Jeste li ikada započeli tečaj, ali smatrali ste da je prespor? Ili preteško? Voljeli biste da možete brže? Osjećate li se kao da niste stekli dovoljno vježbe za savladavanje sadržaja? Prilagodljivi sustavi učenja nastoje riješiti ove izazove.
U ovom ću članku razmotriti što su adaptivni sustavi učenja. Obrađujem neke pozadine zašto adaptivni sustavi učenja imaju strukturu kakvu imaju. Također ću predstaviti nekoliko adaptivnih sustava učenja. Zatim ću razgovarati o četiri elementa adaptivnog sustava učenja i o tome kako ga možete sami dizajnirati. Završit ćemo s procjenom prednosti i nedostataka prilagodljivog učenja.
Što je prilagodljivi sustav učenja?
Adaptivni sustav učenja je softver u kojem algoritmi optimiziraju sadržaj kako bi se prilagodili ciljevima učenika i trenutnom stanju znanja.
Na tradicionalnom tečaju e-učenja linearno ćete slijediti put koji instruktor kreira. Gledate videozapise, čitate članke, ispitujete kvizove i vježbate interaktivne module po unaprijed određenom redoslijedu. Adaptivni sustav učenja sadržavat će iste vrste materijala. No redoslijed će se promijeniti za svakog učenika. Sustav odlučuje koji će sadržaj pokazati učeniku na temelju dvije stvari:
- Ako je cilj učenika samo podskup sadržaja, sustav može ograničiti sadržaj.
- Prethodnog znanja također dolazi u igru. Ako sustav utvrdi da je trenutni put previše lak, sustav može ubrzati do izazovnijih materijala. Ako sustav otkrije da je trenutni put pretežak, sustav može ... intervenirati i pregledati preduvjetni sadržaj, smanjiti izazov ili usporiti tempo.
Neke povezane teme uključuju inteligentne nastavnike, adaptivno testiranje, psihometriju, personalizirano učenje i pametno poučavanje. Mnoge od ovih tema dijele algoritme i strukture s adaptivnim sustavima učenja.
Znanje je graf: neuroznanost
Započet ću s malom pozadinom. To će stvoriti kontekst zašto adaptivni sustavi učenja imaju četiri elementa u nastavku. Poanta za ovo je znanje je graf .
Ljudski mozak ima 86 milijardi neurona. Svaki neuron ima dendrite, somo i akson.
- U dendrita su ulaz . Rubovi dendrita primaju neurotransmitere iz sinapse. Sinapsa je jaz između dva neurona.
- Soma je propusnost . Soma - koja sadrži staničnu jezgru - usmjerava ulaz iz dendrita.
- Akson je izlaz . Akson prenosi akcijski potencijal - električni signal - na terminale aksona. Mielinska ovojnica pokriva akson radi zaštite signala. Aksonski terminali oslobađaju neurotranmitere u sinapsu.
Informacije koje vaš mozak prima i obrađuje odgovaraju neuronskom putu. Vaš mozak s mijelinskim putem - ojačajte mijelin oko aksona kako bi podržao električne signale. Zbog ojačanog mijelina, vjerojatnije je da će ovaj put zapaliti u budućnosti. Drugim riječima, učite.
Čak i u najmanjoj ljestvici, naš mozak je masivan graf povezanih neurona. Učimo i optimiziramo čineći da se neke staze vjerojatnije povežu od drugih staza.
Znanje je graf: učenje znanosti
Najsnažniji prediktor kako se ponašamo u okruženju za učenje jest naše predznanje. Ono što već znamo prije nego što započnemo s iskustvom učenja. Značajan psihološki rad - Dochy, Segers i Buehl iz 1999. - utvrdio je da predznanje predstavlja 81% razlika u ishodu između učenika. Pregled predznanja prije prikazivanja novih informacija utječe na ishode učenja. A povezivanje novog znanja s prethodnim znanjem tijekom poučavanja također može imati velik utjecaj. (Pogledajte osam ideja za izvore.)
