In het speciaal onderwijs in de VS is de financiering schaars Het personeelstekort is grootwaardoor veel schooldistricten het moeilijk hebben arbeidskracht gekwalificeerde en bereidwillige beoefenaars.
Te midden van deze al lang bestaande uitdagingen is dat zo stijgende belangstelling bij het gebruik kunstmatige intelligentie instrumenten om enkele van de lacunes waarmee districten momenteel worden geconfronteerd te helpen dichten en de arbeidskosten te verlagen.
Meer dan 7 miljoen kinderen ontvangen federaal gefinancierde rechten onder de Onderwijswet voor personen met een handicapdat studenten toegang garandeert tot instructie die is afgestemd op hun unieke fysieke en psychologische behoeften, evenals juridische processen waarmee gezinnen over steun kunnen onderhandelen. Bij speciaal onderwijs zijn verschillende professionals betrokken, waaronder revalidatiespecialisten, logopedisten en onderwijsassistenten in de klas. Maar deze specialisten zijn schaarsondanks de bewezen behoefte aan hun diensten.
Als universitair hoofddocent in het speciaal onderwijs die met AI werkt, zie ik de potentie en de valkuilen ervan. Hoewel AI-systemen de administratieve lasten kunnen verminderen, deskundige begeleiding kunnen bieden en overweldigde professionals kunnen helpen hun dossiers te beheren, kunnen ze ook ethische uitdagingen met zich meebrengen – variërend van machinevooroordelen tot bredere kwesties van vertrouwen in geautomatiseerde systemen. Ze lopen ook het risico dat bestaande problemen met de manier waarop speciale onderwijsdiensten worden geleverd, worden vergroot.
Toch kiezen sommigen in het veld ervoor om AI-tools uit te testen, in plaats van te wachten op een perfecte oplossing.
Een sneller IEP, maar hoe geïndividualiseerd?
AI geeft nu al vorm aan de planning van speciaal onderwijs, de personeelsvoorbereiding en de beoordeling.
Een voorbeeld is het geïndividualiseerde onderwijsprogramma, of IEP, het belangrijkste instrument om te bepalen welke diensten een kind ontvangt. Een IEP maakt gebruik van een reeks beoordelingen en andere gegevens om de sterke punten van een kind te beschrijven, zijn behoeften te bepalen en meetbare doelen te stellen. Elk onderdeel van dit proces is afhankelijk van getrainde professionals.
Maar aanhoudende tekorten aan arbeidskrachten Gemiddelde districten hebben vaak moeite met het voltooien van beoordelingen, het bijwerken van plannen en het integreren van de inbreng van ouders. De meeste districten ontwikkelen IEP’s met behulp van software die beoefenaars verplicht te kiezen uit een gegeneraliseerde reeks van routinematige antwoorden of opties, wat leidt tot een niveau van standaardisatie dat kan er niet in slagen om aan de werkelijke individuele behoeften van een kind te voldoen.
Voorlopig onderzoek heeft aangetoond dat grote taalmodellen zoals ChatGPT bedreven kunnen zijn in het genereren van sleutelspecials onderwijs documenten zoals IEP’s door gebruik te maken van meerdere gegevensbronnen, waaronder informatie van studenten en gezinnen. Chatbots die snel IEP’s kunnen maken, kunnen docenten in het speciaal onderwijs mogelijk helpen beter tegemoet te komen aan de behoeften van individuele kinderen en hun gezinnen. Sommige beroepsorganisaties in het speciaal onderwijs hebben dat zelfs gedaan moedigde docenten aan om AI te gebruiken voor documenten zoals lesplannen.
Training en diagnose van handicaps
Er is ook potentieel voor AI-systemen om professionele training en ontwikkeling te ondersteunen. Mijn eigen werk op personeelsontwikkeling combineert verschillende AI-toepassingen met virtual reality om beoefenaars in staat te stellen instructieroutines te oefenen voordat ze rechtstreeks met kinderen gaan werken. Hier kan AI functioneren als een praktische uitbreiding van bestaande trainingsmodellen, door herhaalde oefeningen en gestructureerde ondersteuning te bieden op manieren die moeilijk vol te houden zijn met beperkt personeel.
Sommige districten zijn begonnen met het gebruik van AI voor beoordelingen, wat een reeks academische, cognitieve en medische evaluaties kan omvatten. AI-toepassingen die automatische spraakherkenning en taalverwerking combineren, zijn dat wel nu in dienst bij computerondersteunde mondelinge leesbeoordelingen om tests van de leesvaardigheid van studenten te scoren.
Beoefenaars vaak moeite om betekenis te geven van de hoeveelheid gegevens die scholen verzamelen. AI-aangedreven machinaal leren Hulpmiddelen kunnen hier ook helpen, door patronen te identificeren die mogelijk niet onmiddellijk zichtbaar zijn voor docenten voor evaluatie of educatieve besluitvorming. Dergelijke ondersteuning kan vooral nuttig zijn bij het diagnosticeren van handicaps zoals autisme of leerstoornissenwaar maskering, variabele presentatie en onvolledige geschiedenissen interpretatie moeilijk kunnen maken. Mijn lopende onderzoek laat zien dat de huidige AI voorspellingen kan doen op basis van gegevens die waarschijnlijk in sommige districten beschikbaar zullen zijn.
