Cómo construir un sistema de aprendizaje adaptativo

¿Alguna vez ha comenzado un curso, pero pensó que era demasiado lento? ¿O demasiado difícil? ¿Ojalá pudiera hacerlo más rápido? ¿Sintió que no tuvo suficiente práctica para dominar el contenido? Los sistemas de aprendizaje adaptativo buscan abordar estos desafíos.

En este artículo, repasaré qué son los sistemas de aprendizaje adaptativo. Cubro algunos antecedentes sobre por qué los sistemas de aprendizaje adaptativo tienen la estructura que tienen. También presentaré algunos sistemas de aprendizaje adaptativo. Luego, hablaré sobre los cuatro elementos de un sistema de aprendizaje adaptativo y cómo puede diseñar uno usted mismo. Terminaremos evaluando los pros y los contras del aprendizaje adaptativo.

¿Qué es un sistema de aprendizaje adaptativo?

Un sistema de aprendizaje adaptativo es un software donde los algoritmos optimizan el contenido para ajustarse a los objetivos del alumno y al estado actual de conocimiento.

En un curso de aprendizaje electrónico tradicional, seguirá linealmente el camino que crea un instructor. Miras videos, lees artículos, respondes cuestionarios y practicas módulos interactivos en un orden predeterminado. Un sistema de aprendizaje adaptativo contendrá los mismos tipos de materiales. Pero el orden cambiará para cada alumno. El sistema decide qué contenido mostrar al alumno basándose en dos cosas:

  • Si el objetivo del alumno es solo un subconjunto del contenido, el sistema puede limitar el contenido.
  • El conocimiento previo también entra en juego. Si el sistema determina que la ruta actual es demasiado fácil, el sistema puede acelerar a material más desafiante. Si el sistema descubre que la ruta actual es demasiado difícil, el sistema puede ... intervenir y revisar el contenido de los requisitos previos, reducir el desafío o ralentizar el ritmo.

Algunos temas relacionados incluyen tutores inteligentes, pruebas adaptativas, psicometría, aprendizaje personalizado y enseñanza inteligente. Muchos de estos temas comparten algoritmos y estructuras con sistemas de aprendizaje adaptativo.

El conocimiento es un grafo: neurociencia

Comenzaré con un poco de historia. Esto creará un contexto de por qué los sistemas de aprendizaje adaptativo tienen los cuatro elementos siguientes. El punto de esto es que el conocimiento es un gráfico .

El cerebro humano tiene 86 mil millones de neuronas. Cada neurona tiene dendritas, un soma y un axón.

  • Las dendritas son la entrada . Los bordes de las dendritas reciben neurotransmisores de la sinapsis. La sinapsis es un espacio entre dos neuronas.
  • El soma es el rendimiento . El soma, que contiene el núcleo celular, enruta la entrada de las dendritas.
  • El axón es la salida . El axón transmite un potencial de acción, una señal eléctrica, a las terminales del axón. Una vaina de mielina cubre el axón para proteger la señal. Las terminales de los axones liberan neurotransmisores en la sinapsis.

La información que su cerebro recibe y procesa se corresponde con una vía neuronal. Su cerebro con mielinizar esa vía: fortalece la mielina alrededor del axón para soportar las señales eléctricas. Debido a la mielina fortalecida, es más probable que este camino se active en el futuro. En otras palabras, aprendes.

Incluso en la escala más pequeña, nuestro cerebro es un gráfico masivo de neuronas conectadas. Aprendemos y optimizamos haciendo que algunas rutas tengan más probabilidades de conectarse que otras.

El conocimiento es un gráfico: aprender ciencia

El predictor más fuerte de cómo nos desempeñamos en un entorno de aprendizaje es nuestro conocimiento previo. Lo que ya sabemos antes de comenzar la experiencia de aprendizaje. Un artículo de psicología notable - 1999 Dochy, Segers y Buehl - encontró que el conocimiento previo es el 81% de las diferencias de resultados entre los estudiantes. Revisar el conocimiento previo antes de mostrar nueva información impacta en los resultados del aprendizaje. Y conectar nuevos conocimientos con conocimientos previos mientras se enseña también puede tener un gran impacto. (Consulte Ocho ideas para conocer las fuentes).

El artículo de psicología más famoso es 1956 "El mágico número siete, más o menos dos" de George Miller. El documento sugiere que los humanos tienen una memoria de trabajo limitada. Miller descubrió que para números simples, un humano podría trabajar con aproximadamente siete elementos a la vez. Investigadores posteriores encontraron información más compleja, ese límite está más cerca de cuatro.

