Адаптивное обучение

Адаптивное обучение , также известное как адаптивное обучение , представляет собой образовательный метод , в котором используются компьютерные алгоритмы, а также искусственный интеллект для организации взаимодействия с учащимся и предоставления индивидуальных ресурсов и учебных мероприятий для удовлетворения уникальных потребностей каждого учащегося. ^[1] В контексте профессионального обучения люди могут «проверить» некоторые тренинги, чтобы убедиться, что они получают новые инструкции. Компьютеры адаптируют представление учебного материала в соответствии с потребностями обучения учащихся, о чем свидетельствуют их ответы на вопросы, задачи и опыт. Технология охватывает аспекты, полученные из различных областей исследования, включая информатику, искусственный интеллект, психометрию , образование, психологию и науку о мозге.

Исследования, проведенные, особенно в образовательных учреждениях США, продемонстрировали эффективность систем адаптивного обучения в содействии обучению учащихся. Среди 37 недавних исследований, в которых изучалось влияние адаптивного обучения на результаты обучения, подавляющее большинство — 86% (32 исследования) сообщили о положительных эффектах. ^[2]

Адаптивное обучение частично было обусловлено осознанием того, что индивидуальное обучение не может быть достигнуто в больших масштабах с использованием традиционных, неадаптивных подходов. Системы адаптивного обучения стремятся превратить учащегося из пассивного воспринимателя информации в участника образовательного процесса. Основное применение систем адаптивного обучения — в образовании, но еще одним популярным применением является бизнес-обучение. Они были разработаны как приложения для настольных компьютеров, веб-приложения и в настоящее время вводятся в общие учебные программы. ^[3]

История [ править ]

Адаптивное обучение или интеллектуальное обучение берет свое начало в движении искусственного интеллекта и начало набирать популярность в 1970-х годах. В то время было общепринято, что компьютеры в конечном итоге обретут человеческую способность к адаптивности. Основная предпосылка адаптивного обучения заключается в том, что инструмент или система смогут адаптироваться к методу обучения учащегося/пользователя, что приведет к более качественному и эффективному обучению пользователя. Еще в 70-х годах основным препятствием была стоимость и размер компьютеров, что делало их широкое применение непрактичным. Еще одним препятствием на пути внедрения первых интеллектуальных систем было то, что пользовательские интерфейсы не способствовали процессу обучения. Начало работы над адаптивными и интеллектуальными системами обучения обычно восходит к системе SCHOLAR, которая предлагала адаптивное обучение по теме «География Южной Америки». ^[4] За пять лет появился ряд других инновационных систем. Хороший отчет о ранних работах по адаптивному обучению и интеллектуальным системам обучения можно найти в классической книге «Интеллектуальные системы обучения». ^[5]

Технология и методология [ править ]

Системы адаптивного обучения традиционно делились на отдельные компоненты или «модели». Хотя были представлены различные группы моделей, большинство систем включают некоторые или все из следующих моделей (иногда с разными названиями): ^[6]^[7]

Экспертная модель – модель с информацией, которую необходимо преподавать.
Модель студента – модель, которая отслеживает и изучает студента.
Учебная модель – модель, которая фактически передает информацию.
Учебная среда – пользовательский интерфейс для взаимодействия с системой.

Экспертная модель [ править ]

Экспертная модель хранит информацию о преподаваемом материале. Это могут быть простые решения набора вопросов, но они также могут включать уроки и учебные пособия, а в более сложных системах — даже экспертные методологии для иллюстрации подходов к вопросам.

Системы адаптивного обучения, которые не включают экспертную модель, обычно включают эти функции в модель обучения.

Студенческая модель [ править ]

Простейшим способом определения уровня навыков учащегося является метод CAT ( компьютеризированное адаптивное тестирование ). В CAT испытуемому предлагаются вопросы, которые выбираются в зависимости от уровня сложности и предполагаемого уровня навыков испытуемого. По ходу теста компьютер корректирует оценку испытуемого на основе его ответов, постоянно корректируя оценку, выбирая вопросы из более узкого диапазона сложности.

Алгоритм оценки в стиле CAT прост в реализации. Большой пул вопросов накапливается и оценивается в зависимости от сложности с помощью экспертного анализа, экспериментов или их комбинации. Затем компьютер выполняет, по сути, двоичный поиск, всегда задавая испытуемому вопрос, который находится посередине между тем, что компьютер уже определил как максимально и минимально возможные уровни навыков испытуемого. Затем эти уровни корректируются в соответствии с уровнем сложности вопроса, переназначая минимум, если испытуемый ответил правильно, и максимум, если испытуемый ответил неправильно. Очевидно, что необходимо заложить определенный допуск на ошибку, чтобы учесть сценарии, в которых ответ испытуемого не указывает на его истинный уровень навыков, а просто является случайным. Задание нескольких вопросов одного уровня сложности значительно снижает вероятность ошибочного ответа, а выход за рамки предполагаемого уровня квалификации может компенсировать возможные неверные оценки.

