UPRAVLJANJE UČENJA
14 Pametni LMS (sistemi za upravljanje učenja)
Manuel Gentile and Giuseppe Città
E-učenje in sistemi za upravljanje učenja (LMS)
Število uporabnikov e-učenja nenehno narašča. Izraz se nanaša na učenje, podprto s tehnologijami, v okoljih, kjer so učitelji (pedagogi, mentorji) in učenci oddaljeni v prostoru in/ali času. Cilj e-učenja je izboljšanje praks poučevanja, predvsem pa oplemenitenje učne izkušnje učencev.
Zaradi razmaha tehnologij je danes najbrž primerneje govoriti o sistemih in platformah za izvajanje e-učenja, kot o posameznih orodjih. Sistemi e-učenja so rezultat integracije različnih programskih orodij, gradnikov ekosistema, ki omogoča izkoriščenje prožnih, prilagodljivih učnih poti. Sistemi e-učenja lahko olajšajo upravljanje z učnimi procesi in z izvedbo samih šolskih ur (predavanj). Omogočajo ocenjevanje učencev, ustvarjanje poročil, oblikovanje vsebin in njihovo organizacijo ter komunikacijo med učitelji in učenci. Med najpogosteje uporabljenimi sistemi za e-učenje so sistemi za upravljanje učenja (LMS) (npr. Moodle, Edmodo).
Sistemi LMS so spletni programi (aplikacije), zasnovani za upravljanje učnega procesa1 na različnih ravneh, na različnih področjih in na različne načine. Lahko jih opredelimo kot učna okolja, v katerih se izvajajo učne aktivnosti in orodja, aktivnosti in orodja za vrednotenje dosežkov, učne vsebine ter interakcije med vrstniki in/ali učenci in učitelji. V nekaterih definicijah so LMS opredeljeni kot platforme, ki lahko vključujejo kompletne sisteme za upravljanje vsebin ali posameznih učnih tečajev, portale itd.2.
LMS in UI: pametni LMS
Z razvojem UI je širše področje izobraževanja (še posebej pa sistemi LMS) postalo izjemno obetavno za uporabo te revolucionarne novosti3. Zaradi funkcionalnosti, ki jih podpira UI, sistemi LMS predstavljajo prenovljeno učno orodje, ki lahko zadovolji dve temeljni zahtevi izobraževanja prihodnosti: personalizacijo in prilagajanje4. Rezultat kombinacije sistema LMS in UI je pametni LMS (SLMS).
Učinkovit SLMS je sistem, katerega algoritmi zagotavljajo in pridobivajo informacije iz treh temeljnih virov znanja: a) učenca, b) pedagogike in c) posameznega predmetnega področja. S pridobivanjem informacij o preferencah učencev, njihovih čustvenih in kognitivnih stanjih ter dosežkih in ciljih (a) lahko SLMS izvaja tiste učne strategije (b), ki so najbolj učinkovite (posebne vrste ocenjevanja, sodelovalno učenje itd.) za učenje znotraj določenega predmetnega področja (c), npr., teorija geometrije, matematične operacije, fizikalni zakoni, analiza besedila itn4.
SLMS torej lahko opredelimo kot učni sistem, ki prilagodi vsebino glede na znanje in veščine, ki jih je učenec pokazal pri prejšnjih nalogah. S takšnim, na učenca osredotočenim pristopom omogoča prepoznavanje, spremljanje in nadzorovanje učenčeve poti, tako da beleži njegove vzorce učenja in učni stil. Fardinpour idr5 opisujejo, da SLMS učencu zagotavlja najučinkovitejšo učno pot in najustreznejšo učno vsebino s pomočjo avtomatizacije, prilagajanja različnih učnih strategij (scaffolding), poročanja in generiranja znanja. Učencem zagotavlja možnost, da sledijo in spremljajo svoje učenje in učne cilje. Kljub temu pa naj bi vsak sistem SLMS učencem omogočal tudi možnost, da onemogočijo UI, ki upravlja njihovo učno pot – in tako v celoti dostopajo do vseh učnih gradiv v določenem učnem okolju.
Primeri funkcionalnosti podprtih z UI v okviru SLMS
Pri dejanskem delovanju sistemov SLMS so prav številna orodja UI tisto, kar realizira sistem z vsemi omenjenimi funkcionalnostmi. Takšna UI orodja se gibljejo po transverzali treh zgoraj navedenih virov znanja, na katere se algoritmi SLMS nenehno sklicujejo (učenec, pedagogika, področje).
