هوش مصنوعی یادگیری را کارآمدتر می کند. آیا یادگیری را مختل می کند؟

یادگیری خود به خود چه شد؟

یکی از موارد مورد علاقه من در مورد تسهیل شبیه سازی کسب و کار، تماشای یادگیرندگان است که چیزی را کشف می کنند که انتظارش را نداشتند.

شاید آنها تصمیمی برای قیمت گذاری می گیرند که درآمد را افزایش می دهد اما سودآوری را از بین می برد. شاید آنها سرمایه گذاری زیادی روی رضایت مشتری می کنند، اما متوجه می شوند که هزینه های عملیاتی آنها سریعتر از تمایل مشتریان به پرداخت افزایش می یابد. یا شاید آنها یک تصمیم کاملا منطقی می گیرند، فقط برای اینکه متوجه شوند که رقبای آنها تصمیمی به همان اندازه منطقی گرفته اند که همه چیز را تغییر می دهد.

این لحظات فوق‌العاده‌ای هستند زیرا زبان‌آموزان چیزی را تجربه می‌کنند که هیچ ارائه‌ای در پاورپوینت نمی‌تواند آن را بازتولید کند. آنها فکر می کنند، مفروضات را زیر سوال می برند، در مورد جایگزین ها بحث می کنند و پیامدهای تصمیمات خود را کشف می کنند. حتی گاهی با هم دعوا می کنند که من خیلی دوستش دارم.

یادگیری خود به خودی زمانی اتفاق می‌افتد که افراد در کشف ایده‌ها، پرسیدن سؤالات غیرمنتظره، آزمایش و ایجاد ارتباطاتی که لزوماً توسط طراح آموزشی مورد نظر نیست، آزادی داشته باشند.

این بدان معنا نیست که یادگیری باید بدون ساختار باشد. کاملا برعکس. یادگیری خود به خودی عالی نیاز به طراحی متفکرانه، اهداف روشن و محیطی دارد که کاوش را تشویق کند.

به بهترین معلم، مربی یا مربی که تا به حال داشته اید فکر کنید. حدس می‌زنم چیزی که آنها را به یاد ماندنی می‌کرد، توانایی آنها در دنبال کردن یک فیلمنامه نبود. این توانایی آنها در تشخیص فرصت یادگیری و استفاده از آن بود، حتی اگر به معنای خارج شدن از فیلمنامه باشد.

این چیزی است که من را در مورد یادگیری مبتنی بر هوش مصنوعی نگران می کند. ما آنقدر در تولید و سازماندهی محتوا مهارت داریم که فراموش می کنیم جایی برای موارد غیرمنتظره بگذاریم.

پنج راه برای حمایت از یادگیری خود به خود در دنیای هوش مصنوعی

من از طرفداران بزرگ هوش مصنوعی در یادگیری هستم. من معتقدم که رشد استعدادها را به طور اساسی تغییر خواهد داد. اما نکته کلیدی استفاده از هوش مصنوعی برای ایجاد یادگیری بهتر است، نه فقط محتوای بیشتر.

در اینجا پنج نکته وجود دارد که هر متخصص توسعه استعداد باید در نظر بگیرد.

1. از تلاش برای پر کردن هر دقیقه با محتوا دست بردارید

در طول مسیر، طراحی آموزشی به رقابتی تبدیل شد تا ببینیم چه مقدار محتوا در یک برنامه قرار می گیرد.

من برنامه‌ای را دیده‌ام که در آن هر دقیقه مهم است، هر اسلاید فیلم‌نامه‌نویسی شده است، و هر بحثی یک پاسخ از پیش تعیین‌شده دارد. زمان کافی برای استراحت در حمام وجود ندارد، چه رسد به یک گفتگوی جالب.

هوش مصنوعی این را بدتر می کند زیرا ایجاد محتوای اضافی به طرز مضحکی آسان شده است. اما فقط به این دلیل که می‌توانید ماژول دیگری ایجاد کنید، به این معنا نیست که کسی باید آن را تجربه کند.

فضای تنفسی را در برنامه های خود ایجاد کنید. به یادگیرندگان اجازه دهید در مورد سؤالات بحث کنند، فرضیات را به چالش بکشند و ایده های جالب را کشف کنند. اگر بحثی منجر به بینش های ارزشمندی شد، به طور خودکار آن را متوقف نکنید زیرا اسلاید 47 باید در ساعت 10:35 شروع شود.

مهم ترین لحظه یادگیری ممکن است در دستور کار شما نباشد.

