Jak umělá inteligence formuje budoucnost vzdělávání

Když porovnáte typickou učebnu 21. století s těmi na počátku 20. století, rozdíly nejsou strašně zřejmé. Učitelé budou stát před, dávat instrukce a sdílet poznámky na moderní verzi staré tabule - řekněme, zpětný projektor nebo sdílený počítačový displej. Studenti budou sedět ve svých učebnách nebo sledovat prostřednictvím online videokonferenčního softwaru. Technologie se změnila: Mnoho nástrojů a procesů bylo digitalizováno, některé z nich byly automatizovány a geografické bariéry byly do jisté míry odstraněny - ale aktéři a prvky zůstaly téměř stejné.

Ale díky pokroku v umělé inteligenci (AI) a strojovému učení přichází pod kapotou pomalá, ale stabilní transformace. Za několik let již učitelé nebudou sami v tom, aby nesli břemeno školení mladé generace nebo pracovní síly ve společnostech.

Algoritmy umělé inteligence již pomáhají zlepšovat vzdělávání shromažďováním, analýzou a korelací každé interakce, která se odehrává ve fyzických a virtuálních učebnách, a pomáhají učitelům řešit konkrétní body bolesti každého studenta. Může to být začátek revoluce v jednom z nejstarších a nejcennějších sociálních dovedností, které lidstvo vyvinulo, a imperativ ve světě, kde lidé žijí a pracují vedle inteligentních strojů.

Měření pokroku žáka

Instruktoři musí brát v úvahu každou reakci na přednášku, každý prázdný nebo pozorný pohled, každou dychtivou nebo váhavou odpověď na otázku, každé zadání, které se obrátí brzy nebo pozdě, a mnohem více při hodnocení pochopení pojmu studentem. Takto mohou zjistit, kde studenti zaostávají a nasměrovat je správným směrem.

To je také důvod, proč měřit pokrok žáka, úsilí, které je hluboce sociální povahy, je jednou z největších výzev, kterým každý učitel čelí, a úkolem, který je obtížné splnit pomocí klasického softwaru založeného na pravidlech.

„Přednášky kurzů, ať už na univerzitním kampusu nebo v korporaci, jsou převážně univerzální pro všechny, přičemž dominantním režimem jsou učitelé, kteří mluví se studenty, “ říká Chris Brinton, vedoucí výzkumu v Zoomi, společnost AI, která se specializuje při sběru a analýze dat o chování ve vzdělávacím prostředí. „Toto se rodí z nutnosti: z hlediska času by bylo nemožné nebo alespoň neefektivní, aby učitel přednášku pozastavil na delší dobu a oslovil každého studenta samostatně, aby všechny přivedl na stejnou stránku. Místo toho, byl by student s mnoha otázkami obvykle požádán, aby navázal s instruktorem mimo vyučovací dobu. “

Algoritmy strojového učení, které jsou založeny na analýze a nalezení vzorců a korelací mezi datovými body, se však ukázaly jako účinný nástroj, který učitelům pomáhá kvantifikovat porozumění studentům přednášce.

„Díky analýze konkrétních údajů o studentech má AI potenciál rychleji odhalit oblasti, ve kterých mohou studenti potřebovat více pomoci, a tím zlepšit výsledky studentů a podporu učitelů, “ říká Jessie Woolley-Wilson, prezidentka a generální ředitelka DreamBox Learning, inteligentní matematika - výuková platforma.

Vybavení umělé inteligence ve třídě je ekvivalentem toho, že každý student má k dispozici digitálního lektora, vysvětluje Brinton. "Algoritmy, které řídí AI, mohou být vyškoleny tak, aby detekovaly, kdy žák bojuje a co je přimělo k boji, nebo kdy se nudí a co způsobilo jejich nudu, " říká.

Jedná se o posun od tradičního studijního softwaru, který se spoléhal pouze na reakce na hodnocení, aby mohl měřit pochopení témat studentů, která studují. "Tato data často nejsou k dispozici během přednášky, mnohem méně v sekundové granularitě, ve které se student může přepnout z jasného do zmateného hlediska, " říká Brinton.

Nyní existuje řada platforem založených na AI, které vytvářejí bohaté digitální profily každého studenta shromažďováním živých informací z interakce uživatele s materiálem kurzu a kontextem. Kromě vedení záznamů o hodnoceních a skóre pomohla Bromi rozvíjet platformu Zoomi, která sleduje mikrointerakce, jako je prohlížení konkrétních snímků nebo stránek v dokumentech PDF, nahrazování konkrétní části videa nebo zveřejňování otázek nebo odpovědí v diskusi. Forum.

