Hogyan lehet felépíteni egy adaptív tanulási rendszert

Elkezdtél már tanfolyamot, de túl lassúnak gondoltad? Vagy túl nehéz? Szeretnéd, ha gyorsabban menne? Úgy érezte, hogy nem kapott elég gyakorlatot a tartalom elsajátításához? Az adaptív tanulási rendszerek megpróbálják kezelni ezeket a kihívásokat.

Ebben a cikkben áttekintem, hogy mi az adaptív tanulási rendszer. Áttekintek néhány hátteret arról, hogy miért van az adaptív tanulási rendszerek szerkezete. Bemutatok néhány adaptív tanulási rendszert is. Ezután az adaptív tanulási rendszer négy eleméről fogok beszélni, és arról, hogyan lehet saját maga építtetni egyet. Összefoglaljuk az adaptív tanulás előnyeinek és hátrányainak értékelését.

Mi az adaptív tanulási rendszer?

Az adaptív tanulási rendszer olyan szoftver, ahol az algoritmusok optimalizálják a tartalmat, hogy igazodjanak a tanuló céljaihoz és a tudás aktuális állapotához.

Egy hagyományos e-learning tanfolyamon lineárisan követi az oktató által létrehozott utat. Videókat néz, cikkeket olvas, kvízeket végez és interaktív modulokat gyakorol előre meghatározott sorrendben. Az adaptív tanulási rendszer azonos típusú anyagokat fog tartalmazni. De a sorrend minden tanuló számára változik. A rendszer két dolog alapján dönti el, hogy melyik tartalmat jelenítse meg a tanulónak:

  • Ha a tanuló célja csak a tartalom egy részhalmaza, a rendszer korlátozhatja a tartalmat.
  • Az előzetes tudás is szóba kerül. Ha a rendszer úgy találja, hogy az aktuális út túl könnyű, akkor a rendszer fel tudja gyorsítani a nagyobb kihívást jelentő anyagot. Ha a rendszer megtudja, hogy az aktuális út túl nehéz, a rendszer ... beavatkozhat és felülvizsgálhatja az előfeltételek tartalmát, csökkentheti a kihívást vagy lelassíthatja a tempót.

Néhány kapcsolódó téma az intelligens oktatók, az adaptív tesztelés, a pszichometria, a személyre szabott tanulás és az intelligens tanítás. Ezen témák közül sok megosztja az algoritmusokat és a struktúrákat az adaptív tanulási rendszerekkel.

A tudás grafikon: idegtudomány

Kezdem egy kis háttérrel. Ez kontextust fog teremteni arra, hogy az adaptív tanulási rendszerek miért tartalmazzák az alábbi négy elemet. Ennek lényege, hogy a tudás egy grafikon .

Az emberi agynak 86 milliárd neuronja van. Minden idegsejtnek van dendritje, szoma és axonja.

  • A dendritek a bemenet . A dendritek élei neurotranszmittereket kapnak a szinapszistól. A szinapszis két idegsejt közötti rés.
  • A soma az áteresztőképesség . A szóma - amely tartalmazza a sejtmagot - a dendritektől irányítja a bemenetet.
  • Az axon a kimenet . Az axon egy akciós potenciált - elektromos jelet - továbbít az axon kapcsaira. A jel védelme érdekében mielinhüvely fedi az axont. Az axon terminálok neurotranszmittereket engednek a szinapszisba.

Az agy által kapott és feldolgozott információ megfelel egy idegi útnak. Az agyad myelinizálja ezt az utat - erősítse a mielint az axon körül, hogy támogassa az elektromos jeleket. Az erősített mielin miatt ez az út a jövőben nagyobb valószínűséggel lángol. Más szavakkal, megtanulod.

A legkisebb léptékben is az agyunk az összekapcsolt neuronok masszív grafikonja. Tanulunk és optimalizálunk úgy, hogy egyes utak nagyobb valószínűséggel kapcsolódnak egymáshoz, mint más utak.

A tudás grafikon: a tudomány tanulása

A tanulási környezetben mutatott teljesítményünk legerősebb előrejelzője az előzetes tudásunk. Amit már tudunk, mielőtt elkezdjük a tanulási tapasztalatokat. Egy figyelemre méltó pszichológiai cikk - 1999 Dochy, Segers és Buehl - megállapította, hogy az előzetes tudás a tanulók közötti eredménykülönbségek 81% -a. Az előzetes ismeretek áttekintése az új információk bemutatása előtt befolyásolja a tanulási eredményeket. Az új ismeretek és az előzetes ismeretek összekapcsolása tanítás közben szintén nagy hatással lehet. (A forrásokat lásd: Nyolc ötlet.)

