Was ist mit intelligenten Tutorensystemen passiert?
Die eher fußgängerorientierte Nutzung des Computers als Inhalts- und Bewertungslieferant ist heute die dominierende Art und Weise, wie Computer der Bildung dienen. Im besten Fall warnen die meisten Systeme die Lernenden einfach vor falschen Antworten und tragen wenig dazu bei, den Lernprozess zu leiten. Die Forscher begannen, nach einer „sensibleren“ Methode zu suchen, um nicht nur zu diagnostizieren, ob die Antworten falsch waren, sondern auch, warum sie falsch waren. Dieses Konzept der genauen Fehlerdiagnose ist für alle erfolgreichen Tutoren von grundlegender Bedeutung, und die Entwickler begannen, das Verständnis der Art von Fehlern in eine neue Generation intelligenter Lehrmittel zu integrieren. Während die Definition eines intelligenten Werkzeugs Gegenstand vieler Debatten ist, gab es zumindest im Bildungskontext einen Konsens darüber, dass sich „ein System intelligent verhalten muss, nicht wirklich intelligent wie ein Mensch“, so die Psychologin Valerie Shute.
Intelligente Tutorensysteme
Intelligente Tutorensysteme unterscheiden sich erheblich von ihren historischen computergesteuerten Vorgängern. Anstatt die One-Size-fits-all-Strategie der Bereitstellung von Inhalten für einen passiven Lernenden in diesen Designs, sind seine Designs in der Lage, die Lernerfahrung, die der Schüler erhält, basierend auf Faktoren wie bereits vorhandenem Wissen, Lernstil und dem Fortschritt des Schülers durch das Inhaltsmaterial anzupassen.
Ein typischer ITS enthält eine Reihe von konzeptionellen Komponenten oder Modellen, die miteinander interagieren. Das Content Model enthält ein webähnliches Mapping der zu erlernenden Inhalte, das die Voraussetzungen und Abhängigkeiten zwischen den Inhaltselementen definiert. Das Schülermodell ist für jeden Lernenden einzigartig und arbeitet parallel zum Inhaltsmodell, um aufzuzeichnen, was der Schüler tut und noch nicht versteht. Schließlich gibt es eine Methode, die Anweisung an den Lernenden zu liefern, bekannt als das pädagogische Modell.
Die meisten ITS-Systeme beginnen den Unterrichtsprozess, indem sie bestimmen, welches Wissen der Schüler bereits kennt, typischerweise durch eine Bewertung, und dann den Status des Schülermodells aktualisieren, wenn der Unterricht stattfindet. Das System vergleicht das Notwendige mit dem Bekannten (d.h. Vergleich des Schülermodells mit dem Inhaltsmodell) und liefert dem Schüler die pädagogisch angemessene Unterrichtseinheit (siehe Abbildung).
Der Unterricht ist oft mit Beurteilungs- und / oder hochgradig interaktiven Problemlösungsfunktionen eingebettet, so dass das Schülermodell dynamisch aktualisiert wird, um immer den aktuellen Wissensstand des Schülers widerzuspiegeln. Der ITS nutzt die Tatsache, dass die Granularität der Inhalte so fein und gut auf das Schülermodell abgestimmt ist, dass genau die richtige Menge an Nachbesserungen angeboten wird, was theoretisch zu kürzeren Lernzeiten führt.
Eine der erfolgreichsten Bemühungen, zumindest in Bezug auf ihre Langlebigkeit, ist die Reihe der Mathematiklehrer der Carnegie Mellon University für Mittelschüler. Psychologie- und Informatikprofessor John Anderson konnte SEINE Technik mit einer kognitionswissenschaftlichen Theorie zur Simulation und zum Verständnis der menschlichen Kognition verbinden. Seine ACT * Theorie des Lernens wurde verwendet, um eine Reihe von erfolgreichen ITS-Programmen in den frühen 1980er Jahren für den Unterricht der Lisp-Computerprogrammierung, genannt Lisp Tutor, und schließlich die erfolgreiche Geometrie und Algebra Tutoren, die heute von Carnegie Learning Corporation verkauft werden.
