Niniejszy wpis kieruję przede wszystkim, choć nie tylko, do studentów wydziału WEiTI Politechniki Warszawskiej, z którymi mam obecnie zajęcia filozoficzno-informatyczne.
W trakcie tych zajęć poruszyliśmy problem, który był dyskutowany na blogu już kilkukrotnie (zob. np. tutaj), ale wciąż wydaje mi się wart dalszej rozmowy. Chodzi o metodologiczną przydatność pojęcia algorytmu – pojęcia, które znamy przede wszystkim z informatyki.
Czy algorytmizacja, a więc jakiegoś rodzaju schematyzacja i automatyzacja, są w nauce czymś pożądanym? Czy wiedza zapisana, ale także przekazywana, w postaci algorytmicznej, może stymulować rozwój nauki? A może jest inaczej: zbytnia algorytmizacja powoduje, że w nauce i edukacji zaczyna brakować inwencji i kreatywności?
Można też spytać szerzej: czy podejście algorytmiczne, które przeniknęło do naszej kultury głównie za sprawą wynalazku komputera, wywiera jakiś istotny wpływ na tęże kulturę – wpływ pozytywny lub negatywny? Mam tu na myśli kulturę pojętą całościowo, a nie tylko technicznie…
Bardzo proszę o swobodne wypowiedzi nawiązujące do powyższych pytań; poza które można oczywiście wykraczać :).
Jako lektury wprowadzające do dyskusji proponuję:
— tekst Donalda Knutha o roli algorytmów w informatyce
— tekst Pawła Stacewicza o metodzie algorytmicznej
Oto kilka zaczerpniętych z tych prac cytatów:
Knuth:
Być może największym odkryciem będącym rezultatem wprowadzenia komputerów okaże się to, że algorytmom, jako przedmiotom badania, przysługuje niezwykłe bogactwo interesujących własności oraz to, że algorytmiczny punkt widzenia jest użytecznym sposobem organizacji wiedzy w ogólności.
Knuth:
Zacytujmy ponownie George’a Forsythe’a: „Najbardziej wartościowym elementem edukacji naukowej czy technicznej są służące ogólnym celom narzędzia umysłowe, które będą służyły przez całe życie. Szacuję, że język naturalny i matematyka są najważniejszymi takimi narzędziami, a informatyka stanowi trzecie narzędzie” (Forsythe 1959).
Knuth:
Próba sformalizowania czegoś w postaci algorytmu prowadzi do głębszego zrozumienia niż ma to miejsce, gdy po prostu próbuje się daną rzecz pojąć w sposób tradycyjny.
Stacewicz:
Można pokusić się nawet o stwierdzenie, że dana dyscyplina uzyskuje postać dojrzałą wówczas, gdy powstaje w jej obrębie pewien schematyczny rachunek pozwalający z powodzeniem stosować metodę algorytmiczną.
Stacewicz:
Do zalet metody algorytmicznej, należy niewątpliwie wiedzotwórczość, która przejawia się na dwóch poziomach: a) każde zastosowanie algorytmu do nowych danych skutkuje nową wiedzą (rozwiązaniem nowego problemu), b) trafnie dobrany zbiór algorytmów ułatwia penetrację danej dziedziny na nowym jakościowo poziomie (na niższym poziomie dokonała się już automatyzacja).
Serdecznie zapraszam do rozmowy, w której oczywiście sam chętnie wezmę udział.
Paweł Stacewicz.
Moim zdaniem algorytmizacja w nauce jest zdecydowanie czymś pożądanym, o ile każdy etap algorytmu jest zrozumiały dla odbiorcy. Algorytm zawiera określoną ilość kroków i określony cel, co zdecydowanie ułatwia i zmienia spojrzenie na dany problem oraz na jego potencjalne rozwiązanie. Używając algorytmów dążymy do jak najmniejszej ilości i jak najprostszej postaci instrukcji, dzięki czemu algorytm staje się bardziej efektywny. Identycznie jest w przypadku przekazywania wiedzy. Jedyny problem jaki może się pojawić, to późniejszy rozwój nauki. Niebezpieczeństwo polega na tym, że jeśli uczymy się konkretnego rozwiązania problemu, może to ograniczyć umiejętność szerszego spojrzenia, gdyż możemy zamknąć się w pewnym schemacie myślenia. Niebezpieczeństwo to można jednak znacznie ograniczyć, jeśli każdy krok algorytmu zostanie dokładnie opisany i rozwinięty, tak by zobaczyć pewne mocne i słabe strony nie tylko jednego konkretnego rozwiązania, ale wielu różnych, o ile takie istnieją. Pozwoli to na dogłębne zrozumienie problemu i możliwość rozwoju jakiegoś rozwiązania w kierunku, który jest dla nas istotny.
— Używając algorytmów dążymy do jak najmniejszej ilości i jak najprostszej postaci instrukcji, dzięki czemu algorytm staje się bardziej efektywny. Identycznie jest w przypadku przekazywania wiedzy.
Tu jako wieloletni dydaktyk miałbym wątpliwości :). Czy faktycznie jest tak, że przekazując wiedzę, powinniśmy dążyć do niezbędnego minimum wyjaśnień lub instrukcji. Z mojego doświadczenia wynika, że jest inaczej. Aby uczeń dobrze zrozumiał temat, należy objaśnić go wielokrotnie i z różnych stron, omówić wiele różnorodnych przykładów, rozwiązać szereg podobnych zadań…
A zatem, nawet jeśli przekazywana treść winna mieć zwartą i maksymalnie ścisłą postać (co jest uzasadnione np. w przypadku matematyki i dziedzin zmatematyzowanych), to „algorytm” prowadzący do jej zrozumienia przez odbiorcę nie powinien być nazbyt minimalistyczny (jak sugeruje Krzysztof).
Być może w ogóle nie powinien to być algorytm.
