Wie man ein adaptives Lernsystem aufbaut

Haben Sie jemals einen Kurs begonnen, aber gedacht, dass er zu langsam ist? Oder zu schwierig? Wünschte, Sie könnten es schneller machen? Sie hatten das Gefühl, nicht genug Übung zu haben, um den Inhalt zu beherrschen? Adaptive Lernsysteme versuchen, diese Herausforderungen anzugehen.

In diesem Artikel gehe ich auf adaptive Lernsysteme ein. Ich beschreibe einige Hintergrundinformationen darüber, warum adaptive Lernsysteme die Struktur haben, die sie haben. Ich werde auch einige adaptive Lernsysteme vorstellen. Dann werde ich über die vier Elemente eines adaptiven Lernsystems sprechen und wie Sie selbst eines entwerfen können. Wir werden mit der Bewertung der Vor- und Nachteile des adaptiven Lernens abschließen.

Was ist ein adaptives Lernsystem?

Ein adaptives Lernsystem ist eine Software, bei der Algorithmen den Inhalt optimieren, um ihn an die Ziele des Lernenden und den aktuellen Wissensstand anzupassen.

In einem traditionellen E-Learning-Kurs folgen Sie linear dem Pfad, den ein Kursleiter erstellt. Sie sehen Videos, lesen Artikel, nehmen an Quizfragen teil und üben interaktive Module in einer festgelegten Reihenfolge. Ein adaptives Lernsystem enthält die gleichen Arten von Materialien. Die Reihenfolge ändert sich jedoch für jeden Lernenden. Das System entscheidet anhand von zwei Dingen, welche Inhalte dem Lernenden angezeigt werden sollen:

  • Wenn das Ziel des Lernenden nur eine Teilmenge des Inhalts ist, kann das System den Inhalt einschränken.
  • Auch das Vorwissen kommt ins Spiel. Wenn das System feststellt, dass der aktuelle Pfad zu einfach ist, kann das System auf anspruchsvollere Materialien beschleunigen. Wenn das System feststellt, dass der aktuelle Pfad zu schwierig ist, kann das System ... eingreifen und die erforderlichen Inhalte überprüfen, die Herausforderung verringern oder das Tempo verlangsamen.

Einige verwandte Themen umfassen intelligente Tutoren, adaptive Tests, Psychometrie, personalisiertes Lernen und intelligentes Lehren. Viele dieser Themen teilen Algorithmen und Strukturen mit adaptiven Lernsystemen.

Wissen ist eine Grafik: Neurowissenschaften

Ich werde mit einem kleinen Hintergrund beginnen. Dies schafft einen Kontext dafür, warum adaptive Lernsysteme die folgenden vier Elemente haben. Der Punkt dafür ist, dass Wissen eine Grafik ist .

Das menschliche Gehirn hat 86 Milliarden Neuronen. Jedes Neuron hat Dendriten, ein Soma und ein Axon.

  • Die Dendriten sind die Eingabe . Die Ränder der Dendriten erhalten Neurotransmitter von der Synapse. Die Synapse ist eine Lücke zwischen zwei Neuronen.
  • Das Soma ist der Durchsatz . Das Soma - das den Zellkern enthält - leitet die Eingabe von den Dendriten.
  • Das Axon ist die Ausgabe . Das Axon überträgt ein Aktionspotential - ein elektrisches Signal - an die Axonanschlüsse. Eine Myelinscheide bedeckt das Axon, um das Signal zu schützen. Die Axonterminals setzen Neurotranmitter in die Synapse frei.

Informationen, die Ihr Gehirn empfängt und verarbeitet, entsprechen einem Nervenweg. Ihr Gehirn mit Myelinat diesen Weg - stärken Sie das Myelin um das Axon, um elektrische Signale zu unterstützen. Aufgrund des verstärkten Myelins wird dieser Weg in Zukunft eher feuern. Mit anderen Worten, Sie lernen.

Selbst im kleinsten Maßstab ist unser Gehirn ein massiver Graph verbundener Neuronen. Wir lernen und optimieren, indem wir dafür sorgen, dass sich einige Pfade eher verbinden als andere.