Najpoznatiji je psihološki članak iz 1956. "Čarobni broj sedam, plus ili minus dva" Georgea Millera. Članak sugerira da ljudi imaju ograničeno radno pamćenje. Miller je pronašao jednostavne brojeve, čovjek bi mogao raditi sa oko sedam predmeta odjednom. Kasniji istraživači pronašli su za složenije informacije da je ta granica bliža četiri.
Neki psiholozi predlažu ova "četiri mjesta", da bismo naučili, barem jedno ili dva moraju biti predznanje. Koliko predznanja možemo "napuniti" u jedan od četiri utora, ovisi o snazi veza na grafikonu. Kad u radnoj memoriji imamo i predznanje i novo znanje, povezujemo informacije. I jačamo vezu između njih dvoje. Pokušaj naučiti nove informacije bez povezivanja s prethodnim znanjem ograničava snagu memorije.
Ukratko, učimo povezivanjem predznanja s novim informacijama. I te veze tvore veliki, beskrajni graf znanja.
Nekoliko važnih adaptivnih sustava učenja
Ovaj je odjeljak više kontekst, ali neobvezan. Ne pišem temeljit članak o povijesti ovih sustava, ali evo nekoliko metaka:
- Jedna od najranijih implementacija bio je Skinnerov nastavni stroj.
- Tijekom 1960-ih i 1970-ih bilo je nekoliko pokušaja računalnih sustava poučavanja. Troškovi i sporiji strojevi ograničili su uspjeh ovih sustava.
- Tijekom kasnih 70-ih i ranih 80-ih, Teorija odgovora na stavke omogućila je proizvođačima testova da započnu rad na računalnom prilagodljivom testiranju.
- Rani i utjecajni računalni sustav bio je predavač Lisp, poznat i kao LISPITS (1983) na Sveučilištu Carnegie Mellon.
- SuperMemo, objavljen 1985. godine, inkorporirao je razmaknuto učenje u računalni sustav.
- Također 1985. godine izašao je članak o Prostorima znanja, koji čini temelje jednog od četiri elementa.
- ALEKS Math tutor izašao je 1994. godine, snažno promovirajući njegovu upotrebu prostora znanja.
- 1995. Corbett i Anderson objavili su "Traganje znanja", čineći temelj Bayesovim modelima traganja za znanjem.
- Neki važni softveri uključuju AutoTutor, ACT-R i Cognitive Tutor Authoring Tools.
- Knewton je primjer suvremenih adaptivnih sustava učenja. Kaplan i Pearson koriste Knewton za pružanje prilagodljivih iskustava u učenju.
Četiri elementa
Većina adaptivnih sustava učenja danas ima ova četiri elementa. Izrazi se mijenjaju, a mijenja se i njihov opseg. Ali gotovo ćete uvijek pronaći sva četiri elementa.
Ti su elementi:
- Stručnjak - grafički model „idealnog” države, od svega što čovjek može naučiti koristeći ovaj sustav.
- Uči - model učenikovog trenutnog stanja, što pokazuje koliko je vjerojatno da učenik treba znati svaki od čvorova u stručnom grafu.
- Učitelj - algoritmi koji određuju što sadržaj pokazati i kada. Stručni model i model učenika informiraju nastavnika. Tutor nastoji optimizirati sadržaj za relevantnost, izazov i učinkovitost.
- Sučelje - koji je, kako bi se prikazao iskustvo učenja na učenika. U mnogim iskustvima prilagodljivog učenja sučelje se mijenja na temelju modela učenika i ciljeva nastavnika.
Idemo u svaki element.
Stručnjak - veliki grafikon svega
Ekspertni model je velik, povezan graf svega što želite da učenici znaju. Kao što i samo ime govori, imate stručnjaka za temu - ili stručnjaka za teme - koji će stvoriti model. Ovaj model je statičan. Ekspertni model mijenja se samo kad se promijeni opseg ishoda učenja. Ili kad se pojave problemi i mogućnosti za usavršavanje adaptivnog sustava učenja.
Većina rada ekspertnog modela nalazi se na početku izgradnje novog iskustva učenja. Prilagodljivi sustav učenja pristupit će ekspertnom modelu radi usporedbe trenutnog stanja učenika s ekspertnim modelom. Sustav će također pristupiti ekspertnom modelu kako bi odredio na koje se iskustvo učenja treba usredotočiti sljedeće.
