Πώς να φτιάξετε ένα προσαρμοστικό σύστημα μάθησης

Έχετε ξεκινήσει ποτέ ένα μάθημα, αλλά πίστευα ότι ήταν πολύ αργό; Ή πολύ δύσκολο; Θέλετε να το κάνετε πιο γρήγορο; Μήπως αισθανθήκατε ότι δεν έχετε αρκετή εξάσκηση για να ελέγξετε το περιεχόμενο; Τα προσαρμοστικά συστήματα μάθησης επιδιώκουν να αντιμετωπίσουν αυτές τις προκλήσεις.

Σε αυτό το άρθρο, θα εξετάσω τι είναι τα προσαρμοστικά συστήματα μάθησης. Καλύπτω ένα υπόβαθρο για το γιατί τα προσαρμοστικά συστήματα μάθησης έχουν τη δομή που κάνουν. Θα εισαγάγω επίσης μερικά προσαρμοστικά συστήματα μάθησης. Στη συνέχεια, θα μιλήσω για τα τέσσερα στοιχεία ενός προσαρμοστικού συστήματος μάθησης και για το πώς μπορείτε να το δημιουργήσετε μόνοι σας. Θα ολοκληρώσουμε την αξιολόγηση των πλεονεκτημάτων και των μειονεκτημάτων της προσαρμοστικής μάθησης.

Τι είναι ένα προσαρμοστικό σύστημα μάθησης;

Ένα προσαρμοστικό σύστημα μάθησης είναι λογισμικό όπου οι αλγόριθμοι βελτιστοποιούν το περιεχόμενο για προσαρμογή για τους στόχους του μαθητή και την τρέχουσα κατάσταση γνώσης.

Σε ένα παραδοσιακό μάθημα ηλεκτρονικής μάθησης, θα ακολουθήσετε γραμμικά τη διαδρομή που δημιουργεί ένας εκπαιδευτής. Παρακολουθείτε βίντεο, διαβάζετε άρθρα, λαμβάνετε κουίζ και εξασκείτε διαδραστικές ενότητες με προκαθορισμένη παραγγελία. Ένα προσαρμοστικό σύστημα μάθησης θα περιέχει τους ίδιους τύπους υλικών. Αλλά η σειρά θα αλλάξει για κάθε μαθητή. Το σύστημα αποφασίζει ποιο περιεχόμενο θα δείξει στον μαθητή με βάση δύο πράγματα:

  • Εάν ο στόχος του μαθητή είναι μόνο ένα υποσύνολο του περιεχομένου, το σύστημα μπορεί να περιορίσει το περιεχόμενο.
  • Η προηγούμενη γνώση μπαίνει επίσης στο παιχνίδι. Εάν το σύστημα διαπιστώσει ότι η τρέχουσα διαδρομή είναι πολύ εύκολη, το σύστημα μπορεί να επιταχύνει σε πιο απαιτητικό υλικό. Εάν το σύστημα ανακαλύψει ότι η τρέχουσα διαδρομή είναι πολύ δύσκολη, το σύστημα μπορεί ... να παρέμβει και να επανεξετάσει το απαραίτητο περιεχόμενο, να μειώσει την πρόκληση ή να επιβραδύνει το ρυθμό.

Ορισμένα σχετικά θέματα περιλαμβάνουν έξυπνους δασκάλους, προσαρμοστικές δοκιμές, ψυχομετρία, εξατομικευμένη μάθηση και έξυπνη διδασκαλία. Πολλά από αυτά τα θέματα μοιράζονται αλγόριθμους και δομές με προσαρμοστικά συστήματα μάθησης.

Η γνώση είναι ένα γράφημα: νευροεπιστήμη

Θα ξεκινήσω με λίγο φόντο. Αυτό θα δημιουργήσει πλαίσιο για το γιατί τα προσαρμοστικά συστήματα μάθησης έχουν τα τέσσερα στοιχεία παρακάτω. Το σημείο για αυτό είναι η γνώση είναι ένα γράφημα .