Wissen ist eine Grafik: Wissenschaft lernen

Der stärkste Prädiktor für unsere Leistung in einer Lernumgebung ist unser Vorwissen. Was wir bereits wissen, bevor wir mit der Lernerfahrung beginnen. Ein bemerkenswertes Psychologiepapier - 1999 Dochy, Segers und Buehl - stellte fest, dass das Vorwissen 81% der Ergebnisunterschiede zwischen den Lernenden ausmacht. Das Überprüfen des Vorwissens vor dem Anzeigen neuer Informationen wirkt sich auf die Lernergebnisse aus. Und die Verbindung von neuem Wissen mit Vorwissen während des Unterrichts kann ebenfalls große Auswirkungen haben. (Quellen finden Sie unter Acht Ideen.)

Das bekannteste Psychologiepapier ist 1956 "The Magical Number Seven, Plus oder Minus Two" von George Miller. Das Papier legt nahe, dass Menschen ein begrenztes Arbeitsgedächtnis haben. Miller fand für einfache Zahlen, ein Mensch könnte mit ungefähr sieben Gegenständen gleichzeitig arbeiten. Spätere Forscher fanden für komplexere Informationen heraus, dass diese Grenze näher bei vier liegt.

Einige Psychologen schlagen diese "vier Slots" vor, damit wir lernen können, müssen mindestens ein oder zwei Vorkenntnisse sein. Wie viel Vorwissen wir in einen der vier Steckplätze "laden" können, hängt von der Stärke der Verbindungen in der Grafik ab. Wenn wir sowohl Vorwissen als auch neues Wissen in unserem Arbeitsgedächtnis haben, verknüpfen wir die Informationen. Und wir stärken die Verbindung zwischen beiden. Der Versuch, neue Informationen zu lernen, ohne sich mit Vorkenntnissen zu verbinden, schränkt die Stärke des Gedächtnisses ein.

Kurz gesagt, wir lernen, indem wir Vorwissen mit neuen Informationen verbinden. Und diese Verbindungen bilden einen großen, endlosen Wissensgraphen.

Einige wichtige adaptive Lernsysteme

Dieser Abschnitt ist kontextbezogener, aber optional. Ich schreibe keinen ausführlichen Artikel über die Geschichte dieser Systeme, aber hier sind einige Aufzählungszeichen:

  • Eine der frühesten Implementierungen war die Skinner-Lehrmaschine.
  • In den 1960er und 1970er Jahren gab es mehrere Versuche, computergestützte Lehrsysteme zu entwickeln. Kosten und langsamere Maschinen begrenzten den Erfolg dieser Systeme.
  • In den späten 70er und frühen 80er Jahren ermöglichte die Item-Response-Theorie den Testherstellern, mit der Arbeit an computergestützten adaptiven Tests zu beginnen.
  • Ein frühes und einflussreiches Computersystem war der Lisp-Tutor, auch bekannt als LISPITS (1983) an der Carnegie Mellon University.
  • SuperMemo, das 1985 veröffentlicht wurde, integrierte räumliches Lernen in ein Computersystem.
  • Ebenfalls 1985 erschien ein Papier für Wissensräume, das die Grundlage für eines der vier Elemente bildet.
  • Der ALEKS Math Tutor kam 1994 heraus und förderte stark die Nutzung von Wissensräumen.
  • 1995 veröffentlichten Corbett und Anderson "Knowledge Tracing", das die Grundlage für Bayes'sche Wissensverfolgungsmodelle bildet.
  • Einige wichtige Softwareprogramme umfassen AutoTutor-, ACT-R- und Cognitive Tutor-Authoring-Tools.
  • Knewton ist ein Beispiel für zeitgenössische adaptive Lernsysteme. Kaplan und Pearson verwenden beide Knewton, um adaptive Lernerfahrungen bereitzustellen.

Die vier Elemente

Die meisten adaptiven Lernsysteme haben heute diese vier Elemente. Die Begriffe ändern sich und auch ihr Geltungsbereich. Aber Sie werden fast immer alle vier Elemente finden.

