Adaptive learning does not make teachers out-of-date. The ways of development of adaptive technology in education are considered. The possibility of using the deep learning model in adaptive learning systems is indicated.

1. АДАПТИВНОЕОБУЧЕНИЕНЕ ДЕЛАЕТ
УЧИТЕЛЕЙУСТАРЕВШИМИ
Харьков, Украина
Столяревская А.Л.
02.12.2019

2. Технологии ИИ
Технологии искусственного
интеллекта изучаются и
применяются во многих проектах,
направленных на обучение с
использованием таких технологий
как
• обработка естественного
языка,
• распознавание образов,
• интеллектуальное обучение,
• интеллектуальные агенты,
• игровые движки и
• адаптивные пользовательские
модели в
персонализированных средах
обучения.
Пример. Недавно фотореалистичная 3D-
модель человека выступила на TED.
Нейросеть динамически восстанавливала
3D-модель человека на основе
распознавания движения лицевых мышц.
https://neurohive.io/ru/novosti/digidoug-
fotorealistichnaya-3d-model-cheloveka-
vystupila-na-ted/ 2

3. ИОС
Интеллектуальные обучающие системы (ИОС), в состав
которых входят адаптивные пользовательские модели,
помогают обучать учащихся индивидуально:
адаптировать задачи,
оказывать помощь и
предоставлять обратную связь для обеспечения
прогресса отдельного учащегося.
ИОС используют большие данные - они собирают
информацию о том, как группа учащихся
взаимодействует с учебной средой и как она делает
успехи в своем обучении.
3

4. Состав ИОС
ИОС включают в себя
• модель предметной области,
• модель студента,
• модуль педагогики,
• модель эксперта и
• модель общения.
4

5. Использование адаптивной
пользовательской модели
5

6. Два цикла обучения
В адаптивных системах обучения реализованы два цикла
обучения: внутренний и внешний.
Система направляет учащихся через последовательность задач во
внешнем цикле и отслеживает пошаговое продвижение во
внутреннем цикле.
В соответствии с различием внешнего и внутреннего циклов
обучения есть также два основных свойства адаптивности: макро-
и микроадаптивность.
Макроадаптивность относится к изменению задач, видов
деятельности и учебных материалов, представляемых учащемуся
во внешнем цикле.
Микроадаптивность относится к вариациям обратной связи и
исправлению ошибок, когда учащийся работает в рамках
конкретной задачи или действия. Большая часть исследований и
достижений в области адаптивных систем сосредоточена на
моделировании учащихся во внутреннем цикле.
6

7. Усвоение знаний в ИОС
Основная идея заключается в том, что практически все
учащиеся могут получить знания по предмету, если
выполняются два условия:
(1) знание предметной области надлежащим образом
отображено в иерархии навыков и
(2) опыт обучения структурирован таким образом, что
можно убедиться, что учащиеся овладевают
необходимыми навыками, прежде чем они приступают к
навыкам более высокого уровня в иерархии.
7

8. Как создать иерархию
навыков
• Разбить результат обучения на множество навыков. Затем
выстроить между ними иерархические отношения – создать
дерево знаний.
• Разработать тесты, которые будут определять, что учащийся уже
умеет, т.е. определить его текущее место на дереве знаний.
• Распределить задания во времени. Определить, как часто
следует тренировать разные навыки, когда следует напомнить
о пройденном.
• Система должна уметь определять, тренировку какого навыка
предложить ученику на следующем этапе.
• Нужно учитывать и метакогнитивный компонент — то есть то,
как сам ученик оценивает свои знания. Программа может
считать, что пора уже переходить к чему-нибудь посложнее,
но если ученик пока не в уверен в себе, то и не стоит торопиться.
8

9. Пример дерева навыков
http://www.myshared.ru/slide/485399/
9

10. Первые опыты адаптивного
обучения
Исследования показывают, что учащиеся достигают значительных
успехов в обучении при использовании адаптивных
пользовательских моделей, которые включены в состав ИОС.
• Первую адаптивную обучающую машину, самоадаптирующийся
инструктор по клавиатуре, известный как SAKI, разработал
английский кибернетик и психолог Гордон Паск в начале 1950-х
годов.
• Система PLATO (программируемая логика для автоматических
обучающих операций), создана в 1960 году в университет
Иллинойса.
• В 1968 году в «Журнале прикладного анализа поведения» была
опубликована статья американского психолога Фреда Келлера
«До свидания, учитель…». В ней рассказывается об успешной
персонализированной системе обучения с концепцией усвоения
знаний, получившей название mastery learning. 10

