Данная статья представлена группой методистов-исследователей в рамках LLLab Pro — лаборатории по созданию и тестированию методик непрерывного образования Lifelong Learning Lab.
В этой статье вы:
- Узнаете, как работает адаптивное обучение — это сложная и интересная область, где много математики и необычных подходов,
- Получите краткую инструкцию по созданию адаптивного обучения на тот случай, если вам это нужно сейчас или понадобится в будущем.
Проблемы, которые решает адаптивное обучение
Если очень коротко, то адаптивное обучение — это когда у нас не один курс для всех учеников, а система подбирает уроки индивидуально под каждого с учетом его знаний.
Когда вы можете с ним столкнуться? Когда оно может пригодиться вам на практике? Зачем его вообще придумали и применяют?
У нас всегда есть две целевые аудитории: обучающийся (сотрудник компании, студент ВУЗа или ученик школы) и заказчик обучения (сама школа, ВУЗ или компания). Да, они по сути своей разные, но проблемы в обучении у них очень близки.
Проблемы учащихся:
- Не знают саму область знаний — как разные кусочки общего знания связаны друг с другом, что важно, а что нет;
- Не знают себя в рамках области знаний — свой актуальный уровень знаний и что им изучать дальше;
- Опережают обучение — что-то уже знают из того курса, который проходят, а поскольку им нужно обязательно сдать тест, они тратят время зря;
- Не успевают за прогрессом обучения — программа обучения тянет дальше, а они еще не поняли или не уверены, что поняли.
Проблемы заказчиков обучения часто входят в этот список:
- Надо обучать много людей одновременно;
- Программы длинные и их нужно как-то сокращать по времени, не теряя качество;
- У пользователей разный объем знаний и если давать им то, что они уже знают, то это пустая трата времени;
- У людей разные когнитивные способности — даже если они все начнут учиться одновременно, вскоре один уйдет вперед, а другой останется на предыдущем задании;
- Преподавателям нужно помогать менеджерить выпадающие ситуации из общей программы — кому нужно объяснить иначе, кому нужно дать больше материала.
Если эти проблемы вам знакомы, возможно, вы будете рады услышать, что адаптивное обучение помогает их решить. От адаптивного обучения пользователь получает четкую структуру обучения, понятный путь до экспертизы и экономию времени. Сейчас этот подход используют, например, чтобы в частном порядке учить детей математике, студентов — биологии, а банковских сотрудников — новым продуктам или навыкам.
Сценарий примерно один и тот же: приходят люди, у которых уже есть какие-то знания по теме и проходят тестирование, которое определяет их текущие знания и пробелы в них. Система строит их путь обучения исходя из их знаний, а дальше в процессе обучения регулярно его корректирует на основании их текущих неудач и успехов.
Что не является адаптивным обучением
Адаптивное обучение — это новая и не до конца определенная область знаний, даже терминология еще не устоялась. Эта непроторенная тропа оказалась нелегкой для процесса нашего исследования. Мы столкнулись с:
- Адаптивным обучением
- Индивидуализированным обучением
- Персонализированным обучением
- Индивидуальным подходом
- Индивидуализацией
- Дифференцированным обучением
Угадайте, что из этого на самом деле одно и то же, и просто разные люди называют это по-разному?
Адаптивное обучение (индивидуализированное обучение, индивидуальный подход) — это только про автоматизированные обучающие системы (ITS — Intelligent Tutoring System) и знания обучаемых. Программа обучения подстраивается под уровень знаний обучаемого, сам он ничего не выбирает.
Если мы даем пользователю выбор, как-то стимулируем его целеполагание, открываем относительно свободное прохождение обучения, учитывая его предпочтения, скорость прохождения и т.д. — это уже персонализированное обучение (индивидуализация). А если появляется работа с группами людей, это дифференцированное обучение.
У адаптивного обучения есть несколько ключевых понятий:
Модель предметной области (domain model) — полная схема той области знаний, которой мы учим пользователей. То есть все отдельные понятия, например, из алгебры и связи между ними.
Модель учащегося (student model) — это те знания, которые у пользователя есть на начальном этапе обучения, и все их изменения. В начале пользователь проходит тест, показывает, что уже знает, и получает неизвестные для себя темы.
Разберем на примере небольшой части алгебры. На рисунках, представленных ниже изображены всего несколько десятков точек, каждая из которых — это отдельный тип задачи (например, на умножение, на квадратные корни, на операции с переменными и т.д.). Черные точки — все типы задач. Зеленые — то, что знает обучаемый (мы это как раз узнали во входном тестировании). Красные — где он ошибся.