Ο ανθρώπινος εγκέφαλος έχει 86 δισεκατομμύρια νευρώνες. Κάθε νευρώνας έχει δενδρίτες, soma και axon.

  • Οι δενδρίτες είναι η είσοδος . Τα άκρα των δενδριτών δέχονται νευροδιαβιβαστές από τη σύναψη. Η σύναψη είναι ένα κενό μεταξύ δύο νευρώνων.
  • Το soma είναι η απόδοση . Το soma - το οποίο περιέχει τον πυρήνα του κυττάρου - δρομολογεί την είσοδο από τους δενδρίτες.
  • Ο άξονας είναι η έξοδος . Ο άξονας μεταδίδει ένα δυναμικό δράσης - ένα ηλεκτρικό σήμα - στους ακροδέκτες του άξονα. Μια θήκη μυελίνης καλύπτει τον άξονα για την προστασία του σήματος. Οι ακροδέκτες του άξονα απελευθερώνουν νευροδιαβιβαστές στη σύναψη.

Οι πληροφορίες που λαμβάνει και επεξεργάζεται ο εγκέφαλός σας αντιστοιχεί σε μια νευρική οδό. Ο εγκέφαλός σας με το μυελινωτικό μονοπάτι - ενισχύστε τη μυελίνη γύρω από τον άξονα για να υποστηρίξετε ηλεκτρικά σήματα. Λόγω της ενισχυμένης μυελίνης, αυτό το μονοπάτι θα είναι πιθανότερο να πυροδοτηθεί στο μέλλον. Με άλλα λόγια, μαθαίνετε.

Ακόμα και στη μικρότερη κλίμακα, ο εγκέφαλός μας είναι ένα τεράστιο γράφημα συνδεδεμένων νευρώνων. Μαθαίνουμε και βελτιστοποιούμε κάνοντας κάποιες διαδρομές πιο πιθανές να συνδεθούν από άλλες διαδρομές.

Η γνώση είναι ένα γράφημα: εκμάθηση της επιστήμης

Ο ισχυρότερος προγνωστικός παράγοντας για το πώς αποδίδουμε σε ένα μαθησιακό περιβάλλον είναι η προηγούμενη γνώση μας. Αυτό που ήδη γνωρίζουμε πριν ξεκινήσουμε τη μαθησιακή εμπειρία. Ένα αξιοσημείωτο έγγραφο ψυχολογίας - 1999 Dochy, Segers και Buehl - βρήκε προηγούμενη γνώση είναι το 81% των διαφορών έκβασης μεταξύ των μαθητών. Ο έλεγχος των προηγούμενων γνώσεων πριν από την εμφάνιση νέων πληροφοριών επηρεάζει τα μαθησιακά αποτελέσματα. Και η σύνδεση νέων γνώσεων με προηγούμενες γνώσεις ενώ η διδασκαλία μπορεί να έχει επίσης μεγάλο αντίκτυπο. (Δείτε οκτώ ιδέες για πηγές.)

Το πιο διάσημο έγγραφο ψυχολογίας είναι το 1956 "The Magical Number Seven, Plus or Minus Two" του George Miller. Η εργασία δείχνει ότι οι άνθρωποι έχουν περιορισμένη μνήμη εργασίας. Ο Μίλερ βρήκε για απλούς αριθμούς, ένας άνθρωπος θα μπορούσε να εργαστεί με περίπου επτά αντικείμενα ταυτόχρονα. Αργότερα ερευνητές διαπίστωσαν για πιο περίπλοκες πληροφορίες, το όριο αυτό είναι πλησιέστερο σε τέσσερα.

Μερικοί ψυχολόγοι προτείνουν αυτά τα "τέσσερα κουλοχέρηδες", για να μάθουμε, τουλάχιστον ένα ή δύο πρέπει να γνωρίζουμε προηγουμένως. Πόση προηγούμενη γνώση μπορούμε να "φορτώσουμε" σε μία από τις τέσσερις υποδοχές εξαρτάται από την ισχύ των συνδέσεων στο γράφημα. Όταν έχουμε τόσο προηγούμενες γνώσεις όσο και νέες γνώσεις στη μνήμη εργασίας μας, συνδυάζουμε τις πληροφορίες. Και ενισχύουμε τη σύνδεση μεταξύ των δύο. Η προσπάθεια εκμάθησης νέων πληροφοριών χωρίς σύνδεση με προηγούμενες γνώσεις περιορίζει τη δύναμη της μνήμης.

