Adaptivní učení je vzdělávací metoda, která využívá počítače jako interaktivní učební pomůcky. Počítače přizpůsobují prezentaci vzdělávacích materiálů podle studijních potřeb studentů, jak vyplývá z jejich odpovědí na otázky a úkoly. Tento model má původ v radikálním behavioristickém hnutí 50. let a nerealizovaném příslibu výukových strojů a programované výuky B.F. Skinnera. Motivací je umožnit elektronickému vzdělávání začlenit hodnotu interaktivity, kterou studentovi poskytuje skutečný lidský učitel nebo lektor. Technologie zahrnuje aspekty odvozené z různých studijních oborů včetně informatiky, vzdělávání a psychologie.
Adaptivní učení bylo částečně poháněno poznáním, že učení na míru nelze dosáhnout ve velkém měřítku za použití tradičních, nepřizpůsobivých přístupů. Adaptivní vzdělávací systémy se snaží přeměnit učícího se z pasivního receptoru informací na spolupracovníka ve vzdělávacím procesu. Adaptivní vzdělávací systémy mají primární uplatnění ve vzdělávání, ale další populární aplikací je business training. Byly navrženy jako aplikace pro stolní počítače i webové aplikace.
Adaptivní učení je také známé jako adaptivní vzdělávací hypermédia, počítačové učení, adaptivní výuka, inteligentní výukové systémy a počítačové pedagogické prostředky.
Adaptivní učení nebo inteligentní doučování má svůj původ v hnutí umělé inteligence a začalo získávat popularitu v 70. letech 20. století. V té době se všeobecně přijímalo, že počítače nakonec dosáhnou lidské schopnosti adaptivity. V adaptivním učení je základním předpokladem, že nástroj nebo systém bude schopen přizpůsobit se metodě učení studenta/uživatele, což má za následek lepší a efektivnější zkušenost s učením pro uživatele. Ještě v 70. letech byla hlavní bariérou cena a velikost počítačů, což způsobilo, že rozšířená aplikace byla nepraktická. Další překážkou v přijetí raných inteligentních systémů bylo, že uživatelská rozhraní neprospívala procesu učení.
Až Autotutor, který byl vyvinut Institutem inteligentního systému na přelomu století, dostal adaptivní učební systémy hlas. To byl významný krok v adaptivních učebních systémech, protože to přidalo další médium v komunikaci s koncovým uživatelem. Podle zakladatele a vedoucího projektu Autotutor – Graesser – „Mluvené výpočetní prostředí může podporovat sociální vztahy, které mohou zlepšit učení.“ Také v některých aplikacích je audio obsah nutností, například v aplikacích pro studium jazyků. Dnes počet nových společností v oblasti adaptivních učebních systémů neustále roste, protože stále více učeben se stává počítačovými a další odvětví nacházejí využití pro aplikace adaptivního učení, jako je například profesní rozvoj.
Technologie a metodika
Adaptivní výukové systémy byly tradičně rozděleny do samostatných složek nebo „modelů“. Zatímco byly prezentovány různé skupiny modelů, většina systémů obsahuje některé nebo všechny z následujících modelů (příležitostně s různými názvy):
Odborný model ukládá informace o materiálu, který je vyučován. To může být stejně jednoduché jako řešení pro danou otázku, ale může to také zahrnovat lekce a výukové programy a v sofistikovanějších systémech dokonce i odborné metodiky pro ilustraci přístupů k otázkám.
Adaptivní vzdělávací systémy, které nezahrnují expertní model, budou obvykle tyto funkce zahrnovat do výukového modelu.
Algoritmy studentského modelu jsou v posledních dvaceti letech bohatou oblastí výzkumu. Nejjednodušším prostředkem pro určení úrovně dovedností studenta je metoda používaná v CAT (Computer Adaptive Testing). V CAT je předmětu předkládány otázky, které jsou vybírány na základě jejich úrovně obtížnosti ve vztahu k předpokládané úrovni dovedností předmětu. Jak test probíhá, počítač upravuje skóre předmětu na základě jeho odpovědí a průběžně dolaďuje skóre výběrem otázek z užšího rozsahu obtížnosti.
Algoritmus pro hodnocení ve stylu CAT je jednoduchý na implementaci. Velký okruh otázek je nashromážděn a hodnocen podle obtížnosti, buď pomocí odborné analýzy, experimentování, nebo kombinací obou. Počítač pak provádí v podstatě binární vyhledávání, vždy dává subjektu otázku, která je na půl cesty mezi tím, co již počítač určil jako maximální a minimální možnou úroveň dovedností subjektu. Tyto úrovně jsou pak upraveny na úroveň obtížnosti otázky, přičemž se přiřadí minimum, pokud subjekt odpověděl správně, a maximum, pokud subjekt odpověděl nesprávně. Je zřejmé, že je třeba vytvořit určitý prostor pro chyby, aby se mohly vytvořit scénáře, kdy odpověď subjektu nevypovídá o jejich skutečné úrovni dovedností, ale je prostě náhodná. Kladení více otázek z jedné úrovně obtížnosti značně snižuje pravděpodobnost zavádějící odpovědi a umožnění zvětšení rozsahu nad předpokládanou úroveň dovedností může kompenzovat možné chybné hodnocení.
