Adaptives Lernen - Adaptive learning
Adaptives Lernen , auch bekannt als adaptives Lehren , ist eine Bildungsmethode, die Computeralgorithmen sowie künstliche Intelligenz verwendet, um die Interaktion mit dem Lernenden zu orchestrieren und maßgeschneiderte Ressourcen und Lernaktivitäten bereitzustellen, um die einzigartigen Bedürfnisse jedes Lernenden zu erfüllen. In beruflichen Lernkontexten können Einzelpersonen einige Schulungen „ausprobieren“, um sicherzustellen, dass sie sich mit neuartigen Anweisungen beschäftigen. Computer passen die Präsentation von Lehrmaterial an die Lernbedürfnisse der Schüler an, die sich in ihren Antworten auf Fragen, Aufgaben und Erfahrungen zeigen. Die Technologie umfasst Aspekte, die aus verschiedenen Studienbereichen stammen, darunter Informatik, KI, Psychometrie , Pädagogik, Psychologie und Hirnforschung.
Adaptives Lernen wurde teilweise durch die Erkenntnis vorangetrieben, dass maßgeschneidertes Lernen in großem Maßstab mit traditionellen, nicht adaptiven Ansätzen nicht erreicht werden kann. Adaptive Lernsysteme bemühen sich, den Lernenden vom passiven Empfänger von Informationen zu einem Mitwirkenden im Bildungsprozess zu machen. Die primäre Anwendung von adaptiven Lernsystemen liegt im Bildungsbereich, aber eine weitere beliebte Anwendung ist die betriebliche Ausbildung. Sie wurden als Desktop-Computeranwendungen und Webanwendungen konzipiert und werden nun in die Gesamtlehrpläne aufgenommen.
Geschichte
Adaptives Lernen oder intelligentes Tutoring hat seinen Ursprung in der Bewegung der künstlichen Intelligenz und gewann in den 1970er Jahren an Popularität. Damals war es allgemein anerkannt, dass Computer irgendwann die menschliche Fähigkeit zur Anpassungsfähigkeit erreichen würden. Beim adaptiven Lernen besteht die grundlegende Prämisse darin, dass sich das Werkzeug oder System an die Lernmethode des Schülers/Benutzers anpassen kann, was zu einer besseren und effektiveren Lernerfahrung für den Benutzer führt. In den 70er Jahren waren die Kosten und die Größe der Computer das Haupthindernis, was die weit verbreitete Anwendung unpraktisch machte. Eine weitere Hürde bei der Einführung früher intelligenter Systeme war, dass die Benutzeroberflächen dem Lernprozess nicht förderlich waren. Die Anfänge der Arbeit an adaptiven und intelligenten Lernsystemen gehen meist auf das SCHOLAR-System zurück, das adaptives Lernen für das Thema Geographie Südamerikas anbot. Innerhalb von fünf Jahren entstanden eine Reihe weiterer innovativer Systeme. Eine gute Darstellung der frühen Arbeiten zu adaptivem Lernen und intelligenten Tutorsystemen findet sich im Klassiker "Intelligent Tutoring Systems".
Technologie und Methodik
Adaptive Lernsysteme wurden traditionell in separate Komponenten oder „Modelle“ unterteilt. Obwohl verschiedene Modellgruppen vorgestellt wurden, enthalten die meisten Systeme einige oder alle der folgenden Modelle (gelegentlich mit unterschiedlichen Namen):
- Expertenmodell – Das Modell mit den zu vermittelnden Informationen
- Schülermodell – Das Modell, das den Schüler verfolgt und lernt
- Instruktionsmodell – Das Modell, das die Informationen tatsächlich vermittelt
- Unterrichtsumgebung – Die Benutzeroberfläche für die Interaktion mit dem System
Expertenmodell
Das Expertenmodell speichert Informationen über das gelehrte Material. Dies kann so einfach sein wie die Lösungen für den Fragensatz, aber auch Lektionen und Tutorials und in komplexeren Systemen sogar Expertenmethoden zur Veranschaulichung von Herangehensweisen an die Fragen umfassen.
