Apprendimento personalizzato: una rivoluzione dei dati
Gli approcci del ventunesimo secolo si concentrano sullo stato cognitivo e motivazionale dell'apprendente.
Autore
Chi non desidererebbe un mondo in cui tutto ciò con cui interagisce sia personalizzato in base alle proprie esigenze?
L'avvento di Big Data L'apprendimento automatico ci ha condotti verso un futuro in cui questa visione si sta concretizzando a un ritmo incredibilmente rapido, grazie alla nostra capacità di acquisire e archiviare ogni informazione su di noi, dalle sequenze di tasti premute sui nostri computer alle nostre sequenze genetiche e al DNA. Ciò ha portato alla nascita della medicina personalizzata, che seleziona le procedure più adatte alla nostra specifica chimica corporea, alla pubblicità personalizzata, che ci mostra la marca di jeans che ci sta meglio, e persino all'apprendimento personalizzato in base alle nostre esigenze individuali.
L'idea immensamente potente alla base dell'apprendimento personalizzato è quella di fornire allo studente ambienti di apprendimento e istruzioni significativi, come alternativa a un approccio "taglia unica" in cui tutti in una classe vedono lo stesso materiale nello stesso momento. Tuttavia, il termine personalizzato Comprende una vasta gamma di metodi e strategie, con significati diversi per comunità diverse, il che rende difficile capire con precisione come un tale approccio verrà implementato.
Gli approcci del XXI secolo alla personalizzazione dell'apprendimento si fondano sul principio che l'apprendimento avviene attraverso la pratica, non attraverso l'ascolto.
Alcuni di questi approcci sono legati all'apprendimento basato sugli interessi, in cui l'insegnamento viene personalizzato consentendo allo studente di selezionare progetti e problemi che lo motivano, che si tratti della chimica nell'attivismo ambientale o della fisica alla base del paracadutismo. Altri metodi prevedono la creazione di comunità di apprendimento che offrono lavori di gruppo e opportunità per gli insegnanti di approfondire la comprensione delle esigenze di apprendimento dei propri studenti.
In alternativa, gli approcci del ventunesimo secolo alla personalizzazione dell'apprendimento affrontano il governo e stato motivazionale dell'apprendenteQuesti approcci sono possibili solo grazie ai flussi di dati generati dal crescente coinvolgimento degli studenti nelle attività di apprendimento online e si fondano sul principio che l'apprendimento avviene attraverso la pratica piuttosto che attraverso l'ascolto. Pertanto, si concentrano sulla risoluzione di problemi importanti in un determinato ambito.
L'intelligenza artificiale rileva e sfrutta i punti di forza e di debolezza di ogni studente.
I sistemi di apprendimento personalizzati che fanno questo sono guidati da Intelligenza Artificiale che modella la cognizione dello studente per valutare lo stato attuale del singolo studente e quindi fornisce un'istruzione mirata a tale stato.
Questo processo si articola in due fasi. Innanzitutto, mentre lo studente affronta un problema, i sistemi di apprendimento personalizzato individuano gli errori concettuali più comuni che lo studente può commettere in qualsiasi fase del percorso. Ciò consente al sistema di fornire feedback e supporto mirati specificamente al problema riscontrato dallo studente. Ad esempio, durante la risoluzione di un problema di addizione di frazioni, un giovane studente potrebbe confondere il denominatore con il numeratore. Il sistema è in grado di rilevare questo errore e fornire feedback e suggerimenti aggiuntivi che lo guidino verso la comprensione dei concetti di numeratore e denominatore, aiutandolo al contempo a completare l'esercizio.
Il secondo approccio adottato da questi sistemi consiste nel selezionare materiale didattico appropriato per lo studente, in base alle sue conoscenze pregresse. Questo processo solitamente prevede la scomposizione degli ambiti di apprendimento nelle competenze di base. In questo modo, gli studenti possono concentrarsi sulla pratica negli ambiti in cui ne hanno più bisogno. Ad esempio, lo stesso studente potrebbe aver dimostrato di comprendere l'addizione di frazioni, ma solo quando i denominatori sono uguali; pertanto, il sistema potrebbe indirizzare specificamente la pratica delle frazioni con denominatori diversi.
"L'insegnante è liberato dalla necessità di uniformare l'insegnamento e può girare per la classe per fornire un supporto mirato agli studenti che ne hanno bisogno."
L'apprendimento personalizzato amplia la portata dell'insegnante.
Sebbene questi sistemi si basino sulla raccolta di flussi di dati digitali mentre gli studenti lavorano al computer, sono generalmente progettati per funzionare all'interno dell'ecosistema della classe. Ad esempio, l'insegnante può tenere lezioni in classe tre giorni alla settimana, mentre gli studenti lavorano al computer nei restanti due. Questo evita il problema dell'insegnante che deve adattare il proprio programma al livello "medio" della classe.
Al contrario, gli studenti più avanti nel programma, che spesso si annoiano stando seduti in classe, si sentono incoraggiati a progredire al proprio ritmo e spesso si appassionano maggiormente alla materia. Gli studenti che faticano a tenere il passo con l'insegnante, invece, ricevono un supporto personalizzato dal sistema. Ma soprattutto, l'insegnante è liberato dalla necessità di uniformare l'insegnamento e può muoversi liberamente in classe per fornire un aiuto mirato agli studenti che ne hanno bisogno.
"Sebbene l'idea e la prima implementazione di tali sistemi esistano da un quarto di secolo, ora è il momento giusto, poiché i progressi nel deep learning, nella modellazione cognitiva e nell'hardware stanno convergendo."
Questi sistemi hanno dimostrato in molti studi di essere vantaggiosi per gli studenti, migliorando la padronanza dei contenuti. Infatti, alcuni studi hanno dimostrato che sono particolarmente utili per gli studenti più bisognosi, che altrimenti farebbero fatica a stare al passo con i loro coetanei, e lavori più recenti hanno incorporato funzionalità aggiuntive che migliorano l'apprendimento, come gli agenti virtuali che motivano gli studenti e supporto per una migliore ricerca di aiuto.
Sebbene l'idea e le prime implementazioni di tali sistemi esistano da un quarto di secolo, ora è il momento giusto, poiché i progressi nel deep learning, nella modellazione cognitiva e nell'hardware stanno convergendo. L'era dell'apprendimento personalizzato è alle porte!
Autore
Le note
Referenze
Johnson, WL, & Lester, JC (2016). L'interazione diretta con gli operatori pedagogici, vent'anni dopo. Società Internazionale sull'Intelligenza Artificiale nell'Istruzione 2015, 26, 25–36.
Roll, I., Aleven, V., McLaren, BM, & Koedinger, KR (2011). Migliorare le capacità degli studenti di chiedere aiuto attraverso il feedback metacognitivo in un sistema di tutoraggio intelligente. Apprendimento e istruzione, 21(2), 267-280.
Koedinger, KR, Anderson, JR, Hadley, WH e Mark, MA (1997). Il tutoraggio intelligente arriva a scuola nella grande città.
Un commento
I commenti sono chiusi.
Mi interessa capire come i dispositivi indossabili continueranno a cogliere questo aspetto, da un punto di vista educativo; vi prego di contattarmi.