Klepetalni roboti podprti z UI kot virtualni tutorji
Klepetalni robot (chatbot) – programska oprema, ki simulira ter procesira človeške pogovore (zapisane ali govorjene) – lahko v okviru sistema SLMS opravlja funkcijo virtualnega tutorja. Na eni strani odgovarja na vprašanja učencev, na drugi pa lahko učencem ponudi predloge na podlagi predhodnih analiz njihove uspešnosti in interakcij6.
Analitika učenja
Podatki, ki se nanašajo na interakcije posameznega učenca pri učnih aktivnostih na spletu, omogočajo učiteljem poglobljeno spremljanje napredka in uspešnosti učenca. Zahvaljujoč tem podatkom lahko sistem avtomatično aktivira določene naloge7 in na ta način koristi oz. pomaga predvsem učencem, ki so bili manj uspešni pri določenih nalogah. Obenem pa lahko učiteljem avtomatično predlaga primerno stopnjo težavnosti naloge, ali jih opozori, da je treba poskrbeti za dodatne vsebine.
Prednosti za učence in učitelje
Ob uporabi opisanih (in drugih) orodij podprtih z UI4 postane SLMS učinkovito orodje za učenje in poučevanje, ki nikakor ni nadomestek za učiteljevo delo, temveč se izkaže kot orodje, ki lahko nadgradi človeški vidik poučevanja8 in prinaša vrsto pomembnih koristi za celoten proces učenja/poučevanja.
Ker SLMS prilagodi vsebine glede na učenčeve sposobnosti in raven, se učenec v različnih fazah učenja ne bo srečal z nalogami, ki bi ga dolgočasile, ker so preveč preproste, ali s takšnimi, ki bi ga frustrirale, ker so preveč zapletene. Motivacija in pozornost učenca sta tako vedno na visoki ravni in ustrezata zahtevnosti dane naloge. To neposredno vpliva na zmanjšanje osipa, saj učiteljem omogoča, da pravočasno odkrijejo morebitne težave in ukrepajo takoj, ko učenec pokaže prve znake težav.
Učencem lahko učitelji v sklopu SLMS predlagajo različne vsebine, ki so že shranjene v bazah podatkov (posameznega predmeta) ali tudi takšne, ki prihajajo iz zunanjih virov. To učiteljem neposredno koristi, saj jim ni treba več ves čas ustvarjati novih učnih gradiv, prihranjeni čas pa lahko uporabijo za druge pomembne dejavnosti, npr. za izpopolnjevanje lastnih metod poučevanja ali za neposredno delo z učenci.
1 Kasim, N. N. M., and Khalid, F., Choosing the right learning management system (LMS) for the higher education institution context: A systematic review, International Journal of Emerging Technologies in Learning, 11(6), 2016.
2 Coates, H., James, R., & Baldwin, G., A critical examination of the effects of learning management systems on university teaching and learning, Tertiary education and management, 11(1), 19-36, 2005.
3 Beck, J., Sternm, M., & Haugsjaa, E., Applications of AI in Education, Crossroads, 3(1), 11–15. doi:10.1145/332148.332153, 1996.
4 Rerhaye, L., Altun, D., Krauss, C., & Müller, C., Evaluation Methods for an AI-Supported Learning Management System: Quantifying and Qualifying Added Values for Teaching and Learning, International Conference on Human-Computer Interaction (pp. 394-411). Springer, Cham, July 2021.
5 Fardinpour, A., Pedram, M. M., & Burkle, M., Intelligent learning management systems: Definition, features and measurement of intelligence, International Journal of Distance Education Technologies (IJDET), 12(4), 19-31, 2014.
6 HR Technologist: Emerging Trends for AI in Learning Management Systems, 2019, Accessed 31 Oct 2022.
7 Krauss, C., Salzmann, A., & Merceron, A., Branched Learning Paths for the Recommendation of Personalized Sequences of Course Items, DeLFI Workshops, September 2018.
8 Mavrikis, M., & Holmes, W., Intelligent learning environments: Design, usage and analytics for future schools, Shaping future schools with digital technology, 57-73, 2019.