Školení Průmysl

první příklad toho, co by se stalo adaptivní učení byl koncipován v roce 1950 s prací behaviorista B. F. Skinner. Skinner vyvinul učební stroj zaměřený na přírůstkové budování dovedností. Stroj přizpůsobil předložené otázky na základě předchozích správných odpovědí a poskytl studentům okamžitou zpětnou vazbu a schopnost pohybovat se vlastním tempem.

Skinnerova představa o přizpůsobení učení na základě individuálního výkonu postupovala s dobou a technologií. To, co si uvědomujeme, jak adaptivní učení technologie má své kořeny v umělé inteligenci hnutí v roce 1970. Vědci a lékaři začali vyvíjet systémy, které by se opakovaly jeden-na-jeden instruktor zkušenosti a všechny výhody, které v něm. Zatímco systémy, které vyplynuly z této počáteční práce, byly poněkud úspěšné, výpočetní výkon a technologie AI v té době prostě nebyly dostatečně pokročilé pro komplexní inteligenci nebo široké použití.

adaptivní učení tam nezemřelo. Ve skutečnosti, v následujících desetiletích, adaptivní vzdělávací systémy se staly více efektivní, více škálovatelné a uživatelsky přívětivé. Tyto systémy zase zlepšily učení pro miliony lidí po celém světě. To, co začalo jako zjednodušující učební stroj, rozkvetlo v odvětví za 13 miliard dolarů.

INTELIGENTNÍ, JEN podle JMÉNA

i Přes růst trhu a pokroky v adaptivní systémy, základní směrnice pro adaptivní učení – použití AI napodobovat jeden-na-jednoho lidského učení – byl stále mimo dosah. Technologie AI a strojového učení byla extrémně omezená. Spíše než se vzdát pojmu adaptivního učení úplně, poskytovatelé vymysleli jiné techniky k replikaci“ inteligentního zážitku “ AI, aniž by skutečně používali AI.

Tyto typy řešení, obvykle spadají do dvou kategorií:

Adaptivní Učení 1.0: Základní Větvení

Tyto aplikace provádět úpravy na základě rozhodnutí stromy a pre-diagnostika. Tyto systémy mohou například vyžadovat, aby student provedl předběžné hodnocení. Z těchto informací pak systém vytvoří“ pseudo-personalizovaný “ plán učení pro jednotlivce, který se zaměřuje na jeho obecné znalosti. Protože tyto plány jsou předem nastavené a silně zobecněné, znamená to, že jednoduše vytvářejí aproximace. Ještě horší je, že jsou statické a v průběhu času se často zkreslují.

adaptivní učení 2.0: omezené algoritmy

tyto aplikace provádějí omezené úpravy založené na zjednodušených algoritmech. To je jistě pokrok oproti Adaptive 1.0, v tom, že automatizuje některé počáteční manuální práce. Je však stále omezený a v průběhu času se nezlepšuje a stává se inteligentnějším.

Zatímco Adaptivní 1.0 a Adaptivní 2.0 obě nabízejí více personalizace, než tradiční jeden-velikost-sedí-všichni přístup, nemají opravdu splnit slib adaptivní učení: škálovatelné, AI-řízený systém, který napodobuje interakce a učení zkušenosti lidského instruktor nebo trenér.

ABY AI SNADNO

Dnes, dramatické pokroky v AI technologie a open source strojové učení rámec umožnil velmi malý počet elitních poskytovatelů odtrhnout se od smečky, a vyvinout řešení, plně poháněn AI. Tyto pokroky vytvářejí novou kategorii adaptivního učení-adaptivní 3.0.

adaptivní učení 3.0: AI a strojové učení

adaptivní učení 3.0 je charakterizováno aplikací AI a strojového učení pro přesnější replikaci zkušeností instruktora jeden na jednoho. AI-poháněl adaptivní řešení využívat znalosti sítě mapy vytvářet znalosti a chování uzlů, které tvoří hlubší vztahy mezi obsah, vzdělávací cíle, a osobnost, typy, abychom jmenovali alespoň některé. To umožňuje efektivnější a efektivnější vzdělávací zkušenost a umožňuje:

• Komplexní, real-time úpravy založené na výkon žáka a chování
• Data-řízený, personalizované tipy, zpětnou vazbu, sanace a znalosti výztuže
• Prediktivní, zapomínání křivky a vhled do budoucnosti, znalosti, aplikace,
• Komplexní aplikace-úroveň osvojení dovedností a znalostí
• Snížení v učení krát

To není jen učení zážitek, který je zesílen. Platformy, které plně zahrnují AI a strojové učení, jsou také schopny poskytnout dramatickou efektivitu při vývoji učení a tvorbě obsahu. Například AI-poháněl platformy může hodnocení výkonnosti vzdělávací obsah, vlajka nevýkonný obsah, a dokonce i skrýt nevýkonný posouzení, dokud nebudou přezkoumána.

