Ne postoji tipičan dan u prijemnoj kancelariji prema Rian Motevalli-Oliner ME ’20, pomoćniku dekana za operacije upisa na Kenion College u Gambieru, Ohajo. Kao mala privatna škola, Kenion prima približno 8.500 prijava godišnje sa stopom prihvatanja od 29% u 2023. Motevalli-Oliner-ovo odeljenje obrađuje i uvozi prijave za fakultet radi pregleda.
„Trudimo se da ostanemo verni svojoj misiji, ali takođe pokušavamo da budemo sigurni da srećemo studente tamo gde jesu i da im damo resurse koji su im potrebni da prođu kroz ovaj nepotrebno komplikovan proces“, kaže Motevali-Oliner, koja je diplomirala na USC. Rossier’s Master of Education in Enrollment Management online program (EMP online).
Pregledanje aplikacija je napor zajednice u Kenionu. Koledž koristi i Zajedničku aplikaciju i Koalicionu aplikaciju za prikupljanje materijala za prijem studenata i počinje da razmatra prijave sredinom novembra. „Imamo holistički proces pregleda“, kaže Motevali-Oliner. „Čitamo sve što nam student dostavi.
Koristeći metod evaluacije zasnovane na odborima koji obuhvata pregled od dve osobe, timovi svakodnevno čitaju prijave; jedna osoba razmatra akademsku stranu kandidata, dok druga ispituje ko-nastavne programe i preporuke.
Ovaj pristup kontekstualizuje budućeg studenta. Iako postoji rastući trend u upisima na fakultete da koriste veštačku inteligenciju, Kenion u ovom trenutku ne koristi AI u svom procesu. Prema Motevali-Olineru, Kenjonov pregled ima umetnosti i nauke. „Sintetizujući informacije pomoću veštačke inteligencije, vidim da se to dešava, ali mislim da nikada nećete oduzeti ljudski element“, kaže on.
Međutim, sve je veći broj koledža i univerziteta koji koriste veštačku inteligenciju da pomognu prijemnim kancelarijama dok procenjuju kandidate. Tekas A&M Universiti–Commerce i Case Vestern Reserve Universiti koriste AI alate kao što je Sia za brzu obradu transkripata koledža izvlačenjem informacija kao što su rad studenata i krediti za transfer na fakultet.
Georgia Tech eksperimentiše sa veštačkom inteligencijom kako bi replicirao odluke o prijemu koristeći tehnike mašinskog učenja. Tehnologija omogućava školama da pregledaju velike skupove podataka, efikasnije procenjujući hiljade aplikacija. Teoretski, ovo oslobađa članove prijemnog osoblja da imaju više vremena da promišljeno razmotre druge aspekte podnetih materijala kandidata. Ali šta je u pitanju kada se AI uključi u proces pregleda?
„To je komplikovana stvar i nije prvi put da prijemni razmatraju kako da koriste algoritme ili formule u svojim procesima“, kaže Džerom Lucido, osnivač USC Rossierovog Centra za istraživanje, politiku i praksu upisa (CERPP) i bivši predsednik i nacionalni prezenter za Radnu grupu odbora za prijem u 21. veku.
Iako su povezani, postoje dva različita alata u procesu prijema na fakultet: algoritmi i mašinsko učenje, prema Lucidou. Algoritam za upis na fakultet je skup pravila ili instrukcija koje koriste obrazovne institucije za procenu i odabir kandidata za prijem. Koledži i univerziteti često imaju svoje jedinstvene procese prijema i ocenjuju ih na osnovu kriterijuma univerziteta. Mnoge institucije obično koriste holistički pristup koji uzima u obzir kombinaciju faktora uključujući akademsku evidenciju, standardizovane rezultate testova, vannastavne aktivnosti, pisma preporuke i intervjue.
Mašinsko učenje, podskup veštačke inteligencije, je specifična tehnologija koja se može koristiti za poboljšanje analize podataka i donošenja odluka. Prema istraživačima sa Instituta za informacione nauke USC Viterbi School of Engineering, mašine se uče da se ponašaju, reaguju i reaguju slično kao ljudi koristeći prikupljene podatke.