Obično će tim stručnjaka definirati opseg ishoda učenja. Svaki čvor u ekspertnom modelu trebao bi imati sljedeće atribute:
- Ime
- Kratki opis koji pokazuje koje se vještine ispituju, a što izvan opsega
- Popis preduvjetnih čvorova - oni čine "rubove" grafikona. Ti preduvjeti ne mogu tvoriti "ciklus" - petlju čvorova.
Stručni modeli imaju bolji učinak kada je svaki čvor mali i usko definiran. Na primjer, svaka vještina u Bloomovoj taksonomiji - prepoznavanje, razumijevanje, primjena, analiza, sinteza i procjena - mogla bi biti vlastiti čvor u ekspertskom modelu. Kombinacija dviju temeljnih vještina također bi trebala biti zaseban čvor.
Postoji beskrajan broj formata koje biste mogli koristiti za stvaranje ekspertskog modela, poput XML, JSON, CSV ili YAML. Može vam pomoći da grafički prikažete stručni model za pregled.
Neki će sustavi automatski generirati model stručnjaka postavljanjem upita stručnjacima u nizu pitanja, poput čarobnjaka. Drugi će grupirati postojeći sadržaj učenja, koristeći algoritme poput k-znači grupiranje. Možda ćete htjeti pregledati članak Wikipedije o Prostorima znanja za matematičkiji opis.
Učenik - gdje ste u odnosu na ono gdje želite biti
Učenički element model je trenutnog stanja sposobnosti učenika. Dakle, za svaki dati čvor u stručnom grafikonu, model učenika ima povezanu vjerojatnost: 1-99%. Sustav ažurira ovaj graf svaki put kada učenik izvrši neku aktivnost. Ako učenik pravilno odgovori na pitanje, vjerojatnost se povećava. Ako učenik odgovori netočno, vjerojatnost se smanjuje.
Svaki učenik ima svoj model učenika. Dakle, svaki put kada u sustavu postoji novi učenik, postoji novi model učenika. Kasnije će mentor koristiti model učenika da odluči kako će naručiti sadržaj učenja.
Postoji mnogo algoritama za ažuriranje modela učenika. Prostori znanja sugeriraju da bi se, kako učenik razvija vještinu, vjerojatnosti za povezane vještine također trebale prilagoditi.
Neki prilagodljivi sustavi učenja koriste se jednostavnim heurističkim modelima za ažuriranje vjerojatnosti vještina. U teoriji odgovora na stavke vjerojatnost se ažurira duž sigmoidne krivulje. U Bayesovom praćenju znanja, ova krivulja ima konzervativniji oblik. Svaki model nastoji uzeti u obzir sljedeće čimbenike:
- Prije nego što učenik nešto učini, što procjenjujemo vjerojatnosti?
- Kolika je vjerojatnost da će učenik pogoditi pravi odgovor ako ne zna tu vještinu?
- Kolika je vjerojatnost da će se učenik okliznuti čak i ako poznaje tu vještinu?
- Kolika je vjerojatnost da je učenik "naučio" vještinu nakon što je vidio predmet?
- Koliko je vjerojatno da će ova aktivnost učenika kategorizirati kao vještog ili nekvalificiranog?
- Koliko će ovaj predmet biti težak za određenog učenika?
I za teoriju odgovora predmeta i za Bayesovo praćenje znanja trebat će vam sredstvo za procjenu tih parametara. Ovo je jedno od područja s najbržim razvojem u prilagodljivim sustavima učenja, pa još ne mogu dati nikakve posebne preporuke. Također postoje istraživači koji izrađuju modele s klasičnim strojnim učenjem, poput neuronskih mreža.
Tutor - što pokazati kada
Nastavnik bira kojim će redom odabrati aktivnosti kojima će se učenik baviti. Nakon svakog ažuriranja modela učenika, nastavnik će ažurirati put koji će proći za optimizaciju za tog učenika.
Cilj podučavatelja je da učenika u najmanjem vremenskom roku dovede do cjelovitog stručnog grafa. Neki sustavi omogućuju učenicima da se usredotoče samo na neka područja, a zanemaruju ostatak. Kako je model učenika jedinstven po učeniku, takav je i put koji će tutor proći. Iako su elementi stručnjaka i učenika podaci s nekim algoritmima, mentor su algoritmi s nekim podacima.
