industria de formare

prima instanță a ceea ce avea să devină învățare adaptivă a fost concepută în anii 1950 cu activitatea comportamentistului B. F. Skinner. Skinner a dezvoltat o mașină de predare axată pe construirea abilităților incrementale. Mașina a adaptat întrebările prezentate pe baza răspunsurilor corecte anterioare și a oferit studenților feedback imediat și capacitatea de a se deplasa în ritmul propriu.

noțiunea lui Skinner de a adapta învățarea bazată pe performanța individuală a progresat odată cu vremurile și tehnologia. Ceea ce recunoaștem ca tehnologie de învățare adaptivă își are rădăcinile în mișcarea inteligenței artificiale din anii 1970. cercetătorii și practicienii au început să dezvolte sisteme care să reproducă experiența instructorului individual și toate beneficiile acestuia. În timp ce sistemele care au rezultat din această lucrare inițială au avut oarecum succes, puterea de calcul și tehnologiile AI la acea vreme pur și simplu nu erau suficient de avansate pentru inteligență complexă sau utilizare pe scară largă.

învățarea adaptivă nu a murit acolo. De fapt, în deceniile următoare, sistemele de învățare adaptive au devenit mai simplificate, mai scalabile și mai ușor de utilizat. La rândul lor, aceste sisteme au îmbunătățit învățarea pentru milioane de oameni din întreaga lume. Ceea ce a început ca o mașină de predare simplistă a înflorit într-o industrie de 13 miliarde de dolari.

inteligent doar cu numele

în ciuda creșterii pieței și a progreselor în sistemele adaptive, prima directivă a învățării adaptive – de a folosi AI pentru a imita învățarea umană individuală-era încă la îndemână. AI și tehnologia de învățare automată au fost extrem de limitate. În loc să renunțe complet la noțiunea de învățare adaptivă, furnizorii au conceput alte tehnici pentru a reproduce „experiența inteligentă” a AI fără a utiliza de fapt AI.

aceste tipuri de soluții se încadrează de obicei în două categorii:

învățare adaptivă 1.0: ramificare de bază

aceste aplicații fac adaptări bazate pe arbori de decizie și pre-diagnosticare. De exemplu, aceste sisteme ar putea necesita cursantului să ia o pre-evaluare. Din aceste informații, sistemul creează apoi un plan de învățare” pseudo-personalizat ” pentru individ, care se concentrează pe nevoile lor generale de cunoștințe. Deoarece aceste planuri sunt prestabilite și puternic generalizate, înseamnă că fac pur și simplu aproximări. Mai rău, ele sunt statice și adesea devin denaturate în timp.

Adaptive Learning 2.0: algoritmi limitați

aceste aplicații fac adaptări limitate bazate pe algoritmi simplificați. Aceasta este cu siguranță o avansare față de Adaptive 1.0, prin faptul că automatizează o parte din munca manuală în avans. Cu toate acestea, este încă limitat și nu se îmbunătățește și devine mai inteligent în timp.

în timp ce Adaptive 1.0 și Adaptive 2.0 oferă mai multă personalizare decât o abordare tradițională unică, ele nu îndeplinesc cu adevărat promisiunea învățării adaptive: un sistem scalabil, bazat pe AI, care imită interacțiunea și experiența de învățare a unui instructor sau antrenor uman.

facilitarea AI

astăzi, progresele dramatice în tehnologia AI și aprovizionarea deschisă a cadrelor de învățare automată au permis unui număr foarte mic de furnizori de elită să se desprindă de pachet și să dezvolte soluții complet alimentate de AI. Aceste progrese creează o nouă categorie de învățare adaptivă-Adaptive 3.0.

Adaptive Learning 3.0: AI și Machine Learning

Adaptive Learning 3.0 se caracterizează prin aplicarea AI și machine learning pentru a reproduce mai exact experiența instructorului unu-la-unu. Soluțiile adaptive bazate pe AI folosesc hărțile de cunoștințe din rețea pentru a crea cunoștințe și noduri comportamentale, formând relații mai profunde între conținut, obiectivele de învățare și tipurile de persoane, pentru a numi câteva. Acest lucru permite o experiență de învățare mai eficientă și mai eficientă și permite:

• adaptări complexe, în timp real, bazate pe performanța și comportamentul cursantului
• sugestii personalizate, feedback, remediere și consolidare a cunoștințelor
• curbe Predictive, uitând și informații despre viitoarea aplicație de cunoștințe
• stăpânirea cuprinzătoare a abilităților și cunoștințelor la nivel de aplicație
• reducerea timpilor de învățare

nu doar experiența de învățare este amplificată. Platformele care îmbrățișează pe deplin AI și machine learning sunt, de asemenea, capabile să ofere o eficiență dramatică dezvoltării învățării și creării de conținut. De exemplu, platformele bazate pe AI pot evalua performanța conținutului de învățare, pot semnala conținutul neperformant și chiar pot ascunde evaluările neperformante până când sunt revizuite.

