Mitä Tapahtui Älykkäille Tutorointijärjestelmille?
mitä yksinkertaisempaa tietokoneen käyttö sisällön ja arvioinnin tuottajana on, sitä hallitsevampi tapa tietokoneet palvelevat nykyään opetusta. Parhaimmillaankin useimmat järjestelmät vain varoittavat oppijoita vääristä vastauksista eivätkä juurikaan auta ohjaamaan oppimisprosessia. Tutkijat alkoivat tutkia ”herkempää” menetelmää diagnosoidakseen paitsi sen, olivatko vastaukset vääriä, myös sen, miksi ne olivat vääriä. Tämä tarkan virhediagnoosin käsite on olennainen kaikille onnistuneille tutoroinneille, ja kehittäjät alkoivat sisällyttää virheiden luonteen ymmärtämistä uuden sukupolven älykkäisiin opetusvälineisiin. Vaikka älykkään työkalun määritelmästä on keskusteltu paljon, ainakin koulutuksen yhteydessä vallitsi jonkinasteinen yksimielisyys siitä, että ”järjestelmän on käyttäydyttävä älykkäästi, ei todellisuudessa oltava älykäs, kuten ihminen”, sanoo psykologi Valerie Shute.
älykkäät Tuutorointijärjestelmät
älykkäät Tuutorointijärjestelmät eroavat merkittävästi historiallisista tietokonepohjaisista edeltäjistään. Sen sijaan, että yhden koon strategia tuottaa sisältöä passiiviselle oppijalle näissä malleissa, sen mallit pystyvät muokkaamaan oppimiskokemusta, jonka opiskelija saa perustuen tekijöihin, kuten olemassa olevaan tietoon, oppimistyyliin ja opiskelijan etenemiseen sisältömateriaalin läpi.
tyypillinen ITS sisältää joukon käsitteellisiä komponentteja eli malleja, jotka ovat vuorovaikutuksessa keskenään. Sisältömalli sisältää verkkomaisen kartoituksen opittavasta sisällöstä, jossa määritellään sisältöelementtien väliset edellytykset ja riippuvuudet. Opiskelijamalli on jokaiselle oppijalle ainutlaatuinen ja toimii sisältömallin rinnalla tallentaakseen, mitä opiskelija tekee, eikä vielä ymmärrä. Lopuksi on olemassa menetelmä opetuksen toimittamiseksi oppijalle, jota kutsutaan pedagogiseksi malliksi.
useimmat sen järjestelmät aloittavat opetusprosessin määrittämällä, mitä tietoa opiskelija jo tietää, tyypillisesti arvioinnin kautta, ja päivittämällä sitten opiskelijamallin statuksen opetuksen toteutuessa. Järjestelmä vertaa sitä, mitä on osattava, siihen, mitä tiedetään (eli verrataan opiskelijamallia sisältömalliin) ja tuottaa oppilaalle pedagogisesti tarkoituksenmukaisen opetusyksikön (KS.kaavio).
opetukseen on usein upotettu arviointi-ja / tai erittäin vuorovaikutteinen ongelmanratkaisukyky niin, että opiskelijamallia päivitetään dynaamisesti vastaamaan aina opiskelijan nykyistä tietotasoa. ITS hyödyntää sitä, että sisällön rakeisuus on niin hieno ja hyvin sovitettu opiskelijamalliin, että juuri oikea määrä kunnostamista tarjotaan, teoreettisesti saadaan lyhyempiä oppimisaikoja.
yksi onnistuneimmista ponnistuksista, ainakin pitkäikäisyytensä puolesta, on Carnegie Mellon-yliopiston matematiikan tuutorien sarja yläkoululaisille. Psykologian ja tietojenkäsittelytieteen professori John Anderson pystyi yhdistämään sen insinööritaidon kognitiotieteen teoriaan, joka simuloi ja ymmärtää ihmisen kognitiota. Hänen teko * theory of learning käytettiin undergird useita onnistuneita sen ohjelmia 1980-luvun alussa opetukseen Lisp tietokoneohjelmointi, nimeltään Lisp Tutor, ja lopulta onnistunut geometria ja Algebra Tutorit, jotka myydään tänään Carnegie Learning Corporation.
