Knewton: адаптивное обучение в действии
Современный мир устроен так, что количество информации увеличивается в нём с каждой минутой. Особенно чувствительны к этим изменениям оказываются те, кому ежедневно приходится осваивать гигабайты данных – студенты и ученики. Но всего постичь невозможно, особенно если ты не подготовлен к восприятию каких-то блоков этой информации. Адаптивное обучение – та модель, основной идеей которой является «подстройка» под способности, знания, умения и даже настроение каждого ученика. Это тот элемент, который когда-то утратила система образования, потеряв вместе с тем связь с учениками.
Принцип природосообразности обучения, который был провозглашён в XVII-м веке Яном Амосом Коменским и говорил о необходимости соответствия новых знаний способностям ученика и уровню его развития, почти утратил всякую силу сегодня. И дело не в том, что сам принцип потерял свою актуальность. Проблема, скорее, связана с тем, что его стало сложнее реализовывать. Знания о человеке и его природе ушли настолько далеко от сведений, известных три столетия назад, что судить сейчас о доступности материала конкретному ученику по таким общим показателям как возраст и изученные понятия как минимум смешно. Теперь нет нужды доказывать, что развитие каждого ребёнка проходит по индивидуальным маршрутам, а «изученные понятия» далеко не равны «усвоенным понятиям». Несмотря на это, в обычной учебной практике такие показатели как эмоциональное состояние ученика в момент решения задачи, его темперамент и темп работы просто игнорируются. И сколько бы мы ни говорили о гуманизации образования и индивидуальном подходе, на практике такой подход почти не удаётся осуществить.
Но на помощь методике пришла кибернетика, когда в 50—60-х годах XX столетия начали активно развиваться алгоритмы программированного обучения, основной задачей которых стало построение «умных» способов подачи информации. Создаваемые программы, по замыслу исследователей, должны были обеспечить адекватный контроль актуальных знаний студентов, а также повысить эффективность поэтапного усвоения учебного материала. В рамках этого направления появилось адаптивное тестирование, которое занималось обработкой огромного объёма информации на всех уровнях обучающей программы, а затем и адаптивное обучение, многие положения которого изложены в трудах Гордона Паска.
Основная идея его теории ясна и понятна: качественная программа обучения должна быть предельно индивидуализирована - опираться на базовые знания каждого конкретного ученика, учитывать периоды активности и усталости ребёнка, изменение отношения обучающихся к предмету и т.д. Несмотря на очевидную значимость работ Паска и особую их актуальность в век компьютерных технологий и дистанционного обучения, его исследования долгое время не имели широкой популярности и не находили масштабного воплощения в рамках новых образовательных технологий.
Источник: .
Очевидно, это во многом было связано с трудоёмкостью создания таких программ для каждого отдельного курса и большими затратами на подобную разработку. Далеко не каждое электронное издательство готово на такой шаг. Кроме того, на создание работающих алгоритмов могут уйти годы – а это непозволительная роскошь для современного мира.
Однако сегодня потребность в алгоритмах, учитывающих индивидуальные особенности обучаемых, стала как никогда очевидна. Почему именно сейчас? Причин масса: во-первых, наполняемость групп, при которой преподаватель физически не может обеспечить принцип индивидуального подхода; во-вторых, сыграл свою роль постоянно возрастающий объём знаний, с которым традиционная методика просто не справляется; минимализация времени обучения только обострила проблему, а популяризация тестов и необходимость автоматизации труда преподавателя (контроль студентов, статистическая обработка результатов и т.д.) сделали её критической.
На волне именно таких тенденций в сфере образования появился сервис , который, кроме идеи внедрения адаптивного обучения в современные программы, курсы и приложения, смог предложить нечто большее – готовые алгоритмы. В одной из своих Хосе Ферейра, основатель Knewton, отметил:
«В апреле 2013 года я написал пост, в котором предсказывал, что в течение нескольких ближайших лет все учебные материалы станут цифровыми и адаптивными. Knewton сыграл не последнюю роль в этой революции. Мы хотим создать мир, в котором каждое обучающее приложение априори является адаптивным. Но это не так-то просто. На рынке сегодня много приложений, у которых есть богатый образовательный опыт, красивые интерфейсы, интересное содержание и продуманная методика. Но существенным недостатком многих из этих приложений является неумение адаптироваться под знания ученика».
Во многом он прав. Сложно назвать адаптивным приложение, в котором программа обучения составляется на основе 8-ми из 10-ти выполненных учеником заданий с учётом времени их выполнения. Настоящей адаптивной программе нужны всесторонние и постоянно изменяющиеся данные о прогрессе каждого студента. Без такой скрупулёзной информации уровень погрешности предлагаемого программой материала будет увеличиваться в геометрической прогрессии, уходя всё дальше от реальных знаний и умений ученика. То же адаптированное тестирование, стоящее у истоков всей концепции, состояло из двух фаз: 1) формирования «образа» тестируемого на основе накопленных данных»; 2) выявления закономерностей, присущих поведению конкретного респондента, и создания индивидуальной карты заданий. Несомненно, современные обучающие программы, претендующие на адаптивность, должны обладать ещё большим потенциалом.
