Playing with AI, Learning to Think: Gamification, AI Fluency, and Workforce Readiness

Игра с ИИ, учене чрез мислене: геймификация, AI fluency и готовност за пазара на труда

Podcast

Подкаст

Plamen MILTENOFF

For 11 years, Bryan Alexander’s Future Trends Forum has created a space where educators, researchers, educational technologists, and other participants discuss emerging questions about the future of education.
Games and game-based learning have repeatedly appeared in these conversations. Artificial intelligence has also become one of the recurring topics. On September 17, the Forum brought the two together.
Bryan Alexander’s guest was Sierra Adare-Tasiwoopa, instructional technologist and author of the new book Gamifying AI in Higher Education: Teaching Generative Artificial Intelligence Fluency.
The discussion focused on an increasingly important educational question: Can gamification help students learn how to work with generative AI without allowing AI to replace the thinking students need to develop?
From Gamification to AI Fluency
Adare-Tasiwoopa has substantial experience in gamification, instructional technology, assessment, online education, escape rooms, role-playing games, storytelling, and game-based learning. Her previous books include Gamification in Higher Education: A How-To Instructional Guide and Gamify Your College Classroom: Strategies to Foster Critical Thinking and Life Skills Across Disciplines.
Her newest book brings this work directly into the discussion of generative AI.
The central idea is important because AI literacy cannot be limited to learning how to write prompts.
We have already explored this shift from knowing how to use AI tools toward the ability to work with them critically and deliberately in our blog post “Why Universities Must Move Beyond AI Literacy Toward AI Fluency”, where AI fluency is connected with evaluating outputs, exercising critical judgment, using AI responsibly, and preparing for future professional practice. Students also need opportunities to analyze AI outputs, identify weaknesses, make decisions, recognize bias, evaluate evidence, and understand when human judgment should take precedence over an AI-generated response.
Gamification provides one environment for developing these abilities.
The activities presented in Adare-Tasiwoopa’s book include scenarios, student and AI roles, prompts, cases, debates, investigations, and escape-room-style tasks. The aim is to connect AI use with critical thinking, problem-solving, decision-making, digital literacy, and ethical reasoning. (Routledge)
The educational goal shifts from teaching students how to obtain an AI answer toward teaching them what to do with that answer.
Why Games Matter in the Age of Generative AI
Games create something that is becoming increasingly important for AI education: structured experimentation.
Students can make a choice, observe the consequences, reconsider their assumptions, change their strategy, and try again. Adare-Tasiwoopa’s approach treats this process as a way of exploring both the capabilities and the limitations of generative AI.
A student may receive an apparently convincing AI response and need to determine whether the information is accurate. Another activity may require students to identify stereotypes or bias. A role-playing exercise may ask them to defend or challenge an AI-generated argument. An escape-room task may require them to verify information before they can proceed.
The point is not the game itself.
The game creates a reason for students to question AI rather than accept its first response.
We explored a similar question in “ChatGPT and the Cognitive Trade-Off Between Critical and Creative Thinking”. The analysis of 67 empirical studies shows that the effect of generative AI on thinking depends strongly on task design. The strongest outcomes appear when students need to critique AI responses, compare alternatives, verify information, and justify their decisions.
This becomes especially important when fluent AI-generated language can make weak or inaccurate information appear authoritative.
The Discussion Goes Beyond Games
As often happens during the Future Trends Forum, the conversation moved beyond the presentation itself. The active chat raised broader questions about AI, higher education, student learning, and preparation for the labor market.
One question was especially important: What happens when students become highly proficient at using AI but practice less and less of the intellectual work that AI gradually takes over for them?
We have already examined this problem through the distinction between cognitive offloading and cognitive uploading in “Cognitive Offloading vs Cognitive Uploading: A Better Way to Think About AI in Education”. The key question there is which cognitive tasks should remain the learner’s responsibility and when AI supports thinking rather than replacing it.