Die pädagogische Psychologin Valerie Shute entwickelte 1994 eine beliebte Reihe von Computermodulen, die eine Anspielung auf die „Church Lady“ aus dem beliebten Dana Carvey-Sketch in NBCs Saturday Night Live-Fernsehsendung verwendeten, um einführende Statistiken zu unterrichten. Teile des studentischen Modelldesigns von Stat Lady wurden von Andersons ACT * -Theorie beeinflusst. Stat Lady war über seinen humorvollen digital animierten Gastgeber hinaus innovativ, da das Studentenmodell sehr eng mit dem Inhaltsmodell ausgerichtet und in prozedurale, symbolische, konzeptionelle Elemente codiert und mit einer sehr feinen Granularität verfolgt wurde, um dem Studenten genau zum wertvollsten Zeitpunkt eine angemessene Lehrplansequenzierung und -korrektur zu liefern.
Können intelligente Tutorensysteme lehren?
Trotz der mangelnden Sichtbarkeit SEINER Systeme in der realen Welt außerhalb der verdünnten Luft von Universitätsforschungslabors gibt es eine bescheidene Menge an Forschung, die darauf hindeutet, dass intelligente Tutorensysteme eine bemerkenswerte Steigerung des Lernens der Schüler gegenüber dem traditionellen Unterricht erreichen können.
Zum Beispiel die Leistung von Stat Lady im Vergleich zu demselben einführenden Statistikmaterial, das in einem traditionellen Klassenzimmer unterrichtet wurde, und sie fand die begehrte Zwei-Sigma-Verbesserung mit dem ITS. Sherlock, ein ITS entwickelt, um Feldwartungsverfahren zu Air Force Bodenpersonal Mechaniker auf F-16 Kämpfer zu lehren, war in der Lage, das gleiche Maß an Kompetenz nach 20-25 Stunden Unterricht als diejenigen, die traditionelle Ausbildung über einen Zeitraum von vier Jahren nahm zu liefern. Die Carnegie Learning Corporation berichtete, dass Schüler, die ihren Algebra I-Tutor nahmen, 85% besser bei der Beurteilung komplexer Problemlösungsfähigkeiten, 14% besser bei grundlegenden mathematischen Fähigkeiten und 30% besser bei TIMSS-Bewertungen abschnitten.
Warum intelligente Nachhilfesysteme nicht floriert haben
Intelligente Nachhilfesysteme haben ihr Potenzial eindeutig nicht ausgeschöpft, zumindest wenn sie von der Bildungsgemeinschaft angenommen werden, obwohl sie die richtige Kombination von Funktionen zu haben scheinen. Aber es wäre unfair, etwa 30 Jahre Forschung für das, was scheint, Fragen der Ausführung zu diskontieren. Die Ergebnisse der Studien zur Wirksamkeit ihrer Systeme legen nahe, dass sie das Lernen der Schüler wirksam fördern können, aber eine Reihe von Faktoren haben dazu beigetragen, „eine Niederlage aus den Kiefern des Sieges“ zu liefern.“
Die vielleicht wichtigste Hürde, die es zu überwinden gilt, ist die Schwierigkeit, Kursunterlagen zu erstellen, die von SEINEN Programmen verwendet werden. Historisch gesehen hatten die meisten Systeme ihren Inhalt in die Software des ITS „fest codiert“, was von erfahrenen Programmierern mit großem Aufwand durchgeführt werden musste. Dies bedeutete auch, dass Dozenten und andere Fachexperten nicht direkt an der Entwicklung der inhaltlichen Teile der Systeme teilnehmen konnten. Das Problem der Diagnose falscher Antworten erweist sich als äußerst schwierig, zeitaufwändig, und teures Problem zu lösen; es erfordert mühsam von Hand eine große Anzahl von möglichen falschen Antworten mit spezifischen Abhilfemaßnahmen verbinden.
Eine bessere Mausefalle?
Wenn man darüber nachdenkt, ist es schwer, sich ein potenziell effektiveres System für den Unterricht vorzustellen. Solche Systeme enthalten eine semantisch zusammenhängende Konzeptualisierung der zu unterrichtenden Inhalte, eine Möglichkeit zu wissen, was der Lernende tut und was nicht, und eine Übermittlungsmethode, die diese Anweisung entsprechend anpasst. Es scheint, dass die frühen Systeme nicht gut genug ausgeführt wurden, um Mainstream zu werden; aber sie sollten dennoch eine reichhaltige Grundlage für zukünftige Lehrmaschinen bieten, um Lehren daraus zu ziehen, da diese Systeme beginnen, die Leistung des Computers für mehr als nur die Bereitstellung von Anweisungen zu nutzen.
