AI மற்றும் கற்றல் முடிவுகளைப் புரிந்துகொள்ள புதிய கருவிகள்

கல்வி என்பது AI இன் மிக நம்பிக்கைக்குரிய ஃப்ரண்டியர் துறைகளில் ஒன்றாகும். ChatGPT போன்ற கருவிகளுடன், தனிப்பயன் கற்றல் ஆதரவு எந்த மாணவருக்கும், எங்கும், எந்த நேரத்திலும் கிடைக்கலாம். 

ஆனால் கல்வித் துறை இன்னும் கற்றல் விளைவுகளில் AI-யின் தாக்கத்தைப் புரிந்துகொள்வதில் ஆரம்ப நிலையில் உள்ளது. கடந்த ஆண்டு, எங்கள் குழு ஸ்டடி மோடு⁠ போன்ற கருவிகளின் பயன்பாட்டை ஆய்வு செய்யத் தொடங்கி, மாணவர்களின் செயல்திறனில் நம்பிக்கையளிக்கும் முன்னேற்றங்களை கண்டறிந்தது. ஆனால் எங்கள் ஆராய்ச்சி ஒரு முக்கியமான கேள்வியையும் எழுப்பியது: இறுதி தேர்வில் மட்டும் அல்லாமல், காலப்போக்கில் ஒரு கற்றவரின் முன்னேற்றத்தை AI எவ்வாறு பாதிக்கிறது என்பதை நாம் எவ்வாறு மதிப்பிடலாம்?

இது ஒரு பரந்த சூழலமைப்பு சவாலாகும். இன்றுவரை, பெரும்பாலான ஆராய்ச்சி முறைகள் குறுகிய செயல்திறன் சமிக்ஞைகளில்—உதாரணமாக தேர்வு மதிப்பெண்கள்—கவனம் செலுத்துகின்றன; மேலும், நிஜ உலக சூழல்களில் மாணவர்கள் AI-யுடன் உண்மையில் எவ்வாறு கற்றுக்கொள்கிறார்கள் என்பதையும், அந்தப் பயன்பாடு காலப்போக்கில் விளைவுகளை எவ்வாறு வடிவமைக்கிறது என்பதையும் மதிப்பிடும் திறன் இவற்றில் இல்லை. 

இந்த இடைவெளியைச் சமாளிக்க, பல்வேறு கல்விச் சூழல்களில் கற்றல் விளைவுகளை நீண்டகாலமாக அளவிடுவதற்கு ஆதரவளிக்கும் வகையில், எஸ்டோனியாவின் University of Tartu மற்றும் Stanford Accelerator for Learning-இல் உள்ள SCALE Initiative ஆகியவற்றுடன் இணைந்து உருவாக்கப்பட்ட ஒரு கட்டமைப்பான Learning Outcomes Measurement Suite, ஐ நாங்கள் உருவாக்கினோம். 

சீரான கட்டுப்படுத்தப்பட்ட பரிசோதனை மூலம் விரிவான சரிபார்ப்பு நடைபெற்று வருகிறது, மேலும் Learning Lab, OpenAI இன் கற்றல் ஆராய்ச்சி சூழலமைப்பில் உள்ள நிறுவனர் அமைப்புகளுடன் கூடுதல் ஆராய்ச்சி திட்டமிடப்பட்டுள்ளது; இதில் Arizona State University, UCL Knowledge Lab, மற்றும் MIT Media Lab ஆகியவற்றின் ஆராய்ச்சியாளர்களும் (முந்தைய ஒத்துழைப்பு ஆய்வுகளை⁠ அடிப்படையாகக் கொண்டு) அடங்குவர்.

இன்று, அளவீட்டு தொகுப்பு எவ்வாறு செயல்படுகிறது மற்றும் ஏன் இது முக்கியம் என்பதற்கான ஒரு மேலோட்டத்தை நாங்கள் பகிர்ந்து கொள்கிறோம். காலப்போக்கில், மேலும் பல ஆராய்ச்சிகளை வெளியிட்டு, அளவீட்டு தொகுப்பை உலகளாவிய அளவில் பள்ளிகள், பல்கலைக்கழகங்கள் மற்றும் கல்வி அமைப்புகளுக்கான ஒரு பொது வளமாக வெளியிட நாங்கள் திட்டமிட்டுள்ளோம்.

