Ru
En

Новые образовательные стратегии в современном информационном пространстве

New Educational Strategies in Modern Information Space - 2022

Леонов А. Г.

Государственный университет управления

Московский педагогический государственный университет

Федеральное государственное бюджетное образовательное учреждение высшего образования

«Московский государственный университет имени М.В. Ломоносова»

Дьяченко М. С.

Федеральное государственное учреждение «Федеральный научный центр научно-исследовательский институт

системных исследований российской академии наук»

(ФГУ ФНЦ НИИСИ РАН)

г. Москва

 

Об этапности перехода системы образования к цифровому адаптивному обучению

 

В статье проанализированы основные причины ограниченного распространения адаптивных технологий в системе высшего образования РФ. Рассмотрены элементы адаптивных технологий и возможности их применения в неадаптивных курсах. Авторы предлагают использовать элементы адаптивной технологии уже сейчас, не дожидаясь появления универсальной адаптивной технологии.

 

Leonov A.

State University of Management

Moscow State Pedagogical University

Moscow State University

Dyachenko M.

Federal Research Center “Scientific Research Institute for System Analysis of the Russian Academy of Sciences” (SRISA RAS)

Moscow, Russia

 

On the stages of the transition of the education system to digital adaptive learning

 

The article analyzes the main reasons for the limited distribution of adaptive technologies in the higher education system of the Russian Federation. The elements of adaptive technologies and the possibility of their application in a non-adaptive course are considered. The authors propose to use elements of adaptive technology now, without waiting for the emergence of universal adaptive technology.

 

Введение

Адаптивные технологии в образовании активно изучаются уже более двух десятков лет, однако до сих пор их распространение в системе высшего образования РФ носит преимущественно исследовательский характер [1]. При этом интерес к адаптивным технологиям с годами только увеличивается, в том числе из-за вынужденного применения дистанционных и смешанных форм обучения в следствии пандемии вируса COVID-19 [2, 3].

 

В результате перехода на смешанные формы обучения характер взаимодействия преподавателя и студента меняется и если раньше преподаватель «персонализировал» обучение при общении со студентом в аудитории, то теперь в этом может помочь автоматизация. Адаптивные технологии предназначены для автоматической «персонализации» (это своего рода индивидуальный репетитор), под которой понимается известная по традиционному образованию помощь студенту в закрытии «пробелов» в знаниях, определение необходимого уровня сложности заданий, назначение дополнительных заданий или повторение не усвоенного материала. Дополнительно к этому адаптивная система обучения динамически формирует траекторию обучения студента по результатам проверки его знаний.

 

Постановка проблемы

Практическому внедрению адаптивных технологий не в последнюю очередь препятствует высока стоимость разработки учебных материалов и автоматизированных методов проверки знаний при создании адаптивных курсов, помимо этого требуется организационная поддержка, поскольку необходимо вносить изменения в образовательный процесс [1, 4].

 

По результатам проведенного исследования авторы предлагают отказаться от подхода «все или ничего» при внедрении адаптивных технологий и начать поэтапно внедрять отработанные элементы адаптивной технологии, которые могут быть полезны уже сейчас, а не ждать появления законченной и универсальной адаптивной технологии.

 

Основная часть

Современная адаптивная система в общем случае работает по следующему алгоритму:

- Студент проходит входную диагностику, по результатам которой определяется его индивидуальная траектория, состоящая из учебных блоков. Траектория учитывает начальный уровень знаний, образовательные цели и особенности студента, таким образом у каждого студента в рамках курса своя образовательная траектория.

- Система предлагает студенту изучить учебный блок, по результатам проверки знаний индивидуальная траектория может быть скорректирована (например, добавлены новые блоки для изучения). Формат представления, уровень сложности учебного блока и проверочных заданий варьируется в зависимости от особенностей студента и полученных от него ответов.

- По мере прохождения материала система может добавлять в траекторию обучения учебные блоки, которые необходимо повторить. Что и когда повторять также определяет система в зависимости от особенностей студента.

- Если система обнаружила, что студент не смог самостоятельно освоить материал с применением доступных средств адаптации, то данные о студенте передаются преподавателю для оказания непосредственной помощи.

 

Рассмотрим шаги приведенного выше алгоритма с позиции сложности их реализации и возможности самостоятельного использования в неадаптивных цифровых образовательных системах.