Модель адаптации (tutor model) — это те правила, по которым пользователь учится, переходит с уровня на уровень. Какой фидбек дать после правильного ответа или ошибки? Какой элемент предметной области дать следующим? Всем этим занимается модель адаптации.
Пользовательский интерфейс — это не просто цвета и кнопочки, а еще и подход к построению диалога между пользователем и системой. Что система показывает пользователю — выдержку из теории, пример, немного другие тестовые задания, если он ошибся, или новый практический кейс, чтобы заинтересовывать его применимостью знаний?
В каких случаях адаптивное обучение подойдет, а в каких — нет
Адаптивное обучение поможет, если:
- Пользователь — новичок или средний специалист в предметной области, не эксперт;
- Ему надо побыстрее узнать что-то конкретное;
- Человек часто не может управлять своими устремлениями, целями, дедлайнами, графиком и траекторией обучения (у него низкий уровень саморегуляции);
- Предметная область стабильная и медленно меняется — например, это школьный или университетский курс биологии. Для адаптивки вы пилите область на много-много маленьких кусочков, и если эти кусочки у вас будут часто меняться, то вы устанете их обновлять;
- У заказчика много пользователей, которых мы будем обучать в рамках одного курса — сотни или тысячи (иногда сотни тысяч);
- У вас как у создателя обучения много ресурсов, т.к. адаптивное обучение — не бюджетное занятие по времени и деньгам. Даже если маленькие кусочки и стабильны, нарезать их и выстроить между ними связи — очень объемная и тяжелая работа.
Адаптивное обучение не поможет и может даже навредить, если:
- Пользователь хочет сам всему научиться — исследовать, целеполагать, совершать ошибки. Целеполагать внутри адаптивного обучения (в том смысле, в котором мы его рассматриваем) пользователь не может. Может только до — когда решает, записываться ему на курс или нет. Но внутри он этого сделать не может — прошел тест, получил программу, иди по ней теперь;
- Уровень саморегуляции пользователя относительно высокий (в общем смысле);
- Предметная область непонятна до конца даже эксперту или часто меняется — например, конкретный банковский продукт, в котором указаны курсы валют (которые постоянно колеблются), или какие-то другие величины, меняющиеся раз в два месяца (сумма первоначального взноса по кредиту, процентная ставка и т.д.);
- У вас недостаточно финансовых и временных ресурсов.
Основная теория — как устроено адаптивное обучение
Мы уже разобрали базовые понятия адаптивного обучения — модели предметной области, учащегося, адаптации. Рассмотрим, как это все создавать и использовать.
Сначала, как обычно, заказчик/создатель обучения определяется с целями обучения. До какого уровня надо довести пользователей? Чтобы знали наизусть или могли припомнить? Для удобства можно пользоваться таксономиями SOLO или Блума.
Затем эксперты в конкретной области знания (та же алгебра, биология, банковский продукт) собираются вместе и делят эту область на множество элементов, а затем определяют между этими элементами связи. Некоторые элементы нужно изучить ДО того, как откроются следующие, например, вы должны сначала узнать про ядро и хромосомы, и только потом про ДНК.
Затем определяем объем изучения, иначе говоря, сколько элементов пользователь изучит за один присест/урок? Далее создаем контентные единицы для каждого элемента: 1) обучающий текст — покажем всем, кто впервые открывает для себя этот элемент; 2) пример — покажем всем, чтобы они лучше усвоили теорию обучающего текста; 3) тест/упражнение — проверка знаний по данному элементу; 4) более простой обучающий текст — пригодится тем, кто не прошел тест по элементу и нуждается в дополнительном разъяснении.
Наконец, создаем правила перехода — куда пользователь будет двигаться, если он хорошо/плохо усвоил материал и какую контентную единицу система ему покажет.
Вкратце это все. Помните, что для большой предметной области эти этапы могут занимать до нескольких лет. Поэтому если у вас мало людей и времени (например, как у нашей исследовательской группы), то для рабочего прототипа вам имеет смысл взять маленький кусочек предметной области (1-2 урока), а не всю ее целиком. Тогда вы сможете и сделать все по правилам, и не надорветесь. Именно так планирует поступить наша исследовательская группа.
Механики адаптивного обучения
Для всех автоматизированных обучающих систем характерны сочетания модели предметной области, обучаемого, адаптации и интерфейса. Каждая такая система каким-то образом определяет текущий уровень знаний обучаемого и дальше предлагает ему кусочки предметной области, до которых он уже дорос (привет, зона ближайшего развития). Однако есть и некоторые механики, которые встречаются не всегда. Рассмотрим их ниже.
