25 KI Sprache: Wie adaptive Systeme über die Lernenden lernen — Teil 2

Der Prozess

In den letzten Jahren wird maschinelles Lernen immer häufiger in adaptiven Systemen eingesetzt, entweder als einzige Technologie oder in Verbindung mit anderen Ansätzen². Wo es eingesetzt wird, besteht die Hauptaufgabe von ML darin, Schülermodelle auf der Grundlage einer Reihe von Merkmalen zu erstellen und zu aktualisieren, einschließlich der Ergebnisse von Bewertungen und neuer Daten, die während des gesamten Prozesses generiert werden¹.

Für die äußere Schleife werden mit Hilfe von Trainingsdaten Modelle erstellt, denen geeignete Gewichtsmerkmale zugewiesen werden, um effektive Lerninhalte zu empfehlen² (siehe auch Wie maschinelles Lernen funktioniert). Diese Modelle werden verwendet, um regelmäßig neue Lernpfade zu empfehlen, die den Lernfortschritt und die sich ändernden Interessen der Schülerinnen und Schüler widerspiegeln – wie neue Empfehlungen auf Youtube. Bei ML-basierten ALS kann die Anzahl der Pfade in die Billionen gehen³.
In der internen Schleife wird maschinelles Lernen eingesetzt, um geeignetes Feedback zu geben, Fehler oder Wissenslücken zu erkennen und die Beherrschung von Wissenseinheiten zu bewerten: Während der Arbeit an einer Aufgabe kann eine Schülerin oder ein Schüler Fehler machen. Mithilfe von ML können Sie vorhersagen, welche Fehler aus welcher Wissenslücke resultieren. Wenn ein Schritt der Lösung richtig ist, kann ML verwendet werden, um vorherzusagen, welche Wissenseinheiten erfolgreich gemeistert wurden².

Andere Techniken, die in adaptiven Systemen zum Einsatz kommen, sind weniger automatisiert und erfordern explizit geschriebene Regeln, um Schlussfolgerungen zu ziehen². Sie erfordern viel Programmierzeit und zusätzlichen Aufwand, um alle Kriterien, die in die Entscheidungsfindung einfließen, genau zu erfassen. Außerdem lassen sich die Ergebnisse oft nicht von einem Bereich zum nächsten oder von einem Problem zum nächsten verallgemeinern.

Tools, die ML verwenden, nutzen große Datensätze über die tatsächliche Leistung der Schülerinnen und Schüler  und sind in der Lage, für sie im Laufe der Zeit die dynamischsten Lernpfade zu erstellen¹. Wie bei allen ML-Anwendungen muss vor dem Einsatz im Klassenzimmer trainiert und getestet werden.

Pädagogisches Modell

Im Fall von Youtube haben wir gesehen, dass es eine Menge Werturteile darüber gibt, was eine gute Empfehlung ausmacht: wie viele Nutzerinteressen in einem Satz von Empfehlungen abgedeckt werden sollen, wie viele Videos den bereits gesehenen ähnlich sein sollen, wie viele neue Inhalte zur Abwechslung hinzugefügt werden sollen (siehe Wie Youtube über Sie lernt — Teil 2). ALS beinhaltet ähnliche Beurteilungen darüber, was es bedeutet, einen KU zu beherrschen und wie man zu dieser Beherrschung gelangt: die Pädagogik und die tägliche Erfahrung der Lernenden.⁴

Im Falle von ALS sollten diese Einschätzungen und Hinweise darauf, wie Lernende Fortschritte machen sollen, auf bewährten pädagogischen Theorien beruhen. Diese fließen in das pädagogische Modell ein und helfen der Maschine zusammen mit den Domänen- und Lernermodellen bei der Auswahl einer geeigneten Reihe von Aktivitäten.