11. Самоадаптирующийся инструктор по
клавиатуре - SAKI
• Как и многие обучающие
машины, SAKI действовал как
человек-репетитор.
• Адаптивный компонент
устройств предлагал больше,
чем просто оценку
правильности или
неправильности: он
определял и измерял ответы
ученика - точность, время
ответа – и, соответственно,
корректировал следующий
вопрос. 11

12. Использование сети PLATO
Одним из первых удачных проектов применения компьютера в
обучении можно считать создание в Университете Иллинойса в
1960 г. системы PLATO (Programmed Logic for Automatic Teaching
Operations - программируемая логика для автоматических
операций обучения). Различными авторами к 1985 г. для этой
системы было разработано 40 млн. часов тренингов.
12

13. План Келлера
• https://slideplayer.com/slide/7090859/
Фред Симмонс Келлер (2 января 1899 г. - 2
февраля 1996 г.) американский психолог,
пионер в области экспериментальной
психологии.
Он преподавал в Колумбийском
университете в течение 26 лет и дал свое
имя Плану Келлера (известному как
«Персонализированная система обучения»)
- ориентированному на мастерство
обучающему методу, который оказал
значительное влияние на систему научного
образования на уровне колледжа.
13

14. SCHOLAR
Последующие модели обучающих машин использовали
сильно упрощенные вычислительные представления, как в
семантических сетях в системе Дж. Карбонелла SCHOLAR.
Дж. Карбонелл в 1970 году представил систему SCHOLAR,
ориентированную на изучение географии Южной Америки.
Особенности системы:
• SCHOLAR могла поддерживать диалог, в котором роли
партнёров не были зафиксированы;
• впервые в качестве абстрактной среды для построения
модели предметной области использовалась концепция
семантической сети.
14

15. Фрагмент сетевой модели в
SCHOLAR
Wegner E. Artificial Intelligence and Tutoring System. 1987
15

16. Системы адаптивного
обучения начала XXI века
Адаптивную технологию в образовании в начале XXI века
внедрили компании Desire2Learn (D2L), Knewton, Smart
Sparrow и Geekie.
Наиболее известной является Knewton - компания с
адаптивным обучением, которая разработала платформу
для персонализации образовательного контента. Knewton
создала учебные программы для высшего образования,
сконцентрированные в областях STEM.
Основными частями платформы Knewton являются:
• система сбора данных,
• система выводов,
• система персонализации. 16

17. https://www.smartsparrow.com/
https://en.wikipedia.org/wiki/Smart_Sparrow
https://www.d2l.com/en-eu/
Платформа D2L обеспечивает доступность курсов, поддерживает
универсальный дизайн для обучения и облегчает создание
дифференцированных инструкций для поддержки мастерства с помощью
обучения на основе компетенций, а Smart Sparrow был назван одним из шести
«известных» поставщиков платформ для адаптивного обучения в 2013 году .
17

18. https://www.omidyar.com/investees/geekie
https://www.knewton.com/the-power-of-altas-adaptive-
technology/
18

19. Основные части платформы
Knewton (1-2)
1. Система сбора данных:
собирает и обрабатывает огромные объемы информации о знаниях
студента.
Адаптивная онтология: отображает связи между отдельными
понятиями и генерирует нужные системы, цели и алгоритмы
взаимодействия студентов
Расчетный блок: обрабатывает данные в реальном времени
и параллельно анализирует их для дальнейшего использования.
2. Система выводов:
увеличивает набор данных и делает на их основе выводы.
Психометрический блок: оценивает знания и умения студента,
подстраивает параметры контента. С каждым новым уровнем
информация о студенте становится точнее.
Блок стратегии обучения: оценивает чувствительность студентов
к изменениям в преподавании, темпе, оценивании.
Блок обратной связи: объединяет все эти данные и передает в систему
сбора данных.
19

