Hva Skjedde Med Intelligente Veiledningssystemer?
jo mer fotgjengerbruk av datamaskinen som innholds-og vurderingsleverandør er den dominerende måten datamaskiner tjener utdanning i dag. I beste fall, de fleste systemer bare varsle elever av feil svar og gjøre lite for å hjelpe læringsprosessen. Forskere begynte å se på «en mer sensitiv» metode for å diagnostisere ikke bare om svarene var feil, men hvorfor de var feil. Dette konseptet med nøyaktig feildiagnose er grunnleggende for all vellykket veiledning, og utviklere begynte å innlemme forståelsen av feilens natur i en ny generasjon intelligente læringsverktøy. Mens definisjonen av et intelligent verktøy er gjenstand for mye debatt, var det noen konsensus, i hvert fall i sammenheng med utdanning, at «et system må oppføre seg intelligent, ikke faktisk være intelligent, som et menneske,» ifølge psykologen Valerie Shute.
Intelligente Veiledningssystemer
Intelligente Veiledningssystemer design skiller seg vesentlig fra sine historiske datadrevne forgjengere. Snarere enn one-size-fits-all strategi for å levere innhold til en passiv elev i disse designene, er dens design i stand til å tilpasse læringsopplevelsen studenten mottar basert på faktorer som eksisterende kunnskap, læringsstil og studentens fremgang gjennom innholdsmaterialet.
en typisk dens vil inneholde en rekke konseptuelle komponenter, eller modeller, som samhandler med hverandre. Innholdsmodellen inneholder en web-lignende kartlegging av innholdet som skal læres, og definerer forutsetninger og avhengigheter mellom innholdselementene. Studentmodellen er unik for hver elev og arbeider parallelt med innholdsmodellen for å registrere hva studenten gjør, og ennå ikke forstår. Endelig er det en metode for å levere instruksjonen til eleven, kjent som den pedagogiske modellen.
de fleste systemene begynner undervisningsprosessen ved å bestemme hvilken kunnskap studenten allerede vet, vanligvis gjennom en vurdering, og deretter oppdaterer studentmodellens status som instruksjon. Systemet sammenligner det som trengs å vite med det som er kjent (dvs. å sammenligne studentmodellen med innholdsmodellen) og leverer den pedagogisk hensiktsmessige undervisningsenheten til studenten (se diagram).
instruksjonen er ofte innebygd med vurdering og / eller svært interaktive problemløsende evner, slik at studentmodellen oppdateres dynamisk for alltid å gjenspeile studentens nåværende kunnskapsnivå. ITS utnytter det faktum at innholdet i innholdet er så fint og godt tilpasset studentmodellen, at akkurat den rette mengden utbedring tilbys, teoretisk gir kortere læringstider.
En av de mest vellykkede innsats, i hvert fall i form av sin levetid, Er Carnegie Mellon Universitys serie av matematikk veiledere for ungdoms schoolers. Psykologi og datavitenskapsprofessor John Anderson var i stand til å gifte seg med sin ingeniør til en kognitiv vitenskapsteori for å simulere og forstå menneskelig kognisjon. HANS ACT * theory of learning ble brukt til å underbygge en rekke vellykkede programmer tidlig på 1980-tallet for å undervise I Lisp – dataprogrammering, Kalt Lisp Tutor, og til slutt de vellykkede Geometry And Algebra Tutors, som selges i Dag av Carnegie Learning Corporation.
Pedagogisk psykolog Valerie Shute utviklet en populær serie av datamoduler i 1994 som brukte en hentydning til «Church Lady» Fra den populære Dana Carvey skit PÅ NBCS Saturday Night Live tv-show for å undervise innledende statistikk. Deler Av Stat Lady student modell design ble påvirket Av Andersons ACT * teori. Stat Lady var nyskapende utover sin humoristiske digitalt animerte vert, ved at studentmodellen var veldig tett justert til innholdsmodellen og ble kodet inn i prosessuelle, symbolske, konseptuelle elementer og sporet med et veldig fint nivå av granularitet for å levere passende pensumsekvensering og utbedring til studenten på nøyaktig den mest verdifulle tiden.
Kan Intelligente Veiledningssystemer Lære?
til tross for mangelen på synlighet av sine systemer i den virkelige verden utenfor den rarified luften av universitetsforskningslaboratorier, er det en beskjeden mengde forskning som tyder på at intelligente veiledningssystemer kan oppnå bemerkelsesverdige økninger i studentlæring over tradisjonell klasseromsundervisning.
For Eksempel Stat Lady ytelse sammenlignet med samme innledende statistikk materiale undervist i et tradisjonelt klasserom, og hun fant den ettertraktede to-sigma forbedring MED ITS. Sherlock, EN ITS designet for å lære feltvedlikeholdsprosedyrer Til Air Force ground crew mekanikk På F-16 jagerfly, var i stand til å gi samme nivå av kompetanse etter 20-25 timer med undervisning som de som tok tradisjonell trening over en fire-års span. Carnegie Learning Corporation rapporterte at studenter som tok Sin Algebra I Tutor, utførte 85% bedre på vurderinger av komplekse problemløsende ferdigheter, 14% bedre på grunnleggende matematikkferdigheter og 30% bedre PÅ TIMSS-vurderinger.
Hvorfor Intelligente Veiledningssystemer ikke Har Blomstret
Intelligente Veiledningssystemer har tydeligvis ikke levd opp til sitt potensial, i hvert fall når de vurderes av deres adopsjon av utdanningssamfunnet, til tross for tilsynelatende å ha den rette kombinasjonen av funksjoner. Men det ville være urettferdig å redusere noen 30 års forskning for det som synes å være spørsmål om utførelse. Resultatene av studier på effekten av sine systemer tyder på at de kan være effektive i å oppnå student læring, men en rekke faktorer har justert for å levere «nederlag fra kjevene til seier.»
kanskje det viktigste hinderet å overvinne er vanskeligheten i å forfatte kursmateriell som brukes av sine programmer. Historisk sett hadde de fleste systemer sitt innhold «hardkodet» i ITS programvare, som måtte gjøres av dyktige programmerere på stor bekostning. Dette innebar også at instruktører og Andre Fageksperter ikke kunne delta direkte i utviklingen av innholdsdelene av systemene. Spørsmålet om å diagnostisere feil svar viser seg å være et svært vanskelig, tidkrevende og dyrt problem å løse; det krever kjedelig å koble for hånd et stort antall potensielle feil svar med spesifikk remedial instruksjon.
En Bedre Musefelle?
når man tenker PÅ DET, er det vanskelig å forestille seg et potensielt mer effektivt system for instruksjon. Slike systemer inneholder en semantisk koblet konseptualisering av innholdet som skal undervises, en måte å vite hva eleven gjør og ikke forstår, og en leveringsmetode som tilpasser denne instruksjonen tilsvarende. Det ser ut til at de tidlige systemene ikke ble utført godt nok til å bli vanlige; men de bør likevel gi et rikt grunnlag for fremtidige undervisningsmaskiner å trekke leksjoner fra, da disse systemene begynner å bruke datamaskinens kraft til mer enn bare å levere instruksjon.
