Адаптивное обучение: что это и зачем нужно

Адаптивное обучение — это метод, который позволяет персонализировать учебный процесс под нужды конкретного ученика.

Сегодня под адаптивным обучением обычно подразумевают адаптивные образовательные системы — технологии, которые взаимодействуют со студентом в режиме реального времени и предлагают ему тот или иной вид индивидуальной поддержки.

Что это означает? Система, опираясь на данные об ученике (например, текущий уровень знаний, степень мотивации, темп обучения), подстраивается под него. Так, если ученик решил несколько задач подряд без ошибок, система предложит ему задачи труднее. Если же в решении было много ошибок, придётся повторить пройденное или потренироваться на задачах полегче.

Разберёмся:

• с чего началось адаптивное обучение;
• как устроены системы адаптивного обучения;
• зачем такое обучение вообще нужно и кто занимается им в России;
• почему эта технология пока не стала (и вряд ли станет в ближайшее время) массовой и какие сложности она создаёт для тех, кто учит.

Как появились адаптивные системы обучения

«Отцами-основателями» современных систем адаптивного обучения в частности и программированного обучения вообще обычно называют американского профессора психологии Сидни Левиата Пресси, а также знаменитого американского психолога-бихевиориста и изобретателя Берреса Фредерика Скиннера. Заслуга их в том, что они создали первые обучающие машины.

Как в США создавали обучающие машины

Первую такую машину Пресси придумал ещё в 1923 году. По современным меркам, она была устроена довольно просто. Ученик выбирал один из нескольких вариантов ответов и, если выбор был правильным, переходил к следующему вопросу. Учёный считал, что при правильной организации материала такая машина может быть своеобразным учителем, а ещё даст возможность заниматься в своём темпе.

Частично эту идею продолжил Скиннер. Однако он, в отличие от предшественника, считал, что обучающие машины — не учителя, а помощники, тьюторы. Изобретатель был уверен, что ученик должен сам составить или написать один ответ — вместо выбора из нескольких. После верного решения учащийся получал быстрое вознаграждение, а значит, и мотивацию.

В 1956 году Паск запатентовал машину SAKI для обучения работе с табулятором и перфокартами. Это был своеобразный тренажёр: на небольшом экране появлялась задача с номером кнопки, студент нажимал на кнопки, а машина учитывала время на ответ и их правильность. Допустим, человек прекрасно выучил, где находятся кнопки под номером 1 и 2, тогда на нажатие давалось меньше времени. А если он никак не мог запомнить, где же кнопка 3, система давала ему время подумать и подсказку.

Уникальность изобретения Паска в том, что SAKI впервые действительно «адаптировалась» под студента, а не просто останавливала или продолжала процесс. Кроме того, именно эту систему стали впервые производить на коммерческой основе.

Читайте также:

Роботы-учителя — какие у них перспективы и какой от них толк на самом деле?

Как в России разрабатывали принципы программированного обучения

Примечательно, что, если основоположниками программированного и адаптивного обучения в США были бихевиористы, в России заслуги в этой сфере принадлежат скорее когнитивистам.

Среди исследователей, которые внесли значительный вклад в развитие этой сферы, выделяют:

• Психолога Льва Наумовича Ланду — он ввёл в психологию понятие «алгоритма умственных действий» и попытался описать, как можно измерить умственные процессы и как в дальнейшем структурно на них воздействовать.
• Психолога Петра Яковлевича Гальперина. Он разработал теорию поэтапного формирования умственных действий, а та, в свою очередь, стала основой принципов программированного обучения.
• Психолога Нину Фёдоровну Талызину. Её идея заключалась в том, чтобы формулировать измеряемую цель обучения, сам материал делить на небольшие блоки и давать его ученикам поэтапно. За каждым этапом следовала самопроверка. В основе этой идеи было использование обучающей машины.

Как на адаптивное обучение повлияло развитие технологий

С развитием цифровых технологий на смену идее об обучающей машине пришли цифровые платформы. Одной из первых таких платформ была Lexia Learning, которую в 1984 году основал финансист Роберт Лемир. Его сын был дислексиком, но благодаря персонализированному подходу он смог добиться больших успехов в чтении.

Лемир понимал, что далеко не у каждой семьи есть такие же возможности помочь своим детям, как у него. Тогда он решил создать платформу для персонализированного обучения вместе со своими знакомыми — экспертом в сфере технологий и врачом-неврологом.

Чем больше развивались компьютерные технологии, тем чаще и специалисты в сфере образования, и бизнес стали задумываться о том, как с их помощью сделать обучение эффективнее. В итоге появились такие системы, как Pearson, Smart Sparrow и другие. Все они работают на основе разных принципов (о них мы расскажем ниже), но сосредоточены вокруг одной идеи — способствовать индивидуальному подходу в обучении.