• கற்றலில் AI இன் தாக்கம் குறித்த இன்றைய ஆராய்ச்சி முறைகள் செயல்திறன் பற்றி நம்பிக்கையளிக்கும் சிக்னல்களை காட்டுகின்றன, ஆனால் காலப்போக்கில் AI கற்றல் விளைவுகளை எவ்வாறு பாதிக்கிறது என்பதின் முழுப் படத்தைப் பிடிக்கவில்லை.
• The Learning Outcomes Measurement Suite முதன்முறையாக, கல்வியாளர்கள், ஆராய்ச்சியாளர்கள் மற்றும் நிறுவனங்கள் பல்வேறு சூழல்களில் AI கற்றலையும் கற்றல் விளைவுகளையும் எவ்வாறு வடிவமைக்கிறது என்பதைப் புரிந்துகொள்ள உதவும் நீண்டகால ஆய்வுகளுக்கான ஒரு நிலையான கட்டமைப்பை வழங்கும்.
• OpenAI-யின் Learning Lab என்பது இந்தப் பணியை முன்னேற்றுவதில் கவனம் செலுத்தும் புதிய ஆராய்ச்சி சூழலமைப்பாகும். துறை தொடர்ந்து வளர்ந்து வரும் நிலையில், OpenAI பல்வேறு கூட்டாளர்களுடன் அருகருகே கண்டுபிடிப்புகளை வெளியிடும்.

மாணவர்கள் படிக்கவும் கற்றுக்கொள்ளவும் AI கருவிகளைப் பயன்படுத்தும்போது, அதற்கு பல்வேறு அர்த்தங்கள் இருக்கலாம்—விரைவான பதில்களுக்காக AI-யை அணுகுவதிலிருந்து, ஆசிரியர் போன்ற வழிகாட்டுதலுடன் படிப்படியாகப் பிரச்சனைகளைத் தீர்க்க அதைப் பயன்படுத்துவதுவரை. பயனர்கள் ChatGPT உடன் ஆழமான புரிதலும் திறன் வளர்ப்பும் ஆதரிக்கும் வகைகளில் ஈடுபட ஊக்குவிக்க, OpenAI கடந்த ஆண்டு ஸ்டடி மோடு⁠ ஐ அறிமுகப்படுத்தியது.  உள்ளடக்கமாக, ஸ்டடி மோடு என்பது ஆசிரியர்கள், விஞ்ஞானிகள் மற்றும் கல்வியியல் நிபுணர்களுடன் இணைந்து நாங்கள் எழுதிய தனிப்பயன் சிஸ்டம் வழிமுறைகளால் இயக்கப்படுகிறது; இது வெறும் பதில்கள் மட்டுமல்ல, உண்மையான கற்றலை ஆதரிக்கும் முக்கிய நடத்தைகளின் தொகுப்பைப் பிரதிபலிக்கிறது—ஸ்காஃபோல்டிங், புரிதலைச் சரிபார்த்தல், மற்றும் வழிகாட்டப்பட்ட பயிற்சி ஆகியவற்றைப் பயன்படுத்தி.

