Kuinka rakentaa mukautuva oppimisjärjestelmä

Oletko koskaan aloittanut kurssin, mutta ajattelit sen olevan liian hidas? Tai liian vaikeaa? Haluatko saada sen menemään nopeammin? Tuntui siltä, ​​ettet saanut tarpeeksi käytäntöä sisällön hallitsemiseksi? Adaptiiviset oppimisjärjestelmät pyrkivät vastaamaan näihin haasteisiin.

Tässä artikkelissa käsittelen adaptiiviset oppimisjärjestelmät. Käsittelen jonkin verran taustaa siitä, miksi adaptiivisissa oppimisjärjestelmissä on niiden rakenne. Esittelen myös muutaman mukautuvan oppimisjärjestelmän. Sitten puhun adaptiivisen oppimisjärjestelmän neljästä elementistä ja siitä, miten voit suunnitella sellaisen itse. Tarkastelemme mukautuvan oppimisen etuja ja haittoja.

Mikä on adaptiivinen oppimisjärjestelmä?

Adaptiivinen oppimisjärjestelmä on ohjelmisto, jossa algoritmit optimoivat sisällön sopeutumaan oppijan tavoitteisiin ja nykyiseen tietotilaan.

Perinteisessä e-oppimiskurssissa seuraat lineaarisesti ohjaajan luomaa polkua. Katsot videoita, luet artikkeleita, suoritat tietokilpailuja ja harjoittelet interaktiivisia moduuleja ennalta määrätyssä järjestyksessä. Adaptiivinen oppimisjärjestelmä sisältää samantyyppisiä materiaaleja. Mutta järjestys muuttuu jokaiselle oppijalle. Järjestelmä päättää, minkä sisällön oppijalle näytetään, kahden asian perusteella:

  • Jos oppijan tavoite on vain osa sisällöstä, järjestelmä voi rajoittaa sisältöä.
  • Etukäteen tietoa myös tulee pelata. Jos järjestelmä havaitsee, että nykyinen polku on liian helppo, järjestelmä voi nopeuttaa haastavampaa materiaalia. Jos järjestelmä havaitsee, että nykyinen polku on liian vaikea, järjestelmä voi ... puuttua asiaan ja tarkistaa vaadittavan sisällön, vähentää haastetta tai hidastaa vauhtia.

Joitakin aiheeseen liittyviä aiheita ovat älykkäät ohjaajat, mukautuva testaus, psykometriset tiedot, henkilökohtainen oppiminen ja älykäs opetus. Monet näistä aiheista jakavat algoritmeja ja rakenteita mukautuvien oppimisjärjestelmien kanssa.

Tieto on kaavio: neurotiede

Aloitan pienellä taustalla. Tämä luo kontekstin sille, miksi mukautuvissa oppimisjärjestelmissä on neljä alla olevaa elementtiä. Tämän kohta on tieto on kaavio .

Ihmisen aivoissa on 86 miljardia neuronia. Jokaisella neuronilla on dendriittejä, soma ja aksoni.

  • Dendriittien ovat tulo . Dendriittien reunat vastaanottavat välittäjäaineita synapsista. Synapsi on aukko kahden neuronin välillä.
  • Soma on läpimeno . Soma - joka sisältää solun ytimen - reitittää syötteen dendriiteistä.
  • Axon on ulostulo . Aksoni lähettää toimintapotentiaalin - sähköisen signaalin - aksoniliittimiin. Myeliinivaippa peittää aksonin signaalin suojaamiseksi. Aksonipäätteet vapauttavat neurotranmitterit synapsiin.

Aivojen vastaanottama ja käsittelemä tieto vastaa hermorataa. Aivosi myelinoivat tämän reitin - vahvistaa myeliinia aksonin ympärillä tukemaan sähköisiä signaaleja. Vahvistetun myeliinin takia tämä polku syttyy todennäköisemmin tulevaisuudessa. Toisin sanoen opit.

