2025 - Prof. Dr. Racsmány Mihály – Megszületett a jövő tanulási módszere

A mai alkalommal előadásomban egy kicsit azt szeretném megmutatni, hogy a nagy lelkesedés közepette, amely a technológiai fejlődés és a mesterséges intelligencia alkalmazásával kapcsolatban az elmúlt években többek között az oktatás területén is megjelent, szembe kell néznünk, mi is a valóságos helyzet. Hogyan lehet abból az egyébként nem könnyű helyzetből kikeveredni, amely a mesterséges intelligencia, az oktatási technológiai fejlesztés és a létező pedagógiai gyakorlat nem feltétlenül szerencsés házasságából született.

2016-ban volt egy nagyon jelentős pillanat. A világ egyik vezető oktatástechnológiai konferenciájának díszelőadását Bill Gates tartotta. Gates akkor azt a jóslatot tette, hogy öt éven belül – a döbbenetes mennyiségű pénz hatására, ami beáramlik az oktatással kapcsolatos technológiai fejlesztésekbe (ez napjainkban csak az Egyesült Államokban 100–120 milliárd dollár évente, nagyságrendileg ehhez közelítenek az Európai Unió befektetései is) – soha nem látott fejlődésnek leszünk szemtanúi. Csökkenni fog a lemorzsolódás, nőni fog az átlagteljesítmény, és a közoktatásban olyan változásoknak leszünk szemtanúi, amelyeket már nagyon régen várt nagyon sok elméleti és gyakorlati szakember. Ugye ehhez képest – ahogy annak idején Rejtő Jenő, Fülig Jimmy és a maláj erőművész kapcsolatában írta – nagy meglepetés történt. A 2022-es és a 2024-es adatok – mind az Egyesült Államok oktatási előmeneteli vizsgálatai (NAEP), mind pedig az OECD PISA vizsgálatai – azt mutatták, hogy bizonyos szegmensekben abszolút stagnálás figyelhető meg. Pont a célkitűzés legfontosabb elemeit tekintve, tehát a leszakadást, az alapszint alatti teljesítményt tekintve, a szövegértés és a matematikai gondolkodás területein történelmi mélypont jelentkezett. Mindez „köszönhetően” annak, hogy abban az azt megelőző öt évben összesen 4–500 milliárd dollár lett beforgatva oktatási technológiai fejlesztésre.

Mi lehet ennek az oka? Számos kutatás próbálja megválaszolni ezt a kérdést. Ehhez társul a felsőoktatásnak az az átfogó krízise, amelyet közismerten jegyinfláció néven ismerünk mindannyian, vagyis egyre gyengébb teljesítményre egyre jobb jegyeket adunk. Ez nemcsak a magyar egyetemeken van így, hanem általános jelenség, amely sajnos inflálja az egyetemi diplomák értékét, elsősorban a vállalati HR tevékenység kapcsán, az egyetemi diploma leértékelődőben van a munkaerőpiacon.

Milyen okai vannak mindennek? Nyilván nem fogok teljes áttekintést adni ebben a körülbelül 20 perces előadásban, de azért a legfontosabb okokat szeretném megmutatni, és azt, hogy milyen választ tud adni erre a kognitív pszichológia és a kognitív tudományi alapokon működő oktatástechnológiai fejlesztés. Végül, egy olyan rendszert akarok bemutatni előadásom végén, amelyet mi hoztunk létre a Szegedi Tudományegyetemen, és amely megoldást jelenthet ezekre a gondokra.

