Dr. Anthony Lee, Prezes i Dyrektor Generalny Westcliff University – Seria Wywiadów

Dr. Anthony M. Lee jest prezesem Westcliff University w Irvine, Kalifornia, jednego z najszybciej rozwijających się uniwersytetów w Stanach Zjednoczonych, który w ciągu ostatniej dekady rozwinął się z mniej niż kilkuset studentów do ponad 3 000 studentów. Dr. Lee pełnił funkcje kierownicze w wielu uniwersytetach i szkołach w Stanach Zjednoczonych i na arenie międzynarodowej. Posiadając doświadczenie w innowacyjnych programach hybrydowych i online, Dr. Lee uruchomił nowe programy łączące i integrujące technologię z tradycyjnymi zajęciami na kampusie, aby poprawić doświadczenie edukacyjne. Prowadził z powodzeniem szkoły przez proces akredytacji na poziomie uniwersyteckim i K-12. Jego doświadczenie udowodniło, że jest liderem w wielu krytycznych obszarach szkolnictwa wyższego, w tym marketingu, finansów, operacji, zgodności i akredytacji.

Jak Twoja definicja gotowości do pracy ewoluowała w erze generatywnej sztucznej inteligencji i automatyzacji?

Gotowość do pracy oznaczała kiedyś kompetencje techniczne i możliwość natychmiastowego przyczynienia się do określonej roli. W erze generatywnej sztucznej inteligencji ta definicja jest już niewystarczająca, ponieważ sama natura pracy ulega zmianie.

Dziś gotowość oznacza skuteczne działanie w środowiskach, w których inteligencja jest rozproszona między ludźmi i maszynami, gdzie narzędzia ewoluują ciągle, a wykonanie jest coraz bardziej wspomagane. Przewaga konkurencyjna nie polega już tylko na umiejętności wykonywania zadania, ale na umiejętności formułowania problemów, nadzorowania wyników sztucznej inteligencji, weryfikowania założeń i stosowania osądu w realnych ograniczeniach.

Świadkowie jesteśmy przesunięcia od wykonania zadań do nadzoru kognitywnego. Praca na poziomie podstawowym jest przebudowywana. Produkcja rutynowa może być zautomatyzowana, odpowiedzialność nie. To kładzie większy nacisk na myślenie krytyczne, rozumowanie etyczne, świadomość kontekstową i umiejętność tłumaczenia wyników generowanych przez sztuczną inteligencję na odpowiedzialne decyzje.

W Westcliff uważamy, że gotowość do pracy to integracja specjalistycznej wiedzy, biegłości w sztucznej inteligencji i zdyscyplinowanego osądu ludzkiego. Studenci muszą zrozumieć, jak funkcjonują systemy generatywne, gdzie tworzą przewagę, a gdzie wprowadzają ryzyko. Co więcej, muszą nauczyć się współpracować z tymi systemami bez zrzeczenia się odpowiedzialności intelektualnej.

Nasz model nauki aplikacyjnej jest zaprojektowany wokół strukturalnego zaangażowania w nowe technologie w autentycznych kontekstach. Celem nie jest tylko biegłość w korzystaniu z narzędzi, ale zdolność adaptacyjna, możliwość pozostania skutecznym, gdy narzędzia się zmieniają.

W tej erze profesjonaliści, którzy się wyróżniają, nie będą tymi, którzy konkurują z sztuczną inteligencją, ale tymi, którzy potrafią ją thoughtfully kierować, krytycznie weryfikować i pozostawać odpowiedzialnymi za wyniki, które wpływają na nią. To jest to, czego teraz wymaga gotowość do pracy.

Co oznacza dla instytucji traktowanie sztucznej inteligencji poważnie na poziomie programu nauczania i instytucjonalnym, a nie traktowanie jej jako dodatku?

Sztuczna inteligencja nie jest po prostu kolejnym narzędziem instruktażowym. Zmienia sama architekturę edukacji.

Poważne traktowanie sztucznej inteligencji zaczyna się od przebudowy. Każda dyscyplina musi zbadać, w jaki sposób systemy generatywne zmieniają oczekiwania zawodowe i określić, co wymaga biegłość wspomagana sztuczną inteligencją. Ocena musi mierzyć rozumowanie i kompetencje aplikacyjne, a nie tylko wyniki.

Ale poważne traktowanie wymaga również spójności instytucjonalnej. Literatura sztucznej inteligencji nie może być ograniczona do izolowanych kursów. Rozwój kadry, zarządzanie, strategia oceny i nadzór nad dostawcami muszą być wyraźnie ukierunkowane na zasadę, że technologia powinna wzmacniać jakość akademicką, a nie ją rozcieńczać.