A 2026 national survey of university faculty conducted by Elon University and the Association of American Colleges and Universities provides useful context. Among the 1,057 participating faculty members, 95% said generative AI would increase students’ overreliance on AI tools, while 90% expected AI use to weaken students’ critical-thinking skills. At the same time, participants recognized the growing importance of AI literacy and the likelihood that AI will affect students’ future employment. The survey was not scientifically representative, so these percentages should not be treated as representative estimates for all US faculty, but the findings document substantial concern among participating educators. Read the AAC&U report. (Elon University)
This creates a tension for universities.
Students need experience with AI because AI is entering professional work. They also need opportunities to think independently because employers still need people who can evaluate, question, interpret, and make decisions.
Preparing Students for Entry-Level Work
The labor-market dimension makes this issue more urgent.
The World Economic Forum’s 2026 report Artificial Intelligence and the Future of Entry-Level Work: A Framework for Safeguarding and Reinventing Early Career Pathways argues that AI is already changing how organizations hire, develop, and support the career progression of early-career employees.
More than one in three young workers globally are employed in occupations with medium to high exposure to AI-driven task change. The report identifies four areas that require attention: access to jobs, job design, talent pipelines, and alignment between education systems and the changing nature of work. (World Economic Forum)
For higher education, the implications are significant.
If AI takes over more of the routine writing, summarizing, information retrieval, coding, analysis, and administrative tasks that were previously assigned to employees at the beginning of their careers, universities need to ask what graduates must be able to contribute beyond those tasks.
The connection between AI, student experience, and preparation for professional practice was also discussed in “Technology, AI, and Student Experience: What Universities Need to Change Today”. The data discussed there show a mismatch between how students perceive the importance of AI skills and changes in the labor market, which creates a need for universities to connect learning, AI fluency, and future professional practice more clearly.
The same issue is also central to “AI in Higher Education Is Moving from Experimentation toward Institutional Decision-Making”, where one of the key institutional challenges is how universities can align AI fluency, assessment, and educational pathways with a rapidly changing labor market.
AI fluency therefore needs to include judgment, verification, problem formulation, communication, collaboration, ethical reasoning, and the ability to recognize when AI output is insufficient.
Students Are Already Living Through This Experiment
The Harvard Crimson’s 2026 Senior Survey provides another perspective.
Among the graduating Harvard students who responded to the survey, 64% reported using AI several times per week or daily. At the same time, students were divided in their assessment of its educational consequences. Forty-three percent said AI had harmed their Harvard education, while 33% said AI had improved it. Another 21% reported neither a positive nor a negative effect. One third also reported using AI for an assignment when the instructor had explicitly prohibited such use. (features.thecrimson.com)
These findings complicate simple claims that students either accept or reject AI.
Students already use these systems extensively, but frequent use alone does not answer the question of whether such use supports learning.
We have already examined this distinction between using AI and genuinely developing AI literacy in “From AI Shortcuts to AI Literacy: Five Ways to Support Responsible Student Use of ChatGPT”. The post emphasizes verification, correction of AI outputs, calibration of trust, and metacognitive reflection rather than frequency of use alone.
The same problem is also central to “When Students Move First. Rethinking Teaching and Assessment in the Age of AI”, where the argument is that students are already using AI regardless of institutional hesitation, so the focus needs to shift from control toward capabilities, learning, and assessment design.
The educational challenge is no longer whether students will encounter AI. The challenge is designing learning experiences in which working with AI still requires students to think.
Gamification as One Possible Response
This brings the September 17 Future Trends Forum discussion back to gamification.
Gamification will not solve every problem created by generative AI. Adare-Tasiwoopa’s approach nevertheless offers one practical direction for instructors.
Instead of asking students only to produce an essay, report, presentation, or answer with AI, instructors can create situations in which students must critically analyze AI outputs.
Students can compare different AI responses. They can search for hallucinations. They can verify evidence. They can identify bias. They can defend or reject recommendations. They can role-play different stakeholders affected by an AI decision. They can document when AI helped them and when human reasoning changed the final outcome.