Дальнейшим расширением выявления слабых мест с точки зрения концепций является программирование модели студента для анализа неправильных ответов. Это особенно применимо к вопросам с несколькими вариантами ответов. Рассмотрим следующий пример:

Вопрос. Упростите:

2x^{2}+x^{3}

а) нельзя упростить

б)

3x^{5}

в) ...

г)...

Очевидно, что студент, который отвечает (б), складывает показатели степени и не может уловить концепцию подобных членов. В этом случае неправильный ответ дает дополнительную информацию, помимо того простого факта, что он неверен.

Учебная модель [ править ]

Модель обучения обычно включает в себя лучшие образовательные инструменты, которые могут предложить технологии (например, мультимедийные презентации), а также советы опытных учителей по методам презентации. Уровень сложности модели обучения во многом зависит от уровня сложности модели ученика. В модели ученика в стиле CAT модель обучения просто ранжирует уроки в соответствии с рангами в пуле вопросов. Когда уровень учащегося определен удовлетворительно, модель обучения обеспечивает соответствующий урок. Более продвинутые модели учащихся, которые оценивают знания на основе концепций, нуждаются в модели обучения, которая также организует уроки по концепциям. Модель обучения может быть разработана для анализа совокупности слабых мест и соответствующей адаптации плана урока.

Когда неправильные ответы оцениваются моделью ученика, некоторые системы стремятся предоставить обратную связь на реальные вопросы в форме «подсказок». Когда ученик делает ошибки, всплывают полезные предложения, например, «посмотри внимательно на знак числа». Это также может относиться к модели обучения, когда общие подсказки, основанные на концепциях, предлагаются на основе слабых сторон концепции, или подсказки могут быть связаны с конкретным вопросом, и в этом случае модели ученика, обучения и эксперта перекрываются.

Реализации [ править ]

Система управления обучением [ править ]

Многие системы управления обучением включают в себя различные функции адаптивного обучения. Система управления обучением (LMS) — это программное приложение для администрирования, документирования, отслеживания, отчетности и проведения образовательных курсов, программ обучения или программ обучения и развития. Системы адаптивного обучения ранее использовались, например, чтобы помочь учащимся улучшить навыки аргументированного письма ( Argument Mining). ^[8]

Дистанционное обучение [ править ]

Адаптивные системы обучения ^[9] может быть реализован в Интернете для использования в дистанционном обучении и групповом сотрудничестве. ^[10]

Область дистанционного обучения теперь включает в себя аспекты адаптивного обучения. Первоначальные системы без адаптивного обучения могли обеспечивать автоматизированную обратную связь со студентами, которым предлагались вопросы из заранее выбранного банка вопросов. Однако этому подходу не хватает руководства, которое могут предоставить учителя в классе. Современные тенденции в дистанционном обучении требуют использования адаптивного обучения для реализации интеллектуального динамического поведения в среде обучения.

Пока студент изучает новую концепцию, его способности проверяются, а базы данных отслеживают его прогресс с использованием одной из моделей. Последнее поколение систем дистанционного обучения учитывает ответы учащихся и адаптируется к их когнитивным способностям, используя концепцию, называемую «когнитивные леса». Когнитивные леса — это способность автоматизированной системы обучения создавать когнитивный путь оценки от самого низкого до самого высокого на основе продемонстрированных когнитивных способностей. ^[11]

В настоящее время успешной реализацией адаптивного обучения в дистанционном обучении через Интернет является движок Maple WebLearn от университета RMIT. ^[12] WebLearn достаточно продвинут, чтобы обеспечить оценку вопросов, задаваемых учащимся, даже если на эти вопросы нет однозначного ответа, как в области математики.

Адаптивное обучение может быть включено для облегчения группового сотрудничества в средах дистанционного обучения, таких как форумы или службы обмена ресурсами. ^[13] Некоторые примеры того, как адаптивное обучение может помочь в совместной работе, включают автоматическую группировку пользователей с одинаковыми интересами и персонализацию ссылок на источники информации на основе заявленных интересов пользователя или привычек пользователя в Интернете.

игровой Образовательный дизайн

В 2014 году исследователь в области образования завершил многолетнее исследование адаптивного обучения дизайну образовательных игр. В ходе исследования была разработана и подтверждена модель ALGAE (Adaptive Learning GAme dEsign), комплексная модель адаптивного обучения, основанная на теориях и практиках игрового дизайна, стратегиях обучения и адаптивных моделях. Исследование расширило предыдущие исследования в области игрового дизайна, стратегий обучения и адаптивного обучения, объединив эти три компонента в единую сложную модель.

