교육 산업
적응 학습이 될 것의 첫 번째 사례는 1950 년대에 행동 주의자 스키너의 작업으로 생각되었습니다. 스키너는 증분 기술 구축에 초점을 맞춘 교육 기계를 개발. 이 기계는 이전의 정답을 기반으로 제시된 질문을 적용하고 학생들에게 즉각적인 피드백과 자신의 속도로 움직일 수있는 능력을 제공했습니다.
스키너는 개인의 성과에 따라 학습에 적응한다는 개념을 시대와 기술에 따라 발전시켰다. 우리가 적응 학습 기술로 인식하는 것은 1970 년대 인공 지능 운동에 뿌리를두고 있습니다.연구원과 실무자는 일대일 강사 경험과 그 안의 모든 이점을 복제 할 시스템을 개발하기 시작했습니다. 이 초기 작업으로 인한 시스템은 다소 성공적 이었지만 당시의 컴퓨팅 파워와 인공 지능 기술은 복잡한 지능이나 광범위한 사용을 위해 충분히 발전하지 못했습니다.
적응 학습은 거기에서 죽지 않았다. 사실,이후 수십 년 동안 적응 형 학습 시스템은 더욱 간소화되고 확장 가능하며 사용자 친화적이었습니다. 차례로,이 시스템은 전 세계 수백만 명의 사람들을위한 학습을 향상 시켰습니다. 단순한 교육 기계로 시작된 것은 130 억 달러 규모의 산업으로 꽃 피었습니다.
지능형 이름 만
시장의 성장과 적응 시스템의 발전에도 불구하고,적응 학습의 주요 지침–일대일 인간 학습을 모방하기 위해 인공 지능을 사용하는 것-은 여전히 손이 닿지 않았습니다. 인공 지능과 기계 학습 기술은 매우 제한적이었습니다. 적응 학습의 개념을 완전히 포기하기보다는 공급자는 인공 지능을 실제로 사용하지 않고 인공 지능의”지능형 경험”을 복제하는 다른 기술을 고안했습니다.
적응 학습 1.0:기본 분기
이러한 응용 프로그램은 의사 결정 트리 및 사전 진단을 기반으로 적응합니다. 예를 들어,이러한 시스템은 학습자가 사전 평가를 받아야 할 수도 있습니다. 이 정보를 통해 시스템은 일반적인 지식 요구에 초점을 맞춘 개인을위한”의사 맞춤형”학습 계획을 만듭니다. 이러한 계획은 미리 설정되고 크게 일반화되기 때문에 단순히 근사치를 만드는 것을 의미합니다. 더 나쁜 것은,그들은 정적이며 종종 시간이 지남에 따라 허위 진술이됩니다.
적응 학습 2.0:제한된 알고리즘
이러한 응용 프로그램은 단순화 된 알고리즘을 기반으로 제한된 적응을합니다. 이 선행 수동 작업의 일부를 자동화한다는 점에서,확실히 적응 1.0 을 통해 발전이다. 그것은,그러나,여전히 제한 및 개선하고 시간이 지남에 따라 더 지능이되지 않습니다.
적응 형 1.0 과 적응 형 2.0 은 모두 전통적인 단일 크기에 맞는 접근 방식보다 더 많은 개인화를 제공하지만 적응 형 학습의 약속을 실제로 제공하지는 못합니다:인간 강사 또는 코치의 상호 작용과 학습 경험을 모방 한 확장 가능한 인공 지능 기반 시스템.
인공지능을 쉽게 만들기
오늘날,인공지능 기술의 극적인 발전과 기계 학습 프레임워크의 오픈 소싱은 소수의 엘리트 제공업체들이 이 팩에서 벗어나 인공지능에 의해 완전히 구동되는 솔루션을 개발할 수 있게 했다. 이러한 발전은 적응 형 학습의 새로운 범주 인 적응 형 3.0 을 만들고 있습니다.
적응 학습 3.0:인공 지능과 기계 학습
적응 학습 3.0 은 일대일 강사 경험을보다 정확하게 복제하기 위해 인공 지능과 기계 학습을 적용하는 것이 특징입니다. 인공 지능 기반 적응 형 솔루션은 네트워크 지식 맵을 활용하여 지식과 행동 노드를 생성하여 콘텐츠,학습 목표 및 페르소나 유형 간의 더 깊은 관계를 형성합니다. 이를 통해보다 효율적이고 효과적인 학습 경험을 제공하고 다음을 수행 할 수 있습니다:
- 학습자의 성과와 행동을 기반으로 한 복잡한 실시간 적응
- 데이터 중심의 개인화 된 힌트,피드백,개선 및 지식 강화
- 미래 지식 적용에 대한 예측,망각 곡선 및 통찰력
- 기술과 지식의 포괄적 인 응용 수준 숙달
- 학습 시간 단축
그것은 증폭 단지 학습 경험이 아니다. 인공 지능과 기계 학습을 완전히 수용하는 플랫폼은 학습 개발 및 콘텐츠 제작에 극적인 효율성을 제공 할 수 있습니다. 예를 들어,인공 지능 기반 플랫폼은 학습 콘텐츠의 성능을 평가하고 실적이 저조한 콘텐츠에 플래그를 지정하고 수정 될 때까지 실적이 저조한 평가를 숨길 수 있습니다.
