웨스트클리프 대학교의 안소니 리 박사, 총장 및 최고경영자 – 인터뷰 시리즈

안소니 M. 리 박사는 캘리포니아 어바인에 있는 웨스트클리프 대학교의 총장입니다. 웨스트클리프 대학교는 미국에서 가장 빠르게 성장하는 대학교 중 하나로, 지난 10년 동안 학생 수가 수백 명에서 3,000명 이상으로 증가했습니다. 리 박사는 미국과 국제적으로 여러 대학교와 학교에서 지도적 역할을 수행했습니다. 혁신적인 하이브리드 및 온라인 프로그램에 대한 전문 지식을 보유하고 있는 리 박사는 전통적인 캠퍼스 기반 수업에 기술을融合하여 학습 경험을 향상시키기 위한 새로운 프로그램을 출시했습니다. 그는 대학교와 K-12 수준의 학교에서 인증 프로세스를 성공적으로 이끌어 왔습니다. 그의 경험은 고등 교육의 여러 중요한 영역에서 지도자로서의 역할을 증명했습니다. 이러한 영역에는 마케팅, 재무, 운영, 규제 준수 및 인증이 포함됩니다.

생산적 인공지능과 자동화의 시대에 작업 준비도에 대한您的 정의는 어떻게 진화했나요?

작업 준비도는曾經 기술적 능력과 정의된 역할 내에서 즉시 기여할 수 있는 능력을 의미했습니다. 그러나 생산적 인공지능의 시대에 이러한 정의는 더 이상 충분하지 않습니다. 작업의 본질이 변경되고 있기 때문입니다.

오늘날, 준비도는 인간과 기계 간에 지능이 분산된 환경에서 효과적으로 운영하는 것을 의미합니다. 여기서 도구는 지속적으로 발전하고, 실행은 점점 더 증대됩니다. 경쟁 우위는 더 이상 단순히 작업을 수행하는 방법을 아는 것이 아니라, 문제를 정의하고, 기계 출력을 감독하며, 가정에 대한 질문을 하고, 실제 제약 조건 하에서 판단을 적용하는 것입니다.

우리는 작업 수행에서 인지적 감독으로의 전환을 목격하고 있습니다. 입문 레벨의 작업은 재정의되고 있습니다. 자동화 가능한 루틴 생산이지만, 책임은 자동화할 수 없습니다. 이는 비판적思考, 윤리적 이성, 상황적 인식 및 인공지능 생성 출력을 책임 있는 결정으로 번역하는 능력이 더 중요하게 됩니다.

웨스트클리프에서 우리는 작업 준비도를 도메인 전문 지식, 인공지능 유창성 및 규율 있는 인간 판단의 통합으로 간주합니다. 학생들은 생성 시스템이 어떻게 작동하는지, 어디에서 유용성을 생성하는지, 어디에서 위험을 초래하는지 이해해야 합니다. 더 중요한 것은 이러한 시스템과 협력하는 방법을 배우면서 지적 책임을 외주하지 않는 것입니다.

우리의 적용 학습 모델은 진정한 맥락에서出现하는 새로운 기술과의 구조화된 참여를 중심으로 설계되었습니다. 목표는 도구熟練度만이 아니라, 도구가 변경됨에 따라 효과적으로 유지하는 능력입니다.

이 시대에 두드러지는 전문가들은 인공지능과 경쟁하는 것이 아니라, 인공지능을 사려 깊게 지시하고, 엄격하게 질문하며, 인공지능이 영향을 미치는 결과에 대해 책임을 지는 사람들입니다. 이것이 현재 작업 준비도에서 요구되는 것입니다.

교육 기관은 교육 과정과 기관 수준에서 인공지능을 추가 기능으로 다루지 않고 진지하게 받아들이는 것이 무엇을 의미합니까?

인공지능은 단순히 또 하나의 교육 도구가 아닙니다. 그것은 교육의 구조 자체를 변경합니다.

인공지능을 진지하게 받아들이는 것은 재설계에서 시작됩니다. 모든 학문 분야는 전문가적 기대에 대한 인공지능의 영향과 인공지능 증강 능력의 요구 사항을 정의해야 합니다. 평가에는 이유와 적용 능력이 측정되어야 합니다. 출력만이 아니라, 이러한 능력들이 측정되어야 합니다.

