Personalisiertes Lernen
24 KI Sprache: Wie adaptive Systeme über die Lernenden lernen — Teil 1
Bei der Betrachtung eines adaptiven Lernsystems ist es sehr schwer zu sagen, wo es sich anpasst1. Welche Technologie verwendet wird und wofür sie eingesetzt wird, ändert sich ebenfalls von System zu System.
Allerdings wissen alle adaptiven Lernsysteme, wen sie unterrichten (Wissen über die Lernenden), was sie unterrichten (Wissen über den Bereich) und wie sie unterrichten (Wissen über die Pädagogik)2.
Ein ideales ALS passt sich auf vielfältige Weise an. In der äußeren Schleife wird die Reihenfolge der Lernaktivitäten angepasst — ähnlich wie Youtube die Liste der empfohlenen Videos anpasst. Die äußere Schleife könnte auch Lernansätze und Schwierigkeitsgrade personalisieren.
In der inneren Schleife, innerhalb jeder Aktivität, überwacht das ALS den schrittweisen Fortschritt. Es passt Feedback und Hinweise an, um eventuelle Missverständnisse zu korrigieren. Es kann auch auf zusätzliche Inhalte hinweisen, wenn der Schüler oder die Schülerin Probleme hat, sich an ein zuvor gelerntes Konzept zu erinnern. Einige Fachleute sind der Meinung, dass die innere Schleife am besten der Lehrkraft überlassen werden sollte: Es ist nicht nur kostspielig und zeitaufwendig, alle Regeln für jedes Fach und jede Aufgabe zu programmieren, sondern das Wissen und die Erfahrung des Lehrers werden immer größer sein als die der Maschine.3.
Wie adaptive Systeme über die Lernenden lernen
Wie bei allen Empfehlungsproblemen (siehe Wie Youtube über Sie lernt — Teil 1), teilt ein ALS die Aufgabe in eine oder mehrere Ersatzfragen auf, die von der Maschine beantwortet werden können. Auch hier hat die Wahl der Frage — und damit der Vorhersage — einen großen Einfluss darauf, welche Empfehlung angezeigt wird.
In den Marketingunterlagen werden oft mehrere Ziele genannt: bessere Noten, Beschäftigungsfähigkeit, Engagement. Da die Systeme firmeneigen sind, ist in der Regel unklar, welche Fragen in die Systeme einfließen, welche Ziele optimiert werden und wie zwischen kurz- und langfristigen Zielen unterschieden wird. (z. B. die Beherrschung eines bestimmten Inhalts, um in die nächste Klassenstufe zu gelangen)4.
Wenn maschinelles Lernen eingesetzt wird, basiert die Vorhersage unabhängig von den gewählten Zielen auf anderen Lernenden mit ähnlichen Fähigkeiten und Vorlieben. Das heißt, auf Lernenden, deren Modelle ähnlich sind.
Das Lernermodell
Für die Erstellung eines Lernermodells stellen die Entwickelnden die Frage, welche Merkmale die Schülerinnen und Schüler für den Lernprozess relevant sind. Im Gegensatz zu Lehrkräften, die ihre Lernenden direkt beobachten und ihre Vorgehensweise anpassen können, sind Maschinen auf die Daten beschränkt, die sie sammeln und verarbeiten können.
Typische Merkmale, die in einem Lernermodell berücksichtigt werden:
- Was die Schülerin bzw. der Schüler weiß: Wissensstand, Fähigkeiten, falsche Vorstellungen5, 2, 6. Diese werden in der Regel aus Bewertungen abgeleitet, z. B. aus der Antwort, die eine Schülerin oder Schüler auf eine Matheaufgabe gibt1. Dieses Vorwissen wird dann mit dem verglichen, was sie oder er am Ende der Lernperiode wissen muss.
- Wie eine Schülerin bzw. ein Schüler am liebsten lernt: der Lernprozess und die Vorlieben 5, 6. Zum Beispiel die Anzahl der Versuche, die eine Schülerin oder ein Schüler unternimmt, bevor sie oder er eine Frage richtig beantworten kann, die Art der konsultierten Ressourcen, die Bewertungen, die sie oder er für eine Aktivität abgegeben hat1, oder das Material, das sie oder ihn am meisten anspricht — Bilder, Audio oder Text2. ALS können auch aufzeichnen, wann und wie Fähigkeiten erlernt wurden und welche pädagogischen Methoden am besten funktioniert haben6.
- Ob sich eine Schülerin bzw. ein Schüler motiviert fühlt: Gefühle und Emotionen können direkt von der Schülerin bzw. vom Schüler aufgezeichnet oder indirekt aus Sprache, Mimik, Augenbewegungen, Körpersprache, physiologischen Signalen oder Kombinationen davon abgeleitet werden. Diese Informationen können dann genutzt werden, um die Lernenden aus negativen Zuständen, wie Langeweile oder Frustration, die das Lernen behindern, in positive Zustände, wie Engagement oder Freude, zu versetzen7.