Εν ολίγοις, μαθαίνουμε συνδέοντας προηγούμενες γνώσεις με νέες πληροφορίες. Και αυτές οι συνδέσεις σχηματίζουν ένα μεγάλο, ατελείωτο γράφημα γνώσεων.

Μερικά σημαντικά προσαρμοστικά συστήματα μάθησης

Αυτή η ενότητα είναι περισσότερο πλαίσιο, αλλά προαιρετική. Δεν γράφω ένα αναλυτικό άρθρο για την ιστορία αυτών των συστημάτων, αλλά εδώ είναι μερικές κουκκίδες:

  • Μία από τις πρώτες υλοποιήσεις ήταν η μηχανή διδασκαλίας Skinner.
  • Κατά τη διάρκεια της δεκαετίας του 1960 και του 1970, έγιναν πολλές προσπάθειες σε μηχανογραφημένα εκπαιδευτικά συστήματα. Το κόστος και οι πιο αργές μηχανές περιόρισαν την επιτυχία αυτών των συστημάτων.
  • Στα τέλη της δεκαετίας του '70 και στις αρχές της δεκαετίας του '80, η Θεωρία Ανταπόκρισης Στοιχείων επέτρεψε στους κατασκευαστές δοκιμών να αρχίσουν να εργάζονται σε αυτοματοποιημένες προσαρμοστικές δοκιμές.
  • Ένα πρώιμο και ισχυρό μηχανογραφημένο σύστημα ήταν ο δάσκαλος της Lisp, επίσης γνωστός ως LISPITS (1983) στο Πανεπιστήμιο Carnegie Mellon.
  • Το SuperMemo, που κυκλοφόρησε το 1985, ενσωμάτωσε τη διαστημική μάθηση σε ένα ηλεκτρονικό σύστημα.
  • Επίσης, το 1985 κυκλοφόρησε ένα έγγραφο για τους χώρους γνώσης, το οποίο αποτελεί τα θεμέλια ενός από τα τέσσερα στοιχεία.
  • Ο δάσκαλος της ALEKS Math κυκλοφόρησε το 1994, προωθώντας σε μεγάλο βαθμό τη χρήση των χώρων γνώσης.
  • Το 1995, οι Corbett και Anderson δημοσίευσαν το "Knowledge tracing", δημιουργώντας τα θεμέλια για τα μοντέλα ανίχνευσης γνώσεων Bayesian.
  • Ορισμένα σημαντικά λογισμικά περιλαμβάνουν AutoTutor, ACT-R και Cognitive Tutor Authoring Tools.
  • Το Knewton είναι ένα παράδειγμα σύγχρονων προσαρμοστικών συστημάτων μάθησης. Ο Kaplan και ο Pearson χρησιμοποιούν και οι δύο το Knewton για να παρέχουν προσαρμοστικές μαθησιακές εμπειρίες.

Τα τέσσερα στοιχεία

Τα περισσότερα προσαρμοστικά συστήματα μάθησης έχουν σήμερα αυτά τα τέσσερα στοιχεία. Οι όροι αλλάζουν και το ίδιο ισχύει. Αλλά σχεδόν πάντα θα βρείτε και τα τέσσερα στοιχεία.