Diese Elemente sind:

  • Der Experte - ein grafisches Modell des "idealen" Zustands von allem, was die Person mit diesem System lernen kann.
  • Der Lernende - ein Modell des aktuellen Status des Lernenden, das zeigt, wie wahrscheinlich es ist, dass der Lernende jeden der Knoten in der Expertengrafik kennt.
  • Der Tutor - die Algorithmen, die bestimmen, welche Inhalte wann angezeigt werden sollen. Das Expertenmodell und das Lernermodell informieren den Tutor. Der Tutor versucht, Inhalte hinsichtlich Relevanz, Herausforderung und Effizienz zu optimieren.
  • Die Benutzeroberfläche - auf diese Weise können Sie dem Lernenden die Lernerfahrung anzeigen. In vielen adaptiven Lernerfahrungen ändert sich die Benutzeroberfläche basierend auf dem Lernermodell und den Zielen des Lehrers.

Gehen wir auf jedes Element ein.

Der Experte - die große Grafik von allem

Das Expertenmodell ist eine große, zusammenhängende Grafik von allem, was die Lernenden wissen sollen. Wie der Name schon sagt, haben Sie einen Experten für das Thema - oder Experten für Themen -, um das Modell zu erstellen. Dieses Modell ist statisch. Das Expertenmodell ändert sich nur, wenn sich der Umfang der Lernergebnisse ändert. Oder wenn Probleme und Möglichkeiten zur Verfeinerung des adaptiven Lernsystems auftreten.

Der größte Teil der Arbeit des Expertenmodells steht am Anfang des Aufbaus einer neuen Lernerfahrung. Das adaptive Lernsystem greift auf das Expertenmodell zu, um den aktuellen Status des Lernenden mit dem Expertenmodell zu vergleichen. Das System greift auch auf das Expertenmodell zu, um zu bestimmen, auf welche Lernerfahrung es sich als Nächstes konzentrieren soll.

In der Regel definiert ein Expertenteam den Umfang der Lernergebnisse. Jeder Knoten im Expertenmodell sollte die folgenden Attribute aufweisen:

  • Ein Name
  • Eine kurze Beschreibung, die angibt, welche Fähigkeiten getestet werden und was außerhalb des Anwendungsbereichs liegt
  • Eine Liste der erforderlichen Knoten - diese bilden die "Kanten" des Diagramms. Diese Voraussetzungen können keinen "Zyklus" bilden - eine Knotenschleife.

Expertenmodelle erzielen eine bessere Leistung, wenn jeder Knoten klein und eng definiert ist. Beispielsweise könnte jede Fähigkeit in der Taxonomie von Bloom - Erkennen, Verstehen, Anwenden, Analysieren, Synthetisieren und Bewerten - jeweils einen eigenen Knoten im Expertenmodell sein. Die Kombination zweier zugrunde liegender Fähigkeiten sollte auch ein separater Knoten sein.

Es gibt unendlich viele Formate, mit denen Sie ein Expertenmodell erstellen können, z. B. XML, JSON, CSV oder YAML. Es kann hilfreich sein, das Expertenmodell zur Überprüfung grafisch anzuzeigen.

Einige Systeme generieren automatisch ein Expertenmodell, indem sie Experten in einer Reihe von Fragen abfragen, z. B. einen Assistenten. Andere werden vorhandene Lerninhalte mithilfe von Algorithmen wie k-means clustering gruppieren. Weitere mathematische Beschreibungen finden Sie im Wikipedia-Artikel zu Wissensräumen.

Der Lernende - wo Sie sind und wo Sie sein wollen

Das Lernelement ist ein Modell des aktuellen Fähigkeitszustands des Lernenden. Für jeden Knoten im Expertengraphen ist dem Lernermodell eine Wahrscheinlichkeit zugeordnet: 1-99%. Das System aktualisiert dieses Diagramm jedes Mal, wenn der Lernende eine Aktivität ausführt. Wenn ein Lernender eine Frage richtig beantwortet, steigt die Wahrscheinlichkeit. Wenn der Lernende falsch antwortet, verringert sich die Wahrscheinlichkeit.

