适应性学习:是时候认真了

没有两个学习者是完全相同的。没有一个个体学习者是学习设计者想象的完美匹配者。因此,任何学习内容设计,无论多么完美,在某种程度上都是存在的错误的.

在学习者完成之前,错误的程度是未知的。但实际上,这在很大程度上取决于它的错误程度当学习者开始学习时。完成后,负面影响可能是:

  • 学习者仍有未解决的知识/技能缺口,
  • 完成所需的时间超过了必要的时间,并且
  • 这段经历并没有它本可以吸引人。

(是的,这就是“高效/高效/迷人”的三位一体。)

这些负面因素在2020年之前就已经够糟糕了。但现在,在COVID-19的阴影下?从2022年开始,我们会看到变化的速度吗?我们现在应该为未来不断提高技能和再技能做准备。我们的学习和发展内容必须比现在金宝搏体育APP官网注册入口的错误少。

那么,我们如何减少这个错误?

首先,我们必须确保我们的内容以合理的性能目标为目标。在那之后,另一个实用的方法似乎是自适应学习,也就是说,学习内容要在传授的过程中适应学习者。(自适应性能支持这可能是另一种很好的方法,但本文将不讨论。)

得到真正的

在现实世界中,如果学习者与人类导师互动,适应就会自然发生。导师提出问题和/或观察学员,评估学员的活动和回答,并根据需要进行调整。

自适应学习课件也必须这样做。它可能会也可能不会像一个好的人类导师那样适应,但与标准的电子学习相比,它是无限可变的(和复杂的)。

有许多方法可以观察这种可变性,并降低表面的复杂性。这里有一个有用的例子4适应性特征模型那会有帮助的。

  • 适应优先事项:适应的预期好处是什么?
  • 自适应模式:自适应将采取什么形式或模式?
  • 适应依据:哪些信息用于做出适应决策?
  • 改编目标:内容的哪些方面需要改编?

下表显示了模型,以及每个特征的一些基本选择。

4适应性特征模型

适应优先事项

(理由/好处)

适应模式

(结构/模式)

减少训练时间

最大限度地缩小知识/技能差距

提高接受度/动机

发展/提升高级熟练程度

最大限度地利用培训时间/精力

针对不同受众的课程子集/超级集

内容绕过

内容补救

起点选择

学习路径宏观/微观调整

适应基地

(主题/学习者特征)

适应目标

(教学要素)

主题内在困难/复杂性

主题域/级别

学习者知识/经验

学员能力/偏好

学习者成绩/成就水平

深度/广度/速度/顺序

演示模式(文本、图形、视频等)

问题/练习类型和难度

学习支持和反馈

学习者自主/选择的程度

您可以从每个框中选择一个或多个项目来定义适配类型。这里有一个例子(实际上,有两个例子)。

  • 适应优先级:减少训练时间
  • 适配模式:内容绕过
  • 适应基础:学员表现/成就水平或知识/经验
  • 适应目标:深度/宽度/速度/序列

如果应用到电子教学中,在实际操作中会是什么样子呢?

  1. 为学习者提供了一个预测试。如果他们通过了,他们就可以绕过大部分内容。如果没有,他们就照常上课。在我们的原型中,参加预测试的学习者减少了大约40%的课程时间。
  2. 学习者被告知,他们的培训历史允许他们绕过一些材料。如果他们接受了,他们可以跳过课程的几个不同部分。在我们的原型中,接受测试的学习者能够将他们的课程时间减少30-40%。(这取决于他们的培训历史细节。)

这些都是相当基本的适应水平,它们仍然带来了显著的好处。但这就引出了一个问题:在线学习中还有哪些其他级别的适应性?