Jopa pienimmässä mittakaavassa aivomme ovat massiivinen kaavio yhdistetyistä hermosoluista. Opimme ja optimoimme tekemällä jotkin polut todennäköisemmin yhdistettäviksi kuin muut polut.

Tieto on kaavio: luonnontieteiden oppiminen

Vahvin ennustaja siitä, kuinka suoritamme oppimisympäristössä, on aikaisempi tietämyksemme. Mitä tiedämme jo ennen oppimiskokemuksen aloittamista. Huomattava psykologia-artikkeli - 1999 Dochy, Segers ja Buehl - löysi ennakkotiedon, joka on 81% oppijoiden välisistä tuloseroista. Aikaisemman tiedon tarkistaminen ennen uuden tiedon näyttämistä vaikuttaa oppimistuloksiin. Ja uuden tiedon yhdistämisellä aikaisempaan tietoon opetuksen aikana voi olla myös suuri vaikutus. (Katso lähteet kahdeksasta ideosta.)

Tunnetuin psykologialehti on George Millerin vuonna 1956 kirjoittama "Maaginen luku seitsemän, plus tai miinus kaksi". Paperi ehdottaa, että ihmisillä on rajallinen työmuisti. Miller löysi yksinkertaisia ​​lukuja varten, ihminen voisi työskennellä noin seitsemän kohteen kanssa kerralla. Myöhemmät tutkijat löysivät monimutkaisempia tietoja, että raja on lähempänä neljää.

Jotkut psykologit ehdottavat näitä "neljää paikkaa", jotta voimme oppia, vähintään yhden tai kahden on oltava ennakkotietoa. Se, kuinka paljon ennakkotietoa voimme "ladata" yhteen neljästä aikavälistä, riippuu kaavion yhteyksien vahvuudesta. Kun työmuistissamme on sekä ennakkotietoa että uutta tietoa, yhdistämme tiedot. Ja vahvistamme näiden kahden välistä yhteyttä. Yrittää oppia uutta tietoa yhdistämättä aikaisempaan tietoon rajoittaa muistin voimaa.

Lyhyesti sanottuna opimme yhdistämällä aikaisemmat tiedot uuteen tietoon. Ja nuo yhteydet muodostavat suuren, loputtoman tiedon kuvaajan.

Muutama tärkeä mukautuva oppimisjärjestelmä

Tämä osio on pikemminkin konteksti, mutta valinnainen. En kirjoita perusteellista artikkelia näiden järjestelmien historiasta, mutta tässä on joitain luoteja:

  • Yksi varhaisimmista toteutuksista oli Skinner-opetuskone.
  • 1960- ja 1970-luvuilla tietokoneistettuja opetusjärjestelmiä yritettiin useita kertoja. Kustannukset ja hitaammat koneet rajoittivat näiden järjestelmien menestystä.
  • 70-luvun lopulla ja 80-luvun alkupuolella Tuotevastausteoria antoi testinvalmistajille mahdollisuuden aloittaa atk-mukautuvan testauksen.
  • Varhainen ja vaikutusvaltainen tietokoneistettu järjestelmä oli Lisp-tutori, joka tunnetaan myös nimellä LISPITS (1983) Carnegie Mellonin yliopistossa.
  • SuperMemo, joka julkaistiin vuonna 1985, sisällytti erillisen oppimisen tietokonejärjestelmään.
  • Myös vuonna 1985 tuli Knowledge Spaces -lehti, joka muodostaa perustan yhdelle neljästä elementistä.
  • ALEKS Matematiikkaopettaja tuli ulos vuonna 1994 ja edisti voimakkaasti tietotilojen käyttöä.
  • Vuonna 1995 Corbett ja Anderson julkaisivat "Tietojen jäljittämisen", mikä muodostaa perustan Bayesin tiedon jäljitysmalleille.
  • Joitakin tärkeitä ohjelmistoja ovat AutoTutor, ACT-R ja Cognitive Tutor Authoring Tools.
  • Knewton on esimerkki nykyaikaisista mukautuvista oppimisjärjestelmistä. Kaplan ja Pearson käyttävät molemmat Knewtonia tarjoamaan mukautuvia oppimiskokemuksia.