Результатом исследования стала разработка модели адаптивного образовательного игрового дизайна, которая послужит руководством для игровых дизайнеров, разработчиков учебных материалов и преподавателей с целью повышения результатов обучения. Участники опроса подтвердили ценность модели ALGAE и предоставили конкретную информацию о конструкции, использовании, преимуществах и проблемах модели. Текущая модель ВОДОРОСЛЕЙ основана на этих открытиях. Модель теперь служит руководством для проектирования и разработки образовательных компьютерных игр.

Применимость модели оценивается как межотраслевая, включая правительственные и военные ведомства/подразделения, игровую индустрию и научные круги. Фактическая ценность модели и соответствующий подход к ее реализации (целенаправленный или несфокусированный) будут полностью реализованы по мере того, как модель ВОДОРОСЕЙ станет более широко распространенной. ^[14]

Инструменты разработки [ править ]

Хотя функции адаптивного обучения часто упоминаются в маркетинговых материалах инструментов, диапазон адаптивности может существенно различаться.

Инструменты начального уровня, как правило, ориентированы на определение пути учащегося на основе упрощенных критериев, таких как ответ учащегося на вопрос с несколькими вариантами ответов. Правильный ответ может направить учащегося на путь А, тогда как неправильный ответ может направить его на путь Б. Хотя эти инструменты предоставляют адекватный метод базового ветвления, они часто основаны на базовой линейной модели, посредством которой учащийся просто перенаправляется на путь Б. точка где-то на заранее определенной линии. Из-за этого их возможности не соответствуют истинной адаптивности.

На другом конце спектра находятся продвинутые инструменты, которые позволяют создавать очень сложные адаптации, основанные на любом количестве сложных условий. Эти условия могут относиться к тому, что учащийся делает в данный момент, к предыдущим решениям, отслеживанию поведения, интерактивным и внешним действиям и т. д. Эти инструменты более высокого класса обычно не имеют базовой навигации, поскольку они, как правило, используют методы искусственного интеллекта, такие как механизм вывода . Из-за фундаментальных различий в конструкции современные инструменты могут предоставлять богатые возможности оценки. Вместо того, чтобы задавать простой вопрос с несколькими вариантами ответов, учащемуся может быть предложена сложная симуляция, в которой учитывается ряд факторов, определяющих, как учащемуся следует адаптироваться.

См. также [ править ]

Ссылки [ править ]

Эта статья включает в себя материал из статьи Citizendium « Адаптивное обучение », которая лицензируется по лицензии Creative Commons Attribution-ShareAlike 3.0 Unported , но не по GFDL .

^ Андреас Каплан (2021). Высшее образование на перекрестке перемен, Университет 21 века . Издательство «Эмерал». ISBN 9781800715042 .
^ Ван, Шуай; Кристенсен, Клэр; Цуй, Вэй; Тонг, Ричард; Ярналл, Луиза; Шир, Линда; Фэн, Мингю (17 февраля 2023 г.). «Когда адаптивное обучение является эффективным обучением: сравнение системы адаптивного обучения с обучением под руководством учителя» . Интерактивная среда обучения . 31 (2): 793–803. дои : 10.1080/10494820.2020.1808794 . ISSN 1049-4820 . S2CID 225186350 .
^ Петр Брусиловский (2003). «Адаптивные и интеллектуальные веб-образовательные системы» . Международный журнал искусственного интеллекта в образовании . 13 (2–4): 159–172.
^ Дж. Р. Карбонелл (1970). «ИИ в CAI: подход к компьютерному обучению на основе искусственного интеллекта». Транзакции IEEE в человеко-машинных системах . 11 (4): 190–202. дои : 10.1109/TMMS.1970.299942 .
^ Дерек Х. Слиман ; Джон Сили Браун , ред. (1982). Интеллектуальные системы обучения . Академическая пресса. ISBN 9780126486803 .
^ Чарльз П. Блум, Р. Боуэн Лофтин, Содействие разработке и использованию интерактивной среды обучения , Lawrence Erlbaum Associates (1998).
^ «Предлагаемый алгоритм модели студента для моделирования студента и его оценки». дои : 10.1109/SICE.1995.526704 . S2CID 61285822 . {{cite journal}}: Для цитирования журнала требуется |journal= ( помощь )
^ Вамбсгансс, Тимо; Никлаус, Кристина; Четто, Матиас; Зёлльнер, Матиас; Хандшу, Зигфрид; Леймейстер, Ян Марко (21 апреля 2020 г.). «AL: Адаптивная система поддержки обучения навыкам аргументации» . Материалы конференции CHI 2020 года по человеческому фактору в вычислительных системах . Гонолулу, штат Гавайи, США: ACM. стр. 1–14. дои : 10.1145/3313831.3376732 . ISBN 978-1-4503-6708-0 . S2CID 218482749 .
^ «Адаптивное обучение » Онлайн-обучение EdAlive» . 16 февраля 2021 г. Проверено 1 июня 2023 г.
^ «Персонализированное электронное обучение – индивидуальные маршруты» . Проверено 26 января 2016 г.
^ «Когнитивные основы для веб-среды адаптивного обучения» . Архивировано из оригинала 28 августа 2012 года . Проверено 17 августа 2008 г.
^ «Работа с различными уровнями познания для онлайн-обучения» (PDF) . Архивировано из оригинала (PDF) 18 сентября 2010 года . Проверено 17 августа 2008 г.
^ «На пути к сетевым сообществам адаптивного обучения» (PDF) . Архивировано из оригинала (PDF) 4 июня 2006 г. Проверено 17 августа 2008 г.
^ Лавьери, Эдвард (2014). Исследование адаптивного обучения для дизайна образовательных игр . ISBN 9781321049602 . ПроКвест 1562778630 .

