Przemysł szkoleniowy

pierwszy przypadek, który stałby się adaptacyjnym uczeniem, powstał w 1950 roku dzięki pracy behawiorysty B. F. Skinnera. Skinner opracował maszynę dydaktyczną skupioną na przyrostowym budowaniu umiejętności. Maszyna dostosowała przedstawione pytania w oparciu o wcześniejsze poprawne odpowiedzi i zapewniła uczniom natychmiastową informację zwrotną oraz możliwość poruszania się we własnym tempie.

koncepcja Skinnera adaptacji uczenia się w oparciu o indywidualną wydajność postępuje wraz z czasem i technologią. To, co uznajemy za technologię adaptacyjnego uczenia się, ma swoje korzenie w ruchu sztucznej inteligencji w 1970 roku. naukowcy i praktycy zaczęli opracowywać systemy, które powielałyby doświadczenie instruktora „jeden na jednego” i wszystkie związane z tym korzyści. Podczas gdy systemy, które powstały w wyniku tych początkowych prac, były w pewnym stopniu udane, moc obliczeniowa i technologie sztucznej inteligencji w tym czasie po prostu nie były wystarczająco zaawansowane dla złożonej inteligencji lub powszechnego użytku.

W następnych dziesięcioleciach adaptacyjne systemy nauczania stały się bardziej usprawnione, skalowalne i bardziej przyjazne dla użytkownika. Z kolei systemy te usprawniły uczenie się milionów ludzi na całym świecie. To, co zaczęło się jako uproszczona maszyna do nauczania, przekształciło się w przemysł wart 13 miliardów dolarów.

inteligentny tylko z nazwy

pomimo wzrostu rynku i postępu w systemach adaptacyjnych, główna dyrektywa adaptacyjnego uczenia się – używanie sztucznej inteligencji do naśladowania uczenia się jednego na jednego-wciąż była poza zasięgiem. Sztuczna inteligencja i technologia uczenia maszynowego były bardzo ograniczone. Zamiast całkowicie zrezygnować z pojęcia uczenia adaptacyjnego, dostawcy opracowali inne techniki replikowania „inteligentnego doświadczenia” sztucznej inteligencji bez faktycznego korzystania z AI.

te typy rozwiązań zazwyczaj dzielą się na dwie kategorie:

adaptive Learning 1.0: Basic Branching

aplikacje te dokonują adaptacji w oparciu o drzewa decyzyjne i wstępną diagnostykę. Na przykład systemy te mogą wymagać od ucznia przeprowadzenia wstępnej oceny. Na podstawie tych informacji system tworzy „pseudo-spersonalizowany” plan uczenia się dla jednostki, który koncentruje się na jej ogólnych potrzebach wiedzy. Ponieważ plany te są wstępnie ustawione i mocno uogólnione, oznacza to, że po prostu robią przybliżenia. Co gorsza, są one statyczne i często z czasem stają się nieprawdziwe.

Adaptacyjne uczenie się 2.0: ograniczone algorytmy

te aplikacje dokonują ograniczonych adaptacji w oparciu o uproszczone algorytmy. Jest to z pewnością postęp w stosunku do Adaptive 1.0, ponieważ automatyzuje niektóre wstępne prace ręczne. Jest on jednak nadal ograniczony i z czasem nie poprawia się i nie staje się bardziej inteligentny.

chociaż adaptive 1.0 i Adaptive 2.0 oferują więcej personalizacji niż tradycyjne, uniwersalne podejście, tak naprawdę nie spełniają obietnicy adaptacyjnego uczenia się: skalowalnego, opartego na sztucznej inteligencji systemu, który naśladuje interakcję i doświadczenie uczenia się ludzkiego instruktora lub trenera.

łatwość tworzenia sztucznej inteligencji

dzisiaj ogromny postęp w technologii sztucznej inteligencji i otwarte pozyskiwanie RAM uczenia maszynowego umożliwiły bardzo małej liczbie elitarnych dostawców oderwanie się od pakietu i opracowanie rozwiązań w pełni opartych na sztucznej inteligencji. Te postępy tworzą nową kategorię uczenia adaptacyjnego-Adaptive 3.0.

Adaptive Learning 3.0: AI i uczenie maszynowe

adaptive Learning 3.0 charakteryzuje się zastosowaniem sztucznej inteligencji i uczenia maszynowego, aby dokładniej odtworzyć doświadczenie instruktora jeden na jednego. Rozwiązania adaptacyjne oparte na sztucznej inteligencji wykorzystują mapy wiedzy sieciowej do tworzenia węzłów wiedzy i zachowań, tworząc głębsze relacje między treścią, celami edukacyjnymi i typami postaci. Pozwala to na bardziej efektywną i efektywną naukę oraz umożliwia:

• kompleksowe adaptacje w czasie rzeczywistym oparte na wydajności i zachowaniu ucznia
• oparte na danych, spersonalizowane podpowiedzi, informacje zwrotne, remediacje i wzmocnienie wiedzy
• krzywe predykcyjne, zapominanie i wgląd w przyszłą wiedzę zastosowanie
• wszechstronne opanowanie umiejętności i wiedzy na poziomie aplikacji
• skrócenie czasu uczenia się

to nie tylko doświadczenie uczenia się jest wzmocnione. Platformy, które w pełni wykorzystują sztuczną inteligencję i uczenie maszynowe, są również w stanie zapewnić dramatyczną wydajność uczenia się i tworzenia treści. Na przykład platformy oparte na sztucznej inteligencji mogą oceniać wydajność treści edukacyjnych, oznaczać treści niedostateczne, a nawet ukrywać oceny niedostateczne, dopóki nie zostaną zmienione.