Читайте также:

Как технологии анализа данных могут превратить учителей в инженеров образования

Как устроено адаптивное обучение

Строится адаптивное обучение по модели адаптации, которая учитывает, что и как нужно изменить под конкретного студента. Для этого есть два основных источника данных:

• Модель предметной области — сюда относятся данные об изучаемом предмете: темы, проекты, ссылки и так далее. Система позволяет связать разные элементы дисциплины и построить переход между ними.
• Модель студента — то есть текущие знания ученика, информация о том, как он учится (какие ошибки делает, с какой скоростью выполняет задания и так далее), его характеристики (например, предпочтения и степень мотивации).

При этом объекты адаптации могут быть разными. Например, компания Pearsons приводит такую классификацию:

• Контент.

Система, которая адаптирует контент, базируется на ответах учеников. Если допущена ошибка, то она даёт подсказки либо разбивает какой-то навык на небольшие блоки. Проще говоря, меняет темп обучения.

Так, после неправильного ответа студент получает конкретную помощь: это может быть напоминание («не забудь, что X зависит от Y»), обратная связь («кажется, ты забыл, что…»), дополнительные материалы (тексты, видео, пошаговые инструкции). В некоторых случаях система предлагает обратиться к преподавателю. А вот самым сложным механизмом для адаптированного контента считается скаффолдинг.

• Тестирование.

В зависимости от ответа ученика система предлагает вопросы разной сложности — например, если человек верно ответил на вопрос, следующий будут уже сложнее. А если допустил ошибки — проще.

Исследователи Pearsons разделяют тестирование на «практическое» (тесты идут после небольшого блока информации) и «уровневое» (тест предлагается после определённого модуля или нескольких блоков — то есть стоит особняком).

• Порядок представления материалов.

Эта система считается самой сложной из трёх. Пока студент взаимодействует с учебным материалом, она собирает информацию о нём — например, ответы на вопросы, число попыток и так далее. Эти данные анализируются, а затем система предлагает учащемуся нужный именно ему контент.

Максимально упрощённый пример будет выглядеть так: ученик пропустил объяснение какой-то темы из-за болезни. Через год началось изучение другой темы, которая основывается на пропущенной им. Адаптивная система, которая меняет последовательность учебных материалов, определит пробел в знаниях и предложит сначала изучить пропущенную тему.

Кроме того, для каждого уровня образования характерны свои объекты адаптации. Так, в школах предпочитают адаптацию контента, а в университетах — скорее адаптацию порядка предоставления учебных материалов.

Читайте также:

К 2023 году подбором учебного контента для уроков будет заниматься искусственный интеллект

Какие есть виды адаптивного обучения

Классификаций адаптивного обучения существует несколько. Наиболее подробную и понятную предложил специалист из Университета штата Аризона (США):

• На основе машинного обучения (machine-learning-based).

Система использует распознавание паттернов, предикативную аналитику, статистические модели и массу других сложных технологий. Всё это позволяет создать профайл пользователя, в котором учтены его демографические характеристики, стиль учёбы, предпочтения, сильные и слабые стороны.

Системы на основе машинного обучения обеспечивают довольно точную и своевременную обратную связь и подстраивают материал под нужды ученика.

Но у них есть и минусы: высокая стоимость, сложность в создании, оперировании огромным массивом данных и масштабировании.

• Усовершенствованные алгоритмические (advanced algorithm).

Фактически такая система анализирует поведенческие факторы — клики, время на ответ, количество попыток и так далее. Всё это сравнивается с результатами других студентов. Если оказывается, что кто-то отстаёт, то в режиме реального времени система предлагает ему подсказки, обратную связь или другой контент.

• На основе правил (rules-based).

Эта система основана не на алгоритмах, а на определённом наборе правил и нескольких траекториях. В зависимости от уровня подготовки студент идёт по заданной траектории и в конце учебного блока получает обратную связь. Система не собирает данные о студентах, чтобы персонализировать процесс.

• На основе дерева решений.

Система на основе фиксированных правил, сформулированных по принципу «если…, то…». Принцип здесь похож на обычный электронный тест или несложный разветвлённый квест.

Зачем нужно адаптивное обучение и где его используют

У адаптивного обучения есть множество преимуществ. С одной стороны, оно подстраивается под уровень знаний, скорость и персональные предпочтения учащегося, то есть терпеливо «ведёт» его по пути обучения в индивидуальном темпе. Проще говоря, такое обучение становится персонализированным и сулит успех в освоении той или иной дисциплины.

С другой стороны, такая система становится помощником для преподавателей, а также экономит им время на проверку заданий, избавляет от необходимости «усреднять» программу под класс или группу.

Не система, а просто мечта, правда? Почему же тогда она не используется в наш технологичный век повсеместно?

Дело в том, что с внедрением адаптивного обучения не всё так просто.

