Tehnologije za personalizovano učenje

​

Технологије за персонализовано учење

Ариана Басарић © април 2022.

РДН018 Рачунарски подржано учење

​

1. Зашто?

2. Где?

3. Шта?

4. Како?

5. Ко?

​

Преглед

Технологије за персонализовано учење

​Зашто су људи почели да развијају платформе и алате за персонализовано учење?

.

​1.

ЗАШТО?

​

Multiple Select

1.

Шта се са применом технологије за персонализовано учење жели постићи?

Одабери тачне одговоре.

• боља

  доступност

• већа

  прилагодљивост

• већа

  уштеда

• мање

  контаката

• скалабилност

  ^{(могућност примeне на све већем броју без губитка на квалитету)}

​1. ЗАШТО?

Постоје делови света где недостају наставници.​

​Још је већа недоступност наставе која по квалитету одговара туторству где је један наставник посвећен једном ученику.

​

(Ако би квалитетно персонализовано учење било доступно сваком ученику, повећала би се пролазност на испитима, могућност за даље школовање и запошљавање, а с временом би се могле смањити и укорењене друштвене разлике и јаз.)

Има и другачије мишљење: персонализовано учење ће довести до још већих разлика пошто поврх разлика у доступности интернета, уређаја и софтвера, учинак у великој мери зависи од мотивисаности и других карактеристика ученика.

Доступност ​

☑​

☑​

​1. ЗАШТО?

У традиционалној настави тешко је прилагодити учење особинама, могућностима и интересовањима сваког ученика.

​

Технологија ту помаже јер с лакоћом прави и ажурира модел ученика, прати његово напредовање и за његов профил проналази оптималне путање учења и наставни материјал, даје корисне повратне информације у реалном времену...​

.

Прилагодљивост ​

☑​

​1. ЗАШТО?

Јесте да у неким случајевима почетна улагања у технолошка решења за персонализовано учење знају да делују енормно, али дугорочно гледано улагања би требало да донесу уштеду.

​

Поред тога, кориштење технологије за персонализовано учење значи и уштеду у времену за ученике који могу брже да напредују, али и за наставнике који могу да се квалитетније посвете својим ученицима.

​

Уштеде ​

☑​

​1. ЗАШТО?

Скалабилност је један од главних разлога зашто је персонализовано учење у жижи интересовања већ пар деценија.

​

Све су више доступна технолошка решења која омогућавају експоненцијални раст броја корисника или модула за учење, а без знатних трошкова. Системи за учење неке универзалне области, као математика, захтевају минималну локализацију, што значи лакше позиционирање на светском тржишту.​

.

Скалабилност ​

☑​

​1. ЗАШТО?

Ослањање на технологију не значи нужно и мање контаката.

​

Поред тога што технологија повезује свет, у добро персонализованим системима за учење ученик сарађује са другима синхроно или асинхроно када му одговара, размењује мишљења и информације које су му битне, ради заједно на пројектима који га интересују, с другима заједно истражује виртелне светове... ​

​

.

Боља сарадња ​

☑​

​Где се примењују технологије за персонализовано учење?

.

​2.

ГДЕ?

​

Multiple Choice

2.

​Где се примењују технологије за персонализовано учење?

Одабери тачан одговор.

• само у настави на даљину само на персоналим рачунарима

• само у настави на даљину и на мобилним и на рачунарима

• и у настави на даљину и у учионицма

• само у учионицама на десктоп или преносивим уређајима

• само у паметним учионицма

​2. ГДЕ?

Нека технолошка решења за персонализовано учење на уређајима ученика користе се у настави на даљину или у хибридној настави.​

Постоје и она која се користе у класичној учионици на школским и/или сопственим уређајима корисника, а у паметним учионицама систем за персонализовано учење може да се ослања и на интернет ствари (IoT​). Нова решења омогућавају и измештање ван учионице на разне аутентичне локације.

.

Гдегод

☺​

​Шта се персонализује у окружењу и процесу учења уз помоћ технологије?

Напомена: Ово је обухваћено из другог угла у теми „Начини персоналозације учења”.

​3.

ШТА?

​

​3. ШТА?

​Технологија омогућава више од прилагођене функционалности и персонализованог изгледа графичког интерфејса: поред екрана, тастатуре и миша, ученик и систем могу комуницирати и говором, мимиком и покретом, путем камера и сензора - укључујући VR, AR, IoT и роботе, али и преко интерфејса мозак-рачунар.