We explored similar practical activities in “6 AI Fluency Projects That Make Student Thinking Visible”. The projects include identifying errors in AI responses, comparing alternatives, separating human and AI contributions, and justifying decisions. The common goal is to allow the instructor to see evidence of judgment, verification, and reasoning rather than only the final product.
Assessment can then focus less on the polished final product and more on how students reached their decision.
This is also the central idea in “From Prompting to Judgment: What the New AI Fluency Projects Mean for Higher Education”. There, the focus shifts from the ability to create prompts toward students’ ability to evaluate, verify, reject, revise, and explain AI outputs.
This is exactly where the discussion connects with a broader question: what should learning activities and assessment look like when generative AI can perform tasks traditionally associated with higher levels of thinking?
Oregon State University Ecampus revisits Bloom’s taxonomy in the context of generative AI. The resource uses Bloom as a starting point but distinguishes uniquely human skills from the ways generative AI can support the learning process. At the “Evaluate” level, for example, human contribution includes metacognitive reflection, holistic assessment of ethical consequences, and placing the problem in a broader historical or disciplinary context. AI can support comparison of alternatives and checking work against criteria. At the “Create” level, the human dimension includes lived experience, social-emotional interactions, intuition, reflection, and judgment, while AI can support the generation and comparison of possibilities. (Oregon State Ecampus)
This changes the way we can think about assignments. The question is no longer only whether the student has reached the level of “analyze,” “evaluate,” or “create.” What becomes more important is which part of the process the student performs, which part AI performs, and how we can see human judgment between them.
A related idea is developed by Tina Austin through her UnBlooms™ model. She challenges the common representation of Bloom as a linear ladder leading toward a final product. When AI can generate, analyze, and evaluate, the completed work no longer reliably shows what the student understood or how the student thought. UnBlooms™ proposes a recursive, problem-oriented process in which learners repeatedly move through questioning, creation, critique, reflection, and revision. The aim is to make visible what the student noticed, questioned, accepted, rejected, and changed while working with AI. (tinaaustin.substack.com)
When AI can produce the final output, instructors need to design tasks that make students’ reasoning, decisions, and changes in thinking visible.
This idea of “visible thinking” has already been developed in practical terms in “Build Your Own AI Fluency Challenges”, where AI fluency is translated into observable actions: evaluation, verification, explanation, iteration, and decision-making. The central question there is not “Did the student use AI?” but “What evidence shows the student’s judgment, reasoning, and decision-making?”
The same shift from the final product toward evidence of learning is explored in “Assessment, Academic Integrity, and AI: From Tyler to Dawson”. The post asks whether assessment can still provide reliable evidence of understanding when AI can produce academically convincing final products.
This also strengthens the case for gamification. A game, case, simulation, or role-playing task has pedagogical value not because it makes learning more entertaining, but because it can require students repeatedly to choose, verify, justify, challenge, and change their strategy.
In this way, Adare-Tasiwoopa’s approach, Oregon State University’s revisited Bloom’s taxonomy, and Tina Austin’s UnBlooms™ converge around the same idea: in the context of generative AI, learning design needs to make human thinking more visible rather than hide it behind a polished final product.
This approach connects gamification with a broader shift already taking place in higher education: from controlling access to generative AI toward designing learning in which students must demonstrate their own judgment while using AI.
A Question for Faculty and Universities
The September 17 Future Trends Forum began with games and generative AI, but the discussion points toward a broader institutional question.
Universities need graduates who can work with AI. They also need graduates who can question AI, recognize weak evidence, make decisions under uncertainty, communicate their reasoning, and remain intellectually responsible for the results.
These goals do not need to conflict.
Well-designed games, simulations, cases, debates, role-playing activities, and other forms of active learning can place students in situations where AI becomes part of the problem-solving environment rather than a way of bypassing the problem itself.
Perhaps one of the most useful questions for educators is therefore no longer “Should students use AI?”
A more productive question may be:
What learning experiences require students to become better thinkers precisely because AI is present?		Вече 11 години Future Trends Forum на Bryan Alexander създава пространство, в което преподаватели, изследователи, специалисти по образователни технологии и други участници обсъждат нововъзникващи въпроси, свързани с бъдещето на образованието.