Tutor može odlučiti na koje vještine se usredotočiti i na koje aktivnosti da učenik izvodi. Kako bi se vještine usredotočile, učitelj će često odabrati vještine s najvećim utjecajem na veći grafikon. To često znači fokusiranje na elementarnije vještine prije naprednijih vještina. Za aktivnosti:
- Tutor će pokušati odabrati najrelevantnije aktivnosti za učenika
- Tutor će odabrati aktivnosti koje su izazovne, ali za učenika ne previše teške.
- Tutor će pokušati odabrati aktivnosti na način koji smanjuje ukupno vrijeme za svladavanje.
Učitelji jednostavnog prilagodljivog učenja mogu nasumično birati aktivnosti u okviru neke vještine. Tutori temeljeni na odgovoru na stavke ističu odabir aktivnosti koje su izazovne. U Bayesovim modelima praćenja znanja tržište ima mnogo različitih tutorskih algoritama. Istraživači su se više usredotočili na elemente stručnjaka i učenika. Dakle, ne znamo što daje najbolje ishode učenja za element mentora.
Sučelje - kako to prikazati
Neki prilagodljivi sustavi učenja promijenit će korisničko sučelje. Kako je učenik manje upoznat sa nekom vještinom, sučelje bi se smanjilo i više bi se usredotočilo na zadatak koji mu je na raspolaganju. Kako sposobnosti učenika rastu, tako se okuplja sve više punog sučelja. Neki taj postupak nazivaju "skelom".
U nekim sustavima učenici mogu tražiti i primati savjete. Kada ponuditi savjete i dubina tih savjeta može se prilagoditi na temelju sposobnosti učenika.
Tu su i neka druga pitanja poput:
- Prikazujete li učeniku stručni grafikon?
- Prikazujete li njihov napredak na svim vještinama? Kako?
- Prikazujete li njihov napredak na određenim vještinama? Kako?
- Dobiva li učenik mogućnost izbora u sadržaju učenja? Ili sustav odlučuje o svemu?
Ovisno o potrebama sustava, neke od ovih stavki mogu utjecati na ishode učenja.
Kako znati je li adaptivno učenje išta dobro?
Kako ti sustavi dolaze iz akademske zajednice, sa svakim sustavom imamo značajnu količinu podataka i povijesti.
Ljudsko individualno podučavanje ima najjače ishode učenja. Ovo je čest nalaz u obrazovnim istraživanjima. Do sada niti jedan kompjuterizirani prilagodljivi sustav učenja nije nadmašio ljudsko individualno podučavanje.
Istraživači su istraživali samo učenje u učionici, samo kompjuterizirano prilagodljivo učenje, kao i kombinirano učenje u učionici i adaptivno učenje. Članak iz 2016. „Učinkovitost inteligentnih sustava podučavanja“ pruža meta analizu ovih studija. Adaptivni sustavi učenja obično nadmašuju tradicionalno učenje u učionici. U kombinaciji s učenjem u učionici, adaptivni sustavi učenja stvaraju pozitivan učinak, ali postoje određena ograničenja.
Prilagodljivi sustavi posebno dobro uspijevaju s trenutnim povratnim informacijama i osiguravanjem svladavanja vještina. Istražitelji primjećuju neka područja za poboljšanje:
- Troškovi razvoja sadržaja za ove sustave su visoki.
- Ovi sustavi često ne mogu kontekstualizirati učenje onako kako to čovjek može.
- Prilagodljivi sustavi učenja mogu se osjećati izazovnije, što može smanjiti motivaciju učenika.
Zamotati
Welp, sad sam se zeznuo. Obradio sam što su adaptivni sustavi učenja. Dao sam određeni kontekst za dizajn tih sustava. Dašak povijesti. Obradio sam četiri glavna elementa: stručnjak, učenik, nastavnik i sučelje. Nadam se da nije bilo previše tehnički.
Obavezni poziv na akciju na kraju članka: pogledajte Sagefy, sustav prilagodljivog učenja otvorenog sadržaja na kojem radim.