilo.
4. Usidharau Miundombinu: Itifaki ya MQTT na zana ya AIoT-FML si rahisi. Utekelezaji wowote wa ulimwengu halisi unahitaji safu thabiti ya mawasiliano ya muda mfupi. Hii mara nyingi ni gharama iliyofichika ya mifumo kama hii.

6. Maelezo ya Kiufundi: Muundo wa AI-FML na Hisabati

Mfumo wa AI-FML unajumuisha vipengele vitatu vya msingi:

• Mantiki ya Fuzzy: Inashughulikia maarifa ya binadamu na sheria za utendakazi za mantiki. Kwa mfano, 'ustadi wa Kiingereza' wa mwanafunzi unaweza kuigwa kama seti ya fuzzy: $\mu_{High}(score) = \frac{1}{1 + e^{-k(score - \theta)}}$.
• Mtandao wa Neva: Unatumika kwa uundaji wa utabiri. Karatasi inatumia mfano wa urejeleaji kutabiri alama za mitihani za baadaye kulingana na utendaji wa zamani. Mtandao rahisi wa mbele unaweza kuwakilishwa kama: $\hat{y} = \sigma(W_2 \cdot \sigma(W_1 \cdot x + b_1) + b_2)$.
• Hesabu za Mageuzi: Inatumika kwa uboreshaji, mfano, kurekebisha vigezo vya kazi za uanachama wa fuzzy au uzani wa mtandao wa neva kwa kutumia Algorithm ya Jenetiki (GA). Kazi ya utimamu inaweza kuwa Kosa la Wastani la Mraba (MSE) la utabiri: $MSE = \frac{1}{n}\sum_{i=1}^{n}(y_i - \hat{y}_i)^2$.

RAA inatumia vipengele hivi kuchambua utendaji wa mwanafunzi. Kwa mfano, ikiwa 'juhudi' ya fuzzy ya mwanafunzi ni ndogo na 'alama ya zamani' ni ndogo, sheria ya fuzzy inaweza kuwashwa: 'IKIWA juhudi ni ndogo NA alama ya zamani ni ndogo BASI uboreshaji unaotabiriwa ni mdogo.' Pato hili la fuzzy linatolewa kwa njia isiyo ya fuzzy ili kutoa mapendekezo wazi kwa mwanafunzi au mwalimu.

7. Matokeo ya Majaribio na Maoni

Ingawa sehemu iliyotolewa haina majedwali ya kina ya nambari, inasema kwamba mfumo ulitumwa katika shule mbili za msingi nchini Taiwan. Matokeo ya majaribio yanaelezewa kwa ubora:

• Maoni ya Wanafunzi: Mtindo wa kujifunza ulikuwa 'maarufu kwa wanafunzi wa shule za msingi na sekondari.' Hii inapendekeza ushiriki wa juu na uzoefu mzuri wa mtumiaji.
• Utendaji wa Kujifunza: Utendaji wa kujifunza wa wanafunzi wa shule za msingi 'uliboreshwa.' Karatasi inadokeza kwamba mfano wa urejeleaji wa utabiri, uliofunzwa kwa alama za mitihani ya kila mwezi, ulisaidia kutambua wanafunzi walio katika hatari na kutoa msaada unaolengwa.
• Zana ya AIoT-FML: Zana mpya ya kujifunza AIoT-FML ilianzishwa Januari 2021 ili 'kuongeza hamu ya wanafunzi katika kujifunza Kiingereza na AI-FML kwa mazoezi ya msingi ya vitendo.' Hii inapendekeza mabadiliko kutoka kwa ujifunzaji tulivu hadi ujifunzaji amilifu.

Kumbuka: Karatasi kamili ingejumuisha jedwali linalolinganisha alama za kabla ya mtihani na baada ya mtihani kwa vikundi vya udhibiti dhidi ya vikundi vya majaribio. Kutokuwepo kwa data hii ni kikwazo kikubwa.