Kako se odnosi na prijem na fakultete, mašinsko učenje u kombinaciji sa algoritmima za prijem bi pojednostavilo proces, identifikovalo obrasce i donelo informisane odluke za formiranje predviđanja na osnovu istorijskih podataka. Ovaj pristup zasnovan na podacima mogao bi potencijalno pomoći univerzitetima da identifikuju kandidate koji poseduju one karakteristike koje je institucija odredila za akademski uspeh.
U zajedničkoj izjavi Udruženja za institucionalna istraživanja (AIR), EDUCAUSE i Nacionalne asocijacije poslovnih službenika koledža i univerziteta (NACUBO), organizacije su podržale i ojačale upotrebu podataka kako bi pomogle boljem razumevanju studenata. Podaci takođe postavljaju osnovu za razvoj inovativnih pristupa za poboljšano regrutovanje studenata. Međutim, postoji izazov da se previše oslanjamo na kvantitativne podatke.
AI je efikasna za obradu podataka, da, ali možda neće obuhvatiti kompletnu životnu priču učenika, puni potencijal ili jedinstvene kvalitete. Na primer, faktori kao što su lični izazovi, otpornost i rast se možda neće odraziti u podacima, što bi moglo dovesti do propuštenih prilika za učenike koji su prevazišli prepreke.
„Mnogi veliki javni vodeći brodovi i svakako selektivni privatnici već su krenuli putem koji se nije zvao AI“, kaže Don Hosler, viši naučnik na CERPP-u. „Ugrađivali su algoritme koji im pomažu da pregledaju učenike.“ Upotreba AI u procesu skrininga, kaže Hossler, zaista je sledeće prirodno proširenje.
Za studente koji se prijavljuju na koledž, uloga veštačke inteligencije u prijemu u početku izgleda obećavajuće, nudeći nekoliko prednosti. Na primer, chat botovi ili automatizovani ćaskanja uživo postaju pseudo predstavnici korisničke službe, pružajući trenutnu pomoć tokom procesa prijave, odgovarajući na uobičajena pitanja, nudeći personalizovana uputstva na osnovu profila učenika, pa čak i postavljajući podsetnike na rokove. Takođe je važno prepoznati njihova ograničenja. Iako su korisni za rutinske upite, chat botovi možda neće zameniti ljudsku interakciju, posebno za složena pitanja ili emocionalnu podršku koju bi neki kandidati mogli zahtevati. Uravnotežen pristup bi bio kombinacija četbota i ljudske podrške osoblja za prijem na koledž i savetnika kako bi se studentima obezbedilo uspešno i pozitivno iskustvo prijave.
Sa druge strane, studenti se okreću generativnoj tehnologiji veštačke inteligencije kako bi im pomogli da sakupe svoje aplikacije, uključujući korišćenje ChatGPT-a za pisanje svojih ličnih eseja – jedina oblast procesa u kojoj kandidati mogu da pokažu univerzitetima ko su oni zaista. AI, sa svojim skoro ljudskim odgovorima, možda zvuči privlačno, ali dovodi u pitanje akademski integritet. Da li će upis na univerzitete moći da utvrdi da li je esej napisao čovek?
„Tužan deo toga, na strani učenika, biće to što bi to moglo da smanji obim do kojeg oni sami razmišljaju o procesu prijave“, kaže Hosler. Uputa za esej iz ovogodišnje Zajedničke aplikacije traži od učenika da „Prisete vreme kada ste se suočili sa izazovom, neuspehom ili neuspehom. Kako je to uticalo na vas i šta ste naučili iz tog iskustva?“ Odgovor generisan AI na upit ne bi rezultirao pravim odgovorom učenika.
Međutim, jedna prednost za studente koji koriste alatku kao što je ChatGPT tokom faze izrade je to što nudi forum za isprobavanje ideja ili formulisanje argumenata. Prema Ricku Clarku, pomoćniku prorektora Georgia Tech-a i izvršnom direktoru za prijem dodiplomskih studija, AI bi mogla da služi kao zvučna ploča za studente koji ne mogu priuštiti konsultanta za prijem.
