Opleidingsindustrie

het eerste voorbeeld van wat adaptief leren zou worden, werd in de jaren vijftig bedacht met het werk van behaviorist B. F. Skinner. Skinner ontwikkelde een onderwijsmachine gericht op het ontwikkelen van vaardigheden. De machine paste de gepresenteerde vragen aan op basis van eerdere correcte antwoorden, en gaf studenten directe feedback en de mogelijkheid om in hun eigen tempo te bewegen.Skinner ‘ s idee om het leren aan te passen op basis van individuele prestaties ging vooruit met de tijd en de technologie. Wat wij erkennen als adaptieve leertechnologie heeft zijn wortels in de kunstmatige intelligentie beweging in de jaren 1970. onderzoekers en beoefenaars begonnen met het ontwikkelen van systemen die de een-op-een instructeur ervaring zou repliceren, en alle voordelen daarvan. Hoewel de systemen die het resultaat waren van dit eerste werk waren enigszins succesvol, rekenkracht en AI technologieën op het moment waren gewoon niet geavanceerd genoeg voor complexe intelligentie of wijdverbreid gebruik.

adaptief leren stierf daar niet. In de daaropvolgende decennia werden adaptieve leersystemen gestroomlijnder, schaalbaarder en gebruiksvriendelijker. Op hun beurt verbeterden deze systemen het leren voor miljoenen mensen wereldwijd. Wat begon als een simplistische onderwijsmachine groeide uit tot een $13 miljard industrie.Ondanks de groei van de markt en de vooruitgang in adaptieve systemen, was de eerste richtlijn van adaptief leren – AI gebruiken om één-op-één menselijk leren na te bootsen – nog steeds buiten bereik. AI en machine learning technologie was zeer beperkt. Eerder dan op te geven op het begrip van adaptief leren helemaal, verstrekkers bedacht andere technieken om de “intelligente ervaring” van AI te repliceren zonder daadwerkelijk AI te gebruiken.

deze soorten oplossingen vallen meestal in twee categorieën:

adaptief leren 1.0: Basic Branching

deze toepassingen maken aanpassingen op basis van beslissingsbomen en pre-diagnostiek. Deze systemen kunnen bijvoorbeeld vereisen dat de leerling een pre-assessment uitvoert. Op basis van deze informatie creëert het systeem vervolgens een “pseudo-gepersonaliseerd” leerplan voor het individu dat zich richt op hun algemene kennisbehoeften. Omdat deze plannen vooraf zijn vastgesteld en sterk veralgemeend, betekent dit dat ze gewoon benaderingen maken. Erger nog, ze zijn statisch en vaak misrepresentatief na verloop van tijd.

adaptief leren 2.0: beperkte algoritmen

deze toepassingen maken beperkte aanpassingen op basis van vereenvoudigde algoritmen. Dit is zeker een vooruitgang ten opzichte van Adaptive 1.0, in dat het automatiseert een deel van de upfront handmatig werk. Het is echter nog steeds beperkt en verbetert niet en wordt na verloop van tijd intelligenter.Hoewel Adaptive 1.0 en Adaptive 2.0 beide meer personalisatie bieden dan een traditionele one-size-fits-all benadering, komen ze niet echt tegemoet aan de belofte van adaptive learning: een schaalbaar, AI-gedreven systeem dat de interactie en leerervaring van een menselijke instructeur of coach nabootst.

het maken van AI gemakkelijk

vandaag de dag hebben dramatische ontwikkelingen in AI-technologie en de open sourcing van machine learning frameworks een zeer klein aantal elite-aanbieders in staat gesteld zich los te maken van het pakket en oplossingen te ontwikkelen die volledig worden aangedreven door AI. Deze ontwikkelingen creëren een nieuwe categorie van adaptief leren – adaptief 3.0.

adaptief leren 3.0: AI en Machine Learning

adaptief leren 3.0 wordt gekenmerkt door de toepassing van AI en machine learning om de ervaring van één-op-één instructeur nauwkeuriger te repliceren. AI-aangedreven adaptieve oplossingen maken gebruik van netwerk kenniskaarten om kennis-en gedragsknooppunten te creëren, diepere relaties vormen tussen inhoud, leerdoelen en personatypes, om er maar een paar te noemen. Dit zorgt voor een efficiëntere, effectievere leerervaring en maakt:

• complexe, real-time aanpassingen op basis van prestaties en gedrag van de leerling
• Data-driven, gepersonaliseerde hints, feedback, remediatie en kennisversterking
• voorspellende, vergeetcurves en inzichten in toekomstige kennistoepassing
• uitgebreide beheersing van vaardigheden en kennis op applicatieniveau
• verkorting van de leertijd

het is niet alleen de leerervaring die wordt versterkt. De platforms die AI en machine learning volledig omarmen, kunnen ook dramatische efficiëntie bieden aan leerontwikkeling en het creëren van inhoud. AI-aangedreven platforms kunnen bijvoorbeeld de prestaties van leerinhoud beoordelen, slecht presterende inhoud markeren en zelfs slecht presterende beoordelingen verbergen totdat ze worden herzien.