இந்த வகையான கல்வியியல் ரீதியாக ஒத்திசைக்கப்பட்ட AI தொடர்பு பாணி சிறந்த கற்றல் முடிவுகளாக மாறுகிறதா என்பதைச் சோதிக்க, நியூரோசயின்ஸ் மற்றும் மைக்ரோஎகனாமிக்ஸ் தேர்வுகளுக்குத் தயாராகிய 300-க்கும் மேற்பட்ட கல்லூரி மாணவர்களுடன் நாங்கள் சீரற்ற முறையிலான ஒரு ஆய்வை நடத்தினோம். பகுப்பாய்வு இன்னும் நடைபெற்று கொண்டிருந்தாலும், ஸ்டடி மோடு போன்ற அம்சங்கள் மூலம் ஊக்குவிக்கப்படும், கற்பித்தல் நோக்குடன் ஒத்திசைந்த AI தொடர்பு பாணி கற்றல் விளைவுகளை மேம்படுத்த முடியும் என்ற நம்பிக்கையை ஆரம்ப முடிவுகள் எங்களுக்கு அளிக்கின்றன. ஆனால் இந்த ஆய்வு ஒரு முக்கியமான யதார்த்தத்தையும் வெளிப்படுத்தியது: உண்மையில் முக்கியமானது, ஆதாயங்களும் அதனுடன் தொடர்புடைய உற்பத்தி நடத்தைகளும் காலப்போக்கில் நீடித்திருக்கிறதா என்பதே.

ஸ்டடி வடிவமைப்பு

பங்கேற்பாளர்கள் மூன்று குழுக்களில் ஒன்றிற்கு ஒதுக்கப்பட்டனர்: ஒரு கட்டுப்பாட்டு குழு Google Search மற்றும் YouTube போன்ற பாரம்பரிய ஆன்லைன் வளங்களைப் பயன்படுத்தி, AI உருவாக்கிய மேலோட்ட அம்சங்கள் முடக்கப்பட்ட நிலையில், படித்தது; அதே நேரத்தில், மேலும் இரண்டு கூடுதல் குழுக்களுக்கு, கற்றல் செயல்முறையின் வழியாக மாணவர்களை சற்றே வேறுபட்ட முறைகளில் வழிநடத்த வடிவமைக்கப்பட்ட இரண்டு ஸ்டடி மோடு மாறுபாடுகளில் ஒன்றிற்கான அணுகல் வழங்கப்பட்டது. முந்தைய பாடநெறி அனுபவம், படிப்பு பழக்கங்கள், கல்வி நம்பிக்கை, மற்றும் AI கருவிகளுடன் உள்ள பரிச்சயம் ஆகியவற்றில் உள்ள வேறுபாடுகளை சரிசெய்ய, அடிப்படை வினாடி வினாக்களும் ஆன்போர்டிங் கணக்கெடுப்புகளும் முன்கூட்டியே சேகரிக்கப்பட்டன. ஒவ்வொரு தேர்வுக்கும் முன் மாணவர்கள் நேரக்கட்டுப்பாடு கொண்ட ஸ்டடி மோடு அமர்வுகளை முடித்தனர்; மேலும், ஸ்டடி மோடு இன் இரண்டு மாறுபாடுகள் பாடப்பிரிவுகள் முழுவதும் சமநிலைப்படுத்தப்பட்டன.

இந்த அமைப்பு, கடுமையாகக் கட்டுப்படுத்தப்பட்ட ஆய்வக சூழலை விட, நிஜ உலக ஆய்வு நிலைமைகளைப் பிரதிபலிக்குமாறு வடிவமைக்கப்பட்டது. பங்கேற்பு தேர்வு செயல்திறனுடன் இணைக்கப்படவில்லை, மேலும் பெயரளவிலான 40 நிமிட அமர்வுகளின் போது அனைத்து மாணவர்களும் ஸ்டடி மோடு-ஐ ஒரே அளவிற்கு பயன்படுத்தவில்லை. இது எங்களுக்கு intention-to-treat (ITT) விளைவுகளை அளவிடவும் அறிக்கையிடவும் அனுமதித்தது, நிஜமான rollout சூழ்நிலைகளில் கருவிக்கு அணுகல் வழங்கப்படுவதின் தாக்கம்—வேறு வார்த்தைகளில், நடைமுறையில் ஈடுபாடு மாறக்கூடும் என்பதை ஏற்றுக்கொண்டு, ஸ்டடி மோடு வழங்கப்படுவதின் காரண விளைவு.

