Træningsindustri
den første forekomst af, hvad der ville blive adaptiv læring, blev udtænkt i 1950 ‘ erne med arbejdet med behaviorist B. F. Skinner. Skinner udviklede en undervisningsmaskine med fokus på trinvis færdighedsopbygning. Maskinen tilpassede de præsenterede spørgsmål baseret på tidligere korrekte svar og gav eleverne øjeblikkelig feedback og evnen til at bevæge sig i deres eget tempo.
Skinners forestilling om at tilpasse læring baseret på individuel præstation skred frem med tiden og teknologien. Det, vi anerkender som adaptiv læringsteknologi, har sine rødder i den kunstige intelligensbevægelse i 1970 ‘ erne. forskere og praktikere begyndte at udvikle systemer, der ville replikere en-til-en-instruktøroplevelsen og alle fordelene deri. Mens de systemer, der var resultatet af dette indledende arbejde, var noget vellykkede, var computerkraft og AI-teknologier på det tidspunkt simpelthen ikke avancerede nok til kompleks intelligens eller udbredt brug.
adaptiv læring døde ikke der. Faktisk blev adaptive læringssystemer i de efterfølgende årtier mere strømlinede, mere skalerbare og mere brugervenlige. Til gengæld forbedrede disse systemer læring for millioner af mennesker over hele verden. Hvad der begyndte som en forenklet undervisningsmaskine blomstrede i en $13 milliarder industri.
kun INTELLIGENT i navn
på trods af markedets vækst og fremskridt inden for adaptive systemer var det primære direktiv om adaptiv læring – at bruge AI til at efterligne en-til-en menneskelig læring – stadig uden for rækkevidde. AI og machine learning teknologi var ekstremt begrænset. I stedet for at opgive forestillingen om adaptiv læring helt, udtænkte udbydere andre teknikker til at replikere den “intelligente oplevelse” af AI uden faktisk at bruge AI.
disse typer løsninger falder typisk i to kategorier:
adaptiv læring 1.0: grundlæggende forgrening
disse applikationer foretager tilpasninger baseret på beslutningstræer og prædiagnostik. For eksempel kan disse systemer kræve, at eleven tager en forudvurdering. Fra disse oplysninger opretter systemet derefter en” pseudo-personlig ” læringsplan for den enkelte, der fokuserer på deres generelle videnbehov. Fordi disse planer er forudindstillede og stærkt generaliserede, betyder det, at de simpelthen foretager tilnærmelser. Værre er det, at de er statiske og ofte bliver vildledende over tid.
adaptiv læring 2.0: begrænsede algoritmer
disse applikationer foretager begrænsede tilpasninger baseret på forenklede algoritmer. Dette er bestemt et fremskridt i forhold til Adaptive 1.0, idet det automatiserer noget af det forudgående manuelle arbejde. Det er dog stadig begrænset og forbedres ikke og bliver mere intelligent over tid.
mens Adaptive 1.0 og Adaptive 2.0 begge tilbyder mere personalisering end en traditionel tilgang, der passer til alle, leverer de ikke rigtig løftet om adaptiv læring: et skalerbart, AI-drevet system, der efterligner interaktion og læringserfaring fra en menneskelig instruktør eller coach.
gør AI let
i dag har dramatiske fremskridt inden for AI-teknologi og den åbne sourcing af maskinlæringsrammer gjort det muligt for et meget lille antal eliteudbydere at bryde væk fra pakken og udvikle løsninger, der er fuldt drevet af AI. Disse fremskridt skaber en ny kategori af adaptiv læring-Adaptive 3.0.
adaptiv læring 3.0: AI og maskinindlæring
adaptiv læring 3.0 er kendetegnet ved anvendelsen af AI og maskinindlæring for mere nøjagtigt at replikere en-til-en instruktøroplevelsen. AI-drevne adaptive løsninger udnytter netværkskendskabskort til at skabe viden og adfærdsmæssige noder, der danner dybere forhold mellem indhold, læringsmål og personatyper for at nævne nogle få. Dette giver en mere effektiv, effektiv læringsoplevelse og muliggør:
- komplekse, realtidstilpasninger baseret på elevens ydeevne og adfærd
- datadrevne, personaliserede tip, feedback, afhjælpning og videnforstærkning
- forudsigelige, glemme kurver og indsigt i fremtidig videnapplikation
- omfattende applikationsniveau beherskelse af færdigheder og viden
- reduktion i læringstider
det er ikke kun læringsoplevelsen, der forstærkes. De platforme, der fuldt ud omfavner AI og maskinindlæring, er også i stand til at give dramatiske effektivitetsgevinster til læringsudvikling og oprettelse af indhold. For eksempel kan AI-drevne platforme vurdere ydeevnen for læringsindhold, markere underpresterende indhold og endda skjule underpresterende vurderinger, indtil de revideres.