Игрите и ученето чрез игри многократно са присъствали в тези разговори. Изкуственият интелект също се превърна в една от повтарящите се теми. На 17 септември Форумът обедини двете.
Гост на Bryan Alexander беше Sierra Adare-Tasiwoopa, специалист по образователни технологии и автор на новата книга Gamifying AI in Higher Education: Teaching Generative Artificial Intelligence Fluency.
Дискусията беше съсредоточена върху един все по-важен образователен въпрос: Може ли геймификацията да помогне на студентите да се научат да работят с генеративен ИИ, без ИИ да замества мисленето, което студентите трябва да развиват?
От геймификация към AI fluency (ИИ компетентност)
Adare-Tasiwoopa има значителен опит в областта на геймификацията, образователните технологии, оценяването, онлайн обучението, escape rooms, ролевите игри, разказването на истории и ученето чрез игри. Сред предишните ѝ книги са Gamification in Higher Education: A How-To Instructional Guide и Gamify Your College Classroom: Strategies to Foster Critical Thinking and Life Skills Across Disciplines.
Най-новата ѝ книга пренася тази работа директно в дискусията за генеративния ИИ.
Основната идея е важна, защото AI грамотността не може да се ограничава до това как се пишат промптове.
Тази промяна от познаване на AI инструментите към способност за критична и осъзната работа с тях вече разгледахме и в блог поста ни „Why Universities Must Move Beyond AI Literacy Toward AI Fluency“, където AI fluency се свързва с оценяване на резултатите, критична преценка, отговорно използване и бъдеща професионална реализация.Студентите се нуждаят и от възможности да анализират резултатите от ИИ, да откриват слабости, да вземат решения, да разпознават пристрастия, да оценяват доказателства и да разбират кога човешката преценка трябва да има предимство пред генериран от ИИ отговор.
Геймификацията предоставя една среда за развиване на тези способности.
Дейностите, представени в книгата на Adare-Tasiwoopa, включват сценарии, роли за студенти и ИИ, промптове, казуси, дебати, разследвания и задачи във формат escape room. Целта е използването на ИИ да се свърже с критическо мислене, решаване на проблеми, вземане на решения, дигитална грамотност и етично разсъждение. (Routledge)
Образователната цел се измества от това да учим студентите как да получат отговор от ИИ към това да ги учим какво да правят с този отговор.
Защо игрите са важни в ерата на генеративния ИИ
Игрите създават нещо, което става все по-важно за обучението по ИИ: структурирано експериментиране.
Студентите могат да направят избор, да наблюдават последствията, да преразгледат своите предположения, да променят стратегията си и да опитат отново. Подходът на Adare-Tasiwoopa разглежда този процес като начин за изследване както на възможностите, така и на ограниченията на генеративния ИИ.
Студент може да получи привидно убедителен отговор от ИИ и да трябва да определи дали информацията е точна. Друга дейност може да изисква от студентите да откриват стереотипи или пристрастия. Ролева игра може да изисква от тях да защитят или оспорят аргумент, генериран от ИИ. Escape-room задача може да изисква проверка на информацията, преди студентите да могат да продължат напред.
Същността не е в самата игра.
Играта създава причина студентите да поставят под въпрос отговора на ИИ, вместо да приемат първия му отговор.
Подобен въпрос разгледахме в „ChatGPT and the Cognitive Trade-Off Between Critical and Creative Thinking“. Анализът на 67 емпирични изследвания показва, че ефектът на генеративния ИИ върху мисленето зависи силно от дизайна на задачите. Най-добри резултати се наблюдават, когато студентите трябва да критикуват AI отговори, да сравняват алтернативи, да проверяват информация и да аргументират решенията си.
Това става особено важно, когато гладко формулираният език на генеративния ИИ може да придаде на слаба или неточна информация вид на надежден източник.
