képzési ipar

az adaptív tanulássá váló első példát az 1950-es években hozták létre B. F. Skinner behaviorista munkájával. Skinner kifejlesztett egy oktatógépet, amely a növekményes készségfejlesztésre összpontosított. A gép a korábbi helyes válaszok alapján adaptálta a bemutatott kérdéseket, és azonnali visszajelzést adott a hallgatóknak, és képes volt a saját tempójukban mozogni.

Skinner elképzelése az egyéni teljesítményen alapuló tanulás adaptálásáról az idővel és a technológiával haladt előre. Amit adaptív tanulási technológiának ismerünk, az 1970-es években a mesterséges intelligencia mozgalmában gyökerezik.a kutatók és a szakemberek olyan rendszereket fejlesztettek ki, amelyek megismételnék az egy-egy oktatói tapasztalatot és az abban rejlő összes előnyt. Míg a kezdeti munka eredményeként létrejött rendszerek némileg sikeresek voltak, a számítási teljesítmény és az AI technológiák abban az időben egyszerűen nem voltak elég fejlettek a komplex intelligencia vagy a széles körű használat érdekében.

az adaptív tanulás nem halt meg ott. A következő évtizedekben az adaptív tanulási rendszerek egyszerűbbé, skálázhatóbbá és felhasználóbarátabbá váltak. Viszont ezek a rendszerek világszerte több millió ember számára javították a tanulást. Mi kezdődött, mint egy egyszerű oktatási gép kivirágzott egy $13 milliárd ipar.

csak név szerint intelligens

a piac növekedése és az adaptív rendszerek fejlődése ellenére az adaptív tanulás elsődleges irányelve – az AI használata az emberi tanulás utánozására-még mindig elérhetetlen volt. Az AI és a gépi tanulási technológia rendkívül korlátozott volt. Ahelyett, hogy teljesen feladták volna az adaptív tanulás fogalmát, a szolgáltatók más technikákat dolgoztak ki az AI “intelligens élményének” megismétlésére anélkül, hogy ténylegesen használnák az AI-t.

az ilyen típusú megoldások jellemzően két kategóriába sorolhatók:

adaptív tanulás 1.0: alapvető elágazás

ezek az alkalmazások döntési fákon és elődiagnosztikán alapuló adaptációkat hajtanak végre. Például ezek a rendszerek megkövetelhetik a tanulótól, hogy előzetes értékelést végezzen. Ezen információk alapján a rendszer ezután létrehoz egy” ál-személyre szabott ” tanulási tervet az egyén számára, amely általános tudásigényeire összpontosít. Mivel ezek a tervek előre be vannak állítva és erősen általánosítottak, ez azt jelenti, hogy egyszerűen csak közelítéseket készítenek. Ami még rosszabb, statikusak, és idővel gyakran félrevezetővé válnak.

adaptív tanulás 2.0: Korlátozott algoritmusok

ezek az alkalmazások korlátozott adaptációkat végeznek egyszerűsített algoritmusok alapján. Ez minden bizonnyal előrelépés az Adaptive 1.0 – hoz képest, mivel automatizálja az előzetes kézi munka egy részét. Ez azonban még mindig korlátozott, és nem javul, és idővel intelligensebbé válik.

míg az Adaptive 1.0 és az Adaptive 2.0 egyaránt több személyre szabást kínál, mint egy hagyományos, mindenki számára megfelelő megközelítés, nem igazán teljesítik az adaptív tanulás ígéretét: egy skálázható, AI-vezérelt rendszer, amely utánozza az emberi oktató vagy edző interakcióját és tanulási tapasztalatait.

az AI egyszerűvé tétele

napjainkban az AI technológia drámai fejlődése és a gépi tanulási keretek nyílt beszerzése lehetővé tette, hogy nagyon kevés elit szolgáltató szakítson a csomaggal, és olyan megoldásokat fejlesszen ki, amelyek teljes mértékben az AI-vel működnek. Ezek a fejlesztések az adaptív tanulás új kategóriáját hozzák létre – az Adaptive 3.0-t.

Adaptive Learning 3.0: AI és gépi tanulás

az Adaptive Learning 3.0-t az AI és a gépi tanulás alkalmazása jellemzi, hogy pontosabban megismételje az egy-egy oktatói élményt. Az AI-alapú adaptív megoldások kihasználják a hálózati tudástérképeket, hogy tudás-és viselkedési csomópontokat hozzanak létre, mélyebb kapcsolatokat alakítva ki a tartalom, a tanulási célok és a személyiségtípusok között, hogy csak néhányat említsünk. Ez hatékonyabb, hatékonyabb tanulási élményt nyújt, és lehetővé teszi:

• komplex, valós idejű adaptációk a tanuló teljesítményén és viselkedésén alapulva
• adatvezérelt, személyre szabott tippek, visszacsatolás, kármentesítés és tudás megerősítése
• prediktív, felejtő görbék és betekintés a jövőbeli tudás alkalmazásába
• átfogó alkalmazási szintű készségek és ismeretek elsajátítása
• a tanulási idő csökkentése

nem csak a tanulási tapasztalat erősödik. Az AI-t és a gépi tanulást teljes mértékben magába foglaló platformok szintén képesek drámai hatékonyságot biztosítani a tanulás fejlesztésében és a tartalom létrehozásában. Például az AI-alapú platformok értékelhetik a tanulási tartalom teljesítményét, megjelölhetik az alulteljesítő tartalmat, sőt elrejthetik az alulteljesítő értékeléseket, amíg át nem vizsgálják őket.