8. Uchunguzi Kisa: Zana ya Kujifunza AIoT-FML Ikifanya Kazi

Fikiria mwanafunzi wa darasa la 5, Mei, akitumia mfumo huo. Anajifunza msamiati wa Kiingereza. Zana ya kujifunza AIoT-FML ni kifaa halisi chenye vitambuzi na taa. Hali hiyo:

1. Ukusanyaji wa Data: Mei anafanya mazoezi ya msamiati kwenye zana. Wakati wake wa kujibu na usahihi wake vinarekodiwa.
2. Hoja ya Fuzzy: RAA inatumia sheria za fuzzy kutathmini 'kiwango chake cha umilisi.' Kwa mfano: 'IKIWA usahihi ni wa juu NA wakati wa kujibu ni mfupi BASI umilisi ni wa juu.'
3. Mwingiliano wa Roboti: Roboti Kebbi Air inasema, 'Kazi nzuri, Mei! Unazimudu maneno haya. Tujaribu seti ngumu zaidi.' Ikiwa umilisi ni mdogo, roboti inaweza kusema, 'Hebu tupitie maneno haya tena. Nitakuonyesha kidokezo.'
4. Mfano wa Utabiri: Mtandao wa neva unatabiri alama yake kwenye mtihani unaofuata wa kila mwezi. Ikiwa utabiri ni mdogo, mwalimu anaarifiwa kutoa msaada wa ziada.
5. Uboreshaji wa Mageuzi: Kwa wakati, GA inarekebisha sheria za fuzzy na uzani wa mtandao wa neva ili kuboresha usahihi wa utabiri na umuhimu wa maoni ya roboti.

Huu ni mfano halisi wa mzunguko wa ujifunzaji pamoja ukifanya kazi. Mwanafunzi anajifunza, mashine inajifunza kutoka kwa mwanafunzi, na mfumo unabadilika.

9. Uchambuzi Asilia: Kujaza Pengo

Karatasi hii inawakilisha hatua ya kusifiwa, ingawa haijakamilika, kuelekea siku zijazo ambapo AI si tu zana bali ni mshirika wa kujifunza. Wazo kuu la ujifunzaji pamoja linalingana kifalsafa na Eneo la Ukuaji wa Karibu (ZPD) la Vygotsky, ambapo ujifunzaji una ufanisi zaidi unapoongozwa na 'mtu mwingine mwenye ujuzi zaidi.' Hapa, roboti na mfumo wa AI hufanya kama 'yule mwingine,' lakini kwa mgeuko muhimu kwamba 'yule mwingine' pia anajifunza kutoka kwa mwanafunzi. Hili ni dhana yenye nguvu ambayo inaweza kuleta demokrasia katika ufundishaji wa kibinafsi.

Hata hivyo, dosari kubwa zaidi ya karatasi ni ukosefu wake wa ushahidi mkali wa kiasi. Katika mazingira ya sasa ya AI katika elimu, madai ya 'utendaji ulioboreshwa' hayatoshi tena. Tunahitaji ukubwa wa athari, vipindi vya kujiamini, na ulinganisho na mbinu za msingi. Kwa mfano, uchambuzi wa meta wa 2020 na Zawacki-Richter et al. (uliochapishwa katika International Journal of Educational Technology in Higher Education) uligundua kwamba ingawa matumizi ya AI katika elimu yanaongezeka, ushahidi wa ufanisi wao mara nyingi ni dhaifu na umegawanyika. Karatasi hii kwa bahati mbaya inaangukia katika kategoria hiyo. Inatoa simulizi la kuvutia na mfumo ulioundwa vizuri, lakini inashindwa kutoa data ngumu inayohitajika kumshawishi mtu mwenye shaka.

Zaidi ya hayo, mtazamo wa karatasi kwenye kujifunza Kiingereza, ingawa ni wa vitendo, unahisi kama fursa iliyopotea. Nguvu halisi ya AI-FML iko katika uwezo wake wa kuiga mahusiano changamano, yasiyo ya mstari. Kuitumia kwa kazi ya mstari kama kukariri msamiati ni kama kutumia kompyuta kuu kuhesabu bakshishi. Mfumo ungekuwa na athari kubwa zaidi ukitumika kwa masomo kama hisabati au sayansi, ambapo hoja za fuzzy na mitandao ya neva zinaweza kuiga uelewa wa kina wa dhana. Kwa mfano, uelewa wa mwanafunzi wa 'nguvu' katika fizikia kwa asili ni fuzzy na wa pande nyingi, na kuifanya kuwa mgombea kamili wa mfumo huu.