Αυτά τα στοιχεία είναι:

  • Ο ειδικός - ένα γραφικό μοντέλο της «ιδανικής» κατάστασης, για οτιδήποτε μπορούσε να μάθει το άτομο χρησιμοποιώντας αυτό το σύστημα.
  • Ο μαθητευόμενος - ένα μοντέλο της τρέχουσας κατάστασης του μαθητή, το οποίο δείχνει πόσο πιθανό είναι ο μαθητής να γνωρίζει κάθε έναν από τους κόμβους στο γράφημα εμπειρογνωμόνων.
  • Ο δάσκαλος - οι αλγόριθμοι που καθορίζουν ποιο περιεχόμενο θα δείξει και πότε. Το μοντέλο των ειδικών και το μοντέλο των μαθητών ενημερώνουν τον εκπαιδευτή. Ο δάσκαλος επιδιώκει να βελτιστοποιήσει το περιεχόμενο για συνάφεια, πρόκληση και αποτελεσματικότητα.
  • Η διεπαφή - που είναι ο τρόπος εμφάνισης της μαθησιακής εμπειρίας στον μαθητή. Σε πολλές προσαρμοστικές μαθησιακές εμπειρίες, η διεπαφή αλλάζει με βάση το μοντέλο του μαθητή και τους στόχους του εκπαιδευτή.

Ας πάμε σε κάθε στοιχείο.

Ο ειδικός - το μεγάλο γράφημα των πάντων

Το εξειδικευμένο μοντέλο είναι ένα μεγάλο, συνδεδεμένο γράφημα για όλα όσα θέλετε να μάθουν οι μαθητές. Όπως υποδηλώνει το όνομα, έχετε έναν ειδικό για το θέμα - ή ειδικούς σε θέματα - για να δημιουργήσετε το μοντέλο. Αυτό το μοντέλο είναι στατικό. Το μοντέλο των εμπειρογνωμόνων αλλάζει μόνο όταν αλλάζει το πεδίο των μαθησιακών αποτελεσμάτων. Ή όταν προκύπτουν προβλήματα και ευκαιρίες βελτίωσης του προσαρμοστικού συστήματος μάθησης.

Το μεγαλύτερο μέρος της εργασίας του ειδικού μοντέλου είναι στην αρχή της οικοδόμησης μιας νέας μαθησιακής εμπειρίας. Το προσαρμοστικό σύστημα μάθησης θα έχει πρόσβαση στο μοντέλο των εμπειρογνωμόνων για να συγκρίνει την τρέχουσα κατάσταση του μαθητή με το μοντέλο των ειδικών. Το σύστημα θα έχει επίσης πρόσβαση στο μοντέλο εμπειρογνωμόνων για να καθορίσει ποια μαθησιακή εμπειρία θα επικεντρωθεί στη συνέχεια.

Συνήθως, μια ομάδα εμπειρογνωμόνων θα καθορίσει το εύρος των μαθησιακών αποτελεσμάτων. Κάθε κόμβος στο μοντέλο ειδικών πρέπει να έχει τα ακόλουθα χαρακτηριστικά:

  • Ενα όνομα
  • Μια σύντομη περιγραφή, η οποία δείχνει ποιες δεξιότητες είναι υπό δοκιμή και τι είναι εκτός του πεδίου εφαρμογής
  • Μια λίστα προαπαιτούμενων κόμβων - σχηματίζουν τα "άκρα" του γραφήματος. Αυτές οι προϋποθέσεις δεν μπορούν να σχηματίσουν έναν «κύκλο» - έναν βρόχο κόμβων.

Τα εξειδικευμένα μοντέλα αποδίδουν καλύτερα όταν κάθε κόμβος είναι μικρός και στενά καθορισμένος. Για παράδειγμα, κάθε δεξιότητα στην ταξινόμηση του Bloom - αναγνώριση, κατανόηση, εφαρμογή, ανάλυση, σύνθεση και αξιολόγηση - θα μπορούσε το καθένα να είναι ο δικός της κόμβος στο μοντέλο εμπειρογνωμόνων. Ο συνδυασμός δύο υποκείμενων δεξιοτήτων πρέπει επίσης να είναι ένας ξεχωριστός κόμβος.

Υπάρχει ένας ατελείωτος αριθμός μορφών που θα μπορούσατε να χρησιμοποιήσετε για να δημιουργήσετε ένα εξειδικευμένο μοντέλο, όπως XML, JSON, CSV ή YAML. Μπορεί να σας βοηθήσει να εμφανίσετε γραφικά το ειδικό μοντέλο για έλεγχο.

