Elektrotechnika od początków swojego istnienia znalazła w edukacji poczesne miejsce (Jihyun i in. 2020: 1). Wszystko zaczęło się od elektrycznie wywoływanego dźwięku dzwonka lub sygnału świetlnego żarówki podczas eksperymentów Pawłowa (Thompson i Hollon 2019: 143–145), potem wyposażono pracownie językowe w magnetofony szpulowe (a następnie cyfrowe), a w dalszej kolejności umożliwiono np. śledzenie dialogów prowadzonych przez uczniów w „pokojach” programu MS Teams. Najnowszym trendem jest wykorzystywanie pozbawionej umysłu maszyny do generowania poprawnych wypowiedzi na dowolny temat, w sposób równie dobry jak człowiek (Li 2015: 23–25).
Cele, problematyka i założenia
Sztuczna inteligencja (AI) nie jest po to, by nas zastępować, lecz dostarczać najświeższych danych naukowych w celu ich sprawnej obróbki przez odpowiednie techniki i strategie dydaktyczne (Celik i in. 2022: 615). Artykuł dotyczy tworzenia w ramach sztucznej inteligencji takich obszarów „tylko dla nauczycieli” (Seufert, Guggemos i Sailer 2021: 1–2), które pozwolą im zgłębić zasadność przeprowadzonych przez nich procesów, czyli: 1) tego, co chcą uczniom pokazać (diagnoza); 2) stanu, jaki chcą uczniom przybliżyć (anagnoza), (Grucza F. 2017: 333); oraz 3) użyteczności zdobytej wiedzy (aplikatywność), (Grucza F. 2013: 125).
W wąskim zakresie problemem analizowanym w tym artykule będzie systemowy wgląd w zasady stosowania niemieckich przyimków z celownikiem lub biernikiem (niem. Wechselpräpositionen). Tak długo, jak to tylko możliwe, spróbuję nie posługiwać się terminologią lingwistyczną1 obecną w publikacjach naukowych. Podczas określania zasobów wstępnej wiedzy proceduralnej na temat prawidłowego użycia przyimków z celownikiem lub biernikiem będę się posługiwać podejściem ilościowym (Yuan i in. 2020: 817–819) i skorzystam z pomocy bezpłatnej aplikacji Copilot, która jest dostępna w ramach przeglądarki Bing. Poza rozważaniami pozostawiam kwestię rozbieżności w prezentowaniu nagromadzonej wiedzy naukowej na dany temat przez inne odmiany sztucznej inteligencji, np. ChatGPT.
Postawienie przed bezduszną z założenia sztuczną inteligencją odpowiedniego pytania pozwala na pozyskanie reprezentatywnych oraz niejako kanonicznych, podstawowych, z założenia niezbitych i niezaprzeczalnych definicji badanych zjawisk, zebranych przecież bez emocji i bez kierowania się ukrytymi sympatiami. Rys. 1 przedstawia wycinek ekranu2, który udowadnia istnienie różniących się od siebie kontekstów zdaniowych, reprezentujących dwie płaszczyzny obserwowanej rzeczywistości. W zdaniu wydają się one nie wywierać wpływu na dobór danego przyimka, lecz wpływają na odmianę, czyli na poprawny dobór odpowiedniego przypadka rzeczownika stojącego po danym przyimku.
Rys. 1. Wycinek ekranu z definicją zjawiska Wechselpräpositionen
Źródło: opracowanie własne na podstawie Copilot.
Zjawisko to jest ograniczone, jak się można dowiedzieć, do niewielkiej liczby przyimków w języku niemieckim oraz dotyczy konieczności rejestrowania ruchu i bezruchu w zdaniu. Ta opozycja widoczna jest w sposobie modyfikowania treści zdania po danym przyimku w zdaniach w obu językach. Patrząc na reprezentatywne próbki zaproponowane przez AI na rys. 2, trzeba zadać sobie pytanie, jak dalece istota owego modyfikowania zależy od tego, co znajduje się po przyimku. To pytanie należy w następnym kroku zmodyfikować do postaci: Jak kształtuje się znaczenie danego przyimka w zależności od treści i formy tego wyrazu, który stoi po danym przyimku? Innymi słowy, czy „na = an” w zdaniu „Obraz wisi na ścianie” (Das Bild hängt an der Wand) jest tym samym „na = an” w zdaniu „Wieszam obraz na ścianie” (Ich hänge das Bild an die Wand)? Czy może jednak są to dwa różne słowa o różnym znaczeniu, skoro inaczej regulują formę dalszych treści w zdaniu?