ŘEŠENÍ STARÝCH PROBLÉMŮ

Tyto AI-poháněl adaptivní řešení nejsou jen plní slib, inteligentní, instruktor-jako adaptivní učení, které se zabývají také některé staré nedostatky tkvící v Adaptivní 1.0 a 2.0 systémy. Například, AI může:

Eliminovat nikdy nekončící učení „smyčky“

V Adaptivní 1.0 a 2.0 systémy, kdy žák nebyl schopen odpovědět posouzení správně, aplikace, možná smyčky je přes stejné otázky bez sanace nebo podpory. Tato „adaptivní smyčka smrti“ má za následek frustraci žáků, uvolnění a dokonce nedůvěru k systému. Nové AI-poháněl adaptivní systémy mohou poskytovat adaptivní zpětnou vazbu pomoci vést studenty k přesnosti a udržet je v pohybu vpřed, takže se nemusíte dostat uvízl v těchto frustrující smyčky.

Přesunout mimo „obsah“ metodika

, Jak je popsáno výše, některé Adaptivní 1.0 a 2.0 systémy vyžadují, aby studenti, aby prověřoval veškerý obsah, než se dostane k jádru učení. Pro studenty, kteří již mají zkušenosti nebo znalosti na toto téma, to může být velmi frustrující a zdlouhavý proces. Jak se systémy pohybují směrem k více cestám podporujícím AI, nebudou již muset trvat na tom, aby studenti obsah zkontrolovali, než z něj mohou projít. Systémy budou schopny v reálném čase zjistit, co student ví, a podle toho Upravit kontext a obtížnost obsahu.

Odstranit neefektivní „test prep“ strategie učení,

Naopak, některé adaptivní 1.0 a 2.0 systémy vyžadují, aby studenti odpovědět na hodnocení předem, než se dostanou šanci, aby přezkoumala obsah. Tyto platformy pak používají odpovědi žáka k tomu, aby každého žáka přivedly na předem nastavenou „cestu učení“, kde:

• Studenti odpovědět na řadu otázek,
• platforma eliminuje oblasti znalostí, odpověděli správně a poskytuje odpovědi na nesprávné hodnocení
• cyklus Se opakuje, dokud žák odpovídá na všechny hodnocení správně

ber to jako technologie-poháněl verzi kartičky. Problém s touto strategií je, že je určen pro krátkodobé aplikace (jako SAT), spíše než dlouhodobé firemní vzdělávání a rozvoj iniciativy, kde probíhá aplikace je cíl. Dodatečně, studenti, kteří nejsou obeznámeni s předmětem, se často ocitnou ve výše uvedené “ adaptivní smyčce smrti.“

adaptivní platformy 3.0 poskytují dynamické úpravy obsahu v reálném čase založené na výkonu a chování, což eliminuje potřebu předběžných hodnocení a přednastavených cest učení. Tento přístup je v souladu s výzkumem, který demonstruje důležitost samořízeného učení, na rozdíl od toho, že je veden konkrétní cestou. Adaptivní 3.0 systémy umožňují studentům prosazovat kontrolu zvyšuje autonomii, která přímo koreluje s vyšší angažovaností, spokojeností, důvěrou a mistrovstvím.

Lépe interpretovat žák dat

Adaptivní 1.0 a 2.0 systémy zachytit velké množství dat, ale často zátěž dat, interpretace a aplikace je umístěna na bedrech jejich L&D partnery. Z velké části se tyto týmy nejsou vybaveny data science odborné znalosti nezbytné, aby se pocit obrovské stohy žák údajů. AI-poháněl adaptivní řešení nejen dodat mnohem silnější kvalitu výstupních dat – které zahrnuje následné předpovědi, doporučení a předpokládané výsledky, které zrcadlo Kpi a strategické cíle – ale také často mají data science zaměstnanců na straně pomoci L&D partnery analyzovat poznatky z jejich datových sad. Navíc, protože jsou tak mnohem robustnější než předchozí iterací, Adaptivní 3.0 systémy lze vybavit vzdělávání a rozvoj vedoucích s měřitelné, kvantifikovatelné údaje, které můžete vzít na C-suite informovat a zdůvodnit rozpočet na školení stráví.

Neustálé zlepšování

a Konečně, na rozdíl od Adaptivní 1.0 nebo 2.0 systémy, kde dělat aktualizace vyžaduje intenzivní plánování a ruční kódování, Adaptivní 3.0 systémy automaticky chytřejší s každým interakce s uživatelem. Používají algoritmy strojového učení k vyhodnocení uživatelských dat a neustálému doladění platformy. Navíc, adaptivní systémy, které využívají plnou zpětnou vazbou, vyznačující se tím, vnější performance data od klienta mohou být v korelaci s platformou učení analytics a dat vědy, jsou schopni odhalit postřehy nikdy předtím neviděl mezi učení a údaje o výkonnosti.