В Массачусетском технологическом институте (MIT) появился необычный курс, который не имеет отношения ни к машинному обучению, ни к микропроцессорам, ни к криптографии или квантовым вычислениям. Программа 6.C31 под названием Hack Yourself привлекает студентов идеей использовать вычислительные инструменты для внедрения в жизнь более 60 полезных привычек. По замыслу авторов, такой подход способен заметно улучшить студенческий опыт и качество обучения.
Курс создан совместно с Experimental Study Group (ESG). Его разработали старший преподаватель EECS Ана Белл, приглашённый инструктор ESG Картер Джерниган и старший преподаватель ESG Паола Ребуско. По словам преподавателей, они хотели построить курс MIT, который в структурированной форме знакомит студентов с тем, что реально известно о процессе обучения и благополучии. При этом авторы учитывали, что студенты MIT скептически относятся к идеям без доказательств: им нужны данные и методы. Поэтому занятия строятся вокруг научно обоснованных концепций, которые учащиеся могут проверить сами, а вычислительное мышление помогает рассматривать благополучие и обучение как системные задачи — от сбора значимых данных и разбиения большой проблемы на части до проверки вмешательства и оценки его результата.
Задачи курса делятся на две категории: личные практики, которые студенты применяют в собственной жизни, и аналитические навыки для проверки эффективности новых привычек. Белл отмечает, что это введение в конвейер(data pipeline) науки о данных и мышление, основанное на доказательствах. Студенты учатся осмысленно собирать информацию: разрабатывать опросы, проводить интервью, учитывать искажения и особенности измерений. Такие человеко-ориентированные навыки дополняют техническую подготовку и сохраняют ценность независимо от того, какие технологии появятся в будущем.
Данные, которые собирают учащиеся, так же разнообразны, как и их цели. Джерниган рассказывает, что чаще всего повторяются несколько тем — сокращение использования смартфона и более стабильный сон. У студентов старших курсов особый интерес вызывают рабочие привычки, продуктивность и переход к профессиональной деятельности, что естественно подталкивает их к командной работе, лидерству и отношениям. При этом ни одно отдельное вмешательство не оказалось универсально лучшим. Многие задания строятся на командном взаимодействии с использованием научно обоснованных практик для более эффективной совместной работы. Среди них замена стандартной светской беседы вопросом вроде «Расскажи что-нибудь хорошее, что происходит в твоей жизни», а также премортем(pre-mortem) — приём, при котором группа представляет, что проект уже провалился, перечисляет всё, что могло пойти не так, и работает в обратном порядке, чтобы предотвратить эти проблемы.
Даже чтение в рамках курса организовано совместно — через Perusall, приложение для общих аннотаций. Джерниган говорит, что студентов опрашивали о том, какие стратегии оказались наиболее полезными лично для них и какие они рекомендовали бы другим, и ответы сильно различались. В этом и заключается замысел: разным людям подходят разные инструменты, поэтому учащимся помогают собрать широкий набор практик. Часть этого набора выглядит как маленький фотоальбом. «Карточки намерений» — профессионально напечатанные коллекционные карточки размером с игральную карту, которые студенты накапливают по мере прохождения курса. Каждая карточка кратко описывает научно обоснованную привычку или стратегию и сопровождается цветным изображением, сгенерированным ИИ, как материальное напоминание о навыке. За неделю студенты получают несколько карточек, а к концу семестра их набирается более 60. Карточки складывают в буклет, и преподаватели заметили, что учащиеся бережно следят за своими коллекциями и приводят их в порядок.
Ребуско отмечает, что динамика коллекционирования работает не совсем так, как задумывалось изначально. Студенты переорганизуют карточки, возвращаются к старым при появлении новых и носят буклеты с собой. Без осознанного намерения они вовлекаются в интервальное повторение и припоминание — те же принципы обучения, которые обсуждаются на занятиях. Студентка третьего курса Сара Хопп, изучающая информатику и вычислительную технику по программе 6-3 и родом из Стивенс-Пойнта (Висконсин), собрала большую коллекцию карточек. По её словам, эти сувениры работают и как инструмент памяти, и как памятная вещь: с каждой карточкой она вспоминает занятие, на котором обсуждалась соответствующая практика, и связанные с ним положительные эмоции. Самым любимым заданием Хопп стало упражнение, впервые разработанное Лорой Кинг в 2001 году: в течение 20 минут нужно детально представить своего «наилучшего возможного будущего себя», вообразить достигнутые жизненные цели и успешные результаты, а затем написать этому воображаемому себе письмо. По словам студентки, это дало ей время серьёзно подумать о том, чего она хочет от будущего и каким оно должно быть, а также заставило сосредоточиться на позитивных сторонах и желаемых достижениях, а не на негативе и страхах.
Студент Амитодж Сингх, также обучающийся по программе 6-3, рассказывает, что при записи на Hack Yourself ожидал психологически глубокой и рефлексивной атмосферы, которая стала бы полезной передышкой от обычной насыщенной STEM-программы. Он хотел выработать привычку применять стратегии с занятий для улучшения своего образа жизни в колледже. Одной из внедрённых практик стала стратегия, основанная на обсуждении состояния потока(flow state) — полного и радостного погружения в задачу, которое возникает при вовлечённости в сложную и творческую работу. Узнав, что даже короткие прерывания могут серьёзно снизить продуктивность и разрушить поток, Сингх изменил планирование времени, создав более длительные и целостные блоки для своих целей. По его мнению, один из самых мощных инструментов курса — обширная исследовательская база, на которую опираются лекции и материалы. Сейчас Сингх осваивает «сатисфицинг»(satisficing) — умение вовремя признать результат достаточным, вместо погони за возможно недостижимым состоянием оптимизации.
Учебная программа Hack Yourself намеренно направляет студентов к небольшим экспериментам и лично значимым целям. Джерниган говорит, что учащиеся исследовали отношения, спортивные результаты, музыку, мотивацию и продуктивность. Они формулируют гипотезы, продумывают измерения и искажения, разрабатывают опросы или интервью и составляют план анализа. Полномасштабных исследований они не проводят, но учатся строго мыслить о своих вопросах и гипотезах, используя ту же декомпозицию и итеративное мышление, что и в вычислениях. Часть этой строгости связана с использованием больших языковых моделей — в частности, с оценкой качества как запроса, так и ответа. Белл подчёркивает, что студентов просят критически взаимодействовать с современными инструментами ИИ: генеративный ИИ можно использовать для изучения идей или анализа данных, но необходимо рефлексировать по поводу процесса и критиковать качество полученного результата. Устойчивый навык заключается не в беглости владения сегодняшним ИИ, а в умении оценивать любой инструмент, который появится в будущем. Преподаватели надеются, что студенты вынесут из курса умение задавать лучшие вопросы — навык на всю жизнь. Они сознательно избегали превращения курса в очередной курс по машинному обучению, поскольку в MIT студенты и так получают достаточно подготовки по передовым техническим инструментам. Здесь акцент сделан на фундаментальном элементе — самом конвейере(data pipeline) науки о данных: как собрать полезные данные, как задать хорошие вопросы, как спроектировать небольшой эксперимент, прежде чем пытаться объять необъятное. Такой образ мышления хорошо масштабируется, даже когда технологии меняются.