20. Основные части платформы
Knewton (3)
3. Система персонализации:
использует мощь данных всей системы, чтобы найти оптимальную
стратегию для каждого студента на каждом уровне.
Блок рекомендаций: сообщает следующие шаги, корректирует
цели, оценивает сильные и слабые стороны студента, степень
вовлечения.
Блок аналитических прогнозов: предсказывает скорость
и вероятность достижения целей (например, вероятность того, что
студент пройдет тест на 70%), ожидаемую оценку, уровень знаний.
Единая история обучения: личная статистика студента,
учитывающая успехи в разных приложениях и предметных
областях.
20

21. Модель глубокого обучения
Здесь педагогический фокус переносится на следующее:
1) увеличение знаний и навыков учащегося (познание);
2) улучшение эмоционального состояния учащегося и общего
ощущения благополучия в его подходе к обучению (влияние);
3) повышение желания учащегося учиться и уверенности в себе,
готовности тратить усилия на обучение (мотивация);
4) повышение осведомленности и навыков учащегося при
использовании различных стратегий обучения (стратегия
обучения).
Для создания модели глубокого обучения автор (Essa 2016) вводит
так называемую круговую перспективу каждого учащегося,
основанную на различных аспектах, включая познание, влияние,
мотивацию и мета-познание.
Essa A. A possible future for next generation adaptive learning systems. December 2016.
https://slejournal.springeropen.com/articles/10.1186/s40561-016-0038-y
21

22. Мотивация
При разработке адаптивных систем важно получить ответы
на следующие вопросы.
• Каковы основные характеристики мотивации в обучении?
• Как мы можем измерить и обнаружить мотивацию и ее
потерю?
• Как мотивация влияет на обучение и наоборот?
• Как меняются мотивационные состояния в процессе обучения
и каковы их причины?
• Как можно изменить мотивацию у учащегося?
Пример. В работе (Hogberg et al. 2019) представлена разработка и проверка
инструмента для измерения игрового опыта пользователей.
Hogberg J., Hamari J., Wastlund E. Gameful Experience Questionnaire
(GAMEFULQUEST): an instrument for measuring the perceived gamefulness of
system use. User Modeling and User-Adapted Interaction. February, 2019.
Адаптивна гейміфікація в дослідженнях з гейміфікації освіти
https://www.slideshare.net/AllaStolyarevska/adaptive-gamifiction
22

23. Мотивационно-интеллектуальные
образовательные системы
Не нужно полагать, что на мотивацию во всех ее аспектах,
тонкостях и проявлениях могут повлиять компьютерные
системы. Учитель всегда будет занимать центральное место
в мотивации и вдохновении учащихся. Тем не менее, можно
использовать компьютеры для выявления и отслеживания
изменений мотивации.
Чтобы описать адаптивные системы, которые стремятся
«поддерживать или даже увеличивать желание учащегося
учиться и его готовность тратить усилия на выполнение
иногда трудных действий, которые ведут к обучению», был
придуман специальный термин «Мотивационно-
интеллектуальные образовательные системы»
23

24. Р.Бейкер. Большие данные в
образовании. Coursera, 2013
В сфере образования большие данные используются для разработки учебных
стратегий, оценки влияния этих стратегий на студентов и преподавателей, создания
персонализированной среды обучения.
В 2013 году состоялся курс Райана Бейкера «Большие Данные в образовании» в
рамках Coursera.
Пример. Обнаружение поведения. Анализ поведения «вне задач».
Важным фактором успешного обучения считается поддержание внимания в
классе/аудитории.
Потеря учебного времени в связи с так называемым «поведением вне задач»
признается педагогами серьезной проблемой.
Несмотря на проводимые предварительные исследования поведения обучаемых
вне задач, проектирование эффективных и простых в реализации мероприятий по
сокращению поведения вне задач является достаточно сложной задачей, так как в
процессе занятий с определенной периодичностью должна происходить запись
действий обучаемых в лог-файл, и это приводит к проблеме обработки больших
данных.
24