Ορισμένα συστήματα θα δημιουργήσουν αυτόματα ένα μοντέλο εμπειρογνωμόνων με την ερώτηση ειδικών σε μια σειρά ερωτήσεων, όπως ένας οδηγός. Άλλοι θα συγκεντρώσουν το υπάρχον μαθησιακό περιεχόμενο, χρησιμοποιώντας αλγόριθμους όπως το k-means clustering. Ίσως θελήσετε να διαβάσετε το άρθρο της Wikipedia σχετικά με τους χώρους γνώσης για μια πιο μαθηματική περιγραφή.

Ο μαθητής - όπου βρίσκεστε σε σχέση με το σημείο που θέλετε να είστε

Το στοιχείο του μαθητή είναι ένα μοντέλο της τρέχουσας κατάστασης ικανότητας του μαθητή. Έτσι, για κάθε δεδομένο κόμβο στο γράφημα εμπειρογνωμόνων, το μοντέλο μαθητευόμενου σχετίζεται με αυτήν: 1-99%. Το σύστημα ενημερώνει αυτό το γράφημα κάθε φορά που ο μαθητής εκτελεί μια δραστηριότητα. Εάν ένας μαθητής απαντήσει σωστά σε μια ερώτηση, η πιθανότητα αυξάνεται. Εάν ο μαθητής απαντήσει λανθασμένα, η πιθανότητα μειώνεται.

Κάθε μαθητής έχει το δικό του μοντέλο μαθητή. Έτσι κάθε φορά που υπάρχει ένας νέος μαθητής στο σύστημα, υπάρχει ένα νέο μοντέλο μαθητευόμενου. Αργότερα, ο δάσκαλος θα χρησιμοποιήσει το μοντέλο μαθητή για να αποφασίσει πώς να παραγγείλει το μαθησιακό περιεχόμενο.

Υπάρχουν πολλοί αλγόριθμοι για την ενημέρωση του μοντέλου μαθητών. Οι χώροι γνώσης υποδηλώνουν ότι καθώς ο μαθητής αναπτύσσει μια δεξιότητα, οι πιθανότητες για σχετικές δεξιότητες πρέπει επίσης να προσαρμοστούν.

Μερικά προσαρμοστικά συστήματα μάθησης χρησιμοποιούν απλά ευρετικά μοντέλα για την ενημέρωση των πιθανοτήτων δεξιοτήτων. Στη θεωρία απόκρισης στοιχείων, η πιθανότητα ενημερώνεται κατά μήκος μιας σιγμοειδούς καμπύλης. Στην ανίχνευση γνώσεων Bayesian, αυτή η καμπύλη έχει ένα πιο συντηρητικό σχήμα. Κάθε μοντέλο τείνει να λαμβάνει υπόψη αυτούς τους παράγοντες:

  • Πριν ο μαθητής κάνει τίποτα, τι εκτιμούμε να είναι η πιθανότητα να είναι;
  • Πόσο πιθανό είναι ένας μαθητής να μαντέψει τη σωστή απάντηση εάν δεν ξέρει την ικανότητα;
  • Πόσο πιθανό είναι ο μαθητής να γλιστρήσει ακόμα κι αν ξέρει την ικανότητα;
  • Πόσο πιθανό είναι ο μαθητής να έχει «μάθει» την ικανότητα αφού δει το αντικείμενο;
  • Πόσο πιθανό αυτή η δραστηριότητα να κατηγοριοποιήσει τον μαθητή ως ειδικευμένο ή ανειδίκευτο;
  • Πόσο δύσκολο θα είναι αυτό το αντικείμενο για αυτόν τον συγκεκριμένο μαθητή;

Τόσο για τη θεωρία απόκρισης στοιχείων όσο και για τον εντοπισμό γνώσεων Bayesian, θα χρειαστείτε ένα μέσο για την εκτίμηση αυτών των παραμέτρων. Αυτός είναι ένας από τους πιο γρήγορα αναπτυσσόμενους τομείς στα προσαρμοστικά συστήματα μάθησης, οπότε δεν μπορώ να κάνω συγκεκριμένες προτάσεις ακόμα. Υπάρχουν επίσης ερευνητές που δημιουργούν μοντέλα με κλασική μηχανική μάθηση, όπως νευρωνικά δίκτυα.