Neljä elementtiä

Useimmilla mukautuvilla oppimisjärjestelmillä on nykyään nämä neljä elementtiä. Termit muuttuvat, samoin niiden soveltamisala. Mutta melkein aina löydät kaikki neljä elementtiä.

Nämä elementit ovat:

  • Asiantuntija - graafinen malli "ihanne" tilassa kaiken henkilö voisi oppia tämän järjestelmän avulla.
  • Oppija - malli oppilaan nykytilaa, joka ilmoittaa, miten todennäköistä oppija tietää kunkin solmuja asiantuntija kuvaaja.
  • Tutor - algoritmeja, jotka määrittävät, mikä sisältö näyttää ja milloin. Asiantuntijamalli ja oppijamalli kertovat ohjaajalle. Ohjaaja pyrkii optimoimaan sisällön osuvuuden, haasteen ja tehokkuuden mukaan.
  • Rajapinta - joka on, miten näyttää oppimiskokemus opiskelijalle. Monissa mukautuvissa oppimiskokemuksissa käyttöliittymä muuttuu oppijan mallin ja ohjaajan tavoitteiden perusteella.

Mennään jokaiseen elementtiin.

Asiantuntija - kaiken suuri kaavio

Asiantuntijamalli on suuri, yhdistetty kaavio kaikesta, mitä haluat oppijoiden tietävän. Kuten nimestä voi päätellä, mallin luomiseen sinulla on aiheen asiantuntija - tai aiheiden asiantuntijoita. Tämä malli on staattinen. Asiantuntijamalli muuttuu vasta, kun oppimistulosten laajuus muuttuu. Tai kun ilmenee ongelmia ja mahdollisuuksia mukautuvan oppimisjärjestelmän hienosäätöön.

Suurin osa asiantuntijamallin työstä on uuden oppimiskokemuksen rakentamisen alussa. Adaptiivinen oppimisjärjestelmä käyttää asiantuntijamallia verrattaakseen oppijan nykytilaa asiantuntijamalliin. Järjestelmä käyttää myös asiantuntijamallia määrittääkseen, mihin oppimiskokemukseen seuraavaksi keskitytään.

Yleensä asiantuntijaryhmä määrittelee oppimistulosten laajuuden. Jokaisella asiantuntijamallin solmulla tulisi olla seuraavat määritteet:

  • Nimi
  • Lyhyt kuvaus, joka osoittaa mitkä taidot ovat testattavissa ja mikä on soveltamisalan ulkopuolella
  • Luettelo vaadittavista solmuista - nämä muodostavat kaavion "reunat". Nämä edellytykset eivät voi muodostaa "jaksoa" - solmujen silmukkaa.

Asiantuntijamallit toimivat paremmin, kun jokainen solmu on pieni ja kapeasti määritelty. Esimerkiksi jokainen Bloomin taksonomian osaaminen - tunnistaminen, ymmärtäminen, soveltaminen, analyysi, synteesi ja arviointi - voisi kukin olla oma solmu asiantuntijamallissa. Kahden perustaidon yhdistelmän tulisi olla myös erillinen solmu.

Asiantuntijamallin luomiseen, kuten XML, JSON, CSV tai YAML, on loputon määrä muotoja. Se voi auttaa pystymään näyttämään asiantuntijamallin graafisesti tarkistettavaksi.

Jotkut järjestelmät luovat automaattisesti asiantuntijamallin kyselemällä asiantuntijoita kysymyssarjassa, kuten ohjattu toiminto. Toiset ryhmitelevät olemassa olevan oppisisällön käyttämällä algoritmeja, kuten k-tarkoittaa klusterointia. Saatat haluta tarkistaa Wikipedia-artikkelin tietotiloista saadaksesi matemaattisemman kuvauksen.