Az egyik nagyon lényeges ok, hogy igen régen velünk van az az elképzelés, amely szerint a tudást valamifajta biflázásnak, valamifajta száraz lexikális ismeretnek tekintve, leegyszerűsítve, romantikus, sőt, ha úgy tetszik, pragmatikus gondolatnak tűnik az, hogy elsősorban készségeket tanítsunk. Kritikai gondolkodás, keresési készség, minek bármit megtanulni, amikor ott van a Google, ott van a könyvtár, bármire rá lehet keresni, bármit meg lehet találni? Mire való akkor a rendszerezett tudás? Ez a felfogás annak ellenére uralkodó a pedagógiai elméletben és gyakorlatban, hogy a kognitív pszichológiai kutatások évtizedek óta szisztematikusan bizonyítják, hogy egy adott területen meglévő szervezett tudás szintjétől függ az, hogy valaki azon a területen képes-e például a kritikai gondolkodásra. És ez a készség nem transzferálható, tehát egy olyan ember, aki egy adott területen képes a saját szakterületével kapcsolatban elmélyült keresési és kritikai gondolkodási készségek megvalósítására – ennek egyébként a közéletben is gyakran látjuk számos példáját – egy másik, ismeretlen területre átmozogva súlyos hiányt mutat ezekből a készségekből. A kognitív pszichológia egyik legfontosabb konklúziója, hogy az iskola által a gyerekeknek átadandó készségek szorosan kötődnek egy meghatározott tartalmi tudásterülethez. Ez a készségek területspecifikusságának az elve. Ezeket a készségeket nagyon nehéz transzferálni egy másik területre, tehát amikor a régi tudásunk alapján új helyzeteket, új problémákat tudunk megoldani.

Ez viszont csak az egyik komponense ennek az összetett problémának. Nevezetesen annak, hogy a technológiai fejlesztések olyan gyakorlatokra épülnek rá, és olyan pedagógiai gyakorlatokat képeznek le technológiai formákká, amelyek egyrészt nagyon sok szempontból megőrzendőek és fontosak – ilyenek például az úgynevezett figyelmi oktatás paradigmának a vívmányai –, másrészt nem segítik a hosszú távú tudás felépítését. Vagyis, hogy egyre ötletesebb, egyre elaboratívabb, egyre látványosabb módon tudjuk prezentálni az információkat a diákoknak, hatásukra nagyobb lesz a tanulói bevonódás, a motiváció, fenn tudjuk tartani a figyelmüket, de mindebből semmi nem következik a tanulás hatékonyságára vonatkozóan. Vagyis azzal kapcsolatban, hogy mi marad meg hosszú távon a gyerekek fejében. Természetesen, hogyha a tanulók egyáltalán nem figyelnek, akkor semmit nem fognak megtanulni, tehát lényeges, hogy bevonjuk őket az oktatás folyamatába, de ez még csak az első lépés. Innentől kezdve ez még önmagában nem fogja eredményezni a sikeres tanulást. Mindehhez járul hozzá az, amit az előadásom elején említettem, és konstruktivista hagyománynak lehet nevezni. Vagyis elsősorban gondolkodni akarunk megtanítani, nem pedig tudást akarunk felépíteni.

Kisebb, de legalább ilyen súlyos probléma az, hogy nagyon sok olyan ötlet, nagyon sok olyan népszerű eljárás, amely nagyon hamar igen nagy népszerűségre tett szert – ilyenek például az úgynevezett tanulási stílusok, modellek, vagy az olyan eljárások, mint a flipped classroom – a szisztematikus, randomizált iskolákban elvégzett, kettős vak vizsgálatok eredményei szerint valójában nem hatékony. Hosszú távon nem építenek tudást, nagyon jó hangulatot lehet kialakítani egy iskolában ezekkel a módszerekkel, de hogyha arra vagyunk kíváncsiak, hogy mi az, ami valóban hosszú távú eredményeket hoz, akkor ezek nem jó ötletek. És ehhez járul még az, mindannyian tapasztaljuk, hogy hihetetlen mennyiségű applikáció, AI-támogatott rendszer létezik a jegyzetelésre, a vázlatkészítésre, a kivonatolásra, a prezentációra, az újra megtanulásra, az újra meghallgatásra. Annak ellenére, hogy – csak egyetlen egy nagy metaanalízist idézzek – John Dunlosky és munkatársai 2012-ben ezer iskolai vizsgálatnak összefoglaló eredményére építve mutatták ki, hogy ezek a módszerek alkalmatlanok hat hónapnál tovább megmaradó tudás kiépítésére. Ehhez társul, amit ugye úgy szoktak hívni, hogy a jelenlegi oktatási rendszer a tanulás/ellenőrzési ciklusok rendszerére épül, vagyis bizonyos vizsgahelyzetekre, bizonyos számonkérésre próbáljuk felpumpálni a tudást, akár magunkban, akár a diákjainkban, majd utána valamit mérünk, és abból a mérésből hosszú távú következtetéseket vonunk le. Nagyon sok vizsgálat bizonyította azt, hogy évek múlva ebből a rövid távú emlékezetben felpumpált, átmeneti tudásrendszerből nem sok minden marad.

