koulutusala

ensimmäinen esimerkki siitä, mikä muuttuisi adaptiiviseksi oppimiseksi, syntyi 1950-luvulla behavioristi B. F. Skinnerin työn tuloksena. Skinner kehitti opetuskoneen, joka keskittyi inkrementaaliseen taidon rakentamiseen. Kone muokkasi esitettyjä kysymyksiä aiempien oikeiden vastausten perusteella ja antoi oppilaille välitöntä palautetta sekä kyvyn liikkua omaan tahtiinsa.

Skinnarin käsitys yksilölliseen suoritukseen perustuvan oppimisen sopeuttamisesta eteni ajan ja tekniikan myötä. Se, mitä pidämme adaptiivisena oppimisteknologiana, juontaa juurensa tekoälyliikkeeseen 1970-luvulla. tutkijat ja harjoittajat alkoivat kehittää järjestelmiä, jotka toistaisivat one-on-one-kouluttajakokemusta ja sen kaikkia hyötyjä. Vaikka tämän alkutyön tuloksena syntyneet järjestelmät olivat jokseenkin onnistuneita, laskentateho ja TEKOÄLYTEKNIIKAT eivät tuolloin yksinkertaisesti olleet tarpeeksi kehittyneitä monimutkaiseen älykkyyteen tai laajaan käyttöön.

adaptiivinen oppiminen ei kuollut siihen. Itse asiassa seuraavina vuosikymmeninä Adaptiiviset oppimisjärjestelmät muuttuivat virtaviivaisemmiksi, skaalautuvammiksi ja käyttäjäystävällisemmiksi. Nämä järjestelmät puolestaan paransivat miljoonien ihmisten oppimista kautta maailman. Se, mikä alkoi pelkistettynä opetuskoneena, kukoisti 13 miljardin dollarin alaksi.

älykäs vain nimellisesti

markkinoiden kasvusta ja adaptiivisten järjestelmien kehittymisestä huolimatta adaptiivisen oppimisen pääohje-tekoälyn käyttäminen ihmisen one-on-one-oppimisen jäljittelemiseen-oli vielä saavuttamatta. Tekoäly-ja koneoppimistekniikka oli äärimmäisen vähäistä. Sen sijaan, että palveluntarjoajat olisivat luopuneet adaptiivisen oppimisen käsitteestä kokonaan, he kehittivät muita tekniikoita, joilla tekoälyn ”älykäs kokemus” voidaan toistaa ilman varsinaista tekoälyn käyttöä.

tämäntyyppiset ratkaisut jakautuvat tyypillisesti kahteen kategoriaan:

adaptiivinen oppiminen 1.0: Perushaarat

nämä sovellukset tekevät mukautuksia päätöksenteon ja esidiagnostiikan perusteella. Nämä järjestelmät saattavat esimerkiksi vaatia oppijalta ennakkoarviointia. Tämän tiedon pohjalta järjestelmä luo yksilölle ”pseudo-personoidun” oppimissuunnitelman, joka keskittyy heidän yleistietotarpeisiinsa. Koska nämä suunnitelmat ovat ennalta asetettuja ja voimakkaasti yleistettyjä, se tarkoittaa, että he tekevät vain likiarvoja. Mikä vielä pahempaa, ne ovat staattisia ja usein vääristyvät ajan myötä.

adaptiivinen oppiminen 2.0: rajoitetut algoritmit

nämä sovellukset tekevät rajoitettuja mukautuksia, jotka perustuvat yksinkertaistettuihin algoritmeihin. Tämä on varmasti edistystä yli mukautuva 1.0, että se automatisoi joitakin etukäteen manuaalista työtä. Se on kuitenkin vielä rajallinen, eikä se parane eikä muutu ajan myötä älykkäämmäksi.

vaikka Adaptiivinen 1.0 ja adaptiivinen 2.0 tarjoavat molemmat enemmän personointia kuin perinteinen yhden koon lähestymistapa, ne eivät varsinaisesti toteuta lupausta adaptiivisesta oppimisesta: skaalautuva, tekoälyyn perustuva järjestelmä, joka jäljittelee ihmisen ohjaajan tai valmentajan vuorovaikutus-ja oppimiskokemusta.

