Mi Történt Az Intelligens Oktatórendszerekkel?
minél több gyalogos használja a számítógépet tartalom-és értékelésszolgáltatóként, annál inkább a számítógépek szolgálják ma az oktatást. A legjobb esetben a legtöbb rendszer egyszerűen figyelmezteti a tanulókat a rossz válaszokra, és kevés segítséget nyújt a tanulási folyamat irányításához. A kutatók “érzékenyebb” módszert kezdtek vizsgálni annak diagnosztizálására, hogy nem csupán a válaszok helytelenek-e, hanem miért is tévedtek. A pontos Hibadiagnózis fogalma alapvető fontosságú minden sikeres oktatáshoz, és a fejlesztők elkezdték beépíteni a hibák természetének megértését az intelligens oktatási eszközök új generációjába. Míg az intelligens eszköz meghatározása sok vita tárgyát képezi, volt némi egyetértés, legalábbis az oktatás összefüggésében, hogy “a rendszernek intelligensen kell viselkednie, nem pedig intelligensnek kell lennie, mint egy ember” – mondja Valerie Shute pszichológus.
intelligens Oktatórendszerek
az intelligens Oktatórendszerek tervei jelentősen eltérnek a korábbi számítógépes elődeiktől. Ahelyett, hogy az egy kaptafára minden stratégia nyilvánított tartalom passzív tanuló e tervek, a tervek képesek testre a tanulási tapasztalat a hallgató kap olyan tényezők alapján, mint a már meglévő ismeretek, tanulási stílus, és a hallgató haladását a tartalmi anyag.
egy tipikus ITS számos fogalmi komponenst vagy modellt tartalmaz, amelyek kölcsönhatásba lépnek egymással. A tartalommodell a megtanulandó tartalom webszerű leképezését tartalmazza, meghatározva a tartalomelemek közötti előfeltételeket és függőségeket. A hallgatói modell minden tanuló számára egyedi, és párhuzamosan működik a tartalmi modellel, hogy rögzítse, amit a hallgató csinál, és még nem érti. Végül létezik egy módszer az utasítás eljuttatására a tanulóhoz, az úgynevezett pedagógiai modell.
a legtöbb rendszere azzal kezdi az oktatási folyamatot, hogy meghatározza, hogy a hallgató milyen ismereteket tud már, általában egy értékelés révén, majd frissíti a hallgatói modell állapotát utasításként. A rendszer összehasonlítja a szükséges ismereteket az ismertekkel (azaz összehasonlítja a hallgatói modellt a tartalmi modellel), és átadja a pedagógiailag megfelelő oktatási egységet a hallgatónak (lásd az ábrát).
az utasítás gyakran értékelési és/vagy interaktív problémamegoldó képességekkel van beágyazva, így a hallgatói modell dinamikusan frissül, hogy mindig tükrözze a hallgató aktuális tudásszintjét. Az ITS kihasználja azt a tényt, hogy a tartalom részletessége annyira finom és jól illeszkedik a hallgatói modellhez, hogy éppen a megfelelő mennyiségű kármentesítést kínálják, elméletileg rövidebb tanulási időt eredményezve.
az egyik legsikeresebb erőfeszítés, legalábbis a hosszú élettartam szempontjából, a Carnegie Mellon Egyetem Matematika oktatóinak sorozata a középiskolások számára. A pszichológia és a számítástechnika professzora, John Anderson képes volt összekapcsolni a mérnöki tudományt egy kognitív tudományelmélettel az emberi megismerés szimulálására és megértésére. Az 1980-as évek elején a Lisp Számítógépes programozás, az úgynevezett Lisp Tutor, és végül a sikeres geometria és Algebra oktatók tanítására számos sikeres programot alkalmaztak, amelyeket ma a Carnegie Learning Corporation értékesít.
