indústria de formação

a primeira instância do que se tornaria aprendizagem adaptativa foi concebida na década de 1950 com o trabalho do behaviorista B. F. Skinner. Skinner desenvolveu uma máquina de ensino focada na construção de habilidades incrementais. A máquina adaptou as perguntas apresentadas com base em respostas corretas anteriores, e forneceu aos alunos feedback imediato e a capacidade de se mover em seu próprio ritmo.

a noção de Skinner de adaptar a aprendizagem com base no desempenho individual progrediu com os tempos e a tecnologia. O que reconhecemos como tecnologia de aprendizagem adaptativa tem suas raízes no movimento de inteligência artificial na década de 1970. pesquisadores e praticantes começaram a desenvolver sistemas que replicariam a experiência de instrutor um-a-um, e todos os benefícios disso. Enquanto os sistemas que resultaram deste trabalho inicial foram um pouco bem sucedidos, poder de computação e tecnologias de IA na época simplesmente não eram avançados o suficiente para inteligência complexa ou uso generalizado.

a aprendizagem adaptativa não morreu lá. De facto, nas décadas que se seguiram, os sistemas de aprendizagem adaptativos tornaram-se mais racionalizados, mais escaláveis e mais fáceis de utilizar. Por sua vez, esses sistemas melhoraram a aprendizagem para milhões de pessoas em todo o mundo. O que começou como uma máquina de ensino simplista floresceu em uma indústria de US $ 13 bilhões.

inteligente apenas no nome

apesar do crescimento do mercado e dos avanços em sistemas adaptativos, a primeira directiva da aprendizagem adaptativa – usar a IA para imitar uma aprendizagem humana-ainda estava fora de alcance. A IA e a tecnologia de aprendizagem por máquina eram extremamente limitadas. Em vez de desistir da noção de aprendizagem adaptativa completamente, os fornecedores conceberam outras técnicas para replicar a “experiência inteligente” da IA sem realmente usar a IA.

estes tipos de soluções normalmente caem em duas categorias:

Aprendizagem Adaptativa 1.0: ramificação básica

estas aplicações fazem adaptações baseadas em árvores de decisão e pré-diagnósticos. Por exemplo, estes sistemas podem exigir que o aluno faça uma pré-avaliação. A partir desta informação, o sistema, em seguida, cria um plano de aprendizagem “pseudo-personalizado” para o indivíduo que se concentra em suas necessidades de conhecimento geral. Uma vez que estes planos são pré-definidos e fortemente generalizados, isso significa que eles estão simplesmente fazendo aproximações. Pior ainda, eles são estáticos e muitas vezes se tornam deturpadores ao longo do tempo.

Aprendizagem Adaptativa 2.0: algoritmos limitados

estas aplicações fazem adaptações limitadas com base em algoritmos simplificados. Este é certamente um avanço sobre o adaptativo 1.0, na medida em que automatiza algum do trabalho manual inicial. É, no entanto, ainda limitado e não melhora e se torna mais inteligente ao longo do tempo.Embora adaptativos 1.0 e adaptativos 2.0 ambos oferecem mais personalização do que uma abordagem tradicional de tamanho único, eles realmente não cumprem a promessa de aprendizagem adaptativa: um sistema escalável, dirigido por AI, que imita a interação e experiência de aprendizagem de um instrutor ou treinador humano.

tornando a IA fácil

hoje, avanços dramáticos na tecnologia da IA e o fornecimento aberto de frameworks de aprendizagem de máquinas permitiram que um número muito pequeno de provedores de elite se separassem do pacote, e desenvolvessem soluções totalmente alimentadas pela IA. Estes avanços estão criando uma nova categoria de aprendizagem adaptativa-adaptativa 3.0.A aprendizagem adaptativa 3.0 é caracterizada pela aplicação da IA e da aprendizagem de máquinas para replicar com mais precisão a experiência de instrutor individual. Soluções adaptativas alimentadas por AI alavancam mapas de conhecimento de rede para criar conhecimento e nós comportamentais, formando relações mais profundas entre conteúdo, objetivos de aprendizagem e tipos de persona, para citar alguns. Isto potencia uma experiência de aprendizagem mais eficiente e eficaz e permite:

• Complexo em tempo real, de adaptações com base no desempenho do estudante e o comportamento
• Data-driven e personalizado, dicas, comentários, correções e conhecimento reforço
• Preditiva, esquecer curvas e uma visão de futuro aplicação do conhecimento
• Abrangente de aplicações de nível de domínio de habilidades e conhecimento,
• Redução dos tempos de aprendizagem

não é apenas uma experiência de aprendizagem que é amplificado. As plataformas que estão totalmente abraçando AI e aprendizagem de máquinas também são capazes de fornecer eficiências dramáticas para o desenvolvimento de aprendizagem e criação de conteúdo. Por exemplo, plataformas alimentadas pela IA podem avaliar o desempenho do conteúdo de aprendizagem, flag abaixo do desempenho do conteúdo e até mesmo esconder avaliações abaixo do desempenho até que eles sejam revisados.

