PERSONALIZIRANO UČENJE
26 Druga płat prilagodljivih učnih sistemov: paradigme, ki jih ne gre prezreti
Kljub obljubljenemu potencialu prilagodljivih učnih sistemov ostaja na tem področju veliko vprašanj neodgovorjenih. Raziskav in dokumentiranja razrednih praks, ki bi pomagale razjasniti ta vprašanja, še ni dovolj:
- Priporočilni sistemi se uporabljajo za predlaganje filmov uporabnikom Netflixa. Potrošnikom pomagajo pri izbiri pravega zvočnika na Amazonu. Toda ali lahko dejansko izboljšajo učne rezultate učencev v razredu1?
- Ali nenehno osredotočanje na uspešnost in individualizacijo vpliva na psihološko počutje učenca2?
- Individualizacija od učenca zahteva veliko discipline in samoregulacije. Učenci morajo začeti delati sami in nadaljevati z delom, dokler ne končajo vseh dodeljenih dejavnosti. Ali so vsi učenci to sposobni storiti brez pomoči2?
- Kako uskladiti individualizacijo z možnostmi socialnega učenja3?
- Kako preiti od uporabe prilagodljivih učnih sistemov kot podpore pri posamezni tematiki k sistematični uporabi teh sistemov pri vseh temah in predmetih2? Kaj pa sprememba učnega načrta, ki bo potrebna za takšno vključevanje prilagodljivosti3?
- In kaj je s potrebno infrastrukturo? Kaj bi bilo treba ukreniti glede podatkov in zasebnosti, glede pristranskosti in okrepljenih stereotipov3?
Pri razvoju prilagodljivih učnih sistemov se nekatera načela uporabljajo neposredno ali implicitno. Ta načela niso vedno brez posledic.
Paradigma prilagodljivega učnega sistema: tisto staro dobro…
Kaj počnejo sistemi strojnega učenja, ko nekaj napovedujejo ali priporočajo? Naslanjajo se na pretekle izkušnje, preference in uspešnost učenca in tako se odločijo, kaj mu bodo priporočili: za napovedovanje prihodnosti se ozirajo v preteklost. Zato so ti sistemi vedno pristranski v odnosu do preteklosti4. Strojno učenje najbolje deluje v statičnem in stabilnem svetu, kjer je preteklost takšna kot prihodnost5. Prilagodljivi učni sistemi, ki temeljijo na modelih strojnega učenja, počnejo bolj ali manj enako, sedaj z dodatkom pedagoških vidikov.
Posledično ti sistemi ne morejo upoštevati nihanj v normalnosti, kot je bila npr. pandemija COVID, ali zdravstvena vprašanja in druge težave. Le deloma znajo upoštevati starost, rast, obvladovanje novih kompetenc in osebnostni razvoj mladih ljudi.
Ali je vedenje učencev sploh predvidljivo? Kolikokrat lahko ponovimo formulo, ki je v preteklosti dobro delovala, preden postane dolgočasna in ponavljajoča ter začne ovirati napredek6? Tudi če bi bila takšna predvidevanja mogoča, ali je sploh smotrno učence izpostavljati le stvarem, ki so jim všeč in ki jim ustrezajo? Kolikšna mera novosti je preobremenjujoča in kontraproduktivna6?
Težko je določiti, kako podobne naj bodo posamezne priporočene aktivnosti, koliko novih vrst aktivnosti naj uvedemo v eni šolski uri ali kdaj točno bi bilo dobro spodbuditi učenca k soočanju z izzivi in raziskovanju novih interesov. Odgovori na ta vprašanja se ne skrivajo zgolj v preteklosti učencev.
Paradigma prilagodljivega učnega sistema: eksplicitno odraža implicitno
Tudi če bi lahko preteklost zanesljivo uporabili za napovedovanje prihodnosti, bi bilo preteklost kot takšno težko natančno opredeliti. Kako Youtube ve, da je bil uporabniku všeč določen videoposnetek? Zagotovo je to lažje v primerih, ko je uporabnik po ogledu kliknil na gumb ‘Všeč mi je’ ali se naročil na nek kanal. Vendar je takšno eksplicitno vedenje zelo redko. Sistemi za priporočanje se ves čas zanašajo na prikrite, implicitne signale, ki pa lahko resnico v celoti odražajo, ali pa tudi ne4. Youtube, na primer, upošteva čas, ki ga je uporabnik porabil za ogled videoposnetka, kot implicitni signal, da mu je bil videoposnetek všeč in da bi rad gledal druge podobne vsebine. Seveda pa golo dejstvo, da se je videoposnetek na računalniku predvajal do konca, še zdaleč ne pomeni, da je bil uporabniku všeč, niti ne pomeni nujno, da si ga je sploh ogledal7.
Kaj pa način beleženja povratnih informacij v prilagodljivem učnem sistemu? Da bi na primer ocenil, ali je bil učenec med dejavnostjo pozoren, lahko sistem beleži število digitalnih virov, na katere je kliknil, kdaj in kako dolgo je do njih dostopal. Vendar to ne odraža natančno ravni njegove pozornosti1.
Na primer, če je učencu jasno, kaj mora storiti pri določeni aktivnosti, lahko pregleda več virov in se hitro osredotoči na kritične točke. Nekdo, ki pa nima tako jasne predstave, pa lahko odpre vse vire in porabi za to veliko časa, ne da bi se veliko naučil1. Lahko se zgodi, da bo prvi učenec neupravičeno označen, kot da mu manjka motivacije in bo moral opraviti dodatno delo.