Na rys. 2 wyraźnie widać znaczenie, jakie ma dobór celownika lub biernika w pozycji poprzyimkowej. Przykłady odsyłają użytkownika do dalszych części zdania, pomijając nieokreśloną rolę przyimka w odzwierciedlaniu struktur zaobserwowanej rzeczywistości. Dobrze oddane tłumaczenie na język polski umieszczone w nawiasach pozwala intuicyjnie sformułować hipotezę różnicowania między „auf dem Tisch – na stole” a „auf den Tisch – na stół”. Tego, że słowo alles tłumaczy się jako ‘jeszcze więcej’, choć wcześniej oznacza ono ‘wszystko’, AI zmienić nie może, mimo iż posługuje się taką informacją.
Rys. 2. Wycinek ekranu z prezentacją możliwości oddania ruchu i bezruchu przez przyimki
Źródło: opracowanie własne na podstawie Copilot.
Porównując zdania z przyimkami w podejściu ilościowym, można dostrzec, że zdania z orzeczeniem oddającym ruch i te z orzeczeniem oddającym bezruch mają różną liczbę składników. Zdanie przedstawiające nieruchomą relację obiektów wymaga jednego obiektu bez przyimka i jednego z przyimkiem, jak „wazon” i „stół” lub „obraz” i „ściana”. Zdanie przedstawiające ruchomą relację obiektów wymaga jednego z nich bez przyimka, jednego z przyimkiem oraz obecności aktywnego sprawcy zmiany tej relacji (rys. 3).
Rys. 3. Wycinek ekranu z uzupełnieniem treści na rys. 1 na temat różnicy w stosowaniu Wechselpräpositionen
Źródło: opracowanie własne na podstawie Copilot.
Czy odpowiedź dostarczona przez algorytm sztucznej inteligencji widoczna na rys. 3 i porównana z odpowiedzią na rys. 2 stanowi właściwy i poprawny wniosek na temat formalnej natury przyimka? Dlaczego mówi się tu o różnych formach przyimka „na = auf”, skoro forma samego przyimka wciąż pozostaje taka sama, a zmienia się jedynie forma rzeczownika (celownik lub biernik) stojącego po takim przyimku? Co wpływa na to, że po przyimku trzeba zastosować inny przypadek dla statyki oraz inny dla dynamiki opisu, jeśli sam przyimek o tym nie jest w stanie decydować? Od czego zależy prawidłowe zrozumienie funkcji przyimka i odmienianego przez niego rzeczownika? Jak daleko staje się to utrudnione bez znajomości znaczenia instancji orzeczenia, czyli związku rządu (rekcji) między orzeczeniem, dopełnieniami prostymi a dopełnieniem przyimkowym? W celu sprawdzenia głębokości posiadanej przez algorytm sztucznej inteligencji wiedzy deklaratywnej na ten temat zadano odpowiednie pytanie (rys. 4).
Rys. 4. Wycinek ekranu z odpowiedzią sztucznej inteligencji na zadane praktyczne pytanie
Źródło: opracowanie własne na podstawie Copilot.
Algorytm sztucznej inteligencji konsekwentnie proponuje celownikowo zdeterminowaną organizację dopełnienia przyimkowego „an der Wand = na ścianie” względem jego biernikowego odpowiednika „an die Wand = na ścianę” (czyli ‘na ścianie’). Dodatkiem do tej reguły jest informacja o kwestii uwzględnienia osoby wykonującej daną akcję lub o jej braku, poza dopełnieniem przyimkowym. Rys. 4 dostarcza także pomocnej wiedzy: dla frazy „an der Wand = na ścianie” można postawić pytanie wo? (gdzie?). Natomiast dla frazy „an die Wand = na ścianę” (czyli ‘na ścianie’) można tylko posiłkować się pytaniem wohin? (dokąd?).
