Industria de la formación

La primera instancia de lo que se convertiría en aprendizaje adaptativo se concibió en la década de 1950 con el trabajo del conductista B. F. Skinner. Skinner desarrolló una máquina de enseñanza centrada en el desarrollo de habilidades incrementales. La máquina adaptó las preguntas presentadas en función de las respuestas correctas anteriores, y proporcionó a los estudiantes retroalimentación inmediata y la capacidad de moverse a su propio ritmo.

La noción de Skinner de adaptar el aprendizaje basado en el rendimiento individual progresó con los tiempos y la tecnología. Lo que reconocemos como tecnología de aprendizaje adaptativo tiene sus raíces en el movimiento de la inteligencia artificial en la década de 1970. Investigadores y profesionales comenzaron a desarrollar sistemas que replicarían la experiencia de instructor individual y todos los beneficios que conlleva. Si bien los sistemas que resultaron de este trabajo inicial fueron algo exitosos, la potencia de computación y las tecnologías de IA en ese momento simplemente no eran lo suficientemente avanzadas para la inteligencia compleja o el uso generalizado.

El aprendizaje adaptativo no murió allí. De hecho, en las décadas siguientes, los sistemas de aprendizaje adaptativos se hicieron más simplificados, más escalables y más fáciles de usar. A su vez, estos sistemas mejoraron el aprendizaje de millones de personas en todo el mundo. Lo que comenzó como una máquina de enseñanza simplista floreció en una industria de 1 13 mil millones.

INTELIGENTE SOLO DE NOMBRE

A pesar del crecimiento del mercado y los avances en los sistemas adaptativos, la directiva principal del aprendizaje adaptativo, usar la IA para imitar el aprendizaje humano individual, seguía fuera de su alcance. La tecnología de IA y aprendizaje automático era extremadamente limitada. En lugar de renunciar por completo a la noción de aprendizaje adaptativo, los proveedores idearon otras técnicas para replicar la «experiencia inteligente» de la IA sin usar realmente la IA.

Estos tipos de soluciones normalmente se dividen en dos categorías:

Aprendizaje adaptativo 1.0: Ramificación básica

Estas aplicaciones hacen adaptaciones basadas en árboles de decisión y diagnósticos previos. Por ejemplo, estos sistemas pueden requerir que el alumno realice una evaluación previa. A partir de esta información, el sistema crea un plan de aprendizaje «pseudo personalizado» para el individuo que se centra en sus necesidades generales de conocimiento. Debido a que estos planes están preestablecidos y muy generalizados, significa que simplemente están haciendo aproximaciones. Peor aún, son estáticos y a menudo se vuelven tergiversados con el tiempo.

Aprendizaje adaptativo 2.0: Algoritmos limitados

Estas aplicaciones hacen adaptaciones limitadas basadas en algoritmos simplificados. Esto es sin duda un avance sobre Adaptive 1.0, ya que automatiza parte del trabajo manual inicial. Sin embargo, sigue siendo limitada y no mejora ni se vuelve más inteligente con el tiempo.

Si bien Adaptive 1.0 y Adaptive 2.0 ofrecen más personalización que un enfoque tradicional de talla única, en realidad no cumplen con la promesa del aprendizaje adaptativo: un sistema escalable impulsado por IA que imita la interacción y la experiencia de aprendizaje de un instructor o entrenador humano.

FACILITAR LA IA

Hoy en día, los avances espectaculares en la tecnología de IA y el suministro abierto de marcos de aprendizaje automático han permitido a un número muy pequeño de proveedores de élite separarse del paquete y desarrollar soluciones totalmente impulsadas por la IA. Estos avances están creando una nueva categoría de aprendizaje adaptativo: Adaptive 3.0.

Aprendizaje adaptativo 3.0: IA y aprendizaje automático

El aprendizaje adaptativo 3.0 se caracteriza por la aplicación de IA y aprendizaje automático para replicar con mayor precisión la experiencia individual del instructor. Las soluciones adaptativas impulsadas por IA aprovechan los mapas de conocimiento de red para crear nodos de conocimiento y comportamiento, formando relaciones más profundas entre el contenido, los objetivos de aprendizaje y los tipos de persona, por nombrar algunos. Esto potencia una experiencia de aprendizaje más eficiente y efectiva y permite:

• Adaptaciones complejas en tiempo real basadas en el rendimiento y el comportamiento del alumno
• Sugerencias, comentarios, remediación y refuerzo de conocimientos personalizados basados en datos
• Curvas predictivas y olvidadas e información sobre la aplicación de conocimiento futura
• Dominio integral de habilidades y conocimientos a nivel de aplicación
• Reducción de los tiempos de aprendizaje

No es solo la experiencia de aprendizaje lo que se amplifica. Las plataformas que están adoptando completamente la IA y el aprendizaje automático también pueden proporcionar eficiencias dramáticas para el desarrollo de aprendizaje y la creación de contenido. Por ejemplo, las plataformas impulsadas por IA pueden evaluar el rendimiento del contenido de aprendizaje, marcar el contenido de bajo rendimiento e incluso ocultar las evaluaciones de bajo rendimiento hasta que se revisen.