Adaptive Lernsysteme, die kein Expertenmodell enthalten, werden diese Funktionen typischerweise in das Unterrichtsmodell integrieren.
Studentenmodell
Das einfachste Mittel zur Bestimmung des Kompetenzniveaus eines Schülers ist die Methode des CAT ( computerized adaptive testing ). In CAT werden dem Fach Fragen gestellt, die nach ihrem Schwierigkeitsgrad im Verhältnis zum vermuteten Kompetenzniveau des Fachs ausgewählt werden. Während der Test fortschreitet, passt der Computer die Punktzahl der Testperson basierend auf ihren Antworten an und verfeinert die Punktzahl kontinuierlich, indem er Fragen aus einem engeren Schwierigkeitsbereich auswählt.
Ein Algorithmus für eine Bewertung im CAT-Stil ist einfach zu implementieren. Ein großer Pool von Fragen wird gesammelt und nach Schwierigkeitsgrad bewertet, durch Expertenanalyse, Experimentieren oder eine Kombination aus beidem. Der Computer führt dann eine im Wesentlichen binäre Suche durch, wobei der Versuchsperson immer eine Frage gestellt wird, die auf halbem Weg zwischen dem liegt, was der Computer bereits als das maximal und minimal mögliche Fähigkeitsniveau der Versuchsperson bestimmt hat. Diese Stufen werden dann an den Schwierigkeitsgrad der Frage angepasst, wobei das Minimum bei richtiger Antwort und das Maximum bei falscher Antwort neu zugewiesen wird. Offensichtlich muss ein gewisser Fehlerspielraum eingebaut werden, um Szenarien zu ermöglichen, in denen die Antwort der Versuchsperson nicht auf ihr wahres Qualifikationsniveau hinweist, sondern einfach zufällig ist. Das Stellen mehrerer Fragen aus einem Schwierigkeitsgrad verringert die Wahrscheinlichkeit einer irreführenden Antwort erheblich, und wenn der Bereich über das angenommene Fähigkeitsniveau hinaus erweitert wird, können mögliche Fehlbewertungen ausgeglichen werden.
Eine weitere Erweiterung der konzeptionellen Schwachstellenerkennung ist die Programmierung des Schülermodells zur Analyse falscher Antworten. Dies gilt insbesondere für Multiple-Choice-Fragen. Betrachten Sie das folgende Beispiel:
- F. Vereinfachen Sie:
- a) Kann nicht vereinfacht werden
- B)
- C) ...
- D) ...
Ein Schüler, der (b) antwortet, addiert eindeutig die Exponenten und versteht das Konzept ähnlicher Begriffe nicht. In diesem Fall liefert die falsche Antwort zusätzliche Erkenntnisse über die einfache Tatsache hinaus, dass sie falsch ist.
Lehrmodell
Das Unterrichtsmodell zielt im Allgemeinen darauf ab, die besten pädagogischen Werkzeuge, die die Technologie zu bieten hat (wie Multimedia-Präsentationen), mit fachkundigen Lehrerratschlägen für Präsentationsmethoden zu integrieren. Der Grad der Ausgereiftheit des Unterrichtsmodells hängt stark vom Grad der Ausgereiftheit des Schülermodells ab. In einem CAT-Studentenmodell stuft das Unterrichtsmodell die Lektionen einfach entsprechend den Rängen für den Fragenpool ein. Wenn das Niveau des Schülers zufriedenstellend bestimmt wurde, bietet das Unterrichtsmodell die geeignete Lektion. Die fortgeschritteneren Schülermodelle, die anhand von Konzepten bewerten, benötigen ein Unterrichtsmodell, das auch den Unterricht nach Konzepten organisiert. Das Unterrichtsmodell kann so gestaltet werden, dass es die Sammlung von Schwächen analysiert und einen entsprechenden Unterrichtsplan erstellt.