கண்டுபிடிப்புகள்

ஒவ்வொரு தேர்விலும் செயல்திறனை நாங்கள் தனித்தனியாக அளவிட்டோம். எங்கள் சீரற்ற முறையில் ஒதுக்கப்பட்ட ஆய்வில், முன்னேற்றங்கள் அனைத்து பாடப்பிரிவினரிடமும் ஒரே மாதிரியாக இல்லை, மேலும் ஸ்டடி மோடு உடன் ஈடுபாட்டின் அளவுகள் பங்கேற்பாளர்களிடையே மாறுபட்டன. 

• Neuroscience (primary ITT): கட்டுப்பாட்டுடன் ஒப்பிடுகையில் ஸ்டடி மோடிற்காக திசைமுகமாக நேர்மறையான வேறுபாடுகளை நாங்கள் கவனித்தோம், ஆனால் பாரம்பரிய ஆன்லைன் வளங்களைப் பயன்படுத்தி படிக்கும் மாணவர்களின் முடிவுகளிலிருந்து முடிவுகள் வேறுபடுத்த முடியாதவையாக இருந்தன. ஸ்டடி மோடு பயன்படுத்தி படிப்பு முறையில் இருந்த மாணவர்களிடையே, சில ஆன்போர்டிங் மற்றும் தொழில்நுட்ப சிக்கல்கள் படிப்பில் செலவிட்ட நேரத்தை பாதித்தன. 
• மைக்ரோஎகனாமிக்ஸ் (primary ITT): AI இல்லாத கட்டுப்பாட்டு குழுவுடன் ஒப்பிடும்போது ஸ்டடி மோடு அணுகல் வழங்கப்பட்ட மாணவர்களிடையே தேர்வு செயல்திறனில் அர்த்தமுள்ள முன்னேற்றங்களை நாங்கள் கவனித்தோம்—ஒப்பீட்டளவில் சுமார் 15% அதிக மதிப்பெண்.

இது நிஜ உலக மாறுபாட்டை பிரதிபலித்தாலும், கற்றல் விளைவுகள் பொதுவாக எவ்வாறு அளவிடப்படுகின்றன என்பதில் உள்ள ஒரு ஆழமான வரம்பை இது வெளிப்படுத்தியது.

பெரும்பாலான தற்போதுள்ள மதிப்பீட்டு அணுகுமுறைகள், குறுகிய காலச் சாளரங்களில் மதிப்பிடப்படும் நிலையான தலையீடுகளை நம்பியிருக்கும்; தேர்வு மதிப்பெண்கள் அல்லது இறுதி கட்டுரைகள் போன்ற விளைவுகளை முதன்மை சமிக்ஞைகளாகப் பயன்படுத்துகின்றன. இந்த முறைகள், நடைமுறையில் AI கற்றலை எவ்வாறு பாதிக்கிறது என்பதற்கான மைய செயல்முறையைப் பிடிக்க வடிவமைக்கப்படவில்லை: கற்றுக்கொள்ளுபவரின் சொந்த உத்திகள், விருப்பங்கள், மற்றும் படிப்பு பழக்கங்களுடன் இணைந்து வளர்ந்து வரும் தொடர்ச்சியான, தனிப்பயனாக்கப்பட்ட தொடர்பாடல்கள். அதேபோல், குறுகிய கால நினைவுகூரல் போன்ற ஒரு திறனில் மேம்பாடுகள் ஏற்பட்டால், நிலைத்தன்மை, சுயாதீன உந்துதல், அல்லது படைப்பாற்றல் சிக்கல் தீர்க்கும் திறன் போன்ற பிறவற்றில் சமரசங்கள் கூடவே வரக்கூடும் என்பதையும் அவர்கள் வெளிப்படுத்துவதில்லை. இதன் விளைவாக, AI கற்றலை அர்த்தமுள்ள விதத்தில் மேம்படுத்துகிறதா என்பதை இறுதியில் தீர்மானிக்கும் நீண்டகால அறிவாற்றல் விளைவுகளை அவர்கள் தவறவிடுகிறார்கள். 

