Cosa è successo con i sistemi di tutoraggio intelligenti?
L’uso più pedonale del computer come contenuto e di valutazione deliverer è il modo dominante computer servire l’istruzione oggi. Nella migliore delle ipotesi, la maggior parte dei sistemi semplicemente avvisare gli studenti di risposte sbagliate e fare poco per aiutare a guidare il processo di apprendimento. I ricercatori hanno iniziato a esaminare un metodo “più sensibile” per diagnosticare non solo se le risposte erano sbagliate, ma perché erano sbagliate. Questo concetto di diagnosi accurata degli errori è fondamentale per tutti i tutoraggi di successo e gli sviluppatori hanno iniziato a incorporare la comprensione della natura degli errori in una nuova generazione di strumenti didattici intelligenti. Mentre la definizione di uno strumento intelligente è oggetto di molto dibattito, c’è stato un certo consenso, almeno nel contesto dell’educazione, sul fatto che “un sistema deve comportarsi in modo intelligente, non essere effettivamente intelligente, come un essere umano”, secondo la psicologa Valerie Shute.
Sistemi di tutoraggio intelligenti
I progetti di sistemi di tutoraggio intelligenti differiscono significativamente dai loro predecessori storici basati su computer. Piuttosto che la strategia one-size-fits-all di fornire contenuti a uno studente passivo in quei disegni, I suoi disegni sono in grado di personalizzare l’esperienza di apprendimento che lo studente riceve in base a fattori quali la conoscenza preesistente, lo stile di apprendimento e il progresso dello studente attraverso il materiale contenuto.
Un ITS tipico conterrà una serie di componenti concettuali, o modelli, che interagiscono tra loro. Il modello di contenuto contiene una mappatura simile al Web del contenuto da apprendere, definendo i prerequisiti e le dipendenze tra gli elementi di contenuto. Il modello dello studente è unico per ogni studente e funziona in parallelo con il modello di contenuto per registrare ciò che lo studente fa e non capisce ancora. Infine, esiste un metodo per fornire l’istruzione allo studente, noto come modello pedagogico.
La maggior parte dei SUOI sistemi inizia il processo didattico determinando quali conoscenze lo studente conosce già, in genere attraverso una valutazione, e quindi aggiornando lo stato del modello dello studente man mano che si verifica l’istruzione. Il sistema confronta ciò che è necessario sapere con ciò che è noto (cioè confrontando il modello dello studente con il modello dei contenuti) e fornisce l’unità pedagogicamente appropriata di istruzione allo studente (vedi diagramma).
L’istruzione è spesso integrata con capacità di valutazione e/o risoluzione di problemi altamente interattive in modo che il modello dello studente sia aggiornato dinamicamente per riflettere sempre il livello di conoscenza attuale dello studente. L’ITS sfrutta il fatto che la granularità del contenuto è così fine e ben adattata al modello dello studente, che viene offerta la giusta quantità di rimedi, teoricamente producendo tempi di apprendimento più brevi.
Uno degli sforzi di maggior successo, almeno in termini di longevità, è la serie di tutor di matematica della Carnegie Mellon University per gli studenti delle scuole medie. Il professore di psicologia e informatica John Anderson è stato in grado di sposare la SUA ingegneria con una teoria della scienza cognitiva per simulare e comprendere la cognizione umana. Il suo ATTO * teoria dell’apprendimento è stato utilizzato per undergird un certo numero di successo i suoi programmi nei primi anni 1980 per insegnare la programmazione di computer Lisp, chiamato il Tutor Lisp, e, infine, il successo Geometria e Algebra Tutor, che sono venduti oggi da Carnegie Learning Corporation.