Дискусията излиза извън рамките на игрите
Както често се случва по време на Future Trends Forum, разговорът надхвърли самата презентация. Активният чат повдигна по-широки въпроси за ИИ, висшето образование, ученето на студентите и подготовката им за пазара на труда.
Един от въпросите беше особено важен: Какво се случва, когато студентите станат много добри в използването на ИИ, но все по-рядко практикуват интелектуалната работа, която ИИ постепенно поема вместо тях?
Този проблем вече разгледахме чрез разграничението между cognitive offloading и cognitive uploading в „Cognitive Offloading vs Cognitive Uploading: A Better Way to Think About AI in Education“. Ключовият въпрос там е кои когнитивни задачи трябва да останат отговорност на обучаемия и кога ИИ подпомага мисленето вместо да го замества.
Национално проучване от 2026 г. сред университетски преподаватели, проведено от Elon University и Association of American Colleges and Universities, предоставя полезен контекст. Сред 1057 участвали преподаватели 95% посочват, че генеративният ИИ ще увеличи прекомерната зависимост на студентите от AI инструменти, а 90% очакват използването на ИИ да отслаби уменията им за критическо мислене. В същото време участниците признават нарастващото значение на AI грамотността и вероятността ИИ да влияе върху бъдещата професионална реализация на студентите. Проучването не е научно представително, затова тези проценти не трябва да се разглеждат като представителни оценки за всички преподаватели в САЩ, но резултатите показват сериозна загриженост сред участвалите преподаватели. Прочетете доклада на AAC&U. (Elon University)
Това създава напрежение за университетите.
Студентите се нуждаят от опит с ИИ, защото ИИ навлиза в професионалната работа. Те се нуждаят и от възможности да мислят самостоятелно, защото работодателите продължават да имат нужда от хора, които могат да оценяват, поставят под въпрос, интерпретират и вземат решения.
Подготовка на студентите за началните позиции на пазара на труда
Темата за пазара на труда прави този въпрос още по-належащ.
Докладът на World Economic Forum от 2026 г. Artificial Intelligence and the Future of Entry-Level Work: A Framework for Safeguarding and Reinventing Early Career Pathways посочва, че ИИ вече променя начина, по който организациите наемат, развиват и подпомагат професионалното израстване на служителите в началото на кариерата им.
Повече от един на всеки трима млади работещи в световен мащаб е зает в професия със средна до висока степен на изложеност на промени в задачите, предизвикани от ИИ. Докладът определя четири области, които изискват внимание: достъп до работни места, дизайн на длъжностите, изграждане на професионални пътеки за развитие на талантите и съгласуване между образователните системи и променящия се характер на труда. (World Economic Forum)
За висшето образование последиците са значими.
Ако ИИ поема все повече от рутинните задачи по писане, обобщаване, търсене на информация, програмиране, анализ и административна работа, които преди са били възлагани на служители в началото на кариерата им, университетите трябва да си зададат въпроса какво трябва да могат да допринасят завършващите студенти отвъд тези задачи.
Връзката между ИИ, студентския опит и подготовката за професионална реализация беше разгледана и в „Technology, AI, and Student Experience: What Universities Need to Change Today“. Данните, обсъдени там, показват разминаване между начина, по който студентите възприемат значението на AI уменията, и промените на пазара на труда, което поставя пред университетите задача да свържат по-ясно обучението, AI fluency и бъдещата професионална практика.
Същият въпрос стои и в центъра на „AI in Higher Education Is Moving from Experimentation toward Institutional Decision-Making“, където една от ключовите институционални задачи е как университетите да съгласуват AI fluency, оценяването и образователните пътеки с бързо променящия се пазар на труда.
AI fluency следователно трябва да включва преценка, проверка, формулиране на проблеми, комуникация, сътрудничество, етично разсъждение и способност да се разпознава кога резултатът от ИИ е недостатъчен.
Студентите вече участват в този експеримент
Harvard Crimson’s 2026 Senior Survey предоставя още една гледна точка.