Учитывая всё это, платформа Knewton взяла на себя задачу, с которой может справиться далеко не каждый разработчик. В результате многолетней работы и различных экспериментов команде Knewton удалось создать универсальные алгоритмы и разработать обширную инфраструктуру сбора, анализа и использования информации о прогрессе студентов, включающую:
1. Систему сбора данных, которая одновременно собирает детальную информацию о знаниях студента, о степени усвоения тех или иных понятий.
2. Систему выводов, которая на основе собираемых данных об особенностях студента и его реакциях на изменение обучения, обобщает информацию и делает соответствующую настройку параметров контента.
3. Систему персонализации, которая на основе данных всей системы оценивает возможности ученика, с учётом этого корректирует цели и формирует оптимальную стратегию обучения каждого студента. При этом система персонализации делает аналитические прогнозы относительно успехов студентов (скорость работы, вероятность достижения цели и т.д.) и ведёт личную статистику студента на всех уровнях обучения.
Таким образом, технология Knewton объединяет сведения различных наук, статистику, данные психометрии и машинного обучения, а также унифицированные истории участников для того, чтобы сделать возможной персонализацию обучения в массовом масштабе. Адаптируясь к знаниям и умениям ученика, программа ежеминутно вычисляет слабые места и заполняет пробелы.
В процессе работы алгоритмы Knewton анализируют все учебные материалы по сотням параметров и на основе выделения ключевых идей, теорий и понятий предлагают оптимальную структуру, формат информации и уровень сложности. Одновременно с этим сервер анализирует знания студента, ритм его работы, способность к обработке информации и другие особенности ученика. На основе этих данных система решает, что предложить ученику дальше: интерактивное упражнение, тест, игру, обучающее видео или что-то ещё.
Джорж Дэвис, специалист по работе с данными Knewton , замечает: «Конечно, рекомендаций от компьютера ждут меньше всего. Но это и особенно интересно: знать, что программа наблюдает за тобой и думает, как можно тебе помочь в учёбе».
Knewton не создаёт собственных курсов. Проект обеспечивает инфраструктурную платформу, которая предлагает разработчикам программ алгоритмы адаптирования учебного материала и помогает им создавать уникальные персонализированные гибкие курсы обучения.
Как это работает? Другие приложения подключаются к платформе Knewton с помощью API, постоянно посылая анонимные данные обучения в Knewton и получая в ответ аналитику, которая позволяет ответить на вопросы:
- что именно студенты знают;
- почему в том или ином месте программы студент допустил ошибку (недостаточные знания, забывчивость, отвлекаемость, плохо сформулированный вопрос или что-то иное);
- на каких темах и предметах студенту лучше всего сфокусироваться в тот или иной момент;
- какова вероятность того, что студент решит успешно все задания на следующей неделе и что можно сделать именно сейчас для его будущего успеха и т.д.
Огромный плюс платформы состоит в том, что она может адаптировать самый разный контент в любой предметной области для каждого конкретного студента. Неудивительно, что алгоритмами Knewton пользуются такие крупные учебные заведения как университеты Аризоны, Алабамы, Невады в Лас-Вегасе. Причём в этих вузах количество успешно закончивших курсы после адаптации Knewton увеличилось в среднем на 17 процентов. А в университете Аризоны количество отчисленных студентов уменьшилось вдвое, тех же, кто закончил курс обучения раньше, оказалось 45 %.
Однако сотрудничеством с университетами поле деятельности Knewton не ограничивается. Так, сервис запустил вместе с крупнейшей обучающей компанией проект , в рамках которого студенты обучаются по программам Pearson, «переформатированным» с помощью алгоритмов Knewton. Среди других партнёров проекта - многонациональный софтверный гигант Microsoft, Cambridge University Press, планирующий развивать новое поколение цифровых продуктов, ведущий издатель в Норвегии Gyldendal, крупная европейская компания Sanoma Learning, разрабатывающая программы обучения студентов в Нидерландах, Бельгии, Финляндии, Польши и Швеции, голландское издательство Malmberg и многие другие.
Вскоре Knewton планирует выпустить бесплатный сервис, который позволит родителям, детям, и учителям всего мира создавать свои собственные адаптивные мини-курсы. Ведь, в конце концов, одной из задач сервиса было облегчить задачу современным учителям, которые давно поняли важность дифференцированного обучения, но не имели для реализации такой модели необходимых инструментов. С появлением алгоритмов Knewton целый класс студентов может работать над нужным материалом в индивидуальном темпе и последовательности. Учителя, которые используют аналитику, предоставляемую Knewton, могут избавиться от лишней статистической работы и заняться тем, что они делают лучше всего – воспитывать и вдохновлять своих учеников.
По словам идейного вдохновителя проекта Хосе Ферейра, заблуждаются те, кто думает, что мы входим в эру «борьбы больших данных против учителей». «Нет, - он в своём блоге. – Мы стоим на пороге эры «борьбы старых больших данных против новых больших данных», в которой нет места стандартизованным тестам и их плоской оценке. И первыми, кто выиграет от этого сражения, будут преподаватели и студенты».
Что ж, сложно что-то противопоставить этой идее – тем более, что система тестирования в российского образования показывает исключительно Возможно, наша густонаселённая страна как раз из числа тех, кто в наибольшей степени сегодня нуждается в универсальных и надёжных алгоритмах обработки данных. И не в момент, когда студенты выполняют итоговые экзаменационные задания, а когда они изучают тот или иной курс, сталкиваясь на каждом шагу с различными трудностями.
По материалам.