Jeder Lernende hat sein eigenes Lernermodell. Jedes Mal, wenn ein neuer Lernender im System ist, gibt es ein neues Lernermodell. Später entscheidet der Tutor anhand des Lernermodells, wie die Lerninhalte bestellt werden sollen.

Es gibt viele Algorithmen zum Aktualisieren des Lernermodells. Wissensräume legen nahe, dass sich die Wahrscheinlichkeiten für verwandte Fähigkeiten anpassen sollten, wenn ein Lernender eine Fertigkeit entwickelt.

Einige adaptive Lernsysteme verwenden einfache heuristische Modelle zur Aktualisierung der Fähigkeitswahrscheinlichkeiten. In der Item-Response-Theorie wird die Wahrscheinlichkeit entlang einer Sigmoidkurve aktualisiert. Bei der Bayes'schen Wissensverfolgung hat diese Kurve eine konservativere Form. Jedes Modell berücksichtigt in der Regel die folgenden Faktoren:

  • Wie schätzen wir die Wahrscheinlichkeit ein, bevor der Lernende etwas unternimmt?
  • Wie wahrscheinlich ist es, dass ein Lernender die richtige Antwort errät, wenn er die Fähigkeit nicht kennt?
  • Wie wahrscheinlich ist es, dass ein Lernender ausrutscht, selbst wenn er die Fähigkeit kennt?
  • Wie wahrscheinlich ist es, dass der Lernende die Fertigkeit "gelernt" hat, nachdem er den Gegenstand gesehen hat?
  • Wie wahrscheinlich ist es, dass diese Aktivität den Lernenden als qualifiziert oder ungelernt einstuft?
  • Wie schwierig wird dieser Artikel für diesen bestimmten Lernenden sein?

Sowohl für die Item-Response-Theorie als auch für die Bayes'sche Wissensverfolgung benötigen Sie ein Mittel, um diese Parameter abzuschätzen. Dies ist einer der sich am schnellsten entwickelnden Bereiche in adaptiven Lernsystemen, daher kann ich noch keine spezifischen Empfehlungen aussprechen. Es gibt auch Forscher, die Modelle mit klassischem maschinellem Lernen erstellen, beispielsweise neuronale Netze.

Der Tutor - was wann zu zeigen ist

Der Tutor wählt in welcher Reihenfolge die Aktivitäten aus, an denen der Lernende teilnehmen wird. Nach jeder Aktualisierung des Lernermodells aktualisiert der Tutor den Pfad, den er zur Optimierung für diesen Lernenden benötigt.

Das Ziel des Tutors ist es, den Lernenden in kürzester Zeit zu einem vollständigen Expertengraphen zu bringen. Bei einigen Systemen können sich die Lernenden nur auf bestimmte Bereiche konzentrieren, während der Rest ignoriert wird. Da das Lernermodell für jeden Lernenden einzigartig ist, gilt dies auch für den Weg, den der Tutor einschlagen wird. Während die Experten- und Lernelemente Daten mit einigen Algorithmen sind, ist der Tutor Algorithmen mit einigen Daten.

Der Tutor kann entscheiden, auf welche Fähigkeiten er sich konzentrieren und welche Aktivitäten der Lernende ausführen soll. Damit sich die Fähigkeiten konzentrieren können, wählt der Tutor häufig Fähigkeiten mit dem größten Einfluss auf das größere Diagramm aus. Dies bedeutet oft, sich auf elementarere Fähigkeiten vor fortgeschritteneren Fähigkeiten zu konzentrieren. Für Aktivitäten:

  • Der Tutor wird versuchen, die für den Lernenden relevantesten Aktivitäten auszuwählen
  • Der Tutor wählt Aktivitäten aus, die herausfordernd, aber für den Lernenden nicht zu schwierig sind.
  • Der Tutor wird versuchen, Aktivitäten so auszuwählen, dass die Gesamtzeit für die Beherrschung verkürzt wird.