[1] Андреас Каплан (2021). Высшее образование на перекрестке перемен, Университет 21 века . Издательство «Эмерал». ISBN 9781800715042 .

[2] Ван, Шуай; Кристенсен, Клэр; Цуй, Вэй; Тонг, Ричард; Ярналл, Луиза; Шир, Линда; Фэн, Мингю (17 февраля 2023 г.). «Когда адаптивное обучение является эффективным обучением: сравнение системы адаптивного обучения с обучением под руководством учителя» . Интерактивная среда обучения . 31 (2): 793–803. дои : 10.1080/10494820.2020.1808794 . ISSN 1049-4820 . S2CID 225186350 .

[3] Петр Брусиловский (2003). «Адаптивные и интеллектуальные веб-образовательные системы» . Международный журнал искусственного интеллекта в образовании . 13 (2–4): 159–172.

[4] Дж. Р. Карбонелл (1970). «ИИ в CAI: подход к компьютерному обучению на основе искусственного интеллекта». Транзакции IEEE в человеко-машинных системах . 11 (4): 190–202. дои : 10.1109/TMMS.1970.299942 .

[5] Дерек Х. Слиман ; Джон Сили Браун , ред. (1982). Интеллектуальные системы обучения . Академическая пресса. ISBN 9780126486803 .

[6] Чарльз П. Блум, Р. Боуэн Лофтин, Содействие разработке и использованию интерактивной среды обучения , Lawrence Erlbaum Associates (1998).

[7] «Предлагаемый алгоритм модели студента для моделирования студента и его оценки». дои : 10.1109/SICE.1995.526704 . S2CID 61285822 . {{cite journal}}: Для цитирования журнала требуется |journal= ( помощь )

[8] Вамбсгансс, Тимо; Никлаус, Кристина; Четто, Матиас; Зёлльнер, Матиас; Хандшу, Зигфрид; Леймейстер, Ян Марко (21 апреля 2020 г.). «AL: Адаптивная система поддержки обучения навыкам аргументации» . Материалы конференции CHI 2020 года по человеческому фактору в вычислительных системах . Гонолулу, штат Гавайи, США: ACM. стр. 1–14. дои : 10.1145/3313831.3376732 . ISBN 978-1-4503-6708-0 . S2CID 218482749 .

[9] «Адаптивное обучение » Онлайн-обучение EdAlive» . 16 февраля 2021 г. Проверено 1 июня 2023 г.

[10] «Персонализированное электронное обучение – индивидуальные маршруты» . Проверено 26 января 2016 г.

[11] «Когнитивные основы для веб-среды адаптивного обучения» . Архивировано из оригинала 28 августа 2012 года . Проверено 17 августа 2008 г.

[12] «Работа с различными уровнями познания для онлайн-обучения» (PDF) . Архивировано из оригинала (PDF) 18 сентября 2010 года . Проверено 17 августа 2008 г.

[13] «На пути к сетевым сообществам адаптивного обучения» (PDF) . Архивировано из оригинала (PDF) 4 июня 2006 г. Проверено 17 августа 2008 г.

[14] Лавьери, Эдвард (2014). Исследование адаптивного обучения для дизайна образовательных игр . ISBN 9781321049602 . ПроКвест 1562778630 .

[1]

[2]

[3]

[4]

[5]

[6]

[7]

[8]

[9]

[10]

[11]

[12]

[13]

[14]