Einige der Fragen, die in diesem Modell beantwortet werden, sind: Soll dem Schüler bzw. der Schülerin als Nächstes ein Konzept, eine Aktivität oder ein Test präsentiert werden? Mit welchem Schwierigkeitsgrad? Wie kann man den Lernprozess bewerten und Feedback geben? Wo ist mehr Hilfestellung notwendig⁵?  (Hilfestellungen sind Unterstützungsmechanismen, die Anleitungen zu Konzepten und Verfahren, zu den verwendeten Strategien und zur Reflexion, Planung und Überwachung des Lernens geben.) Das pädagogische Modell diktiert den Umfang und die Tiefe der Aktivitäten und sogar, ob man innerhalb des ALS weitermachen oder sich Hilfe von der Lehrkraft holen soll³.

Interface

Die Empfehlungen werden zusammen mit anderen Daten wie Lernfortschritt, Leistung und Ziele dargestellt. Die wichtigsten Fragen dabei sind:

• Wie soll der Inhalt vermittelt werden?
• Wie viel Inhalt soll auf einmal empfohlen werden?
• Was wird direkt zugewiesen und was wird empfohlen?
• Was sind die unterstützenden Ressourcen?
• Ist es möglich, Gruppenaktivitäten anzubieten?
• Wie viel Autonomie ist zuzulassen?
• Können Lernende ihre Präferenzen ändern?
• Kann die Lehrkraft die Lernpfade ändern?
• Welche Daten werden der Lehrkraft angezeigt?
• Ist die Lehrkraft in den Prozess eingebunden?

Auswertung

Wenn das ALS zum Einsatz kommt, überwachen die meisten Systeme ihre eigene Leistung anhand der durch die Programmierung festgelegten Kriterien. Wie bei jedem KI-Tool können die Daten verzerrt sein. Die vom System gezogenen Schlüsse können ungenau sein. Die Daten von Schülerinnen und Schüler aus der Vergangenheit werden mit der Zeit immer weniger aussagekräftig⁶. Daher muss auch die Lehrkraft die Leistung des Systems überwachen und den Lernenden bei Bedarf anleiten und korrigieren.

Es sind auch die Lehrkräfte und Mitlernenden, die Anregungen geben und alternative Ressourcen aufzeigen müssen. Die Forschung im Bereich der Empfehlungssysteme wurde über ein Jahrzehnt lang von kommerziellen Inhaltsanbietern und Online-Einzelhandelsunternehmen geprägt. Daher lag der Schwerpunkt auf der zuverlässigen Bereitstellung von Empfehlungen, die zu vermarktbaren Ergebnissen führen. „Die überraschende Freude über ein unerwartetes Juwel”⁷ und weniger befahrene Wege, die zu nachhaltigem Lernen anregen können, gehören nicht zu den Stärken des maschinengestützten personalisierten Lernens.

¹ EdSurge, Decoding Adaptive, Pearson, London, 2016.

² Chrysafiadi, K., Virvou, M., Student modeling approaches: A literature review for the last decade, Expert Systems with Applications, Elsevier, 2013.

³ Essa, A., A possible future for next generation adaptive learning systems, Smart Learning Environments, 3, 16, 2016.

⁴ Groff, J., Personalized Learning: The state of the field and future directions, Center for curriculum redesign, 2017.

⁵ Alkhatlan, A., Kalita, J.K., Intelligent Tutoring Systems: A Comprehensive Historical Survey with Recent Developments, International Journal of Computer Applications 181(43):1-20, March 2019.

⁶ du Boulay, B., Poulovasillis, A., Holmes, W., Mavrikis, M., Artificial Intelligence And Big Data Technologies To Close The Achievement Gap, In: Luckin, Rose ed. Enhancing Learning and Teaching with Technology. London: UCL Institute of Education Press, pp. 256–28, 2018.

⁷ Konstan, J., Terveen, L., Human-centered recommender systems: Origins, advances, challenges, and opportunities, AI Magazine, 42(3), 31-42, 2021.