W tym momencie sztuczna inteligencja staje się częścią intelektualnej infrastruktury uniwersytetu. Kształtuje, w jaki sposób jest strukturyzowane uczenie, w jaki sposób jest demonstrowana biegłość i w jaki sposób utrzymywana jest wiarygodność instytucjonalna w środowisku pracy, gdzie osąd ludzki i zdolności maszynowe działają obok siebie. To jest myślenie, z którym idziemy do przodu w Westcliff.

Jak balansujesz umiejętności podstawowe z nauczaniem studentów, aby skutecznie współpracować z sztuczną inteligencją?

Nie widzę tego jako kompromis. Jeśli cokolwiek, generatywna sztuczna inteligencja zwiększa premię za podstawowe ludzkie możliwości.

Gdy rutynowa produkcja kognitywna staje się tanie, różnicą staje się wyższe rozumowanie. Myślenie krytyczne oznacza formułowanie lepszych pytań i weryfikowanie wyników generowanych przez maszynę. Osąd oznacza wiedzę, kiedy polegać na systemie, a kiedy się wstrzymać. Etyka staje się praktyczna i dotyczy konsekwencji wdrożenia inteligentnych systemów w skali.

Studenci muszą nauczyć się myśleć w środowiskach, w których obecna jest sztuczna inteligencja. Początkiem jest podpowiadanie, ale głębszą umiejętnością jest nadzór kognitywny. Absolwenci muszą umieć uzasadnić i obronić swoje wnioski, które są poinformowane, ale nie determinowane przez systemy inteligentne.

W Westcliff traktujemy biegłość w sztucznej inteligencji jako wzmacniacz umiejętności podstawowych. Studenci angażują się w inteligentne narzędzia, pozostając odpowiedzialnymi za klarowność, wiarygodność i konsekwencje. W długiej perspektywie profesjonaliści, którzy się wyróżniają, połączą głębię intelektualną z elastycznością technologiczną. Sztuczna inteligencja dostarcza szybkość i skalę. Ludzie muszą dostarczyć rozeznanie, odpowiedzialność i przywództwo.

Jakie obszary szkolnictwa wyższego są najbardziej narażone na zakłócenia spowodowane przez sztuczną inteligencję, a które obszary są bardziej odporne, niż się spodziewano?

Najbardziej narażone obszary opierają się na transmisji informacji i standaryzowanym wyniku. Jeśli model opiera się głównie na dostarczaniu wykładów lub ocenach, które mierzą produkcję, sztuczna inteligencja wyzwie to szybko.

Szkolnictwo wyższe jest bardziej odporne, gdzie koncentruje się na rozwoju strukturalnym, mentorstwie, praktyce aplikacyjnej, pracy zespołowej, nauce klinicznej i formowaniu tożsamości zawodowej. Sztuczna inteligencja może wspierać te doświadczenia, ale nie może ich zastąpić. Wzrost oparty na informacji zwrotnej i odpowiedzialności.

Granica dzieląca jest projekt. Instytucje, które postrzegają siebie głównie jako dostawców treści, są narażone. Te, które działają jako intencjonalne systemy uczenia, skupione na rozumowaniu, kompetencjach aplikacyjnych i mierzalnym wzroście, pozostają bardzo istotne.

Sztuczna inteligencja podnosi standardy, jakie musi reprezentować poświadczenie.

Jak uniwersytety powinny przemyśleć projektowanie stopni w kontekście, w którym sztuczna inteligencja kompresuje czas potrzebny do nabycia umiejętności i obniża bariery wejścia?

Gdy sztuczna inteligencja kompresuje czas potrzebny do zdobycia umiejętności technicznych, uniwersytety muszą wyjaśnić, gdzie stopień dodaje wartość.

Jeśli narzędzia przyspieszają umiejętności zadań, szkolnictwo wyższe musi skupić się na tym, co nie może być zautomatyzowane: głębi konceptualnej, strukturalnego rozwiązywania problemów, osądu etycznego i trwałej wydajności pod ograniczeniami.

Projektowanie stopni powinno być modułowe i aplikacyjne, ale spójne. Celem jest kompetencja kumulatywna, łącząca biegłość techniczną z rozumowaniem i adaptacyjnością.

Sztuczna inteligencja obniża bariery wejścia. Uniwersytety muszą odpowiedzieć, podnosząc próg integracji, osądu i wykazanej zdolności. Stopień musi sygnalizować trwałą kompetencję, a nie tylko narażenie.