오래된 문제 해결
이러한 인공 지능 기반 적응 솔루션은 지능적이고 강사와 같은 적응 학습의 약속을 이행하는 것이 아니라 적응 형 1.0 및 2 에 내재 된 오래된 약점 중 일부를 해결하고 있습니다.0 시스템. 예를 들어,인공지능은:
끝없는 학습”루프”를 제거한다.
이”죽음의 적응 루프”는 학습자의 좌절,이탈 및 시스템에 대한 불신을 초래합니다. 새로운 인공 지능 전원 적응 시스템은 정확성을 향해 안내 학습자를 돕고 앞으로 이동 유지하는 적응 피드백을 제공 할 수 있습니다,그래서 그들은 이러한 좌절 루프에 갇혀하지 않습니다.
“콘텐츠 우선”방법론
위에서 설명한 바와 같이 일부 적응 형 1.0 및 2.0 시스템은 학습자가 학습의 고기에 도달하기 전에 모든 콘텐츠를 검토해야합니다. 이미 주제에 대한 경험이나 지식을 가지고 학습자의 경우,이 매우 실망하고 지루한 과정이 될 수 있습니다. 시스템이 더 많은 인공 지능 기반 경로를 향해 이동함에 따라 학습자가 콘텐츠를 통과하기 전에 콘텐츠를 검토 할 것을 더 이상 주장 할 필요가 없습니다. 시스템은 학습자가 무엇을 알고 있는지 실시간으로 확인하고 그에 따라 콘텐츠의 맥락과 어려움을 조정할 수 있습니다.
비효율적 인”시험 준비”학습 전략 제거
반대로 일부 적응 형 1.0 및 2.0 시스템은 학습자가 콘텐츠를 검토 할 기회를 얻기 전에 사전에 평가에 응답해야합니다. 이러한 플랫폼은 학습자 응답을 사용하여 각 학습자를 미리 설정된”학습 경로”아래로 유도합니다.:
- 학습자는 일련의 질문에 대답
- 이 플랫폼은 제대로 대답 지식의 영역을 제거하고 잘못된 평가에 대한 답변을 제공합니다
- 학습자가 올바르게 모든 평가에 응답 할 때까지 사이클이 반복
플래시 카드의 기술 구동 버전으로 생각합니다. 이 전략의 문제점은 지속적인 응용 프로그램이 목표 인 장기 기업 학습 및 개발 이니셔티브가 아닌 단기 응용 프로그램(토와 같은)을 위해 설계되었다는 것입니다. 또한,주제에 익숙하지 않은 학습자는 종종 앞서 언급 한”죽음의 적응 루프”에서 자신을 찾습니다.”
적응 형 3.0 플랫폼은 성능 및 행동을 기반으로 동적 인 실시간 콘텐츠 조정을 제공하므로 사전 평가 및 사전 설정된 학습 경로가 필요하지 않습니다. 이 접근법은 특정 경로로 유입되는 것과는 반대로 자기 주도적 학습의 중요성을 보여주는 연구와 일치합니다. 적응 3.0 시스템은 학습자가 직접 높은 참여,만족,신뢰와 숙달에 상관 관계 제어 증가 자율성을 주장 할 수 있습니다.
더 나은 학습자 데이터를 해석
적응 형 1.0 및 2.0 시스템은 많은 데이터를 캡처하지만,종종 데이터 해석 및 응용 프로그램의 부담은 자신의 어깨에 배치됩니다. 대부분의 경우,이 팀은 방대한 양의 학습자 데이터를 이해하는 데 필요한 데이터 과학 전문 지식을 갖추고 있지 않습니다. 인공지능 기반 적응형 솔루션은 훨씬 더 강력한 데이터 출력 품질을 제공할 뿐만 아니라,후속 예측,권장 사항 및 예측된 결과를 포함하며,이러한 결과에는 데이터 세트에서 통찰력을 분석할 수 있도록 데이터 과학 직원이 함께 하는 경우가 많습니다. 또한 적응형 3.0 시스템은 이전 반복보다 훨씬 강력하기 때문에 학습 및 개발 리더에게 측정 가능하고 정량화 가능한 데이터를 제공하여 교육 예산 지출을 알리고 정당화 할 수 있습니다.
지속적인 개선
마지막으로,적응 형 1.0 또는 2.0 시스템과 달리 업데이트를 수행하려면 집중적 인 프로그래밍과 수동 코딩이 필요하며 적응 형 3.0 시스템은 각 사용자 상호 작용으로 자동으로 스마트 해집니다. 기계 학습 알고리즘을 사용하여 사용자 데이터를 평가하고 플랫폼을 지속적으로 미세 조정합니다. 또한 클라이언트의 외부 성능 데이터가 플랫폼 학습 분석 및 데이터 과학과 상호 연관 될 수있는 전체 피드백 루프를 활용하는 적응 형 시스템은 학습 데이터와 성능 데이터 사이에서 이전에는 볼 수 없었던 통찰력을 발굴 할 수 있습니다.