Hvordan man bygger et adaptivt læringssystem

Har du nogensinde startet et kursus, men syntes det var for langsomt? Eller for svært? Vil du kunne få det til at gå hurtigere? Følte at du ikke fik nok øvelse til at mestre indholdet? Adaptive læringssystemer søger at tackle disse udfordringer.

I denne artikel vil jeg gennemgå, hvad adaptive læringssystemer er. Jeg dækker baggrund for, hvorfor adaptive læringssystemer har den struktur, de har. Jeg introducerer også et par adaptive læringssystemer. Derefter skal jeg tale om de fire elementer i et adaptivt læringssystem, og hvordan du selv kan arkitekt. Vi afslutter med at evaluere fordele og ulemper ved adaptiv læring.

Hvad er et adaptivt læringssystem?

Et adaptivt læringssystem er software, hvor algoritmer optimerer indholdet for at tilpasse sig elevens mål og aktuelle viden.

I et traditionelt e-læringskurs følger du den vej, en instruktør opretter lineært. Du ser videoer, læser artikler, tager quizzer og praktiserer interaktive moduler i en forudbestemt rækkefølge. Et adaptivt læringssystem vil indeholde de samme typer materialer. Men rækkefølgen vil ændre sig for hver elev. Systemet beslutter, hvilket indhold der skal vises eleven ud fra to ting:

  • Hvis elevens mål kun er en delmængde af indholdet, kan systemet begrænse indholdet.
  • Den forudgående viden kommer også i spil. Hvis systemet bestemmer, at den aktuelle sti er for let, kan systemet fremskynde op til mere udfordrende materiale. Hvis systemet finder ud af, at den nuværende sti er for vanskelig, kan systemet ... gribe ind og gennemgå forudsætningsindholdet, reducere udfordringen eller sænke tempoet.

Nogle relaterede emner inkluderer intelligente vejledere, adaptiv test, psykometri, personlig læring og smart undervisning. Mange af disse emner deler algoritmer og strukturer med adaptive læringssystemer.

Viden er en graf: neurovidenskab

Jeg begynder med en lille baggrund. Dette vil skabe kontekst for, hvorfor adaptive læringssystemer har de fire elementer nedenfor. Pointen for dette er viden er en graf .

Den menneskelige hjerne har 86 milliarder neuroner. Hver neuron har dendriter, en soma og en axon.

  • De dendritter er input . Kanterne af dendritterne modtager neurotransmittere fra synapsen. Synapsen er et hul mellem to neuroner.
  • Den soma er gennemløbet . Somaen - som indeholder cellekernen - dirigerer input fra dendritterne.
  • Den Axon er outputtet . Axon transmitterer et handlingspotentiale - et elektrisk signal - til axonterminalerne. En myelinskede dækker axonen for at beskytte signalet. Axon-terminalerne frigiver neurotransmittere i synapsen.

Oplysninger, som din hjerne modtager og behandler, svarer til en neural vej. Din hjerne med myelinat den vej - styrk myelinet omkring axonen for at understøtte elektriske signaler. På grund af den forstærkede myelin vil denne sti mere sandsynligt skyde i fremtiden. Med andre ord lærer du.

Selv i den mindste skala er vores hjerne en massiv graf over forbundne neuroner. Vi lærer og optimerer ved at gøre nogle stier mere tilbøjelige til at oprette forbindelse end andre stier.

Viden er en graf: læring af videnskab

Den stærkeste forudsigelse for, hvordan vi presterer i et læringsmiljø, er vores forudgående viden. Hvad vi allerede ved, inden vi begynder læringsoplevelsen. Et bemærkelsesværdigt psykologipapir - Dochy, Segers og Buehl i 1999 - fandt, at forudgående viden er 81% af forskelle i resultater mellem elever. Gennemgang af forudgående viden inden visning af ny information påvirker læringsresultaterne. Og at forbinde ny viden med forudgående viden under undervisningen kan også have stor indflydelse. (Se Otte ideer for kilder.)