그러나 진지함은 또한 기관의 일관성을 요구합니다. 인공지능 리터러시는 분리된 과정에만 존재해서는 안 됩니다. 교원 개발, 治理, 평가 전략, 벤더 관리는 기술이 학문적 품질을 강화하는 것이 아니라 약화시키지 않는다는 명확한 원칙에 따라 일치해야 합니다.

이 시점에서 인공지능은 대학의 지적 인프라의 일부가 됩니다. 그것은 학습이 구조화되는 방식, 숙련도가 어떻게 chứng명되는지, 기관의 신뢰성이 인간의 판단과 기계 능력이 함께 작동하는 노동력에서 어떻게 유지되는지를 결정합니다. 이것이 웨스트클리프에서 추진하고 있는 방향입니다.

인공지능과 함께 효과적으로 일할 수 있는 학생들을 교육하는 동시에 기초적인 인간 기술을 어떻게 균형 있게 다루나요?

저는 이것을 트레이드 오프로 보지 않습니다. 인공지능이 사실상 기초적인 인간 능력에 대한 프리미엄을 증가시킵니다.

루틴적인 인지적 생산이 최소한의 노력으로 자동화될 때, 차별화되는 것이 고차원적인 이성이 됩니다. 비판적思考은 더 좋은 질문을 정의하고 기계 생성 출력을 조사하는 것을 의미합니다. 판단은 시스템을 신뢰할 때와 중지할 때를 아는 것을 의미합니다. 윤리는 실제로 대규모 지능형 시스템을 배치하는 결과를 이해하는 것입니다.

학생들은 인공지능이 있는 환경에서 생각하는 방법을 배워야 합니다. 프롬프트는 시작점이지만, 인지적 감독은 더 깊은 기술입니다. 졸업생들은 지능형 시스템에 의해 영향을 받지만 결정되지 않은 결론을 명료하게 설명하고 방어할 수 있어야 합니다.

웨스트클리프에서 우리는 인공지능 유창성을 기초적인 기술의 증폭기로 다룹니다. 학생들은 지능형 도구와 상호작용하지만, 명료성, 신뢰성 및 결과에 대한 책임을 지킵니다. 장기적으로, 두드러지는 전문가들은 지적 깊이와 기술적 민첩성을 결합할 것입니다. 인공지능은 속도와 규모를 제공합니다. 인간은 식별력, 책임, 리더십을 제공해야 합니다.

고등 교육에서 인공지능에 의한 혼란에 가장 취약한 부분은 무엇이며, 어느 영역은 예상보다 더 탄력성이 있습니까?

가장 취약한 영역은 정보 전달과 표준화된 출력에 기반을 두고 있습니다. 모델이 주로 강의 전달이나 생산을 측정하는 평가에 의존하는 경우, 인공지능은 이를 빠르게 도전할 것입니다.

고등 교육은 구조화된 개발, 멘토링, 적용된 실습, 팀워크, 임상 학습 및 전문적 정체성 형성을 중심으로 하는 경우 더 탄력성이 있습니다. 인공지능은 이러한 경험을 지원할 수 있지만, 피드백과 책임성을 통해 성장하는 것을 대체할 수 없습니다.

분界선은 설계입니다. 주로 콘텐츠 제공자로 자신을-position하는 기관은 노출됩니다. 그러나 의도적인 학습 시스템으로 운영되는 기관, 즉 이유, 적용 능력 및 측정 가능한 성장을 중시하는 기관은 매우 관련성이 있습니다.

인공지능은 자격증이 대표해야 할 것을 재정의하고 있습니다.

인공지능이 기술 스킬을 얻는 시간을 압축하고 진입 장벽을 낮추면서, 대학은 학위 설계를 어떻게 재고해야 합니까?

인공지능이 기술 스킬을 얻는 시간을 압축함에 따라, 대학은 학위가 가치가 있는 것을 명확히 해야 합니다.

도구가 작업 숙련도를 가속화할 때, 고등 교육은 자동화할 수 없는 것, 개념적 깊이, 구조화된 문제 해결, 윤리적 판단, 제약 조건 하에서의 지속적인 수행에 초점을 맞춰야 합니다.

