Dr. Anthony Lee, prezident a generální ředitel Westcliff University – Interview Series

Dr. Anthony M. Lee je prezidentem Westcliff University v Irvine, Kalifornie, jedné z nejrychleji rostoucích univerzit v USA, která se za posledních deset let rozrostla z méně než několika set studentů na více než 3 000 studentů. Dr. Lee zastával vedoucí pozice na různých univerzitách a školách v USA a mezinárodně. Díky své odbornosti v inovativních hybridních a online programech spustil Dr. Lee nové programy, které kombinují a integrují technologii s tradičními prezenčními kurzy pro zlepšení výukového zážitku. Úspěšně vedl školy prostřednictvím akreditačního procesu na univerzitní a K-12 úrovni. Jeho zkušenosti ho prokázaly jako lídra v mnoha kritických oblastech vyššího vzdělávání, včetně marketingu, financí, operací, dodržování předpisů a akreditace.

Jak se vaše definice připravenosti na pracovní sílu vyvinula v éře generativní umělé inteligence a automatizace?

Připravenost na pracovní sílu dříve znamenala technickou způsobilost a schopnost okamžitě přispívat v rámci definované role. V éře generativní umělé inteligence je tato definice již nedostatečná, protože sama povaha práce se mění.

Dnes znamená připravenost efektivní činnost v prostředích, kde je inteligence rozdělena mezi lidi a stroje, kde se nástroje neustále vyvíjejí a kde je výkon stále více podporován. Konkurenční výhoda již není pouze znalost, jak provádět úkoly, ale znalost, jak formulovat problémy, dohlížet na výstupy umělé inteligence, zpochybňovat předpoklady a uplatňovat úsudek v reálných podmínkách.

Svědčíme o posunu od provádění úkolů ke kognitivnímu dohledu. Úvodní práce se předefinovává. Rutinní výroba může být automatizována, zodpovědnost nemůže. To klade větší důraz na kritické myšlení, etické uvažování, kontextuální povědomí a schopnost překládat výstupy umělé inteligence do zodpovědných rozhodnutí.

Na Westcliff University chápeme připravenost na pracovní sílu jako integraci odborných znalostí, způsobilosti umělé inteligence a disciplinovaného lidského úsudku. Studenti musí rozumět, jak fungují generativní systémy, kde vytvářejí výhodu a kde představují riziko. Ještě důležitější je, že se musí naučit spolupracovat s těmito systémy bez delegování intelektuální zodpovědnosti.

Náš model aplikovaného učení je navržen kolem strukturovaného zapojení do vznikajících technologií v autentických kontextech. Cílem není pouze ovládnutí nástrojů, ale adaptivní schopnost, schopnost zůstat efektivní, když se nástroje mění.

V této éře budou se vyčnívat profesionálové, kteří nebudou soutěžit s umělou inteligencí, ale kteří budou moci ji uvážlivě řídit, zpochybňovat a zůstat zodpovědní za výsledky, které ovlivňuje. To je to, co připravenost na pracovní sílu nyní vyžaduje.

Co znamená pro instituci brát umělou inteligenci vážně na úrovni kurikula a instituce, spíše než ji považovat za doplněk?

Umělá inteligence není pouze další výukový nástroj. Mění architekturu vzdělávání samotného.

Brát umělou inteligenci vážně začíná přestavbou. Každý obor musí prozkoumat, jak generativní systémy mění profesionální očekávání a definovat, co vyžaduje způsobilost umělé inteligence. Hodnocení musí měřit úsudek a aplikovanou způsobilost, ne pouze výstup.

Ale vážnost také vyžaduje institucionální soudržnost. Gramotnost umělé inteligence nemůže být izolována v samostatných kurzech. Rozvoj fakulty, správa, strategie hodnocení a dohled nad dodavateli musí být sladěny kolem jasného principu, že technologie by měla posílit akademickou kvalitu, ne ji zředět.

