Войти
Адаптивное обучение , также известное как адаптивное обучение , представляет собой метод обучения который использует компьютерные алгоритмы для организации взаимодействия с учащимся и предоставления индивидуальных ресурсов и учебных мероприятий для удовлетворения уникальных потребностей каждого учащегося. В контексте профессионального обучения люди могут «протестировать» некоторый тренинг, чтобы убедиться, что они используют новые инструкции. Компьютеры адаптируют представление учебных материалов в соответствии с учебными потребностями учащихся, о чем свидетельствуют их ответы на вопросы, задачи и опыт. Технология охватывает аспекты, полученные из различных областей исследований, включая информатику, искусственный интеллект, психометрию, образование, психологию и науку о мозге.
Адаптивное обучение частично было вызвано осознанием того, что индивидуализированное обучение не может быть достигнуто в больших масштабах с использованием традиционных, неадаптивных подходов. Адаптивные системы обучения стремятся превратить учащегося из пассивного получателя информации в участника образовательного процесса. В первую очередь системы адаптивного обучения применяются в образовании, но еще одним популярным приложением является бизнес-обучение. Они были разработаны как настольные компьютерные приложения, веб-приложения и теперь вводятся в общую учебную программу.
Адаптивное обучение или интеллектуальное обучение берет свое начало в движении за искусственный интеллект и начало набирать популярность в 1970-х годах. В то время было принято считать, что компьютеры в конечном итоге достигнут человеческой способности к адаптации. В адаптивном обучении основная предпосылка заключается в том, что инструмент или система смогут адаптироваться к методу обучения студента / пользователя, что приведет к лучшему и более эффективному обучению для пользователя. Еще в 70-е годы основным препятствием были стоимость и размер компьютеров, что делало их широкое применение непрактичным. Еще одним препятствием на пути внедрения ранних интеллектуальных систем было то, что пользовательские интерфейсы не способствовали процессу обучения. Начало работы над адаптивными и интеллектуальными системами обучения обычно восходит к системе SCHOLAR, которая предлагала адаптивное обучение по теме географии Южной Америки. В течение пяти лет появился ряд других инновационных систем. Хороший отчет о ранних работах по адаптивному обучению и интеллектуальным системам обучения можно найти в классической книге «Интеллектуальные системы обучения».
Системы адаптивного обучения традиционно делятся на отдельные компоненты или «модели». Хотя были представлены различные группы моделей, большинство систем включают некоторые или все из следующих моделей (иногда с разными названиями):
Экспертная модель хранит информацию о преподаваемом материале. Это может быть так же просто, как решения для набора вопросов, но оно также может включать уроки и учебные пособия, а в более сложных системах даже экспертные методики для иллюстрации подходов к вопросам.
Системы адаптивного обучения, которые не включают экспертную модель, обычно включают эти функции в учебную модель.
Простейшим средством определения уровня навыков ученика является метод, используемый в CAT (компьютеризированное адаптивное тестирование ). В CAT предмету задаются вопросы, которые выбираются в зависимости от уровня сложности по отношению к предполагаемому уровню навыков предмета. По мере прохождения теста компьютер корректирует оценку испытуемого на основе их ответов, непрерывно корректируя оценку, выбирая вопросы из более узкого диапазона сложности.
Алгоритм оценки в стиле CAT прост в реализации. Собирается большое количество вопросов, которые оцениваются в зависимости от сложности с помощью экспертного анализа, экспериментов или их комбинации. Затем компьютер выполняет то, что по сути является бинарным поиском, всегда задавая субъекту вопрос, который находится на полпути между тем, что компьютер уже определил как максимальный и минимально возможные уровни навыков субъекта. Затем эти уровни корректируются в соответствии с уровнем сложности вопроса, переназначая минимум, если испытуемый ответил правильно, и максимальный, если испытуемый ответил неправильно. Очевидно, что необходимо предусмотреть определенный допуск на ошибку, чтобы учесть сценарии, в которых ответ испытуемого не указывает на его истинный уровень квалификации, а просто случайно. Задание нескольких вопросов на одном уровне сложности значительно снижает вероятность вводящего в заблуждение ответа, а разрешение диапазона вырасти за пределы предполагаемого уровня сложности может компенсировать возможные неправильные оценки.
Еще одним расширением выявления слабых мест в терминах концепций является программирование модели учащегося на анализ неправильных ответов. Это особенно применимо к вопросам с несколькими вариантами ответов. Рассмотрим следующий пример:
Очевидно, что ученик, который отвечает (b), складывает показатели и не понимает концепцию подобных терминов. В этом случае неправильный ответ дает дополнительное понимание помимо того простого факта, что он неверен.
Учебная модель обычно включает в себя лучшие образовательные инструменты, которые могут предложить технологии (например, мультимедийные презентации), с советами опытных учителей по методам презентации. Уровень сложности учебной модели во многом зависит от уровня сложности модели ученика. В модели учащихся в стиле CAT учебная модель просто ранжирует уроки в соответствии с рейтингами в пуле вопросов. Когда уровень учащегося определен удовлетворительно, учебная модель обеспечивает соответствующий урок. Более продвинутые модели учащихся, которые оценивают на основе концепций, нуждаются в учебной модели, которая также организует свои уроки по концепциям. Учебная модель может быть разработана для анализа совокупности слабых мест и соответствующей адаптации плана урока.
