PERSONALIZIRANO UČENJE
24 Govorica UI: Kako prilagodljivi učni sistemi spoznavajo učenca – 1. del
Težko je reči, kje točno se zgodi prilagoditev v prilagodljivem učnem sistemu1. Posamezni sistemi se razlikujejo tudi glede na vrsto in namen uporabljene tehnologije.
Vsi prilagodljivi učni sistemi pa vedo, koga učijo (znanje o učencu), kaj učijo (znanje o področju) in kako učiti (znanje o pedagogiki)2.
Idealen prilagodljiv učni sistem se prilagaja na več načinov. V širši, zunanji zanki prilagodi zaporedje učnih dejavnosti (podobno kot YouTube prilagodi priporočen seznam videoposnetkov) ter učne pristope in stopnje težavnosti.
V notranji zanki, znotraj vsake aktivnosti, sistem spremlja napredek po korakih. Prilagaja povratne informacije in napotke za odpravo morebitnih napačnih predstav. Če ima uporabnik (učenec) težave z zapomnitvijo predhodno naučene snovi, ga lahko usmeri k dodatnim vsebinam. Nekateri strokovnjaki zagovarjajo stališče, da je notranjo zanko najbolje prepustiti učiteljem: ne le da je programiranje vseh pravil za določen šolski predmet in posamezno nalogo drago in zamudno, temveč bodo znanje in izkušnje učitelja vedno prevladale nad strojem3.
Kako prilagodljivi učni sistemi spoznavajo učenca
Podobno kot pri vseh priporočilih (gl. poglavje Kako vas YouTube spoznava – 1. del), prilagodljiv učni sistem razdeli nalogo na eno ali več podvprašanj, na katera stroj zna odgovoriti. Ne pozabimo, da odločitev, kaj vprašati (in s tem tudi, kaj napovedati), močno vpliva na to, kakšno priporočilo bo prikazano.
Promocije pogosto omenjajo razne cilje: izboljšanje rezultatov, zaposljivost, vključenost itd. Zaradi tržne narave sistemov običajno ne vemo, katera vprašanja so kodirana v sisteme, za katere cilje se optimizirajo in kako se kratkoročni cilji razlikujejo od dolgoročnih (npr., mojstrsko obvladovanje določene vsebine v primerjavi z napredovanjem na naslednjo stopnjo)4.
Kjer se uporablja strojno učenje, bodo napovedi, ne glede na izbrane cilje, temeljile na drugih učencih s podobnimi stopnjami znanja in podobnimi preferencami, oz. na učencih, katerih modeli so si podobni.
Model učenca
Pri oblikovanju modela učenca se razvijalci vprašajo, katere značilnosti učenca so pomembne za učni proces. Za razliko od učiteljev, ki lahko neposredno opazujejo učence in prilagodijo svoj pristop, so stroji omejeni na podatke, ki jih zberejo in obdelujejo.
Tipične značilnosti, ki se upoštevajo pri ustvarjanju modela učenca:
- kaj učenec ve: raven znanja, veščine in napačne predstave5,2,6. Te lastnosti običajno izpeljemo na podlagi ocenjevanja, npr. na podlagi odgovora na matematični problem1. To predhodno znanje se nato primerja s tem, kar bi moral učenec znati ob koncu učnega obdobja.
- Kako se učenec uči: učni proces in preference5,6. Npr., kolikokrat učenec poskuša odgovoriti na vprašanje, preden odgovori pravilno, vrste virov, ki jih je uporabil, kako sam ocenjuje določeno aktivnost, katero gradivo ga je najbolj pritegnilo (slika, zvok ali besedilo)2. Prilagodljivi učni sistemi lahko beležijo tudi kdaj in kako so se učili veščin in katere pedagoške metode so bile najboljše6.