Upoštevati je treba tudi dejstvo, da lahko modeli strojnega učenja zabeležijo le dva dogodka – klik učenca na vir in visoka ocena učenca pri povezani nalogi. Ne morejo pa sklepati, da je učenec dosegel visoko oceno, ker je pregledal vir – sklepajo lahko torej le o korelaciji (soodnosnosti), ne pa tudi o kavzaciji (vzročnosti)5.
Neupravičeno pričakovanje nekaterih prilagodljivih učnih sistemov je, da se bo učitelj poglobil v te napake in jih odpravil. V drugih sistemih pa učitelj tega sploh nima možnosti storiti.
Paradigma prilagodljivega učnega sistema: vse lahko nadomesti zgolj eno vprašanje
Priporočilni sistemi ne morejo obravnavati več ciljev hkrati. Cilj prilagodljivega učnega sistema se najpogostoje kaže v obliki enega samega vprašanja: nadomestnega vprašanja. Kakšno oceno je uporabnik dal filmu? Kako dolgo je gledal videoposnetek? Kakšen je rezultat učenca pri testu? Kako dobro je zadostil merilom sistema za merjenje pozornosti?Sistemi se nato naučijo doseči ta cilj in so testirani na podlagi tega, ali je bil dosežen. Njihovo delovanje se nenehno prilagaja, da bi dosegli čim boljši rezultat (uspešno dosegli cilj).
Če je cilj uspešna rešitev testa, se določene vsebine priporočajo na določen način. Tako je uspešnost pri izpitu nadomestni problem, ki ga sistem reši. Če je cilj le, da učenci kliknejo na čim več virov, potem je priporočilo prilagojeno tako, da jih sili k temu. Izziv je tako narediti vire čim bolj privlačne.
Izbira nadomestnega vprašanja je izredno pomembna za delovanje prilagodljivega učnega sistema4. V nasprotju z idejo o prilagodljivih učnih sistemih kot objektivnih sistemih, je izbira nadomestnega problema za priporočila bolj umetnost kot znanost4.
Vsa tehnologija ni nujno visoka tehnologija
Kot smo videli do zdaj, je pri izdelavi prilagodljivega učnega sistema potrebnih veliko odločitev: katere podatke meri, kako se ti podatki uporabljajo za oblikovanje povratnih informacij, kateri cilji so optimizirani, kakšni algoritmi se uporabljajo za njihovo optimizacijo itd. Pri sprejemanju teh odločitev največkrat sodelujejo programerji, podatkovni znanstveniki, strokovnjaki za finance in trženje. Učitelji in pedagoški strokovnjaki v razvojni proces prispevajo le redko in pogosto šele po procesu načrtovanja2. Produkti se pred sprejetjem v šolah ne preizkušajo na terenu, njihova učinkovitost pa pogosto temelji na pričevanjih in anekdotah namesto na znanstvenih raziskavah2.
Zato to, kar šola potrebuje in pozna, le malo vpliva na to, kaj podjetja oblikujejo. Stroški, razpoložljivost in infrastruktura imajo velik vpliv na to, kaj lahko šole kupijo. To je treba upoštevati, ko se odločamo, ali in kako uporabiti določen izdelek. Morda je bolje, da o njih ne razmišljamo kot o prilagodljivih učnih sistemih ali UI, temveč nanje gledamo kot na individualne sisteme z zelo različnimi cilji, zasnovami in zmogljivostmi.
Prilagodljivi učni sistemi so v splošnem dobri za podajanje personaliziranih povratnih informacij, odranje in vadbo. Poiščejo lahko vrzeli v učenju in jih odpravijo v okviru omejitev programiranja in zasnove. Ne morejo pa zaznati “učljivih trenutkov” – npr. kdaj bi bilo najbolje izkoristiti razpoloženje v razredu za predstavitev nove zamisli ali primera. Te sposobnosti so tisto, kar naredi učenje čarobno in kar pomaga, da učna ura še dolgo vztraja v učenčevi zavesti – in ostajajo izključno v domeni učitelja.
1 Bulger M., Personalised Learning: The Conversations We’re Not Having, Data & Society Working Paper, 2016.
2 Groff, J., Personalized Learning: The state of the field and future directions, Center for curriculum redesign, 2017.
3 Holmes, W., Anastopoulou S., Schaumburg, H & Mavrikis, M.,Technology-enhanced personalised learning: untangling the evidence, Stuttgart: Robert Bosch Stiftung, 2018.
4 Covington, P., Adams, J., Sargin, E., Deep neural networks for Youtube Recommendations, Proceedings of the 10th ACM Conference on Recommender Systems, ACM, New York, 2016.
5 Barocas, S., Hardt, M., Narayanan, A., Fairness and machine learning Limitations and Opportunities, 2022.
6 Konstan, J., Terveen, L., Human-centered recommender systems: Origins, advances, challenges, and opportunities, AI Magazine, 42(3), 31-42, 2021.
7 Davidson, J., Liebald, B., Liu, J., Nandy, P., Vleet, T., The Youtube Video Recommendation System, Proceedings of the 4th ACM Conference on Recommender Systems, Barcelona, 2010.