Sztuczna inteligencja dostarczy także gotowych, choć kontrowersyjnych przykładów, z których szybko i sprawnie można sporządzić ciekawe ćwiczenie przydatne do utrwalenia materiału. Przedstawia to rys. 5.
Rys. 5. Sposób oddania przemieszczania się a obecność biernika po przyimku
Źródło: opracowanie własne na podstawie Copilot.
Widać, że sztuczna inteligencja preferuje wyłącznie przykłady niemieckiego dynamicznego dopełnienia przyimkowego, które ze swej natury brzmią obco i dziwnie w tłumaczeniu na język polski. Jednak tylko w taki sposób można się przekonać o potrzebie precyzyjnego operowania ciągami dopełnień. Widoczne jest to szczególnie przy jakościowym porównaniu wykładników orzeczenia ‘siadać/sadzać/sadowić (się)’, czyli w ilościowym sparowaniu zdania „Piotr wieczorami chętnie siada nad jeziorem” (Peter setzt sich abends gerne an den See) ze zdaniem „Piotr wieczorami sadza dziecko nad jeziorem” (Peter setzt abends sein Kind gerne an den See). Na rys. 5 można także zobaczyć ciekawe konsekwencje tego, że przy niemieckim dynamicznym czasowniku zwrotnym „sich setzen = siadać” ów pozorny zaimek zwrotny jest reprezentantem dopełnienia biernikowego (punkty 2 i 5), będącego tożsamym z niemieckim podmiotem: Klaus setzt sich neben mich trzeba tłumaczyć jako „Mikołaj sadowi się / siada koło mnie”. Zaprezentowane na rys. 5 odpowiedzi na zadane pytania pozwalają zweryfikować pozyskane w ten sposób wcześniejsze informacje: przykład 7 pokazuje dynamiczne dopełnienie przyimkowe przy braku osoby powodującej akcję. Jest to możliwe, ponieważ żywotna osoba zostaje zastąpiona podmiotem nieżywotnym: „Okruszki spadły pod stół”.
Algorytm nie boi się także drążenia tematu, proponując użytkownikowi zaprezentowanie jeszcze większej liczby różnic między celownikiem a biernikiem. Kliknięcie odpowiedniego linku odsyła do ogólnej wiedzy o niemieckiej fleksji rzeczownika i o zależności funkcjonalnej formy rzeczownika od rodzajnika. Nie umniejsza to głębi wiedzy AI, stale bowiem zwraca ona w swoich opisach uwagę użytkownika na ścisłą zależność roli pojedynczych słów, jak „dzbanek” (die Vase), „ściana” (die Wand) czy rozbudowanych wyrażeń, jak „an die Wand = na ścianę (pod ścianę)” czy „an der Wand = na ścianie” od odgórnie ustalonej przez orzeczenie funkcji, jaką muszą one odgrywać w zdaniu (rys. 6).
Rys. 6. Wycinek ekranu z odpowiedzią sztucznej inteligencji na temat związku struktury zdania z fleksją
Źródło: opracowanie własne na podstawie Copilot.