A leghíresebb pszichológiai cikk George Miller 1956-os "A varázslatos hetes szám, plusz vagy mínusz kettő" c. A tanulmány azt sugallja, hogy az embereknek korlátozott a munkamemóriájuk. Miller úgy találta, hogy egyszerű számokhoz az ember egyszerre körülbelül hét elemmel dolgozhat. Későbbi kutatók összetettebb információkért találták, hogy a határ közelebb van a négyhez.

Néhány pszichológus javasolja ezt a "négy helyet", hogy tanulhassunk, legalább egy vagy kettőnek előzetes ismereteknek kell lennie. Az, hogy mennyi előzetes tudást "tölthetünk fel" a négy nyílás egyikébe, a grafikonon lévő kapcsolatok erősségétől függ. Amikor előzetes ismeretek és új ismeretek is vannak a munkamemóriánkban, társítjuk az információkat. És megerősítjük a kettő közötti kapcsolatot. Ha megpróbál új információkat elsajátítani anélkül, hogy kapcsolódna az előzetes ismeretekhez, korlátozza a memória erejét.

Röviden, úgy tanulunk, hogy az előzetes tudást összekapcsoljuk az új információkkal. És ezek a kapcsolatok egy nagy, végtelen tudásgráfot alkotnak.

Néhány fontos adaptív tanulási rendszer

Ez a szakasz inkább kontextusú, de opcionális. Nem írok alapos cikket e rendszerek történetéről, de íme néhány felsorolás:

  • Az egyik legkorábbi megvalósítás a Skinner oktatógép volt.
  • Az 1960-as és 1970-es években számos kísérletet tettek számítógépes oktatási rendszerekre. A költségek és a lassabb gépek korlátozták e rendszerek sikerét.
  • A 70-es évek végén és a 80-as évek elején az elem-válasz elmélet lehetővé tette a tesztkészítők számára, hogy elkezdjék a számítógépes adaptív tesztelés munkáját.
  • Korai és befolyásos számítógépes rendszer volt a Lisp oktató, más néven LISPITS (1983) a Carnegie Mellon Egyetemen.
  • Az 1985-ben megjelent SuperMemo a szétválasztott tanulást beépítette egy számítógépes rendszerbe.
  • Ugyancsak 1985-ben megjelent a Tudástérek című cikk, amely a négy elem egyikének alapját képezi.
  • Az ALEKS matematika oktató 1994-ben jelent meg, erőteljesen népszerűsítve a tudástérek használatát.
  • 1995-ben Corbett és Anderson kiadta a "Tudáskövetést", amely megalapozta a Bayesi tudáskövetési modelleket.
  • Néhány fontos szoftver az AutoTutor, az ACT-R és a Kognitív oktatói szerzői eszközöket tartalmazza.
  • Knewton a kortárs adaptív tanulási rendszerek példája. Kaplan és Pearson egyaránt alkalmazza Knewtont adaptív tanulási tapasztalatok nyújtására.

A négy elem

A legtöbb adaptív tanulási rendszernek ez a négy eleme van. A kifejezések megváltoznak, és változik a hatályuk is. De szinte mindig megtalálja mind a négy elemet.

Ezek az elemek a következők:

  • A szakértő - az "ideális" állapot grafikus modellje, mindaz, amiről az ember megtanulhatta ezt a rendszert.
  • A tanuló - a tanuló aktuális állapotának modellje, amely megmutatja, hogy a tanuló milyen valószínűséggel ismeri a szakértői grafikon egyes csomópontjait.
  • A tutor - az algoritmusok, amelyek meghatározzák, hogy milyen tartalmat és mikor kell megjeleníteni. A szakértői modell és a tanuló modell tájékoztatja az oktatót. Az oktató arra törekszik, hogy optimalizálja a tartalmat a relevancia, a kihívás és a hatékonyság szempontjából.
  • A kezelőfelület - így jeleníthető meg a tanulási élmény a tanuló előtt. Sok adaptív tanulási tapasztalat esetén az interfész változik a tanuló modellje és a tutor céljai alapján.

Menjünk bele minden elembe.

A szakértő - mindennek a nagy grafikonja

A szakértői modell egy nagy, összekapcsolt grafikon mindarról, amit a tanulóknak tudniuk kell. Ahogy a neve is mutatja, van egy szakértője a témának - vagy a témák szakértői - a modell létrehozásához. Ez a modell statikus. A szakértői modell csak akkor változik, ha a tanulási eredmények köre megváltozik. Vagy amikor problémák és lehetőségek adódnak az adaptív tanulási rendszer finomítására.