rozwiązywanie starych problemów

te oparte na sztucznej inteligencji rozwiązania adaptacyjne nie tylko spełniają obietnicę inteligentnego, podobnego do instruktora uczenia adaptacyjnego, ale także rozwiązują niektóre stare słabości związane z adaptacyjnymi 1.0 i 2.0 systemów. Na przykład sztuczna inteligencja może:

wyeliminować niekończące się „pętle”uczenia się

w systemach adaptacyjnych 1.0 i 2.0, gdy uczeń nie był w stanie poprawnie odpowiedzieć na ocenę, aplikacja może przepuścić go przez te same pytania bez żadnych napraw ani wsparcia. Ta „adaptacyjna pętla śmierci” powoduje frustrację uczących się, brak zaangażowania, a nawet nieufność do systemu. Nowe systemy adaptacyjne oparte na sztucznej inteligencji mogą dostarczać adaptacyjnych informacji zwrotnych, aby pomóc uczniom w dążeniu do dokładności i rozwoju, dzięki czemu nie utkną w tych frustrujących pętlach.

wyjście poza metodologię „content first”

jak omówiono powyżej, niektóre Adaptacyjne systemy 1.0 i 2.0 wymagają od uczniów przeglądu wszystkich treści przed przejściem do sedna nauki. Dla uczących się, którzy mają już doświadczenie lub wiedzę na ten temat, może to być bardzo frustrujący i żmudny proces. Ponieważ systemy zmierzają w kierunku ścieżek opartych na sztucznej inteligencji, nie będą już musiały nalegać, aby uczniowie przeglądali treści, zanim będą mogli z nich zrezygnować. Systemy będą w stanie ustalić, w czasie rzeczywistym, co uczeń wie i odpowiednio dostosować kontekst i trudność treści.

wyeliminuj nieskuteczną strategię uczenia się „test prep”

odwrotnie, niektóre adaptacyjne systemy 1.0 i 2.0 wymagają od uczniów odpowiedzi na oceny z góry, zanim będą mieli okazję przejrzeć treści. Platformy te następnie wykorzystują odpowiedzi uczniów, aby skierować każdego ucznia w dół wstępnie ustawionej „ścieżki uczenia się”, w której:

• uczniowie odpowiadają na serię pytań
• Platforma eliminuje obszary wiedzy, na które prawidłowo udzielono odpowiedzi i zapewnia odpowiedzi na nieprawidłowe oceny
• cykl powtarza się, dopóki uczeń nie odpowie poprawnie na wszystkie oceny

pomyśl o tym jak o opartej na technologii wersji fiszek. Problem z tą strategią polega na tym, że jest ona przeznaczona do krótkoterminowych zastosowań (takich jak SAT), a nie długoterminowych korporacyjnych inicjatyw edukacyjnych i rozwojowych, w których celem jest ciągłe stosowanie. Dodatkowo, uczący się, którzy nie są zaznajomieni z tematem, często znajdują się we wspomnianej „adaptacyjnej pętli śmierci.”

platformy Adaptive 3.0 zapewniają dynamiczne, dostosowywane w czasie rzeczywistym treści w oparciu o wydajność i zachowanie, eliminując potrzebę wstępnych ocen i wstępnie ustawionych ścieżek uczenia się. Takie podejście jest zgodne z badaniami, które pokazują, jak ważne jest samodzielne uczenie się, a nie kierowanie się określoną ścieżką. Adaptacyjny 3.Systemy 0 pozwalają uczniom na kontrolę zwiększa autonomię, co bezpośrednio koreluje z większym zaangażowaniem, satysfakcją, pewnością siebie i opanowaniem.

lepsza interpretacja danych uczących się

systemy Adaptacyjne 1.0 i 2.0 rejestrują wiele danych, ale często ciężar interpretacji i zastosowania danych spoczywa na ich partnerach L & D. W dużej mierze zespoły te nie są wyposażone w wiedzę z zakresu nauk o danych niezbędną do zrozumienia ogromnych rozdziałów danych uczniów. Rozwiązania adaptacyjne oparte na sztucznej inteligencji nie tylko zapewniają znacznie lepszą jakość danych wyjściowych-w tym przewidywania następcze, zalecenia i przewidywane wyniki odzwierciedlające KPI i cele strategiczne – ale często dysponują również personelem ds. danych, który pomaga partnerom L&D analizować spostrzeżenia z ich zestawów danych. Ponadto, ponieważ są one o wiele bardziej niezawodne niż poprzednie wersje, Systemy Adaptacyjne 3.0 mogą wyposażyć liderów nauki i rozwoju w mierzalne, wymierne dane, które mogą zabrać do pakietu C, aby informować i uzasadniać wydatki budżetowe na szkolenia.

ciągłe doskonalenie

wreszcie, w przeciwieństwie do systemów Adaptive 1.0 lub 2.0, gdzie dokonywanie aktualizacji wymaga intensywnego programowania i ręcznego kodowania, systemy Adaptive 3.0 automatycznie stają się inteligentniejsze z każdą interakcją użytkownika. Wykorzystują algorytmy uczenia maszynowego do oceny danych użytkownika i ciągłego dostrajania platformy. Ponadto systemy adaptacyjne, które wykorzystują pełne sprzężenie zwrotne, w którym zewnętrzne dane dotyczące wydajności od klienta mogą być skorelowane z analityką uczenia się platformy i nauką o danych, są w stanie odkryć nigdy wcześniej nie widziane dane dotyczące uczenia się i wydajności.