 

Для успешного запуска адаптивного курса нужен готовый контент. Если предположить, что используется одна их существующих адаптивных сиcтем [6, 7], то преподавателю необходимо изучить методологию проектирования адаптивных курсов для выбранной платформы, сформировать контент и соответствующие автоматизированные средства проверки знаний для учебных блоков.

 

Для лучшего понимания объема работы при создании одного адаптивного курса, приведем примерное количество учебных блоков для одного семестра (допустим, что плановое время освоения каждого блока не превышает 20 минут): в семестр входит 350-400 блоков, каждый блок содержит до 100 различных проверочных заданий, каждый блок предоставляет информацию в трех разных уровнях сложности и как минимум сопровождается текстом или видео [4]. По данным из других источников, в адаптивной системе Squirrel для лучшей локализации проблемных тем при обучении математике в средней школе курс поделен на 10 000 атомарных учебных блоков [8].

 

Обычные системы управление обучением (LMS) также обладают возможностями по организации учебных блоков и описание проверочных заданий разных уровней сложности [9]. Пожалуй, основным отличием является гранулярность учебных блоков: как правило, в обычных LMS учебный блок соответствует одному занятию (лекция, семинар) и может содержать сразу несколько результатов обучения. В этом случае декомпозиция учебного блока по результатам обучения (замкнутым блокам материала) и разделение проверочных заданий привнесет возможность отследить прогресс в освоении материала на уровне отдельных результатов обучения и при этом позволит избежать их большого количества.

 

При создании учебных блоков в адаптивных системах помимо учебной информации также указывает метаинформация, позволяющая автоматически формировать учебные траектории, соблюдая логику подачи материала. Так, например, метаинформация содержит данные об учебных блоках, которые должны быть успешно пройдены до начала изучения этого блока.

 

В обычных LMS порядок следования учебных блоков фиксирован, причем доступ к блокам может открываться согласно расписанию курса. Определение порядка предъявления учебных блоков в адаптивных системах является сложной задачей, которая не сводится к решению формализованной технической задачи и требует глубокой методической проработки [4]. Одним из вариантов решения проблемы с порядком следования учебных блоков, является использование порядка, определенного экспертами-преподавателями [8]. В этом смысле отличий от обычной LMS нет, разница лишь в том, что адаптивная система может пропускать блоки, которые будет считать ранее изученными студентом. В неадаптивной системе обычно пропустить можно только необязательный для изучения учебных блок.

 

Перспективным для использования в обычных LMS может быть механизм закрепления материала изученных учебных блоков путем их периодического повторения. Уже сейчас это может быть реализовано через вставку повторов материала прямо в структуру курса на этапе его проектирования, но учет особенностей восприятия студентов в вопросе повторов также может улучшить процесс обучения. Опыт исследования адаптивных систем показывает, что повторение абсолютно всех изученных блоков будет возможно непосильной задачей для обучаемого, поэтому данные вопрос требует отдельного изучения.

 

В обычных LMS также может быть улучшена обработка ошибок при проверке знаний: исходя из характера ошибки, LMS может предлагать студенту ознакомиться с дополнительными материалами, содержащими пояснения и дополнительные примеры. Конечно, полноценную ликвидацию пробелов реализовать будет сложнее, чем в адаптивной системе, но близкого результата можно добиться при использовании базы знаний учебной платформы, которая помимо информации об учебном курсе, содержит также необходимый минимум информации о пререквизитах, необходимых для успешного прохождения курса.

 

Выводы

Таким образом, даже не переходя на адаптивные технологии, неадаптивные курсы могут быть улучшены и поэтапно приближены к состоянию, необходимому для их эффективной последующей трансформации с использованием адаптивных технологий. Такие изменения, как уменьшение размера учебного блока курса путем декомпозиции его на замкнутые тематические блоки, добавление дополнительных проверок и вспомогательных учебных материалов позволят улучшить даже существующие неадаптивные LMS курсы.

 

Преимуществом именно трансформации неадаптивных курсов в адаптивные является тот факт, что эти курсы в том числе являются частью авторских учебных сред и обладают развитыми возможностями по автоматизированной проверке знаний [10]. Таким образом, обеспечив в последствии возможность адаптации этих курсов мы получим принципиально новое решение: адаптивные курсы на базе авторских сред.

 

Неочевидным преимуществом поэтапной трансформации также является возможность начать собирать данные о поведение студента в системе с большей детализацией за счет повышения гранулярности учебных блоков курса. Показательным примером является интеллектуальная система обучения немецкому языку German Tutor [11]. Авторы этой системы 15 лет собирали и анализировали результаты обучения студентов и с использованием полученной информации поэтапно улучшали систему.