Pisząc swoją wypowiedź patrzyłem pod kątem nauki informatyki i mam zamiar podtrzymać taką konwencję swojej wypowiedzi. Być może zbyt ogólnie odniosłem się do upraszczania i przekazywania wiedzy, jednak miałem na myśli fakt, że wiedza powinna być przekazywana w jak najprostszy i jak najbardziej zrozumiały sposób oraz bez zbędnych informacji lub dygresji, które są tylko „ciekawostkami”, a nie mają związku z realnym problemem i z tym czego chcemy się nauczyć. Oczywiście wiedza ogólna jest potrzebna i nie sugeruję tutaj ograniczania rozwoju w różnych kierunkach, jednak czas w branży informatycznej często jest bardzo mocno ograniczony i uważam, że powinno się skupiać na najistotniejszych elementach, dzięki którym później jesteśmy w stanie sami dalej się rozwijać, mając najważniejszą bazową wiedzę. Czy ma to jakiś związek z algorytmicznym podejściem? Myślę, że tak, ponieważ właściwe nauczenie podstaw w odpowiedniej kolejności jest bardzo istotne. Przykładem potwornej niekonsekwencji jest nauka trygonometrii w liceum na fizyce, zanim pojawia się ona na matematyce. Innym przykładem jest zaczynanie nauki programowania od prostego języka, który teoretycznie powinien ułatwić naukę, ale jednocześnie może uczyć złych nawyków i nie jest łatwo zacząć pisać w języku trudniejszym. Więc być może powinien istnieć pewien algorytm, który po prostu szereguje pewne zagadnienia tak, by tworzyły one spójną całość.
Z drugiej strony istotne jest również co później chcemy robić i jakie są nasze cele. Być może nauka tego, co „jest pod spodem” nie jest konieczna, bo po prostu wykorzystujemy to, co już zostało stworzone? Czy konieczne jest wymyślanie na nowo tego, co już ktoś wymyślił? Ciekawym przykładem mogą być sposoby sortowania. Czy lepiej wiedzieć jak napisać każdy z nich, czy może lepiej świetnie znać biblioteki i korzystać z gotowych funkcji napisanych przez innych programistów (prawdopodobnie lepszych od nas)? Tak naprawdę, w praktyce najważniejsze jest to, żeby wiedzieć, kiedy danego sposobu sortowania użyć i jak je zaimplementować w kodzie, tak żeby program działał jak najbardziej wydajnie, niezależnie czy samo sortowanie zostało napisane przez nas czy przez kogoś. Oczywiste jest, że najlepiej „wiedzieć wszystko”, jednak informatyka jest zbyt rozległą dziedziną i zbyt szybko się rozwija, by móc nauczyć się wszystkiego, dlatego trzeba pójść na pewne kompromisy. Uważam, że powinno się używać algorytmów czy może lepiej nazwać je pewnymi schematami nauki, by umożliwić pójście w danym kierunku i specjalizacji w jakiejś dziedzinie, a nie uczyć się „wszystkiego i niczego”. Przez algorytm nauczania rozumiem przemyślany, konsekwentny i zgodny z pewnym zamysłem plan nauczania, którego celem jest przekazanie najważniejszych informacji potrzebnych do późniejszego samorozwoju w danej dziedzinie.
Myślę, że oba podejścia są możliwe do zastosowania w przekazywaniu wiedzy przy zastosowaniu ich na dwóch różnych płaszczyznach.
Wychodzę z założenia, że minimalizacja instrukcji oraz zmiennych zamieszczonych w zadaniu jest, w szczególności na samym początku, niezbędna do klarownego przedstawienia problemu. Na tym etapie nie ma miejsca na kreatywność, jeżeli osoba chcąca zagłębić się w dany temat nie pozna wpierw zasad/schematów/algorytmów rządzących w tejże materii. Wtedy, dodając kolejne elementy z danego zagadnienia, dojść można do momentu, w którym uczeń potrafi formułować problemy na podstawie zdobytej wiedzy i abstrahować konkretne zjawiska (z naciskiem na „na podstawie zdobytej wiedzy”, bo przecież każdy z nas wykształcił pewną intuicję, a pytanie „Dlaczego?” nie wymaga żadnego zaplecza teoretycznego). Z kolei wykrystalizowanie zasad w pewnej dziedzinie jest owocem wieloletniej pracy, nie rzadko, ludzi genialnych (np. rachunek różniczkowo-całkowy – I. Newton/G. Leibniz; OTW, STW – A. Einstein) stąd próba wymyślenia koła na nowo jest, co najmniej, stratą czasu.
Sądzę, że miejsce na własną inwencję tworzy się dopiero wtedy, gdy uporządkowany zostanie bezmiar możliwych hipotez jakie kłębić się mogą w głowach ludzi nieoswojonych z tematem. Wtedy kolejnym krokiem może być dobudowywanie nowych elementów danej dziedziny i objaśnianie ich z różnych stron, w celu umożliwienia uczniowi wykształcenia pewnej swobody w poruszaniu się pośród jej zagadnień.
Odnosząc się do hierarchii pojęć poznawczych (dane, informacja, wiedza oraz mądrość), można zauważyć, że poznanie jest tym bliższe mądrości, im szerzej jest stosowalne. Dane same w sobie nie stanowią źródła mądrości, ale kiedy stworzymy jakiś ogólniejszy model, wewnątrz którego te dane czy obserwacje są spójne, możemy dojść do pewnej wiedzy. Zauważamy więc, że cenne są metody ekstrakcji czy ekstrapolacji dodatkowych informacji z jakiegoś zbioru danych. Formalnym zapisem takiej metody lub sposobu postępowania są właśnie algorytmy. Algorytmiczne podejście do zapisywania i przetwarzania danych wydaje się być zatem cenną metodą, dzięki której możemy zdobyć nowe informacje czy wiedzę. W istocie, takie formalizmy znajdują już zastosowanie w programowaniu logicznym (np. w języku Prolog), gdzie po zdefiniowaniu faktów oraz reguł, możemy zautomatyzować proces wnioskowania i szybko dochodzić do nowych informacji. Innym przykładem mogą być systemy wspomagające dowodzenie twierdzeń typu Coq lub – bardzo popularne w obecnych czasach – metody uczenia maszynowego. Automatyzowalność tego zadania wydaje się być szczególnie cenna w czasach, w których mamy dostęp do ogromnych ilości informacji. Dodatkowo, dzięki formalnemu podejściu do przetwarzania, mamy pewność, że proces ten został przeprowadzony poprawnie i nie dochodzimy do wniosków nieprawdziwych.
