Training Industry
den første forekomsten av det som skulle bli adaptiv læring ble unnfanget på 1950-tallet med arbeidet til behaviorist Bf Skinner. Skinner utviklet en undervisningsmaskin fokusert på inkrementell ferdighetsbygging. Maskinen tilpasset spørsmålene som ble presentert basert på tidligere riktige svar, og ga studentene umiddelbar tilbakemelding og evnen til å bevege seg i sitt eget tempo.
Skinners oppfatning av å tilpasse læring basert på individuell ytelse utviklet seg med tiden og teknologien. Det vi anerkjenner som adaptiv læringsteknologi har sine røtter i den kunstige intelligensbevegelsen på 1970 – tallet. Forskere og utøvere begynte å utvikle systemer som ville gjenskape den en-til-en instruktøropplevelsen, og alle fordelene deri. Mens systemene som resulterte fra dette innledende arbeidet var noe vellykkede, var datakraft og AI-teknologier på den tiden ganske enkelt ikke avanserte nok til kompleks intelligens eller utbredt bruk.
Adaptiv læring døde ikke der. Faktisk, i de påfølgende tiårene, adaptive læringssystemer ble mer strømlinjeformet, mer skalerbar og mer brukervennlig. I sin tur forbedret disse systemene læring for millioner av mennesker over hele verden. Det som begynte som en forenklet undervisningsmaskin blomstret til en $ 13 milliarder industri.
INTELLIGENT i NAVNET
Til tross for veksten i markedet og fremskrittene i adaptive systemer, var hoveddirektivet for adaptiv læring – å bruke AI til å etterligne en-til-en menneskelig læring – fortsatt utenfor rekkevidde. AI og maskinlæringsteknologi var svært begrenset. I stedet for å gi opp begrepet adaptiv læring helt, utviklet leverandører andre teknikker for å gjenskape DEN» intelligente opplevelsen » AV AI uten å bruke AI.
disse typer løsninger faller vanligvis inn i to kategorier:
Adaptiv Læring 1.0: Grunnleggende Forgrening
disse programmene gjør tilpasninger basert på beslutningstrær og forhåndsdiagnostikk. For eksempel kan disse systemene kreve at eleven tar en forhåndsvurdering. Fra denne informasjonen oppretter systemet deretter en» pseudo-personlig » læringsplan for den enkelte som fokuserer på deres generelle kunnskapsbehov. Fordi disse planene er forhåndsinnstilte og tungt generaliserte, betyr det at de bare gjør tilnærminger. Enda verre er de statiske og blir ofte misrepresentative over tid.
Adaptiv Læring 2.0: Begrensede Algoritmer
disse programmene gjør begrensede tilpasninger basert på forenklede algoritmer. Dette er absolutt en fremgang over Adaptive 1.0, ved at den automatiserer noe av det manuelle arbeidet på forhånd. Det er imidlertid fortsatt begrenset og forbedrer seg ikke og blir mer intelligent over tid.
Mens Adaptive 1.0 og Adaptive 2.0 begge tilbyr mer tilpassing enn en tradisjonell one-size-fits-all tilnærming, leverer de egentlig ikke på løftet om adaptiv læring: et skalerbart, AI-drevet system som etterligner samspillet og læringsopplevelsen til en menneskelig instruktør eller trener.
Å GJØRE AI ENKELT
i Dag har dramatiske fremskritt INNEN AI-teknologi og den åpne sourcing av maskinlæringsrammer gjort det mulig for et svært lite antall eliteleverandører å bryte seg bort fra pakken, og utvikle løsninger fullt drevet AV AI. Disse fremskrittene skaper en ny kategori av adaptiv læring-Adaptive 3.0.
Adaptiv Læring 3.0: AI Og Maskinlæring
Adaptiv Læring 3.0 er preget av bruk AV AI og maskinlæring for å mer nøyaktig gjenskape en-til-en-instruktøropplevelsen. Ai-drevne adaptive løsninger utnytter nettverkskunnskapskart for å skape kunnskaps-og atferdsnoder, og danner dypere forhold mellom innhold, læringsmål og personatyper, for å nevne noen. Dette styrker en mer effektiv, effektiv læringsopplevelse og muliggjør:
- Komplekse, sanntids tilpasninger basert på elevenes ytelse og atferd
- datadrevne, personlige tips, tilbakemeldinger, utbedring og kunnskapsforsterkning
- Prediktive, glemme kurver og innsikt i fremtidig kunnskap søknad
- Omfattende programnivå mestring av ferdigheter og kunnskap
- Reduksjon i læringstider
det er ikke bare læringsopplevelsen som forsterkes. Plattformene som fullt ut omfavner AI og maskinlæring, kan også gi dramatisk effektivitet til læringsutvikling og innholdsskaping. FOR EKSEMPEL KAN ai-drevne plattformer vurdere ytelsen til læringsinnhold, flagge underpresterende innhold og til og med skjule underpresterende vurderinger til de blir revidert.
