درس ۷ از ۵

د Teaching AI Fluency

عنوان اصلی: Teaching AI Fluency حجم: ۷ lecture، حدود ۳۶ دقیقه ویدیو + ۵ تا ۶ ساعت تمرین طراحی ارزیابی مخاطب: استاد، طراح آموزشی، یا هر کسی که چارچوب را تدریس می‌کند. چرخه‌ی غالب: هر دو، صریحاً تدریس‌شده — هر چرخه یک درس اختصاصی دارد.

تفاوت کلیدی این زیر-فصل با ۷.الف:

  • زیر-فصل ۷.الف (Educators): «من مدرسم، چطور AI را در آماده‌سازی شخصی استفاده کنم؟»
  • زیر-فصل ۷.د (Teaching): «من تدریس می‌کنم، چطور دانشجو را AI-fluent کنم و چطور آن را ارزیابی کنم؟»

بسیاری از اساتید هر دو دوره را می‌گذرانند.

درس ۷.د.۱ — رویکردهای تدریس AI Fluency

سه نقطه‌ی ورود:

  1. bolt-on — یک ماژول AI Fluency به درس موجود اضافه می‌شود.
  2. embedded — AI Fluency در تکالیف رشته‌ای به‌طور تنیده گنجانده می‌شود.
  3. standalone — یک درس مستقل AI Fluency.

نقل قول کلیدی Feller: «فقط شروع به استفاده از زبان [4D] کنید... این توجه را از فناوری به انسان برمی‌گرداند.» واژگان 4D، خود قابل‌حمل‌ترین ابزار پداگوژیک است.

درس ۷.د.۲ — تدریس Delegation-Diligence loop

سوءبرداشت رایج دانشجو: «اگر مجاز است، پس مشکلی نیست». چرخه دانشجو را وادار می‌کند راستی‌آزمایی کند، نه فقط permit بگیرد.

استراتژی‌های تدریس:

  • boundary-mapping exercise: یک تکلیف کلاسی به دانشجو بده و بخواه خط‌به‌خط مشخص کند چه چیزی delegable است و چه چیزی نه، با توجیه.
  • diligence journal: reflection یک‌صفحه‌ای هفتگی درباره‌ی استفاده از AI، چه چیز افشا شد، چه چیز شگفت‌زده‌اش کرد.

درس ۷.د.۳ — تدریس Description-Discernment loop

هدف: ساختن عادت drafting تکراری و مقاومت در برابر prompting تک‌شات.

استراتژی‌های تدریس:

  • prompt-iteration assignment: ارسال v1، v2، v3 یک prompt به‌همراه توضیح این‌که چه تغییری چرا داده شد.
  • output-critique assignment: دانشجو خروجی AI را در برابر rubricی که خودش نوشته، نمره می‌دهد.

درس ۷.د.۴ — ارزیابی AI Fluency

اصل کلیدی: «استفاده از AI را visible و meaningful کن». ارزیابی باید process artifact را بگیرد، نه فقط deliverable نهایی.

ابزارهای ارزیابی:

  • prompt log — رکورد زمانی تعاملات.
  • process portfolio — تعاملات منتخب با annotation.
  • reflective writing — چه کار کرد، چه نکرد، چه رد شد و چرا.
  • oral defense / viva — دانشجو باید کار را در زمان واقعی دفاع کند تا مالکیت تفکر آشکار شود.
  • AI-vs-student comparison task — به مثال درس ۷.الف.۳ مراجعه کنید.

درس ۷.د.۵ — ارزیابی هر چهار D (پیشرفت Bloom-style)

یک fluency rubric با یک محور برای هر D + یک محور holistic بسازید. یادگیرنده را از novice → competent → fluent در هر محور حرکت دهید.

پیشرفت Bloom-style مهارت AI Fluency:

  • Remember/Understand — می‌تواند 4D را نام ببرد و معنای هر کدام را بداند.
  • Apply — می‌تواند Description-Discernment loop را روی یک تسک هدایت‌شده اجرا کند.
  • Analyze — می‌تواند تشخیص دهد در یک workflow ناموفق AI، کدام D گلوگاه است.
  • Evaluate — می‌تواند خروجی AI را در برابر استاندارد رشته‌ای نقد کند.
  • Create — می‌تواند یک workflow نوین AI-augmented با مرز و disclosure مناسب طراحی کند.

best practice: زبان rubric از رفتار قابل مشاهده استفاده کند، نه از hand-waving نوع «fluency نشان می‌دهد».

درس ۷.د.۶ — طراحی تکلیف برای AI Fluency

پنج archetype تکلیف:

  1. AI-prohibited — process-visible (آزمون سر کلاس، آزمایشگاه با ناظر).
  2. AI-permitted-with-disclosure — log + transcript + reflection.
  3. AI-required-evaluate — دانشجو خروجی AI را نقد می‌کند.
  4. AI-as-tutor — AI تمرین تولید می‌کند، دانشجو در کلاس بعدی به انسان مهارت را نشان می‌دهد.
  5. AI-as-counterpart — دانشجو با AI روی یک موضع مناظره می‌کند.

نگرانی: detection arms race (آشکارساز خروجی AI) قابل اتکا نیست؛ دوره صریحاً اساتید را از academic integrity مبتنی بر detection دور می‌کند.

مثال عملی ایرانی: مربی آموزش ضمن خدمت در یک شرکت تهرانی

تصور کنید مربی آموزش ضمن خدمت در یک شرکت IT تهرانی در حال طراحی دوره‌ی دو روزه‌ی «AI Fluency برای مدیران میانی» است. او:

  • درس روز اول را با archetype 4 (AI-as-tutor) شروع می‌کند: مدیر هر بخش، با Claude یک سناریوی اختصاصی روی workflow خودش می‌سازد و در ساعت بعد به مربی نشان می‌دهد.
  • درس روز دوم را با archetype 5 (AI-as-counterpart) ادامه می‌دهد: هر مدیر یک موضع سازمانی می‌گیرد و Claude نقش منتقد را بازی می‌کند؛ مربی فقط کیفیت Discernment را ارزیابی می‌کند.
  • ارزیابی پایانی، prompt log + reflection یک‌صفحه‌ای + viva ۱۵ دقیقه‌ای است؛ نه آزمون چندگزینه‌ای، نه گزارش paste-and-submit.

درس ۷.د.۷ — اثر AI، تخصص رشته‌ای، و جمع‌بندی

ایده‌ی کلیدی: AI Fluency یک موضوع جدا نیست؛ درون رشته‌ها زندگی می‌کند. AI Fluency یک مورخ شبیه شیمیدان نیست. چارچوب general است؛ کاربست local. استاد تخصص رشته‌ای خود را به این می‌آورد که در رشته‌ی او «Description خوب» و «Discernment خوب» چه شکلی دارد.