abordarea provocărilor vechi

aceste soluții adaptive bazate pe AI nu oferă doar promisiunea învățării adaptive inteligente, asemănătoare instructorului, ci abordează și unele dintre vechile slăbiciuni inerente Adaptive 1.0 și 2.0 sisteme. De exemplu, AI poate:

elimina „buclele”de învățare fără sfârșit

în sistemele Adaptive 1.0 și 2.0, atunci când un cursant nu a putut răspunde corect la o evaluare, aplicația le-ar putea bucla prin aceleași întrebări fără nicio remediere sau sprijin. Această „buclă adaptivă a morții” are ca rezultat frustrarea elevului, dezangajarea și chiar neîncrederea față de sistem. Noile sisteme adaptive alimentate de AI pot oferi feedback adaptiv pentru a ajuta cursanții să fie ghidați spre precizie și să-i mențină în mișcare, astfel încât să nu se blocheze în aceste bucle frustrante.

treceți dincolo de o metodologie „content first”

după cum sa discutat mai sus, unele sisteme Adaptive 1.0 și 2.0 necesită cursanților să revizuiască tot conținutul înainte de a ajunge la carnea învățării. Pentru cursanții care au deja experiență sau cunoștințe pe această temă, acesta poate fi un proces foarte frustrant și obositor. Pe măsură ce sistemele se îndreaptă spre mai multe căi activate de AI, nu vor mai trebui să insiste ca elevii să revizuiască conținutul înainte de a putea trece din el. Sistemele vor fi capabile să stabilească, în timp real, ceea ce știe un cursant și să ajusteze contextul și dificultatea conținutului în consecință.

eliminați strategia ineficientă de învățare „test prep”

în schimb, unele sisteme adaptive 1.0 și 2.0 necesită cursanților să răspundă evaluărilor în avans înainte de a avea șansa de a revizui conținutul. Aceste platforme folosesc apoi răspunsurile cursanților pentru a canaliza fiecare cursant pe o „cale de învățare” prestabilită în care:

• cursanții răspund la o serie de întrebări
• platforma elimină domeniile de cunoaștere a răspuns corect și oferă răspunsuri la evaluări incorecte
• ciclul se repetă până când cursantul răspunde corect la toate evaluările

gândiți-vă la aceasta ca la o versiune bazată pe tehnologie a flashcards. Problema cu această strategie este că este concepută pentru aplicații pe termen scurt (cum ar fi SAT), mai degrabă decât inițiative de învățare și dezvoltare corporativă pe termen lung, unde aplicarea continuă este obiectivul. În plus, cursanții care nu sunt familiarizați cu subiectul se găsesc adesea în „bucla adaptivă a morții menționată mai sus.”

platformele Adaptive 3.0 oferă ajustări de conținut dinamice, în timp real, bazate pe performanță și comportament, eliminând necesitatea evaluărilor inițiale și a căilor de învățare prestabilite. Această abordare este în concordanță cu cercetarea care demonstrează importanța învățării auto-direcționate, spre deosebire de a fi canalizate pe o cale specifică. Adaptive 3.Sistemele 0 permit cursanților să afirme controlul crește autonomia, care se corelează direct cu un angajament mai mare, satisfacție, încredere și măiestrie.

o mai bună interpretare a datelor cursantului

sistemele Adaptive 1.0 și 2.0 captează o mulțime de date, dar adesea povara interpretării și aplicării datelor este pusă pe umerii partenerilor lor L& D. În mare parte, aceste Echipe nu sunt echipate cu expertiza științifică a datelor necesare pentru a da sens unor mari cantități de date ale cursanților. Soluțiile adaptive bazate pe AI nu numai că oferă o calitate mult mai puternică a producției de date-care include predicții ulterioare, recomandări și rezultate proiectate care reflectă KPI – urile și obiectivele strategice-dar au, de asemenea, adesea un personal de știință a datelor la îndemână pentru a ajuta partenerii L&D să analizeze informațiile din seturile lor de date. În plus, deoarece sunt mult mai robuste decât iterațiile anterioare, sistemele Adaptive 3.0 pot echipa liderii de învățare și dezvoltare cu date măsurabile și cuantificabile pe care le pot duce la C-suite pentru a informa și justifica cheltuielile bugetului de formare.

îmbunătățire continuă

în cele din urmă, spre deosebire de sistemele Adaptive 1.0 sau 2.0, unde realizarea actualizărilor necesită programare intensivă și codificare manuală, sistemele Adaptive 3.0 devin automat mai inteligente cu fiecare interacțiune cu utilizatorul. Ei folosesc algoritmi de învățare automată pentru a evalua datele utilizatorilor și pentru a regla continuu platforma. În plus, sistemele adaptive care utilizează o buclă completă de feedback, în care datele de performanță externe de la un client pot fi corelate cu analiza de învățare a platformei și știința datelor, sunt capabile să descopere informații nemaivăzute până acum între datele de învățare și cele de performanță.