Träningsindustri

den första instansen av vad som skulle bli adaptivt lärande utformades på 1950-talet med behaviorist B. F. Skinner. Skinner utvecklade en undervisningsmaskin med fokus på inkrementell kompetensbyggande. Maskinen anpassade de frågor som presenterades baserat på tidigare korrekta svar och gav studenterna omedelbar feedback och förmågan att röra sig i sin egen takt.

Skinners uppfattning om att anpassa lärande baserat på individuell prestation utvecklades med tiden och tekniken. Vad vi känner igen som adaptiv inlärningsteknik har sina rötter i den artificiella intelligensrörelsen på 1970-talet. forskare och utövare började utveckla system som skulle replikera en-mot-en-instruktörsupplevelsen och alla fördelar däri. Medan systemen som resulterade från detta första arbete var något framgångsrika, var datorkraft och AI-teknik vid den tiden helt enkelt inte tillräckligt avancerade för komplex intelligens eller utbredd användning.

adaptivt lärande dog inte där. Faktum är att adaptiva inlärningssystem under de följande decennierna blev mer strömlinjeformade, mer skalbara och mer användarvänliga. I sin tur förbättrade dessa system lärande för miljontals människor över hela världen. Det som började som en förenklad undervisningsmaskin blomstrade till en industri på 13 miljarder dollar.

INTELLIGENT endast i namn

trots tillväxten på marknaden och framstegen inom adaptiva system var det främsta direktivet om adaptivt lärande – att använda AI för att efterlikna en-mot-en – mänskligt lärande-fortfarande utom räckhåll. AI och maskininlärningsteknik var extremt begränsad. I stället för att ge upp begreppet adaptivt lärande helt och hållet, utvecklade leverantörer andra tekniker för att replikera den ”intelligenta upplevelsen” av AI utan att faktiskt använda AI.

dessa typer av lösningar faller vanligtvis i två kategorier:

adaptivt lärande 1.0: grundläggande förgrening

dessa applikationer gör anpassningar baserade på beslutsträd och fördiagnostik. Till exempel kan dessa system kräva att eleven tar en förhandsbedömning. Från denna information skapar systemet sedan en” pseudo-personlig ” inlärningsplan för individen som fokuserar på deras allmänna kunskapsbehov. Eftersom dessa planer är förinställda och kraftigt generaliserade betyder det att de helt enkelt gör approximationer. Ännu värre, de är statiska och blir ofta felaktiga över tiden.

Adaptive Learning 2.0: begränsade algoritmer

dessa applikationer gör begränsade anpassningar baserade på förenklade algoritmer. Detta är verkligen ett framsteg över Adaptive 1.0, eftersom det automatiserar en del av det manuella arbetet på förhand. Det är dock fortfarande begränsat och förbättras inte och blir mer intelligent med tiden.

medan Adaptive 1.0 och Adaptive 2.0 båda erbjuder mer personalisering än en traditionell one-size-fits-all-strategi, levererar de inte riktigt löftet om adaptivt lärande: ett skalbart, AI-driven system som efterliknar interaktionen och lärandet av en mänsklig instruktör eller tränare.

MAKING AI EASY

idag har dramatiska framsteg inom AI-teknik och öppna inköp av maskininlärningsramar gjort det möjligt för ett mycket litet antal elitleverantörer att bryta sig loss från förpackningen och utveckla lösningar som drivs fullt ut av AI. Dessa framsteg skapar en ny kategori av adaptivt lärande-Adaptive 3.0.

adaptivt lärande 3.0: AI och maskininlärning

adaptivt lärande 3.0 kännetecknas av tillämpningen av AI och maskininlärning för att mer exakt replikera en-mot-en-instruktörsupplevelsen. AI-drivna adaptiva lösningar utnyttjar nätverkskunskapskartor för att skapa kunskaps-och beteendeknutor, som bildar djupare relationer mellan innehåll, inlärningsmål och personatyper, för att nämna några. Detta driver en effektivare, effektiv inlärningsupplevelse och möjliggör:

• komplexa, realtidsanpassningar baserade på elevens prestanda och beteende
• datadrivna, personliga tips, feedback, sanering och kunskapsförstärkning
• prediktiva, glömma kurvor och insikter i framtida kunskapsapplikation
• omfattande applikationsnivå behärskning av färdigheter och kunskaper
• minskning av inlärningstider

det är inte bara inlärningsupplevelsen som förstärks. Plattformarna som helt omfattar AI och maskininlärning kan också ge dramatiska effektivitetsvinster för inlärningsutveckling och innehållsskapande. Till exempel kan AI-drivna plattformar bedöma prestanda för inlärningsinnehåll, flagga underpresterande innehåll och till och med dölja underpresterande bedömningar tills de revideras.