Kasvatuspsykologi Valerie Shute kehitti vuonna 1994 suositun tietokonemoduulisarjan, joka käytti NBC: n Saturday Night Live-televisio-ohjelman suositusta Dana Carvey-sketsistä tuttua viittausta ”Kirkkonaiseen” johdantotilastojen opettamiseen. Osia Stat Ladyn opiskelijamallin suunnittelusta vaikutti Andersonin ACT* – teoria. Stat Lady oli innovatiivinen kuin sen humoristinen digitaalisesti animoitu isäntä, että opiskelija malli oli hyvin tiukasti linjassa sisällön malli ja koodattiin osaksi menettelyllisiä, symbolinen, käsitteellinen elementtejä, ja seurataan erittäin hieno taso rakeisuus, jotta asianmukainen opetussuunnitelman sekvensointi ja kunnostaminen opiskelija juuri arvokkainta aikaa.
Voivatko Älykkäät Tutorointijärjestelmät Opettaa?
huolimatta siitä, että sen järjestelmät eivät näy reaalimaailmassa yliopistojen tutkimuslaboratorioiden harvinaisen ilman ulkopuolella, on olemassa vaatimaton määrä tutkimusta, joka viittaa siihen, että älykkäillä tutorointijärjestelmillä voidaan saavuttaa merkittävä lisäys opiskelijoiden oppimisessa perinteiseen luokkahuoneopetukseen verrattuna.
esimerkiksi Stat Ladyn suoritus verrattuna samaan johdantotilastomateriaaliin, jota opetettiin perinteisessä luokkahuoneessa, ja hän löysi paljon tavoitellun two-sigma-parannuksen ITS: llä. Sherlock, joka on suunniteltu opettamaan Kenttähuoltomenetelmiä ilmavoimien maavoimien mekaanikoille F-16-hävittäjillä, pystyi 20-25 tunnin koulutuksen jälkeen tuottamaan saman tason pätevyyttä kuin ne, jotka ottivat perinteisen koulutuksen yli neljän vuoden span. Carnegie Learning Corporation raportoi, että opiskelijat ottaen niiden Algebra I Tutor suoritetaan 85% paremmin arviointeja monimutkaisia ongelmanratkaisutaitoja, 14% paremmin perus matematiikan taitoja, ja 30% paremmin TIMSS arviointeja.
miksi älykkäät Tutorointijärjestelmät eivät ole kukoistaneet
älykkäät Tutorointijärjestelmät eivät selvästikään ole täyttäneet potentiaaliaan, ainakaan sen perusteella, että koulutusyhteisö on ne hyväksynyt, vaikka niissä vaikuttaisi olevan oikea yhdistelmä ominaisuuksia. Olisi kuitenkin epäreilua, jos noin 30 vuotta kestänyttä tutkimusta ei laskettaisi mukaan siihen, mikä vaikuttaa toteutuskysymykseltä. Sen järjestelmien tehokkuutta koskevien tutkimusten tulokset viittaavat siihen, että ne voivat olla tehokkaita opiskelijoiden oppimisen saavuttamisessa, mutta useat tekijät ovat linjanneet tuottamaan ”tappion voiton kidasta.”
ehkä tärkein ylitettävä este on sen ohjelmien käyttämän kurssiohjelman kirjoittamisen vaikeus. Historiallisesti useimmat järjestelmät olivat sisältönsä ”kovalla koodilla” ITS: n ohjelmistoon, mikä oli tehtävä ammattitaitoisilla ohjelmoijilla suurella kustannuksella. Tämä tarkoitti myös sitä, että ohjaajat ja muut Aineasiantuntijat eivät voineet osallistua suoraan järjestelmien sisältöosien kehittämiseen. Väärien vastausten diagnosointi osoittautuu äärimmäisen vaikeaksi, aikaa vieväksi ja kalliiksi ongelmaksi ratkaista; se vaatii vaivihkaa yhdistämään käsin suuren määrän mahdollisia vääriä vastauksia erityisiin korjaaviin ohjeisiin.
Parempi Hiirenloukku?
sen ajattelussa on vaikea kuvitella mahdollisesti tehokkaampaa opetusjärjestelmää. Tällaiset järjestelmät sisältävät semanttisesti yhdistetyn konseptualisoinnin opetettavasta sisällöstä, tavan tietää, mitä oppija tekee ja ei ymmärrä, ja toimitustavan, joka mukauttaa opetusta sen mukaisesti. Vaikuttaa siltä, että varhaisia järjestelmiä ei toteutettu tarpeeksi hyvin, jotta niistä olisi tullut valtavirtaa.; mutta niiden pitäisi kuitenkin tarjota rikas perusta tuleville opetuskoneille, joista voi ammentaa oppia, koska nämä järjestelmät alkavat käyttää tietokoneen voimaa muuhunkin kuin vain opetuksen antamiseen.