Metodyka ta jednak wydaje się być jednak ograniczona i powinna być raczej rozpatrywana jako pomoc w rozwoju nauki, a nie jako jej główna metoda. Na chwilę obecną pomysłowość umysłów ludzkich wydaję się być niezastępowalna żadną metodą algorytmiczną.
W kwestii wpływu na kulturę, można argumentować, iż dostępność metod zdobywania wiedzy z danych motywuje do ich zbierania. Efektem tego może być nadmierna inwigilacja, zbieranie danych o użytkowniku, w celu personalizowania reklam i inne podobne temu zjawiska, widoczne w kulturze.
W świecie nauki zaś, uniwersalność i często wysoka skuteczność na przykład metod nauczania maszynowego może „rozleniwiać” badaczy i odciągać od rozwijania innych, „klasycznych” metod realizacji danego zadania, które potencjalnie mogłoby być lepsze i dawałoby większe zrozumienie danej dziedziny. W ramach przykładu można przytoczyć dowód twierdzenia o czterech barwach, do przeprowadzenia którego wykorzystano komputery, sprawdzające dużą liczbę przypadków. Dowód ten nie uchodzi za elegancki i nie pogłębił znacząco wiedzy matematycznej.
Odnośnie wykorzystywania w nauce różnych metod automatycznego uczenia się (machine learning) mam pewne drobne spostrzeżenie.
Napisał Pan:
„… dzięki formalnemu podejściu do przetwarzania, mamy pewność, że proces ten został przeprowadzony poprawnie i nie dochodzimy do wniosków nieprawdziwych.”
W przypadku większości metod typu machine learning, tak nie jest. Nie stosuje się tam wnioskowań dedukcyjnych, które gwarantują uzyskiwanie prawdziwych wniosków na podstawie prawdziwych przesłanek (tak jak w przypadku automatycznego dowodzenia twierdzeń), lecz stosuje się często metody inne, np. probabilistyczne czy indukcję. Te metody są wprawdzie realizowane niezawodnie (bo ich realizacją kieruje bezbłędny algorytm), nie zawsze jednak prowadzą do prawdziwych wniosków.
Zauważmy jednak, że w nauce — niekoniecznie wykorzystującej metody informatyczne – sytuacja wygląda podobnie. Dążymy do prawdy, przybliżamy się do niej, ale wysuwając i uzasadniając różne hipotezy, nie mamy najczęściej pewności, czy są prawdziwe.
Być może algorytmiczne metody uczenia się czyli automatycznego generowania nowej wiedzy na podstawie obserwacji, pomiarów, przykładów… natchną Państwa do jakichś nowych uwag.
Zaciekawił mnie temat dotyczący machine learning do którego się Pan odniósł. Takie algorytmy bardzo rzadko dają idealne wyniki, jednak w większości przypadków sprawdzają się bardzo dobrze. W stosunkowo krótkim czasie można uzyskać wynik tak bliski dokładnemu, że można go uznać za optymalny. Niebezpieczeństwo tych algorytmów polega na tym, że czasami utknie on w ekstremum lokalnym i nie potrafi z niego wyjść, by przejść do ekstremum globalnego. Myślę więc, że może być podobnie w przypadku pewnych schematów nauczania, które mogą nas zamknąć na możliwość dalszego rozwoju. Oczywiste jest jednak, że dobry algorytm służący do machine learningu, radzi sobie z wyjściem z ekstremum lokalnego, więc tak samo dobry algorytm nauczania, powinien dawać możliwość rozwoju.
Algorytmiczne podejście do rozwiązywania problemów i zdobywania wiedzy jest bardzo przydatnym narzędziem, które pozwala na szybszy rozwój. Przede wszystkim daje ono możliwość głębszego zrozumienia danego zagadnienia, a także pomaga w jego przekazywaniu. Ta zaleta jest widoczna praktycznie w każdej dziedzinie naszej kultury, gdzie algorytmy pozwalają skutecznie formalizować wszelakie operacje.
Algorytmiczne zapisywanie i przekazywanie wiedzy wpływa również na tworzenie się pewnych schematów, dzięki którym pozyskana wiedza nie musi być na nowo zdobywana. Niesie to ze sobą różnorakie zalety, czego przykładem może być chociażby oszczędzony czas, jaki trzeba byłoby przeznaczyć na ponowne szukanie rozwiązania. Jednakże w tej samej własności jest ukryta również szkodliwość, powodująca zabijanie kreatywności osób stawianych przed danym problemem. W tym wypadku, lenistwo odbiorcy może doprowadzić do mechanicznego powtarzania algorytmu pozbawionego analizy jego działania, co rodzi wiele zagrożeń, z których najpoważniejszymi są możliwość manipulacji odbiorcą, a także niemożność rzetelnego przekazania wiedzy na dany temat.
Dodatkowo, algorytmizacja pewnych zagadnień zawsze wiąże się z ich częściową automatyzacją. To kolejna cecha tego zjawiska, która wpływa na kulturę w znaczący sposób. Z jednej strony przyspiesza wiele czynności, czego przykładem mogą być linie produkcyjne, które spowodowały znaczący wzrost produkcji danego dobra. Z drugiej zaś, po dzień dzisiejszy, wiele gałęzi przemysłu dalej potrzebuje człowieka jako istoty decyzyjnej przy pewnych procesach. Wiąże się to z ograniczeniami jakie niosą ze sobą algorytmy – zdarzają się przypadki, w których rozwiązania istnieją pomimo braku możliwości stworzenia algorytmu.
— podejście algorytmiczne daje możliwość głębszego zrozumienia danego zagadnienia
Czy mógłby Pan to rozwinąć… Na czym polega owo głębsze zrozumienie? Czy mógłby Pan wskazać konkretne przykłady zagadnień, w przypadku których dokonało się głębsze zrozumienie?