2. طراحی تجربیاتی که زبان آموزان پاسخ آن را نمی دانند

یکی از بزرگ‌ترین مشکلات یادگیری سنتی این است که ما زمان زیادی را صرف آموزش پاسخ‌های صحیح به مردم می‌کنیم و زمان کافی را برای آموزش درک مسائل به آنها نمی‌گذاریم.

در دنیای واقعی تجارت، رهبران به ندرت مطالعات موردی پنج گزینه ای منظم و منظمی را دریافت می کنند که توضیحات مفیدی در مورد آنها صحیح باشد.

آنها اطلاعات ناقص، اولویت های متناقض، منابع محدود، فشارهای رقابتی و رئیسی که تا جمعه جواب می خواهد دریافت می کنند.

به همین دلیل است که من طرفدار شبیه سازی های تجاری و یادگیری تجربی هستم. آنها محیطی را ایجاد می کنند که در آن افراد تصمیم می گیرند، پیامدهای آن را تجربه می کنند و تفکر خود را تطبیق می دهند.

هوش مصنوعی می‌تواند این تجربیات را با معرفی واکنش‌های غیرمنتظره مشتری، حرکات رقابتی و چالش‌های مالی قدرتمندتر کند. اما یادگیرنده هنوز باید فکر کند.

اگر هوش مصنوعی پاسخ را قبل از اینکه یادگیرنده با مشکل مواجه شود ارائه دهد، فرصت یادگیری را از دست داده ایم.

3. به مجریان اجازه خروج از فیلمنامه را بدهید

من در طول سال ها با تسهیلگران استثنایی کار کرده ام و همه آنها وجه اشتراک دارند. آنها می دانند چه زمانی باید تدریس را متوقف کنند و شروع به گوش دادن کنند.

آنها تشخیص می دهند که یک شرکت کننده چه زمانی سوالی می پرسد که ارزش بررسی دارد، چه زمانی گروه به رویکرد متفاوتی نیاز دارد، و چه زمانی یک بحث غیرمنتظره از یک فعالیت برنامه ریزی شده ارزشمندتر می شود.

متأسفانه، بسیاری از برنامه‌ها تسهیل‌کننده‌ها را به عنوان مکانیزم‌های ارائه محتوا در نظر می‌گیرند. روی اسلاید کلیک کنید. نکات صحبت را بخوانید. سوال مقرر را بپرسید. به اسلاید بعدی بروید.

در این مرحله، چرا تسهیل کننده را با یک آواتار هوش مصنوعی جایگزین نکنید و همه را از دردسر نجات ندهید؟

تسهیل‌کننده‌های بزرگ، یادگیری را به چالش‌های واقعی کسب‌وکار مرتبط می‌کنند، بحث‌های سالم را تشویق می‌کنند، و به یادگیرندگان کمک می‌کنند تا بینش‌هایی را درباره خود کشف کنند.

هوش مصنوعی باید به تسهیلگران آزادی بیشتری برای انجام این کارها بدهد، نه اینکه آنها را به اپراتورهای پاورپوینت پردرآمد تبدیل کند.

4. جایی برای شکست، بحث و اختلاف ایجاد کنید

یکی از چیزهایی که در آموزش شرکتی متوجه شده ام این است که میل تقریباً وسواسی به ایجاد احساس راحتی و موفقیت در همه است.

هر تمرین پاسخ روشنی دارد. هر فعالیتی مثبت به پایان می رسد. هر شرکت کننده مطمئن است که کار بزرگی انجام می دهد.

این خوب است، اما لزوماً یادگیری نیست.

در تجارت، مردم تصمیمات بدی می گیرند. آنها داده ها را اشتباه تفسیر می کنند، رقبا را دست کم می گیرند، تقاضا را بیش از حد برآورد می کنند و روی استراتژی هایی سرمایه گذاری می کنند که کارساز نیستند. یادگیری تشخیص اشتباهات و بازیابی از آنها یک مهارت مهم رهبری است.

ترجیح می‌دهم کارآموزان در یک شبیه‌سازی تصمیم وحشتناکی بگیرند و 30 دقیقه را صرف بحث در مورد علت وقوع آن کنند تا اینکه تمرینی را با موفقیت انجام دهند که پاسخ آن واضح است.

هوش مصنوعی در اینجا می تواند یک مزیت بزرگ باشد. تصور کنید یک مشتری مبتنی بر هوش مصنوعی مفروضات یک متخصص فروش را به چالش می کشد، یک عضو هیئت مدیره مجازی استراتژی مالی یک تیم رهبری را زیر سوال می برد، یا یک رقیب که به طور غیرقابل پیش بینی به تصمیم قیمت گذاری واکنش نشان می دهد.