A szakértői modell munkájának nagy része az új tanulási tapasztalat építésének kezdetén van. Az adaptív tanulási rendszer hozzáfér a szakértői modellhez, hogy összehasonlítsa a tanuló jelenlegi állapotát a szakértői modellel. A rendszer a szakértői modellhez is hozzáfér, hogy meghatározza, melyik tanulási tapasztalatra koncentráljon tovább.

Általában egy szakértői csoport határozza meg a tanulási eredmények körét. A szakértői modell minden csomópontjának a következő attribútumokkal kell rendelkeznie:

  • Egy név
  • Rövid leírás, amely jelzi, hogy mely készségek vannak tesztelés alatt, és mi nem tartozik a körbe
  • Az előfeltételes csomópontok listája - ezek alkotják a grafikon "éleit". Ezek az előfeltételek nem alkothatnak "ciklust" - egy csomópontot.

A szakértői modellek jobban teljesítenek, ha mindegyik csomópont kicsi és szűken definiált. Például a Bloom taxonómiájának minden ismerete - felismerés, megértés, alkalmazás, elemzés, szintézis és értékelés - mindegyik a saját csomópontja lehet a szakértői modellben. Két alapkészség kombinációjának külön csomópontnak kell lennie.

Végtelen számú formátum használható fel szakértői modell létrehozására, például XML, JSON, CSV vagy YAML. Ez segíthet abban, hogy a szakértői modell grafikusan megjeleníthető felülvizsgálatra.

Egyes rendszerek automatikusan létrehoznak egy szakértői modellt, ha kérdéseket kérdeznek le szakértőkről, például egy varázslóval. Mások a meglévő tanulási tartalmakat csoportosítják olyan algoritmusok segítségével, mint a k-csoportosítás. Érdemes áttekinteni a Wikipedia Tudástérek című cikkét matematikaibb leírás céljából.

A tanuló - ahol vagy, szemben azzal, ahol szeretnél lenni

A tanuló elem a tanuló képességének jelenlegi modellje. Tehát a szakértői grafikon minden egyes csomópontjára a tanuló modellhez valószínűség kapcsolódik: 1-99%. A rendszer minden alkalommal frissíti ezt a grafikont, amikor a tanuló valamilyen tevékenységet végez. Ha egy tanuló helyesen válaszol egy kérdésre, a valószínűség megnő. Ha a tanuló helytelenül válaszol, a valószínűség csökken.

Minden tanulónak megvan a saját tanulói modellje. Tehát minden alkalommal, amikor új tanuló van a rendszerben, új tanulói modell létezik. Később az oktató a tanulói modell alapján dönt a tananyag tartalmának megrendeléséről.

Számos algoritmus létezik a tanuló modell frissítésére. A tudástérek azt sugallják, hogy amint a tanuló fejleszt egy készséget, a kapcsolódó készségek valószínűségének is igazodnia kell.

Egyes adaptív tanulási rendszerek egyszerű heurisztikus modelleket használnak a képességek valószínűségének frissítésére. Az elem-válasz elméletben a valószínűség szigmoid görbe mentén frissül. A Bayes-i tudáskövetésben ez a görbe konzervatívabb alakú. Minden modell általában figyelembe veszi ezeket a tényezőket:

  • Mielőtt a tanuló bármit megtenne, mi a becslés valószínűsége?
  • Mennyire valószínű, hogy a tanuló kitalálja a helyes választ, ha nem ismeri a készséget?
  • Mennyire valószínű, hogy a tanuló felcsúszik akkor is, ha ismeri a készséget?
  • Mennyire valószínű, hogy a tanuló "megtanulta" a készséget, miután meglátta az elemet?
  • Mennyire valószínű, hogy ez a tevékenység minősíti a tanulót képzettnek vagy képzetlennek?
  • Mennyire lesz nehéz ez a tárgy ennek a tanulónak?

Mind az elemválasz-elmélet, mind a Bayes-i tudáskövetéshez eszközre van szükség ezen paraméterek becsléséhez. Ez az adaptív tanulási rendszerek egyik leggyorsabban fejlődő területe, ezért még nem tudok konkrét javaslatokat tenni. Vannak olyan kutatók, akik klasszikus gépi tanulással készítenek modelleket, például ideghálózatokat.

A tutor - mit mikor kell megmutatni

Az oktató kiválasztja, hogy milyen sorrendben válassza ki azokat a tevékenységeket, amelyeket a tanuló folytatni fog. A tanulómodell minden egyes frissítése után az oktató frissíti az adott tanuló optimalizálásához szükséges utat.

A tutor célja, hogy a tanuló a lehető legkisebb idő alatt teljes szakértői grafikonhoz jusson. Egyes rendszerek lehetővé teszik a tanulók számára, hogy csak bizonyos területekre összpontosítsanak, a többit figyelmen kívül hagyva. Mivel a tanuló modell tanulónként egyedülálló, ugyanúgy az oktató által követett út is. Míg a szakértői és a tanuló elemek adatai egyes algoritmusokkal, addig a tutor algoritmusok bizonyos adatokkal.