Когда модель ученика оценивает неправильные ответы, некоторые системы стремятся предоставить обратную связь на актуальные вопросы в виде «подсказок». Когда учащийся совершает ошибки, всплывают полезные предложения, например «внимательно посмотрите на знак числа». Это также может относиться к области учебной модели, при этом общие подсказки, основанные на концепциях, предлагаются на основе концептуальных слабостей, или подсказки могут быть связаны с конкретным вопросом, и в этом случае модели учащегося, учебная модель и модель эксперта частично совпадают.
Многие системы управления обучением включают в себя различные функции адаптивного обучения. Система управления обучением (LMS) - это программное приложение для администрирования, документирования, отслеживания, отчетности и предоставления образовательных курсов, программ обучения или программ обучения и развития.
Системы адаптивного обучения могут быть реализованы в Интернете для использования в дистанционном обучении и групповом сотрудничестве.
Область дистанционного обучения - это теперь включает аспекты адаптивного обучения. Первоначальные системы без адаптивного обучения могли автоматически предоставлять обратную связь студентам, которым задавали вопросы из заранее выбранного банка вопросов. Однако этому подходу не хватает руководства, которое могут дать учителя в классе. Современные тенденции дистанционного обучения требуют использования адаптивного обучения для реализации интеллектуального динамического поведения в учебной среде.
Пока студент изучает новую концепцию, он проверяется на свои способности, и базы данных отслеживают их прогресс, используя одну из моделей. Системы дистанционного обучения последнего поколения учитывают ответы учащихся и адаптируются к когнитивным способностям учащихся, используя концепцию, называемую «когнитивные леса». Когнитивные основы - это способность автоматизированной обучающей системы создавать когнитивный путь оценки от низшего к высшему на основе продемонстрированных когнитивных способностей.
Текущая успешная реализация адаптивного обучения в сети дистанционное обучение на основе Maple является движком WebLearn от университета RMIT. WebLearn достаточно продвинутый, чтобы дать оценку заданным студентам вопросам, даже если на эти вопросы нет однозначного ответа, как в области математики.
Адаптивное обучение может быть включено для облегчения группового сотрудничества в средах дистанционного обучения, таких как форумы или службы совместного использования ресурсов. Некоторые примеры того, как адаптивное обучение может помочь в сотрудничестве, включают автоматическое группирование пользователей с одинаковыми интересами и персонализацию ссылок на источники информации на основе заявленных интересов пользователя или его привычек просмотра.
В 2014 году исследователь в области образования завершил многолетнее исследование адаптивного обучения для дизайна образовательных игр. В ходе исследования была разработана и подтверждена модель ALGAE (Adaptive Learning GAme dEsign), всеобъемлющая адаптивная модель обучения, основанная на теориях и практиках игрового дизайна, стратегиях обучения и адаптивных моделях. Исследование расширило предыдущие исследования в области игрового дизайна, обучающих стратегий и адаптивного обучения, объединив эти три компонента в единую сложную модель.
В результате исследования была разработана модель адаптивного дизайна образовательной игры, которая может служить руководством для дизайнеров игр, инструкторов и преподавателей с целью повышения результатов обучения. Участники опроса подтвердили ценность модели ВОДОРОСЛЕЙ и предоставили конкретное понимание построения, использования, преимуществ и проблем модели. Текущая модель водорослей основана на этих выводах. Модель теперь служит ориентиром при проектировании и разработке обучающих компьютерных игр.
Применимость модели оценивается как межотраслевая, включая правительственные и военные агентства / подразделения, игровую индустрию и научные круги. Фактическая ценность модели и соответствующий подход к реализации (сфокусированный или несфокусированный) будут полностью реализованы по мере того, как принятие модели ALGAE станет более распространенным.
Хотя функции адаптивного обучения часто упоминаются в маркетинговые материалы инструментов, диапазон адаптивности может быть разным.
Инструменты начального уровня, как правило, сосредоточены на определении пути учащегося на основе упрощенных критериев, таких как ответ учащегося на вопрос с несколькими вариантами ответов. Правильный ответ может привести учащегося к Пути А, тогда как неправильный ответ может привести его к Пути Б. Хотя эти инструменты обеспечивают адекватный метод базового ветвления, они часто основаны на базовой линейной модели, посредством которой учащийся просто перенаправляется на точка где-то на заданной линии. Из-за этого их возможности не достигают истинной адаптивности.
На другом конце спектра есть расширенные инструменты, которые позволяют создавать очень сложные адаптации, основанные на любом количестве сложных условий. Эти условия могут относиться к тому, что ученик делает в настоящее время, предыдущим решениям, поведенческому отслеживанию, интерактивным и внешним действиям, и это лишь некоторые из них. Эти инструменты более высокого уровня обычно не имеют базовой навигации, поскольку они, как правило, используют методы искусственного интеллекта, такие как механизм вывода. Из-за фундаментального отличия конструкции передовые инструменты могут предоставлять широкие возможности оценки. Вместо того, чтобы задавать простой вопрос с несколькими вариантами ответов, учащемуся может быть предложено сложное моделирование, в котором учитывается ряд факторов, определяющих, как учащийся должен адаптироваться.
Эта статья включает в себя материалы из статьи Citizendium «Адаптивное обучение », которая находится под лицензией Непортированная лицензия Creative Commons Attribution-ShareAlike 3.0, но не в рамках GFDL.