Data jsou pak použita k vytvoření modelu, který může poskytnout v reálném čase náhled na porozumění studentovi a jeho zapojení do konkrétních témat. Datové modely také pomáhají při hledání společných vzorců mezi více studenty a při provádění prediktivní analýzy, jako je předpovídání toho, jak budou studenti v budoucnu hrát.

Pokročilejší použití umělé inteligence může zahrnovat použití komplikovaných algoritmů počítačového vidění k analýze výrazů obličeje, jako je nuda a rozptýlení, a propojit je s ostatními údaji shromážděnými o studentech, aby se vytvořil úplnější obrázek studentova modelu žáka.

Hledání a řešení mezer ve učení

Spolehlivý digitální model, který představuje znalosti studentů, má mnoho výhod. „Data mohou být automaticky použita inteligentním systémem k okamžitému zapojení studentů do výukových zkušeností, které se konkrétně zabývají těmito mezerami v porozumění, nebo učitel může identifikovat - a reagovat na - tyto specifické oblasti potřeby, “ říká Woolley-Wilson z DreamBox.

Third Space Learning, online vzdělávací platforma založená v roce 2012 s cílem poskytnout individuální matematické doučování, nyní využívá algoritmy umělé inteligence, které pomáhají zlepšit výkon učitelů. Od svého spuštění zaznamenal Third Space data o tisících relací. Ve spolupráci s University of College London se Third Space nyní zabývá projektem těžby dat pomocí algoritmů AI, aby nalezl úspěšné vzorce učení a výuky a poskytl svým online lektorům zpětnou vazbu o tom, jak jejich studenti udržují krok s lekce.

Studentský model umělé inteligence může také pohánět inteligentní doučovací systémy (ITS). Inteligentní lektoři, kteří mohou pracovat v učebním prostředí s vlastním tempem nebo ve spojení s učiteli lidských zdrojů, využívají historické údaje studentů a údaje v reálném čase, aby jim poskytli personalizovaný obsah přizpůsobený jejich konkrétním silným a slabým stránkám. Poskytování personalizované vzdělávací zkušenosti je cílem, kterého se učitelé vždy snažili dosáhnout.

„Ukázalo se, že systémy doučování založené na umělé inteligenci jsou efektivní při výuce přesně definovaných oborů, jako jsou matematika a fyzika, “ říká Rose Luckin, profesorka designu zaměřeného na žáky na znalostní laboratoři University of College London. „AI může v současné době zmírnit bolestivé body tím, že pomůže s vedením záznamů a výběrem a doporučením zdrojů, které mají žáci použít.“

Příkladem je MATHIA, AI-poháněná matematická výuková platforma vyvinutá společností Carnegie Learning, která odráží chování lektorů. MATHIA shromažďuje různé datové body a využívá algoritmy strojového učení a prediktivní modely, aby určila znalosti a dovednosti studentů a odhadla jejich výkon v budoucnosti. Platforma používá tato data k přizpůsobení vzdělávací cesty podle učebních procesů studentů.

„Každý krok v problému, který by mohl zahrnovat vyplnění buňky v tabulce, vykreslení bodu v grafu atd., Je spojen s jednou nebo více kognitivními schopnostmi, “ říká Steve Ritter, hlavní produktový architekt v Carnegie Learning. "V závislosti na tom, zda student tento krok dělá správně nebo ne, nebo požádá o nápovědu, upravíme náš odhad znalostí studenta o souvisejících dovednostech."

MATHIA používá „trasování znalostí“, proces určování studentova chápání různých konceptů, stejně jako „modelování trasování“, proces porozumění přístupu studenta k řešení problémů, aby se přizpůsobila podpora softwaru pro proces myšlení jednotlivého studenta namísto přesměrování na standardní přístup, který jim nemusí dávat smysl. Pomáhá to poskytovat personalizovaný obsah s možná nesčetnými vzdělávacími cestami.

"Naše rady se například mění na základě pořadí, ve kterém studenti dokončují kroky problému, pokud toto uspořádání odráží různé způsoby řešení problému, " říká Ritter.