Ο δάσκαλος - τι να δείξει πότε

Ο δάσκαλος επιλέγει με ποια σειρά θα επιλέξει τις δραστηριότητες που θα ασχοληθεί ο μαθητής. Μετά από κάθε ενημέρωση του μοντέλου μαθητή, ο εκπαιδευτής θα ενημερώσει τη διαδρομή που θα ακολουθήσει για τη βελτιστοποίηση αυτού του μαθητή.

Ο στόχος του εκπαιδευτή είναι να φέρει τον μαθητή σε ένα πλήρες γράφημα εμπειρογνωμόνων στο μικρότερο χρονικό διάστημα. Ορισμένα συστήματα επιτρέπουν στους μαθητές να επικεντρώνονται μόνο σε ορισμένες περιοχές αγνοώντας τους υπόλοιπους. Καθώς το μοντέλο του μαθητή είναι μοναδικό ανά μαθητή, το ίδιο ισχύει και για το μονοπάτι που θα ακολουθήσει ο εκπαιδευτικός. Ενώ τα στοιχεία εμπειρογνωμόνων και εκπαιδευόμενων είναι δεδομένα με ορισμένους αλγόριθμους, ο δάσκαλος είναι αλγόριθμοι με ορισμένα δεδομένα.

Ο δάσκαλος μπορεί να αποφασίσει και τις δύο δεξιότητες για να επικεντρωθεί και σε ποιες δραστηριότητες να κάνει ο μαθητής. Για να επικεντρωθούν οι δεξιότητες, ο δάσκαλος θα επιλέγει συχνά δεξιότητες με τον μεγαλύτερο αντίκτυπο στο μεγαλύτερο γράφημα. Αυτό σημαίνει συχνά την εστίαση σε περισσότερες στοιχειώδεις δεξιότητες πριν από τις πιο προηγμένες δεξιότητες. Για δραστηριότητες:

  • Ο δάσκαλος θα προσπαθήσει να επιλέξει τις πιο σχετικές δραστηριότητες στον μαθητή
  • Ο δάσκαλος θα επιλέξει δραστηριότητες που είναι προκλητικές, αλλά όχι πολύ δύσκολες για τον μαθητή.
  • Ο δάσκαλος θα προσπαθήσει να επιλέξει δραστηριότητες με τρόπο που μειώνει τον συνολικό χρόνο για την κυριαρχία.

Οι απλοί προσαρμοστικοί εκπαιδευτικοί μάθησης μπορούν να επιλέξουν δραστηριότητες μέσα σε μια δεξιότητα τυχαία. Οι καθηγητές που βασίζονται στη θεωρία απόκρισης στοιχείων δίνουν έμφαση στην επιλογή δραστηριοτήτων που είναι προκλητικές. Στα μοντέλα ανίχνευσης γνώσεων Bayesian, η αγορά έχει πολλούς διαφορετικούς αλγόριθμους δασκάλων. Οι ερευνητές έχουν επικεντρωθεί περισσότερο στα στοιχεία των ειδικών και των μαθητών. Επομένως, δεν γνωρίζουμε τι παράγει τα καλύτερα μαθησιακά αποτελέσματα για το στοιχείο του εκπαιδευτή.

Η διεπαφή - πώς να το δείξετε

Ορισμένα προσαρμοστικά συστήματα μάθησης θα αλλάξουν το περιβάλλον εργασίας χρήστη. Δεδομένου ότι ο μαθητής είναι λιγότερο εξοικειωμένος με μια ικανότητα, η διεπαφή θα μειώσει και θα επικεντρωθεί περισσότερο στην εργασία που υπάρχει. Καθώς αυξάνεται η ικανότητα των μαθητών, όλο και περισσότερο η πλήρης διεπαφή συνδυάζεται. Κάποιοι αποκαλούν αυτή τη διαδικασία "ικριώματα".