- Ali je učenec motiviran: občutke in čustva lahko učenec sporoča neposredno ali pa jih sistem pridobi posredno na podlagi govora, obrazne mimike, spremljanja gibanja oči, govorice telesa, fizioloških signalov, ali na podlagi kombinacije teh elementov. Te informacije se lahko nato uporabijo za spodbujanje učenca stran od neprijetnih stanj (npr. dolgčas ali frustracija, ki zavirata učenje), k prijetnim stanjem, npr. aktivno angažiranje, veselje7.
- Kognitivni vidiki: spomin, pozornost, veščina reševanja problemov, sposobnost sprejemanja odločitev, sposobnost analiziranja situacij in kritično mišljenje5.
- Komunikacija in sodelovanje. Npr., ali učenec objavlja komentarje na profilih družabnih omrežij drugih učencev, kako rešuje probleme skozi razpravo z drugimi, ipd1.
- Metakognitivne veščine, kot so samoregulacija, samorazlaga, samoocena, iskanje pomoči, zavedanje o in sposobnost nadzora lastnega mišljenja. Npr., kako izbira učne cilje, kako uporablja predznanje ali kako izbira strategije reševanja problemov5.
Te informacije se spreminjajo in jih je treba redno posodabljati, modeli pa sicer vsebujejo tudi statične značilnosti, kot so starost, spol, materni jezik, elektronski naslov itn.
Večina prilagodljivih učnih sistemov ustvarja modele učencev na podlagi interakcij z učenci samimi. Nekateri pridobivajo informacije tudi z drugih spletnih mest, zlasti z družabnih omrežij. Ko je za vsakega učenca izdelan model, stroj izračuna, kateri učenci so si med seboj podobni, in lahko začne predvidevati, kakšna je verjetnost, da bo določenemu učencu koristila določena aktivnost, primer ali vprašanje3.
Model domene
Za lažjo predstavo povlecimo vzporednico med t. i. učnimi objekti v prilagodljivem učnem sistemu in videoposnetki na YouTubu. Vsak šolski predmet lahko razčlenimo na koncepte in veščine, ki tvorijo t. i. enote znanja. Enote znanja so tisto, kar mora učenec na koncu znati3. Vsaka enota znanja vsebuje nabor učnih objektov, ki omogočajo, da se naučimo vsebine, in določene aktivnosti za vrednotenje učenja. (Nekateri avtorji učne objekte dodatno razčlenjujejo na učne aktivnosti.)
Učni objekti so lahko besedila, videoposnetki, sklop problemov ali vprašanj, interaktivne aktivnosti, animacije itd1. Učni objekti povedo, kaj mora učenec znati, aktivnosti vrednotenja pa razkrijejo, ali je bilo znanje v resnici pridobljeno3. Model domene vsebuje vse značilnosti učnih objektov, vključno s pripadajočimi enotami znanja in vrednotenjem.
Česa se bo učenec učil v naslednjem koraku je odvisno tudi od medsebojnih povezav med posameznimi enotami znanja, zato je treba tudi te vključiti v model: učna objekta A in B sta lahko predpogoja za učni objekt D. Zato je treba A in B obvladati pred D. Med nekaterimi enotami znanja torej obstaja hierarhija, ki nam pove, kako naj se učimo3. Velja tudi obratno: če učenec pravilno reši problem D, lahko sklepamo, da je obvladal tudi A in B.
Nekatere od takšnih hierarhičnih odnosov pojasnijo strokovnjaki za posamezne predmete. O preostalih sklepa stroj sam, ki lahko predvidi verjetnost, da je bila določena enota znanja usvojena. (S kakšno gotovostjo lahko sistem trdi, da je učenec usvojil A in B, če je pravilno odgovoril na D?) Stroj oz. sistem lahko nato te informacije skupaj z drugimi značilnostmi modela učenca in modela domene, uporabi za priporočanje učnih poti in učnih objektov.
Med druge značilnosti učnih objektov spadajo težavnostne stopnje aktivnosti, priljubljenost aktivnosti in ocene aktivnosti. Namen je, tako kot pri YouTubu, iz razpoložljivih podatkov izvleči čim več relevantnih informacij.
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.