ta itu med gamla utmaningar

dessa AI-drivna adaptiva lösningar levererar inte bara löftet om intelligent, instruktörsliknande adaptivt lärande, de tar också upp några av de gamla svagheterna i Adaptive 1.0 och 2.0 system. Till exempel kan AI:

eliminera de oändliga inlärningslooparna ”

i adaptiva 1.0-och 2.0-system, när en elev inte kunde svara på en bedömning korrekt, kan applikationen slinga dem genom samma frågor utan någon åtgärd eller stöd. Denna ”adaptiva loop of death” resulterar i elevens frustration, urkoppling och till och med misstro mot systemet. Nya AI-drivna adaptiva system kan ge adaptiv feedback för att hjälpa eleverna mot noggrannhet och hålla dem framåt, så att de inte fastnar i dessa frustrerande loopar.

flytta bortom en ”content first” – metodik

som diskuterats ovan kräver vissa adaptiva 1.0-och 2.0-system att eleverna granskar allt innehåll innan de kommer till köttet i lärandet. För elever som redan har erfarenhet eller kunskap om ämnet kan detta vara en mycket frustrerande och tråkig process. När System rör sig mot fler AI-aktiverade vägar behöver de inte längre insistera på att eleverna granskar innehållet innan de kan passera ut ur det. System kommer att kunna fastställa i realtid vad en elev vet och justera innehållets sammanhang och svårighet i enlighet därmed.

eliminera ineffektiv” test prep ” inlärningsstrategi

omvänt kräver vissa adaptiva 1.0-och 2.0-system att eleverna svarar på bedömningar i förväg innan de får chansen att granska innehållet. Dessa plattformar använder sedan elevens svar för att tratta varje elev ner en förinställd ”inlärningsväg” där:

• eleverna svarar på en serie frågor
• plattformen eliminerar kunskapsområdena som besvaras korrekt och ger svar på felaktiga bedömningar
• cykeln upprepas tills eleven svarar på alla bedömningar korrekt

Tänk på det som en teknikdriven version av flashcards. Problemet med denna strategi är att den är utformad för kortvarig tillämpning (som SAT), snarare än långsiktiga företagsinlärnings-och utvecklingsinitiativ där pågående tillämpning är målet. Dessutom, elever som inte känner till ämnet befinner sig ofta i den ovannämnda ”adaptiva loop of death.”

adaptiva 3.0-plattformar levererar dynamiska innehållsjusteringar i realtid baserat på prestanda och beteende, vilket eliminerar behovet av utvärderingar i förväg och förinställda inlärningsvägar. Detta tillvägagångssätt är i linje med den forskning som visar vikten av självstyrt lärande i motsats till att det kanaliseras ner på en specifik väg. Adaptiv 3.0 system tillåter eleverna att hävda kontroll ökar autonomi, som direkt korrelerar till högre engagemang, tillfredsställelse, förtroende och behärskning.

bättre tolka Elevdata

adaptiva 1.0-och 2.0-system fångar mycket data, men ofta läggs bördan av datatolkning och tillämpning på axlarna hos deras l&D-partners. Till stor del är dessa Team inte utrustade med den datavetenskapliga expertis som krävs för att förstå stora mängder Elevdata. AI-drivna adaptiva lösningar levererar inte bara en mycket starkare kvalitet på datautgången – som inkluderar uppföljningsprognoser, rekommendationer och projicerade resultat som speglar KPI: er och strategiska mål-men de har också ofta en datavetenskapspersonal till hands för att hjälpa l&d – partners att analysera insikter från sina datamängder. Dessutom, eftersom de är så mycket mer robusta än tidigare iterationer, kan adaptiva 3.0-system utrusta inlärnings-och utvecklingsledare med mätbara, kvantifierbara data som de kan ta till C-sviten för att informera och motivera utbildningsbudgetutgifter.

kontinuerlig förbättring

slutligen, till skillnad från adaptiva 1.0-eller 2.0-system, där uppdateringar kräver intensiv programmering och manuell kodning, blir adaptiva 3.0-system automatiskt smartare med varje användarinteraktion. De använder maskininlärningsalgoritmer för att utvärdera användardata och ständigt finjustera plattformen. Dessutom kan adaptiva system som utnyttjar en fullständig återkopplingsslinga, där externa prestandadata från en klient kan korreleras med plattformsinlärningsanalys och datavetenskap, kunna upptäcka insikter som aldrig tidigare sett mellan inlärnings-och prestandadata.