W opisie na rys. 6 niezwykle pomocna jest konsekwentnie sygnalizowana konieczność jakościowego porównywania struktur. Dopiero kiedy się pojmie, że należy pominąć kwestię tego, czy „Ja wieszam obraz na ścianę” jest bardziej poprawne od „Ja wieszam obraz na ścianie”, dopiero wtedy zaczyna się rozumienie istnienia w obu językach struktur rzeczywistości: przyimek „na” z jednej strony generuje „na ścianę”, a z drugiej – „na ścianie”. Jednakże tej władzy dany przyimek nie posiada samodzielnie, lecz jest ona domeną orzeczenia. To czasownik będący orzeczeniem domaga się najpierw odpowiedniego przyimka, a dopiero potem ceduje na ten przyimek konieczność odpowiedniego ukształtowania frazy dopełnienia przyimkowego. Przeszkadzać może jedynie stosowanie terminów fleksji, czyli części mowy, do omawiania składni, czyli budowy zdania. Mówiąc bowiem o rzeczownikach, o roli słów, czyli o funkcji dopełnień, w zdaniu, zdradza się nieznajomość konieczności rozdzielania między rozbiorem gramatycznym (niem. Redeteile) a funkcjonalnie zdeterminowanym rozbiorem logicznym, w którym operuje się już terminami ‘części zdania’ (niem. Satzglieder) bądź ‘dopełnienia/uzupełnienia/wykładniki’ (niem. Objekte). Algorytm AI nie daje się jednak zapędzić w kozi róg. Na rys. 7 widać, że postulowane „precyzyjne wyrażanie myśli” odbywa się poprzez konstruowanie wypowiedzi według odgórnego planu zapotrzebowania danego orzeczenia na formy słów bądź na grupy wyrazowe, czyli na poszczególne dopełnienia.
Rys. 7. Wycinek ekranu z wyjaśnieniem terminu „precyzyjne wyrażanie myśli”
Źródło: opracowanie własne na podstawie Copilot.
Dopiero teraz widać, że algorytm nie chce się przyznać, iż nie dostrzega różnicy między sumą znaczeń zdania a jego strukturą. Zamiana przypadków w języku niemieckim po przyimku nie determinuje pojawienia się zmiany czy braku zmiany położenia. Zmiana lub brak zmiany położenia są wyłącznie wywoływane przez orzeczenie, które odgórnie nakazuje rzeczownikom na realizowanie się jako podmiot i dopełnienie lokalne w przypadku bezruchu oraz jako podmiot, jako dopełnienie kierunkowe i dopełnienie biernikowe w przypadku zmiany położenia w obu językach. Zarazem warunkuje klarowną wymianę informacji w przypadku opisu położenia lub opisu jego zmiany przez orzeczenie. Wszystkie wspomniane rysunki pozwalają jednak stwierdzić, że jest odwrotnie: części mowy, zdobywając w zdaniu funkcję, mogą tracić swoje pierwotne znaczenie, czym dowodzą, iż są składnikiem struktury wyższego rzędu. I to właśnie przyimki nie tylko sygnalizują dynamikę czy statykę orzeczenia, lecz są także elementami logicznych struktur związku rządu. Te same przyimki w związku rządu nie sygnalizują ani dynamiki, ani statyki, jak w zdaniach „Czekam na dworcu” (gdzie czekam?) vs. „Idę na dworzec” (dokąd idę?), „Czekam na pociąg” (na co czekam?). Z tego względu tak zasygnalizowane założenia diagnostyczne pozwalają polaryzować treść i formę przyszłych pomysłów na ćwiczenia przerabiane przez klasę.
Założenia prognostyczno-anagnostyczne
Rys. 1 przedstawiał odpowiedź algorytmu na pytanie o istotę przyimków typu Wechselpräpositionen. Przełączenie na tryb bardziej kreatywny dostarcza odmiennej odpowiedzi, z ciągle jednak czytelnym przesłaniem o konieczności odróżniania dynamiki lub statyki obiektów rzeczywistości zdobywających w zdaniu miano ‘dopełnień/uzupełnień/wykładników’, jak na rysunku 8. Wprowadza on użytkownika w świat wyrazów, które się domagają, by występujące po nich wyrazy zmieniały swoją formę. W przypadku Wechselpräpositionen decyzja dotyczy tego, czy po takim przyimku „wyraz musi być odmieniony albo w celowniku, albo w bierniku”. Konieczne jest zatem założenie umiejętności odmiany wyrazów (fleksji) w obu językach. Na rys. 8 znajdują się także – oprócz tłumaczenia przykładu na język polski – pewne sugestie dotyczące kontekstu pozajęzykowego, jaki reprezentuje wygenerowane zdanie, czyli opozycji w parze orzeczeń „przemieszczać się/coś” a „nie przemieszczać się/czegoś”. Tak zasygnalizowana komunikatywna opozycja stanie się bazą przyszłych ćwiczeń prezentowanych na lekcji (Grucza 2007: 94), jak to proponowane jest na rys. 10. Zanim jednak przejdziemy do zaprojektowania przebiegu lekcji, warto jeszcze zapytać sztuczną inteligencję o wskazanie dalszych „punktów zapalnych” w opisie stanu badań nad nakładaniem struktury zdania na strukturę obserwowanej rzeczywistości, jak to pokazuje rys. 9.
