Neden daha iyi istemler daha iyi öğrenmeye ve neden
Bulduğum şey, üretken AI'nın (Gen AI), amaçla yaklaştığımızda tasarım tasarımında gerçek bir ortak haline gelmesidir. Bu sadece bir zaman tasarrufu değil. Bu bir prototip jeneratör, bir sondaj tahtası ve – iyi bir şekilde teşvik edildiğinde – zengin, kişiselleştirilmiş ve yeniden kullanılabilir öğrenme varlıklarının bir arayışıdır. Anahtar sadece yapay zeka (AI) kullanmak değil – bunu nasıl teşvik ettiğimiz ve daha da önemlisi kiminle sorduğumuzu. Öğretimsel bir tasarımcı olarak, kalite veya niyet ödemeden işimizi sürekli olarak ölçeklendirmenin yollarını arıyorum. Zamanında, ilgi çekici ve sonuç uyumlu öğrenme içeriğine olan talep, departmanlar, kampüsler ve kuruluşlar arasında büyümeye devam etmektedir. Bu talebi karşılamak sadece daha hızlı çalışmakla ilgili değildir; Bu daha akıllı ve daha işbirliği içinde çalışmakla ilgilidir.
Kullandığım en etkili istemlerden bazıları tek başına hazırlanmıştı. Fakülte, konu uzmanları (KOBİ'ler), takım liderleri ve hatta öğrencilerle canlı bir araya getirme oturumlarından çıktılar. Çünkü bir araya geldiğimizde, sadece içerik üretmiyoruz – paylaşılan anlayış inşa ediyoruz. Bu anlayış bir kerelik değil, şablonlara dönüşüyor. Sadece çözümler değil, sistemlere. Birbirine bağlı üç çerçeveyi kullanarak bunu nasıl yapacağımı keşfedelim – en çok geri döndüğümle başlayarak.
Tasarım yapmak tasarım – sadece bir komut değil
Öğretim tasarımında, inşa ettiğimiz şeye yapı ve netlik getirmek için Addie, Sam ve Bloom'un taksonomisi gibi çerçeveleri kullanıyoruz. İyi yapıldığında istemek farklı değildir. Bir makineye attığımız tek satırlık bir soru değil-kasıtlı bir tasarım hareketi.
Hızlı oluşturmayı düşünceli çerçevelerle hizaladığımızda, daha iyi çıktılar elde ederiz. Ancak daha da önemlisi, ekibimizdeki diğerlerinin kullanabileceği ve uyum sağlayabileceği ölçeklenebilir, tekrarlanabilir ve öğretilebilir sistemler yaratıyoruz. Bunu yapmak için kullandığım en basit ve en güçlü araçlardan biri Pentagon modeli.
Pentagon modeli: istemleri aktarılabilir hale getirin
Pentagon modeli, iyi yapılandırılmış bir istemin temel bileşenlerini beş temel bileşene ayırır: persona, bağlam, görev, çıktı ve kısıtlama. Bunların her biri açıkça tanımlandığında, istem, ilgili sonuçlar verecek kadar spesifik hale gelir ve farklı öğrenme senaryolarında yeniden kullanılacak kadar genel hale gelir. Bunu yıkalım:
- Persona rol hakkında
Yapay zeka kim olarak cevap veriyor? Profesör, bir hemşire, bir koç, tarihçi mi? AI'ye tanımlanmış bir personel vermek, çıktı sesini, perspektifini ve güvenilirliğini verir. - Bağlam çevreyi veya durumu çerçeveliyor
İçerik işe alım, klinik uygulama, öğrenci projeleri veya liderlik koçluğu için midir? Bu arka planın, AI'nın yanıtını nasıl uyarlanacağını anlamasını sağlar. - Görev amacı netleştirir
AI'dan özetlemesini, diyalog oluşturmasını, bir senaryoyu simüle etmesini mi yoksa bir taslak oluşturmasını mı istiyoruz? Açıkça tanımlanmış bir görev, çıktıyı odaklanmış ve kullanışlı tutar. - Çıktı formatı tanımlar
Bülten bir listeye, diyalog senaryosuna, bir sınava, bir grafiğe ihtiyacımız var mı? Bu beklentiyi belirleyerek düzenlemeyi azaltıyoruz ve kullanılabilirliği artırıyoruz. - Kısıtlama korkuluklar ekler
Ton konuşma mı yoksa akademik mi olmalı? Yanıtın 200 kelimelik bir sınır içine sığması gerekiyor mu? Farklı okuma seviyelerine sahip öğrenciler için uygun olmalı mı?