학위 설계는 모듈식이고 적용 가능해야 하지만, 일관성이 있어야 합니다. 목표는 기술적 유창성과 이유, 적응성의 통합을 통해 누적된 능력입니다.

인공지능은 진입 장벽을 낮춥니다. 대학은 통합, 판단 및 증명된 능력의 임계 값을 높여야 합니다. 학위는 노출뿐만 아니라, 지속적인 능력을 신호해야 합니다.

웨스트클리프에서 우리는 학위를 동적 생태계로 간주합니다. 스택 가능한 자격증과 사다리형 경로는 학습자가 산업이 변할 때 다시 참여할 수 있도록 하면서, 일관성과 엄격성을 유지합니다. 유연성은 중요하지만, 지적 진행은 더 중요합니다.

인공지능은 평가와 자격증명에서 어떤 역할을 할까요?

인공지능은 고등 교육이 기존 기술 이전에 존재하는 현실을 직면하도록 강요합니다. 많은 전통적인 평가들은 이해를 측정하는 것이 아니라 생산을 측정했습니다. 작업을 최소한의 노력으로 자동화할 수 있다면, 우리는 이유를 측정해야 합니다.

평가는 실제 능력의 증명으로 이동해야 합니다. 구두 방어, 시나리오 기반 문제 해결, 반복적 개선, 적용 시뮬레이션 및 생각을 가시적으로 만드는 포트폴리오 증거가 필요합니다. 인공지능이 가능한 환경에서, 중요的是 인지적 과정입니다.

웨스트클리프에서 우리는 구두 및 반복 평가 모델로 이동했습니다. 여기서 학생들은 실시간으로 이유를 설명하고 방어해야 합니다. 인공지능은 적응형 프롬프트를 생성하고 확장 가능한 피드백을 지원할 수 있지만, 설계 책임은 인간에게 있습니다. 기관은 학습자 인지를 평가하고, 모델 출력이 아닌 것을 đảm보해야 합니다.

자격증명은 점점 더 많은 능력의 증거가 됩니다. 고용주는 적용된 능력과 책임 있는 판단의 증거를 원합니다. 기관은 평가를 프로액티브하게 재설계하면, 학위의 신뢰성을 강화할 것입니다.

인공지능은 학문적 표준을 높여야 하는 곳을 노출합니다.

교육과 행정에서 인공지능을 도입할 때,您는 어떻게 관리와 감독을 접근합니까?

우리는 인공지능을 학문적 품질과 기관의 신뢰성에 물질적으로 영향을 미치는 시스템으로 다룹니다. 治理는 목적의 명확성, 정의된 경계 및 명확한 책임선에서 시작됩니다.

유효한 감독은 혁신이 신뢰를 강화하는 것이 아니라 약화시키지 않는 것을 보장합니다. 이는 엄격한 데이터 개인 정보 보호 및 보안 표준, 학생 결과에 영향을 미치는 시스템의 편향 및 공정성 검토, 사용되는 도구 및 데이터 처리에 대한 투명성을 의미합니다.

또한 현실을 반영하는 프레임워크의 업데이트가 필요합니다. 교원 개발은 매우 중요합니다. 따라서 채택은 의도적이고 학습 목표와 일치하며, 단편적이거나 반응적이지 않습니다. 인공지능 지원 평가 모델을 웨스트클리프에서 도입했을 때, 감독은 설계에 내장되었습니다. 교원은 구현을 모니터링하고, 영향력을 평가하고, 증거에 따라 프로세스를 개선했습니다. 벤더 평가는 연속적이며, 일회적이지 않습니다. 기관은 학문적 표준과 학생 보호에 대한 일치성을 정기적으로 재평가해야 합니다.

목표는 책임 있는 혁신입니다.

교육자들이 인공지능에 대해 가장 일반적으로 가지고 있는 오해는 무엇이며, 어떤 마음의 전환은 필요합니까?

반복적으로 나타나는 두 가지 오해가 있습니다. 첫 번째는 인공지능이 주로 부정행위 문제라는 것입니다. 두 번째는 인공지능이 단순히 생산성 도구라는 것입니다. 그것은 어느 쪽도 아닙니다. 더 근본적으로, 지식이 생성되고, 평가되고, 적용되는 방식의 변화가 반영됩니다.