Vývoj inteligentních doučovacích systémů může nakonec vést k bohatšímu zážitku z učení. I když to nebude náhrada za učitele člověka, online vzdělávací platformy založené na umělé inteligenci mohou hrát klíčovou roli při zpřístupňování vysoce kvalitního vzdělávání v oblastech, kde je nedostatek učitelů, a studenti se musí učit sami.

„Kombinace velkých dat a umělé inteligence by mohla poskytnout studentům vlastní osobní analýzu, kterou mohou využít k tomu, aby se stali nejúčinnějším studentem, kterým mohou být, “ říká Luckin.

Sebepoznání (vědět, co děláte a nevíte) a samoregulace (například schopnost zabránit tomu, aby vás rozptylovalo to, co dělá někdo jiný), jsou podle Luckina dvě dovednosti, které takové systémy mohou pomoci rozvíjet..

„AI lze použít k tomu, aby se žáci (podpůrné) lešili, aby rozvíjeli tyto klíčové dovednosti tím, že zpětně odrážejí své osobní údaje pomocí pečlivě navržených rozhraní a vizualizací, “ říká Luckin. "Tímto způsobem by se všem studentům mohlo pomoci lépe se učit, což by bylo užitečné ve všech oblastech předmětu."

Jednou z výhod studijních systémů poháněných umělou inteligencí je bezproblémová pomoc, kterou mohou poskytnout. „Stejné inteligentní technologie, které pomáhají studentům a jejich učitelům ve třídě, by měly být vždy využívány k tomu, aby dělaly totéž mimo učebnu, “ říká Woolley-Wilson. „Mohou přinést stejnou sílu personalizovaných doporučení, ať už je student kdekoli. Příležitosti k učení a přístup by již neměly být omezeny na určitý čas nebo místo, jako tomu bylo v naší analogové minulosti.“

Firemní školení může také těžit z personalizace AI. Zoomi, která poskytuje online nástroje pro odborné vzdělávání, používá algoritmy AI k rozpoznání preferencí studentů a dynamicky přizpůsobuje obsah kurzu tak, aby vyhovoval jeho potřebám. Například na základě minulého chování uživatele a reakce na různé typy médií může platforma rozhodnout, zda má být kurzový materiál doručován ve formátu PDF nebo videa. Progresivní obchodní partneři využívají tuto platformu od roku 2016 k školení profesionálů v oblasti lidských zdrojů, což vedlo k 12% nárůstu dokončení kurzu a 30% nárůstu výnosů.

Hledání a řešení mezer ve výuce

Když studenti zaostávají v lekci, viny ve vyučovacích metodách a učebních osnovách jsou často na vině stejně jako slabiny samotných studentů. Byla příčinou toho, že student nepochopil něco o samotném materiálu, způsobu, jakým byl prezentován, nebo načasování materiálu v rámci kurikula? Bylo to tak, že student měl chřipku, když byly předtím nějaké potřebné koncepty pokryty? Jak se student zapojil do tohoto materiálu - aktivně nebo pasivně?

To jsou některé z otázek, na které musí každý učitel odpovědět při hodnocení kvality předávané hodiny a při zkoumání základních příčin problémů v učení.

„Skvělé systémy mohou využít obrovské soubory dat, aby pomohly učitelům najít jak slabiny v učebních osnovách, tak i najít obtížné studenty, “ říká Woolley-Wilson. "A je důležité si uvědomit, že výše pomoci poskytované učiteli závisí na kvalitě dostupných údajů informujících o analýze."

Online platforma adaptivního učení DreamBoxu používá data, která shromažďuje od studentů, k odhalení mezer ve učení a poté pomáhá učitelům je řešit na úrovni třídy nebo pro specifické skupiny nebo jednotlivé studenty. To může zahrnovat vytváření strategických skupin, personalizovaných učebních plánů nebo zaměřených úkolů, které řeší specifické mezery a doplňují základní kurikulum.

AI také pomáhá učitelům při posuzování relevance jejich výukových materiálů. „Zatímco je obsah dodáván„ živě “v učebně, většina instruktorů připravuje své materiály elektronicky, “ říká Brinton, badatel ze Zoomi. „Výsledkem je, že technologie umělé inteligence mohou interpretovat materiál, určit témata, která jsou zahrnuta, a dokonce analyzovat materiály pro hodnocení kurzu, aby získali přehled o tom, jak hodnocení pokrývá obsah kurzu.“

Zoomi používá zpracování přirozeného jazyka (NLP), odvětví umělé inteligence, které analyzuje obsah a kontext psaného materiálu, aby zvážilo kvalitu učebních materiálů učitele. Algoritmy Zoomi odstraňují obsah, který nemá pozitivní dopad na proces učení. Společnost také pracuje na algoritmech, které rozšiřují zkušenost s učením tím, že najdou doplňkový obsah a znovu ho umístí do kontextu konkrétní lekce, kde student bojuje.