V tomto okamžiku se umělá inteligence stává součástí intelektuální infrastruktury univerzity. Utváří, jak je učení strukturováno, jak je prokazována způsobilost a jak je udržována institucionální důvěryhodnost v pracovním prostředí, kde lidský úsudek a strojová schopnost fungují vedle sebe. To je způsob, kterým se na Westcliff University pohybujeme dopředu.

Jak vyvažujete základní lidské dovednosti s učením studentů, aby účinně pracovali vedle umělé inteligence?

Nejsem si vědom, že by to byla kompromis. Pokud vůbec, generativní umělá inteligence zvyšuje přínos základních lidských schopností.

Když se rutinní kognitivní výroba stává levnou, diferenciátorem se stává vyšší řád myšlení. Kritické myšlení znamená formulovat lepší otázky a zpochybňovat výstupy umělé inteligence. Úsudek znamená vědět, kdy se spolehnout na systém a kdy se zastavit. Etika se stává praktickou a souvisí s porozuměním důsledkům nasazení inteligentních systémů ve velkém měřítku.

Studenti se musí naučit myslet v prostředí, kde je umělá inteligence přítomna. Navádění je počátečním bodem, ale kognitivní dohled je hlubší dovednost. Absolventi musí být schopni formulovat a obhajovat závěry, které jsou informovány, ale ne určeny inteligentními systémy.

Na Westcliff University považujeme způsobilost umělé inteligence za zesilovač základních dovedností. Studenti se zapojují do inteligentních nástrojů, zatímco zůstávají zodpovědní za jasnost, důvěryhodnost a důsledky. V dlouhodobém horizontu budou se profesionálové, kteří spojí intelektuální hloubku s technologickou pružností, vyčnívat. Umělá inteligence poskytuje rychlost a rozsah. Lidé musí poskytovat rozlišování, zodpovědnost a vedení.

Které části vyššího vzdělávání jsou nejvíce zranitelné vůči narušení umělou inteligencí a které oblasti jsou odolnější, než se lidé domnívají?

Nejzranitelnějšími oblastmi jsou ty, které jsou založeny na přenosu informací a standardizovaném výstupu. Pokud se model spoléhá primárně na přednášky nebo hodnocení, která měří výrobu, umělá inteligence je bude brzy ohrozit.

Vyšší vzdělávání je odolnější, když se zaměřuje na strukturovaný rozvoj, mentorství, aplikovanou praxi, týmovou práci, klinické učení a profesní identitu. Umělá inteligence může tyto zkušenosti podporovat, ale nemůže je nahradit. Růst, který je postaven na zpětné vazbě a zodpovědnosti, nelze automatizovat.

Rozdělující čára je design. Instituce, které se považují primárně za poskytovatele obsahu, jsou vystaveny. Ty, které fungují jako úmyslné systémy učení, zaměřené na úsudek, aplikovanou způsobilost a měřitelný růst, zůstávají vysoce relevantní.

Umělá inteligence zvyšuje standard pro to, co musí být reprezentováno kreditem.

Jak by měly univerzity přehodnotit design stupňů, když umělá inteligence komprimuje čas potřebný k získání dovedností a snižuje bariéry vstupu?

Když umělá inteligence komprimuje čas potřebný k získání technických dovedností, univerzity musí vyjasnit, kde přidává stupeň hodnotu.

Pokud nástroje urychlují odbornou způsobilost, vyšší vzdělávání musí se zaměřit na to, co nelze automatizovat, konceptuální hloubku, strukturované řešení problémů, etické úsudky a udržitelný výkon pod tlakem.

Design stupňů by měl být modulární a aplikovaný, ale soudržný. Cílem je kumulativní způsobilost, integrující technickou způsobilost s úsudkem a adaptabilitou.

Umělá inteligence snižuje bariéry vstupu. Univerzity musí reagovat tak, že zvýší práh pro integraci, úsudek a prokázanou způsobilost. Stupeň musí signalizovat trvanlivou způsobilost, ne pouze expozici.