Адаптивное тестирование. Да, это не всегда считается частью самого адаптивного обучения, но этот этап необходим, чтобы все работало как надо. У системы есть определенные предположения, на каком уровне находится пользователь (например, шестиклассник должен знать по алгебре «примерно вот это»). Система дает пользователю вопросы и в зависимости от его ответов подбирает другие вопросы, чтобы как можно точнее определить модель обучающегося. За 25-30 вопросов можно узнать это достаточно точно.
Scaffolding («подмостки») — поддержка пользователя по ходу обучения. Есть несколько типов задания: сложное (целевое), попроще, наипростейшее. Пользователю дают либо сначала первое, и если не справился, то постепенно понижают сложность, пока не справится, а потом повышают обратно, пока не пройдет целевое. Или дают сначала самое простое, а потом постепенно «убирают подмостки», пока он не справится с самым сложным.
Повторение по кривой забывания. Система запоминает, когда пользователь столкнулся с той или иной темой и как ее решил. Если хорошо решил — знает нормально, повторим попозже. Если плохо решил — слабо знает или вообще не знает, повторим пораньше. На основании этого система строит график, когда пользователю дадут для повторения ту или иную тему, слово, термин и т.д..
Конструктор правил. Эксперт/создатель программы обучения вручную настраивает реакции системы на действия пользователя. Например, «если пользователь ответил неправильно, покажи ему вот такой фидбек», «если пользователь провел на этой странице больше 30 секунд, выдай вот это сообщение» и т.д..
Кейсы применения
Пример системы для обучения школьников английскому языку. Подразумевается, что в этой системе школьники учатся читать, узнают грамматику, прокачивают качество понимания текстов и между делом пополняют вокабуляр.
Чем пользуется этот продукт:
1. Большая интерактивность обучения. Всё обучение онлайн состоит из интерактивных задач, которые регулярно выполняют ученики: подставить слово в предложение, рассортировать слова по группам, выбрать правильную грамматическую конструкцию и т.д..
2. Стабильная структура программы. То есть эксперты из Lexia построили путь, который нужно пройти учащимся к концу месяца/года, начальной школы. Все учащиеся проходят по этому пути.
В начале ученику выдается первое интерактивное задание (standard). Если тот с ним справляется, то проходит дальше. Ошибается в задании первый раз — ему дают подсказку (guided practice), убирают часть неправильных ответов. После второй ошибки ему дают почитать правила (instruction) и предлагают пройти задание еще раз. В мировом понимании это типичная система скаффолдинга (scaffolding), или «поиска ближайших зон развития», если обращаться к оригиналу этой концепции Л.С.Выготского.
В итоге получаются подобные пути прохождения для разных учеников:
Именно настройка таких путей и называется «адаптивностью» в Lexia.
3. Сбор информации среди учеников и статистический анализ. Lexia собирает информацию об ошибках и времени выполнения каждого задания. На основе этих данных она определяет текущий «уровень» учащегося, то есть его точку нахождения в программе. Исходя из того, что ученику еще нужно изучить до конца года, она просчитывает необходимую «интенсивность» обучения. А уже основываясь на всех этих данных, система выявляет учеников, которые рискуют столкнуться с проблемами к концу года.
4. Подсказки преподавателям. О тех, кто испытывает большие проблемы сейчас и/или имеет шансы не успеть к концу года, система оповещает преподавателей. Плюс, система группирует людей, находящихся на одном «уровне» и предлагает учителю материалы для их обучения офлайн.
Что мы имеем на выходе:
Интерактивность заданий дает возможность проводить «оценку без тестов». Ученики и так постоянно выполняют задания, так что нет смысла их проверят иным образом. Что это дает: сокращение времени и повышение вовлеченности.
Из негативных последствий: мы не можем настроить адаптивность в плане тем, ведь за рамками заданий, которые ученик уже выполнил, мы о нем ничего не знаем. Этот минус, скорее всего, смягчается областью обучения и целевой аудиторией. Так как мы обучаем младших школьников чтению, мы предполагаем, что они пришли с уровнем знаний, близким к нулю и им все равно нужно пройти весь курс.
Максим Скрябин назвал эту модель «на основе экспертных правил перехода». Будем и дальше использовать это название.
Еще один вариант обучения учеников школ и университетов. ALEKS учат химии и математике на всех уровнях образования: от школы до бизнес-обучения.