„Da li će ga koristiti? Verovatno. Hoćemo li moći da ga dešifrujemo? Verovatno neće, da budem iskren“, kaže Motevali-Oliner. „To je resurs, ali na kraju dana, moraćete sami da napišete taj esej.“
Iako je esej jedan od najvažnijih delova pregleda, to nije jedino razmatranje. Kedra Išop, potpredsednica za upravljanje upisima na USC, vidi ovu sledeću fazu kao još jedan evolutivni korak u prijemu. „Mi se krećemo na različitim nivoima, u različitim vrstama institucija“, kaže Išop. 25-godišnji veteran visokog obrazovanja i nacionalno priznati stručnjak, ona vodi funkcije prijema, finansijske pomoći i registracije na univerzitetu. „U prijemnom prostoru uvek imamo osećaj zdravog, pozitivnog skepticizma i tražimo više informacija da bismo saznali više o studentu“, kaže ona.
Išop dodaje da su službenici za prijem vešti u triangulaciji tokom procesa pregleda. Kroz triangulaciju, profesionalci za prijem identifikuju korelacije unutar aplikacije, tražeći da vide da li je glas učenika dosledan tokom celog rada i obezbeđujući da su preporuke usklađene. Službenici za prijem traže više izvora podataka o svakom studentu iz tog razloga.
Ishop priznaje da različiti pojedinci — roditelji, staratelji, nastavnici ili konsultanti za obrazovanje — često pomažu i igraju ulogu u sastavljanju materijala za prijem sa studentima. „Ove godine ćemo posebno videti šta dolazi od [AI]“, kaže Išop. „Nismo u panici zbog toga. Kao i sa svakim novim tehnološkim razvojem, ona je svesna da je to nešto kroz šta će prijemni tim morati da upravlja i očekuje da će glas studenata prevladati.
Usred pejzaža odluke Vrhovnog suda SAD o prijemu bez rase, primena veštačke inteligencije pri prijemu na fakultete izazvala je zabrinutost za pravičnost. Sa pozitivne strane, ovi alati mogu pomoći institucijama da identifikuju kandidate koji su možda bili zanemareni kroz tradicionalne procese, ali s druge strane, postoji opravdana zabrinutost oko pristrasnosti.
Može li AI naučiti predrasude? Pristrasnost može prodreti u sistem na različite načine. Na primer, AI sistemi uče da donose odluke na osnovu podataka koji mogu uključivati pristrasne ljudske odluke ili koji mogu sadržati pogrešno uzorkovanje podataka sa grupama koje su nedovoljno zastupljene. Ako nisu pažljivo dizajnirani i nadgledani, sistemi veštačke inteligencije bi mogli da produže postojeće predrasude u procesu prijema.
„Iz rada Safije Nobl i mnogih drugih znamo da su tehnološke inovacije poput Gugl pretraživača često sačinjene od pristrasnosti koje mogu da reprodukuju nejednakosti“, kaže Roiel Johnson, vanredni profesor USC Rossier. „AI se ne razlikuje. Ljudi su ti koji dizajniraju i informišu algoritme, čuvaju podatke i donose odluke koje oblikuju ove sisteme.“
Ovo bi moglo dovesti do nesrazmerno nepovoljnog položaja određenih grupa, što bi dovelo do nepravednih rezultata. Sistemi veštačke inteligencije takođe mogu nenamerno favorizovati kandidate koji imaju finansijska sredstva da angažuju konsultante na fakultetima, što bi moglo da stvori klasnu podelu i proširi jaz u obrazovanju. Prema Hossleru, imućni studenti verovatno rade sa privatnim savetnicima koji obaveštavaju podnosioce zahteva o tome šta treba da kažu ili napišu umesto da se ponašaju kao otvoreni urednik za aplikacije.
Lucido, otvoreni stručnjak za odluku afirmativne akcije, oprezno je optimističan. „Želim da ostanem otvorenog uma o tome šta ova vrsta mašinskog učenja može da učini da pomogne prijemu i pravičnosti“, dodaje Lucido. „Ali sve što znam o prijemu na fakultete i načinu na koji se to radi sugeriše da čak ni trenutno nemamo veoma pravičan sistem, posebno na najselektivnijim mestima.