Na Westcliff University považujeme stupně za dynamické ekosystémy spíše než pevné lineární pokroky. Stohovatelné kredity a stupňové cesty umožňují studentům se znovu zapojit, když se průmysly mění, zatímco udržují soudržnost a přísnost. Flexibilita je důležitá, ale intelektuální pokrok je důležitější.

Jakou roli hraje umělá inteligence v hodnocení a udělování kreditů?

Umělá inteligence nutí vyšší vzdělávání, aby se vypořádalo s realitou, která předchází této technologii. Mnoho tradičních hodnocení měřilo výrobu spíše než porozumění. Pokud lze úkol nyní automatizovat s minimálním úsilím, musíme se zeptat, zda to ever Capturovalo úsudek.

Hodnocení musí posunout směrem k autentickému prokázání způsobilosti, ústnímu obhajování, scénářovému řešení problémů, iterativnímu zdokonalování, aplikovaným simulacím a portfoliu, které činí myšlení viditelným. V prostředí s umělou inteligencí je to, co záleží, není pouze artifact sám, ale kognitivní proces, který stojí za ním.

Na Westcliff University jsme se přesunuli k ústnímu a iterativnímu modelu hodnocení, který vyžaduje, aby studenti formulovali a obhajovali svůj úsudek v reálném čase. Umělá inteligence může asistovat generováním adaptivních promptů a podporou škálovatelné zpětné vazby, ale designová zodpovědnost zůstává lidská. Instituce musí zajistit, aby hodnotily kognici studentů, ne výstup modelu.

Udělování kreditů se stále více týká prokázané způsobilosti spíše než nahromaděného času stráveného v lavici. Zaměstnavatelé chtějí důkazy o aplikované způsobilosti a zodpovědném úsudku. Instituce, které redesignují hodnocení proaktivně, posílí důvěryhodnost svých stupňů.

Když je implementována uvážlivě, umělá inteligence odhaluje, kde akademické standardy musí být zvýšeny.

Jak přistupujete k řízení a dohledu, když zavádíte umělou inteligenci do výuky a správy?

Přistupujeme k umělé inteligenci, jako bychom přistupovali k jakémukoli systému, který materiálně ovlivňuje akademickou kvalitu a institucionální důvěryhodnost. Řízení začíná jasným účelem, definovanými hranicemi a jasnými liniemi zodpovědnosti.

Účinný dohled zajišťuje, že inovace posilují důvěru rather než ji erodují. To znamená přísné standardy ochrany dat a bezpečnosti, přezkum předpojatosti a spravedlnosti, když systémy ovlivňují výsledky studentů, a transparentnost o tom, které nástroje se používají a jak se data zpracovávají.

To také vyžaduje aktualizaci rámců integrity, aby odrážely současné reality spíše než legacy předpoklady. Rozvoj fakulty je kritický, aby adopce byla úmyslná a sladěná s cíli učení, spíše než fragmentovaná nebo reaktivní.

Když jsme na Westcliff University zavedli modely hodnocení podporované umělou inteligencí, dohled byl vestavěn do designu. Fakulta monitorovala implementaci, hodnotila dopad a rafinuje procesy na základě důkazů. Hodnocení dodavatelů je kontinuální, ne epizodické. Instituce musí pravidelně reevaluovat sladění s akademickými standardy a ochranou studentů.

Cílem je zodpovědná inovace.

Jaké jsou nejčastější omyly, kterých se dopouštějí pedagogové, pokud jde o umělou inteligenci, a jaký je vyžadován posun myšlení?

Dva omyly se opakují. První je, že umělá inteligence je primárně problémem podvodu. Druhý je, že je to prostě nástroj produktivity. Není to ani jedno, ani druhé. Mnohem fundamentálněji odráží posun v tom, jak je generována, hodnocena a aplikována znalost.

