Praktische toepassingen van AI in Onderwijs en Onderzoek

Deze blog maakt onderdeel uit van de verslagen van het kennisdeelevenement van Your Next Concepts.

Inmiddels is AI een containerbegrip geworden voor “slimme algoritmes” die mensen ondersteunt in het werk. Als we inzoomen kunnen wij het onderscheid maken tussen:

• Human rules: Menselijke regels die vaak impliciet worden toegepast. Als voorbeeld gaf Paul dat als hij las: “We betrekken stakeholders bij het onderzoek.’’ Hij iedere keer het commentaar gaf: “Wie zijn deze stakeholders dan, graag specificeren.’’ Een actie die herhaaldelijk (vaak onbewust gedaan) wordt in het werk.
• Business rules: Het automatiseren van deze Human rules zien wij als het vastleggen van business rules. Dus elke keer als er “betrekken stakeholders” staat, wordt het commentaar gegeven: “Specificeer deze stakeholder.’’
• AI: De stap naar AI wordt gezet als een computer uit heel veel voorstellen zelf deze regel bepaalt. De computer bepaalt bijvoorbeeld zelf dat niet alleen bij het woord ‘’stakeholder’’ een opmerking wordt geplaatst, maar ook bij het woord ‘’werkveld’’ of ‘’partners’’.

Binnen Impacter wordt bijvoorbeeld de leesbaarheid van een aanvraag getoetst aan de hand van een getraind model waarbij de gebruikers steeds te zien krijgen hoe goed de tekst is. Niet door het aantal woorden te tellen, maar door een computer dit uit te laten rekenen.

Het is verleidelijk om overal AI voor te gebruiken, maar soms zijn human of business rules goed genoeg. Of het nou gaat om tijd, geld of complexiteit, er is hierdoor voor elk probleem een tool beschikbaar waarmee je tot de beste oplossing kan komen.

Toepassingen

In het tweede deel van de presentatie werd er aan de hand van een aantal voorbeelden van Impacter en GlobalCampus, laten zien hoe AI toegepast kan worden.

AI lijkt de oplossing voor elk probleem, maar soms kan je met een eenvoudige Business rule tot hetzelfde of een beter resultaat komen.

1. SDG-classifier

Het eerste voorbeeld richt zich op de Sustainable Development Goals (SDG’s). De Verenigde Naties heeft in 2020 de SDG’s geïntroduceerd. Veel subsidies (en onderwijsprogramma's) worden gebenchmarked tegen de SDG’s om een beeld te krijgen van de maatschappelijke impact op deze doelen. Voorheen werden hiervoor ingewikkelde business rules gebruikt op basis van woorden. Impacter heeft op basis van een dataset van papers een SDG-classifier ontwikkeld.

Op basis van een stuk tekst worden van alle SDG's de scores teruggegeven tussen 0 en 1. Dit kan zowel op onderwijs voorstellen als op teksten van een course manual worden toegepast. Nieuwe vragen die hierbij opkomen zijn:

1. Welke teksten zijn wel en niet relevant?
2. Wanneer hoort een SDG bij een tekst, als de score 0.5 is of pas bij 0.9?

Het is een eigenschap van AI dat het altijd met waarschijnlijkheden werkt en niet met een absolute waarheid. Hierdoor zal een nieuwe manier van denken en discussie moeten ontstaan als je dit soort tools gaat gebruiken om te classificeren.

De vraag kwam of je dit model kan maken op basis van de data in het onderwijs. Hierop is het antwoord dat de dataset van een curriculum te klein is om een goed werkende AI op te maken. Het verder trainen is wel mogelijk om het net iets beter te kunnen laten omgaan met de data van de instelling.

2. Zoeken

Een tweede voorbeeld gaat over het zoeken van passende literatuur of wetenschappers. Vanuit het googlen zijn we heel erg gewend om te zoeken aan de hand van steekwoorden. Met AI is het ineens mogelijk om op basis van tekst te zoeken, waar veel meer informatie in zit.

Met GlobalCampus en Impacter is het mogelijk om respectievelijk de beste wetenschapper of relevante literatuur te zoeken bij het onderwijs. Op deze manier kan deze AI-tool gebruikers helpen om altijd de meest relevante wetenschappelijke literatuur te selecteren en ook om te kijken welke experts nu het meest relevant zijn binnen de instelling voor het onderwerp.

3. Active Learning

Het laatste voorbeeld ging over Active Learning, een manier om AI op basis van beperkte input de relevante volgorde te laten teruggeven. Dit wordt bijvoorbeeld gebruikt om een systematic literature review te doen. Wetenschappers beoordelen 1000 papers één voor één en kiezen hieruit 20 tot 40 relevante papers. Door gebruik te maken van active learning start je op dezelfde manier en geef je aan of een paper wel of niet relevant is. Op basis van deze input laat AI je de tweede paper zien die waarschijnlijk relevanter is. Uit onderzoek blijkt dat je op deze manier een stuk minder papers hoeft door te nemen om bij hetzelfde resultaat te komen.

Dit kan natuurlijk ook toegepast worden op de keuze van een module of vak door studenten. Hierbij geeft de student eerst de relevante competentie op en wanneer hij/zij het onderwijs wil volgen. Na een aantal keer swipen krijgt de student de voor hem/haar relevante optie te zien. De student weet zo eigenlijk altijd dat de beste keuze op de eerste pagina staat.

AI kent veel nieuwe toepassingen op het gebied van onderwijs en onderzoek en dat gaat verder dan het genereren van teksten. Denk hierbij aan het slimmer laten kiezen van een studiepad, het beter matchen van wetenschappers of het classificeren van bestaande gegevens. Zoals hierboven beschreven lijkt AI soms de oplossing voor elk probleem, maar soms kan je met Human of Business rules goedkoper of eenvoudiger tot hetzelfde of een beter resultaat komen.

Wil je de presentatieslides ontvangen van de presentatie over AI? Mail dan naar info@yournextconcepts.com. Meer informatie over Impacter kan je vinden op hun website.