Bohatší algoritmy studentských modelů se snaží určit kauzalitu a poskytnout rozsáhlejší diagnózu studentových slabin propojením ‚konceptů‘ s otázkami a definováním silných a slabých stránek z hlediska konceptů spíše než jednoduchých ‚úrovní‘ schopností. Vzhledem k tomu, že více konceptů může ovlivnit jednu otázku, otázky musí být propojeny se všemi relevantními koncepty. Například matice může uvádět binární hodnoty (nebo dokonce skóre) pro průnik každého konceptu a každé otázky. Potom musí být vypočteny podmíněné hodnoty pravděpodobnosti, aby odrážely pravděpodobnost, že student, který je slabý v konkrétním konceptu, nedokáže správně odpovědět na konkrétní otázku. Student skládá test, pravděpodobnosti slabin ve všech konceptech podmíněné nesprávnými odpověďmi ve všech otázkách mohou být vypočteny pomocí Bayesova zákona (tyto adaptivní metody učení se často nazývají bayesovské algoritmy).
Dalším rozšířením identifikace nedostatků z hlediska pojmů je naprogramování studentského modelu k analýze nesprávných odpovědí. To platí zejména pro otázky s více možnostmi. Vezměme si následující příklad:
Je zřejmé, že student, který odpoví b), sčítá exponenty a nedokáže pochopit pojem obdobných pojmů. V tomto případě poskytuje nesprávná odpověď dodatečný vhled nad rámec prostého faktu, že je nesprávná.
Výukový model se obecně snaží začlenit nejlepší vzdělávací nástroje, které technologie nabízí (například multimediální prezentace) s odborným poradenstvím učitelů pro metody prezentace. Úroveň sofistikovanosti výukového modelu do značné míry závisí na úrovni sofistikovanosti studentského modelu. Ve studentském modelu ve stylu CAT bude výukový model jednoduše třídit lekce v souladu s hodnostmi pro skupinu otázek. Když je úroveň studenta uspokojivě určena, výukový model poskytne vhodnou lekci. Pokročilejší studentské modely, které hodnotí na základě konceptů, potřebují výukový model, který organizuje své lekce také podle konceptů. Výukový model může být navržen tak, aby analyzoval sbírku slabin a podle toho uzpůsobil výukový plán.
Když jsou nesprávné odpovědi vyhodnocovány studentským modelem, některé systémy se snaží poskytnout zpětnou vazbu na skutečné otázky ve formě ‚rad‘. Když student dělá chyby, objevují se užitečné návrhy, jako například „podívejte se pozorně na znaménko čísla“. I to může spadat do domény instruktážního modelu, kdy jsou na základě slabin konceptu nabízeny obecné rady založené na konceptu, nebo mohou být rady specifické pro otázky, v takovém případě se studentské, instruktážní a expertní modely překrývají.
Realizace distančního vzdělávání
Adaptivní výukové systémy lze implementovat na internetu pro použití v aplikacích distančního vzdělávání a skupinové spolupráce.
Oblast distančního vzdělávání nyní začleňuje aspekty adaptivního vzdělávání. Počáteční systémy bez adaptivního vzdělávání byly schopny poskytovat automatizovanou zpětnou vazbu studentům, kterým jsou předkládány otázky z předem vybrané banky otázek. Tento přístup však postrádá vodítko, které mohou poskytnout učitelé ve třídě. Současné trendy v distančním vzdělávání si žádají využití adaptivního vzdělávání k implementaci inteligentního dynamického chování v učebním prostředí.
Během doby, kterou student stráví učením se novému konceptu, jsou testováni na svých schopnostech a databáze sledují jejich pokrok pomocí jednoho z modelů. Nejnovější generace systémů distančního vzdělávání zohledňuje odpovědi studentů a přizpůsobuje se kognitivním schopnostem studenta pomocí konceptu zvaného ‚kognitivní lešení‘. Kognitivní lešení je schopnost automatizovaného systému učení vytvořit kognitivní cestu hodnocení od nejnižší po nejvyšší založenou na prokázaných kognitivních schopnostech. Současnou úspěšnou implementací adaptivního učení v webovém distančním vzdělávání je Javorový engine WebLearn od RMIT univerzity. WebLearn je dostatečně pokročilý, aby mohl poskytnout posouzení otázek položených studentům, i když tyto otázky nemají jedinečnou odpověď jako ty v oblasti matematiky.
Firmy v současné době využívající adaptivní technologii učení
Zpráva z roku 2013, kterou si nechala vypracovat Nadace Gatesových, obsahuje seznam téměř čtyřiceti společností, které v současnosti působí v oblasti adaptivních učebních technologií.