Rys. 8. Odpowiedź sztucznej inteligencji w trybie kreatywnym na pytanie o istotę Wechselpräpositionen
Źródło: opracowanie własne na podstawie Copilot.
Rys. 9. Sztuczna inteligencja a gradacja problematyki morfologiczno-składniowej
Źródło: opracowanie własne na podstawie Copilot.
Wiedza, jaką prezentuje sztuczna inteligencja na rys. 9, jest o tyle problematyczna, że w składni zdania nie mówi się o przyimkach, lecz o dopełnieniach przyimkowych. Przyimki w dopełnieniach przyimkowych tracą w nich swoje pierwotne znaczenie, kiedy realizują funkcję zleconą frazom przyimkowym przez struktury obserwowanej rzeczywistości, czyli przez zestaw wykładników orzeczeń. In w in dem Kino (w kinie) a in w in das Kino (do kina) to zupełnie inne in, o innej funkcji, której nie jest nawet w stanie samodzielnie reprezentować, jest mu ona bowiem narzucona odgórnie przez orzeczenie. Z tego względu rekonstruowanie wiedzy o zależności dynamiki od statyki, jaką budują frazy przyimkowe w zdaniu, nie może być tematem jednych zajęć, lecz musi być fundamentem różnych lekcji (Lipińska i Seretny 2006: 13). Niemniej sztuczna inteligencja posiada w swoich zasobach przykłady konspektów lekcji rozumianych jako naukowo umotywowany zespół procedur rekonstrukcji wiedzy przez ucznia na sposób pewny, spójny, niebanalny (Balboni 2000: 78) i autentyczny (Grucza S. 2013: 109), prowadzący do możliwości jej skutecznego komunikowania (Witek 2016: 368). Taki przykład konspektu lekcji zawiera rys. 10.
Rys. 10. Przykład konspektu lekcji na temat Wechselpräpaositionen
Źródło: opracowanie własne na podstawie Copilot.
Pokazany na rys. 10 konspekt jest sprawnie i koherentnie zbudowany na prostej i niezawodnej zasadzie glottodydaktycznej „prezentacja z motywacją” (Rea-Ramirez, Núñez-Oviedo i Clement 2008: 23–43), następnie „trening i praca praktyczna” (Pallant, Trinker 2004: 52–53) i na koniec „utrwalenie wraz z wnioskami” (Hollan, Hutchins i Kirsch 2000: 175–176). Na rys. 10 scenariusz zajęć jest zorganizowany z wykorzystaniem metody podawczej. Jej ośrodkiem jest postać nauczyciela w roli organizatora i kontrolera przebiegu lekcji. Świadczą o tym takie operatory, jak: „wyjaśnienie, czym…”, „wyjaśnienie, kiedy…”, „przedstawienie listy”. Niewielkie przeróbki i próba przeformułowania myśli przewodniej tematu lekcji na podstawie przykładów użycia przyimków zmiennokontekstowych zmieniłyby tok zajęć z dedukcyjnego na bardziej interesujący tok indukcyjny. Refleksyjni praktycy na pewno mogą spróbować zmusić sztuczną inteligencję do „przeczesania” zasobów internetu pod tym kątem, jak to pokazuje rys. 11.
Rys. 11. Wycinek ekranu z prezentacją kolejnych możliwości planowania zajęć z przyimkami w konkretnym układzie glottodydaktycznym
Źródło: opracowanie własne na podstawie Copilot.