Próba algorytmizacji pewnych procesów pozwala lepiej zrozumieć ich wewnętrzne działanie. Niektóre naturalnie występujące zjawiska ciężko opisać za pomocą jakichkolwiek narzędzi. Wtedy ich formalizacja, choć uciążliwa, może przynieść nieoczekiwane korzyści, np. w postaci odkrycia nowych właściwości danego zjawiska, o których istnieniu nie miało się pojęcia przed formalizacją.
Ciekawym przykładem, dobrze wyjaśniającym poprzedni akapit, jest analiza skutków algorytmizacji obserwowana na przecięciu dwóch gałęzi nauki – sztucznej inteligencji oraz neurobiologii. Pierwsze sieci neuronowe czerpały swoje podstawy ze zdobytej przez neurobiologię wiedzy. To na niej były opierane założenia pozwalające projektować i tworzyć pierwsze sieci. Początkowy rozwój tej dziedziny był powolny ze względu na trudności w formalizacji wielu zjawisk, jakim sztuczna inteligencja powinna podlegać. Jednakże rozwijanie tego zagadnienia sprawiło, że dzisiaj sztuczna inteligencja jest powszechnie wykorzystywana w wielu gałęziach przemysłu i różnych innych dziedzinach nauki – w tym w neurobiologii! Okazało się bowiem, że podczas tworzenia algorytmów rozwijających sieci neuronowe, programiści wielokrotnie natykali się na problemy, których ówczesna medycyna nie umiała jeszcze wyjaśnić. Najoptymalniejsze rozwiązania zaprojektowane przez programistów, które pozwalały pchać rozwój ich dziedziny do przodu, były wcześniej wykorzystywane w procesach ewolucyjnych odpowiedzialnych za rozwój umysłu człowieka. Dzięki temu, wiedza uzyskana w ten sposób pomogła nie tylko w dalszym rozwoju sztucznej inteligencji, ale nieraz nakierowała naukowców zajmujących się neurobiologią na nowe odkrycia czy też pomogła im wyjaśnić wcześniej nierozumiane procesy.
Czy jednak Osobom żyjącym z „uprawiania nauki” zależy na tym by ich dziedzina zyskała dojrzałość w takim rozumieniu ( „dyscyplina uzyskuje postać dojrzałą wówczas, gdy powstaje w jej obrębie pewien schematyczny rachunek pozwalający z powodzeniem stosować metodę algorytmiczną”) ?
Wskazówką mógłby być odzew specjalistów od nauk prawnych wobec propozycji Andrzeja Malca (stworzenia narzędzi dla algorytmizacji stosowania przepisów) opisanych m . in. w książce przedstawionej w blogowym wpisie.
Kiedyś robotnicy niszczyli maszyny przemysłowe – może niedługo stosujący nauki prawne, medyczne, techniczne…informatyczne (!!!) będą protestować przeciwko bezdusznym algorytmom niezawodnie realizującym najracjonalniejsze drogi rozwiązania problemów, z którymi do tej pory ścierała się śmietanka intelektualna?
Może administratorzy sztucznych systemów (automatycznie diagnozujących się, konserwujących się, i dostosowujących się do życzeń swych właścicieli) zamiast „learn to code”, będą polecać starającym się znaleźć źródło utrzymania naukę jakiegoś fizycznego „fachu”, opieki nad domem, dziećmi, niepełnosprawnymi…? – Czegoś co nie tak prosto zautomatyzować jak dziedziny objęte ścisłą formaliazcją.
Może i na „przodku” nauki „fedrować” tajemnice Rzeczywistości będą nieustępliwe zautomatyzowane systemy generowania nowej wiedzy, testowanej niestrudzenie przez algorytmicznie niezawodne mechanizmy weryfikacji i wdrażania w ramy systemu nie-ludzkiej mądrości?
Może to jedyna droga gdy „dążymy do prawdy” – nawet takiej, której my już nie pojmiemy?
Nie chcę straszyć wizją upadku potęgi ludzkiego Umysłu. Ludzkość tworzy wiedzę, dzięki której może zaspokajać swoje potrzeby – automatyzacja (zdobywania jej i stosowania) nie byłaby chyba niczym złym, gdyby dostęp do jej zasobów był powszechny (?)
Teza o tym, że algorytmiczne podejście do przekazywania wiedzy wpływa na brak rozwoju takich cech jak kreatywność, czy umiejętność nieszablonowego rozwiązywania problemów wydaje mi się jednoznacznie prawdziwa. Podając uczniowi gotowy algorytm jako remedium na jakiś problem, pozbawiamy proces rozwiązywania go zasadniczej fazy, czyli rozważań nas sposobem jego rozwiązania. Jest to sytuacja w pewnym sensie sztuczna, jako że w rozważaniach dotyczących codzienności i przy podejmowaniu zwykłych życiowych wyborów często pozbawionym jest się tego rodzaju algorytmicznej solucji. Możnaby więc twierdzić że algorytmiczne podejście do nauczenia, mimo że pozwala na szybszą naukę sposobów rozwiązywania problemów danej dziedziny, w rzeczywistości upośledza odbiorców edukacji przedstawiając im sposób rozwiązywania problemów, który jest nie do zastosowania w dorosłym życiu i zwyczajnym funkcjonowaniu. Upośledzenie to może następować również w innym rozumieniu – tego typu sposób nauczania może zniechęcać do refleksji nad swoim życiem/funkcjonowaniem dając złudzenie że w kwestiach np. planowania swojego życia zastosować można podejście algorytmiczne tj. że istnieją optymalne ścieżki rozwoju, które pozwalają osiągnąć szczęście czy satysfakcję. Przykładem takiego algorytmu jest droga szkoła->studia->stała praca->założenie rodziny. Rzeczywistość jednak często wymyka się tego typu uproszczeniom i wiele osób po czasie orientuje się, że w rzeczywistości nigdy nie panowało nad swoim życiem i nie było w istocie wolnymi, a po prostu realizowało dany algorytm dając ponieść się potężnej sile inercji, której przezwyciężenie po wejściu na jasno określoną życiową ścieżkę jest często bardzo trudne.