Pentagon modelini kullanarak, ekipler bir duruma bağlı olmayan ancak departmanlar arasında uyarlanabilen ve kullanım durumları arasında uyarlanabilen hızlı şablonları bir araya getirebilir. Örneğin, başlangıçta hemşirelik vaka çalışmaları üretmek için oluşturduğumuz bir istem, daha sonra İK katılım malzemeleri için, sadece rolü, kitleyi ve bağlamı değiştirerek uyarlanmıştır. Yapı aynı kaldı, bu da sürecin sıfırdan başlaması gerekmediği anlamına geliyordu. İçerik oluşturmayı bu şekilde tutarlılık ve kalite bozulmadan ölçeklendiriyoruz.
Tasarım Düşüncesi: Takım Süreci Olarak Yok Etme
Pentagon modeli iyi bir istemin anatomisini sağlarken, tasarım düşüncesi zihniyet sağlar. Empati, yineleme ve işbirliğini davet eder – bunların hepsi daha anlamlı ve sürdürülebilir hale getirir. Tasarım düşüncesi sadece ürün geliştirme için değil, daha iyi AI istemleri yazmanın yaratıcı ve insan merkezli bir yoludur. Doğrudan çıktıya atlamak yerine, kullanıcının ayakkabılarına adım atarsınız, deneyin ve rafine edersiniz. Amaç? AI yanıtlarını daha kullanışlı, kişiselleştirilmiş ve eyleme geçirilebilir hale getiren istemler.
Öğretim tasarımcıları, istemler oluşturmak için fakülte, personel ve öğrencilerle yan yana çalıştıklarında önemli bir şey olur: İnsanların neye ihtiyacı olduğunu tahmin etmeyi bırakırız ve onlarla inşa etmeye başlarız. İhadesi daha az solo bir eylem ve daha fazla bir araya gelme sürecinden oluşur.
Bir projede, bir mesleki gelişim kursu için gerçek dünyadaki çatışma çözümü senaryolarını simüle etmek için bir dizi AI istemleri geliştirdik. Ancak içeriği sadece kendimiz tasarlamak yerine, yöneticileri, destek personelini ve hatta stajyerleri isteme oturumuna davet ettik. Yaşayan deneyimleri senaryoların tonunu, karmaşıklığını ve kelime dağarcığını şekillendirdi. Sonuç? Hemen gerçek ve kullanışlı hissettiren içerik – çünkü öyleydi.
Bu işbirlikçi yaklaşım yinelemeyi hızlandırır ve satın almayı artırır. İçeriği işaretledikten sonra yeniden ziyaret etmek ve gözden geçirmek yerine, başlangıçtan itibaren hizalanırsınız. Ve bilgi paylaşıldığı için süreç ölçeklenebilir hale gelir. Organizasyondaki diğerleri aynı tasarım yaklaşımını alabilir ve tek bir bekçi veya ekibe bağlı olarak yeni içerik üretebilir.
Geriye dönük Tasarım: Hizalamaları Öğrenme Hedefleri ile Hizalayın
Pentagon modeli size yapı ve tasarım düşüncesi sunarsa, işbirliği getirirse, geriye dönük tasarım, yarattığımız her şeyin aslında öğrenme çıktılarını desteklemesini sağlar. AI için geriye dönük tasarım, tanınmış Wiggins ve McTighe çerçevesinden ödünç ister, ancak bir bükülme ile: Her şey gerçekten ihtiyacınız olan sonuçları alan hazırlama istemleri ile ilgilidir. AI'dan bir ders tasarlamasına, bir senaryo yazmasına, görüntüler oluşturmasına veya verileri parçalamasına yardımcı olmasını isteyin, bu yaklaşım sadece çıktılara değil, sonuçlara odaklanmanıza yardımcı olur.