Корисици и сами понекад могу да персонализују учење преко контролних панела или сл, на основу тако прикупљених података. ​

​​

​

.

Интерфејс​

☑​

​3. ШТА?

Класификационим тестирањем утврђује се шта ученик већ зна и у којој мери, а дијагностичким шта још не зна од очекиваног и да ли му је потребна подршка (нпр. дислексија). На основу таквих података прави се персонализовани план и програм који прилагођава тежину, омогућава ученику да прескочи градиво које већ зна, да разганатим путањама истражује оно што га интересује, да се врати на оно што би требало да провежба или надокнади. Избор и редослед садржаја се континуирано прилагођава.

Пример: Quizlet Learn - Adaptive and Personalized Studying | Quizlet

https://www.youtube.com/watch?v=Sl5zp6qSrIs​

План и програм​

☑​

​3. ШТА?

Технологија може да персонализује садржај на више начина, нпр. различитим нивоом гранулације на онакву дужину која одговара пажњи ученика, сложености саме материје и другим критеријумима; различитим начинима презентације, нпр. навођењем дефиниција, примера, резимеа, вођењем кроз питања и одговоре; различитим видом приказа - текст, аудио, видео, илустрација, интерактивно кроз презентацију или игрицу...

.

Садржај

☑​

​3. ШТА?

Технологија може да понуди метод рада, односно приступ који би требало да одговара датом ученику, на основу модела ученика, података о њему. Персонализација може да се односи на начин рада (нпр. самостално или сарадничко), организацију и презентацију градива (нпр. издељено на мање делове или све у једном са задацима само на крају; видео-лекције или текст), врсте активности (нпр. тестови или да сâм ученик подучава бота), темпо рада на недељном нивоу, природа провере знања...

.

Методе/Приступ​

☑​

​3. ШТА?

Технологија омогућава и персонализацију вежбања, понављања и утврђивања. Генеришу се задаци који ученику одговарају по тежини, предзнању и по интересовањима. Повратне информације вреднују учеников рад у реалном времену. На основу мерене ангажованости ученика систем може и да сигнализира ако је потребна помоћ. Омогућен је и продужени период понављања и освежавања. Гејмификација може да повећа мотивацију. Многи системи на основу одговора ученика могу да дају информације како кориговати курс.

​

.

Вежбање​

☑​

​3. ШТА?

Развијене су технологије за оцењивање есеја и текстуалних одговора, усмених одговора и правилног изговора.

Формативно оцењивање укључује исправке и друге повратне информације, упућивање на помоћ, адаптивне планови и др.​

Праћење активности и ангажованости служи и за предикцију.

Омогућено је и сарадничко оцењивање. Технологија се увелико већ примењује и против плагирања. ​

.

Оцењивање ​

☑​

​3. ШТА?

Решења за персонализовано учење одавно не изолују кориснике, попут Скинерове машине. Напротив. Све је више алата који потпомажу сараднички начин рада. Удаљеност није више препрека не само за комуникацију, већ ни за колаборацију на пројекту у реалном времену. Све то, наравно, изискује и додатне технологије за нпр. мониторинг форума и нивоа ангажованости у онлајн асинхроним и синхроним дебатама.

.https://solaresearch.org/wp-content/uploads/hla22/HLA22_Chapter_9_Chen.pdf

​http://reff.f.bg.ac.rs/handle/123456789/3048

Сарадња ​

☑​

​3. ШТА?

Технологијом могу да се персонализују и елементи из ужег или ширег окружења, а који утичу на процес учења: упаривање са другим ученицима, избор приватног тутора; анализа курса и наставника ради побољшања наставе; помоћ у избору факултета, смера и предмета; поједностављење процедура у кантини, библиотеци, на кампусу; израда прилагођеног распореда часова или реда вожње школских аутобуса.​

Пример за то да персонализовано учење није изоловани систем је и омогућавање студентима на појединим факултетима у Америци да потенцијалним послодавцима дају увид у сопствени профил на персонализованом систему учења.

Други елементи​

☑​

​Како технологија персонализује учење?

Којим технологијама се персонализује учење?​

.

​4.

КАКО?

​

​4. КАКО?