To, że z tego typu system edukacji spotykamy się obecnie w Polsce widać dobrze na przykładzie matur i testów. Uczą one uczniów w sposób zdecydowany, że kombinowanie właściwie się nie opłaca. Niezastosowanie algorytmu do rozwiązania postawionego problemu może skończyć się nietrafieniem w klucz i utratą cennych punktów. Niealgorytmiczne podejście do nauki do egzaminów jest poza tym zwyczajnie nieopłacalne czasowo. Nie ma sensu poznawać jakiejś dziedziny w sposób ogólny przygotowując się do egzaminu, kiedy zadania są do siebie bardzo podobne i schematyczne. Przykładem może być tu matura z matematyki. Połowa zadań jest co roku taka sama i najlepszym sposobem na nauczenie się do tego egzaminu nie jest czytanie podręczników matematycznych, a ciągłe wykonywanie zadań ze zbiorów przygotowawczych, w celu wytworzenia, mniej lub bardziej świadomie, algorytmów służących do rozwiązywania danego typu zadań. Twierdzę więc, że algorytmiczne podejście do edukacji prowadzić może do mocnego spłycenia spektrum rozważań przeciętnej osoby oraz zatracenia umiejętności radzenia sobie z wieloma problemami.
Pytanie, czy sytuacja ta jest jednak jednoznacznie negatywna. Rozważyć ją można z dwóch perspektyw – indywidualnej oraz społecznej. Zejście jednostki z utartej drogi może często skończyć się w sposób dwojaki – spektakularnym sukcesem lub upadkiem. Niedostowanie życiowe z kolei może być łagodzone poprzez opiekuńczą działalność państwa oraz nie objawiać się nader widocznie w przypadku redukcji życia do minimum, gdzie jedynym wyborem jest wybór miejsca wyjazdu na wakacje i artykułów spożywczych na obiad (nie objawiać się w kwestii zaburzeń codziennego funkcjonowania jednostki). W kwestii społecznej należałoby zastanowić się, jacy ludzie w większości potrzebni są do funkcjonowania społeczeństwa – ludzie kreatywni i pomysłowi, czy ludzie umiejący w sprawny sposób realizować powierzone im jasno określone zadania. Pytanie to można zadać zarówno w kwestii optymalnego funkcjonowania społeczeństwa, jak i jego stabilności (ludzie mało pomysłowi i mało refleksyjni wydaja się stanowić mniejsze zagrożenie dla ustanowionego porządku społecznego).
Algorytmizacja towarzyszy mi na studiach już od samego początku, zawsze staram się wychodzić po za schematyczne uczenie. Jednak w natłoku kilku egzaminów na przestrzeni krótkiego okresu czasu, zawsze o wiele łatwiej było wyuczyć się danego schematu rozwiązywania niż zrozumieć dane zagadnienie najczęściej matematyczne i rozwiązywać je z pełną świadomością. Na przestrzeni tych 3 lat studiów widzę jakie konsekwencje niesie za sobą taka nauka, nazwałbym ją „pustą” nauką, ponieważ wpisuje się ona idealnie w zasadę ZZZ (Zakuj, Zapisz, Zapomnij). Wiele z zagadnień opracowanych i zaliczonych właśnie w taki sposób w przeszłości, teraz często muszę jeszcze raz przerabiać, ponieważ po prostu ich nie rozumiem, bądź nie pamiętam.
Oczywiście nauka taka nie jest kompletnie bezużyteczną, choćby schematyczne rozpracowanie tematu pozwala na bieglejsze jego późniejsze zgłębienie. Na pewno dużo prościej jest zrozumieć, wrócić do danego materiału, jeśli już wcześniej znało się choćby tylko algorytm rozwiązywania go. Osobiście myślę, że zmuszony często właśnie terminami nie ucieknę od tego sposoby uczenia się do egzaminów.
Myślę, że w moim przypadku i przypadku wielu innych studentów ważne jest by w trakcie uczenia rozpoznawać i zdawać sobie sprawę z tego kiedy nauka jest „pusta”, a kiedy prowadzi do większego zrozumienia. Tak by przypadkiem po roku nie pochwalić się, jaki to ja mocny nie byłem z tamtego przedmiotu, a zapytany o podstawowe twierdzenia nie musieć chować głowy w piasek.
Moim zdaniem, objawia się tutaj jeden z problemów algorytmizacji w nauce, jakim jest konieczność zapamiętania całego algorytmu. W przypadku gdy zapomniana lub pominięta zostanie pojedyncza instrukcja – część algorytmu, cały algorytm staje się bezużyteczny. Bez zrozumienia tematu niemal niemożliwe jest wtedy odtworzenie oryginalnego algorytmu. Zgodzę się ze stwierdzeniem, że podejście algorytmiczne bardzo się przydaje do rozwiązania prostych zadań i zdawania egzaminów. Ważne jest jednak żeby pamiętać, iż nie można tego podejścia zastosować w chwili gdy potrzebne jest wymyślenie własnego rozwiązania danego problemu. Aby rozwiązać problem w nowym środowisku z jakim nikt dotąd się nie spotkał, lub nie mamy dostępu do algorytmu stworzonego przez kogoś, należy ten algorytm samemu wymyśleć. Opracowanie algorytmu natomiast jest możliwe tylko w przypadku gdy dane zagadnienie jest przez nas dobrze zrozumiane i opracowane.
Ja bym spojrzał na ten temat z odwrotnej strony. Czy nie zdarzyło się wam podchodząc do danego tematu z narzuconym już algorytmem dopiero wtedy go zrozumieć? Najprostszy możliwy przykład z przedmiotu Analiza Matematyczna gdzie ja, ale myślę że też wielu innych studentów zrozumiało czym w rzeczywistości jest Całka idąc krok po kroku po nakreślonej ścieżce. Oczywiście można zastosować dwa wzory na krzyż i rozwiązanie gotowe ale pozbawiamy wtedy nasz umysł możliwości zrozumienia. Oczywiście ten trywialny przykład można rozszerzyć na wiele innych dziedzin nauki i życia- idąc krok po kroku przez nakreślony wcześniej algorytm jesteśmy w stanie zrozumieć zagadnienie, poszerzyć wiedzę a może i ulepszyć algorytm którym wcześniej podążaliśmy tak aby był jeszcze skuteczniejszy. Zadam więc pytanie w zupełności odwrotne do postawionej przez Ciebie tezy. A może to bez algorytmu niemożliwe jest zrozumienie tematu?
