Industria della formazione

Il primo esempio di quello che sarebbe diventato adaptive learning è stato concepito nel 1950 con il lavoro del comportamentista B. F. Skinner. Skinner ha sviluppato una macchina didattica focalizzata sulla costruzione di abilità incrementali. La macchina ha adattato le domande presentate in base alle precedenti risposte corrette e ha fornito agli studenti un feedback immediato e la capacità di muoversi al proprio ritmo.

La nozione di Skinner di adattare l’apprendimento basato sulle prestazioni individuali progredì con i tempi e la tecnologia. Ciò che riconosciamo come adaptive learning technology ha le sue radici nel movimento di intelligenza artificiale nel 1970. Ricercatori e professionisti hanno iniziato a sviluppare sistemi che replicare l’esperienza istruttore one-to-one, e tutti i benefici in esso. Mentre i sistemi risultanti da questo lavoro iniziale hanno avuto un certo successo, la potenza di calcolo e le tecnologie AI all’epoca semplicemente non erano abbastanza avanzate per l’intelligenza complessa o l’uso diffuso.

L’apprendimento adattivo non è morto lì. Infatti, nei decenni successivi, i sistemi di apprendimento adattivo sono diventati più snelli, più scalabili e più facili da usare. A loro volta, questi sistemi hanno migliorato l’apprendimento per milioni di persone in tutto il mondo. Quello che era iniziato come una macchina di insegnamento semplicistico sbocciato in un settore billion 13 miliardi.

INTELLIGENT IN NAME ONLY

Nonostante la crescita del mercato e i progressi nei sistemi adattivi, la direttiva principale dell’apprendimento adattivo – usare l’IA per imitare l’apprendimento umano individuale-era ancora fuori portata. La tecnologia AI e machine learning era estremamente limitata. Piuttosto che rinunciare del tutto alla nozione di apprendimento adattivo, i fornitori hanno ideato altre tecniche per replicare l ‘ “esperienza intelligente” dell’IA senza effettivamente utilizzare l’IA.

Questi tipi di soluzioni in genere rientrano in due categorie:

Adaptive Learning 1.0: Ramificazione di base

Queste applicazioni fanno adattamenti basati su alberi decisionali e pre-diagnostica. Ad esempio, questi sistemi potrebbero richiedere allo studente di effettuare una pre-valutazione. Da queste informazioni, il sistema crea quindi un piano di apprendimento “pseudo-personalizzato” per l’individuo che si concentra sulle sue esigenze di conoscenza generale. Poiché questi piani sono preimpostati e fortemente generalizzati, significa che stanno semplicemente facendo approssimazioni. Peggio ancora, sono statici e spesso diventano travisanti nel tempo.

Adaptive Learning 2.0: Algoritmi limitati

Queste applicazioni fanno adattamenti limitati basati su algoritmi semplificati. Questo è certamente un avanzamento rispetto ad Adaptive 1.0, in quanto automatizza parte del lavoro manuale iniziale. È, tuttavia, ancora limitato e non migliora e diventa più intelligente nel tempo.

Mentre Adaptive 1.0 e Adaptive 2.0 offrono entrambi più personalizzazione di un tradizionale approccio one-size-fits-all, in realtà non mantenere la promessa di adaptive learning: un sistema scalabile, AI-driven che imita l’interazione e l’esperienza di apprendimento di un istruttore umano o allenatore.

RENDERE L’IA FACILE

Oggi, i drammatici progressi nella tecnologia IA e l’open sourcing di framework di apprendimento automatico hanno permesso a un numero molto piccolo di fornitori d’élite di staccarsi dal pacchetto e sviluppare soluzioni completamente alimentate dall’IA. Questi progressi stanno creando una nuova categoria di apprendimento adattivo-Adaptive 3.0.

Adaptive Learning 3.0: AI e Machine Learning

Adaptive Learning 3.0 è caratterizzato dall’applicazione di AI e machine learning per replicare in modo più accurato l’esperienza istruttore one-to-one. Le soluzioni adattive basate sull’IA sfruttano le mappe di conoscenza della rete per creare nodi di conoscenza e comportamentali, formando relazioni più profonde tra contenuti, obiettivi di apprendimento e tipi di persona, per citarne alcuni. Ciò alimenta un’esperienza di apprendimento più efficiente ed efficace e consente:

• Complesso, in tempo reale adattamenti basati sullo studente, le prestazioni e il comportamento
• Data-driven, personalizzato, suggerimenti, feedback, la bonifica e la conoscenza di rinforzo
• Predittiva, dimenticare le curve e gli approfondimenti per il futuro di conoscenza
• Completa applicazione-livello di padronanza delle competenze e delle conoscenze
• Riduzione dei tempi di apprendimento

non è solo l’esperienza di apprendimento che è amplificato. Le piattaforme che abbracciano pienamente l’IA e l’apprendimento automatico sono anche in grado di fornire notevoli efficienze allo sviluppo dell’apprendimento e alla creazione di contenuti. Ad esempio, le piattaforme basate sull’intelligenza artificiale possono valutare le prestazioni dei contenuti di apprendimento, segnalare i contenuti sottoperformanti e persino nascondere le valutazioni sottoperformanti finché non vengono riviste.

