Co Se Stalo S Inteligentními Doučovacími Systémy?
čím více pěší využití počítače jako obsahu a hodnocení doručovatel je dominantní způsob, jakým počítače slouží vzdělávání dnes. V nejlepším případě většina systémů jednoduše upozorní studenty na špatné odpovědi a udělá jen málo, aby pomohla vést proces učení. Vědci se začali zabývat“ citlivější “ metodou, která diagnostikuje nejen to, zda odpovědi byly špatné, ale proč se mýlily. Tento koncept přesné diagnostiky chyb je zásadní pro všechny úspěšné doučování a vývojáři začali začleňovat porozumění povaze chyb do nové generace inteligentních výukových nástrojů. Zatímco definice inteligentního nástroje je předmětem mnoha debat, podle psycholožky Valerie Shute panovala určitá shoda, alespoň v kontextu vzdělávání, že“ systém se musí chovat inteligentně, ne být inteligentní, jako člověk“.
inteligentní doučovací systémy
návrhy inteligentních Doučovacích systémů se výrazně liší od svých historických předchůdců řízených počítačem. Spíše než univerzální strategie poskytování obsahu pasivnímu studentovi v těchto návrzích, jeho návrhy jsou schopny přizpůsobit vzdělávací zkušenost, kterou student obdrží, na základě faktorů, jako jsou již existující znalosti, styl učení, a pokrok studenta prostřednictvím obsahového materiálu.
typický IT bude obsahovat řadu koncepčních komponent nebo modelů, které spolu interagují. Model obsahu obsahuje webové mapování obsahu, který se má naučit, definující předpoklady a závislosti mezi prvky obsahu. Studentský model je pro každého žáka jedinečný a pracuje paralelně s modelem obsahu, aby zaznamenal, co student dělá, a dosud nerozumí. Konečně existuje způsob, jak předat výuku žákovi, známý jako pedagogický model.
většina jeho systémů začíná instruktážní proces určením toho, jaké znalosti student již zná, obvykle prostřednictvím hodnocení, a poté aktualizací stavu studentského modelu při výuce. Systém porovnává to, co je potřeba vědět, s tím, co je známo (tj. porovnává studentský model s model obsahovým) a dodává studentovi pedagogicky vhodnou jednotku výuky (viz diagram).
instrukce je často vložena do hodnocení a / nebo vysoce interaktivních schopností řešení problémů, takže studentský model je dynamicky aktualizován tak, aby vždy odrážel současnou úroveň znalostí studenta. Its využívá skutečnosti, že granularita obsahu je tak jemná a dobře přizpůsobená studentskému modelu, že je nabízeno správné množství sanace, teoreticky přináší kratší doby učení.
jedním z nejúspěšnějších úsilí, alespoň pokud jde o jeho dlouhověkost, je Carnegie Mellon University série učitelů matematiky pro středoškoláky. Profesor psychologie a informatiky John Anderson byl schopen provdat své inženýrství za kognitivní teorii vědy pro simulaci a porozumění lidskému poznání. Jeho ACT * teorie učení byla použita k undergird řadu úspěšných svých programů v časných 1980 pro výuku Lisp programování, volal Lisp Tutor, a nakonec úspěšné geometrie a Algebra Tutors, které jsou prodávány dnes Carnegie Learning Corporation.
Pedagogická psycholožka Valerie Shute vyvinula v roce 1994 populární řadu počítačových modulů, které používaly narážku na „církevní dámu“ z populární parodie Dany Carveyové v televizní show NBC Saturday Night Live, aby vyučovaly úvodní statistiky. Části návrhu studentského modelu byly ovlivněny Andersonovou teorií ACT*. Stat Lady byla inovativní nad rámec svého vtipného digitálně animovaného hostitele, v tom, že studentský model byl velmi těsně sladěn s modelem obsahu a byl kódován do procedurálního, symbolický, koncepční prvky, a sledován s velmi jemnou úrovní zrnitosti, aby studentovi poskytl odpovídající sekvenování a sanaci učebních osnov přesně v nejcennějším čase.
Mohou Inteligentní Doučovací Systémy Učit?
navzdory nedostatečné viditelnosti svých systémů v reálném světě mimo rarifikovaný vzduch univerzitních výzkumných laboratoří existuje skromné množství výzkumů, které naznačují, že inteligentní doučovací systémy mohou dosáhnout pozoruhodného zvýšení učení studentů oproti tradiční výuce ve třídě.
například výkon Stat Lady ve srovnání se stejným úvodním statistickým materiálem vyučovaným v tradiční třídě a našla tolik vyhledávané zlepšení dvou sigma s ITS. Sherlock, ITS určený k výuce postupů údržby v terénu mechanikům pozemních posádek letectva na stíhačkách F-16, byl schopen poskytnout stejnou úroveň kompetencí po 20-25 hodinách výuky jako ti, kteří absolvovali tradiční výcvik během čtyřletého rozpětí. Carnegie Learning Corporation oznámila, že studenti, kteří se jejich Algebra I Tutor provádí 85% lepší na hodnocení komplexních řešení problémů dovedností, 14% lepší na základní matematické dovednosti, a 30% lepší na TIMSS hodnocení.
proč inteligentní systémy doučování Nevzkvétaly
Inteligentní systémy doučování zjevně nesplnily svůj potenciál, alespoň pokud je posuzováno jejich přijetím vzdělávací komunitou, přestože se zdá, že mají správnou kombinaci funkcí. Bylo by však nespravedlivé slevit z 30 let výzkumu za to, co se zdá být problematikou exekuce. Výsledky studií o účinnosti jeho systémů naznačují, že mohou být účinné při dosahování učení studentů, ale řada faktorů se vyrovnala, aby dodala “ porážku z čelistí vítězství.“
snad nejdůležitější překážkou, kterou je třeba překonat, je obtížnost při vytváření učebního softwaru používaného jeho programy. Historicky měla většina systémů svůj obsah „pevně zakódovaný“ do softwaru ITS, což museli dělat zkušení programátoři za velké náklady. To také znamenalo, že instruktoři a další odborníci na předmět se nemohli přímo podílet na vývoji obsahových částí systémů. Ukázalo se, že problém diagnostiky nesprávných odpovědí je mimořádně obtížný, časově náročný, a nákladný problém vyřešit; vyžaduje to únavné ruční připojení velkého počtu potenciálních nesprávných odpovědí se specifickými nápravnými instrukcemi.
Lepší Past Na Myši?
při přemýšlení o ITS je těžké si představit potenciálně účinnější systém výuky. Takové systémy obsahují sémanticky propojenou konceptualizaci obsahu, který má být vyučován, způsob, jak vědět, co student dělá a nerozumí, a způsob doručení, který tuto instrukci odpovídajícím způsobem přizpůsobí. Zdá se, že rané systémy nebyly provedeny dostatečně dobře, aby se staly hlavním proudem; měly by však poskytnout bohatý základ pro budoucí učební stroje, ze kterých by se mohli poučit, protože tyto systémy začnou využívat sílu počítače více než jen pro poskytování výuky.