Można rzec, że algorytmy, a raczej schematyzacja wykonywanych zadań istniały od czasów przed komputerem i tworzenie ich pozwalało na szybsze zrozumienie czynności potrzebnych chociażby do codziennej pracy. Jednakże wiązało to ze sobą pewne zagrożenia – mianowicie osoby niedoświadczone, które całą swoją wiedzę czerpały z, że tak powiem, swoistej instrukcji, mogły nie potrafić reagować na chociażby najmniejsze odstępstwa, a co za tym idzie spowalniało to ich pracę.
Wydaje mi się, że taką sytuację mamy także w dzisiejszych czasach i stwierdzenie czy wpływ algorytmu na życie codzienne jest pozytywne czy negatywne jest niemożliwe. Algorytmizacja codzienności ułatwia ją, ale jednocześnie może ją prymitywizować, co z kolei wpływa na jakość naszego życia – dla ogółu prostota może być czymś przyjemnym. Ułatwianie nieopuszczania strefy komfortu jest na pewno przyjemne, ale degradujące i może w najbardziej skrajnych wypadkach powodować chociażby ruchy społeczne, które szukają czegoś nowego w swojej codziennej egzystencji.
Zaryzykowałbym też stwierdzenie, że w przypadku nauki mamy podobną sytuację – automatyzacja procesów a także schematyzacja pozwala uprościć niektóre czynności, ale zbytnie poleganie na niej może powodować ograniczenie kreatywności. Jednakże jeżeli kosztem ograniczenia kreatywności niektórych jednostek można spowodować duży wzrost osób zajmujących się badaniem w danych dziedzinach to takie ryzyko wydaje mi się być uzasadnione i w efekcie powodować stymulację rozwoju nauki – ponieważ im więcej osób zadaje sobie to samo pytanie, tym więcej różnych odpowiedzi i teorii można uzyskać.
Osobiście uważam, że nauka bez zastosowania algorytmów była by wysoce nie efektywna. Bez segregowania i uporządkowania danych dobra nauka młodych pokoleń była by wręcz niemożliwa. Wiedzę trzeba przekazywać odpowiednimi partiami inaczej nikt nic by z tego nie zapamiętał.
Z drugiej strony należy pamiętać, że zbytnie schematyzowanie także nie jest odpowiednie, jeśli na wszystko będą tabelki i paragrafy nie zostanie miejsca na kreatywność i samorozwój co tylko zniechęci uczniów do dalszego poznawania wiedzy.
Osobiście zgodziłbym się z twierdzeniem, że algorytmizacja zdobywania wiedzy jest czymś pożądanym. Należałoby jednak stosować ją przy z umiarem przekazywaniu , aby uniknąć wrażenia „suchej teorii” ze strony odbiorcy. Początek procesu przyswajania nowej wiedzy na dany temat powinien być prosty i przystępny, aby pozwolić na indywidualne rozważenie bardziej skomplikowanych problemów. Dalsze pogłębienie wiedzy powinno mieć charakter bardziej praktyczny i samodzielny, bo tylko „aktywnie”zdobyta informacja zostanie z nami na dłużej i posłuży nam lepiej przy ewentualnych przedsięwzięciach.
Uważam, że algorytmizacja może mieć pozytywny wpływ na rozwój nauki poprzez wpływ na edukację jej nowych adeptów. Algorytm jako jasno określony ciąg elementów, w tym przypadku do przyswojenia, pozwala okiełznać bezmiar wiedzy, poznać ją w sposób uporządkowany, co moim zdaniem znacznie ułatwia zapamiętywanie. Nie jest to oczywiście pomysł nowy, w końcu w każdym podręczniku materiał podzielony jest na rozdziały, które domyślnie czytamy w ustalonej kolejności. Trudno szukać lepszego przykładu niż „Elementy” Euklidesa, które były wykorzystywane jako podręcznik jeszcze w XIX wieku, w których to zapoznajemy się z kolejnymi, coraz bardziej złożonymi dowodami. Ogólnie w edukacji stosowane są programy nauczania, które nie są niczym innym jak algorytmem wykonującym się przez cały rok szkolny. Oczywiście należy zaznaczyć, że nie wolno zapominać o rozwijaniu umiejętności twórczych podczas procesu edukacji oraz że każdy człowiek jest inny, co niesie za sobą potrzebę nadania tym algorytmom ludzkiej twarzy. Każdy ma własne tempo nauki i własne zainteresowania. Dla jednych dane zagadnienie będzie oczywiste, a dla innych trudne i będą potrzebowali poświęcić mu więcej czasu. Staramy się odpowiedzieć na te wyzwania osobą nauczyciela i różnymi pomocami naukowymi, które pomagają uczniom zrozumieć wiedzę zawartą w książkach, ale jak dobrze wiemy debaty na temat prób poprawienia obecnych algorytmów i co ważniejsze doboru samego materiału nauczania, ciągną się i najpewniej będą się ciągnąć jeszcze przez długi czas.
Chciałbym jeszcze wspomnieć o ogólnej zalecie zapoznania się z podejściem algorytmicznym w życiu codziennym. W końcu umiejętność spojrzenia algorytmicznego wymaga rozłożenia danego procesu na czynniki pierwsze, czyli zanalizowania go, co często daje nam dodatkową perspektywę i możliwość łatwego dostrzeżenia mocnych i słabych stron. Sądzę, że upowszechnienie się komputerów i choćby pobieżne zapoznawanie się ze sztuką programowania w toku edukacji, pomaga ludziom w rozwiązywaniu ich codziennych problemów i wspiera w rozważnym podejmowaniu decyzji.
Myślę że algorytmizacjia jest procesem nieuniknionym. Ponieważ cały czas tworzymy nowe technologie do obsługi których nie musimy znać wszystkich procesów które w nim zachodzą. Dla przykładu weźmy ogniwa litowo-jonowe. Wielu ludzi (inżynierów, majsterkowiczów) używa ich w swoim projektach ponieważ są bardzo dobrym przenośnym źródłem energii, a jestem wręcz pewien że co najmniej połowa nie zna w pełni zachodzących w nich procesów chemicznych. Innym przykładem są komputery ponieważ ile osób tak wie jak działa procesor, a z komputerów korzysta większość ludzi miedzy innymi naukowcy którzy prowadzą badania z innych dziedzinach nauki.