adressering af gamle udfordringer
disse AI-drevne adaptive løsninger leverer ikke kun løftet om intelligent, instruktørlignende adaptiv læring, de adresserer også nogle af de gamle svagheder, der er forbundet med Adaptive 1.0 og 2.0 systemer. For eksempel kan AI:
eliminere den uendelige læring “loops”
i Adaptive 1.0-og 2.0-systemer, når en elev ikke var i stand til at besvare en vurdering korrekt, kan applikationen muligvis sløjfe dem gennem de samme spørgsmål uden nogen afhjælpning eller support. Denne “adaptive loop of death” resulterer i lærernes frustration, frigørelse og endda mistillid til systemet. Nye AI-drevne adaptive systemer kan give adaptiv feedback for at hjælpe eleverne mod nøjagtighed og holde dem fremad, så de ikke sidder fast i disse frustrerende sløjfer.
gå ud over en “content first” – metode
som diskuteret ovenfor kræver nogle Adaptive 1.0-og 2.0-systemer, at eleverne gennemgår alt indholdet, før de kommer til læringens kød. For elever, der allerede har erfaring eller viden om emnet, kan dette være en meget frustrerende og kedelig proces. Da systemer bevæger sig mod flere AI-aktiverede veje, behøver de ikke længere at insistere på, at eleverne gennemgår indholdet, før de kan passere ud af det. Systemer vil være i stand til i realtid at fastslå, hvad en elev ved, og justere indholdets kontekst og vanskelighed i overensstemmelse hermed.
Eliminer ineffektiv “test prep” læringsstrategi
omvendt kræver nogle adaptive 1.0-og 2.0-systemer, at eleverne besvarer vurderinger på forhånd, før de får en chance for at gennemgå indholdet. Disse platforme bruger derefter lærersvar til at tragt hver elev ned ad en forudindstillet “læringsvej”, hvor:
- eleverne besvarer en række spørgsmål
- platformen eliminerer de vidensområder, der er besvaret korrekt, og giver svar på forkerte vurderinger
- cyklussen gentages, indtil eleven besvarer alle vurderinger korrekt
tænk på det som en teknologidrevet version af flashcards. Problemet med denne strategi er, at den er designet til kortvarig anvendelse (som SAT) snarere end langsigtede virksomhedsindlærings-og udviklingsinitiativer, hvor løbende anvendelse er målet. Derudover, elever, der ikke er bekendt med emnet, befinder sig ofte i den førnævnte “adaptive loop of death.”
Adaptive 3.0-platforme leverer dynamiske, realtidsindholdsjusteringer baseret på ydeevne og adfærd, hvilket eliminerer behovet for forhåndsvurderinger og forudindstillede læringsveje. Denne tilgang er i tråd med den forskning, der viser vigtigheden af selvstyret læring i modsætning til at blive trukket ned ad en bestemt sti. Adaptive 3.0 systemer giver eleverne mulighed for at hævde kontrol øger autonomi, som direkte korrelerer med højere engagement, tilfredshed, tillid og beherskelse.
bedre fortolke elevdata
Adaptive 1.0-og 2.0-systemer fanger mange data, men ofte er byrden af datatolkning og anvendelse placeret på skuldrene af deres l& d-partnere. I vid udstrækning er disse hold ikke udstyret med den datavidenskabelige ekspertise, der er nødvendig for at give mening om store rækker af elevdata. AI-drevne adaptive løsninger leverer ikke kun en meget stærkere kvalitet af dataoutput – der inkluderer opfølgende forudsigelser, anbefalinger og forventede resultater, der afspejler KPI ‘ er og strategiske mål-men de har også ofte et datavidenskabeligt personale til rådighed for at hjælpe l&d – partnere med at analysere indsigt fra deres datasæt. Fordi de er så meget mere robuste end tidligere iterationer, kan Adaptive 3.0-systemer udstyre Lærings-og udviklingsledere med målbare, kvantificerbare data, de kan tage til C-suite for at informere og retfærdiggøre træningsbudgetudgifter.
kontinuerlig forbedring
endelig, i modsætning til i Adaptive 1.0-eller 2.0-systemer, hvor opdateringer kræver intensiv programmering og manuel kodning, bliver Adaptive 3.0-systemer automatisk smartere med hver brugerinteraktion. De bruger maskinlæringsalgoritmer til at evaluere brugerdata og løbende finjustere platformen. Derudover er adaptive systemer, der udnytter en fuld feedback loop, hvor eksterne ydelsesdata fra en klient kan korreleres med platform learning analytics og data science, i stand til at afdække indsigt, der aldrig før er set mellem læring og præstationsdata.