AFFRONTARE LE VECCHIE SFIDE

Queste soluzioni adattive basate sull’intelligenza artificiale non stanno solo mantenendo la promessa di un apprendimento adattivo intelligente, simile a quello degli istruttori, ma stanno anche affrontando alcune delle vecchie debolezze inerenti all’Adaptive 1.0 e 2.0 sistemi. Ad esempio, AI può:

Eliminare i “loop”di apprendimento senza fine

Nei sistemi Adaptive 1.0 e 2.0, quando uno studente non è stato in grado di rispondere correttamente a una valutazione, l’applicazione potrebbe eseguirli in loop attraverso le stesse domande senza alcuna correzione o supporto. Questo “ciclo adattivo della morte” si traduce in frustrazione, disimpegno e persino sfiducia nei confronti del sistema. I nuovi sistemi adattivi basati sull’IA possono fornire feedback adattivi per aiutare gli studenti a guidare verso la precisione e farli andare avanti, in modo da non rimanere bloccati in questi loop frustranti.

Andare oltre una metodologia “content first”

Come discusso sopra, alcuni sistemi adattivi 1.0 e 2.0 richiedono agli studenti di rivedere tutti i contenuti prima di arrivare alla carne dell’apprendimento. Per gli studenti che hanno già esperienza o conoscenza sull’argomento, questo può essere un processo molto frustrante e noioso. Mentre i sistemi si spostano verso percorsi più abilitati all’IA, non dovranno più insistere sul fatto che gli studenti esaminino il contenuto prima che possano passarne fuori. I sistemi saranno in grado di accertare, in tempo reale, ciò che uno studente sa e regolare il contesto e la difficoltà del contenuto di conseguenza.

Elimina la strategia di apprendimento inefficace “test prep”

Al contrario, alcuni sistemi adattivi 1.0 e 2.0 richiedono agli studenti di rispondere in anticipo alle valutazioni prima di avere la possibilità di rivedere il contenuto. Queste piattaforme utilizzano quindi le risposte degli studenti per incanalare ogni studente in un “percorso di apprendimento” preimpostato in cui:

• Studenti di rispondere a una serie di domande
• La piattaforma elimina le aree di conoscenza risposto correttamente e fornisce risposte errate valutazioni
• Il ciclo si ripete fino a che lo studente risponde a tutte le valutazioni correttamente

Pensate a come una tecnologia, la versione elettrica di flashcards. Il problema di questa strategia è che è progettata per applicazioni a breve termine (come il SAT), piuttosto che per iniziative di apprendimento e sviluppo aziendali a lungo termine in cui l’obiettivo è l’applicazione in corso. Inoltre, gli studenti che non hanno familiarità con l’argomento spesso si trovano nel suddetto “ciclo adattivo della morte.”

Le piattaforme Adaptive 3.0 offrono regolazioni dinamiche e in tempo reale dei contenuti in base alle prestazioni e al comportamento, eliminando la necessità di valutazioni iniziali e percorsi di apprendimento preimpostati. Questo approccio è in linea con la ricerca che dimostra l’importanza dell’apprendimento auto-diretto anziché essere incanalato lungo un percorso specifico. Adattivo 3.0 sistemi consentono agli studenti di affermare il controllo aumenta l’autonomia, che è direttamente correlata a maggiore impegno, soddisfazione, fiducia e padronanza.

Interpretare meglio i dati degli studenti

I sistemi adattivi 1.0 e 2.0 acquisiscono molti dati, ma spesso l’onere dell’interpretazione e dell’applicazione dei dati è posto sulle spalle dei loro partner L & D. In gran parte, questi team non sono dotati delle competenze scientifiche necessarie per dare un senso a vaste risme di dati degli studenti. Le soluzioni adattive basate sull’IA non solo offrono una qualità molto più elevata dell’output dei dati, che include previsioni di follow-on, raccomandazioni e risultati proiettati che rispecchiano KPI e obiettivi strategici, ma spesso hanno anche uno staff di data science a disposizione per aiutare i partner L&D ad analizzare le informazioni dai loro set di dati. Inoltre, poiché sono molto più robusti delle iterazioni precedenti, i sistemi Adaptive 3.0 possono dotare i leader di apprendimento e sviluppo di dati misurabili e quantificabili che possono portare alla suite C per informare e giustificare le spese di budget per la formazione.

Miglioramento continuo

Infine, a differenza dei sistemi Adaptive 1.0 o 2.0, dove effettuare aggiornamenti richiede una programmazione intensiva e una codifica manuale, i sistemi Adaptive 3.0 diventano automaticamente più intelligenti con ogni interazione dell’utente. Utilizzano algoritmi di apprendimento automatico per valutare i dati degli utenti e ottimizzare continuamente la piattaforma. Inoltre, i sistemi adattivi che sfruttano un ciclo di feedback completo, in cui i dati sulle prestazioni esterne di un client possono essere correlati con l’analisi dell’apprendimento della piattaforma e la scienza dei dati, sono in grado di portare alla luce intuizioni mai viste prima tra dati di apprendimento e prestazioni.