기관이 인공지능을 오직 부정행위 문제로만 프레임하면, 제한으로 기본적으로 돌아갑니다. 인공지능을 오직 효율성으로만 프레임하면, 그 영향력을 과소평가합니다. 더 중요한 질문은 인공지능이 가능한 환경에서 학습을 설계하여 이유가 가시적이고 책임이 있는지 여부입니다.

필요한 마음의 전환은 제어에서 설계로의 이동입니다. 이것은 교원이 학습 경험의 설계자로 더 중심이 될 수 있도록 합니다. 이러한 경험은 판단, 종합 및 적용된 능력을 강조합니다.

기관의 지원, 공유된 관행 및 일관된 治理와 함께, 교육자들은 진지하게 인공지능이 학문적 설계를 더 중요하게 만드는 곳으로 이동할 수 있습니다.

대학은 어떻게 하면 노동 시장에서 역할이 유동적이고 인공지능이 입문 레벨의 작업을 재정의하는 경우 학생들을 준비시킬 수 있습니까?

입문 레벨의 역할은 전통적으로 루틴 생산 작업을 위한 훈련의 장소였습니다. 많은 분야에서 인공지능이 이제 초기 단계의 작업을 흡수합니다. 따라서 졸업생들은 더 높은 수준에서 더 빨리 작동해야 합니다.

준비는 자동화하기 어려운 능력에 초점을 맞춰야 합니다. 문제 정의, 의사소통, 의사결정 및 지능형 시스템의 책임 있는 감독이 포함됩니다. 학생들은 도구가 발전하고 역할이 유동적인 환경에서 편안하게 작동해야 합니다.

대학은 협력적 인 능력에 중점을 두어야 합니다. 이러한 능력은 상황을 초월하여 이동할 수 있습니다. 구조화된 프로젝트 기반 학습과 실제 제약 조건이 필요합니다. 학생들이 복잡한 문제를 해결하고 추천을 방어할 때, 그들은 책임 있는 思考를 연습합니다.

인공지능 리터러시는 기준이 되어야 합니다. 모든 사람이 모델을 구축할 필요는 없지만, 모든 사람이 자신의 전문 분야에서 지능형 시스템이 결정에 미치는 영향을 이해해야 합니다.

노동 시장은 계속 변할 것입니다. 고등 교육의 책임은 모든 역할을 예측하는 것이 아니라, 역할을 넘나들고, 지속적으로 배우고, 가속되는 기술이 형성하는 환경에서 의미 있게 기여할 수 있는 개인을 졸업시키는 것입니다.

대학이 인공지능 주도적인 변화에 성공적으로 적응했는지 여부를 나타내는 신호는 무엇입니까?

성공은 결과에 의해 측정될 것입니다. 공공적 위치나 허위 지표가 아니라, 실제 결과에 의해 측정될 것입니다.

대학이 진정으로 적응했을 때, 교육 과정과 평가 모델은 콘텐츠 전달이 아니라 실제 세계 기반의 능력으로 재설계됩니다. 교원은 사려 깊게 학습 설계를 보여줄 수 있으며, 학생들은 이유를 명료하게 설명하고 방어할 수 있습니다. 이러한 능력은 인공지능에 의해 생성될 수 없는 방식으로 설명할 수 있습니다.

기관의 적응은 또한 治理에서 나타납니다. 인공지능 사용은 투명하고, 감독은 내장되어 있으며, 학문적 결과에 대한 신뢰가 강화되는 것을 보여줄 수 있습니다.

가장 신뢰할 수 있는 지표는 외부의 검증입니다. 고용주는 졸업생이 성숙한 판단, 적용된 능력, 의사결정 및 인공지능이 가능한 환경에서 유창성을 демонстри한다는 것을 인정합니다.

적응은 타협 없는 민첩성을 의미합니다. 기관은 기술이 발전함에 따라 발전하지만, 엄격한 표준과 윤리적 명확성을 유지합니다. 웨스트클리프에서 우리는 학습 모델을 생성하고 있으며, 이는 인공지능이 풍경을 재정의하는 동안 신뢰성, 탄력성 및 가치가 있는 것으로 남아 있다고 믿습니다.

위대한 인터뷰에 감사드립니다. 이 학부에 대해 더 배우고 싶은 독자는 웨스트클리프 대학교를 방문하십시오.