நாடுகள், பாடத்திட்டங்கள், மற்றும் நிறுவன இலக்குகள் ஆகியவற்றில் கற்றல் சூழல்கள் பரவலாக மாறுபடுவதால், ஒருமுறை நடத்தப்படும் ஆய்வுகளின் முடிவுகள் அரிதாகவே அமைப்புகள் முழுவதிலும் பொதுவாகப் பொருந்தும். எனவே, அளவீட்டு அணுகுமுறைகள் வெவ்வேறு கல்வி அமைப்புகள் தங்களின் சூழலில் வெற்றி எப்படி இருக்கும் என்பதை வரையறுக்கவும், தங்களின் சொந்த தரநிலைகளின் அடிப்படையில் AI-ஐ மதிப்பீடு செய்யவும், அதற்கேற்ப மீண்டும் மீண்டும் மேம்படுத்தவும் போதுமான அளவு நெகிழ்வானதாக இருக்க வேண்டும்.

சிறந்த அளவீட்டு அமைப்பை உருவாக்குதல் 

OpenAI-இன் ஸ்டடி மோடு ஆராய்ச்சியிலிருந்து கிடைத்த கற்றல்களின் அடிப்படையில், பெரிய அளவில் கற்றவர்கள்மீது AI-இன் தாக்கத்தை அளவிடவும், அந்த முடிவுகளின் அடிப்படையில் மாடல்களை மேம்படுத்த ஒரு செயல்முறையை உருவாக்கவும், நாங்கள் ஒரு கட்டமைக்கப்பட்ட அளவீட்டு முறைமையை உருவாக்கி வருகிறோம். இது மூன்று சிக்னல்களில் அடிப்படையாக்கப்பட்டுள்ளது—மாடல் எவ்வாறு நடந்து கொள்கிறது, கற்றுக்கொள்பவர்கள் எவ்வாறு பதிலளிக்கிறார்கள், மற்றும் காலப்போக்கில் அளவிடக்கூடிய அறிவாற்றல் விளைவுகள் என்னவாக உருவாகின்றன. இதில் அடங்குவன: 

• மாடல் நடத்தையை மேம்படுத்துவதற்கான அமைப்பு வழிமுறைகள்: குறிப்பிட்ட கற்பித்தல் அணுகுமுறைகளுடன் மேலும் நன்கு ஒத்திசைவதற்காக மாடலின் இயல்புநிலை நடத்தையை மாற்ற இயற்கை மொழியைப் பயன்படுத்துதல்.
• கற்றல் தொடர்பு வகைப்படுத்திகள்: இவை உண்மையான, அடையாளம் நீக்கப்பட்ட, கற்றவர்–மாடல் தொடர்புகளுக்குள் உள்ள “கற்றல் தருணங்களை” தானாகக் கண்டறிந்து, ஈடுபாடு மற்றும் பிழை திருத்தம் போன்ற முக்கிய அம்சங்களுக்கு லேபல் இடுகின்றன.
• கற்றல் தர மதிப்பீட்டாளர்கள்: இவை, கற்றவரின் இலக்கை அவர் அடைந்தாரா என்பதையும், தோல்வி முறைகளை அடையாளம் காண்பதையும் உட்பட வலுவான கல்வியியல் கொள்கைகளை அந்த ஊடாடல் எவ்வளவு அளவிற்கு பின்பற்றியது என்பதையும் அடிப்படையாகக் கொண்டு, அந்தக் கற்றல் தருணங்களில் ஒவ்வொன்றையும் மதிப்பிட்டு மதிப்பெண் அளிக்கின்றன.
• குறுக்குவெட்டு கற்றல் மதிப்பீட்டாளர்கள்: இவை காலப்போக்கில் அதே கற்பவரின் மாடலுடன் உள்ள தொடர்புகளில் ஏற்படும் மாற்றங்களை—ஈடுபாடு, தொடர்ச்சியான முயற்சி, மற்றும் மேட்டாகோக்னிட்டிவ் தந்திரங்கள் உட்பட—தனிநபர் மற்றும் குழு நிலைகளில் கண்காணிக்கின்றன.
• தரநிலைப்படுத்தப்பட்ட அறிவாற்றல் மற்றும் மெட்டா-அறிவாற்றல் அளவீடுகள்: இவை சரிபார்க்கப்பட்ட மூன்றாம் தரப்பு கருவிகள்; அடித்தள நிலைகளை நிறுவவும், விமர்சன சிந்தனை, படைப்பாற்றல், மற்றும் நினைவாற்றல் போன்ற அடிப்படை திறன்களில் ஏற்படும் மாற்றங்களை அளவிடவும் ChatGPT முன்/நடுவில்/பின் அணுகல் வழியாக வழங்கப்படுகின்றன.

