Vad Hände Med Intelligenta Handledningssystem?
ju mer fotgängaranvändning av datorn som innehålls-och bedömningsleverantör är det dominerande sättet datorer tjänar utbildning idag. I bästa fall varnar de flesta system helt enkelt eleverna om felaktiga svar och gör lite för att hjälpa till att styra inlärningsprocessen. Forskare började undersöka ”en mer känslig” metod för att diagnostisera inte bara om svaren var fel, men varför de hade fel. Detta koncept för korrekt feldiagnos är grundläggande för all framgångsrik handledning, och utvecklare började införliva förståelsen för felens natur i en ny generation intelligenta undervisningsverktyg. Medan definitionen av ett intelligent verktyg är föremål för mycket debatt, fanns det viss enighet, åtminstone inom ramen för utbildning, att ”ett system måste bete sig intelligent, inte faktiskt vara intelligent, som en människa”, enligt psykologen Valerie Shute.
intelligenta handledningssystem
intelligenta handledningssystem design skiljer sig avsevärt från sina historiska datordrivna föregångare. I stället för one-size-fits-all strategi för att leverera innehåll till en passiv elev i dessa mönster, kan dess mönster anpassa den inlärningsupplevelse som studenten får baserat på faktorer som befintlig kunskap, inlärningsstil och studentens framsteg genom innehållsmaterialet.
en typisk ITS kommer att innehålla ett antal konceptuella komponenter, eller modeller, som interagerar med varandra. Innehållsmodellen innehåller en webbliknande kartläggning av innehållet som ska läras, som definierar förutsättningar och beroenden mellan innehållselementen. Studentmodellen är unik för varje elev och arbetar parallellt med innehållsmodellen för att registrera vad studenten gör och ännu inte förstår. Slutligen finns det en metod för att leverera instruktionen till eleven, känd som den pedagogiska modellen.
de flesta dess system börjar instruktionsprocessen genom att bestämma vilken kunskap studenten redan vet, vanligtvis genom en bedömning, och sedan uppdatera studentmodellens status när undervisningen sker. Systemet jämför vad som behövs för att veta med vad som är känt (dvs. att jämföra studentmodellen med innehållsmodellen) och levererar den pedagogiskt lämpliga undervisningsenheten till studenten (se diagram).
instruktionen är ofta inbäddad med bedömnings-och/eller mycket interaktiva problemlösningsfunktioner så att studentmodellen uppdateras dynamiskt för att alltid återspegla studentens nuvarande kunskapsnivå. ITS utnyttjar det faktum att innehållets granularitet är så fin och väl anpassad till studentmodellen, att precis rätt mängd sanering erbjuds, vilket teoretiskt ger kortare inlärningstider.
en av de mest framgångsrika ansträngningarna, åtminstone när det gäller dess livslängd, är Carnegie Mellon Universitys serie matematikhandledare för gymnasieskolor. Psykologi och datavetenskap professor John Anderson kunde gifta sig med sin teknik till en kognitiv vetenskapsteori för att simulera och förstå mänsklig kognition. Hans ACT * theory of learning användes för att undergrida ett antal framgångsrika sina program i början av 1980-talet för att undervisa Lisp-datorprogrammering, kallad Lisp Tutor, och i slutändan de framgångsrika geometri-och Algebrahandledarna, som säljs idag av Carnegie Learning Corporation.
pedagogisk psykolog Valerie Shute utvecklade en populär serie datormoduler 1994 som använde en hänvisning till ”Church Lady” från den populära Dana Carvey skit på NBC: s Saturday Night Live TV-show för att undervisa introduktionsstatistik. Delar av Stat Ladys studentmodelldesign påverkades av Andersons ACT* – teori. Stat Lady var innovativ utöver sin humoristiska digitalt animerade värd, genom att studentmodellen var mycket tätt anpassad till innehållsmodellen och kodades in i procedurella, symboliska, konceptuella element och spårades med en mycket fin nivå av granularitet för att leverera lämplig läroplan sekvensering och sanering till studenten vid exakt den mest värdefulla tiden.
Kan Intelligenta Handledningssystem Undervisa?
trots bristen på synlighet av sina system i den verkliga världen utanför den sällsynta luften av universitetsforskningslaboratorier, finns det en blygsam mängd forskning som tyder på att intelligenta handledningssystem kan uppnå anmärkningsvärda ökningar av studentinlärning över traditionell klassrumsinstruktion.
till exempel, Stat Dam prestanda jämfört med samma inledande statistik material som lärs ut i en traditionell klassrum och hon fann mycket eftertraktade två sigma förbättring med ITS. Sherlock, en ITS utformad för att undervisa fältunderhållsprocedurer till Flygvapnets markbesättningsmekanik på F-16-fighters, kunde ge samma kompetensnivå efter 20-25 timmars undervisning som de som tog traditionell träning under en fyraårsperiod. Carnegie Learning Corporation rapporterade att studenter som tog sin Algebra I-handledare utförde 85% bättre på bedömningar av komplexa problemlösningsförmåga, 14% bättre på grundläggande matematiska färdigheter och 30% bättre på TIMSS-bedömningar.
varför intelligenta handledningssystem inte har blomstrat
intelligenta handledningssystem har uppenbarligen inte levt upp till sin potential, åtminstone när de bedöms av deras antagande av utbildningsgemenskapen, trots att de verkar ha rätt kombination av funktioner. Men det skulle vara orättvist att diskontera cirka 30 års forskning för vad som verkar vara frågor om utförande. Resultaten av studierna om effektiviteten hos sina system tyder på att de kan vara effektiva för att uppnå studentinlärning, men ett antal faktorer har anpassats för att leverera ”nederlag från segerns käftar.”
det kanske viktigaste hindret att övervinna är svårigheten att skapa kursmaterial som används av dess program. Historiskt sett hade de flesta system sitt innehåll ”hårdkodat” i dess programvara, vilket måste göras av skickliga programmerare till stor kostnad. Detta innebar också att instruktörer och andra ämnesexperter inte kunde delta direkt i utvecklingen av innehållsdelarna i systemen. Frågan om att diagnostisera felaktiga svar visar sig vara ett mycket svårt, tidskrävande och dyrt problem att lösa; det kräver tråkigt att ansluta för hand ett stort antal potentiella felaktiga svar med specifika korrigerande instruktioner.
En Bättre Råttfälla?
när man tänker på det är det svårt att föreställa sig ett potentiellt effektivare system för instruktion. Sådana system innehåller en semantiskt kopplad konceptualisering av innehållet som ska läras ut, ett sätt att veta vad eleven gör och inte förstår, och en leveransmetod som anpassar den instruktionen i enlighet därmed. Det verkar som om de tidiga systemen inte utfördes tillräckligt bra för att bli vanliga; men de borde ändå ge en rik grund för framtida undervisningsmaskiner att dra lärdomar av, eftersom dessa system börjar använda datorns kraft för mer än att bara leverera instruktioner.