aanpakken van oude uitdagingen

deze AI-aangedreven adaptieve oplossingen komen niet alleen tegemoet aan de belofte van intelligent, instructeur-achtig adaptief leren, ze pakken ook enkele van de oude zwakheden aan die inherent zijn aan de adaptive 1.0 en 2.0 systemen. AI kan bijvoorbeeld:

de nooit eindigende leerlussen

in Adaptive 1.0-en 2.0-systemen elimineren. wanneer een leerling een beoordeling niet correct kon beantwoorden, kan de applicatie ze door dezelfde vragen lusenzonder enige correctie of ondersteuning. Deze “adaptieve lus van de dood” resulteert in frustratie van de leerling, terugtrekking en zelfs wantrouwen van het systeem. Nieuwe AI-aangedreven adaptieve systemen kunnen adaptieve feedback te helpen begeleiden leerlingen in de richting van nauwkeurigheid en houden ze vooruit, zodat ze niet vast komen te zitten in deze frustrerende lussen.

stap verder dan een” content first ” – methode

zoals hierboven besproken, vereisen sommige adaptieve 1.0-en 2.0-systemen dat leerlingen alle inhoud bekijken voordat ze aan het leerproces beginnen. Voor leerlingen die al ervaring of kennis hebben over het onderwerp, kan dit een zeer frustrerend en vervelend proces zijn. Als systemen bewegen in de richting van meer AI-enabled paden, zullen ze niet langer moeten aandringen dat leerlingen de inhoud herzien voordat ze kunnen doorgeven. Systemen zullen in realtime kunnen vaststellen wat een leerling Weet en de context en moeilijkheidsgraad van de inhoud dienovereenkomstig kunnen aanpassen.

Elimineer ineffectieve “test prep” – leerstrategie

omgekeerd vereisen sommige adaptieve 1.0 – en 2.0-systemen dat leerlingen de beoordelingen vooraf beantwoorden voordat ze de kans krijgen om de inhoud te beoordelen. Deze platforms gebruiken vervolgens de reacties van de cursist om elke cursist een vooraf ingestelde “leerweg” af te leiden waarin:

• lerenden beantwoorden een reeks vragen
• het platform elimineert de gebieden van kennis die correct worden beantwoord en geeft antwoorden op onjuiste beoordelingen
• de cyclus herhaalt zich totdat de leerling alle beoordelingen correct beantwoordt

zie het als een op technologie gebaseerde versie van flashcards. Het probleem met deze strategie is dat het is ontworpen voor korte termijn toepassing (zoals de SAT), in plaats van lange termijn corporate learning en ontwikkeling initiatieven waar voortdurende toepassing is het doel. Bovendien bevinden leerlingen die niet vertrouwd zijn met het onderwerp zich vaak in de eerder genoemde “adaptieve lus van de dood.”

Adaptive 3.0-platforms leveren dynamische, real-time inhoudaanpassingen op basis van prestaties en gedrag, waardoor er geen behoefte is aan voorafgaande beoordelingen en vooraf ingestelde leertrajecten. Deze aanpak is in lijn met het onderzoek dat het belang van self-directed learning in tegenstelling tot wordt geleid langs een specifiek pad toont. Adaptief 3.0 systemen stellen leerlingen in staat om controle te beweren verhoogt de autonomie, die direct correleert met hogere betrokkenheid, tevredenheid, vertrouwen en meesterschap.

gegevens van leerlingen beter interpreteren

adaptieve 1.0 – en 2.0-systemen leggen veel gegevens vast, maar vaak wordt de last van de interpretatie en toepassing van gegevens op de schouders van hun L&D-partners gelegd. Voor een groot deel zijn deze teams niet uitgerust met de datawetenschappelijke expertise die nodig is om grote hoeveelheden leergegevens te begrijpen. AI-aangedreven adaptieve oplossingen leveren niet alleen een veel sterkere kwaliteit van de data – output-dat omvat vervolgvoorspellingen, aanbevelingen en geprojecteerde resultaten die KPI ‘ s en strategische doelen weerspiegelen – maar ze hebben ook vaak een data science staf bij de hand om L&D partners te helpen inzichten uit hun datasets te ontleden. Bovendien, omdat ze zo veel robuuster zijn dan eerdere iteraties, kunnen Adaptive 3.0-systemen learning-en development leaders voorzien van meetbare, kwantificeerbare gegevens die ze naar de C-suite kunnen brengen om het trainingsbudget te informeren en te rechtvaardigen.

voortdurende verbetering

in tegenstelling tot Adaptive 1.0 of 2.0 systemen, waar het maken van updates intensief programmeren en handmatig coderen vereist, worden Adaptive 3.0 systemen automatisch slimmer met elke interactie van de gebruiker. Ze gebruiken machine-learning algoritmen om gebruikersgegevens te evalueren en het platform voortdurend te verfijnen. Bovendien kunnen adaptieve systemen die gebruik maken van een volledige feedback loop, waarin externe prestatiegegevens van een klant kunnen worden gecorreleerd met platformlearinganalyse en Data science, inzichten opgraven die nog nooit eerder zijn gezien tussen leer-en prestatiegegevens.