درس ۷ از ۵

الف AI Fluency for Educators

عنوان اصلی: AI Fluency for Educators حجم: ۴ lecture، حدود ۲۴ دقیقه ویدیو + ۳ ساعت تمرین هدف یادگیری زیر-فصل: استاد بیاموزد که هم‌زمان دو نقش دارد — user AI برای کار شخصی خود، و modeler رفتار AI برای دانشجویان. چرخه‌ی غالب: Description-Discernment loop — چون خروجی نهایی (سرفصل، تکلیف، آزمون) باید کیفیت آموزشی بالا داشته باشد.

درس ۷.الف.۱ — مرور چارچوب با عینک استاد

اولین درس هر چهار دوره با مرور 4D آغاز می‌شود، اما چیزی که در دوره‌ی Educators خاص است این است: استاد را در دو جایگاه هم‌زمان قرار می‌دهد. وقتی استاد در حال نوشتن سرفصل است، در جایگاه user نشسته. اما وقتی همان رفتار را جلوی چشم دانشجو انجام می‌دهد، در جایگاه modeler قرار می‌گیرد — یعنی هر کاری که استاد با AI می‌کند، عملاً «hidden curriculum» دانشجو می‌شود.

بازوزن‌دهی هر چهار D برای استاد:

Delegation — تصمیم‌گیری درباره‌ی این‌که چه بخشی از آماده‌سازی تدریس قابل واگذاری است (پیش‌نویس فهرست منابع، تولید سوال تمرینی) و چه بخشی واگذارناپذیر است (نمره‌دهی، بازخورد شخصی‌شده‌ی متکی بر شناخت دانشجو، طراحی پداگوژی).
Description — استاد باید یاد بگیرد به‌جای «خروجی» (deliverable)، پیامد یادگیری (learning outcome) را توصیف کند: مثلاً «۱۰ سوال طراحی کن که سطح Bloom = Apply را برای ترمودینامیک، کالیبره‌شده برای دانشجوی سال دوم کارشناسی، بسنجد».
Discernment — ارزیابی خروجی نه فقط بر اساس روانی متن، بلکه بر اساس استانداردهای رشته‌ای و درستی پداگوژیک.
Diligence — استاد باید رفتار disclosure را عملاً جلوی چشم دانشجو نشان دهد، نه فقط سیاست بنویسد.

درس ۷.الف.۲ — طراحی دوره و پیامدهای یادگیری (Course Design & Learning Outcomes)

این درس عمیق‌ترین مصداق چرخه‌ی Description-Discernment loop در زیر-فصل است. استاد می‌نویسد، Claude پاسخ می‌دهد، استاد می‌خواند، اصلاح می‌کند، دوباره می‌نویسد. ولی برای این‌که این چرخه به متن آکادمیک تبدیل شود، استاد باید context کاملی بدهد.

مثال عملی ایرانی: استاد دانشگاه آزاد، طراحی course outline ترم بهار ۱۴۰۵

تصور کنید استاد گروه مدیریت در دانشگاه آزاد در حال طراحی سرفصل درس «رفتار سازمانی» برای ترم بهار ۱۴۰۵ است.

Delegation: تصمیم می‌گیرد که AI پیش‌نویس توزیع موضوع هفتگی و ایده‌های تکلیف بدهد، اما خود او وزن نمرات، سیاست ارزیابی، و انطباق با چارت رشته را نگه می‌دارد.
Description: متن کامل بلوک کاتالوگ درس، تعداد ساعت، پیامدهای رشته‌ای که این درس باید پوشش دهد، درس پیش‌نیاز در توالی، و محدودیت‌های دسترسی‌پذیری را به Claude می‌دهد.
Discernment: بررسی می‌کند که آیا موضوعات پیشنهادی واقعاً پیامدهای اعلامی را پیش می‌برند، آیا هفته‌ی «پُرکننده» وجود دارد، و آیا بار شناختی برای دانشجوی سال دوم واقع‌بینانه است.
Diligence: استفاده از AI را در سرفصل (مطابق سیاست دفتر برنامه‌ریزی) افشا می‌کند و log پرامپت‌ها را برای ارزیابی اعتبارسنجی نگه می‌دارد.

اشتباهات رایج

drift از پیامد رشته‌ای — پیشنهادهای AI به سمت «تدریس خوب عمومی» می‌روند و چارت رشته را نقض می‌کنند.
کم‌برآوردکردن بار شناختی — AI گرایش دارد حجم کار را برای یادگیرنده‌ی تازه‌کار کم‌تر از واقع تخمین بزند.
نبود audit trail — بسیاری از برنامه‌های اعتبارسنجی الزام دارند که ردپای مشتق‌شدن پیامدها قابل بازبینی باشد.

درس ۷.الف.۳ — مواد آموزشی و تکالیف (Learning Materials & Assignments)

اینجا جایی است که جهان استاد و جهان دانشجو با هم تلاقی می‌کنند. درس سه archetype تکلیف را معرفی می‌کند که در زیر-فصل ۷.د بار دیگر و کامل‌تر می‌بینید:

AI-prohibited (process-visible) — مقاله‌ی سر کلاس، دفاع شفاهی، آزمایشگاه با ناظر. استفاده از AI ساختاراً غیرممکن است.
AI-permitted-with-disclosure — دانشجو موظف است log پرامپت + transcript کامل + خروجی نهایی + reflection ارائه کند.
AI-required-evaluate — دانشجو خروجی AI دریافت می‌کند و باید نقد، fact-check یا بهبود دهد.

نکته‌ی equity / UDL (Universal Design for Learning): AI برای برخی دانشجویان یک accommodation است (مثلاً برای دانشجوی dyslexic). ممنوع‌کردن کامل بدون درنظرگرفتن UDL می‌تواند خلاف اصل دسترسی‌پذیری باشد. علاوه بر آن، شکاف بین دانشجویی که دسترسی به طرح Pro دارد و دانشجویی که فقط tier رایگان دارد، باید با استانداردسازی روی tier رایگان یا نمره‌دهی بر اساس process، نه output، رفع شود.

اصل کلیدی Anthropic در این درس: detection arms race را رها کنید. شما به‌طور قابل اتکا نمی‌توانید استفاده از AI را تشخیص دهید. در عوض، تکلیف را طوری طراحی کنید که حتی وقتی AI در دسترس است، معنادار باقی بماند.

درس ۷.الف.۴ — جمع‌بندی و گواهینامه

استاد در پایان متعهد می‌شود به یک تغییر نهادی مشخص: بازطراحی یک تکلیف، نوشتن یک سیاست AI در سرفصل، یا برگزاری یک کارگاه برای همکاران. درس همچنین به دوره‌ی Teaching AI Fluency (زیر-فصل ۷.د همین فصل) به‌عنوان گام بعدی برای ترم آینده اشاره می‌کند.