A gépi tanulás (machine learning) oktatási célú alkalmazása az egyik legtöbb figyelmet kapó kutatási terület az EdTech területén belül. Az automatizált értékelés, a szövegfelismerés és az előrejelző modellek olyan lehetőségeket kínálnak, amelyek alapvetően befolyásolhatják a pedagógiai munka egyes elemeit.
Ugyanakkor ezek a technológiák számos pedagógiai és etikai kérdést is felvetnek — különösen akkor, ha a gépi értékelés közvetlenül befolyásolja a tanuló haladását vagy minősítését.
Az automatizált értékelés technikai alapjai
Az automatizált szövegértékelő rendszerek (Automated Essay Scoring, AES) természetes nyelvfeldolgozási módszereket alkalmaznak arra, hogy a tanulói szöveges válaszokat emberi értékelőhöz hasonló logika szerint minősítsék. Az AES-rendszerek típusonként eltérő megközelítéseket alkalmaznak:
- Felszíni jellemzők alapján: mondathossz, szókincs, bekezdésszerkezet és nyelvtani hibák elemzése.
- Szemantikai elemzés: a szöveg tartalmi megfelelőségének mérése referencia-szövegekkel való összehasonlítással.
- Transzformer-alapú modellek: a nagyméretű előtanított nyelvi modellek finomhangolással képessé tehetők tantárgy-specifikus értékelési feladatokra.
Tanulói előrejelzés és lemorzsolódás-megelőzés
A gépi tanulás egyik legígéretesebb oktatási alkalmazása a tanulói előrejelzés (learning analytics prediction). Ezek a modellek a tanuló korábbi viselkedési adatait — bejelentkezési minták, feladatteljesítés, aktivitási idő — elemzik, és valószínűségi becslést adnak arra, hogy egy adott tanuló veszélyeztetett-e a lemorzsolódás szempontjából.
Az előrejelző modellek különösen a felsőoktatásban és az online képzésekben bizonyultak hasznosnak, ahol a manuális monitorozás kapacitáskorlátokba ütközik.
Természetes nyelvfeldolgozás a magyartanításban
A magyar nyelv agglutináló jellegéből adódóan a természetes nyelvfeldolgozás (NLP) sajátos kihívásokat jelent. A morfológiai elemzés és a szótövesítés jóval összetettebb, mint az angol vagy más flektáló nyelvek esetén.
Ez azt jelenti, hogy a kizárólag angolra optimalizált modellek magyar szöveges feladatokra közvetlenül nem, csak finomhangolással alkalmazhatók megbízhatóan. A magyar NLP-kutatás területén a BME Természetes Nyelvfeldolgozás Kutatócsoport és a MTA Nyelvtudományi Intézet végez aktív fejlesztő munkát.
Korlátok és etikai megfontolások
Az automatizált értékelési rendszerek bevezetésekor a következő korlátokat érdemes figyelembe venni:
- Bizonytalanság az edge case-eknél: a gépi modellek a szokatlan, de helyes megközelítéseket esetenként hibásnak minősíthetik.
- Kreativitás mérése: az originális, kreatív tartalmak gépi értékelése jelenleg nem megoldott probléma.
- Elfogultság: a modell tanítási adatainak összetétele befolyásolja az értékelési mintázatokat — ha az adathalmaz nem elég változatos, a modell torzításokat örökíthet át.
- Átláthatóság: sok esetben az értékelési logika nem áttekinthető a pedagógus vagy a tanuló számára (black-box probléma).
Jelenlegi magyarországi helyzet
Magyarországon a gépi tanulás iskolai értékelésben való közvetlen alkalmazása jelenleg elsősorban kutatási és kísérleti keretek között zajlik. Az érettségi és más standardizált vizsgák értékelése kizárólag emberi értékelőkkel történik, és a közeljövőben nem tervezett az automatizálás bevezetése ezen a területen.
Az ELTE, a BME és egyes vidéki egyetemek kutatócsoportjai vizsgálják, hogy milyen feltételek mellett lehetne megbízható módon alkalmazni gépi segédeszközöket a felsőoktatási értékelésben.
Összefoglalás
A gépi tanulás oktatási alkalmazásai komoly lehetőséget kínálnak, de a jelenlegi technológiai korlátok miatt kiegészítő szerepükre érdemes tekinteni — nem a pedagógiai ítélőképesség helyettesítőjeként. Az emberi értékelés és a gépi asszisztencia kombinálása, az átláthatóság biztosítása és az etikai keretek kialakítása azok az alapelvek, amelyek mentén a hazai fejlesztések is előre haladhatnak.
Forrás: UNESCO – AI in Education · MTA Nyelvtudományi Intézet