Поред целовитих система и платформи за персонализовано учење, постоје и алати специјализоване намене. Неки системи омогућавају интеграцију алата, што повећава функционалност. Поједини системи имају свој материјал и затворени су, а неки дозвољавају додавање задатака или лекција. Има и „празних”, које користе различите институције за своје потребе. Персонализацију било где и било кад омогућава складиштење у облаку и рачунарство на ивици. ​​

Постоје и системи који помажу администрацију или организацију наставног процеса, чиме утичу на персонализовано окружење.

Системи и алати​

☑​

​4. КАКО?

Обрада природних језика је омогућила персонализацију учења на разне начине: генерисање текстова питања, задатака и повратних информација; прилагођавње садржаја прављењем резимеа, парафразирањем или језичким поједностављењем текстова; машинско превођење. За то је потребно и екстракција информација, односа између ентитета и кључних речи, али све ово омогућава и прављење онтологија и гранулирање градива. Посебну примену има и анализа дискурса, посебно сентимента.

​

.

Обрада природних језика​

☑​

​4. КАКО?

Комуникација постаје природнија. Уместо тражења и бирања из менија, захваљуљући машинском учењу заснованом на правилима и кључним речима четботови и говорни асистенти су омогућили брже добијање информација за предвиђене ситуације.

Обрада природних језика је све то надоградила у конверазцијске агенте - виртуелне асистенте, а још сложенији алгоритми су нам подарили и виртуелне друштвене агенте и интелигентне туторе.

​

Примери: Jill Watson (AITA, AskJill, : https://www.youtube.com/watch?v=WbCguICyfTA; Korbi u Korbitu: https://www.korbit.ai/

АДА - академска дигитална асистенткиња: https://www.bpa.edu.rs/sr-cyrl-cs/o-ada-chatbotu

Агенти

☑​

​4. КАКО?

Препознавање говора се нашироку примењује у учењу (одређених) страних језика. Најчешћу примену има у вези са увежбавањем и проценом изговора, усмене продукције и интеркације. Поред тога користи се и као помоћ ученицима којима треба помоћ у правопису, као спона у развоју писмености. Препознавање говора се показала као непроцењивом и као асистивна технологија за оне ученике који не могу да пишу. Новија решења омогућавају и препознавање говорника на испитима.

​

Препознавање немог говора https://www.media.mit.edu/publications/alterego-IUI/

Препознавање говора​

☑​

​4. КАКО?

.

Препоруке​

☑​

Препоруке се дају не само на основу демографског поклапања или рејтинга, већ се могу разматрати и достигнути ниво знања и вештина, лична интересовања, претходни подаци других ученика, наставни план и друго. Могу се детектовати они садржаји или путање учења за које се претпоставља да су најучинковитији узимајући у обзир профил ученика и очекиване исходе учења. Препоруке се могу давати на микронивоу (нпр. следећи мини-садржај унутар курса) или на макронивоу (нпр. наредни курс или пак факултет и смер).

​4. КАКО?

Део аналитике учења је и идентификација понашања ради које су развијени модели који откривају када ученик нагађа, поново проверава свој рад, прелази пребрзо или преспоро и друго. Могу се установити промене у понашању ученика и упоредити са другим ученицима. ​

Идентификација понашања​

☑​

​4. КАКО?

Системи камера и сензора не служе само за препознавање лица.

Мултимодална аналитика учења интегрише сензорске технологије, дигиталну обраду сигнала, машинско учење... Може да мери степен ефикасне сарадње, нпр. да ли сви гледају у исту тачку док разговарају, ко колико учествује, ко са ким сарађује, коме се у групи највише обраћају. Омогућава увид у афективно стање и когнитивне процесе, нпр. мерењем времена за читање уз праћење погледа, анализом уноса са тастатуре укључујући временски фактор и брисање.

https://www.intel.com/content/www/us/en/education/transforming-education/ai-in-education.html?wapkw=AI%20in%20education​

https://solaresearch.org/wp-content/uploads/hla22/HLA22_Chapter_6_Ochoa.pdf​

Рачунарски вид и MmLA​

☑​

​4. КАКО?

Један део истраживања података и аналитике учења чини предиктивна аналитика ради раних упозорења и интервенција. ко би се ученицима за које је предвиђен ризик за лошији школски успех или да напусте школовање пружила благовремена оркестранија подршка. Таква предвиђања се врше и на основу разматрања учениковог показног учинка и интеракције са системом и другима. - колико ће постићи на следећем, колико ће му бити тешко, којом брзином ће, и Које су области теже ​

​

Види поглавље о предиктивном моделовању у настави и учењу: https://solaresearch.org/wp-content/uploads/hla22/HLA22_Chapter_3_Brooks.pdf

Предиктивна аналитика​

☑​

​4. КАКО?