Wynikiem tych poszukiwań jest dużo ciekawsze podejście do problematyki zależności płynnego kontekstu zdaniowego od doboru odpowiedniego przypadka dla danego przyimka tworzącego dopełnienie przyimkowe, jak to pokazuje rys. 11. Sztuczna inteligencja stawia na interakcję i na grywalizację, proponując rekonstruowanie wiedzy nie przez przyjmowanie faktów na wiarę, lecz przez wypracowanie ogólnej reguły na podstawie prób i hipotez. W fazie ćwiczebnej sztuczna inteligencja stawia także na produktywność – na zajęciach promowana jest ustna komunikacja. Faza utrwalenia jest kojarzona z prezentacją tych obszarów, o których już wiadomo, że mogą sprawiać kłopoty. Sztuczna inteligencja oferuje także pogłębienie danego tematu i wybór konkretnych zasobów internetu na temat wyrażania wiedzy o obiektach obserwowanej rzeczywistości, jak to pokazuje rys. 12.
Rys. 12. Przykłady stron internetowych zawierających ćwiczenia z Wechselpräpositionen
Źródło: opracowanie własne na podstawie Copilot.
Założenia aplikatywne
Zadanie sztucznej inteligencji pytania w języku obcym (w tym przypadku niemieckim) dotyczącego możliwości praktycznego zastosowania posiadanej wiedzy o dopełnieniach przyimkowych pozwala udowodnić ich komunikacyjną przydatność (rys. 13).Treść scenariuszy zaprezentowana przez sztuczną inteligencję na rys. 13 doskonale pokazuje pożyteczność badanego zjawiska, odnosząc je do prozaicznych zastosowań komunikacyjnych. Bez wiedzy o zależności dopełnień przyimkowych od układów obiektów obserwowanej rzeczywistości nazwanie wielu czynności, np. takich jak: poszukiwanie danych przedmiotów (1), pobyt w pizzerii (2), opis idealnego pokoju (3), urządzanie mieszkania (4) czy lokalizowanie obiektów w mieście (5), staje się niemożliwe. Warto wobec tego rozwijać wiedzę o związku między możliwością regulowania treści rzeczownika przez przyimek (prepozycję) w strukturze dopełnienia przyimkowego oraz treści dopełnienia przyimkowego w zależności od funkcji dopełnienia przyimkowego jako wykładnika danego orzeczenia. Na rys. 14 pokazano przykład prostego testu z lukami wygenerowanego z zasobów sztucznej inteligencji, utrwalającego rolę, zadanie i ważność przyimków (prepozycji) jako zasadniczych elementów dopełnień. Do każdej luki obecnej w zdaniu trzeba wstawić tylko jeden poprawny przyimek.
Rys. 13. Przykłady komunikacyjno-komunikatywnego zastosowania przyimków z celownikiem i biernikiem
Źródło: opracowanie własne na podstawie Copilot.
Rys. 14. Sztuczna inteligencja odpowiada na próbę testowania własnej wiedzy
Źródło: opracowanie własne na podstawie Copilot.
Przyimki umieszczone w nawiasie stanowią podpowiedź dla nauczyciela: uczeń nie powinien ich widzieć lub może je otrzymać (po wymieszaniu) pod ćwiczeniem, np. w ramce. Tego rodzaju ćwiczenie jest doskonałym sposobem funkcjonalnego trenowania dopełnień przyimkowych przez odkrywanie odgórnego planu orzeczenia na zasadzie stawiania pytań. Z jednej strony poprawne wstawienie przyimka udowodni, że uczeń odróżnia pozostałe frazy przyimkowe (e)/(c) z pytaniami wodurch geht? (przez co idzie?) i springt über was? (przez co skacze?) od fraz lokalizujacych (b) z pytaniem wo? (gdzie?) i fraz kierunkowych (a)/(c)/(d) z pytaniem wohin? (dokąd?). Z drugiej strony pokaże to, że umie wytłumaczyć ich obecność odpowiednim zapytaniem o dopełnienie nieprzyimkowe, czyli biernikowe w (a) „das Bild” (obraz) / (d) „die Vase” (dzban). Tym, co zawiodło, jest mylne używanie terminu ‘dopełniacz’ zamiast ‘celownik’. W swoich zasobach sztuczna inteligencja posiada jednak też inne, ambitniejsze zadania (rys. 15).