Když instituce vnímají umělou inteligenci pouze jako problém integrity, defaultují k omezení. Když ji vnímají pouze jako nástroj efektivity, podceňují její důsledky. Důležitější otázkou je, jak navrhnout učení, aby úsudek zůstal viditelný a zodpovědný v prostředí s umělou inteligencí.

Požadovaný posun myšlení je od kontroly k designu. To umožňuje fakultám stát se ještě více centrálními jako architekti výukových zkušeností, které zdůrazňují úsudek, syntézu a aplikovanou způsobilost.

S institucionální podporou, sdílenými postupy a koherentním řízením mohou pedagogové opravdu postupovat tam, kde umělá inteligence zvyšuje laťku pro uvážlivou pedagogiku a činí akademický design důležitějším než kdykoli předtím.

Jak by měly univerzity připravovat studenty na trh práce, kde role jsou tekuté a umělá inteligence předefinovává vstupní úroveň práce?

Vstupní role tradičně sloužily jako tréninkové grounds pro rutinní výrobní úkoly. V mnoha oblastech umělá inteligence nyní absorbuje většinu této počáteční práce. Jako výsledek se od absolventů očekává, že budou fungovat na vyšší úrovni dříve.

Příprava musí se proto zaměřit na schopnosti, které jsou obtížně automatizovatelné – formulování problémů, komunikace, rozhodování a zodpovědná supervize inteligentních systémů. Studenti musí být schopni pracovat v nejistotě, kde se nástroje vyvíjejí a role jsou tekuté.

Univerzity by měly zdůrazňovat adaptivní kompetence, které přecházejí kontexty, spíše než úzkou specializaci. Strukturované, projektové učení s reálnými omezeními je nezbytné. Když studenti řeší komplexní problémy a obhajují své doporučení, praktikují zodpovědné myšlení, které zaměstnavatelé stále více ценí.

Gramotnost umělé inteligence musí se stát základní. Ne každý potřebuje stavět modely, ale každý musí rozumět, jak inteligentní systémy ovlivňují rozhodnutí v rámci své profese.

Trh práce bude pokračovat v změně. Zodpovědností vyššího vzdělávání je nejen předpovídat každou roli, ale také absolventy, kteří mohou přecházet mezi rolemi, učit se kontinuálně a přispívat smysluplně v prostředích formovaných urychlenou technologií.

Co by signalizovalo, že univerzita se úspěšně adaptovala na změny vyvolané umělou inteligencí, spíše než pouze přežila?

Úspěch bude měřen výsledky, ne veřejným postavením nebo marnivými metrikami.

Univerzita se skutečně adaptovala, když její kurikulum a modely hodnocení jsou přestavěny kolem kompetencí založených na reálném světě, spíše než na doručování obsahu. Fakulta může prokázat uvážlivý design učení versus pozdní přijetí a studenti mohou jasně formulovat a obhajovat svůj úsudek způsoby, které nelze generovat na vyžádání.

Institucionální adaptace je také viditelná v řízení. Používání umělé inteligence je transparentní, dohled je vestavěn a můžeme prokázat, že důvěra v akademické výsledky se posiluje, spíše než eroduje.

Nejspolehlivějším indikátorem je však externí validace. Zaměstnavatelé uznávají, že absolventi prokázali zodpovědný úsudek, aplikovanou způsobilost, rozhodování a způsobilost umělé inteligence v prostředí s umělou inteligencí.

Adaptace znamená pružnost bez kompromisu. Instituce se vyvíjí, jakmile technologie pokročí, zatímco udržuje přísné standardy a etickou jasnost. Na Westcliff University věříme, že produkujeme model učení, který zůstává důvěryhodný, odolný a cenný, jakmile umělá inteligence mění krajinný pohled.

Děkuji za skvělý rozhovor, čtenáři, kteří chtějí se dozvědět více o této fakultě, by měli navštívit Westcliff University.