tekoälyn tekeminen helpoksi

nykyään TEKOÄLYTEKNOLOGIAN dramaattiset edistysaskeleet ja koneoppimisen kehysten avoin hankinta ovat mahdollistaneet hyvin pienen joukon eliittitoimittajia irtautumaan paketista ja kehittämään ratkaisuja, jotka ovat täysin tekoälyn varassa. Nämä edistysaskeleet luovat uuden adaptiivisen oppimisen luokan-Adaptive 3.0.

adaptiivinen oppiminen 3.0: tekoäly ja koneoppiminen

adaptiivinen oppiminen 3.0: lle on ominaista tekoälyn ja koneoppimisen soveltaminen kahdenkeskisen kouluttajakokemuksen tarkempaan toistamiseen. Tekoälyä hyödyntävät Adaptiiviset ratkaisut hyödyntävät verkkotietokarttoja luodakseen tieto-ja käyttäytymissolmuja, muodostaen syvempiä suhteita sisällön, oppimistavoitteiden ja persoonatyyppien välille muutamia mainitaksemme. Tämä antaa tehokkaamman ja tehokkaamman oppimiskokemuksen ja mahdollistaa:

• monimutkaiset, reaaliaikaiset mukautukset, jotka perustuvat oppijan suoritukseen ja käyttäytymiseen
• Datalähtöiset, yksilölliset vihjeet, palaute, korjaaminen ja tiedon vahvistaminen
• ennakoivat, unohtavat käyrät ja oivallukset tulevaisuuden tiedon soveltamisesta
• laaja sovellustason taitojen ja tiedon hallinta
• oppimisaikojen lyhentäminen

pelkkä oppimiskokemus ei vahvistu. Tekoälyn ja koneoppimisen täysin omaksuvat alustat pystyvät myös tarjoamaan dramaattisia tehokkuutta oppimisen kehittämiseen ja sisällön luomiseen. Tekoälyä hyödyntävät alustat voivat esimerkiksi arvioida oppimissisällön suorituskykyä, liputtaa alisuorittavia sisältöjä ja jopa piilottaa alisuorittavia arvioita, kunnes ne on tarkistettu.

vanhojen haasteiden ratkaiseminen

nämä tekoälyä hyödyntävät Adaptiiviset ratkaisut eivät ainoastaan toteuta lupausta älykkäästä, ohjaajamaisesta adaptiivisesta oppimisesta, vaan ne korjaavat myös joitakin adaptiivisten 1.0 ja 2: n vanhoja heikkouksia.0 järjestelmät. Esimerkiksi tekoäly voi:

poistaa päättymättömät oppimisen ”silmukat”

Adaptiivisissa 1.0-ja 2.0-järjestelmissä, kun oppija ei kyennyt vastaamaan arviointiin oikein, sovellus saattaa silmukoida heidät samojen kysymysten läpi ilman korjaamista tai tukea. Tämä ”Adaptiivinen kuoleman silmukka” johtaa oppilaan turhautumiseen, vetäytymiseen ja jopa epäluottamukseen järjestelmää kohtaan. Uudet tekoälyä käyttävät Adaptiiviset järjestelmät voivat antaa adaptiivista palautetta, joka auttaa ohjaamaan oppijoita kohti tarkkuutta ja pitämään heidät liikkeessä eteenpäin, jotta he eivät jumittuisi näihin turhauttaviin silmukoihin.

Siirry ”sisältö ensin” – menetelmästä

kuten edellä on mainittu, jotkut mukautuvat 1.0-ja 2.0-järjestelmät vaativat oppijoita käymään läpi kaiken sisällön ennen kuin he pääsevät oppimisen lihaan. Oppijoille, joilla on jo kokemusta tai tietoa aiheesta, tämä voi olla hyvin turhauttavaa ja työlästä. Kun järjestelmät siirtyvät kohti enemmän tekoälyä hyödyntäviä väyliä, niiden ei enää tarvitse vaatia oppijoita tarkistamaan sisältöä ennen kuin he voivat kulkea siitä ulos. Järjestelmät pystyvät selvittämään reaaliaikaisesti, mitä oppija tietää, ja muokkaamaan sisällön kontekstia ja vaikeutta sen mukaan.