La psicologa educativa Valerie Shute ha sviluppato una popolare serie di moduli per computer nel 1994 che ha usato un’allusione alla “Church Lady” della famosa scenetta di Dana Carvey nello show televisivo Saturday Night Live della NBC per insegnare statistiche introduttive. Porzioni del design del modello studentesco di Stat Lady sono state influenzate dalla teoria ACT* di Anderson. Stat Lady era innovativo al di là del suo umoristico host animato digitalmente, in quanto il modello dello studente era molto strettamente allineato al modello di contenuto ed era codificato in elementi procedurali, simbolici, concettuali e tracciato con un livello molto fine di granularità al fine di fornire un adeguato sequenziamento e correzione del curriculum allo studente proprio nel momento più prezioso.
I sistemi di tutoraggio intelligenti possono insegnare?
Nonostante la mancanza di visibilità dei SUOI sistemi nel mondo reale al di fuori dell’aria rarefatta dei laboratori di ricerca universitari, c’è una modesta quantità di ricerca che suggerisce che i sistemi di tutoraggio intelligenti possono ottenere notevoli aumenti nell’apprendimento degli studenti rispetto all’istruzione tradizionale in classe.
Ad esempio, le prestazioni di Stat Lady rispetto allo stesso materiale statistico introduttivo insegnato in una classe tradizionale e ha trovato il tanto ricercato miglioramento a due sigma con l’ITS. Sherlock, un ITS progettato per insegnare le procedure di manutenzione sul campo ai meccanici dell’equipaggio di terra dell’Air Force sui caccia F-16, è stato in grado di fornire lo stesso livello di competenza dopo 20-25 ore di istruzione di coloro che hanno seguito l’addestramento tradizionale per un arco di quattro anni. Carnegie Learning Corporation ha riferito che gli studenti che hanno preso il loro Tutor di Algebra I hanno eseguito 85% meglio sulle valutazioni di complesse capacità di problem solving, 14% meglio sulle abilità matematiche di base e 30% meglio sulle valutazioni TIMSS.
Perché i sistemi di tutoraggio intelligenti non sono fioriti
I sistemi di tutoraggio intelligenti non sono chiaramente all’altezza del loro potenziale, almeno se giudicati dalla loro adozione da parte della comunità educativa, nonostante sembrino avere la giusta combinazione di caratteristiche. Ma sarebbe ingiusto scontare circa 30 anni di ricerca per quelli che sembrano essere problemi di esecuzione. I risultati degli studi sull’efficacia dei SUOI sistemi suggeriscono che possono essere efficaci nel raggiungere l’apprendimento degli studenti, ma una serie di fattori si sono allineati per consegnare “sconfitta dalle fauci della vittoria.”
Forse l’ostacolo più importante da superare è la difficoltà nella creazione di materiale didattico utilizzato dai SUOI programmi. Storicamente, la maggior parte dei sistemi aveva il loro contenuto “hard-coded” nel software dell’ITS, che doveva essere fatto da programmatori esperti a grandi spese. Ciò significava anche che gli istruttori e altri esperti in materia non erano in grado di partecipare direttamente allo sviluppo delle porzioni di contenuto dei sistemi. Il problema della diagnosi di risposte sbagliate risulta essere un problema estremamente difficile, dispendioso in termini di tempo e costoso da risolvere; richiede noiosamente collegando a mano un gran numero di potenziali risposte sbagliate con specifiche istruzioni correttive.
Una trappola per topi migliore?
Nel pensare al SUO, è difficile immaginare un sistema potenzialmente più efficace per l’istruzione. Tali sistemi contengono una concettualizzazione semanticamente connessa del contenuto da insegnare, un modo di sapere ciò che lo studente fa e non capisce e un metodo di consegna che adatta quell’istruzione di conseguenza. Sembrerebbe che i primi sistemi non sono stati eseguiti abbastanza bene per diventare mainstream; ma dovrebbero, nondimeno, fornire una ricca base per le future macchine didattiche da cui trarre lezioni, poiché questi sistemi iniziano a utilizzare la potenza del computer per più che semplicemente fornire istruzioni.