另外,这两个例子与其他可能的形式相比有什么不同?检查下表,并尝试放置它们。(允许分数级别。)

电子学习适应水平

水平和名字

最低输入

最小输出/行动

笔记

0非自适应

不适用

不适用

对个别问题或练习的反馈可能会有所不同,但下一个屏幕、幻灯片或块的内容(SSC)对于所有学习者来说都是一样的(不包括改变风格或外观的个性化效果)。

1.简单的旁路

其中之一:考前分数、工作角色、学习者历史等。

选择绕过更大的:4个完整的ssc或50%的一个完整的模块

规定的最小值旨在筛选出琐碎或无关紧要的旁路。

2.分支/条件控制

一个刚刚完成的问题、练习等的单个输出。

下一个完整的SSC从至少两个本质上不同的选择中选择

无需动态选择简介和总结。否则,所选项目可能小于完整SSC,只要其与说明相关。

这个级别最常见的表达式是分支场景或分支编程指令。

3.基于模型的控制

不仅仅是刚刚完成的问题、练习等的单个输出。

下一个完整的SSC从至少两个本质上不同的选择中选择

简介和概要ssc不需要动态选择。否则,选中的项目可以小于完整的SSC,只要它与指示相关。

选择模型比一个或多个数据点的简单布尔逻辑检查要复杂得多。它可以是一个推理引擎,一个反馈控制模型,一个项目反应理论的实现,一个机器学习模型,等等。

4.动态/响应式内容生成

不仅仅是刚刚完成的问题、练习等的单个输出。

下一个SSC是实时动态生成的

对于学习者来说,这一级别将“感觉”像是与一位有能力的人类导师(一位头脑清醒、不会偏离怪异、可能不合适的方向的导师)互动。

到2021年底,这一水平的实施似乎在指导上是可靠的几乎可能的。您可以从类似于Level 3的基于模型的控制器开始。但是,与其从已有的ssc中进行选择,不如使用类似于基于变压器的深度学习引擎(目前最著名的可能是OpenAI的GPT-3)。

x魔法。*

*克拉克的3研发部定律:任何足够先进的技术都与魔法无异。

一个学习者

一个表演者

X级基本上是幻想或科幻小说。这是魔法咒语还是咒语?是心灵融合还是直接神经下载?它包括护身符还是大脑植入物?谁知道?!

将来,如果某项新技术(或实际的魔法)能够实现远远超出最高编号级别的自适应,请将其添加到表中,并按顺序为其分配下一个编号。

如果你说这两个例子分别是级别1和介于1和2之间的,那么做得好。

许多人已经在进行某种形式的2级适应,而3级(或稍高一点)一直在变得越来越普遍。(我们部署了自己的3级模型,现在正在以小规模使用。)

第4关的原型可能已经存在了;我怀疑到2025年可能会有一个可行的商业产品。

至于X层…如果它真的存在的话,它就在某个秘密地下实验室的深处。不要问太多问题,否则你最终可能会成为一个戴着unitard的测试对象,头上缠着神秘的绷带,不记得你是如何走到哪里的。

得到实践

你应该在什么时候选择设计适应性课程?有些情况很明显,但另一些情况并非如此。明智地选择项目,因为随着复杂性的增加,设计/开发成本可能会迅速上升。金宝搏体育APP官网注册入口

这里有一些标准可以帮助你做决定。

考虑自适应学习的实用标准

  • 该课程需要定期(每年、每两年等)
  • 学习者群体差异很大(知识、经验等)
  • 内容跨越了广泛和/或深刻的认知/技术范围
  • 学习目标与课程的其他要素交叉
  • 采用适应性技术可以显著节省成本
  • 基本的适应是一个简单的改造

主流的在线学习创作工具能够产生自适应学习,但它们并不一定能让学习变得简单。开箱即用,如果您不想进行大量自定义JavaScript编码,您将被限制在第2级。

如果你使用的是内置自适应功能的云计算系统,那么它的外观会好得多。如果你是,那么你一定要经常适应。然而,即便如此,你仍然需要评估使用何种适应水平(如果你有选择的话),以及课程实际上应该如何适应。(增加的设计/开发成本仍然是一个因素,尽管系金宝搏体育APP官网注册入口统的特性可能在一定程度上减轻了成本。)

结束

商业的未来看起来充满挑战,但适应性学习可以帮助我们的学习者做好准备。然而,适应性学习不太可能成为主流标准,除非越来越多的人开始要求它。告诉您的创作工具供应商,如果您现在还没有启用自适应功能的特性,那么您需要它们。

参考文献

W. J. WILSON, B. GALEMA, G. HAVERLUCK, " Adaptive Computer Based Training - Explorations, Experience, and Future Directions ",过程。关于核培训和教育的形态:两年一次的国际论坛(CONTE 2021),在线(虚拟),2021年2月9日至11日,第15页,美国核学会(2021)。

Baidu