Сред участвалите в проучването завършващи студенти на Harvard 64% съобщават, че използват ИИ няколко пъти седмично или ежедневно. В същото време студентите са разделени в оценката си за образователните последици. Четиридесет и три процента смятат, че ИИ е навредил на образованието им в Harvard, докато 33% посочват, че ИИ го е подобрил. Други 21% не отчитат нито положителен, нито отрицателен ефект. Една трета съобщават също, че са използвали ИИ за задание, когато преподавателят изрично е забранил такава употреба. (features.thecrimson.com)
Тези резултати усложняват опростените твърдения, че студентите или приемат, или отхвърлят ИИ.
Студентите вече използват тези системи широко, но честата употреба сама по себе си не дава отговор на въпроса дали тази употреба подпомага ученето.
Тази разлика между използване на ИИ и реално развиване на AI literacy вече разгледахме в „From AI Shortcuts to AI Literacy: Five Ways to Support Responsible Student Use of ChatGPT“. Публикацията поставя акцент върху проверката, коригирането на AI резултати, калибрирането на доверие и метакогнитивната рефлексия, вместо върху честотата на използване сама по себе си.
Този проблем стои и в основата на „When Students Move First. Rethinking Teaching and Assessment in the Age of AI“, където аргументът е, че студентите вече използват ИИ независимо от институционалното колебание, затова фокусът трябва да се премести от контрол към способности, обучение и дизайн на оценяването.
Образователното предизвикателство вече не е дали студентите ще срещнат ИИ. Предизвикателството е да проектираме учебни преживявания, при които работата с ИИ продължава да изисква от студентите да мислят.
Геймификацията като един възможен отговор
Това връща дискусията от Future Trends Forum на 17 септември обратно към геймификацията.
Геймификацията няма да реши всеки проблем, създаден от генеративния ИИ. Подходът на Adare-Tasiwoopa все пак предлага една практическа посока за преподавателите.
Вместо да изискват от студентите единствено да създадат есе, доклад, презентация или отговор с помощта на ИИ, преподавателите могат да създават ситуации, в които студентите трябва критично да анализират резултатите от ИИ.
Студентите могат да сравняват различни AI отговори. Могат да търсят халюцинации. Могат да проверяват доказателства. Могат да идентифицират пристрастия. Могат да защитават или отхвърлят препоръки. Могат да влизат в ролята на различни заинтересовани страни, засегнати от решение на ИИ. Могат да документират кога ИИ им е помогнал и кога човешкото разсъждение е променило крайния резултат.
Подобни практически дейности разгледахме в „6 AI Fluency Projects That Make Student Thinking Visible“. Проектите включват откриване на грешки в AI отговори, сравняване на алтернативи, разделяне на човешкия и AI приноса и аргументиране на решенията. Общата цел е преподавателят да вижда доказателства за преценка, проверка и разсъждение, а не само крайния продукт.
Тогава оценяването може да се фокусира по-малко върху добре оформения краен продукт и повече върху начина, по който студентите са достигнали до своето решение.
Това е и основната идея в „From Prompting to Judgment: What the New AI Fluency Projects Mean for Higher Education“. Там фокусът се измества от умението за създаване на промптове към способността на студентите да оценяват, проверяват, отхвърлят, преработват и обясняват AI резултатите.
Точно тук дискусията се свързва и с един по-широк въпрос: как трябва да изглеждат учебните дейности и оценяването, когато генеративният ИИ може да изпълнява задачи, които традиционно сме свързвали с по-високи равнища на мислене.
Oregon State University Ecampus преразглежда таксономията на Bloom в контекста на генеративния ИИ. Ресурсът използва Bloom като отправна точка, но разделя отличителните човешки умения от начините, по които генеративният ИИ може да подпомага процеса на учене. При „Evaluate“ например човешкият принос включва метакогнитивна рефлексия, цялостна оценка на етичните последствия и поставяне на проблема в по-широк исторически или дисциплинарен контекст. ИИ може да подпомага сравняването на алтернативи и проверката спрямо критерии. При „Create“ акцентът върху човека включва житейски опит, социално-емоционални взаимодействия, интуиция, рефлексия и преценка, докато ИИ може да подпомага генерирането и сравняването на възможности. (Oregon State Ecampus)
Това променя начина, по който можем да мислим за задачите. Въпросът вече не е само дали студентът е достигнал до равнището „анализира“, „оценява“ или „създава“. По-важно става коя част от този процес изпълнява студентът, коя част изпълнява ИИ и как можем да видим човешката преценка между тях.