Oppija - missä olet verrattuna sinne, missä haluat olla

Oppijaelementti on malli oppijan nykyisestä kyvytilasta. Joten jokaiselle asiantuntijakaavion tietylle solmulle oppijamalliin liittyy todennäköisyys: 1-99%. Järjestelmä päivittää tämän kaavion joka kerta, kun oppija suorittaa toiminnon. Jos oppija vastaa kysymykseen oikein, todennäköisyys kasvaa. Jos oppija vastaa väärin, todennäköisyys pienenee.

Jokaisella oppijalla on oma oppijamallinsa. Joten joka kerta, kun järjestelmässä on uusi oppija, on uusi oppijamalli. Myöhemmin ohjaaja päättää oppimismallin avulla oppijamallin.

Oppijamallin päivittämiseen on monia algoritmeja. Tietotilat viittaavat siihen, että oppijan kehittäessä taitoa myös siihen liittyvien taitojen todennäköisyyksien tulisi mukautua.

Jotkut adaptiiviset oppimisjärjestelmät käyttävät yksinkertaisia ​​heuristisia malleja päivittäessään taitotodennäköisyyksiä. Kohdevaste-teoriassa todennäköisyys päivittyy sigmoidikäyrää pitkin. Bayesin tiedon jäljityksessä tällä käyrällä on konservatiivisempi muoto. Kussakin mallissa on taipumus ottaa huomioon nämä tekijät:

  • Mitä arvioimme todennäköisyydeksi ennen kuin oppija tekee jotain?
  • Kuinka todennäköisesti oppija arvaa oikean vastauksen, jos hän ei tiedä taitoa?
  • Kuinka todennäköistä on, että oppija luiskahtaa, vaikka tuntee taiton?
  • Kuinka todennäköisesti oppija on "oppinut" taiton nähtyään kohteen?
  • Kuinka todennäköisesti tämä toiminta luokittelee oppijan ammattitaidoksi tai taitamattomaksi?
  • Kuinka vaikeaa tämä esine on kyseiselle oppijalle?

Tarvitset keinon näiden parametrien arvioimiseksi sekä tuotevastausteoriassa että Bayesin tiedon jäljittämisessä. Tämä on yksi nopeimmin kehittyvistä alueista mukautuvissa oppimisjärjestelmissä, joten en voi vielä antaa mitään erityisiä suosituksia. On myös tutkijoita, jotka luovat malleja klassisella koneoppimisella, kuten hermoverkot.

Ohjaaja - mitä näyttää milloin

Ohjaaja valitsee missä järjestyksessä valitaan aktiviteetit, joihin oppija osallistuu. Jokaisen oppijamallin päivityksen jälkeen ohjaaja päivittää polun, jonka se kuluttaa optimoidakseen kyseisen oppijan.

Ohjaajan tavoitteena on saada oppija täydelliseen asiantuntijakuvaajaan pienimmässä ajassa. Jotkin järjestelmät antavat oppijoille mahdollisuuden keskittyä vain joillekin alueille sivuuttamatta kuitenkaan muita. Koska oppijamalli on yksilöllinen oppijaa kohden, myös opettajan polku on sama. Vaikka asiantuntija- ja oppijaelementit ovat tietoja joillakin algoritmeilla, tutori on algoritmeja, joissa on joitain tietoja.

Ohjaaja voi päättää, mihin taitoihin keskittyä ja mihin toimintoihin oppijan on suoritettava. Jotta taidot voidaan keskittyä, ohjaaja valitsee usein taitoja, joilla on suurin vaikutus suurempaan kaavioon. Tämä tarkoittaa usein keskittymistä peruskoulutukseen ennen edistyneempiä taitoja. Toimintaa varten:

  • Ohjaaja yrittää valita oppijan kannalta olennaisimmat toiminnot
  • Ohjaaja valitsee aktiviteetit, jotka ovat haastavia, mutta eivät liian vaikeita oppijalle.
  • Ohjaaja yrittää valita aktiviteetit tavalla, joka vähentää kokonaisaikaa hallintaan.

