TLDR:
Přednáška představí projekt s otevřeným zdrojovým kódem FIxbot pro AI-asistovanou výuku, který je vyvíjený a nasazený na fakultě Informatiky Masarykovy univerzity. Projekt využívá kombinaci 1) pedagogem definované znalostní báze poskytující pedagogicky relevantní vymezení probírané látky (automaticky generované ze stávajících studijních materiálů a upravené vyučujícím), 2) lokálně provozovaných modelů s otevřenými váhami (soukromí studentů i dostupnost detailních provozních dat pro další zlepšení), 3) sadu specifických instrukcí pro lokální model dle režimu použití (interaktivní učení, domácí zkoušení, dotazy k vypracovanému kódu, ostré zkoušení a další) a 4) automatické vyhodnocení studentových odpovědí s doporučením pro další studium (využití skupiny modelů v režimu tzv. LLM Councilu). Přednáška poskytne základní myšlenku projektu, technický popis architektury, zkušenosti s využitím lokálních LLM a nasazením v rámci předmětů v roce 2026 - včetně možnosti přímého vyzkoušení publikem. Projekt je dostupný na adrese https://fixbot.fi.muni.cz
Idea projektu FIxbot
Ústní zkoušení je velmi účinné pro ověření porozumění, ale při stovkách studentů není prakticky škálovatelné. Současně platí, že studenti mohou v éře LLM snadno obcházet obtížné části učení tím, že si nechají úlohy vyřešit modelem. Projekt proto neusiluje o detekci takového chování, ale především o snížení bariéry k opravdovému učení: student by měl získat (kdykoli) dostupného personalizovaného tutora, který mu pomůže překonat frustraci, identifikovat mezery ve znalostech a cíleně doporučit další studium.
Tato myšlenka samozřejmě není nová. Při naivní přímočaré realizaci může student jednoduše formulovat prompt: “Jsi učitel, pomož mi pochopit látku XY” a následně interagovat s běžným chatbotem. Zásadní omezení takového přístupu je ale chybějící omezení rozsahu a hloubky pochopení dané látky - model sice může reagovat libovolně do šířky i hloubky (když budeme předpokládat ideální model bez omezení), ale chybí role učitele, který volí pedagogicky vhodný rozsah tak, aby se za daný předmět pokrylo více souvisejících témat a vztahy mezi nimi - zaměření na jedno příliš do hloubky, nebo na velké množství příliš povrchně není vhodné.
Základní principy nástroje vycházejí z článku P. Iperotise a K. Rizakose (New York University, https://arxiv.org/abs/2603.18221) a dále jej rozšiřuje:
- Student interaguje s dotazujícím modelem na základě předpřipravených základních a doplňujících otázek. K interakci lze využít nejen běžný textový, ale i hlasový režim, který zvyšuje přirozenost komunikace.
- Celkový transkript studentovy komunikace je vyhodnocen pomocí skupiny několika různých velkých modelů (LLM-Council).
- Kromě standardního zkoušení (EP) používáme režim interaktivního učení (ILP), personalizovaného dotazování na studentův kód (CEP) a instantní zpětné vazby během cvičeni (IFP).
- Dotazující velký jazykový model je primárně využíván jako nástroj schopný provádět porovnání mezi dvěma bloky textu v přirozeném jazyku (očekávaná a studentova odpověď) místo standardního generativního výstupu.
- Potřební výpočty jsou realizovány na vnitro-univerzitních výpočetních prostředcích, poskytujících plnou kontrolu i soukromí studentových konverzací (původní projekt využívá slepenec různých externích služeb).
Projekt celkově reaguje na pozorované změny ve stylu studia současných studentů - snaží se jim dát k dispozici prostředí chatbota, které by jinak pravděpodobně stejně využili, ale s méně vhodně formulovaným výukovým promptem, bez znalostí hloubky a rozsahu tématu, které formuluje učitel. Personalizovaná interakce umožňuje studentům opakovaně procvičovat probíranou látku, učitelům dává naopak možnost používat formu přibližující se ústnímu zkoušení, zároveň ale škálovatelné na velké množství studentů.
Studenti získají nástroj pro průběžné procvičování, sebehodnocení a přípravu na zkoušku. Místo pasivního čtení materiálů nebo opisování řešení od LLM budou vedeni k aktivnímu vysvětlování, argumentaci a opravě vlastních omylů. Výstupem může být rychlá zpětná vazba, doporučení k dalšímu studiu a možnost provádět opakované iterace díky automatické hodnocení. Nástroj samozřejmě plně nenahradí lidského tutora - umožní ale studentovi lépe využít omezený čas interakce s lidským tutorem na pokročilejší dotazy poté, co ty jednodušší dříve vyřešil svým tempem s FixBotem.
Vyučující získají škálovatelnou podporu pro ověřování porozumění, zejména ve velkých kurzech. Systém pomůže předzpracovat studentské odpovědi, identifikovat problematické případy, navrhnout doplňující otázky a poskytnout strukturované podklady pro hodnocení. Projekt tak může snížit rutinní zátěž vyučujících, aniž by rezignoval na kvalitu ověřování znalostí typickou pro finální zkoušení. Například běžný režim závěrečné zkoušky s volnou odpovědí na zadanou primární otázkou v ISu může doplnit o druhou fázi, ve které je studentova odpověď z první fáze zpracována FixBotem jako první reakce na primární otázku. Za ní pak následuje série doplňujících dotazů, na které student odpovídá. Přestože se tak jedná z pohledu učitele o neinteraktivní zkoušku (učitel se přímo na zkoušce nedoptává studentů na jejich odpověď), kterou lze tak realizovat v omezeném čase i pro stovky studentů zároveň, dodatečné dotazy a odpovědi může učitel při svém pozdějším vyhodnocování vzít v potaz.
Identifikace mezer v existujících AI-podporovaných nástrojích pro výuku
- Existující pokročilé velké jazykové modely (tzv. frontier models, LLM) a nad nimi postavené specializované externí výukové aplikace s podporou AI (Khanmigo, Google Classroom, Coursera Coach…) nabízejí různé režimy výuky a podpory výuky. Nehledě na jejich aktuální stav, který se v čase dynamicky mění, zůstávají při jejich využití tyto principiální omezení a problémy:
- Ochrana soukromí studentů: studentovi interakce, potenciálně audiovizuální, jsou zasílána externímu poskytovateli použité aplikace a jím využívaném LLM modelu.
- Omezená flexibilita přípravy materiálů a postupů učitelem: externí aplikace nezná očekávaný rozsah a hloubku specifickou pro daný předmět a neposkytuje plnou kontrolu učiteli. Dílčí omezení lze typicky specifikovat, závislost na externím poskytovateli ale neumožňuje zkoušet úplně nové metody přístupu.
- Nedostupnost všech dílčích provozních dat pro zlepšení výuky: data o interakcích studentů na straně poskytovatele aplikace nám nejsou plně dostupná, což omezuje vhled do chování studentů a spouštění vlastních analýzy.
V rámci projektu FixBot vytváříme nástroj provozovaný v rámci univerzitní infrastruktury včetně použitých modelů. Nástroj je záměrně komponován z existujících softwarových komponent s otevřeným zdrojovým kódem tak, aby byl výsledný vývojový proces co nejefektivnější, umožňoval rychle adaptovat funkční komponenty vyvinuté nesrovnatelně většími týmy a poskytoval vysokou úroveň stability a škálovatelnosti.