Они тоже строят закрытые системы, в которых рассматривают целые предметные области. В терминологии математики, которую они используют, эти области называются Knowledge Spaces (пространства знаний). Одно такое пространство — это какое-то количество связанных друг с другом задач, которые человек может выполнить. Связи задач показывают последовательность возможности их решения. Например, список задач:
а) Машина едет по шоссе со средней скоростью 52 км/ч. Сколько километров проедет машина за 5 часов 30 минут?
b) Используя карандаш, на координатной сетке отметьте точку с координатами (1,3).
с) Выполните умножение: 4x4y4*2x*5y2. Упростите ответ.
d) Найдите наибольший общий делитель выражений 14t6y и 4tu5y8. Упростите ответ.
e) Начертите линию с угловым коэффициентом -7, проходящую через координаты (-3, -2).
f) Напишите уравнение для линии, проходящей через координаты (-5,3) и перпендикулярной линии 8x+5y=11.
Мы предполагаем, для чтобы справиться с задачей С, учащемуся сначала нужно обязательно научиться решать задачу А. Всё потому что задача С требует умения умножать, а в задаче А учащийся освоит именно умножение.
А если взглянуть с конца, то можно сказать, что если учащийся может выполнить задачу F, то он выполнит и все предыдущие задачи. Мы можем таким образом, потому что для выполнения задачи F учащемуся нужно произвести все те операции, которые он по-отдельности выполнял в предшествующих заданиях.
Такие отношения между задачами называются precedence relation, отношениями старшинства (пререквизитами).
На картинке precedence diagram — диаграмма старшинства, на которой наглядно отображаются отношения между разными задачами.
Задачи, которые мы привели в пример представляют собой типы задач. И мы предполагаем, что если учащийся решил одну, то от решит и все задачи такого типа.
Если мы соберем и отобразим все типы задач из арифметики, алгебры, тригонометрии и еще части дисциплин, мы получим диаграмму старшинства с 397 типами задач, как на изображении выше.
Дальше — больше:
Допустим, мы опросили десятки экспертов в области (учителей по математике) и таки построили диаграмму для выбранного пространства знания. Что теперь?
Нам нужно понять, какие в нем могут быть knowledge states — состояния знания. На примере первой микро-диаграммы мы видим, что человек способен уметь решать только задачу А и не уметь больше ничего. То есть состояние знания этого ученика — {a}. Но если он смог решить задачу E, то задачи A, B и C он бы тоже должен уметь решать. Состояние такого учащегося так и будет отображаться — {abce}.
Так мы получаем, что в примере крошечной диаграммы учащийся может находиться ровно в 10 состояниях знания: K = {∅, a, b, ab, ac, abc, abcd, abce, abcde, abcdef}, где ∅ – ничего не знает.
Окей, но ведь обучение — это про развитие и движение?! А значит нам интересно, как человек перейдет из наивного состояния ∅ в состояние «матерого решалы» — abcdef. Каким будет его learning path (учебный путь)? Например, сначала он может изучить A, потом постепенно пройти через C-B-D-E-F. Но есть и другие пути. К нашем конкретном случае их 6:
В реалистичной диаграмме, в которой содержатся 397 типов задач, мы получим сотни тысяч состояний знания и миллиарды возможных учебных путей.
Зачем нам вообще разбирать нашу модель пространства знания на учебные пути? — Чтобы понять состояние знания конкретного учащегося во всем пространстве знания.
Мы не можем сделать этого, покуда не разберем всю ту страшную диаграмму на миллиарды учебных путей, которые по сути представляют из себя Марковские цепи. То есть, чтобы наша математика работала, нам нужно построить миллиарды цепочек, в которых вероятность наступления каждого события зависит от состояния, достигнутого в предыдущем событии(!). Что важно — в одном событии.
Нам нужно понять, где находится наш учащийся. Для этого нам нужно задать не смертельное количество задачек, которые будут адаптироваться под ответы учащегося, как в GMAT.
Мы выбираем какую-нибудь задачу P, которая может быть самой репрезентативной. И сначала вероятность того, что учащийся решит её — 50% (либо решит, либо не решит). А это значит, что вероятность нахождения учащегося в любом из состояний знания, в которых есть P — тоже 50%. Высокая энтропия и ничего непонятно.
Учащийся решает или не решает задачу. И тогда вероятность того, что он находится в любом из состояний знания, где есть P, изменяется в соответствии с правилом обновления. Если решил, то вероятность нахождения в состоянии знания, где есть P — повышается, а где нет P — понижается.
Так заканчивается первый цикл проверки и мы даем учащемуся следующую задачу. И так мы продолжаем мучить ученика пока:
1) Энтропия (неопределенность) становится критически мала;
2) У нас не остается полезных вопросов.