Wenn die falschen Antworten vom Schülermodell bewertet werden, versuchen einige Systeme, Feedback zu den eigentlichen Fragen in Form von „Hinweisen“ zu geben. Wenn der Schüler Fehler macht, werden nützliche Vorschläge angezeigt, wie zum Beispiel „Schauen Sie sich das Zeichen der Zahl genau an“. Auch dies kann in den Bereich des Unterrichtsmodells fallen, wobei generische konzeptbasierte Hinweise auf der Grundlage von Konzeptschwächen angeboten werden, oder die Hinweise können fragenspezifisch sein, in diesem Fall überschneiden sich Schüler-, Unterrichts- und Expertenmodell.
Implementierungen
Lernmanagementsystem
Viele Lernmanagementsysteme haben verschiedene adaptive Lernfunktionen integriert. Ein Lernmanagementsystem (LMS) ist eine Softwareanwendung zur Verwaltung, Dokumentation, Verfolgung, Berichterstattung und Bereitstellung von Bildungskursen, Schulungsprogrammen oder Lern- und Entwicklungsprogrammen. Adaptive Lernsysteme wurden bisher beispielsweise eingesetzt, um Schülern zu helfen, ihre argumentative Schreibleistung zu entwickeln ( Argument Mining).
Fernunterricht
Adaptive Lernsysteme können im Internet für den Einsatz im Fernunterricht und in der Gruppenzusammenarbeit implementiert werden .
Der Bereich des Fernunterrichts umfasst nun Aspekte des adaptiven Lernens. Erste Systeme ohne adaptives Lernen waren in der Lage, Schülern, denen Fragen aus einer vorausgewählten Fragenbank vorgelegt wurden, automatisiertes Feedback zu geben. Diesem Ansatz fehlt jedoch die Anleitung, die die Lehrer im Klassenzimmer bieten können. Aktuelle Trends im Fernunterricht verlangen den Einsatz von adaptivem Lernen, um intelligentes dynamisches Verhalten in der Lernumgebung zu implementieren.
Während der Zeit, die ein Schüler damit verbringt, ein neues Konzept zu erlernen, werden seine Fähigkeiten getestet und Datenbanken verfolgen seinen Fortschritt mit einem der Modelle. Die neueste Generation von Fernlernsystemen berücksichtigt die Antworten der Studierenden und passt sich mit einem Konzept namens „kognitives Gerüst“ an die kognitiven Fähigkeiten der Studierenden an. Kognitives Scaffolding ist die Fähigkeit eines automatisierten Lernsystems, einen kognitiven Bewertungspfad vom niedrigsten zum höchsten basierend auf den nachgewiesenen kognitiven Fähigkeiten zu erstellen.
Eine aktuelle erfolgreiche Implementierung des adaptiven Lernens im webbasierten Fernunterricht ist die Maple-Engine von WebLearn der RMIT-Universität. WebLearn ist so fortgeschritten, dass es Schülern eine Bewertung von Fragen ermöglichen kann, auch wenn diese Fragen keine eindeutige Antwort wie im Bereich Mathematik haben. Eine weitere fortschrittliche Implementierung der adaptiven Plattform ist Palearne , das sich auf das Unterrichten von Programmiersprachen für Kinder spezialisiert hat. Palearne analysiert die emotionalen Zustände des Benutzers in seinem Algorithmus zusammen mit anderen Parametern und bietet dem Benutzer das genaueste Lernmaterial entsprechend seinem aktuellen Zustand und Niveau. Die Palearne-Plattform ist auch in der Lage, den Kontext der Benutzerfehler zu verstehen und ihm entsprechende Hilfestellungen anzubieten.
Adaptives Lernen kann integriert werden, um die Gruppenzusammenarbeit in Fernlernumgebungen wie Foren oder Diensten zur gemeinsamen Nutzung von Ressourcen zu erleichtern. Einige Beispiele dafür, wie adaptives Lernen bei der Zusammenarbeit helfen kann, sind die automatische Gruppierung von Benutzern mit gleichen Interessen und die Personalisierung von Links zu Informationsquellen basierend auf den angegebenen Interessen des Benutzers oder den Surfgewohnheiten des Benutzers.