Yksinkertaiset adaptiiviset oppimisopettajat voivat valita taitoon kuuluvia toimintoja satunnaisesti. Kohdevasteen teoriaan perustuvat ohjaajat korostavat haastavien toimintojen valitsemista. Bayesin tietämyksen jäljitysmalleissa markkinoilla on monia erilaisia ​​tutor-algoritmeja. Tutkijat ovat keskittyneet enemmän asiantuntija- ja oppijaelementteihin. Joten emme tiedä, mikä tuottaa parhaat opintotulokset ohjaajaelementille.

Käyttöliittymä - miten se näytetään

Jotkut mukautuvat oppimisjärjestelmät muuttavat käyttöliittymää. Koska oppija tuntee taiton vähemmän, käyttöliittymä vähentäisi ja keskittyisi enemmän tehtävään. Kun oppijoiden kyky kasvaa, enemmän koko käyttöliittymästä tulee yhteen. Jotkut kutsuvat tätä prosessia "rakennustelineiksi".

Joissakin järjestelmissä oppijat voivat pyytää ja vastaanottaa vihjeitä. Milloin vihjeitä tarjotaan, ja näiden vihjeiden syvyys voidaan säätää oppijan kyvyn perusteella.

Siellä on myös joitain muita kysymyksiä, kuten:

  • Näytätkö asiantuntijakaavion oppijalle?
  • Näytätkö heidän edistymistään kaikissa taidoissa? Miten?
  • Näytätkö heidän edistymistään tietyissä taidoissa? Miten?
  • Saako oppija valintoja sisällön oppimisesta? Vai päättääkö järjestelmä kaiken?

Jotkin näistä kohteista saattavat vaikuttaa järjestelmän tarpeisiin riippuen oppimistuloksiin.

Mistä tiedämme, onko mukautuva oppiminen hyvä?

Koska nämä järjestelmät tulevat korkeakouluista, meillä on merkittävä määrä tietoa ja historiaa jokaisessa järjestelmässä.

Ihmisen henkilökohtaisella ohjauksella on vahvimmat oppimistulokset. Tämä on yleinen havainto kasvatustutkimuksessa. Toistaiseksi mikään tietokoneistettu adaptiivinen oppimisjärjestelmä ei ole ylittänyt ihmisen henkilökohtaista ohjausta.

Tutkijat ovat tutkineet pelkästään luokkahuoneessa tapahtuvaa oppimista, yksinomaan tietokoneistettua adaptiivista oppimista sekä yhdistettyä luokkahuone- ja mukautuvaa oppimista. Vuonna 2016 julkaistu paperi "Intelligent Tutoring Systems" tarjoaa meta-analyysin näistä tutkimuksista. Adaptiiviset oppimisjärjestelmät ovat yleensä parempia kuin perinteinen luokkahuoneopetus. Yhdessä luokkaopetuksen kanssa mukautuvat oppimisjärjestelmät luovat positiivisen vaikutuksen, mutta on joitain rajoituksia.

Mukautuvilla järjestelmillä on erityisen hyvä välitön palaute ja taitojen hallinnan varmistaminen. Tutkijat panevat merkille joitain parannettavia alueita:

  • Näiden järjestelmien sisällön kehittämisen kustannukset ovat korkeat.
  • Nämä järjestelmät eivät useinkaan voi kontekstualisoida oppimista tavalla, jolla ihminen voi.
  • Adaptiiviset oppimisjärjestelmät voivat tuntua haastavammilta, mikä voi vähentää oppijoiden motivaatiota.

Paketoida

Voi, olen nyt hämmentynyt. Olen käsitellyt adaptiiviset oppimisjärjestelmät. Olen tarjonnut jonkin verran kontekstia näiden järjestelmien suunnittelulle. Ripaus historiaa. Olen käsitellyt neljä pääelementtiä: asiantuntija, oppija, ohjaaja ja käyttöliittymä. Toivottavasti se ei ollut liian teknistä.

Pakollinen artikkelin lopun toimintakehotus: Tutustu Sagefyyn, avoimen sisällön mukautuvaan oppimisjärjestelmään, jonka parissa työskentelen.