.

Препознавање образаца​

☑​

AI може приметити обрасце и пријавити на шта би требало обратити пажњу и шта исправити у неком курсу. Примери: да ли је неки део лекције можда проблематичан јер се студенти предуго задржавају на њему; који задатак је урађен са знатно мањим процентом успешности од очекиваног; код ког наставника или фацилитатора је успех ученика лошији; после ког модула или активности знатно опада активност студената на курсу .....

​4. КАКО?

Виртуелна стварност (VR - виртуелни свет са различитим степенима уроњености и интерактивности) и проширена стварност (AR - мешовита реалност виртуелног и стварног) такође омогућавају персонализацију. Тиме што ангажују наша чула помоћу визирних уређаја, хаптичких рукавица и друге сензорне опреме дају могућности визуелизације, истраживања и манипулације са све широм применом у образовању, првенствено у стручном.​

VR, AR и MR​

☑​

​4. КАКО?

У учионицама роботи се користе као помоћници наставника или пак њихова замена. Поред општије употребе, постоје и роботи за специјализоване потребе. Роботи-тутори могу боље допрети до неких ученика и због афективног поткрепљивања. Асистивни роботи се користе нпр. за ученике на аутистичном спектру: да стичу знања и вештине, али и да би се ученик боље упознао. Манипулатори и егзоскелети такође се могу персонализовати. ​

О асистивним роботима види https://www.frontiersin.org/articles/10.3389/frobt.2019.00110/full.

О персонализованим роботским туторским системима види нпр. https://scazlab.yale.edu/sites/default/files/files/a19-leyzberg.pdf а о r-learning-у http://vigir.missouri.edu/~gdesouza/Research/Conference_CDs/IEEE_IROS_2010/data/papers/1739.pdf

Роботи​

☑​

​Ко одлучује о прилагођавању када се користи технологија за персонализовано учење?

​Some text here about the topic of discussion.

​5.

КО?

​

Multiple Choice

Систем у ком се прилагођавање врши аутоматизовано је 1.

Систем у ком прилагођавање може да врши корисник је 2.

Одабери тачан одговор:

• 1. адаптиран

  2. адаптибилан

• 1. адаптиван

  2. адаптиран

• 1. адаптиван

  2. адаптибилан

• 1. адаптибилан

  2. адаптиран

• 1. адаптиран

  2. адоптиран

​5. КО?

У адаптивним ​системима технологија сама аутоматски прилагођава елементе процеса учења.

​

У адаптивним системима се подаци о кориснику, његовим активностима и напретку континуирано прикупљају. Делови система за учење, се динамички прилагођавају када се региструје одговарајућа промена. ​

☑​

Технологија​

​5. КО?

У адаптибилним ​системима процес и путању учења сам ученик прилагођава својим потребама и интересовањима.

​

Ученик прилагођава процес учења увидом у отворени модел ученика, нпр. преко контролне табле.

Могућност да прати свој напредак, да у већем или мањем уделу преузме контролу и прихвати одговорност за сопствено учење може позитивно да утиче на метакогницију и саморегулацију. ​

☑​

Ученик​

​Ако вас занимају контролне табле са аналитиком учења (learning analytics dashboards - LADs) и имате сат времена, погледајте овај видео: https://www.youtube.com/watch?v=q2YAuHY18KQ​​

​5. КО?

☑​

Наставници ​могу такође да подешавају процес учења у неким адаптибилним системима, или да предложе нешто ученицима, ослањајући се на аналитику учења.

​

У неким случајевима подешавање је омогућено и другима, нпр. родитељима или члановима управе.​

​

Постоје и адаптибилно-адаптивни системи.

​

​

Други корисници

Како приближити аналитику учења корисницима можете прочитати нпр. у чланку: https://solaresearch.org/wp-content/uploads/hla22/HLA22_Chapter_13_VanLeeuwen.pdf

Open Ended

Да ли имате неко питање у вези са приказаним или коментар?

Poll

Како се осећате сада на крају ове лекције?

Одаберите одговоре који су тачни за вас.

• више збуњено него на почетку

• помало сморено

• шта да кажем а да не слажем

• у суштини ОК

• желим да касније сазнам више

​ Честитамо!

Стигли сте до краја лекције​

Технологије за персонализовано учење