Σε ορισμένα συστήματα, οι μαθητές μπορούν να ζητήσουν και να λάβουν συμβουλές. Πότε να προσφέρετε συμβουλές και το βάθος αυτών των συμβουλών μπορεί να προσαρμοστεί με βάση την ικανότητα του μαθητή.

Υπάρχουν επίσης μερικές άλλες ερωτήσεις όπως:

  • Εμφανίζετε το γράφημα ειδικών στον μαθητή;
  • Εμφανίζετε την πρόοδό τους σε όλες τις δεξιότητες; Πως?
  • Εμφανίζετε την πρόοδό τους σε συγκεκριμένες δεξιότητες; Πως?
  • Παίρνει ο μαθητής επιλογές στο περιεχόμενο μάθησης; Ή το σύστημα αποφασίζει τα πάντα;

Ανάλογα με τις ανάγκες του συστήματος, ορισμένα από αυτά τα στοιχεία ενδέχεται να επηρεάσουν τα μαθησιακά αποτελέσματα.

Πώς ξέρουμε αν η προσαρμοστική μάθηση είναι καλή;

Καθώς αυτά τα συστήματα προέρχονται από την ακαδημαϊκή κοινότητα, έχουμε σημαντικό αριθμό δεδομένων και ιστορίας με κάθε σύστημα.

Η ανθρώπινη ατομική διδασκαλία έχει τα ισχυρότερα μαθησιακά αποτελέσματα. Αυτό είναι ένα κοινό εύρημα στην εκπαιδευτική έρευνα. Μέχρι στιγμής, κανένα μηχανογραφημένο προσαρμοστικό σύστημα μάθησης δεν έχει ξεπεράσει τις ανθρώπινες διδασκαλίες one-on-one.

Οι ερευνητές έχουν διερευνήσει τη μάθηση στην τάξη μόνο, την αυτοματοποιημένη προσαρμοστική μάθηση, καθώς και τη συνδυασμένη τάξη και την προσαρμοστική μάθηση. Ένα έγγραφο του 2016 "Αποτελεσματικότητα ευφυών συστημάτων διδασκαλίας" παρέχει μια μετα-ανάλυση αυτών των μελετών. Τα προσαρμοστικά συστήματα μάθησης συνήθως ξεπερνούν την παραδοσιακή μάθηση στην τάξη. Σε συνδυασμό με την εκμάθηση στην τάξη, τα προσαρμοστικά συστήματα μάθησης δημιουργούν θετικό αποτέλεσμα, αλλά υπάρχουν ορισμένοι περιορισμοί.

Τα προσαρμοστικά συστήματα ταιριάζουν ιδιαίτερα με την άμεση ανάδραση και τη διασφάλιση της ικανότητας. Οι ερευνητές σημειώνουν ορισμένους τομείς βελτίωσης:

  • Το κόστος ανάπτυξης περιεχομένου για αυτά τα συστήματα είναι υψηλό.
  • Αυτά τα συστήματα συχνά δεν μπορούν να συνειδητοποιήσουν την εκμάθηση με τον τρόπο που ένας άνθρωπος μπορεί.
  • Τα προσαρμοστικά συστήματα μάθησης μπορούν να αισθάνονται πιο δύσκολα, γεγονός που μπορεί να μειώσει τα κίνητρα των μαθητών.

Τύλιξε

Ωχ, έχω ξεπεράσει τώρα. Έχω καλύψει ποια είναι τα προσαρμοστικά συστήματα μάθησης. Έχω παράσχει κάποιο πλαίσιο για το σχεδιασμό αυτών των συστημάτων. Ένα άγγιγμα της ιστορίας. Έχω καλύψει τα τέσσερα κύρια στοιχεία: τον εμπειρογνώμονα, τον μαθητή, τον δάσκαλο και τη διεπαφή. Ας ελπίσουμε ότι δεν ήταν πολύ τεχνικό.

Υποχρεωτική παρότρυνση για δράση στο τέλος του άρθρου: Ρίξτε μια ματιά στη Sagefy, το προσαρμοστικό σύστημα μάθησης ανοιχτού περιεχομένου στο οποίο εργάζομαι.