Profilácia študentov pomocou AI
Pre nikoho nebude novinkou, že tradičné vyučovacie metódy nie sú rovnako efektívne pre všetkých žiakov. V skratke, na každého „platí“ niečo iné. V bežných triedach, pri počte plus-mínus 25 žiakov, nie je veľa priestoru pre personalizovanú výuku. Teda aspoň zatiaľ nie. Momentálne nemá učiteľ k dispozícii veľa nástrojov na zhodnotenie žiaka. Pracuje s vlastnými pozorovaniami a s výsledkami spádových testov. Na druhej strane, v prípade zapojenia napríklad takého e-learningu do vyučovacieho procesu dokáže učiteľ získať dôležité dáta naviac. Relavancia týchto dát je závislá na type e-learningu a na tom, aké dáta zbiera povedľa primárnych výsledkov testov. Napríklad, ak je zaznamenaný čas vyplnenia, dá sa vypozorovať, či si študent plní svoje úlohy pravidelne alebo nárazovo. Následne mu môžu byť odporučené aplikácie na zlepšenie jeho time-managementu, alebo doplnkové úlohy k látke.
ITS sú zložené zo štyroch zložiek: expertný modul preberanej látky, modul študenta, modul doučujúceho, v ktorom sa skrývajú pedagogické metodiky, a napokon modul komunikačného rozhrania.
Vymodelovanie študenta je potrebné pre ITS a ich prostredie (intelligent learning enviroment), aby mohli vhodne reagovať na potreby a návyky konkrétneho študenta a doručili mu personalizovaný obsah. Existuje množstvo techník na generovanie týchto modelov a cena ich implementácie je samozrejme zviazaná s ich kvalitou a komplexnosťou. V tomto článku si môžete prezrieť zopár z nich.
Koncept ITS má už tridsať rokov, no doposiaľ nám akosi nedokázal zprostredkovať sľubovanú realitu personalizovaného obsahu. Podpísala sa na tom hlavne technologická náročnosť implementácie. Konferencie pojednávajúce o nových výzvach pre ITS sú však usporadúvané pravidelne. Mám za to, že tento koncept predsa len nie je “mŕtvy”, ako uvádza autor článku Čo sa stalo s ITS?
Teraz na chvíľu zabudnime na drahú implementáciu a predstavme si prostredie, v ktorom by bol pomocníkom učiteľa (napríklad na domácu prípravu) ITS, obsahujúci v sebe taký model študenta, ku ktorému má učiteľ prístup a dokáže ho prečítať. Aké dáta by potreboval, aby zmapoval návyky, záujmy, silné a slabé stránky žiaka, pre doručenie najefektívnejšieho personalizovaného vzdelávacieho programu? V akej šírke? V akom časovom horizonte? Pomohlo by takémuto systému zozbieranie dát o študentovi, ktoré by priamo nesúviseli s vyučovanou látkou? Dokázal by komplexnejšie vymodelovať profil konkrétneho študenta, ak by mal prístup k histórii prehliadania stránok tohto študenta? Bol by právne postačujúci jeho súhlas s cookies, aby bol vystopovateľný jeho pohyb po internete počas štúdia? Ako veľmi by bolo motivujúce (alebo skôr desivé?), ak by sa študentovi na mieste tutora zobrazilo jeho obľúbené zviera (na základe jeho internetových preferencií) a oslovilo ho prezývkou nájdenou na socialnej sieti?
Dostali sme sa do doby, keď sa dáta stali obľúbenou tržnou komoditou a ich hromadenie novým celosvetovým trendom. GDPR sa snaží zabraňovať neodôvodnenému zbieraniu dát a profilácii. Avšak nebol by záujem študenta oprávneným dôvodom zberu? Koľko súkromia nás a našich detí sme ochotní obetovať pre lepšie služby?
ZDROJE
SHANG Yi; Hongchi Shi; ChenAn Su-Shing. Student Modelling In: Intelligent Distributed Environment for Active Learning [online]. 1.5.2001 [cit. 2019–05–01]. Dostupné z: http://wwwconference.org/proceedings/www10/papers/207/node4.html
DAŠIĆ, P.; J. Dašić; B. Crvenković; V. Šerifi. A review of intelligent tutoring systems in e-learning. In: Annals of the Oradea University — Fascicle of Management and Technological Engineering [online] 2016, Vol. 15, č. 3, s. 85–90. ISSN 1583–0691. doi: 10.15660/AUOFMTE.2016–3.3276.[cit. 2019–05–01].Dostupné z: https://www.researchgate.net/publication/313650495_A_review_of_intelligent_tutoring_systems_in_e-learning
Challenges in Artificial Intelligence — Pushing the Boundaries of ITS. In: ITS2019 [online]. 2019 [cit. 2019–05–01]. Dostupné z: https://its2019.iis-international.org
Viac o zbieraní dat a ich úskaliach pri evaluácií
Pelánek, R.; Jiří Řihák; Jan Papoušek. Impact of Data Collection on Interpretation and Evaluation of Student Models[online]. 2016, s. 8 [cit. 2019–05–01].Dostupné z:https://www.fi.muni.cz/~xpelanek/publications/lak16-data-collection.pdf
Freedman, Reva; Syed Ali; Susan Mcroy. Links: what is an intelligent tutoring system?. Intelligence. 11. 15–16. 10.1145/350752.350756.[online]. 1.5.2001 [cit. 2019–05–01]. Dostupné z: https://www.researchgate.net/profile/Susan_Mcroy/publication/220098051_Links_what_is_an_intelligent_tutoring_system/links/540f8d510cf2f2b29a3de089.pdf