Иногда мы изначально можем сказать, что учащийся априори должен обладать определенными знаниями. Например, ученик шестого класса по нашим предположениям должен находиться в одном из состояний знания. Наше предположение на картинке ниже — оранжевая полоска на первом овале, то есть до первой проверки.
Пока учащийся решает 24 задачи, мы определяем, в каком из состояний знания он скорее всего находится и в каком скорее всего не находится. Так в конце мы понижаем степень неопределенности и можем сказать, что с высокой вероятностью ученик знает ______ и не знает ______.
И как вообще это всё связано с обучением?
Дело в том, что вся система последовательности обучения в ALEKS выстроена использованием этой математики. Когда учащийся впервые попадает в систему, он проходит тестирование — определяет своё состояние знания. Для конкретно этого состояния знания ALEKS подбирает ближайшую возможную задачу, которую может научиться решать ученик, и дает ему её изучить. А затем проверяет, усвоил ли он её.
But wait, there’s more! Ученик может уже в процессе своего обучения не справиться с каким-то тестом и начал страдать, продираясь через новые задачи. Например, он набрел на то, что он до определенной степени отстал от программы, или просто забыл что-то, что хорошо знал ранее. Тогда система может по проваленным задачам определить, какого именно умения не хватает ученику, и дать ему нужный урок на повторение.
Если же ученику просто не подходит метод объяснения, который использовали методисты в учебных материалах, система сообщает об этом учителю. Тот же учитель разбирается и с теми, кому мало того, что заложено в систему.
Насколько нам удалось узнать, принцип действия Knewton примерно такой же как и ALEKS: ориентированные графы, Марковские цепи и т.д.. Но ребята из Knewton еще очень хвалятся тем, что тоже используют проверки без непосредственного тестирования и учитывают кривую забывания Г.Эббингауза. В общем, вобрали в себя всё и сразу, но рассказывают об этом менее охотно, чем ALEKS.
Рекомендательная система.
Система цифровых «карточек», аналога бумажных карточек для заучивания иностранных слов и т.д.. Для нашего исследования важно, что Anki использует подход интервальных повторений (spaced repetition), способ справляться с кривой забывания. То есть система заставляет пользователя повторять те карточки, которые он запомнил хуже остальных. Как это делается?
На основе алгоритма SuperMemo, когда пользователь отвечает на вопрос карточки, он также оценивает, насколько ему тяжело было ответить, например:
а) вообще не смог ответить
b) допустил ошибку
c) ответил верно, но с трудом вспомнил ответ
d) легко вспомнил верный ответ и т.д.
В зависимости от оценки пользователя карточка попадает в одну из «колод». Система возьмет «колоду» к карточками, которые запомнились хуже всего и предложит пользователю для повторения в первую очередь. И будет предлагать чаще других «колод». Так и работает рекомендательная система Anki.
Есть еще LMS Cerego, но в ней не предоставляется никакой контент. Адаптивность в их понимании основывается на кривой забывания Г.Эббингауза, эффектах первичности (Primacy effect) и края (Recency effect). Вы закладываете в систему контент, который хотите чтобы запомнили слушатели. А система подсказывает, когда им нужно этот контент повторять, чтобы он был успешно усвоен. У Cerego для этого есть запатентованный автоматизированный алгоритм, что отличает их от подхода Anki.
Естественно, Cerego использует сбор информации о том, что уже прошли учащиеся. На основе этого она выстраивает графики, на которых можно смотреть, где учащийся находится относительно итоговой цели курса. Cerego еще позволяет настраивать то, насколько плотно должны учащиеся запомнить контент, но это уже выходит за рамки нашего интереса.
У Максима Скрябина это «Когнитивный подход». Cerego подчеркивает свою основу системы за когнитивной психологией. Так что оставим этот термин.
Само по себе это ручное адаптивное обучение (designed adaptivity), в котором преподаватель может настроить перечень условий: верно/неверно отвечает пользователь, сколько времени он проводит на странице и что ему показать в зависимости от этого, долистал лонгрид до конца или нет и т.д..
Что дальше?
Мы решили остановиться на ручном подобии knowledge space theory (как в примерах ALEKS и Knewton) без математической психологии, в которой никто из нас не силен, однако с моделями предметной области и обучаемого.
Авторы статьи являются методистами-исследователями группы Adaptive Learning Lifelong Learning Lab: Николай Бородин, Александра Пивоварова, Алена Рымшина.
Источник: zen.yandex.ru