a régi kihívások kezelése

ezek az AI-alapú adaptív megoldások nemcsak az intelligens, oktatószerű adaptív tanulás ígéretét teljesítik, hanem az adaptív 1.0 és 2-ben rejlő régi gyengeségeket is kezelik.0 rendszerek. Például az AI képes:

kiküszöbölni a soha véget nem érő tanulási “hurkokat”

az adaptív 1.0 és 2.0 rendszerekben, amikor a tanuló nem tudott helyesen válaszolni egy értékelésre, az alkalmazás ugyanazokat a kérdéseket hurkolhatja át minden kármentesítés vagy támogatás nélkül. Ez az “adaptív halálhurok” a tanuló frusztrációját, elszakadását, sőt bizalmatlanságát eredményezi a rendszerrel szemben. Az új AI-alapú adaptív rendszerek adaptív visszajelzést adhatnak, hogy segítsék a tanulókat a pontosság felé, és előre haladjanak, így nem ragadnak meg ezekben a frusztráló hurkokban.

Lépj túl a “tartalom az első” módszertanon

amint azt fentebb tárgyaltuk, néhány adaptív 1.0 és 2.0 rendszer megköveteli a tanulóktól, hogy vizsgálják felül az összes tartalmat, mielőtt eljutnának a tanulás húsához. Azoknak a tanulóknak, akik már rendelkeznek tapasztalattal vagy tudással a témában, ez nagyon frusztráló és unalmas folyamat lehet. Ahogy a rendszerek az AI-kompatibilis utak felé haladnak, többé nem kell ragaszkodniuk ahhoz, hogy a tanulók felülvizsgálják a tartalmat, mielőtt elhagyhatják azt. A rendszerek képesek lesznek valós időben megállapítani, hogy mit tud a tanuló, és ennek megfelelően módosítani a tartalom kontextusát és nehézségét.

távolítsuk hatástalan “teszt prep” tanulási stratégia

fordítva, néhány adaptív 1.0 és 2.0 rendszerek megkövetelik a tanulók válaszolni értékelések előre, mielőtt kap egy esélyt, hogy vizsgálja felül a tartalmat. Ezek a platformok ezután a tanulói válaszokat használják arra, hogy minden tanulót egy előre beállított “tanulási úton” vezessenek le, ahol:

• a tanulók egy sor kérdésre válaszolnak
• a platform kiküszöböli a helyesen megválaszolt tudásterületeket, és válaszokat ad a helytelen értékelésekre
• a ciklus addig ismétlődik, amíg a tanuló minden értékelésre helyesen nem válaszol

gondolj rá úgy, mint a Tanulókártyák technológiai alapú verziójára. A probléma ezzel a stratégiával az, hogy rövid távú alkalmazásra tervezték (mint a SAT), nem pedig hosszú távú vállalati tanulási és fejlesztési kezdeményezésekre, ahol a folyamatos alkalmazás a cél. Továbbá, azok a tanulók, akik nem ismerik a témát, gyakran a fent említett “adaptív halálhurokban” találják magukat.”

az adaptív 3.0 platformok dinamikus, valós idejű tartalmi kiigazításokat biztosítanak a teljesítmény és a viselkedés alapján, így nincs szükség előzetes értékelésekre és előre beállított tanulási utakra. Ez a megközelítés összhangban van azzal a kutatással, amely bemutatja az önirányított tanulás fontosságát, szemben azzal, hogy egy adott úton haladjanak. Adaptív 3.0 a rendszerek lehetővé teszik a tanulók számára, hogy érvényesítsék az irányítást növeli az autonómiát, ami közvetlenül korrelál a magasabb elkötelezettséggel, elégedettséggel, magabiztossággal és elsajátítással.

a tanulói adatok Jobb értelmezése

az adaptív 1.0 és 2.0 rendszerek sok adatot rögzítenek, de az adatok értelmezésének és alkalmazásának terhe gyakran az L& d partnerek vállára kerül. Ezek a csapatok nagyrészt nem rendelkeznek a szükséges adattudományi szakértelemmel ahhoz, hogy megértsék a tanulói adatok hatalmas mennyiségét. Az AI-alapú adaptív megoldások nemcsak sokkal jobb minőségű adatkimenetet biztosítanak – amely magában foglalja a következő előrejelzéseket, ajánlásokat és előrejelzett eredményeket, amelyek tükrözik a KPI – ket és a stratégiai célokat -, hanem gyakran rendelkeznek adattudományi munkatársakkal is, akik segítenek az L&d partnereknek az adatkészleteikből származó betekintések elemzésében. Továbbá, mivel sokkal robusztusabbak, mint a korábbi iterációk, az Adaptive 3.0 rendszerek mérhető, számszerűsíthető adatokkal látják el a tanulási és fejlesztési vezetőket, amelyeket a C-suite-ba vihetnek, hogy tájékoztassák és igazolják a képzési költségvetés kiadásait.

folyamatos fejlesztés

végül, ellentétben az Adaptive 1.0 vagy 2.0 rendszerekkel, ahol a frissítések intenzív programozást és kézi kódolást igényelnek, az Adaptive 3.0 rendszerek automatikusan okosabbá válnak minden felhasználói interakcióval. Gépi tanulási algoritmusokat használnak a felhasználói adatok értékelésére és a platform folyamatos finomhangolására. Emellett a teljes visszacsatolási ciklust kihasználó adaptív rendszerek, amelyekben az ügyfél külső teljesítményadatai korrelálhatók a platform tanulási elemzésével és az adattudományokkal, képesek olyan betekintést feltárni, amelyet még soha nem láttak a tanulási és a teljesítményadatok között.