இணைக்கும்போது, இந்த அளவீட்டு அமைப்பை Learning Outcomes Measurement Suite. என்று குறிப்பிடுகிறோம்

கல்வி சூழலமைப்பு பயன்படுத்தக்கூடிய முக்கியமான சிக்னல்களை இது உருவாக்குகிறது: கற்றல் தருணங்களின் கட்டமைக்கப்பட்ட பார்வைகள், குழுக்களுக்கிடையே காலப்போக்கில் முடிவுகள் எப்படி மாறுகின்றன என்பதை காட்டும் டாஷ்போர்டுகள், கற்பித்தல் மற்றும் ட்யூட்டரிங் ரூப்ரிக்குகளுக்கு எதிராக மாடல் செயல்திறனின் குறியீடுகள், மேலும் தரநிலைப்படுத்தப்பட்ட மதிப்பீடுகளுக்கும் குறுகிய கற்றலாளர் கேள்வித்தாள்களுக்கும் ஒத்திசைக்கப்பட்ட விளைவு அளவீடுகள். கிடைக்கும் இடங்களில், தேர்வு மதிப்பெண்கள், வகுப்பறை பார்வைகள், அல்லது வருகைப்பதிவு போன்ற கூட்டாளர்கள் வழங்கும் அடிப்படை உண்மையை இதில் இணைக்க முடியும்.

மேலும், இந்த அமைப்பின் மூலம் காலப்போக்கில் கற்றலுக்காக AI-ஐ பயன்படுத்துவதால் ஏற்படும் ஆழமான அறிவாற்றல் தாக்கங்களை எங்கள் கூட்டாளர்கள் புரிந்துகொள்ளவும் இது உதவுகிறது, ஏனெனில் இதன் மூலம் பின்வருபவை போன்ற திறன்களின்மீது ஏற்படும் தாக்கத்தையும் நாங்கள் கண்காணிக்க முடிகிறது:

• தன்னாட்சி உந்துதல்: கற்றவர்கள் மாடல் வழிநடத்தப்படுவதுடன் ஒப்பிடும்போது, தங்களின் சொந்த படிப்பை எவ்வளவு அளவிற்கு வடிவமைக்கிறார்கள் 
• உற்பத்தித் திறன் மிக்க ஈடுபாடு: கற்பித்தல் தொடர்பான ஊடாடல்களின் அடிக்கடி நிகழ்தல், பல்வகைமை மற்றும் தரம்
• பணி நிலைத்தன்மை: ஒரு கற்றவர் அறிவாற்றல் சவால்களுடன் எவ்வளவு நேரம் அமர்ந்து அவற்றைத் தாண்டிச் செல்ல முயல்கிறார் என்பதின் அளவு
• சிந்தனை திறன்: கற்றவரின் படிப்பிற்கான அணுகுமுறைகளை திட்டமிட, சுயபரிசீலனை செய்ய மற்றும் கண்காணிக்க மேற்கொள்ளும் முயற்சிகளின் அடிக்கடி நிகழ்தல் மற்றும் தரம்
• Recall: முந்தைய தொடர்புகளிலிருந்து உள்ளடக்கத்தை ஒரு கற்றவர் நினைவில் வைத்துக்கொள்ளும் துல்லியம்