Lernspieldesign
Im Jahr 2014 schloss ein Bildungsforscher eine mehrjährige Studie zum adaptiven Lernen für die Gestaltung von Lernspielen ab. Die Forschung entwickelte und validierte das ALGAE-Modell (Adaptive Learning GAme dEsign), ein umfassendes adaptives Lernmodell, das auf Theorien und Praktiken des Spieldesigns, Unterrichtsstrategien und adaptiven Modellen basiert. Die Forschung erweiterte die bisherige Forschung in den Bereichen Spieldesign, Unterrichtsstrategien und adaptives Lernen und kombinierte diese drei Komponenten zu einem einzigen komplexen Modell.
Die Studie führte zur Entwicklung eines adaptiven pädagogischen Spieldesignmodells, das als Leitfaden für Spieledesigner, Instruktionsdesigner und Pädagogen mit dem Ziel dient, die Lernergebnisse zu verbessern. Die Teilnehmer der Umfrage validierten den Wert des ALGAE-Modells und lieferten spezifische Einblicke in die Konstruktion, Verwendung, Vorteile und Herausforderungen des Modells. Das aktuelle ALGAE-Modell basiert auf diesen Erkenntnissen. Das Modell dient nun als Leitfaden für die Gestaltung und Entwicklung von pädagogischen Computerspielen.
Die Anwendbarkeit des Modells wird als branchenübergreifend bewertet, einschließlich Regierungs- und Militärbehörden/-einheiten, Spieleindustrie und Wissenschaft. Der tatsächliche Wert des Modells und der geeignete Implementierungsansatz (fokussiert oder unfokussiert) werden mit zunehmender Verbreitung des ALGAE-Modells vollständig realisiert.
Entwicklungswerkzeuge
Während in den Marketingmaterialien von Tools häufig adaptive Lernfunktionen erwähnt werden, kann sich der Umfang der Adaptivität dramatisch unterscheiden.
Einsteiger-Tools konzentrieren sich in der Regel darauf, den Weg des Lernenden anhand von einfachen Kriterien wie der Antwort des Lernenden auf eine Multiple-Choice-Frage zu bestimmen. Eine richtige Antwort kann den Lernenden zu Pfad A führen, während eine falsche Antwort ihn zu Pfad B führen kann. Obwohl diese Tools eine angemessene Methode für grundlegende Verzweigungen bieten, basieren sie oft auf einem zugrunde liegenden linearen Modell, bei dem der Lernende einfach zu umgeleitet wird ein Punkt irgendwo entlang einer vordefinierten Linie. Aus diesem Grund bleiben ihre Fähigkeiten hinter der echten Anpassungsfähigkeit zurück.
Am anderen Ende des Spektrums stehen fortschrittliche Werkzeuge, die die Erstellung sehr komplexer Anpassungen basierend auf beliebig vielen komplexen Bedingungen ermöglichen. Diese Bedingungen können sich auf das beziehen, was der Lernende gerade tut, frühere Entscheidungen, Verhaltensverfolgung, interaktive und externe Aktivitäten, um nur einige zu nennen. Diese High-End-Tools haben im Allgemeinen keine zugrunde liegende Navigation, da sie dazu neigen, KI-Methoden wie eine Inferenz-Engine zu verwenden . Aufgrund des grundlegenden Designunterschieds sind fortschrittliche Tools in der Lage, umfassende Bewertungsfunktionen bereitzustellen. Anstatt eine einfache Multiple-Choice-Frage zu beantworten, kann dem Lernenden eine komplexe Simulation präsentiert werden, bei der eine Reihe von Faktoren berücksichtigt werden, um zu bestimmen, wie der Lernende sich anpassen sollte.
Beliebte Werkzeuge
Siehe auch
- Adaptive Hypermedien
- Computergestütztes adaptives Testen
- Lernsoftware
- Intelligente Nachhilfesysteme
- Lernmanagementsystem
- Personalisiertes Lernen
- Intelligentes Lernen
- Validiertes Lernen
Verweise
Dieser Artikel enthält Material aus dem Citizendium- Artikel „ Adaptives Lernen “, der unter der Creative Commons Attribution-ShareAlike 3.0 Unported License, jedoch nicht unter der GFDL lizenziert ist .