Einfache Tutoren für adaptives Lernen können Aktivitäten innerhalb einer Fertigkeit nach dem Zufallsprinzip auswählen. Tutoren, die auf der Item-Response-Theorie basieren, legen Wert auf die Auswahl herausfordernder Aktivitäten. In Bayes'schen Knowledge-Tracing-Modellen verfügt der Markt über viele verschiedene Tutor-Algorithmen. Die Forscher haben sich mehr auf die Experten- und Lernelemente konzentriert. Wir wissen also nicht, was die besten Lernergebnisse für das Tutor-Element liefert.

Die Schnittstelle - wie man es zeigt

Einige adaptive Lernsysteme ändern die Benutzeroberfläche. Da der Lernende mit einer Fertigkeit weniger vertraut ist, würde sich die Benutzeroberfläche reduzieren und sich mehr auf die jeweilige Aufgabe konzentrieren. Mit zunehmender Lernfähigkeit kommt mehr der gesamten Benutzeroberfläche zusammen. Einige nennen diesen Prozess "Gerüst".

In einigen Systemen können Lernende nach Hinweisen fragen und diese erhalten. Wann Hinweise angeboten werden sollen und die Tiefe dieser Hinweise kann je nach Lernfähigkeit angepasst werden.

Es gibt auch einige andere Fragen wie:

  • Zeigen Sie dem Lernenden die Expertengrafik an?
  • Zeigen Sie ihre Fortschritte bei allen Fähigkeiten an? Wie?
  • Zeigen Sie ihre Fortschritte bei bestimmten Fähigkeiten an? Wie?
  • Bekommt der Lernende eine Auswahl an Lerninhalten? Oder entscheidet das System alles?

Abhängig von den Anforderungen des Systems können einige dieser Elemente die Lernergebnisse beeinflussen.

Woher wissen wir, ob adaptives Lernen gut ist?

Da diese Systeme aus der Wissenschaft stammen, verfügen wir mit jedem System über eine erhebliche Menge an Daten und Verlauf.

Menschliche Einzelunterricht hat die stärksten Lernergebnisse. Dies ist eine häufige Erkenntnis in der Bildungsforschung. Bisher hat kein computergestütztes adaptives Lernsystem die Einzelunterrichtsstunden des Menschen übertroffen.

Die Forscher haben das Lernen im Klassenzimmer allein, das computergestützte adaptive Lernen allein sowie das kombinierte Lernen im Klassenzimmer und im adaptiven Lernen untersucht. Eine 2016 erschienene Arbeit "Effektivität intelligenter Tutorensysteme" bietet eine Metaanalyse dieser Studien. Adaptive Lernsysteme übertreffen normalerweise das traditionelle Lernen im Klassenzimmer. In Kombination mit dem Lernen im Klassenzimmer wirken sich adaptive Lernsysteme positiv aus, es gibt jedoch einige Einschränkungen.

Adaptive Systeme eignen sich besonders gut für sofortiges Feedback und die Sicherstellung von Fähigkeiten. Die Ermittler stellen einige Bereiche fest, in denen Verbesserungen möglich sind:

  • Die Kosten für die Entwicklung von Inhalten für diese Systeme sind hoch.
  • Diese Systeme können das Lernen oft nicht so kontextualisieren, wie es ein Mensch kann.
  • Adaptive Lernsysteme können sich herausfordernder anfühlen, was die Motivation der Lernenden verringern kann.

Einpacken

Welp, ich bin jetzt rausgekommen. Ich habe behandelt, was adaptive Lernsysteme sind. Ich habe einen Kontext für das Design dieser Systeme bereitgestellt. Ein Hauch von Geschichte. Ich habe die vier Hauptelemente behandelt: den Experten, den Lernenden, den Tutor und die Benutzeroberfläche. Hoffentlich war es nicht zu technisch.

Obligatorische Handlungsaufforderung zum Ende des Artikels: Schauen Sie sich Sagefy an, das adaptive Lernsystem mit offenem Inhalt, an dem ich arbeite.