Det mest berømte psykologipapir er 1956 "The Magical Number Seven, Plus or Minus Two" af George Miller. Papiret antyder, at mennesker har en begrænset arbejdshukommelse. Miller fandt for enkle tal, et menneske kunne arbejde med omkring syv genstande på én gang. Senere forskere fandt for mere komplekse oplysninger, at grænsen er tættere på fire.

Nogle psykologer foreslår af disse "fire slots", for at vi kan lære, skal mindst en eller to være forkundskaber. Hvor meget forkendskab vi kan "indlæse" i en af ​​de fire slots afhænger af styrken af ​​forbindelserne i grafen. Når vi har både forudgående viden og ny viden i vores arbejdshukommelse, forbinder vi informationen. Og vi styrker forbindelsen mellem de to. Forsøg på at lære nye oplysninger uden at oprette forbindelse til forudgående viden begrænser styrken i hukommelsen.

Kort sagt lærer vi ved at forbinde forudgående viden til ny information. Og disse forbindelser danner en stor, uendelig graf for viden.

Et par vigtige adaptive læringssystemer

Dette afsnit er mere sammenhængende, men valgfrit. Jeg skriver ikke en grundig artikel om historien om disse systemer, men her er nogle punkter:

  • En af de tidligste implementeringer var Skinner-undervisningsmaskinen.
  • I løbet af 1960'erne og 1970'erne var der flere forsøg på edb-instruktionssystemer. Omkostninger og langsommere maskiner begrænsede succesen med disse systemer.
  • I slutningen af ​​70'erne og begyndelsen af ​​80'erne gjorde Item Response Theory det muligt for testproducenter at begynde at arbejde med edb-tilpasset test.
  • Et tidligt og indflydelsesrige edb-system var Lisp-vejlederen, også kendt som LISPITS (1983) ved Carnegie Mellon University.
  • SuperMemo, udgivet i 1985, inkorporerede afstandsindlæring i et edb-system.
  • Også i 1985 kom papir til vidensrum, som danner grundlaget for et af de fire elementer.
  • ALEKS Math-vejleder kom ud i 1994 og promoverede stærkt brugen af ​​vidensrum.
  • I 1995 udgav Corbett og Anderson "Knowledge tracing" og dannede grundlaget for Bayesianske videnssporingsmodeller.
  • Nogle vigtige software inkluderer AutoTutor, ACT-R og Cognitive Tutor Authoring Tools.
  • Knewton er et eksempel på moderne adaptive læringssystemer. Kaplan og Pearson bruger begge Knewton til at give adaptive læringsoplevelser.

De fire elementer

De fleste adaptive læringssystemer i dag har disse fire elementer. Vilkårene ændres, og det gør deres anvendelsesområde også. Men du finder næsten altid alle fire elementer.

Disse elementer er:

  • Den ekspert - en grafisk model af den "ideelle" tilstand, af alt den person kunne lære at bruge dette system.
  • Den lærende - en model af elevens aktuelle tilstand, som viser, hvor sandsynligt den lærende er at kende hver af de knuder i eksperten grafen.
  • Den vejleder - algoritmerne, der bestemmer, hvilket indhold der skal vises og hvornår. Ekspertmodellen og lærermodellen informerer vejlederen. Vejlederen søger at optimere indhold til relevans, udfordring og effektivitet.
  • Den grænseflade - hvilket er, hvordan man vise lærerig oplevelse for den lærende. I mange adaptive læringserfaringer ændres grænsefladen baseret på lærermodellen og vejlederens mål.

Lad os gå ind på hvert element.

Eksperten - den store graf over alt

Ekspertmodellen er en stor, sammenhængende graf over alt, hvad du ønsker, at eleverne skal vide. Som navnet antyder, har du en ekspert om emnet - eller eksperter om emner - til at oprette modellen. Denne model er statisk. Ekspertmodellen ændres kun, når omfanget af læringsresultater ændres. Eller når der opstår problemer og muligheder for at forfine det adaptive læringssystem.

Det meste af arbejdet med ekspertmodellen er i begyndelsen af ​​opbygningen af ​​en ny læringsoplevelse. Det adaptive læringssystem får adgang til ekspertmodellen for at sammenligne elevens nuværende tilstand med ekspertmodellen. Systemet får også adgang til ekspertmodellen for at bestemme, hvilken læringsoplevelse der skal fokuseres på næste gang.