W Westcliff widzimy stopnie jako dynamiczne ekosystemy, a nie jako stałe, liniowe postępy. Kredytowe poświadczenia i ścieżki drabinkowe pozwalają uczniom ponownie angażować się, gdy branże się zmieniają, utrzymując spójność i rygor. Elastyczność ma znaczenie, ale postęp intelektualny ma większe znaczenie.

Jaką rolę widzisz dla sztucznej inteligencji w ocenianiu i certyfikowaniu?

Sztuczna inteligencja zmusza szkolnictwo wyższe do konfrontacji z rzeczywistością, która poprzedza sama technologię. Wiele tradycyjnych ocen mierzyło produkcję, a nie zrozumienie. Jeśli zadanie może teraz być zautomatyzowane z minimalnym wysiłkiem, musimy zakwestionować, czy kiedykolwiek uchwyciło rozumowanie.

Ocena musi przesunąć się w kierunku autentycznego demonstrowania kompetencji, obrony ustnej, rozwiązywania problemów opartych na scenariuszach, iteracyjnej poprawy, symulacji aplikacyjnych i dowodów z portfolio, które czynią myślenie widocznym. W środowisku wspomaganym przez sztuczną inteligencję to, co ma znaczenie, nie jest sam artefakt, ale proces kognitywny za nim.

W Westcliff przeszliśmy do modeli oceny ustnej i iteracyjnej, które wymagają od studentów uzasadnienia i obrony swojego rozumowania w czasie rzeczywistym. Sztuczna inteligencja może pomóc, generując adaptacyjne podpowiadania i wspierając skalowalną informację zwrotną, ale odpowiedzialność za projekt pozostaje ludzka. Instytucje muszą zapewnić, że oceniają kognicję ucznia, a nie wynik modelu.

Certyfikowanie staje się coraz bardziej związane z potwierdzoną zdolnością, a nie tylko ze zgromadzonym czasem zasiadania. Pracodawcy chcą dowodów kompetencji aplikacyjnej i odpowiedzialnego osądu. Instytucje, które przebudowują ocenę proaktywnie, wzmocnią wiarygodność swoich stopni.

Gdy wdrożona w sposób przemyślany, sztuczna inteligencja ujawnia, gdzie standardy akademickie muszą być podniesione.

Jak podchodzisz do zarządzania i nadzoru, gdy wprowadzasz sztuczną inteligencję do nauczania i administracji?

Podejście do sztucznej inteligencji jest takie samo, jak do każdego systemu, który istotnie wpływa na jakość akademicką i wiarygodność instytucjonalną. Zarządzanie zaczyna się od jasności celu, określonych granic i wyraźnych linii odpowiedzialności.

Skuteczny nadzór zapewnia, że innowacja wzmacnia zaufanie, a nie je niszczy. Oznacza to rygorystyczne standardy prywatności i bezpieczeństwa danych, przegląd biasu i sprawiedliwości, gdy systemy wpływają na wyniki studentów, oraz przejrzystość co do tego, jakie narzędzia są używane i jak dane są obsługiwane.

Wymaga również aktualizacji ram integralności, aby odzwierciedlić obecne realia, a nie założenia dziedzictwa. Rozwój kadry jest kluczowy, aby przyjęcie było intencjonalne i zgodne z celami uczenia, a nie fragmentaryczne lub reaktywne.

Gdy wprowadziliśmy modele oceny wspomaganej przez sztuczną inteligencję w Westcliff, nadzór został wbudowany w projekt. Kadra monitorowała wdrożenie, oceniała wpływ i doskonaliła procesy na podstawie dowodów. Ocena dostawców jest ciągła, a nie epizodyczna. Instytucje muszą regularnie ponownie oceniać zgodność z standardami akademickimi i ochroną studentów.

Celem jest odpowiedzialna innowacja.

Jakie są najczęstsze nieporozumienia, jakie mają edukatorzy na temat sztucznej inteligencji, a jaki jest wymagany przesunięcie myślenia?

Dwa nieporozumienia pojawiają się wielokrotnie. Pierwsze polega na tym, że sztuczna inteligencja jest głównie problemem oszustwa. Drugie polega na tym, że jest po prostu narzędziem produktywności. Nie jest to ani jedno, ani drugie w izolacji. Bardziej istotne jest to, że odzwierciedla zmianę w tym, jak wiedza jest generowana, oceniana i stosowana.