Mi ennek az oka? Nincs idő részletes elmerülni a memóriakutatási irodalomban, de világos az, hogy az elmúlt 100 év memóriakutatásának összegző eredményei – például egy nagyon nagy összefoglaló vizsgálat Radvansky és munkatársai 2022-es munkája – bizonyították azt, hogy az emberi felejtés négy szakaszban megy végbe. Hogy ez miért van így, és mi ennek az idegrendszeri háttere, és hogyan tud ez aztán elhangolódni patologikus helyzetekben, ez egy teljesen másik előadás lenne, de amit fontos megértenünk, az az, hogy minden egyes idői szakaszban exponenciális felejtés következik be az információ bevitele után.

Ahhoz azonban, hogy az információ átkerüljön a hosszú távú emlékezeti rendszerbe, nem újabb bevitelre van szükség, hanem ismételt emlékezeti előhívásra, majd utána ebből a második rendszerből megint előhívásra és a harmadik időtávon működő rendszerből a negyedik rendszerbe átkerüléshez pedig egy újabb előhívásra. Ennek hiányában a bemutatott információ nem fog átkerülni abba a rendszerbe, ami egy hétnél tovább megőrzi a tudást. Könyvtárnyi irodalma van ennek. Vagyis annak a technológiai fejlesztésnek, ami rezonál arra, amit a kognitív tudomány és a kognitív pszichológia bebizonyított az emberi tanulás és a felejtés működéséről, olyan AI-támogatott oktatási rendszert kell létrehoznia, amely kombinálnia mindazt, ami már létezik az oktatásban az új emlékezetkutatási elvekkel. Tehát a figyelemfelkeltő, motiváló oktatási helyzetet kombinálnia kell az előhívásra épülő módszerekkel. Ez az eljárás folyamatosan kérdéseket tesz fel a hallgatóknak, a tanulónak, de ezeket úgynevezett tét nélküli helyzetben teszi fel. Vagyis nem vizsgakörnyezetben, hanem tanulási környezetben kérdez. Emellett folyamatos segítségeket, rávezető hinteket ad azért, hogy a tanulók lehetőség szerint minél hamarabb saját maguktól képesek legyenek előhívni a szükséges információt. Ha pedig nem sikerül a megoldást megtalálni, nemcsak azt mutatja meg, hogy mi volt a helyes megoldás, hanem a magyarázatot is megmutatja ezzel kapcsolatban. Mindezt pedig kiegészíti úgynevezett metakognitív visszajelzésekkel, amely során tulajdonképpen azt tanulja meg a tanuló, hogy mi is történik a fejében, és hogyan is kell neki egy adott helyzetben a saját elővételezett teljesítményéből következtetnie a valós teljesítményére. Amennyiben mindezt megtesszük, akkor az exponenciális felejtést folyamatosan visszatoljuk ezekbe a szakaszolt emlékezeti rendszerekbe, és nagyon sok eredmény mutatja azt, hogy ebben az esetben ennek az eljárásnak közvetett és közvetlen következményei lesznek.

Egyrészt metakognitív következmények lesznek, tehát a tanuló megtanulja korrigálni magát. A következő tanulás is javított helyzetből fog indulni, ezt hívjuk angolul test potentiated learningnek. Ezeket a közvetlen hatásokat számtalanszor bizonyították, mi magunk is nagyon sok oktatási vizsgálatban próbáltuk ki azt a rendszert, amiről előadásom végén fogok beszélni. Körülbelül 3000 egyetemista bevonásával – matematika, informatika, pszichológia kurzusok keretei között – jelentősen csökkent a felejtés, és nagyon ellenállóvá vált a tudás, az interferencia és a stressz, például a vizsga stressz hatásaival szemben. Vagyis, hogyha azt akarjuk megérteni, hogy hogyan lehet olyan technológiai fejlesztést létrehozni, amely rezonál az emberi elme működésére, akkor három nagy rejtvényt kell megoldanunk. Világos, hogy elsősorban komplex tudásrendszert kell felépítenünk a diákok fejében. Az is világos, hogy nagyon sok olyan eljárás, amit gyakorlatként használunk, erre nem alkalmas. Azonban olyan elképesztő mennyiségű új technológiát és tudást kellene elvárnunk a gyakorló tanároktól, például, hogy ők képesek legyenek elemeire bontani a tananyagaikat, majd minden egyes órára létrehozni ezeket az úgynevezett „recog” rendszereket, ami nem elvárható. Éppen ezért úgy gondoljuk, hogy egy olyan AI-támogatott oktatási rendszerre van szükség, ami ezt helyettük megteszi, és ők ezt csak, mint egy jó mérnök beemelik az amúgy meglévő oktatási környezetükbe.