Geriye dönük tasarım son olarak başlar: Öğrenciler bu deneyimden sonra ne bilmeli, yapmalı veya hissetmelidir? Oradan, başarıyı (değerlendirmeyi) nasıl ölçeceğimize karar veriyoruz ve ancak o zaman öğrenme deneyimini ve bunu destekleme istemlerini tasarlıyoruz.
Örneğin, bir müşteri hizmetleri eğitiminde, gerçek zamanlı konuşmalarda empati ve problem çözme becerilerini göstermek için öğrencilere ihtiyacımız vardı. AI'dan “bir senaryo yazmasını” isteyerek başlamak yerine, öğrenme hedefine başladık: “Çalışanlar, aktif dinleme tekniklerini kullanarak sinirli bir müşteriyi işten çıkaracaklar.” Bu, görevi (“gerçekçi bir konuşma oluştur”), bağlamı (“uzun bekleme sürelerine sahip bir perakende ortamda”) ve çıktıyı (“etiketli hoparlör dönüşlerine sahip bir rol yapma komut dosyası”) sürdü.
İstemi bir performans hedefine bağladığımız için çıktı hemen hizalandı. Daha da iyisi, yapı farklı endüstrilerde yeniden kullanılabilir – sadece bir hastane, üniversite veya çağrı merkezinin yerini ayar olarak değiştirir ve aynı çerçeve geçerlidir. Sonuçlara dayanan istemler sürüklenmez. Ölçeklendirir, tercüme ederler ve gelişirler.
Neden işbirlikçi bir alışkanlık olmalı
Yapay zeka ile çalışmak hızlı hissedebilir – ancak ortak bir istemi model kullanarak AI ile birlikte çalışmak sadece daha hızlı değil, aynı zamanda daha akıllıdır. Paydaşları isteme sürecinin başlarında dahil ettiğimizde, yanlış hizalanmış beklentilerden gelen tipik ileri geri önden kaçınırız. İnşa edilen istemler gerçek ihtiyaçları yansıtır, paylaşılan dili kullanır ve yeniden kullanılabilir formatlar oluşturur. Zamanla, bu istemler tasarım araç setinizin bir parçası haline gelir – karıştırabileceğiniz, eşleştirebileceğiniz ve uyum sağlayabileceğiniz modüler bileşenlerden oluşan bir kütüphane.
Daha da güçlü mü? İşbirliği yapmak bir tür upkilling. Fakülte, personel ve tasarımcılar AI'nin dilini birlikte nasıl konuşacaklarını öğrenir. Çerçevelerde düşünmeye başlarlar, görevleri daha net bir şekilde ifade ederler ve AI'yı kendi başlarına daha etkili bir şekilde kullanırlar. İlerleme ortak bir okuryazarlık haline gelir ve onu sürdürülebilir kılan şey budur.
Ölçeklenebilir bir yönlendirme kültürü inşa etmek
Ölçeklendirme içeriği sıfırdan daha fazlasını oluşturmak anlamına gelmez. İşbirliği yoluyla daha akıllı, yeniden kullanılabilir sistemler oluşturmak anlamına gelir. AI yardımcı olabilir – ancak sadece niyetle kullandığımızda ve amaca yol açtığımızda. İşte öğrendiklerim gerçekten işe yarıyor:
- Pentagon modeli, tasarım düşüncesi ve geriye doğru tasarım gibi çerçeveler kullanın
- Paydaşları erken dahil edin, sadece inceleme aşamalarında değil
- Paylaşılan hızlı şablonlar oluşturun ve başkalarının kolayca erişebileceği ve uyarlayabileceği yerlerde saklayın
- Uygulamayı normalleştirmek için planlama veya sprint döngüleri sırasında ana bilgisayar istemi reçel oturumları
Kısacası: Tasarım gibi isteme. İşbirlikçi, amaçlı ve tekrarlanabilir hale getirin. Daha hızlı hareket edeceksin. Daha iyi hizalanacaksınız. Ve en önemlisi, içeriğin sadece oluşturulmadığı bir öğrenme ekosistemi oluşturacaksınız – stratejik olarak oluşturuldu, toplulukta inşa edilmiş ve ölçeklendirmek için yapılmış.
Bir yanıt yazın