Kwa kumalizia, karatasi hii ni uthibitisho muhimu wa dhana. Inaonyesha kwamba roboti inaweza kuwa mwanafunzi mwenza, si tu mwalimu. Lakini ili kuhama kutoka karatasi ya mkutano hadi zana ya elimu inayoweza kupanuliwa, waandishi lazima watoe data inayothibitisha kuwa inafanya kazi, na lazima waitumie kwenye nyanja zenye changamoto zaidi. Teknolojia ina ahadi; ushahidi unasubiri.

10. Matumizi ya Baadaye na Mtazamo

RAA na mfumo wa AI-FML wana uwezo mkubwa zaidi ya kujifunza Kiingereza:

• Ufundishaji wa Kibinafsi wa STEM: Mfumo unaweza kubadilishwa kufundisha dhana changamano za STEM kama calculus, fizikia, au programu. Mantiki ya fuzzy inaweza kuiga 'uelewa wa angavu' wa mwanafunzi wa dhana, wakati mtandao wa neva unatabiri utendaji wao kwenye seti za matatizo.
• Elimu Maalum: Mtindo wa mwingiliano wa roboti usio na hukumu na wenye subira unaweza kuwa mzuri kwa wanafunzi walio na tawahudi au ulemavu wa kujifunza. AI inaweza kubadilisha kasi na mtindo wa mafundisho kwa wakati halisi kulingana na hali ya kihisia ya mwanafunzi (inayotambuliwa kupitia vitambuzi).
• Mafunzo ya Kampuni: Mfumo unaweza kutumika kwa kuwasha au kuboresha ujuzi wa wafanyakazi. Roboti inaweza kufanya kama 'mshauri wa kidijitali,' akiwaongoza wafanyakazi kupitia programu au michakato mipya, huku AI ikifuatilia maendeleo yao ya kujifunza na kutambua mapungufu ya maarifa.
• Ushirikiano na AI Zinazozalisha: Matoleo ya baadaye yanaweza kushirikiana na Mifano Mikubwa ya Lugha (LLMs) kama GPT-4 ili kutoa maoni ya mazungumzo ya asili zaidi. Roboti inaweza kutoa maelezo au mifano ya kibinafsi papo hapo, na kufanya uzoefu wa kujifunza uvutie zaidi.
• Ujifunzaji wa Tamaduni Mbalimbali: Mfumo unaweza kutumwa katika nchi nyingi, kuruhusu wanafunzi kujifunza pamoja na roboti zinazozungumza lugha tofauti, kukuza ushirikiano wa kimataifa na mabadilishano ya kitamaduni.

11. Marejeleo

1. C.-S. Lee, M.-H. Wang, Z.-H. Ciou, et al., "Robotic Assistant Agent for Student and Machine Co-Learning on AI-FML Practice with AIoT Application," katika Proc. FUZZ-IEEE, 2021.
2. V. Loia na G. Acampora, "Fuzzy Markup Language: A New Solution for the Intelligent Web," katika Proc. IEEE Int. Conf. Fuzzy Systems, 2004.
3. O. Zawacki-Richter, V. I. Marín, M. Bond, na F. Gouverneur, "Systematic review of research on artificial intelligence applications in higher education – where are the educators?," International Journal of Educational Technology in Higher Education, vol. 17, no. 1, 2020.
4. L. S. Vygotsky, Mind in Society: The Development of Higher Psychological Processes. Harvard University Press, 1978.
5. J. Zhu, T. Park, P. Isola, na A. A. Efros, "Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks," katika Proc. IEEE Int. Conf. Computer Vision (ICCV), 2017. (Imerejelewa kama mfano wa karatasi ya msingi ya AI kwa ulinganisho wa ukali wa mbinu).