Rys. 15. Dalsze przykłady ćwiczeń proponowane przez AI
Źródło: opracowanie własne na podstawie Copilot.
Zamieniając „jest” na „leży” (a, c) lub „stoi” (e), można otrzymać ciekawe zadania prowadzące do badania znajomości regulowania wiedzy o wydarzeniu czy danej sytuacji. Głębszy sens orzeczenia „lata” (b) jako elementu statyki obserwowanej rzeczywistości staje się jasny dopiero przez porównanie z orzeczeniem „przelatuje” jako dynamiki obiektów obserwowanej rzeczywistości. Warto też zwrócić uwagę na zastępowanie terminu ‘przyimek’ terminem ‘prepozycja’ wskazującym na jego więź z ‘pozycją’, czyli z rzeczownikiem. Więź ta przypomina niepokojąco tę determinującą formotwórczą rolę rodzajnika rzeczownika w j. niemieckim stojącego przecież też przed rzeczownikiem.
Wnioski i sugestie
Sztuczna inteligencja jest w edukacji masowej coraz bardziej popularna. Pomaga w zbieraniu aktualnych danych empirycznych na zasadzie reprezentatywnego, obiektywnego streszczania faktów w postaci jednej sensownej definicji. Algorytmy wyszukiwania informacji przez AI moga byc wykorzystywane w komunikowaniu się oraz w nauczaniu i uczeniu języków obcych. Przez owo kompaktowe, programowe streszczenie i generalizację w postaci kanonicznej formy danej wiedzy na dany temat AI budzi w swoim użytkowniku potrzebę dalszego badania pozostałych powiązań i ewentualnych punktów stycznych.
Prezentowany w niniejszym artykule opis nie dostarcza nowej wiedzy ściśle naukowej wraz z jej terminologią ani nowatorskich metod wraz z niesprawdzonymi rozwiązaniami. Sztuczna inteligencja w tym artykule oferuje odpowiednie ilościowe wprowadzenie w daną tematykę. Dla sztucznej inteligencji istnieje jednak ścisły związek jakościowy: wszystkie dane są zależne od siebie i są sprzężone ze sobą. Miarą tego sprzężenia jest utrata znaczenia na poszczególnych poziomach: jeśli coś traci znaczenie lub się go pozbywa, to znaczy, że jest to część jednostki wyższego, odgórnie istniejącego schematu. Tak rozumiany strukturalizm umożliwia w miarę sprawne porządkowanie rzeczywistości, streszczania jej obecności w schematach i kompilowania jej w formie modeli. W dydaktyce języków obcych takie sensogeneratywne ujęcie AI pozwala oszczędzać czas w poszukiwaniu atrakcyjnych ćwiczeń i zadań w nauczaniu stacjonarnym oraz zdalnym. Stanie się to jednak pod warunkiem, że potraktuje się AI jako równorzędnego partnera i odpowiednio zainicjuje, poprowadzi oraz podtrzyma wymianę myśli z nią.
1 Wprowadza to ważne odróżnienie kształcenia nauczycieli języków obcych wchodzącego w skład glottodydaktyki (nauki o uczeniu się i nauczaniu języków obcych, jak chce tego „szkoła poznańska”, lub nauki o funkcjonowaniu układów glottodydaktycznych, jak to nazywa „szkoła warszawska”) od lingwistyki (Łączek 2016: 78), czyli nauki o „tworzeniu wiedzy” (Grucza F. 2013: 221).
2 Na wszystkich umieszczonych w tekście screenach pochodzących z Copilot zachowano oryginalnie wygenerowaną treść (bez pomijania występujących w nich błędów językowych) – przyp. red.
Bibliografia
Balboni, P.E. (2000), Le microlingue scientifico-professionali. Natura e insegnamento, Torino: Utet Libreria.