Valerie Shute oktatáspszichológus 1994-ben kifejlesztett egy népszerű számítógépes modulsorozatot, amely az NBC Saturday Night Live televíziós műsorában a népszerű Dana Carvey paródia “egyházi hölgyére” utalt bevezető statisztikák tanítására. A Stat Lady hallgatói modelltervének egyes részeit Anderson ACT * elmélete befolyásolta. A Stat Lady innovatív volt a humoros digitálisan animált házigazdáján túl, mivel a hallgatói modell nagyon szorosan igazodott a tartalmi modellhez, eljárási, szimbolikus, fogalmi elemekbe kódolva, és nagyon finom részletességgel nyomon követhető annak érdekében, hogy megfelelő tantervi szekvenálást és kármentesítést biztosítson a hallgatónak pontosan a legértékesebb időben.
Lehet Intelligens Tutori Rendszerek Tanítani?
annak ellenére, hogy rendszerei nem láthatók a valós világban az egyetemi kutatólaboratóriumok ritka levegőjén kívül, szerény mennyiségű kutatás utal arra, hogy az intelligens oktatórendszerek figyelemre méltó növekedést érhetnek el a hallgatók tanulásában a hagyományos tantermi oktatáshoz képest.
például a Stat Lady teljesítményét összehasonlítva ugyanazzal a bevezető statisztikai anyaggal, amelyet egy hagyományos osztályteremben tanítottak, és megtalálta a keresett két szigma javulást az ITS-vel. Sherlock, az its célja, hogy tanítsa a terepi karbantartási eljárásokat a légierő földi személyzetének mechanikájára az F-16 vadászgépeken, 20-25 órás oktatás után ugyanolyan szintű kompetenciát tudott elérni, mint azok, akik négy év alatt hagyományos kiképzést végeztek. Carnegie Learning Corporation számolt be, hogy a diákok figyelembe Algebra I Tutor végzett 85% – kal jobb értékeléseket komplex problémamegoldó készség, 14% – kal jobb az alapvető matematikai készségek, és 30% – kal jobb TIMSS értékeléseket.
miért nem virágoztak az intelligens Oktatórendszerek?
az intelligens Oktatórendszerek nyilvánvalóan nem éltek a lehetőségeikkel, legalábbis az oktatási közösség általi elfogadásuk alapján megítélve, annak ellenére, hogy látszólag rendelkeznek a funkciók megfelelő kombinációjával. De igazságtalan lenne, ha néhányat engednénk le 30 évek kutatásai a végrehajtási kérdéseknek tűnnek. A rendszerek hatékonyságáról szóló tanulmányok eredményei azt sugallják, hogy hatékonyak lehetnek a hallgatók tanulásának elérésében, de számos tényező igazodott ahhoz, hogy “vereséget szenvedjen a győzelem állkapcsától.”
talán a legfontosabb leküzdendő akadály a programjai által használt tanfolyamok készítésének nehézsége. Történelmileg a legtöbb rendszer tartalmát “keményen kódolták” az ITS szoftverébe, amelyet képzett programozóknak kellett elvégezniük nagy költséggel. Ez azt is jelentette, hogy az oktatók és más témaszakértők nem tudtak közvetlenül részt venni a rendszerek tartalmi részeinek fejlesztésében. A rossz válaszok diagnosztizálásának kérdése rendkívül nehéz, időigényes és drága megoldandó probléma; ez megköveteli unalmasan összekötő kézzel számos lehetséges rossz választ konkrét javító utasítást.
Jobb Egérfogó?
az ITS-re gondolva nehéz elképzelni egy potenciálisan hatékonyabb oktatási rendszert. Az ilyen rendszerek tartalmazzák a tanítandó tartalom szemantikailag összekapcsolt konceptualizációját, annak megismerését, hogy a tanuló mit csinál és mit nem ért, valamint egy olyan szállítási módszert, amely ennek megfelelően adaptálja ezt az utasítást. Úgy tűnik, hogy a korai rendszereket nem hajtották végre elég jól ahhoz, hogy mainstreamré váljanak; de ennek ellenére gazdag alapot kell nyújtaniuk a jövőbeli tanító gépek számára, amelyekből levonhatják a tanulságokat, mivel ezek a rendszerek a számítógép erejét nem csupán az utasítások továbbítására használják.