இது கற்றல் விளைவுகளின் (சோதனை மதிப்பெண்கள் உயர்வது) குறுகிய வரையறைகளில் மட்டும் கவனம் செலுத்தாமல், கற்றலை ஆதரிக்கும் முழுமையான திறன்களில் கவனம் செலுத்துவதற்கான எங்கள் மொத்த முயற்சிகளை பிரதிபலிக்கிறது. எதை மேம்படுத்த வேண்டும் என்பதில் ஒரே ஒரு “சில்வர் புல்லெட்” தீர்வு இருக்காது என்ற எங்கள் நம்பிக்கையையும் இது பிரதிபலிக்கிறது: கல்வியியல் சிறந்த நடைமுறைகள் மற்றும் அணுகுமுறைகளுடன் ஒத்திசைவாக சமநிலைகளை வழிநடத்த அமைப்புகளும் கல்வியாளர்களும் அதிகாரமளிக்கப்பட வேண்டும்.

இங்கிருந்து நாம் எங்கு செல்கிறோம்

Learning Outcomes Measurement Suite-ஐ பரவலாகக் கிடைக்கச் செய்வதற்கு முன், பெரிய அளவிலான ஆய்வுகள் மூலம் நாங்கள் அதைச் சரிபார்த்து வருகிறோம். இந்தப் பணி Tartu பல்கலைக்கழகம் மற்றும் Stanford SCALE முயற்சியுடன் இணைந்து, எஸ்டோனியா போன்ற நாடளவிலான கூட்டாளர்களுடன் முன்னெடுக்கப்படுகிறது; அங்கு அளவீட்டு தொகுப்பு பல மாதங்களாக 16 முதல் 18 வயதுடைய சுமார் 20,000 மாணவர்களுடன் ஆய்வு செய்யப்படுகிறது. மாணவர்கள் பயன்பாடு உள்ளூர் தலைவர்களுடன் நெருங்கிய ஒத்துழைப்பில் நடைபெறும், பாதுகாப்பையும் உள்ளூர் பாடத்திட்டங்களுடன் ஒத்திசைவையும் உறுதிப்படுத்தும்.

இந்தப் பணி, நடைபெற்று வரும் பரந்த அளவிலான கூட்டு ஆராய்ச்சியை அடிப்படையாகக் கொண்டது. Learning Lab-இல் நிறுவனர் கூட்டாளர்கள் மூலம் மேற்கொள்ளப்படும் விளைவுகள் தொடர்பான ஆராய்ச்சிக்கு கூடுதலாக, கற்றல் மற்றும் தொழிலாளர் சந்திப்பின் சந்திப்பில் உள்ள ஆய்வுகளையும் OpenAI ஆதரிக்கிறது—AI மாணவர்களின் கல்விப் பாதைகள், தொழில் முடிவுகள், மற்றும் பொறுப்பான ஏற்றுக்கொள்ளலை ஆதரிக்க நிறுவனங்கள் எவ்வாறு செயல்படலாம் என்பதைக் கண்காணித்து ஆய்வு செய்கிறது. இந்த ஆராய்ச்சி Bocconi University, Innova Schools மற்றும் Tuck School of Business at Dartmouth, San Diego State University, Stony Brook University, மற்றும் பிற இடங்களிலும் நடைபெற்று வருகிறது.

செயற்கை நுண்ணறிவுடன் மாணவர்கள் எவ்வாறு சிறப்பாகக் கற்றுக்கொள்கிறார்கள் என்பது குறித்து நாங்கள் நீண்டகால ஆய்வுகளை மேற்கொள்ளும்போது, கண்டுபிடிப்புகளைப் பகிர்ந்து கொள்ளவும், AI எல்லா இடங்களிலும் உள்ள கற்றவர்களுக்கு பயனளிக்க பரந்த கல்விச் சூழலுடன் இணைந்து பணியாற்றவும் நாங்கள் திட்டமிட்டுள்ளோம்.

இந்தப் பணியின் புதுப்பிப்புகளைப் பெற ஆர்வமாக இருப்பவர்கள் இங்கே⁠ பதிவு செய்யலாம்.