Свързана идея развива и Tina Austin чрез своя модел UnBlooms™. Тя поставя под въпрос често срещаното представяне на Bloom като линейна стълба към краен продукт. Когато ИИ може да генерира, анализира и оценява, завършената работа вече не показва надеждно какво студентът е разбрал и как е мислил. UnBlooms™ предлага рекурсивен, проблемно ориентиран процес, в който обучаемите преминават многократно през задаване на въпроси, създаване, критика, рефлексия и преработване. Целта е да стане видимо какво студентът е забелязал, поставил под въпрос, приел, отхвърлил и променил по време на работата с ИИ. (tinaaustin.substack.com)
Когато ИИ може да произведе крайния резултат, преподавателят трябва да проектира задачи, които правят видими разсъжденията, решенията и промените в мисленето на студента.
Тази идея за „видимо мислене“ вече е развита практически в „Build Your Own AI Fluency Challenges“, където AI fluency се превежда в наблюдаеми действия: оценяване, проверка, обяснение, итерация и вземане на решения. Основният въпрос там е не „Използвал ли е студентът ИИ?“, а „Какви доказателства показват неговата преценка, разсъждение и вземане на решения?“.
Същата промяна от крайния продукт към доказателството за учене е разгледана в „Assessment, Academic Integrity, and AI: From Tyler to Dawson“. Публикацията поставя въпроса дали оценяването продължава да предоставя надеждно доказателство за разбиране, когато ИИ може да създава академично убедителни крайни продукти.
Това допълва и идеята за геймификацията. Играта, казусът, симулацията или ролевата задача имат педагогическа стойност не защото правят обучението по-забавно, а защото могат да изискват от студента многократно да избира, проверява, аргументира, оспорва и променя стратегията си.
Така подходът на Adare-Tasiwoopa, преразгледаната таксономия на Bloom на Oregon State University и UnBlooms™ на Tina Austin се срещат около една и съща идея: в условията на генеративен ИИ дизайнът на обучението трябва да прави човешкото мислене по-видимо, а не да го скрива зад добре оформения краен продукт.
Този подход свързва геймификацията с една по-голяма промяна, която вече се наблюдава във висшето образование: от контролиране на достъпа до генеративен ИИ към проектиране на обучение, в което студентите трябва да демонстрират собствена преценка, докато използват ИИ.
Въпрос към преподавателите и университетите
Future Trends Forum на 17 септември започна с темата за игрите и генеративния ИИ, но дискусията насочва към по-широк институционален въпрос.
Университетите се нуждаят от завършили студенти, които могат да работят с ИИ. Те се нуждаят и от завършили студенти, които могат да поставят ИИ под въпрос, да разпознават слаби доказателства, да вземат решения в условия на несигурност, да комуникират своите аргументи и да запазват интелектуалната отговорност за резултатите.
Тези цели не е необходимо да си противоречат.
Добре проектираните игри, симулации, казуси, дебати, ролеви дейности и други форми на активно учене могат да поставят студентите в ситуации, в които ИИ се превръща в част от средата за решаване на проблеми, а не в начин за заобикаляне на самия проблем.
Затова един от най-полезните въпроси за преподавателите може би вече не е „Трябва ли студентите да използват ИИ?“
По-продуктивният въпрос може да бъде:
Какви учебни преживявания изискват студентите да се превръщат в по-добри мислещи хора именно защото ИИ присъства?
Тази позиция на двата нови източника запазва логиката на текста: webinar → gamification → concerns about learning and work → evidence from students and faculty → pedagogical response → redesign of assessment and learning.