Gdy instytucje traktują sztuczną inteligencję tylko jako problem integralności, sprowadzają ją do ograniczeń. Gdy traktują ją tylko jako narzędzie wydajności, zaniżają jej implikacje. Bardziej istotne pytanie brzmi: jak zaprojektować uczenie, aby rozumowanie pozostało widoczne i odpowiedzialne w środowisku wspomaganym przez sztuczną inteligencję.

Wymagane przesunięcie myślenia jest od kontroli do projektowania. To pozwala kadrom stać się jeszcze bardziej centralnymi jako architekci doświadczeń edukacyjnych, które podkreślają osąd, syntezę i kompetencje aplikacyjne.

Z instytucjonalnym wsparciem, współdzielonymi praktykami i spójnym zarządzaniem, edukatorzy mogą naprawdę ruszyć tam, gdzie sztuczna inteligencja podnosi poprzeczkę dla przemyślanej pedagogiki i czyni projektowanie akademickie ważniejszym niż kiedykolwiek.

Jak uniwersytety powinny przygotować studentów do rynku pracy, w którym role są płynne, a sztuczna inteligencja przebudowuje pracę na poziomie podstawowym?

Role na poziomie podstawowym tradycyjnie służyły jako teren szkoleniowy dla zadań produkcyjnych. W wielu dziedzinach sztuczna inteligencja teraz pochłania wiele tej wczesnej pracy. W związku z tym absolwenci są oczekiwani, aby działać na wyższym poziomie wcześniej.

Przygotowanie musi więc koncentrować się na zdolnościach, które są trudne do zautomatyzowania: formułowaniu problemów, komunikacji, podejmowaniu decyzji i odpowiedzialnym nadzorowaniu systemów inteligentnych. Studenci muszą być komfortowi, pracując w niepewności, gdzie narzędzia ewoluują, a role są płynne.

Uniwersytety powinny podkreślać dostosowalne kompetencje, które przenoszą się przez konteksty, a nie tylko wąską specjalizację. Strukturalne, projektowe uczenie się z realnymi ograniczeniami jest niezbędne. Gdy studenci rozwiązują złożone problemy i bronią swoich rekomendacji, ćwiczą rodzaj myślenia odpowiedzialnego, który pracodawcy coraz bardziej cenią.

Umiejętność sztucznej inteligencji musi stać się podstawą. Nie każdy musi budować modele, ale każdy musi zrozumieć, jak systemy inteligentne wpływają na decyzje w ramach swojego zawodu.

Rynek pracy będzie nadal ewoluował. Odpowiedzialność szkolnictwa wyższego nie polega na przewidywaniu każdej roli, ale na absolwentach, którzy mogą poruszać się między rolami, uczyć się nieustannie i wnosić wkład w środowiska kształtowane przez przyspieszającą technologię.

Co sygnalizowałoby, że uniwersytet z powodzeniem zaadaptował się do zmian spowodowanych przez sztuczną inteligencję, a nie tylko przetrwał?

Sukces zostanie zmierzony przez wyniki, a nie przez pozycjonowanie publiczne lub wskaźniki próżności.

Uniwersytet naprawdę zaadaptował się, gdy jego program nauczania i modele oceny są przebudowane wokół kompetencji opartych na świecie rzeczywistym, a nie dostarczaniu treści. Kadra może zademonstrować przemyślane projektowanie uczenia, a studenci mogą klarownie uzasadnić i obronić swoje rozumowanie w sposób, który nie może być wygenerowany na żądanie.

Adaptacja instytucjonalna jest również widoczna w zarządzaniu. Użycie sztucznej inteligencji jest przejrzyste, nadzór jest wbudowany, a my możemy pokazać, że zaufanie do wyników akademickich wzmacnia, a nie osłabia.

Najbardziej niezawodnym wskaźnikiem jest jednak walidacja zewnętrzna. Pracodawcy rozpoznają, że absolwenci demonstrowali dojrzały osąd, zdolność aplikacyjną, podejmowanie decyzji i biegłość w środowiskach wspomaganych przez sztuczną inteligencję.

Adaptacja oznacza elastyczność bez kompromisu. Instytucja ewoluuje, gdy technologia postępuje, utrzymując rygorystyczne standardy i klarowność etyczną. W Westcliff wierzymy, że produkujemy model uczenia, który pozostaje wiarygodny, wytrzymały i cenny, gdy sztuczna inteligencja nadal kształtuje krajobraz.

Dziękujemy za wspaniały wywiad. Czytelnicy, którzy chcą dowiedzieć się więcej o tej uczelni, powinni odwiedzić Westcliff University.