Z drugiej strony aby ulepszyć lub stworzyć nowe ogniwo trzeba znać i rozumieć te procesy.
Podsumowując uważam że algorytmizacja wiedzy jest potrzebna aby każdy kto pracuje nad eksperymentem lub projektem mógł się skupić nad nim, a nie na działaniu narzędzi których używa. Jednak też nie możemy porzucać wiedzy w postaci „czystej” ponieważ na jej podstawie powstał powyższy eksperyment lub projekt.
Moim zdaniem algorytmizacja w nauce jest procesem w pewnym stopniu niepożądanym, jeśli chcemy budować społeczeństwo świadome i myślące. Potrzebna jest nauka w jaki sposób opracowywać algorytmy oraz pokazanie przykładów jak dane algorytmy działają. Bezsensowne powtarzanie schematów nie przyczynia się rozwojowi nauki. Aby rozwijać w ludziach myślenie nauczyciele nie powinni wykładać samej teorii lub dawać gotowe rozwiązania problemów. Nauka rozwija się przez kreatywność ludzi myślących nad danymi problemami i tę umiejętność należy ćwiczyć aby osiągnąć naukowy sukces. Moim zdaniem, najlepszym sposobem na wychowanie nowego pokolenia naukowców jest stawianie ich przed problemami które ktoś kiedyś już rozwiązał (np. zadanie stworzenia prostej maszyny parowej po wyjaśnieniu teorii) i pomaganie im w stworzeniu rozwiązania danego problemu. Pokazując gotowe schematy i suchą teorię nie jest możliwe wyćwiczenie umiejętności samodzielnego rozwiązywania problemu.
Chciałbym zaproponować trochę inne podejście. Według mnie algorytmizacja nauki jest procesem bardzo ważnym i kluczowym jeśli chodzi o przekazywanie wiedzy. Na podstawie własnego doświadczenia ze szkoły bądź studiów najlepiej wspominam te przedmioty i zajęcia gdzie przekazywana wiedza była dobrze uporządkowana. Jeśli zarzucimy odbiorcę informacjami, które nie są uporządkowane według jakiegoś schematu bądź algorytmu to może on mieć problem ze zrozumieniem czego tak naprawdę dotyczy omawiany temat. Odbiorca, który dostaje wiedzę zgodną z jakimś algorytmem, będzie mógł zrozumieć tok rozumowania twórcy(ów) danej dziedziny. To, że uczymy się wiedzy uporządkowanej w jakiś sposób nie oznacza, że zmuszeni jesteśmy ślepo podążać w jakimś kierunku. Ułatwia nam to zrozumienie danej dziedziny, a nie ogranicza w wystosowaniu własnych wniosków. W rzeczywistości nauka cechuje się tym, że różne jej dziedziny przenikają się, pokazują różne toki rozumowania, ale jednocześnie się nie wykluczają.
Pingback: Między wiedzą “jak” i wiedzą “dlaczego”. Kontekst algorytmiczny. | Cafe Aleph
Według mnie algorytmizacja nauki jest procesem pożądanym. Ułatwia ona zdecydowanie proces zdobywania, zapisywania i przekazywania wiedzy.
W dzisiejszych czasach wiele problemów wymaga wiedzy interdyscyplinarnej. Niestety wiedza jest tak obszerna, że jedna osoba zwykle jest specjalistą w jednej lub dwóch dziedzinach. Algorytmizacja pozwala na zrozumienie nowego tematu w najkrótszym czasie i bez potrzeby posiadania obszernej wiedzy. Jeśli jednak algorytm jest niewystarczający zawsze można sięgnąć po pełną, niezalgorytmizowana wiedzę z danej dziedziny. Tutaj poprzednia znajomość algorytmu może pomóc się po niej przemieszczać i skrócić czas potrzebny do znalezienia szukanego przez nas problemu.
Może to prowadzić do tego, że algorytmizacja zmniejsza nasze kreatywne myślenie. Jednakże samo stworzenie algorytmów wymaga pełnego zrozumienia tematu, który jest algorytmizowany oraz umiejętności tworzenia jasno zrozumiałych algorytmów. Do tego potrzebni są wykwalifikowani specjaliści.
Algorytmizacja jednak nie pomoże nam we wszystkim. Każdy nowy problem czy wynalazek będzie potrzebował wkroczenia na nową, nieodkrytą ścieżkę nauki. Dla człowieka, które całe życie spędził wśród algorytmów może być to wielkim problemem. Dlatego należy uczyć ludzi zdobywania, zapisywania i przekazywania wiedzy nie tylko za pomocą algorytmów.
Zdaje się, że to pytanie można podzielić na co najmniej na dwie, a być może nawet trzy części. Na początek skupię się na tej łatwiejszej, czyli zapisie wiedzy. Tutaj moim zdaniem podejście algorytmiczne jest jak najbardziej pożądane i powinno być stosowane. Poczynając od danych, dla każdego raczej logiczne jest, iż spójny, czytelny, sformalizowany oraz akceptowalny przez wszystkich sposób zapisu jest kluczem do sprawnego i jednoznacznego ich późniejszego odczytu. Po danych przechodzimy do informacji, a dalej do wiedzy. Tutaj też, stosowanie się do znanych wszystkim instrukcji i schematów zaowocuje, że zapisana wiedza będzie łatwiejsza do odczytania i zrozumienia dla osób jeszcze niezaznajomionych z tematem, przyszłych pokoleń, a nawet ludzi, których oddziela od tego zapisu pewna bariera językowa. Zdaje mi się, że w przypadku zapisu jedynym problemem algorytmicznego podejścia jest fakt, że gdy społeczeństwo zaczyna odkrywać nowe obszary wiedzy, nabywa nowych narzędzi zapisu i ilustracji, może się okazać, że potrzeby i możliwości zaczynają wykraczać poza normy spisane w algorytmach, instrukcjach i przyjętych konwencjach. Tutaj jednak problemem nie jest samo algorytmiczne podejście, a przestarzały algorytm, który w takim wypadku należy zaktualizować i dopasować do potrzeb, przecież w końcu taka jest rola algorytmu, ma on ułatwiać i służyć człowiekowi, a nie utrudniać mu życie.