Most akkor egy pillanatra megállnék. Akkor csak kvízeket meg flashcardokat kell mutogatni? Ennyi az egész? Az a rossz hírem van, hogy nem, ez ennél sokkal bonyolultabb. Nagyon sok olyan rendszer létezik Magyarországon is találkoztam ilyennel, aki ezt ígéri. Egyszerűen flashcardokat gyártunk, és azt időben szétosztva mutogatjuk a diákoknak, és az ígéret szerint ennyi elég is. Sajnos ennél ez sokkal bonyolultabb kérdés. Valójában tudnom kell azt, hogy egy adott tananyag milyen tudásformákra bontható, és azt is tudnom kell, hogy a diák ezekkel milyen kognitív műveleteket képes elvégezni. Mindezt folyamatosan ellenőriznem kell.

Tudásformák és kognitív műveletek viszonya. Heer, 2009 alapján Racsmány 2025.

Ugye ezen az ábrán lehet azt látni, hogy ezek a különböző tudásformák, amelyek műveletek, elméletek, modellek, tények, hogyan lépnek interakcióba a diák fejében különböző kognitív műveletekkel. Ezt a pszichológiai irodalom Bloom-szinteknek szokta nevezni, bár az itt látható modell túlmutat az eredeti Bloom-féle koncepción. A lényeg az, hogy arra vagyunk kíváncsiak, hogy egy adott diák fejében milyen módon lép interakcióba a már meglévő tudása az éppen az órán, vagy az éppen a könyvben aktuálisan bemutatott információval. Jól tudjuk a kognitív pszichológiai kutatásokból, hogyha itt nem tud interakcióba lépni a letárolt tudás és a munkamemóriában éppen aktívan jelenlévő információ, akkor körülbelül 30 másodperc/egy perc alatt beáll az úgynevezett mind-wandering, vagyis elkalandozik a diák, fejben már nincs is ott. Tehát folyamatosan tudnia kell egy tanárnak, hogy a teremben lévőknek mi van a fejében, és hogyan képesek ezt a tudást mozgósítani. Vagyis olyan rendszerre van szüksége, amely létrehozza számára ezeket a kognitív műveleteket, kérdések formájában rávezeti a diákokat, és neki folyamatosan visszajelzéseket ad azzal kapcsolatban, hogy egy adott diák vagy egy tanulói csoport mit tud és mit nem tud és ez a tudás a tananyag melyik részére, tudásformájára vonatkozik.

Ezt kell még kiegészíteni ebben a rendszerben nagyon sok olyan memóriakutatási komponenssel, amelyek tudjuk, hogy alapvetőek abban a tekintetben, hogy hosszú távon ezek a létrehozott komplex ismeretek megmaradjanak a diákok fejében. Például hogyan van keverve a tananyag, hogy az emlékezeti rendszer kellően tudjon diszkriminálni, milyen időzítés kell a felejtési görbéhez képest, mikor kell az újabb gyakorlásnak következnie, és milyen típusú visszajelző rendszereket kell mozgósítani. Egy ilyen AI-támogatott rendszert hoztunk létre Szegeden, a Szegedi Tudományegyetemen, Recogera néven lehet ismerni. Ez a fejlesztés a Szegedi Tudományegyetemnek jelentős innovációs sikere, piaci exitre ment, tehát egy befektetői csoport megvásárolta, de a Szegedi Tudományegyetem maradt a stratégiai fejlesztő partner, továbbra is mi végezzük a tudományos fejlesztést és kutatást. Tulajdonképpen egy olyan oktatási ökoszisztéma jött létre, ahol létezik egy tanári szoftver, amely interakcióban áll a diákoknak vagy a tabletjével, vagy a mobiljával. A tanár látja, hogy nem a Facebookon vannak, hanem az ő rendszerében, mert folyamatosan követheti, hogy ki van bent a rendszerben, és válaszol-e rendesen a kérdésekre. Tehát nem tud lejönni a rendszerről.

