Hvad Skete Der Med Intelligente Vejledningssystemer?
jo mere fodgængerbrug af computeren som indholds-og vurderingsleverandør er den dominerende måde, hvorpå computere Tjener Uddannelse i dag. I bedste fald advarer de fleste systemer simpelthen eleverne om forkerte svar og gør lidt for at hjælpe med at styre læringsprocessen. Forskere begyndte at undersøge “en mere følsom” metode til at diagnosticere ikke kun, hvis svarene var forkerte, men hvorfor de tog fejl. Dette koncept med nøjagtig fejldiagnose er grundlæggende for al vellykket vejledning, og udviklere begyndte at indarbejde forståelsen af fejlens art i en ny generation af intelligente undervisningsværktøjer. Mens definitionen af et intelligent værktøj er genstand for meget debat, var der en vis enighed, i det mindste i forbindelse med uddannelse, om, at “et system skal opføre sig intelligent, ikke faktisk være intelligent, som et menneske,” ifølge psykologen Valerie Shute.
intelligente Vejledningssystemer
design af intelligente Vejledningssystemer adskiller sig markant fra deres historiske computerdrevne forgængere. I stedet for den en-størrelse-passer-alle strategi for at levere indhold til en passiv lærende i disse designs, dens design er i stand til at tilpasse den læringsoplevelse, den studerende modtager, baseret på faktorer som allerede eksisterende viden, læringsstil, og den studerendes fremskridt gennem indholdsmaterialet.
en typisk ITS vil indeholde en række konceptuelle komponenter eller modeller, der interagerer med hinanden. Indholdsmodellen indeholder en netlignende kortlægning af det indhold, der skal læres, og definerer forudsætninger og afhængigheder mellem indholdselementerne. Elevmodellen er unik for hver elev og arbejder parallelt med indholdsmodellen for at registrere, hvad den studerende gør og endnu ikke forstår. Endelig er der en metode til at levere instruktionen til eleven, kendt som den pædagogiske model.
de fleste af dets systemer begynder instruktionsprocessen ved at bestemme, hvilken viden den studerende allerede kender, typisk gennem en vurdering, og derefter opdatere elevmodelens status, når instruktion opstår. Systemet sammenligner det, der er nødvendigt at vide, med det, der er kendt (dvs.sammenligning af elevmodellen med indholdsmodellen) og leverer den pædagogisk passende undervisningsenhed til den studerende (se diagram).
instruktionen er ofte indlejret med vurdering og/eller meget interaktive problemløsningsfunktioner, så elevmodellen opdateres dynamisk for altid at afspejle den studerendes nuværende videnniveau. ITS drager fordel af det faktum, at indholdets granularitet er så fin og godt tilpasset den studerendes model, at der tilbydes den rigtige mængde afhjælpning, teoretisk giver kortere læringstider.
en af de mest succesrige bestræbelser, i det mindste med hensyn til dens levetid, er Carnegie Mellon Universitets serie af matematikundervisere til mellemskoler. Psykologi og datalogi professor John Anderson var i stand til at gifte sig med sin teknik til en kognitiv videnskabsteori til simulering og forståelse af menneskelig kognition. Hans ACT * theory of learning blev brugt til at undergird en række succesfulde sine programmer i begyndelsen af 1980 ‘ erne til undervisning i Lisp computer programmering, kaldet Lisp Tutor, og i sidste ende de succesfulde geometri og Algebra vejledere, som sælges i dag af Carnegie Learning Corporation.
Uddannelsespsykolog Valerie Shute udviklede en populær serie computermoduler i 1994, der brugte en hentydning til “Kirkedamen” fra det populære Dana Carvey-skit på NBC ‘ s Saturday Night Live TV-program for at undervise i introduktionsstatistikker. Dele af Stat Lady ‘ s student model design blev påvirket af Andersons ACT* teori. Stat Lady var innovativ ud over sin humoristiske digitalt animerede vært, ved at studentermodellen var meget tæt tilpasset indholdsmodellen og blev kodet til proceduremæssige, symbolsk, konceptuelle elementer, og spores med et meget fint granularitetsniveau for at levere passende læseplansekventering og afhjælpning til den studerende på netop den mest værdifulde tid.
Kan Intelligente Vejledningssystemer Undervise?
på trods af den manglende synlighed af sine systemer i den virkelige verden uden for den sjældne luft af universitetets forskningslaboratorier, er der en beskeden mængde forskning, der tyder på, at intelligente vejledningssystemer kan opnå bemærkelsesværdige stigninger i elevernes læring i forhold til traditionel klasseundervisning.
for eksempel Stat Lady ‘ s præstation sammenlignet med det samme indledende statistikmateriale, der blev undervist i et traditionelt klasseværelse, og hun fandt den meget efterspurgte to-Sigma-forbedring med ITS. Sherlock, en dens designet til at undervise i feltvedligeholdelsesprocedurer til luftvåbenets besætningsmekanik på F-16-krigere, var i stand til at give det samme kompetenceniveau efter 20-25 timers instruktion som dem, der tog traditionel træning i løbet af en fire-årig periode. Carnegie Learning Corporation rapporterede, at studerende, der tog deres Algebra I-vejleder, udførte 85% bedre på vurderinger af komplekse problemløsningskompetencer, 14% bedre på grundlæggende matematikfærdigheder og 30% bedre på TIMSS-vurderinger.
hvorfor intelligente Vejledningssystemer ikke har blomstret
intelligente Vejledningssystemer har tydeligvis ikke levet op til deres potentiale, i det mindste når de vurderes ud fra deres vedtagelse af uddannelsessamfundet, på trods af at de synes at have den rigtige kombination af funktioner. Men det ville være uretfærdigt at Rabat omkring 30 års forskning for, hvad der synes at være spørgsmål om udførelse. Resultaterne af undersøgelserne om effektiviteten af dets systemer antyder, at de kan være effektive til at opnå studerendes læring, men en række faktorer har tilpasset sig for at levere “nederlag fra sejrens kæber.”
måske er den vigtigste forhindring at overvinde vanskeligheden ved at oprette kursusmateriale, der bruges af dets programmer. Historisk set havde de fleste systemer deres indhold “hardkodet” i its ‘ s program, som skulle udføres af dygtige programmører med store omkostninger. Dette betød også, at instruktører og andre fageksperter ikke var i stand til at deltage direkte i udviklingen af systemernes indholdsdele. Spørgsmålet om at diagnosticere forkerte svar viser sig at være et meget vanskeligt, tidskrævende og dyrt problem at løse; det kræver kedeligt at forbinde med hånden et stort antal potentielle forkerte svar med specifik afhjælpende instruktion.
En Bedre Musefælde?
når man tænker over det, er det svært at forestille sig et potentielt mere effektivt system til instruktion. Sådanne systemer indeholder en semantisk forbundet konceptualisering af det indhold, der skal undervises, en måde at vide, hvad eleven gør og ikke forstår, og en leveringsmetode, der tilpasser denne instruktion i overensstemmelse hermed. Det ser ud til, at de tidlige systemer ikke blev udført godt nok til at blive mainstream; men de bør ikke desto mindre give et rigt fundament for fremtidige undervisningsmaskiner at drage lektioner fra, da disse systemer begynder at bruge computerens strøm til mere end blot at levere instruktion.