Najvažniji element u recenziji je čitanje u kontekstu, kaže Išop. Bilo da se radi o AI učenju, susedstvu ili socioekonomskoj pristrasnosti, „naš proces je dizajniran da čita unutar tog ekološkog konteksta“, kaže ona. Uzimajući u obzir informacije kao što su socioekonomska pozadina kandidata i mogućnosti obrazovanja koje su dostupne u srednjoj školi učenika—nekoliko AP kurseva u jednoj školi naspram samo nekoliko kurseva koji se nude u drugoj—pruža kontekst za prijemni tim.
Kako se institucije visokog obrazovanja bave pravednošću i veštačkom inteligencijom zahtevaće višestruki pristup. Nijedan sistem nije savršen, a ljudsko učešće je i dalje potrebno. Koledži i univerziteti treba da ulažu u obuku profesionalaca za prijem za rad sa AI alatima i pažljivo procenjuju preporuke koje daju ovi sistemi. „Morate imati ljude usmerene na misiju i visoko obučene ljude da biste razumeli kako ovo funkcioniše“, kaže Lucido.
Prema izveštaju PricevaterhouseCoopers-a, pojedinci pišu algoritme, biraju podatke koje algoritmi koriste i odlučuju kako da primene rezultate. Bez različitih timova i rigoroznog testiranja stvorenih sistema veštačke inteligencije, postoji šansa da pojedinačne pristrasnosti uđu u AI. Kako to promeniti? Različito osoblje za prijem može biti jedan od načina, a prikupljanje i korišćenje podataka koji tačno odražavaju pozadinu, iskustva i dostignuća niza kandidata moglo bi ublažiti pristrasnosti prisutne u istorijskim podacima i poboljšati sposobnost algoritma da identifikuje potencijal kod svih studenata.
Nadzor, praćenje i prilagođavanje sistema veštačke inteligencije je potrebno kada se primenjuje na upis na fakultete. „Otvoreno je pitanje koliko nadzora može i koliko će biti dato ako se ovi sistemi koriste“, kaže Lucido. Redovne procene uticaja veštačke inteligencije na pravičnost, u kombinaciji sa poboljšanjima, mogu pomoći u rešavanju pristrasnosti i nedostataka.
„Svakako, postoje ogromne koristi od veštačke inteligencije, ali takođe moramo biti jasni u vezi sa rizicima“, dodaje Džonson. „Prekomerno oslanjanje bez savesnih napora da se ublaži pristrasnost sigurno će pogoršati same nejednakosti kojima želimo da se pozabavimo. AI je jednako jednaka kao i pravedne odluke koje utiču na njen dizajn.“
Za Lijanu Hsu ME ’20, direktorku prijema na UC Berkelei Graduate School of Journalism i diplomac EMP onlajn programa USC Rossier, svakodnevni rad u prijemnoj kancelariji se razlikuje. Berklijev tim za prijem je fokusiran na holističku podršku budućim studentima koji su zainteresovani da saznaju više i da se prijave na program Master of Journalism. Ovaj rad uključuje dizajniranje procesa revizije prijema usredsređenog na pravičnost.
„Stalno smo usred evaluacije naših procesa prijema da bismo razumeli kako služimo našim studentima“, kaže Hsu. „Želim zaista da razumem kako možemo da zatvorimo praznine za učenike da ih bolje podržimo i da razmišljamo o tome kako strateški koristimo naše resurse.
AI trenutno ne igra ulogu u školskom procesu pregleda. „Želimo direktno da čujemo glasove učenika—njihova puna iskustva i kako je to oblikovalo njihovu strast prema novinarstvu. Ovo nisu zamršenosti koje veštačka inteligencija može da pruži“, kaže Hsu.
Hsu vidi potencijalne koristi od veštačke inteligencije i na strani univerziteta i na strani kandidata. Fakulteti bi mogli da koriste veštačku inteligenciju da istraže i fino podese marketinške napore i napore, a kandidati bi mogli da je koriste kao alatku za kompilaciju pretrage kako bi im pomogli da pronađu sredstva i stipendije, posebno za postdiplomsko obrazovanje.
„Nadajmo se da ima još razgovora“, kaže Hsu. „Mislim da je važno za visokoškolske ustanove da se uvek prilagođavaju i, posebno, uvek razmišljaju o tome kako koristimo nove tehnologije da povećamo dostupnost, unapredimo obrazovnu jednakost i iskoristimo ih kao alat za osnaživanje studenata.“