Tulajdonképpen háromféleképpen kerülhet bele a Recogera rendszerbe egy recog-csomag.

• Vagy a piactérről behúzza az adott tanár a szoftverébe a teljes anyagot. A piactéren az adott tananyagoknak szaklektorok által elkészített teljes anyaga van.
• Vagy a rendszerbe beépített, az általunk létrehozott generátor segítségével létrehozza a saját tananyagából a recogokat. A rendszer segítségével szétbontja tudáselemekre, meg tudja nézni azt, hogy egy adott tananyagban, mondjuk a kilencedikes történelem gimnáziumi tananyagban mennyi a tényanyag, mennyi a fogalom, mennyi az elmélet, a modell, és mennyi a művelet. Továbbá képes arra, hogy beállítsa azokat az arányokat, hogy mondjuk alacsonyabb szintű műveletek és a magasabb szintű műveletek milyen arányban kerüljenek bele a csomagba. Tehát hogy valaki csak felsorolni, felidézni képes egy információt, vagy képes analizálni, szintetizálni, akár új megoldásokat létrehozni, milyen arányban forduljanak elő.
• Végül a szerkesztő program segítségével manuálisan is fejleszthet recog-csomagokat.

A rendszeren belül beállítható, hogy egy adott csomagban – mondjuk egy gimnáziumi tananyag több ezer recogjából – egy adott órán mi jelenjen meg a diákok előtt. A tanár kiküldheti az egyes csomagokat ütemezett házi feladatként is. Megállapíthatja, hogy azon a héten miket csináljanak, önálló munkát kérhet tőlük, és az is lehetséges, hogy ebből vizsgáztat, vagyis ezekből a csomagokból extrapolálja a vizsgakérdéseket, természetesen a vizsgasoroknál a segítség és a magyarázat nincsenek ott, de a vizsgasoroknál is beállíthatja, hogy az adott rendszerben az emelt és alacsony szintű műveleteknek és a különböző tudásvonalaknak milyen aránya jelenjen meg. Természetesen a diákok ezeket a lektorált komplett tananyagokat/kurzusokat önállóan, saját applikációban is elvégezhetik. Ebben az esetben az általunk – az SZTE Memóriakutató Csoport által – létrehozott algoritmus fogja irányítani a tanulásukat, ellenőrzi a felejtési görbéjüket. Tehát akkor kapnak üzeneteket, amikor az indokolt, úgy keveri meg számukra az anyagokat, és olyan visszajelzéseket ad számukra, amelyek indokoltak abból a szempontból, hogy valóban felépüljön ez a fajta tudás, és azért az előadásomat Daisy Christodoulou-nak, egy kiváló oktatáskutatónak a könyvéből vett idézettel zárnám. „Ha meg tudjuk szakítani a rossz ötletek befolyását, akkor óriási lehetőségek nyílnak a technológia előtt. De ez egy nagy „ha”. Mielőtt kihasználhatnánk a technológia erejét a tanulás javítására, először meg kell értenünk, hogyan működik a tanulás – és ez azt jelenti, hogy meg kell fordítanunk az évtizedek óta berögzült téves feltételezéseket.” (Christodoulou, 2020)

Valóban azt gondolom, hogy hatalmas lehetőségek rejlenek a technológiai fejlesztésben és az AI-támogatott oktatásban, de szükséges, hogy a pedagógia és a társtudományok, elsősorban a kognitív pszichológia egymásra találjanak, és mindaz a tudás, ami felhalmozódott azzal kapcsolatban, hogy hogyan is tanulnak a gyerekek, és hogyan is kell valóban úgy oktatni, hogy a tudás is felépüljön, megjelenjen ezekben a technológiai fejlesztésekben.

Köszönöm szépen a figyelmet!