 

Заключение

Авторы поддерживают идеи персонализации обучения. Безусловно, необходимо продолжать изучать возможности, предоставляемые адаптивными технологиями в образовании и поэтапно начинать внедрение методических и технических наработок, которые можно использовать для повышения эффективности обучения в существующих неадаптивных курсах. Однако, учитывая ограниченный объем экспериментальных данных, накапливаемых в отдельных курсах, следующим важным шагом является разработка методов оценки влияния вносимых изменений на качество обучения.

 

В работе также обозначена одна из проблем внедрения адаптивных технологий – большие трудозатраты на разработку подобных курсов. Задачи снижение трудозатрат на создание адаптивных курсов и автоматизация трансформации неадаптивных курсов в адаптивные также требуют отдельного исследования.

 

Работа выполнена при поддержке гранта РФФИ № 19-29-14057.

 

Литература:

  1. Адаптивное обучение в высшем образовании: за и против / К. А. Вилкова, Д. В. Лебедев; Национальный исследовательский университет «Высшая школа экономики», Институт образования. — М.: НИУ ВШЭ, 2020. — 36 с. — 200 экз. — (Современная аналитика образования. No 7 (37)).
  2. Косицкая Ф. Л. Основные тренды в современном российском высшем образовании (по материалам зимней школы преподавателей - 2020) // Ped.Rev.. 2020. №3 (31). URL: https://cyberleninka.ru/article/n/osnovnye-trendy-v-sovremennom-rossiyskom-vysshem-obrazovanii-po-materialam-zimney-shkoly-prepodavateley-2020 (дата обращения: 29.01.2022).
  3. Adapting approaches to deliver quality education in response to COVID-19, URL: https://www.brookings.edu/blog/education-plus-development/2020/04/23/adapting-approaches-to-deliver-quality-education-in-response-to-covid-19/ (дата обращения: 29.01.2022)
  4. И.А. Кречетов, М.Ю. Дорофеева, А.В. Дегтярев Раскрываем потенциал адаптивного обучения: от разработки до внедрения// eLearning Stakeholders and Researchers Summit 2018 [Текст] : материалы междунар. конф. : Proc. of the Intern. Conf., Москва, 5–6 декабря 2018 г. / Нац. исслед. ун-т «Высшая школа экономики» ; отв. ред. Е. Ю. Кулик. — М. : Изд. дом Высшей школы экономики, 2018.
  5. Decoding Adaptive. Pearson. URL: https://www.edsurge.com/research/reports/adaptive-learning-close-up
  6. Кречетов Иван Анатольевич, Романенко Владимир Васильевич Реализация методов адаптивного обучения // Вопросы образования. 2020. №2. URL: https://cyberleninka.ru/article/n/realizatsiya-metodov-adaptivnogo-obucheniya (дата обращения: 30.01.2022).
  7. Комлева Н. В., Вилявин Д. А. Цифровая платформа для создания персонализированных адаптивных онлайн курсов // Открытое образование. 2020. №2. URL: https://cyberleninka.ru/article/n/tsifrovaya-platforma-dlya-sozdaniya-personalizirovannyh-adaptivnyh-onlayn-kursov (дата обращения: 30.01.2022).
  8. China has started a grand experiment in AI education. It could reshape how the world learns URL: https://www.technologyreview.com/2019/08/02/131198/china-squirrel-has-started-a-grand-experiment-in-ai-education-it-could-reshape-how-the/
  9. Леонов А. Г., Бесшапошников Н. О., Прилипко А. А. Цифровизация образования – Новые возможности управления образовательными треками // Вестник кибернетики. — 2018. — Т. 30, № 3. — С. 154–161.
  10. Дьяченко М. С., Леонов А. Г., Матюшин М. А. Исследование и разработка методов машинного обучения и архитектур нейронных сетей для применения в области проверки // Труды НИИСИ РАН. Математическое и компьютерное моделирование сложных систем: теоретические и прикладные аспекты. — 2021. — Т. 11, № 3. — С. 48–53.
  11. Heift, T. Web Delivery of Adaptive and Interactive Language Tutoring: Revisited. Int J Artif Intell Educ 26, 489–503 (2016). https://doi.org/10.1007/s40593-015-0061-0

Оставить комментарий: