Trainingsindustrie

Die erste Instanz des adaptiven Lernens wurde in den 1950er Jahren mit der Arbeit des Behavioristen B.F. Skinner konzipiert. Skinner entwickelte eine Lehrmaschine, die sich auf den inkrementellen Aufbau von Fähigkeiten konzentrierte. Die Maschine passte die gestellten Fragen basierend auf früheren richtigen Antworten an und gab den Schülern sofortiges Feedback und die Fähigkeit, sich in ihrem eigenen Tempo zu bewegen.

Skinners Idee, das Lernen an die individuelle Leistung anzupassen, ging mit der Zeit und der Technologie voran. Was wir als adaptive Lerntechnologie erkennen, hat seine Wurzeln in der Bewegung der künstlichen Intelligenz in den 1970er Jahren. Forscher und Praktiker begannen mit der Entwicklung von Systemen, die die persönliche Erfahrung von Lehrern und alle darin enthaltenen Vorteile replizieren würden. Während die Systeme, die aus dieser anfänglichen Arbeit resultierten, etwas erfolgreich waren, waren Rechenleistung und KI-Technologien zu dieser Zeit einfach nicht fortgeschritten genug für komplexe Intelligenz oder weit verbreitete Verwendung.

Adaptives Lernen ist dort nicht gestorben. Tatsächlich wurden adaptive Lernsysteme in den folgenden Jahrzehnten schlanker, skalierbarer und benutzerfreundlicher. Im Gegenzug verbesserten diese Systeme das Lernen für Millionen von Menschen weltweit. Was als simple Lehrmaschine begann, entwickelte sich zu einer 13-Milliarden-Dollar-Industrie.

INTELLIGENT IN NAME ONLY

Trotz des Wachstums des Marktes und der Fortschritte bei adaptiven Systemen war die oberste Direktive des adaptiven Lernens – die Verwendung von KI zur Nachahmung des individuellen menschlichen Lernens – immer noch unerreichbar. Die KI- und Maschinenlerntechnologie war äußerst begrenzt. Anstatt den Begriff des adaptiven Lernens ganz aufzugeben, entwickelten die Anbieter andere Techniken, um die „intelligente Erfahrung“ von KI zu replizieren, ohne KI tatsächlich zu verwenden.

Diese Arten von Lösungen lassen sich typischerweise in zwei Kategorien einteilen:

Adaptives Lernen 1.0: Grundlegende Verzweigung

Diese Anwendungen nehmen Anpassungen basierend auf Entscheidungsbäumen und Vordiagnosen vor. Zum Beispiel können diese Systeme erfordern, dass der Lernende eine Vorbewertung vornimmt. Aus diesen Informationen erstellt das System dann einen „pseudo-personalisierten“ Lernplan für den Einzelnen, der sich auf seinen allgemeinen Wissensbedarf konzentriert. Da diese Pläne voreingestellt und stark verallgemeinert sind, bedeutet dies, dass sie lediglich Annäherungen vornehmen. Schlimmer noch, sie sind statisch und werden im Laufe der Zeit oft falsch dargestellt.

Adaptives Lernen 2.0: Begrenzte Algorithmen

Diese Anwendungen nehmen begrenzte Anpassungen vor, die auf vereinfachten Algorithmen basieren. Dies ist sicherlich ein Fortschritt gegenüber Adaptive 1.0, da es einige der manuellen Vorarbeiten automatisiert. Es ist jedoch immer noch begrenzt und verbessert sich nicht und wird im Laufe der Zeit intelligenter.

Adaptive 1.0 und Adaptive 2.0 bieten zwar mehr Personalisierung als ein herkömmlicher One-Size-Fits-All-Ansatz, erfüllen jedoch nicht wirklich das Versprechen des adaptiven Lernens: ein skalierbares, KI-gesteuertes System, das die Interaktion und Lernerfahrung eines menschlichen Ausbilders oder Coaches nachahmt.

KI EINFACH MACHEN

Heute haben dramatische Fortschritte in der KI-Technologie und das Open-Sourcing von Frameworks für maschinelles Lernen es einer sehr kleinen Anzahl von Elite-Anbietern ermöglicht, sich von der Masse zu lösen und Lösungen zu entwickeln, die vollständig auf KI basieren. Diese Fortschritte schaffen eine neue Kategorie des adaptiven Lernens – Adaptive 3.0.

Adaptives Lernen 3.0: KI und maschinelles Lernen

Adaptives Lernen 3.0 zeichnet sich durch die Anwendung von KI und maschinellem Lernen aus, um die persönliche Erfahrung von Lehrern genauer nachzubilden. KI-gestützte adaptive Lösungen nutzen Netzwerkwissenskarten, um Wissens- und Verhaltensknoten zu erstellen und tiefere Beziehungen zwischen Inhalten, Lernzielen und Personentypen herzustellen, um nur einige zu nennen. Dies ermöglicht eine effizientere, effektivere Lernerfahrung und ermöglicht:

• Komplexe Anpassungen in Echtzeit basierend auf der Leistung und dem Verhalten der Lernenden
• Datengesteuerte, personalisierte Hinweise, Feedback, Korrektur und Wissensverstärkung
• Prädiktive, Vergessenskurven und Einblicke in die zukünftige Wissensanwendung
• Umfassende Beherrschung von Fähigkeiten und Wissen auf Anwendungsebene
• Reduzierung der Lernzeiten

Es ist nicht nur die Lernerfahrung, die verstärkt wird. Die Plattformen, die KI und maschinelles Lernen vollständig nutzen, können auch die Lernentwicklung und die Erstellung von Inhalten erheblich effizienter gestalten. KI-gestützte Plattformen können beispielsweise die Leistung von Lerninhalten bewerten, leistungsschwache Inhalte kennzeichnen und leistungsschwache Bewertungen sogar ausblenden, bis sie überarbeitet werden.

BEWÄLTIGUNG ALTER HERAUSFORDERUNGEN

Diese KI-gestützten adaptiven Lösungen erfüllen nicht nur das Versprechen eines intelligenten, lehrerähnlichen adaptiven Lernens, sondern adressieren auch einige der alten Schwächen, die Adaptive 1.0 und 2 innewohnen.0 systeme. Zum Beispiel kann KI:

Beseitigen Sie die endlosen Lern- „Schleifen“

Wenn ein Lernender in adaptiven 1.0- und 2.0-Systemen eine Bewertung nicht korrekt beantworten konnte, durchläuft die Anwendung möglicherweise dieselben Fragen ohne Korrektur oder Unterstützung. Diese „adaptive Schleife des Todes“ führt zu Frustration der Lernenden, Rückzug und sogar Misstrauen gegenüber dem System. Neue KI-gestützte adaptive Systeme können adaptives Feedback geben, um die Lernenden zur Genauigkeit zu führen und sie in Bewegung zu halten, damit sie nicht in diesen frustrierenden Schleifen stecken bleiben.

Gehen Sie über eine „Content First“ -Methode hinaus

Wie oben diskutiert, erfordern einige adaptive 1.0- und 2.0-Systeme, dass die Lernenden alle Inhalte überprüfen, bevor sie mit dem Lernen beginnen. Für Lernende, die bereits Erfahrung oder Kenntnisse zu diesem Thema haben, kann dies ein sehr frustrierender und langwieriger Prozess sein. Wenn sich Systeme in Richtung KI-fähigerer Pfade bewegen, müssen sie nicht mehr darauf bestehen, dass die Lernenden den Inhalt überprüfen, bevor sie ihn verlassen können. Die Systeme werden in der Lage sein, in Echtzeit zu ermitteln, was ein Lernender weiß, und den Kontext und die Schwierigkeit des Inhalts entsprechend anzupassen.

Ineffektive Lernstrategie „Testvorbereitung“ eliminieren

Umgekehrt erfordern einige adaptive 1.0- und 2.0-Systeme, dass die Lernenden die Bewertungen im Voraus beantworten, bevor sie den Inhalt überprüfen können. Diese Plattformen verwenden dann die Antworten der Lernenden, um jeden Lernenden auf einen voreingestellten „Lernpfad“ zu leiten.:

• Die Lernenden beantworten eine Reihe von Fragen
• Die Plattform eliminiert die richtig beantworteten Wissensbereiche und gibt Antworten auf falsche Bewertungen
• Der Zyklus wiederholt sich, bis der Lernende alle Bewertungen richtig beantwortet

Betrachten Sie es als eine technologiebetriebene Version von Lernkarten. Das Problem bei dieser Strategie ist, dass sie eher für kurzfristige Anwendungen (wie den SAT) als für langfristige Lern- und Entwicklungsinitiativen in Unternehmen konzipiert ist, bei denen eine fortlaufende Anwendung das Ziel ist. Darüber hinaus befinden sich Lernende, die mit dem Thema nicht vertraut sind, häufig in der oben genannten „adaptiven Todesschleife“.“

Adaptive 3.0-Plattformen bieten dynamische Echtzeit-Inhaltsanpassungen basierend auf Leistung und Verhalten, sodass Vorab-Bewertungen und voreingestellte Lernpfade entfallen. Dieser Ansatz steht im Einklang mit der Forschung, die zeigt, wie wichtig selbstgesteuertes Lernen ist, anstatt auf einen bestimmten Weg geleitet zu werden. Adaptive 3.Diese Systeme ermöglichen es den Lernenden, Kontrolle und Autonomie zu behaupten, was direkt mit höherem Engagement, Zufriedenheit, Vertrauen und Meisterschaft korreliert.

Lernerdaten besser interpretieren

Adaptive 1.0- und 2.0-Systeme erfassen viele Daten, aber oft liegt die Last der Dateninterpretation und -anwendung auf den Schultern ihrer L& D-Partner. Zum großen Teil sind diese Teams nicht mit der datenwissenschaftlichen Expertise ausgestattet, die notwendig ist, um riesige Mengen von Lernerdaten zu verstehen. KI-gestützte adaptive Lösungen liefern nicht nur eine viel höhere Qualität der Datenausgabe – dazu gehören Follow-on–Vorhersagen, Empfehlungen und projizierte Ergebnisse, die KPIs und strategische Ziele widerspiegeln -, sondern sie verfügen auch häufig über Data-Science-Mitarbeiter, die L& D-Partnern helfen, Erkenntnisse aus ihren Datensätzen zu analysieren. Darüber hinaus können Adaptive 3.0-Systeme, da sie so viel robuster sind als frühere Iterationen, Lern- und Entwicklungsleiter mit messbaren, quantifizierbaren Daten ausstatten, die sie an die C-Suite weitergeben können, um die Ausgaben für Schulungsbudgets zu informieren und zu rechtfertigen.

Kontinuierliche Verbesserung

Im Gegensatz zu adaptiven 1.0- oder 2.0-Systemen, bei denen Aktualisierungen intensive Programmierung und manuelle Codierung erfordern, werden Adaptive 3.0-Systeme mit jeder Benutzerinteraktion automatisch intelligenter. Sie nutzen Machine-Learning-Algorithmen, um Nutzerdaten auszuwerten und die Plattform kontinuierlich zu optimieren. Darüber hinaus können adaptive Systeme, die eine vollständige Rückkopplungsschleife nutzen, bei der externe Leistungsdaten eines Kunden mit Plattform-Lernanalysen und Data Science korreliert werden können, Erkenntnisse gewinnen, die noch nie zuvor zwischen Lern- und Leistungsdaten gesehen wurden.