Vor einem Jahr, NWEA, jetzt Teil von HMHteilte ihre innovativer Ansatz um Mathematik für Schüler zugänglicher zu machen. Ziel war es, die größten Herausforderungen und Lücken in der Mathematik für Schüler zu identifizieren, die Bildschirmlesegeräte und auffrischbare Braillegeräte verwenden, da Unterrichtsmaterialien nicht immer an Formate wie Blindenschrift oder Großdruck angepasst sind und Materialien nicht immer für einen Bildschirmlesegerät geeignet sind Navigation, Spracheingabe oder eine Kombination dieser Designs. NWEA entwickelte Prototypen, die es Screenreadern ermöglichten, auf intuitivere Weise mit Gleichungen zu interagieren, basierend auf einer Methode namens Process Driven Math (PDM).
Die NWEA setzte ihre Innovationen fort und baute auf ihren bisherigen Forschungsergebnissen auf, um verschiedene Möglichkeiten zur Darstellung komplexer Mathematik zu schaffen, insbesondere für Mathematik, die in den Klassen sechs bis neun unterrichtet wird. Sie arbeiteten auch an verschiedenen Möglichkeiten zur Ausgabe von Mathematik, einschließlich Bildschirmlesefunktionen und aktualisierbaren Braillegeräten in den Formaten UEB (Unified English Braille) und Nemeth. Darüber hinaus entwickelten sie einen Prototyp für einen sprachaktivierten Chatbot.
Um die Zugänglichkeit mathematischer Gleichungen zu gewährleisten, verwendeten sie zwei Auszeichnungssprachen, HTML und ARIA, um Gleichungen in Teile oder Regionen aufzuteilen. Jeder Bereich sowie die gesamte Gleichung verfügten über eine versteckte Bezeichnung, die ein Bildschirmlesegerät den Benutzern sagen würde, während sie die Gleichung oder den Ausdruck untersuchten. Wenn Schüler von einer Region in eine andere zogen, hörten sie ein Wort, das die Art der Mathematik in dieser Region beschrieb (z. B. „Term“ oder „Konstante“). Die Schüler könnten dann entscheiden, in die Region zu gehen und sich die genaue Mathematik anzuhören, oder sie könnten einfach zur nächsten Region springen.
Der Einsatz generativer KI
Durch den Einsatz von KI, insbesondere GPT-4, konnte das Team sowohl die Qualität der Mathematik als auch den Zeitaufwand für die Konvertierung der Gleichungen in HTML verbessern und mithilfe der Codegenerierung den Code für den ersten Prototyp schreiben. Das Modell benötigte nur wenige Beispiele, um zu lernen, wie der anfängliche Testgleichungssatz von MathML in die am besten zugängliche HTML-Struktur geändert werden konnte. Von da an benötigte das Modell Kontext, um sicherzustellen, dass die Antworten optimal für die App formatiert wurden.
Demo zur Verwendung der Gleichungen mit einem Screenreader:
