Version 2
|
Seit bald zwei Jahren folgt im Bereich generativer Machine-Learning-Systeme eine Schlagzeile der nächsten: Computer können jetzt Musik komponieren! Computer können jetzt auch Videos erstellen! und – aktuell – Computer können ein PDF in einen Podcast verwandeln!
Ich glaube die Menschheit muss sich noch daran gewöhnen, dass sich künftig mit immer geringerem Aufwand aus einem Datenhaufen X ein Datenhaufen Y generieren lässt, wobei X und Y alles sein können, was wir digital darstellen können. X = Texte (Bücher, Aufsätze, Portfolios, Prüfungsantworten, …) Bilder, Töne, Videos, Proteinsequenzen, …
Y = Texte (Aufsätze, Zusammenfassungen, Lückentexte, Prüfungen,..), Bilder, Töne, Videos, 3D-Modelle, …
Ich werde mir bald jeglichen Text zu einem Hörspiel umwandeln lassen können, ich werde mir jedes Video zusammenfassen lassen können. Diese Vorstellung braucht Zeit.“Mach mir X zu einem Gedicht”, “Mach mir aus X einen Lückentext”, “Mach mir aus X ein Diagramm”, “Mach mir aus X ein Erklärvideo”, “Mach mir aus X eine Prüfung”Aktuell lassen wir uns oft noch überraschen, wenn so etwas möglich ist. Alle berichten darüber, alle bauen es in den nächsten Vortrag, den nächsten Weiterbildungskurs und die nächste Festtagsrede ein und es gibt sicher bald ein EdTech-Startup dazu – jede GMLS-Sau wird mit Sicherheit durchs Dorf getrieben.Wir sollten uns aber an diese Tatsache gewöhnen. Es ist möglich. Es wird alltäglich.Statt bei jedem GMLS-Fortschrittchen in hektisches Geschrei auszubrechen, sollten wir einen Schritt zurücktreten und stattdessen rundsätzlichere Fragen stellen: Welche Qualität hat Y? Ja, ich kann alles durch machine learning generieren lassen. Aber welche Qualität hat der Output? Haben wir die Kompetenz, diese Qualität einschätzen und beschreiben zu können? (Diese Frage hängt natürlich auch mit der Frage zusammen, welche Qualität X hat und erfordert ein Grundverständnis der Funktionsweise von GMLS…)
Rechtfertigt die rasche und kostengünstige Verfügbarkeit von Y die evtl. schlechtere Qualität? Das maschinell generierte Y ist vermutlich schneller und kostengünstiger generiert als manuell. Manchmal ist das computergenerierte Ergebnis bereits besser als wenn Menschen es hergestellt hätten. Oft ist es aber qualitativ schlechter. Wir müssen uns nun fragen, ob die rasche und kostengünstige Verfügbarkeit von Y die evtl. schlechtere Qualität rechtfertigt oder nicht. Konkret: Das Feedback eines GMLS ist derzeit vermutlich schlechter als das einer guten Lehrperson. Das Feedback eines GMLS ist jedoch rascher und öfter verfügbar als das einer Lehrperson. Wann wollen wir künftig rasch schlechteres Feedback und wann ist es sinnvoll, auf besseres menschliches Feedback zu warten?
Was bedeutet das für die Allgemeinbildung? Die zunehmende allgegenwärtige Verfügbarkeit von “mach mir aus X Y”-Generatoren verändert, was künftig durch Menschen erledigt und was automatisiert werden wird. Es ist somit zentral, dass wir im Bildungsbereich nicht primär drauf achten, wie GMLS gegenwärtige Bildungsziele und -prozesse fördern kann, sondern uns als erstes fragen, wie solche Systeme die Ziele der Allgemeinbildung verändern werden.
P.S.
Auf der Produktebene ist die neuePodcast-Funktion von Google Notebookschon verblüffend. Ich habe ein noch nicht publiziertes Buchkapitel von mir zu GMLS in der Bildung verpodcastet. Das Ergebnis überzeugt sowohl von der Text-to-Speech-Umsetzung als auch vom Aufgreifen meiner Konzepte, Strukturen und Beispiele im Buchkapitel:
Zum Kommentieren ist eine Registration notwendig.IsaBlog—BeatDoebeli– 15 September 2024