„Brzy mohou být algoritmy schopny modifikovat věty pro jasnost a dokonce i vytvářet nové materiály samy o sobě stejně jako člověk, “ říká Brinton.

Content Technologies, Inc (CTI), společnost pro výzkum a vývoj umělé inteligence se sídlem v Kalifornii, vyvinula AI, která automaticky generuje přizpůsobený vzdělávací obsah. Motor CTI využívá hluboké učení k přijímání a analýze učebních osnov a učebních materiálů, osvojení znalostí a generování nového obsahu, jako jsou vlastní učebnice, souhrny kapitol a testy s více možnostmi výběru. Tuto technologii využívá řada společností a vzdělávacích institucí.

Vzdělávání zůstane společenskou zkušeností

I když jsme viděli působivé úsilí při aplikaci umělé inteligence ve vzdělávání, výsledky blednou ve srovnání s jinými doménami, kde algoritmy umělé inteligence způsobují závažné narušení. Důvodem je to, že vzdělávání a učení jsou v zásadě sociální zkušenosti, které je velmi obtížné - ne-li nemožné - automatizovat.

„AI nemůže nahradit učitele, protože nemá sebevědomí ani metakognitivní regulaci a postrádá také empatii, “ Luckin, profesor UCL Knowledge Lab. „AI, když je jeho návrh informován o tom, co víme o učení a výuce (tj. O vědách o učení), však lze kombinovat s velkými údaji o studentech, aby rozbalili černou skříňku učení a umožnili studentům, učitelům a rodičům sledovat pokrok ve více předmětech, dovednostech a charakteristikách - to může poskytnout důležité informace, které studentům pomohou stát se efektivnějšími jako žáci, a také jim pomohou naučit se znalosti a dovednosti. “

Díky rozšíření a pomoci, kterou AI poskytuje procesu vzdělávání a učení, budou učitelé ještě produktivnější a efektivnější. „Učitelé se budou moci soustředit na to, co umí nejlépe: vytvářejí vynikající obsah, přednášejí silné přednášky a řeší nejvíce pronikavé body bolesti osobně i vzdáleně, jednotlivě i ve skupinách, “ říká Brinton.

Dalším sociálním aspektem vzdělávání je spolupráce. Studenti se často dozví více o práci ve skupinách a spolu navzájem, od poslechu přednášek a řešení problémů vlastním tempem. „Cíle vzdělávání zahrnují více sociální interakce, jako je naučit se být dobrým spolupracovníkem nebo komunikovat s ostatními, “ říká Ritter, produktový architekt Carnegie Learning. "Výzvou v personalizovaném vyučování je tedy vyvážení, kdy je student považován za nezávislého studenta, který může postupovat svým vlastním tempem s potřebou spolupracovat s ostatními."

Ale umělá inteligence by se také mohla stát facilitátorem ve společném učení. Intelligence Unleashed , společný výzkumný příspěvek UCL a Pearsona, který Luckin spoluautoroval, vysvětluje, že umělá inteligence může podporovat učení založené na spolupráci porovnáním modelů studentských žáků a navrhováním seskupení, ve kterých jsou účastníci na podobné kognitivní úrovni nebo mají doplňkové dovednosti a mohou si navzájem pomáhat. AI se může také účastnit skupin studentů jako člen a pomáhat ovlivňovat diskuse správným směrem poskytováním obsahu, kladením otázek a poskytováním alternativních názorů.

Všudypřítomnost umělé inteligence napříč procesem učení nakonec způsobí revoluci ve vzdělávání. Podle zprávy Stanfordské univerzity je pravděpodobné, že v příštích patnácti letech budou učitelům lidských zdrojů pomáhat technologie umělé inteligence, které povedou k lepší interakci člověka ve třídě i doma.

Učebna možná zůstane víceméně tak, jak je tomu dnes, ale díky digitálním asistentům, algoritmům umělé inteligence a schopnějším učitelům budou mít budoucí generace snad přístup ke kvalitnějšímu vzdělání a budou se moci učit mnohem rychleji.