Celik, I., Dindar, M., Muukkonen, H., Järvelä, S., (2022), The Promises and Challenges of Artificial Intelligence for Teachers: A Systematic Review of Research, „TechTrends”, nr 66, s. 614–630.
Grucza, F. (2007), Lingwistyka a glottodydaktyka, [w:] H. Komorowska (red.), Metodyka nauczania języków obcych w Polsce (1957–2007). 50 lat czasopisma „Języki Obce w Szkole”. Z wyborem tekstów z lat 1957–2007, Warszawa: CODN, s. 93–96.
Grucza, F. (2013), Lingwistyka stosowana. Historia – Zadania – Osiągnięcia, Warszawa: Wydawnictwo Naukowe Instytutu Kulturologii i Lingwistyki Antropocentrycznej Uniwersytetu Warszawskiego.
Grucza, F. (2017), O nauce i naukach. O lingwistyce stosowanej, Warszawa: Wydawnictwo Naukowe Instytutu Komunikacji Specjalistycznej i Interkulturowej Uniwersytetu Warszawskiego.
Grucza, S. (2013), Lingwistyka języków specjalistycznych, Warszawa: Euro Edukacja.
Hollan, J., Hutchins, E., Kirsch, D. (2000), Distributed Cognition: Toward a New Foundation for Human-Computer Interaction Research, „ACM Transactions on Human Computer Interactions”, nr 7(2), s. 174–196.
Jihyun, K., Merrill, K., Jr., Xu, K., Sellnow, D.D. (2020), My Teacher Is a Machine: Understanding Students’ Perceptions of AI Teaching Assistants in Online Education, „International Journal of Human – Computer Interaction”, nr 36(20), s. 1.
Lipińska, E., Seretny, A. (2006), Wstęp, [w:] E. Lipińska, A. Seretny (red.), Z zagadnień dydaktyki języka polskiego jako obcego, Kraków: Wydawnictwo Universitas.
Li, J. (2015), The Benefit of Being Physically Present: A Survey of Experimental Works Comparing Copresent Robots, Telepresence Robots, and Virtual Agents, „International Journal of Human – Computer Studies”, nr 77, s. 23–37.
Łączek, M. (2016), Glottodydaktyka dwujęzyczna: Przegląd polskiej i angielskiej terminologii, „Lingwistyka Stosowana”, nr 19, s. 77–89.
Pallant, A., Tinker, R. (2004), Reasoning with Atomic-Scale Molecular Dynamic Models, „Journal of Science Education and Technology”, nr 13, 51–66.
Rea-Ramirez, M.A., Núñez-Oviedo, M.C., Clement, J. (2008), An Instructional Model Derived from Model Construction and Criticism Theory, [w:] J. Clement, M.A. Rea-Ramirez (red.), Model Based Learning and Instruction in Science, Salt Lake City: Western Governors University, s. 23–43.
Seufert, S., Guggemos, J., Sailer, M. (2021), Technology-Related Knowledge, Skills, and Attitudes of Pre- and In-Service Teachers: The Current Situation and Emerging Trends, „Computers in Human Behavior”, nr 115, s. 1–5.
Thompson, T., Hollon, S.D. (2019), Behavioral and Cognitive–Behavioral Interventions, [w:] M.H. Ebert, J.F. Leckman, I.L. Petrakis (red.), Current Diagnosis & Treatment: Psychiatry, 3e, Nowy Jork – St. Louis – San Francisco – Auckland: McGraw-Hill Education, s. 143–145.
Yuan, S., He, T., Huang, H., Hou, R., Wang, M. (2020), Automated Chinese Essay Scoring Based on Deep Learning, „CMC-Computers Materials & Continua”, nr 65, s. 817–833.
Witek, M. (2016), Akty mowy, [w:] J. Odrowąż-Sypniewska (red.), Przewodnik po filozofii języka, Kraków: Wydawnictwo WAM, s. 367–412.
Artykuł został pozytywnie zaopiniowany przez recenzenta zewnętrznego „JOwS” w procedurze double-blind review.