این تجربیات فرصت‌های خوبی برای یادگیری خود به خود ایجاد می‌کنند، به شرطی که هر واکنش ممکن را برنامه‌ریزی نکنیم و عدم اطمینان را از بین ببریم.

5. آنچه یادگیرندگان می توانند انجام دهند را اندازه گیری کنید، نه اینکه چه مقدار از محتوا را تکمیل کرده اند

اینجا کجاست هوش تجاری وارد گفتگو می شود.

شرکت ها میلیاردها دلار در توسعه استعدادها سرمایه گذاری می کنند زیرا انتظار بازگشت دارند. آنها رهبران بهتر، فروشندگان قوی تر، مدیران و کارمندان موثرتر می خواهند که تصمیمات تجاری بهتری بگیرند.

با این حال، ما همچنان به اندازه گیری یادگیری بیش از حد از طریق حضور، میزان تکمیل، نمرات رضایت و بررسی دانش ادامه می دهیم.

تبریک می گویم همه 12 ماژول را تکمیل کردند، تست ها را پشت سر گذاشتند و 4.8 از 5 ستاره را به برنامه دادند.

اما آیا آنها می توانند تصمیمات بهتری بگیرند؟ آیا آنها می توانند گفتگوهای دشوار با مشتریان را مدیریت کنند، پیامدهای مالی تصمیمات عملیاتی را تشخیص دهند، یا زمانی که استراتژی ها از کار افتادند، خود را وفق دهند؟

این نتایج است که مهم است.

بازگشت واقعی یادگیری زمانی حاصل می شود که افراد آنچه را که تجربه کرده اند به عملکرد شغلی بهتر تبدیل کنند. این مستلزم فرصت‌هایی برای فکر کردن، آزمایش کردن، اشتباه کردن و سازگاری با موقعیت‌های غیرمنتظره است.

یادگیری خود به خود امتیاز خوبی نیست. این بخشی از توسعه قابلیتی است که سازمان ها برای آن هزینه می پردازند.

طنز هوش مصنوعی و یادگیری خود به خود

در اینجا چیزی است که به نظر من بسیار جالب است.

هوش مصنوعی باید بهترین کاتالیزور برای یادگیری خود به خودی باشد که تا به حال داشته ایم.

در مورد آن فکر کنید. ما اکنون فناوری داریم که می تواند سناریوهای تجاری واقعی ایجاد کند، با مشتریان دشوار بازی کند، پاسخ های رقابتی را شبیه سازی کند، فرضیات را به چالش بکشد و بازخورد شخصی ارائه دهد.

ما می‌توانیم محیط‌های یادگیری پویا را ایجاد کنیم که تا چند سال پیش تقریباً غیرممکن یا بسیار گران بود.

و با این حال برخی از سازمان ها از این فناوری خارق العاده برای تولید اسلایدهای بیشتر، اسکریپت های بیشتر، ماژول های بیشتر و محتوای بیشتر استفاده می کنند.

مثل این است که یک فراری بخرید و از آن برای تحویل پیتزا در سه بلوک استفاده کنید.

فرصت استفاده از هوش مصنوعی برای سخت‌تر کردن یادگیری نیست. این است که یادگیری را پویاتر، اکتشافی، چالش برانگیزتر و مرتبط با دنیای واقعی کند.

ما باید تجربیاتی را طراحی کنیم که در آن یادگیرندگان واقعاً کنجکاو باشند که چه اتفاقی می‌افتد، جایی که تصمیم‌ها عواقب دارند، و جایی که تسهیل‌کننده‌ها بتوانند یادگیری را دنبال کنند، نه اینکه فقط دستور کار را دنبال کنند.

چون وقتی مردم به شغل خود برگردند، دنیا فیلمنامه ای به آنها نمی دهد. مشتریان غیرقابل پیش بینی رفتار خواهند کرد، رقبا استراتژی های خود را تغییر خواهند داد، بازارها تغییر خواهند کرد و رهبران باید بدون اینکه بدانند در آینده دقیقاً چه اتفاقی خواهد افتاد، تصمیم گیری کنند.

اگر می‌خواهیم مردم در یک دنیای تجاری غیرقابل پیش‌بینی عمل کنند، باید طراحی تجربیات یادگیری را که در آن همه چیز قابل پیش‌بینی است، متوقف کنیم.