A kurzor eldöntheti, hogy mely készségekre összpontosítson, és mely tevékenységeket hajtsa végre a tanuló. Ahhoz, hogy a készségek összpontosíthatók legyenek, az oktató gyakran olyan készségeket választ, amelyek a legnagyobb grafikonra gyakorolják a legnagyobb hatást. Ez gyakran azt jelenti, hogy az elemi képességekre kell összpontosítani a fejlettebb képességek előtt. Tevékenységek:

  • Az oktató megpróbálja kiválasztani a tanuló számára legmegfelelőbb tevékenységeket
  • Az oktató olyan tevékenységeket választ, amelyek kihívást jelentenek, de nem túl nehézek a tanuló számára.
  • Az oktató megpróbálja olyan tevékenységeket választani, amelyek csökkentik az elsajátításhoz szükséges teljes időt.

Az egyszerű adaptív tanulási oktatók véletlenszerűen választhatnak egy képességen belüli tevékenységeket. Az elemválasz-elméleten alapuló oktatók hangsúlyozzák a kihívást jelentő tevékenységek kiválasztását. A Bayes-i tudáskövetési modellekben a piac sokféle tutor algoritmussal rendelkezik. A kutatók inkább a szakértői és a tanulói elemekre összpontosítottak. Tehát nem tudjuk, mi adja a legjobb tanulási eredményeket a tutor elem számára.

A kezelőfelület - hogyan lehet megmutatni

Néhány adaptív tanulási rendszer megváltoztatja a felhasználói felületet. Mivel a tanuló kevésbé ismeri a készségeket, a kezelőfelület csökkentené és jobban összpontosítana a feladatra. A tanuló képességének növekedésével a teljes felület több része összeáll. Egyesek ezt a folyamatot "állványozásnak" nevezik.

Bizonyos rendszerekben a tanulók tanácsokat kérhetnek és fogadhatnak. Mikor kell tippeket ajánlani, és ezek mélysége a tanuló képességei alapján beállítható.

Van még néhány kérdés, például:

  • Megmutatja a szakértői grafikont a tanuló számára?
  • Megmutatja az összes készség fejlődését? Hogyan?
  • Megmutatja az előrehaladásukat a speciális készségek terén? Hogyan?
  • Van-e választása a tanulónak a tanulási tartalom terén? Vagy a rendszer mindent eldönt?

A rendszer igényeitől függően ezek a tételek némelyike ​​befolyásolhatja a tanulási eredményeket.

Honnan tudjuk, hogy jó-e az adaptív tanulás?

Mivel ezek a rendszerek az egyetemekről származnak, az egyes rendszerekkel jelentős mennyiségű adat és előzmény áll rendelkezésünkre.

Az emberi egyéni korrepetálás a legerősebb tanulási eredményekkel jár. Ez az oktatáskutatásban gyakori megállapítás. Eddig egyetlen számítógépes adaptív tanulási rendszer sem teljesítette jobban az ember egy-egy oktatást.

A kutatók egyedül az osztálytermi tanulást, a számítógépes adaptív tanulást, valamint a kombinált osztálytermi és adaptív tanulást vizsgálták. Az „Intelligens oktató rendszerek hatékonysága” című 2016-os tanulmány metaelemzést nyújt ezekről a tanulmányokról. Az adaptív tanulási rendszerek általában felülmúlják a hagyományos osztálytermi tanulást. A tantermi tanulással kombinálva az adaptív tanulási rendszerek pozitív hatást keltenek, de vannak bizonyos korlátok.

Az adaptív rendszerek különösen jól működnek az azonnali visszajelzéssel és a készségek elsajátításának biztosításával. A nyomozók megjegyeznek néhány fejlesztendő területet:

  • Az e rendszerek tartalmának fejlesztése magas.
  • Ezek a rendszerek gyakran nem tudják kontextualizálni a tanulást, ahogyan az ember képes.
  • Az adaptív tanulási rendszerek nagyobb kihívást érezhetnek, ami csökkentheti a tanuló motivációját.

Tekerje be

Welp, most kibújtam. Kitértem arra, hogy mi az adaptív tanulási rendszer. Biztosítottam néhány összefüggést e rendszerek tervezéséhez. Egy kis történelem. Kitértem a négy fő elemre: a szakértőre, a tanulóra, az oktatóra és az interfészre. Remélhetőleg nem volt túl technikai.

Kötelező cikkvégi cselekvésre ösztönzés: Nézze meg a Sagefy-t, a nyílt tartalmú adaptív tanulási rendszert, amelyen dolgozom.