Normalt vil et team af eksperter definere omfanget af læringsresultater. Hver knude i ekspertmodellen skal have følgende attributter:

  • Et navn
  • En kort beskrivelse, der angiver, hvilke færdigheder der testes, og hvad der er uden for anvendelsesområdet
  • En liste over forudsatte noder - disse danner grafens "kanter". Disse forudsætninger kan ikke danne en "cyklus" - en loop af noder.

Ekspertmodeller fungerer bedre, når hver node er lille og snævert defineret. For eksempel kunne hver færdighed i Blooms taksonomi - anerkendelse, forståelse, anvendelse, analyse, syntese og evaluering - hver være sin egen node i ekspertmodellen. Kombinationen af ​​to underliggende færdigheder skal også være en separat knude.

Der er et uendeligt antal formater, du kan bruge til at oprette en ekspertmodel, såsom XML, JSON, CSV eller YAML. Det kan hjælpe med at kunne vise ekspertmodellen grafisk til gennemgang.

Nogle systemer genererer automatisk en ekspertmodel ved at spørge eksperter i en række spørgsmål, som en guide. Andre vil gruppere eksisterende læringsindhold ved hjælp af algoritmer som k-betyder klyngedannelse. Det kan være en god idé at gennemgå Wikipedia-artiklen om vidensrum for en mere matematisk beskrivelse.

Den lærende - hvor du er versus hvor du vil være

Lærerelementet er en model for elevens nuværende evne. Så for hver given node i ekspertgrafen har lærermodellen en sandsynlighed forbundet med den: 1-99%. Systemet opdaterer denne graf, hver gang eleven udfører en aktivitet. Hvis en elev besvarer et spørgsmål korrekt, øges sandsynligheden. Hvis eleven svarer forkert, falder sandsynligheden.

Hver elev har sin egen elevmodel. Så hver gang der er en ny elev i systemet, er der en ny elevmodel. Senere vil læreren bruge læringsmodellen til at beslutte, hvordan læringsindholdet skal bestilles.

Der er mange algoritmer til opdatering af lærermodellen. Videnrum antyder, at sandsynligheden for relaterede færdigheder også skal tilpasses, når en elev udvikler en færdighed.

Nogle adaptive læringssystemer bruger enkle heuristiske modeller til opdatering af færdighedssandsynligheder. I varesvarsteori opdateres sandsynligheden langs en sigmoidkurve. I Bayesian videnssporing har denne kurve en mere konservativ form. Hver model har en tendens til at tage højde for disse faktorer:

  • Inden eleven gør noget, hvad estimerer vi sandsynligheden for?
  • Hvor sandsynligt er det, at en elev gætter det rigtige svar, hvis de ikke kender færdigheden?
  • Hvor sandsynligt er det, at en elev glider op, selvom de kender færdighederne?
  • Hvor sandsynligt er den studerende at have "lært" færdighederne efter at have set varen?
  • Hvor sandsynligt kategoriserer denne aktivitet eleven som dygtig eller ufaglært?
  • Hvor vanskelig vil dette emne være for netop denne elev?

For både varesvarsteori og Bayesisk videnopsporing skal du bruge et middel til at estimere disse parametre. Dette er et af de områder, der udvikler sig hurtigst inden for adaptive læringssystemer, så jeg kan ikke komme med nogen specifikke anbefalinger endnu. Der er også forskere, der skaber modeller med klassisk maskinindlæring, såsom neurale netværk.

Vejlederen - hvad skal man vise hvornår?

Vejlederen vælger i hvilken rækkefølge at vælge de aktiviteter, som eleven vil deltage i. Efter hver opdatering til lærermodellen opdaterer vejlederen den sti, det tager at optimere for den pågældende elev.