ABORDAR LOS ANTIGUOS DESAFÍOS

Estas soluciones adaptativas impulsadas por IA no solo cumplen la promesa de un aprendizaje adaptativo inteligente similar al de un instructor, sino que también abordan algunas de las viejas debilidades inherentes a Adaptive 1.0 y 2.0 sistemas. Por ejemplo, la IA puede:

Eliminar los interminables «bucles»de aprendizaje

En los sistemas adaptativos 1.0 y 2.0, cuando un alumno no pudo responder a una evaluación correctamente, la aplicación podría hacer un bucle a través de las mismas preguntas sin ninguna corrección o soporte. Este «ciclo adaptativo de muerte» resulta en la frustración del alumno, la desconexión e incluso la desconfianza del sistema. Los nuevos sistemas adaptativos impulsados por IA pueden proporcionar retroalimentación adaptativa para ayudar a guiar a los alumnos hacia la precisión y mantenerlos avanzando, para que no se queden atascados en estos bucles frustrantes.

Ir más allá de una metodología de» primero el contenido »

Como se mencionó anteriormente, algunos sistemas adaptativos 1.0 y 2.0 requieren que los alumnos revisen todo el contenido antes de llegar a la esencia del aprendizaje. Para los estudiantes que ya tienen experiencia o conocimientos sobre el tema, este puede ser un proceso muy frustrante y tedioso. A medida que los sistemas avanzan hacia vías más habilitadas para la IA, ya no tendrán que insistir en que los alumnos revisen el contenido antes de que puedan salir de él. Los sistemas podrán determinar, en tiempo real, lo que sabe el alumno y ajustar el contexto y la dificultad del contenido en consecuencia.

Elimine la estrategia de aprendizaje ineficaz de «preparación de exámenes»

Por el contrario, algunos sistemas adaptativos 1.0 y 2.0 requieren que los alumnos respondan las evaluaciones por adelantado antes de tener la oportunidad de revisar el contenido. Estas plataformas luego usan las respuestas de los alumnos para canalizar a cada alumno hacia un «camino de aprendizaje» preestablecido en el que:

• Los alumnos responden a una serie de preguntas
• La plataforma elimina las áreas de conocimiento contestadas correctamente y proporciona respuestas a evaluaciones incorrectas
• El ciclo se repite hasta que el alumno responde a todas las evaluaciones correctamente

Piense en ello como una versión de tarjetas didácticas con tecnología avanzada. El problema con esta estrategia es que está diseñada para aplicaciones a corto plazo (como el SAT), en lugar de iniciativas corporativas de aprendizaje y desarrollo a largo plazo donde la aplicación continua es el objetivo. Además, los estudiantes que no están familiarizados con el tema a menudo se encuentran en el mencionado «ciclo adaptativo de la muerte».»

Las plataformas adaptativas 3.0 ofrecen ajustes de contenido dinámicos en tiempo real basados en el rendimiento y el comportamiento, lo que elimina la necesidad de evaluaciones iniciales y rutas de aprendizaje preestablecidas. Este enfoque está en línea con la investigación que demuestra la importancia del aprendizaje autodirigido en lugar de ser canalizado por un camino específico. Adaptativo 3.los sistemas 0 permiten a los estudiantes afirmar el control aumenta la autonomía, lo que se correlaciona directamente con un mayor compromiso, satisfacción, confianza y dominio.

Interpretar mejor los datos de los alumnos

Los sistemas adaptativos 1.0 y 2.0 capturan una gran cantidad de datos, pero a menudo la carga de la interpretación y aplicación de los datos recae sobre sus socios L&D. En gran parte, estos equipos no están equipados con la experiencia en ciencia de datos necesaria para dar sentido a vastas cantidades de datos de los alumnos. Las soluciones adaptativas impulsadas por IA no solo ofrecen una calidad de salida de datos mucho mayor, que incluye predicciones de seguimiento, recomendaciones y resultados proyectados que reflejan los indicadores clave de rendimiento y los objetivos estratégicos, sino que también a menudo tienen un personal de ciencia de datos a mano para ayudar a los socios de L&D a analizar la información de sus conjuntos de datos. Además, debido a que son mucho más robustos que las iteraciones anteriores, los sistemas adaptativos 3.0 pueden equipar a los líderes de aprendizaje y desarrollo con datos mensurables y cuantificables que pueden llevar al equipo directivo para informar y justificar los gastos presupuestarios de capacitación.

Mejora continua

Finalmente, a diferencia de los sistemas adaptativos 1.0 o 2.0, donde la realización de actualizaciones requiere programación intensiva y codificación manual, los sistemas adaptativos 3.0 se vuelven automáticamente más inteligentes con cada interacción del usuario. Utilizan algoritmos de aprendizaje automático para evaluar los datos del usuario y ajustar continuamente la plataforma. Además, los sistemas adaptativos que aprovechan un bucle de retroalimentación completo, en el que los datos de rendimiento externos de un cliente se pueden correlacionar con el análisis de aprendizaje de la plataforma y la ciencia de datos, pueden desenterrar información nunca antes vista entre los datos de aprendizaje y rendimiento.