enfrentar desafios antigos

estas soluções adaptativas alimentadas a IA não estão apenas a cumprir a promessa de aprendizagem inteligente, como instrutor adaptável, estão também a abordar algumas das antigas fraquezas inerentes ao adaptativo 1.0 e 2.0 sistemas. Por exemplo, AI pode:

Eliminar a aprendizagem never-ending “loops”

Em Adaptável 1.0 e 2.0 sistemas, quando um aluno não foi capaz de responder a uma avaliação corretamente, o aplicativo pode loop-los através de perguntas, sem qualquer correção ou de apoio. Este “laço adaptativo da morte” resulta em frustração do aluno, desengate e até mesmo desconfiança do sistema. Novos sistemas adaptativos alimentados por AI podem fornecer feedback adaptativo para ajudar os alunos a orientarem-se para a precisão e mantê-los em frente, para que eles não fiquem presos nestes circuitos frustrantes. Como mencionado acima, alguns sistemas adaptativos 1.0 e 2.0 requerem que os alunos revejam todo o conteúdo antes de chegar à carne da aprendizagem. Para os alunos que já têm experiência ou conhecimento sobre o tema, este pode ser um processo muito frustrante e tedioso. À medida que os sistemas se movem para vias mais habilitadas à IA, eles não terão mais de insistir que os aprendentes revisem o conteúdo antes que eles possam passar para fora dele. Os sistemas poderão determinar, em tempo real, o que um aluno conhece e ajustar o contexto e a dificuldade do conteúdo em conformidade.

eliminar uma estratégia de aprendizagem ineficaz “test prep”

inversamente, alguns sistemas adaptativos 1.0 e 2.0 requerem que os alunos respondam a avaliações iniciais antes de terem a oportunidade de rever o conteúdo. Estas plataformas utilizam então as respostas dos alunos para canalizar cada aluno para uma “via de aprendizagem” pré-definida, em que:

• Alunos de responder a uma série de perguntas
• A plataforma elimina as áreas de conhecimento respondidas corretamente e fornece respostas a avaliações incorretas
• O ciclo se repete até que o aluno responde a todas as avaliações corretamente

Pense nisso como uma tecnologia movidos a versão de flashcards. O problema com esta estratégia é que ela é projetada para aplicação de curto prazo (como o SAT), em vez de iniciativas de longo prazo de aprendizagem corporativa e de desenvolvimento, onde a aplicação contínua é o objetivo. Além disso, os alunos que não estão familiarizados com o assunto muitas vezes encontram-se no Citado “laço adaptativo da morte”.”

plataformas adaptativas 3.0 oferecem ajustes dinâmicos de conteúdo em tempo real baseados no desempenho e comportamento, eliminando a necessidade de avaliações iniciais e vias de aprendizagem pré-definidas. Esta abordagem está em linha com a investigação que demonstra a importância da aprendizagem auto-dirigida em vez de ser canalizada para um caminho específico. Adaptativo 3.0 os sistemas permitem aos aprendentes afirmar o controlo aumenta a autonomia, que se correlaciona directamente com um maior envolvimento, satisfação, confiança e domínio.

interpretar melhor os dados dos alunos

os sistemas adaptativos 1.0 e 2.0 capturam muitos dados, mas muitas vezes o fardo da interpretação e aplicação dos dados é colocado sobre os ombros dos seus parceiros L&D. Em grande parte, estas equipas não estão equipadas com a experiência em ciência dos dados necessária para dar sentido a vastas resmas de dados dos alunos. Soluções adaptativas movidas a IA não só oferecem uma qualidade muito mais forte de saída de dados – que inclui previsões, recomendações e resultados projetados que espelham KPIs e objetivos estratégicos-mas também muitas vezes têm uma equipe de ciência de dados à mão para ajudar os parceiros L&D a analisar os insights de seus conjuntos de dados. Além disso, como eles são muito mais robustos do que iterações anteriores, sistemas adaptativos 3.0 podem equipar líderes de aprendizagem e desenvolvimento com dados mensuráveis e quantificáveis que eles podem levar para o C-suite para informar e justificar gastos de treinamento.

melhoria contínua

finalmente, ao contrário dos sistemas adaptativos 1.0 ou 2.0, onde fazer atualizações requer programação intensiva e codificação manual, os sistemas adaptativos 3.0 ficam automaticamente mais inteligentes com cada interação do Usuário. Eles usam algoritmos de aprendizado de máquina para avaliar os dados do Usuário e aperfeiçoar continuamente a plataforma. Além disso, sistemas adaptativos que alavancam um ciclo de feedback completo, em que os dados de desempenho externo de um cliente podem ser correlacionados com análise de aprendizagem de plataforma e ciência de dados, são capazes de desenterrar insights nunca antes vistos entre a aprendizagem e dados de desempenho.