Målet med vejlederen er at få eleven til en komplet ekspertgraf på den mindste tid. Nogle systemer tillader elever kun at fokusere på nogle områder, mens de ignorerer resten. Da elevernes model er unik pr. Elev, er det også den vej, som vejlederen vil tage. Mens ekspert- og lærerelementerne er data med nogle algoritmer, er vejlederen algoritmer med nogle data.

Vejlederen kan beslutte både hvilke færdigheder han skal fokusere på og hvilke aktiviteter den studerende skal udføre. For at færdighederne skal fokusere på, vælger vejlederen ofte færdigheder med den største indvirkning på den større graf. Dette betyder ofte at fokusere på mere elementære færdigheder før mere avancerede færdigheder. Til aktiviteter:

  • Vejlederen vil prøve at vælge de mest relevante aktiviteter for eleven
  • Vejlederen vælger aktiviteter, der er udfordrende, men ikke for vanskelige for eleven.
  • Vejlederen vil forsøge at vælge aktiviteter på en måde, der reducerer den samlede tid til mestring.

Enkle adaptive læringsvejledere kan vælge aktiviteter inden for en færdighed tilfældigt. Elementresponssteoribaserede vejledere lægger vægt på at vælge aktiviteter, der er udfordrende. I Bayesianske vidensporingsmodeller har markedet mange forskellige vejlederalgoritmer. Forskere har fokuseret mere på ekspert- og læringselementerne. Så vi ved ikke, hvad der giver de bedste læringsresultater for tutorelementet.

Interfacet - hvordan man viser det

Nogle adaptive læringssystemer vil ændre brugergrænsefladen. Da eleven er mindre fortrolig med en færdighed, ville grænsefladen reducere og fokusere mere på den aktuelle opgave. Efterhånden som elevens evne vokser, kommer mere af den fulde grænseflade sammen. Nogle kalder denne proces "stilladser".

I nogle systemer kan eleverne bede om og modtage tip. Hvornår skal man tilbyde tip, og dybden af ​​disse tip kan justeres baseret på læringsevne.

Der er også nogle andre spørgsmål som:

  • Viser du ekspertgrafen for eleven?
  • Viser du deres fremskridt på alle færdigheder? Hvordan?
  • Viser du deres fremskridt med specifikke færdigheder? Hvordan?
  • Får den studerende valg inden for læringsindhold? Eller beslutter systemet alt?

Afhængigt af systemets behov kan nogle af disse emner påvirke læringsresultaterne.

Hvordan ved vi, om adaptiv læring er god?

Da disse systemer kommer fra den akademiske verden, har vi en betydelig mængde data og historie med hvert system.

Menneskelig individuel vejledning har de stærkeste læringsresultater. Dette er et almindeligt fund i uddannelsesforskning. Indtil videre har intet edb-tilpasset adaptivt læringssystem overgået menneskelig en-til-en-vejledning.

Forskere har undersøgt klasselæring alene, computeriseret adaptiv læring alene samt kombineret klasselokale og adaptiv læring. Et papir fra 2016 "Effektivitet af intelligente vejledningssystemer" giver en metaanalyse af disse undersøgelser. Adaptive læringssystemer overgår normalt traditionel klasselæring. Kombineret med klasselæring skaber adaptive læringssystemer en positiv effekt, men der er nogle begrænsninger.

Adaptive systemer klarer sig særligt godt med øjeblikkelig feedback og sikrer færdighedsmestring. Efterforskere bemærker nogle forbedringsområder:

  • Omkostningerne ved at udvikle indhold til disse systemer er høje.
  • Disse systemer kan ofte ikke kontekstualisere læring, som et menneske kan.
  • Adaptive læringssystemer kan føles mere udfordrende, hvilket kan reducere elevernes motivation.

Pak ind

Welp, jeg har nørdet ud nu. Jeg har dækket, hvad adaptive læringssystemer er. Jeg har givet nogle sammenhænge til designet af disse systemer. Et strejf af historie. Jeg har dækket de fire hovedelementer: eksperten, eleven, vejlederen og grænsefladen. Forhåbentlig var det ikke for teknisk.

Obligatorisk opfordring til slutningen af ​​artiklen: Tjek Sagefy, det adaptive læringssystem med åbent indhold, jeg arbejder på.