Sprawa komplikuje się jednak w przypadku zdobywania i przekazywania wiedzy. Jak wspomniał jeden z komentujących, odpowiednie uporządkowanie, przekazywanie wiedzy w dobrej i sensownej kolejności jest szalenie istotne z perspektywy osób odkrywających obszary wiedzy, uczących się nowych umiejętności itp. Porwałbym się nawet na stwierdzenie, że nieodpowiednie uporządkowanie i chaotyczny sposób przekazywania informacji oraz nieusystematyzowany proces nauki jest najważniejszym powodem porażek ponoszonych przez uczniów i studentów od wielu wieków na całym świecie. Jeszcze przez długie lata będę ubolewał nad bezsensem panującym w polskiej szkole, gdzie na fizyce dzieci są „zmuszane” do rozwiązywania zadań pokątnymi metodami podstawiania danych, zgadywania itp., zanim na matematyce zostaną rzetelnie wprowadzone równania i sposoby ich rozwiązywania. Ba, nawet na tej samej matematyce w pierwszych klasach uczy się rachowania, a dzieci nie rozumieją sensu znaku równości wielokrotnie „dodając i odejmując” kolejne operatory po prawej stronie znaku/ów równości w jednej bardzo długiej linijce. Jednak czy jest to problem samej algorytmizacji procesu nauczania? Nie do końca, jest to po prostu brak wewnętrznie spójnego i przemyślanego algorytmu-przepisu na nauczanie.
Narzuca się jednak kolejna myśl. Czy taki przepis nie ogranicza kreatywności? Czy nie zamyka ścieżek nauczycielom? Czy nie jest dla uczniów niewygodnym obciążeniem i przeszkodą? Być może tak, jeżeli przyjmiemy definicję, że algorytm jest MOŻLIWIE KRÓTKIM zbiorem instrukcji prowadzących do wyznaczonego celu. Jest to według mnie definicja dobra dla komputera, jednak nie tak dobra dla organicznych istot żywych. Organizm ludzki można opisywać i algorytmizować na wielu płaszczyznach, jednak na wielu z nich najprostsze modele mogą być bardzo zwodnicze, nawet mimo kuszącej wizji zamodelowania człowieka od poziomu atomu do poziomu całego systemu. W tym wypadku należałoby stworzyć algorytm przewidujący bardzo wiele „danych” wejściowych, a być może nawet wiele wyjściowych efektów. Musi być on elastyczny, dopasowywalny do potrzeb danego ucznia. Oczywistym jest, że dla utalentowanego delikwenta mógłby on pomijać lub przyspieszać niektóre kroki, a dla mniej lotnego dodawać i rozszerzać pewne etapy tak, aby zagadnienia były całkowicie zrozumiane przed przejściem do następnych.
Nie zgadzam się z jednym z przedmówców, który twierdzi, że proces nauki winien być możliwie uproszczony i pozbawiony anegdot, ciekawostek i odwołań. Taka nauka staje się pusta i staje się zdobywaniem INFORMACJI, a nie WIEDZY. Niezliczoną liczbę razy spotykałem się z sytuacjami, gdzie właśnie odpowiednia dygresja, połączenie teorii z realnym zastosowaniem, czy porównanie do innej dziedziny bardzo pomagają w zrozumieniu tematu. Umiejętność odnajdywania tego typu połączeń definiuje według mnie prawdziwą mądrość.
Wracając zatem do sensu algorytmizacji procesu przekazywania wiedzy. Moim zdaniem zdecydowanie należy posługiwać się sprawdzonymi, opracowanymi przez specjalistów algorytmami na nauczanie. Muszą być to jednak algorytmy przewidujące wszelkie odchyłki od normy, gotowe na przedstawienie wiedzy na wiele sposobów oraz przewidujące, że może się zdarzyć, iż w sali szkolnej na lekcji matematyki uczy się zarówno przyszły inżynier, jak i artysta (choć to już może bardziej kwestia oceniania osiągnięć, a nie samego przekazywania wiedzy). Taki dobry algorytm, nie tylko pomaga zakłopotanemu nauczycielowi, ale także zapewnia pewną powtarzalność tego procesu na przestrzeni lat i wielu placówek. Wewnętrznie, na przestrzeni pojedynczej placówki, czy nawet dla pojedynczego nauczyciela, pomniejsze algorytmy wspomagające mogą być przydatne i konieczne do wykorzystania, jeżeli algorytm główny czegoś nie przewidział, natomiast rolą takich osób byłoby zadbanie, aby algorytm w skali kraju został jak najszybciej zaktualizowany o znaleziony wyjątek.
Ostatnim aspektem jest algorytmizacja procesu pozyskiwania wiedzy z punktu widzenia uczących się. Choć mówi się, że każdy jest odpowiedzialny za siebie i powinien uczyć się (a także żyć, myśleć itd.) tak jak mu się żywnie podoba, to według mnie sprawa jest trochę bardziej skomplikowana. Tutaj należy osobiście przetestować wiele sposobów i ostatecznie stworzyć odpowiednią procedurę nauki, jaka przynosi najlepsze efekty. Tutaj mowa już bardziej o pewnej rutynowości, powtarzalności swoich działań. Chociaż dla wielu może to się wydawać nużące albo wymagające niepotrzebnego wysiłku, znowu zapewnia to swoistą trwałość samego procesu, a jeżeli algorytm jest dobry, to także zadowalające rezultaty.
Podsumowując, według mnie pytaniem nie powinno być, czy algorytmizacja procesu zapisywania, przekazywania i pozyskiwania wiedzy jest pożądana, bo bezapelacyjnie jest. Pytanie powinno brzmieć: jaki powinien być taki algorytm? Przygotowany na każdy wyjątek, rzetelny, sprawdzony, skuteczny? To wszystko oczywiste truizmy, ale jak taki algorytm brzmi?