25. Регистрация поведения
В работе Бейкера предложен анализ шести взаимоисключающих
категорий для регистрации поведения вне задачи:
(1) самоотвлечение,
(2) отвлечение, инициированное одноклассником,
(3) отвлечение, инициированное средой,
(4) отвлечение, инициированное припасами,
(5) хождение,
(6) другие отвлечения.
Эта работа - результат крупномасштабного исследования того, как
школьники распределяют свое внимание в классе; работа выявляет
закономерности изменения распределения внимания в
зависимости от пола, уровня класса и учебного формата.
Выводы из результатов обработки данных дали основу для
разработки руководящих принципов в учебном проектировании.
25
Baker et al. Classroom activities and off-task behavior in elementary school children. 2013.
mindmodeling.org/cogsci2013/papers/0441/paper0441.pdf

26. Аналитика
Одним из наиболее важных атрибутов эффективных систем
обучения является его способность обеспечивать
непрерывную качественную персонализированную
обратную связь с учеником.
• Аналитика - это прежде всего постановка вопросов и
получение на них ответов.
Уровни аналитики
Учитывая три уровня аналитики, обратная связь с учащимся
должна предоставлять данные и идеи не только о прошлом,
но и включать данные о будущем и желаемом будущем.
26

27. Международныйобразовательныйфорум
по интеллектуальномусборуданных
27

28. Темы форума
28

29. 29
Было показано, что модель трассировки знаний, основанная на глубоком обучении, превосходит модель
трассировки традиционных знаний без необходимости в созданных человеком функциях, однако ее параметры и
представления уже давно подвергаются критике за невозможность объяснения. В этой статье предлагается Deep-
IRT, который представляет собой синтез модели теории отклика элемента (IRT) и модели трассировки знаний,
основанной на архитектуре глубокой нейронной сети, называемой динамической сетью памяти значения ключа
(DKVMN), что делает объяснимой трассировку знаний на основе глубокого обучения. Использована модель
DKVMN для обработки траектории обучения студента и оценки уровня способностей студента и уровня сложности
предмета с течением времени. Затем использована модель IRT, чтобы оценить вероятность того, что учащийся
ответит на предмет правильно, используя оценочные способности ученика и сложность предмета. Эксперименты
показывают, что модель Deep-IRT сохраняет производительность модели DKVMN, в то же время обеспечивая
прямую психологическую интерпретацию как учащихся, так и предметов.

30. Выводы
В работе представлен краткий обзор пути развития
адаптивных систем обучения.
Наряду с адаптивным обучением существуют другие виды
обучения, и все они основаны на технологиях. Традиционная
модель - это оффлайн-образование: учитель или профессор
оказывается в центре внимания, студенты ведут конспект. А
технологии, не вытесняя учителя из центра образовательной
системы, предлагают больше прислушиваться к учащимся.
Сейчас, спустя 50 лет после выхода статьи Ф.Келлера, мы не
можем сказать: «До свиданья, учитель…», т.к. именно
учителя, а не компьютеры, направляют и вдохновляют
учащихся в их обучении, а также способствуют мотивации
учащихся.
30

31. Спасибо за внимание!
31

32. ПриложениеА. Потокиданных в типовой
адаптивнойсистемеобучения
Последние достижения
в области больших
данных, развитие
аналитики обучения и
масштабируемой
архитектуры открывают
новые возможности для
адаптивных систем
обучения.
32
Компоненты и потоки данных через
типовую адаптивную систему обучения.
Терминология.
Dashboard - Приборная панель.
Intervention engine - Двигатель
посредничества.

33. ПриложениеB.
ПремииBaker Learning Analytics
33
Бейкер: «Обучающая аналитика и образовательный анализ данных прошли долгий путь за короткое время. …на
конференции Learning Analytics и Knowledge в 2019 году я представляю видение некоторых направлений, которые, по
моему мнению, должны быть в этой области: к большей интерпретируемости, обобщаемости, переносимости,
применимости и с более ясными доказательствами эффективности. Я представляю эти потенциальные направления
как набор из шести конкурсов с конкретными критериями того, что будет представлять успешный прогресс в каждой
из этих областей: премии Baker Learning Analytics (BLAP). Решение этих проблем приблизит область к достижению
полного потенциала использования данных, чтобы помочь учащимся и преобразовать образование в лучшую
сторону».