ADRESSERING GAMLE UTFORDRINGER
DISSE ai-drevne adaptive løsningene leverer ikke bare på løftet om intelligent, instruktørlignende adaptiv læring, de tar også opp noen av de gamle svakhetene som ligger i Den Adaptive 1.0 og 2.0 systemer. FOR EKSEMPEL KAN AI:
Eliminere den uendelige læring «looper»
I Adaptive 1.0 og 2.0 systemer, når en elev var ute av stand til å svare på en vurdering riktig, programmet kan sløyfe dem gjennom de samme spørsmålene uten utbedring eller støtte. Denne «adaptive loop of death» resulterer i elevens frustrasjon, frigjøring og til og med mistillit til systemet. Nye AI-drevne adaptive systemer kan gi adaptiv tilbakemelding for å hjelpe elevene mot nøyaktighet og holde dem fremover, slik at de ikke sitter fast i disse frustrerende løkkene.
Gå utover en» content first » – metodikk
som diskutert ovenfor krever Noen Adaptive 1.0-og 2.0-systemer at elevene vurderer alt innholdet før de kommer til kjøttet i læringen. For elever som allerede har erfaring eller kunnskap om emnet, kan dette være en veldig frustrerende og kjedelig prosess. Etter hvert som systemer beveger seg mot FLERE ai-aktiverte veier, trenger de ikke lenger å insistere på at elevene vurderer innholdet før de kan passere ut av det. Systemer vil kunne fastslå, i sanntid, hva en elev vet og justere konteksten og vanskeligheten av innholdet tilsvarende.
Eliminer ineffektiv» test prep » læringsstrategi
Omvendt krever noen adaptive 1.0-og 2.0-systemer at elevene svarer på vurderinger på forhånd før de får en sjanse til å gjennomgå innholdet. Disse plattformene deretter bruke elevenes svar å trakt hver elev ned en pre-set «læring pathway» hvor:
- Elever svarer på en rekke spørsmål
- plattformen eliminerer kunnskapsområdene som besvares riktig og gir svar på feilaktige vurderinger
- syklusen gjentas til eleven svarer alle vurderinger riktig
Tenk på det som en teknologidrevet versjon av flashcards. Problemet med denne strategien er at den er designet for kortsiktig søknad (som SAT), i stedet for langsiktige bedriftens lærings-og utviklingsinitiativer der pågående søknad er målet. Dess, elever som ikke er kjent med emnet ofte finne seg i den nevnte » adaptive loop of death.»
Adaptive 3.0-plattformer leverer dynamiske innholdsjusteringer i sanntid basert på ytelse og oppførsel, noe som eliminerer behovet for forhåndsvurderinger og forhåndsinnstilte læringsbaner. Denne tilnærmingen er i tråd med forskningen som demonstrerer betydningen av selvstyrt læring i motsetning til å bli trukket ned en bestemt bane. Tilpasning 3.0 systemer tillater elevene å hevde kontroll øker autonomi, som direkte korrelerer til høyere engasjement, tilfredshet, selvtillit og mestring.
bedre tolke elevdata
Adaptive 1.0 og 2.0 systemer fange mye data, men ofte byrden av data tolkning og anvendelse er plassert på skuldrene Til Sine l &d partnere. I stor grad er disse lagene ikke utstyrt med datavitenskapskompetansen som er nødvendig for å gi mening om store mengder læringsdata. AI-drevne adaptive løsninger gir ikke bare en mye sterkere kvalitet på datautdata – som inkluderer oppfølgingsspådommer, anbefalinger og projiserte resultater som speiler Kpi – er og strategiske mål-men de har også ofte en datavitenskapspersonell til stede for Å hjelpe l&d-partnere med å analysere innsikt fra datasettene sine. I tillegg, fordi De er så mye mer robuste enn tidligere iterasjoner, Kan Adaptive 3.0-systemer utstyre lærings-og utviklingsledere med målbare, kvantifiserbare data de kan ta Med Til C-suite for å informere og rettferdiggjøre treningsbudsjettutgifter.
Kontinuerlig forbedring
til slutt, i motsetning Til I Adaptive 1.0-eller 2.0-systemer, hvor oppdateringer krever intensiv programmering og manuell koding, Blir Adaptive 3.0-systemer automatisk smartere med hver brukerinteraksjon. De bruker maskinlæringsalgoritmer til å evaluere brukerdata og kontinuerlig finjustere plattformen. I tillegg kan adaptive systemer som utnytter en full tilbakemeldingssløyfe, hvor eksterne ytelsesdata fra en klient kan korreleres med plattformlæringsanalyse og datavitenskap, avdekke innsikt som aldri før er sett mellom lærings-og ytelsesdata.