Где можно использовать адаптивное обучение

Обычно системы адаптивного обучения используют в точных или естественных науках. Объясняется это просто: успехи и результаты студентов там значительно проще измерить. А вот гуманитарные дисциплины «вписать» в такую систему труднее, хотя и не невозможно.

Есть и ещё одна особенность систем адаптивного обучения: они не подходят для тех предметов, где нужны физические навыки. Простой пример, который приводят специалисты ENBISYS, — такая система не научит студентов медвуза делать уколы. А вот вводный курс по биологии освоить поможет. Впрочем, это недостаток любого дистанционного обучения.

Проще говоря, адаптивное обучение подходит для теоретической части программы.

Примеры использования систем адаптивного обучения

В мире существует немало примеров внедрения систем адаптивного обучения. Считается, что самые активные страны — участницы этого процесса — США, Австралия и Великобритания.

В России адаптивные системы тоже внедряют. Например, системы адаптивного обучения или их элементы уже есть в Skysmart и «Яндекс.Практикуме». Постепенно к процессу внедрения адаптивного обучения присоединяются и вузы.

Так, подобную технологию разработали и апробировали для курса «Общая химия» в МИСиС. Процесс строился по модели «перевёрнутый класс», когда основной теоретический материал студенты осваивают самостоятельно, а аудиторные часы предполагают общение с преподавателем и более глубокое погружение в предмет.

В результате удалось не только повысить успеваемость студентов, но ещё и «выровнять» их уровень знаний, отметили в вузе. Более того, студенты, по словам разработчиков, начали проявлять живой интерес к дисциплине, хотя раньше химия их не привлекала.

Читайте также:

Как создавать инновации в образовании

Одна из самых известных российских разработок — платформа Plario, созданная совместно с Томским государственным университетом. Принцип платформы разработчики формулируют так: искусственный интеллект определяет начальный уровень знаний студента, а затем сам выравнивает его до необходимого среднего уровня. Делает он это с помощью индивидуального трека для каждого пользователя.

«Система автоматически проверяет задания, так что преподавателю остаётся следить за прогрессом и объяснять студентам самые трудные и непонятные места, которые легко можно выявить по статистике, предоставляемой системой. Так преподаватель освобождается от рутинной работы и получает больше времени для научной и творческой работы с талантливыми студентами», — объяснил Дмитрий Бубнов.

Разработчики считают, что с восполнением пробелов платформа успешно справляется. Её эффективность оценивают ещё и с точки зрения скорости освоения материала — сообщают, что при использовании платформы скорость увеличивается на 25%.

Анализ ряда зарубежных исследований, проведённый несколькими специалистами НИУ ВШЭ, показывает, что адаптивные системы действительно могут оказывать позитивное влияние как на мотивацию студентов, так и на их успеваемость. Однако оценить реальный эффект адаптивного обучения, считают учёные, пока трудно, а в опубликованных на эту тему работах есть свои недостатки.

За что критикуют адаптивное обучение

Хотя в мире есть уже около десятка EdTech-компаний, которые предлагают свои услуги по адаптации обучения или адаптированные курсы, адаптивное обучение пока так и не стало повсеместным.

Назовём две ключевые причины.

• Адаптивное обучение стоит дорого.

Подобные системы требуют значительных вложений — и лишь немногие образовательные учреждения могут позволить их себе. Это подтверждают и представители EdTech.

Правда, представители компании отметили, что у образовательных учреждений есть и менее затратные опции — там, например, предлагают создавать адаптивные курсы на уже существующей технической базе, а потом продавать их другим учебным заведениям.

• От учебных заведений и преподавателей требуется немало усилий на адаптацию.

Адаптивное обучение пока не может существовать в вакууме — для администрации учебного заведения, педагогического коллектива и преподавателей это всё ещё значительный вызов. Им, во-первых, приходится разрабатывать учебный контент (а это, с учётом технологии, непросто), а во‑вторых — менять привычный подход к работе.

Например, с этим столкнулись в Техническом университете Колорадо при внедрении адаптивного обучения на нескольких курсах. В задачи преподавателей входил мониторинг прогресса студентов, постоянная обратная связь (её надо было дать студентам в течение максимум двух дней), личное обсуждение с учащимися и перенос оценок в отдельную систему.

Предсказуемо, что немало преподавателей если и не совсем в штыки воспринимают прогресс, то относятся к технологическим новинкам с большой долей скепсиса. Это касается, конечно, не только зарубежных специалистов, но и российских. Так, в совместном исследовании НИУ ВШЭ и «Яндекса» утверждается, что педагоги не очень-то стремятся к использованию цифровых инструментов.

Тем не менее и исследователи, и представители бизнеса соглашаются с тем, что за адаптивным обучением будущее. Другой вопрос, что наступит оно, видимо, не так уж скоро.