Poista tehoton ”test prep” – oppimisstrategia

toisaalta jotkin mukautuvat 1.0-ja 2.0-järjestelmät vaativat oppijoita vastaamaan arvioihin etukäteen ennen kuin he saavat mahdollisuuden tarkistaa sisältöä. Nämä alustat sitten käyttää oppijan vastauksia suppilo kunkin oppijan alas ennalta asetettu ”oppimisen polku”, jossa:

• oppijat vastaavat sarjaan kysymyksiä
• alusta poistaa tiedon alueet, joihin vastataan oikein, ja antaa vastauksia virheellisiin arvioihin
• sykli toistuu, kunnes oppija vastaa kaikkiin arvioihin oikein

ajattele sitä tekniikkakäyttöisenä versiona flashcardeista. Ongelmana tässä strategiassa on se, että se on suunniteltu lyhytaikaiseen soveltamiseen (kuten SAT), eikä pitkän aikavälin yritysten oppiminen-ja kehitysaloitteisiin, joissa jatkuva soveltaminen on tavoitteena. Lisäksi oppijat, jotka eivät tunne aihetta, joutuvat usein edellä mainittuun ”adaptiiviseen kuolemansilmukkaan.”

Adaptiiviset 3.0-alustat tarjoavat dynaamisia, reaaliaikaisia sisällön säätöjä, jotka perustuvat suorituskykyyn ja käyttäytymiseen, eliminoiden etukäteen tehtyjen arviointien ja ennalta asetettujen oppimispolkujen tarpeen. Tämä lähestymistapa on linjassa tutkimuksen kanssa, joka osoittaa, miten tärkeää on itseohjautuva oppiminen sen sijaan, että se kanavoidaan tiettyä polkua pitkin. Mukautuva 3.0 järjestelmien avulla oppijat voivat vahvistaa kontrollin lisää autonomiaa, joka korreloi suoraan korkeampaan sitoutumiseen, tyytyväisyyteen, luottamukseen ja mestaruuteen.

paremmin tulkitsevat oppijatiedot

mukautuvat 1.0-ja 2.0-järjestelmät keräävät paljon tietoa, mutta usein tietojen tulkinnan ja soveltamisen taakka asetetaan heidän L&D-kumppaniensa harteille. Suurelta osin nämä tiimit eivät ole varustettu datatieteen asiantuntemuksella, joka on tarpeen oppijatietojen valtavan määrän ymmärtämiseksi. Tekoälyä hyödyntävät mukautuvat ratkaisut eivät ainoastaan tarjoa paljon parempaa laatua datatuotokseen-joka sisältää seuranta – ennusteita, suosituksia ja ennustettuja tuloksia, jotka heijastavat KPI: itä ja strategisia tavoitteita-vaan niillä on myös usein datatieteen henkilökunta apunaan L&D – kumppaneiden jäsentäessä tietoja tietokokonaisuuksistaan. Lisäksi, koska ne ovat niin paljon vankempia kuin aiemmat iteraatiot, mukautuvat 3.0-järjestelmät voivat varustaa oppimisen ja kehityksen johtajat mitattavilla, mitattavissa olevilla tiedoilla, jotka he voivat viedä C-Suiteen informoimaan ja perustelemaan koulutusbudjetin menoja.

jatkuva parantaminen

lopulta toisin kuin Adaptiivisissa 1.0-tai 2.0-järjestelmissä, joissa päivitysten tekeminen vaatii intensiivistä ohjelmointia ja manuaalista koodausta, Adaptiiviset 3.0-järjestelmät tulevat automaattisesti älykkäämmiksi jokaisen käyttäjän vuorovaikutuksessa. He käyttävät koneoppivia algoritmeja käyttäjätiedon arviointiin ja Alustan jatkuvaan hienosäätöön. Lisäksi mukautuvat järjestelmät, jotka hyödyntävät täyden takaisinkytkentäsilmukan, jossa asiakkaan ulkoiset suoritustiedot voidaan korreloida alustaoppimisen analytiikan ja datatiedon kanssa, pystyvät kaivamaan esiin oppimis-ja suoritustietojen välillä ennennäkemättömiä oivalluksia.