Privacy- en vertrouwensproblemen
Er zijn serieuze ethische – en praktische – vragen over deze door AI ondersteunde interventies, variërend van risico’s voor de privacy van studenten tot machinevooroordelen en diepere kwesties die verband houden met het vertrouwen van het gezin. Sommige hangen af van de vraag of AI-systemen al dan niet diensten kunnen leveren die werkelijk in overeenstemming zijn met de bestaande wetgeving.
De Onderwijswet voor personen met een handicap vereist dat niet-discriminerende methoden voor het evalueren van handicaps worden vermeden ongepast identificeren studenten voor diensten of verwaarlozen naar dienen degenen die kwalificeren. En de Wet op de educatieve rechten en privacy van gezinnen beschermt expliciet de gegevensprivacy van leerlingen en de rechten van ouders om de gegevens van hun kinderen in te zien en te bewaren.
Wat gebeurt er als een AI-systeem bevooroordeelde gegevens of methoden gebruikt om een aanbeveling voor een kind te genereren? Wat als de gegevens van een kind worden misbruikt of gelekt door een AI-systeem? Het gebruik van AI-systemen om enkele van de hierboven beschreven functies uit te voeren, plaatst gezinnen in een positie waarin van hen wordt verwacht dat ze niet alleen hun vertrouwen stellen in hun schooldistrict en het personeel voor speciaal onderwijs, maar ook in commerciële AI-systemen, waarvan de innerlijke werking grotendeels ondoorgrondelijk is.
Deze ethische bezwaren zijn dat wel nauwelijks uniek voor speciale edities; Velen zijn op andere gebieden opgegroeid en aangepakt door early adopters. Hoewel automatische spraakherkenning, of ASR, veel systemen moeite hebben gehad om Engels met een accent nauwkeurig te beoordelen leveranciers trainen nu hun systemen om tegemoet te komen aan specifieke etnische en regionale accenten.
Maar lopende onderzoekswerkzaamheden suggereert dat sommige ASR-systemen beperkt zijn in hun vermogen om spraakverschillen op te vangen die verband houden met handicaps, rekening te houden met lawaai in de klas en onderscheid te maken tussen verschillende stemmen. Hoewel deze kwesties in de toekomst door technische verbeteringen kunnen worden aangepakt, hebben ze op dit moment grote gevolgen.
Ingebedde vooringenomenheid
Op het eerste gezicht lijken machine learning-modellen de traditionele klinische besluitvorming te verbeteren. Toch moeten AI-modellen worden getraind op basis van bestaande gegevens, wat betekent dat hun beslissingen een al lang bestaande weerspiegeling kunnen blijven vooroordelen in de manier waarop handicaps zijn geïdentificeerd.
Onderzoek heeft dat inderdaad aangetoond AI-systemen worden routinematig gehinderd door vooroordelen binnen zowel trainingsgegevens als systeemontwerp. AI-modellen kunnen ook nieuwe vooroordelen introduceren, hetzij door het missen van subtiele informatie die tijdens persoonlijke evaluaties naar voren komt, hetzij door het overrepresenteren van kenmerken van groepen die in de trainingsgegevens zijn opgenomen.
Dergelijke zorgen, zo zouden verdedigers kunnen betogen, worden aangepakt door waarborgen die al in de federale wetgeving zijn verankerd. Gezinnen hebben een grote speelruimte in wat zij overeenkomen en kunnen voor alternatieven kiezen, op voorwaarde dat zij zich ervan bewust zijn dat dit mogelijk is leiding geven aan het IEP-proces.
Op dezelfde manier lijkt het gebruik van AI-tools om IEP’s of lessen te bouwen een voor de hand liggende verbetering ten opzichte van onderontwikkelde of plichtmatige plannen. Maar echte individualisering zou vereisen dat beschermde gegevens in grote taalmodellen worden ingevoerd. die zou kunnen schenden privacy regelgeving. En hoewel AI-toepassingen gemakkelijk mooiere IEP’s en ander papierwerk kunnen opleveren, resulteert dit niet noodzakelijkerwijs in verbeterde dienstverlening.
Het gat opvullen
Het is nog niet duidelijk of AI een zorgstandaard biedt die gelijkwaardig is aan de hoogwaardige, conventionele behandeling waarop kinderen met een handicap volgens de federale wetgeving recht hebben.
De Het Hooggerechtshof heeft dit in 2017 afgewezen het idee dat de onderwijswet voor personen met een handicap studenten alleen maar recht geeft op triviale, “de minimis” vooruitgang, wat een van de belangrijkste redenen voor het nastreven van AI verzwakt: dat het kan voldoen aan een minimumstandaard van zorg en praktijk. En aangezien AI echt niet empirisch op grote schaal is geëvalueerd, is niet bewezen dat het op adequate wijze voldoet aan de lage lat van simpelweg verbeteren voorbij de gebrekkige status quo.
Maar dit verandert niets aan de realiteit van beperkte middelen. Ten goede of ten kwade wordt AI al gebruikt om de kloof te dichten tussen wat de wet vereist en wat het systeem daadwerkelijk biedt.
Seth Koning is universitair hoofddocent speciaal onderwijs aan de Universiteit van Amsterdam Universiteit van Iowa.
Dit artikel is opnieuw gepubliceerd van Het gesprek onder een Creative Commons-licentie. Lees de origineel artikel.