- Wie es um kognitive Aspekte, wie Gedächtnis, Aufmerksamkeit, Problemlösungsfähigkeit, Entscheidungsfähigkeit, Analyse von Situationen und kritisches Denken, steht5.
- Wie die Schülerinnen und Schüler kommunizieren und zusammenarbeiten 5. Zum Beispiel, ob sie Kommentare zu den Beiträgen anderer Lernender abgeben und wie sie mit anderen diskutieren, um Probleme zu lösen1.
- Wie es um die metakognitiven Fähigkeiten der Schülerinnen und Schüler steht, wie Selbstregulierung, Selbsterklärung, Selbsteinschätzung und Selbstmanagement5, Hilfe suchen, sich des eigenen Denkens bewusst sein und es kontrollieren können. Zum Beispiel, wie sie ihre Lernziele auswählen, Vorwissen nutzen oder bewusst Problemlösungsstrategien wählen5.
Während sich diese Daten ändern und daher ständig aktualisiert werden müssen, enthalten Modelle auch statische Merkmale, wie Alter, Geschlecht, Muttersprache und E–Mail-ID2.
Die meisten ALS erstellen Lernermodelle auf der Grundlage der Interaktionen mit den Schülerinnen und Schülern. Einige sammeln auch Informationen von anderen Websites, insbesondere aus den sozialen Medien. Sobald ein Modell für alle Lernenden verfügbar ist, berechnet die Maschine, welche Lernenden einander ähnlich sind, und schätzt die Wahrscheinlichkeit, dass ein bestimmter Schüler oder eine bestimmte Schülerin von einer Aktivität, einem Beispiel oder einer Frage einen Nutzen hat3.
Das Domänenmodell
Wir können eine lose Parallele zwischen Lernobjekten in einem ALS und Videos auf Youtube ziehen. Ein Thema kann in Konzepte und Fertigkeiten unterteilt werden, die als Wissenseinheiten (KUs) bezeichnet werden: Diese sind das, was die oder der Lernende wissen muss3. Jede KU verfügt über eine Reihe von Lernobjekten, mit denen der Inhalt erlernt werden kann, und über eine Reihe von Aktivitäten, mit denen das Lernen bewertet werden kann. Einige Autorinnen und Autoren schlüsseln die Lernobjekte weiter in Lernaktivitäten auf, wir tun dies hier nicht.
Lernobjekte können ein zu lesender Text, ein Video, eine Reihe von Aufgaben, interaktive Aktivitäten (vom einfachen Ausfüllen der Lücken bis hin zu szenariobasierten Lernaktivitäten), interaktive Animationen usw. sein1 . Die Lernobjekte geben an, was die oder der Lernende wissen muss, und die Bewertungsaktivitäten zeigen an, ob das Wissen erworben wurde3. Das Domänenmodell enthält alle Merkmale der Lernobjekte, einschließlich der zugehörigen KU und der Bewertung.
Was Lernende als Nächstes lernen, hängt auch von den Beziehungen zwischen den KUs ab und muss daher ebenfalls in das Modell aufgenommen werden: Die Lernobjekte A und B können beide Voraussetzung für das Lernobjekt D sein. Daher müssen A und B vor D beherrscht werden. Es gibt eine Ordnung zwischen einigen KUs, die uns sagt, wie wir lernen3. Umgekehrt gilt: Wenn Lernende ein Problem, das D entspricht, richtig lösen, ist es wahrscheinlich, dass sie auch A und B beherrschen.
Fachleute können einige dieser Zusammenhänge liefern. Der Rest der Schlussfolgerungen kann von der Maschine erlernt werden, die die Wahrscheinlichkeit vorhersagen kann, dass ein KU gemeistert wurde: Wie sicher ist ein System, dass Lernende A und B gemeistert haben, wenn sie die Fragen unter D beantwortet haben? Es kann diese Informationen dann zusammen mit anderen Merkmalen von Lernenden und Domänenmodellen verwenden, um Lernpfade und Lernobjekte zu empfehlen.
Andere Merkmale von Lernobjekten könnten der Schwierigkeitsgrad der Aktivität, ihre Beliebtheit und Bewertungen sein. Wie bei der Youtube-Empfehlung geht es auch hier darum, so viele Informationen wie möglich aus den verfügbaren Daten zu gewinnen.
1 EdSurge, Decoding Adaptive, Pearson, London, 2016.
2 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.
3 Essa, A., A possible future for next generation adaptive learning systems, Smart Learning Environments, 3, 16, 2016.
4 Bulger M., Personalised Learning: The Conversations We’re Not Having, Data & Society Working Paper, 2016.
5 Chrysafiadi, K., Virvou, M., Student modeling approaches: A literature review for the last decade, Expert Systems with Applications, Elsevier, 2013.
6 Groff, J., Personalized Learning: The state of the field and future directions, Center for curriculum redesign, 2017.
7 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.