Адаптивное обучение (adaptive learning) – технология обучения, основанная на построении индивидуальной учебной траектории для обучающегося с учетом его текущих знаний, способностей, мотивации и других характеристик.
Лучшим решением для обучения является работа с персональным преподавателем. Но это дорого, ресурсоемко и невозможно реализовать для большого потока слушателей. Аналогом индивидуального преподавания является адаптивное обучение, которое оценивает сильные и слабые стороны слушателя, учитывает его опыт, потребности и подбирает уникальный стиль обучения исходя из этого.
Курсы с использованием технологии адаптивного обучения предлагают персонализированный трек для каждого обучающегося, который перестраивается в режиме реального времени в ответ на действия пользователя. В таком курсе собрано гораздо больше контента, но он разбит на небольшие фрагменты. Такой подход обеспечивает правильную дозировку знаний и более точную настройку на конкретного слушателя. Алгоритмы адаптивного обучения формируют из всей базы материалов нужный персонализированный «плейлист». Таким образом, в отличие от линейных курсов, обучающийся изучает не весь материал, а только то, что ему нужно.
Персонализация в режиме реального времени позволяет не только выстраивать заданную траекторию, но и корректировать ее на лету, учитывая персональный темп усвоения знаний. При этом если алгоритм видит низкий уровень понимания определенного блока знания, то траектория корректируется в сторону более простых блоков.
Ключевым отличием подготовки материалов для адаптивного обучения является работа с тестами. В линейном обучении тесты завершают процесс обучения, а при этом подходе именно они определяют, как пойдет обучение на каждом этапе. Они являются важнейшим фактором, выполняя роль переключателей, определяющих дальнейшую траекторию. Сами тесты формируются из разных типов вопросов: множественный выбор, соотнесение, ранжирование и т. д.
Первые идеи об адаптивном обучении появились в середине XX века после создания «обучающей машины» американским психологом и профессором Гарвардского университета Б.Ф. Скиннером, основателем бихевиоризма[1].
В ходе экспериментов с голубями психологу пришла мысль о создании механического приспособления, напоминающего коробку, которое «скармливало» бы студентам вопросы. В 1954 году такая конструкция была сделана. Правильные ответы вознаграждались новым академическим материалом, неправильные – приводили к повторению старого вопроса. Это мотивировало студента быстро адаптироваться и учиться отвечать правильно.
Беррес Фредерик Скиннер (Burrhus Frederic Skinner) (1904–1990) – американский психолог, изобретатель, писатель, профессор Гарвардского университета. Основал школу экспериментальной исследовательской психологии. Разработал философскую концепцию, которая впоследствии была названа радикальным бихевиоризмом. Свои идеи по созданию идеального человеческого общества описал в утопическом романе Walden Two (1948), а анализ поведения самого человека представил в работе «Вербальное поведение» (Verbal Behavior) (1957)[2]. В 2002 году назван наиболее влиятельным психологом XX века[3].
1. Сокращение времени на обучение разнородной группы.
2. Повышение вовлеченности обучаемых.
3. Более тщательный автоматический контроль усвоения.
• Knewton
• Cerego
• Smart Sparrow
• McGraw-Hill
Реализация адаптивного обучения возможна на образовательных платформах, обладающих рядом базовых для адаптивного обучения систем и элементов.
Например, наиболее известная в мире платформа адаптивного обучения Knewton состоит из следующих основных систем[4].
Система сбора данных
Собирает и обрабатывает огромные объемы данных о знаниях и умениях слушателя.
1. Адаптивная онтология отображает связи между отдельными понятиями и генерирует нужные системы, цели и алгоритмы взаимодействия студентов.
2. Средства модельных расчетов, которые обрабатывают данные в реальном времени и параллельно анализируют их для дальнейшего использования.
Система выводов
Трансформация данных и генерация выводов на основе всех собранных данных.
1. Психометрические инструменты, которые оценивают знания и умения слушателя, параметры контента, эффективность обучения и т. д. С каждым новым уровнем информация о слушателе становится в разы точней.
2. Инструменты стратегии обучения, которые оценивают чувствительность слушателя к изменениям в преподавании, оценивании, темпе обучения и др.
3. Инструменты обратной связи, которые объединяют все данные и передают обратно в систему сбора данных.
Система персонализации
Для того чтобы найти оптимальную стратегию для слушателя в изучении каждой концепции, используется мощная система персонализации. У нее есть следующие элементы:
1. Инструменты рекомендаций, которые предлагают слушателям ранжированные рекомендации о том, что делать дальше, балансируя цели обучения, сильные и слабые стороны слушателя, его вовлеченность и др.
2. Инструменты предиктивной аналитики, которые предсказывают степень и вероятность достижения целей, установленных преподавателем (например, какова вероятность того, что слушатель пройдет тест на 70 % выполнения), ожидаемую оценку, уровень знаний и умений и др.
3. Инструменты единой истории обучения: личный кабинет слушателя, позволяющий связать воедино опыт обучения, полученный на различных образовательных программах с использованием различных форматов обучения.
Кейс Корпоративного университета Сбербанка
На программе Корпоративного университета Сбербанка «Клиентоцентричность и управление сервисом» используются разветвленные алгоритмы адаптивного обучения, которые предлагают слушателям индивидуальные траектории обучения с возможностью пропуска или углубленного изучения определенных модулей программы.
Адаптивный учебник SmartBook[5]
Адаптивное обучение также применяется в школах. Например, компания McGraw-Hill разработала цифровой учебник SmartBook на платформе адаптивного обучения McGraw-Hill Connect. Учебник позволяет отслеживать прогресс каждого учащегося в классе и идентифицировать проблемы, с которыми сталкиваются ученики в ходе изучения материалов. Система подстраивает учебный контент под индивидуальный темп его изучения студентом, расставляя приоритеты, вычленяя ключевые понятия и заставляя пользователя сосредотачиваться на темах, которые были плохо усвоены.
Шаг 1. Определить цели обучения
Необходимо определить знания и умения, которые программа нацелена сформировать. Это можно сделать, используя Таксономию Блума.
Шаг 2. Структурировать предметную область
Необходимо создать карту знаний. Для этого важно детально описать темы обучения, выделяя несколько уровней сложности и связи между ними. Для подробного структурирования предметной области требуется выделить минимум 3 уровня.
Шаг 3. Создать контент для достижения целей обучения
Карту знаний из шага 2 нужно наполнить единицами микрознаний контента, которые образуют логическую структуру.
Шаг 4. Разработать банк контрольных вопросов
Для каждого уровня знаний необходимо разработать от 3 до 10 вопросов, сформулированных строго на основании целей обучающей программы. Работа адаптивного алгоритма зависит от корректной оценки уровня сложности вопросов. Можно диагностировать не только ожидаемый уровень компетентности, но и оценивать степень уверенности в правильности своего ответа. Тесты должны обеспечивать контроль знаний для достижения целевого уровня слушателей.