25 Govorica UI: Kako prilagodljivi učni sistemi spoznavajo učenca – 2. del

Proces

V zadnjih letih se strojno učenje vse pogosteje uporablja v prilagodljivih učnih sistemih, bodisi kot edina uporabljena tehnologija bodisi v povezavi z drugimi pristopi². Tam, kjer se uporablja, je osrednja vloga strojnega učenja ustvarjanje in posodabljanje modelov učencev na podlagi sklopa značilnosti, vključno z rezultati vrednotenja in novimi podatki, ki se ustvarjajo skozi ves čas procesa¹.

Za zunanjo zanko se modeli ustvarijo s pomočjo učnih podatkov, tako da se dodelijo ustrezne uteži značilnostim, ki omogočajo učinkovito priporočanje vsebin (gl. poglavje Govorica UI: Strojno učenje). Ti modeli se uporabljajo za redno priporočanje novih učnih poti, ki odražajo napredek učenca in njegove spreminjajoče se interese – podobno kot nova priporočila v YouTubu. Prilagodljiv učni sistem, ki temelji na strojnem učenju, lahko generira tudi bilijon takšnih poti³.

V notranji zanki se strojno učenje uporablja za zagotavljanje ustreznih povratnih informacij, odkrivanje napak, sklepanje o vrzelih v znanju in za oceno obvladovanja enot znanja. Učenec lahko med ukvarjanjem z določeno aktivnostjo naredi napako. Strojno učenje se lahko uporabi za napovedovanje, katere napake izhajajo iz katere vrzeli v znanju. Podobno, če je rešitev naloge pravilna, lahko strojno učenje uporabimo za predvidevanje o tem, katere enote znanja so bile uspešno usvojene.

Druge tehnike, ki se uporabljajo v prilagodljivih sistemih, vključujejo manj avtomatizacije in bolj eksplicitno zapisana pravila za sklepanje². Za natančen zajem vseh kriterijev, ki so potrebni pri odločanju, zahtevajo veliko časa za programiranje in dodatna prizadevanja. Poleg tega rezultatov pogosto ni mogoče posplošiti z enega področja na drugo ali z enega problema na drugega.

Orodja, ki uporabljajo strojno učenje, delujejo na podlagi velikanske količine podatkov o dejanski uspešnosti učencev in lahko zato sčasoma ustvarijo zelo dinamične učne poti za učence¹. Tako kot pri vseh aplikacije strojnega učenja pa je treba tudi tukaj pred uporabo v učilnicah opraviti testiranje.

Pedagoški model

Spoznali smo že, da YouTube uporablja veliko vrednostnih sodb za odločitev o tem, kaj je dobro priporočilo, npr.: koliko različnih interesov uporabnika naj bo zajetih v enem sklopu priporočil, koliko priporočenih posnetkov naj bo podobnih že videnim, koliko novih vsebin je treba dodati zavoljo raznolikosti itd. (gl. poglavje Govorica UI: Kako vas YouTube spoznava – 2. del). Prilagodljivi učni sistemi vključujejo podobne presoje o tem, kaj pomeni obvladati določeno enoto znanja in kako priti do te stopnje “mojstrstva”⁴.

V primeru prilagodljivih učnih sistemov morajo takšne sodbe/odločitve (kakor tudi smernice o doseganju napredka za učenca) temeljiti na uveljavljenih pedagoških teorijah. Te so vključene v pedagoški model ter skupaj z modelom domene in modelom učenca pomagajo stroju izbrati ustrezen nabor aktivnosti.

Nekatera vprašanja, na katera odgovarja pedagoški model, so: ali je treba učencu najprej predstaviti koncept, aktivnost ali test? Na kateri stopnji zahtevnosti? Kako ovrednotiti učenje in zagotoviti povratne informacije? Kje je potrebna dodatna podpora? Pedagoški model narekuje obseg in poglobljenost aktivnosti in celo opozori, ali naj nadaljujemo v okviru sistema, ali je potrebno poiskati pomoč učitelja³.

Vmesnik

Priporočila so prikazana skupaj z drugimi podatki, kot so napredek, uspešnost in cilji učenca. Ključna vprašanja:

• Kako podati vsebine?
• Koliko vsebin priporočiti v enem priporočilu?
• Katere vsebine naj bodo neposredno dodeljene in katere v obliki priporočil?
• Kateri podporni viri so uporabljeni?
• Ali so omogočene skupinske aktvnosti?
• Kakšno stopnjo avtonomije dovoliti?
• Ali lahko učenec spreminja svoje izbire (preference)?
• Ali lahko učitelj spreminja učne poti?
• Kateri podatki so prikazani učitelju?
• Ali je učitelj vključen v zanko?

Vrednotenje

Ko se prilagodljiv učni sistem začne uporabljati, spremlja lastno uspešnost glede na merila, ki jih določi programer. Kot pri vsakem orodju UI so lahko podatki pristranski. Sklepanja sistema so lahko netočna. Učenčevi pretekli podatki sčasoma postajajo manj relevantni⁶. Zato mora tudi učitelj spremljati delovanje sistema in učencu po potrebi dajati navodila in predlagati popravke.

Tudi učitelji in mladostniki sami naj bi zagotavljali navdih in odkrivali ter predlagali alternativne vire vsebin. Raziskave na področju priporočilnih sistemov so več kot desetletje temeljile na informacijah komercialnih ponudnikov vsebin in spletne maloprodaje. Poudarek je bil torej na zanesljivem zagotavljanju priporočil, ki dajejo rezultate, ki jih je mogoče tržiti. “Presenetljiv užitek ob nepričakovanem odkritju skritega dragulja”⁷ ali, povedano drugače, sprehod po manj uhojenih stezicah – torej vse tisto, kar navdihuje trajno učenje, ni med prednostmi na strojnem učenju zasnovanih pristopov personaliziranega poučevanja.

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.