Algunos psicólogos sugieren de estos "cuatro espacios", para que aprendamos, al menos uno o dos deben ser conocimientos previos. La cantidad de conocimiento previo que podemos "cargar" en una de las cuatro ranuras depende de la fuerza de las conexiones en el gráfico. Cuando tenemos conocimientos previos y nuevos en nuestra memoria de trabajo, asociamos la información. Y fortalecemos la conexión entre los dos. Tratar de aprender nueva información sin conectarse con conocimientos previos limita la fuerza de la memoria.

En resumen, aprendemos conectando conocimientos previos con nueva información. Y esas conexiones forman un gran e interminable gráfico de conocimiento.

Algunos sistemas importantes de aprendizaje adaptativo

Esta sección es más contextual, pero opcional. No estoy escribiendo un artículo completo sobre la historia de estos sistemas, pero aquí hay algunas viñetas:

  • Una de las primeras implementaciones fue la máquina de enseñanza Skinner.
  • Durante las décadas de 1960 y 1970, hubo varios intentos de sistemas de instrucción computarizados. Los costos y las máquinas más lentas limitaron el éxito de estos sistemas.
  • Durante finales de los 70 y principios de los 80, la teoría de respuesta a elementos permitió a los fabricantes de pruebas comenzar a trabajar en pruebas adaptativas computarizadas.
  • Un sistema computarizado temprano e influyente fue el tutor Lisp, también conocido como LISPITS (1983) en la Universidad Carnegie Mellon.
  • SuperMemo, lanzado en 1985, incorporó el aprendizaje espaciado en un sistema computarizado.
  • También en 1985 apareció el papel de Knowledge Spaces, que forma la base de uno de los cuatro elementos.
  • El tutor de matemáticas de ALEKS surgió en 1994, promoviendo fuertemente el uso de los espacios de conocimiento.
  • En 1995, Corbett y Anderson publicaron "Seguimiento del conocimiento", que forma la base de los modelos de seguimiento del conocimiento bayesianos.
  • Algunos programas importantes incluyen AutoTutor, ACT-R y Cognitive Tutor Authoring Tools.
  • Knewton es un ejemplo de sistemas de aprendizaje adaptativo contemporáneos. Kaplan y Pearson utilizan Knewton para proporcionar experiencias de aprendizaje adaptativo.

Los cuatro elementos

La mayoría de los sistemas de aprendizaje adaptativo actuales tienen estos cuatro elementos. Los términos cambian y también su alcance. Pero casi siempre encontrará los cuatro elementos.

Estos elementos son:

  • El experto - un modelo gráfico del estado "ideal", de todo lo que la persona podría aprender usando este sistema.
  • El alumno : un modelo del estado actual del alumno, que muestra la probabilidad de que el alumno conozca cada uno de los nodos del gráfico experto.
  • El tutor : los algoritmos que determinan qué contenido mostrar y cuándo. El modelo experto y el modelo de aprendizaje informan al tutor. El tutor busca optimizar el contenido para su relevancia, desafío y eficiencia.
  • La interfaz , que es cómo mostrar la experiencia de aprendizaje al alumno. En muchas experiencias de aprendizaje adaptativo, la interfaz cambia según el modelo del alumno y los objetivos del tutor.

Entremos en cada elemento.

El experto: el gran gráfico de todo

El modelo experto es un gráfico grande y conectado de todo lo que desea que los alumnos sepan. Como sugiere el nombre, tiene un experto en el tema, o expertos en temas, para crear el modelo. Este modelo es estático. El modelo experto solo cambia cuando cambia el alcance de los resultados del aprendizaje. O cuando surgen problemas y oportunidades para perfeccionar el sistema de aprendizaje adaptativo.

La mayor parte del trabajo del modelo experto se encuentra al comienzo de la construcción de una nueva experiencia de aprendizaje. El sistema de aprendizaje adaptativo accederá al modelo experto para comparar el estado actual del alumno con el modelo experto. El sistema también accederá al modelo experto para determinar en qué experiencia de aprendizaje enfocarse a continuación.

Por lo general, un equipo de expertos definirá el alcance de los resultados del aprendizaje. Cada nodo del modelo experto debe tener los siguientes atributos:

  • Un nombre
  • Una breve descripción, que indica qué habilidades se están probando y qué está fuera del alcance.
  • Una lista de nodos de requisitos previos: estos forman los "bordes" del gráfico. Estos requisitos previos no pueden formar un "ciclo", un bucle de nodos.

Los modelos expertos funcionan mejor cuando cada nodo es pequeño y está estrechamente definido. Por ejemplo, cada habilidad en la taxonomía de Bloom (reconocimiento, comprensión, aplicación, análisis, síntesis y evaluación) podría ser su propio nodo en el modelo experto. La combinación de dos habilidades subyacentes también debe ser un nodo separado.

Hay un sinfín de formatos que puede utilizar para crear un modelo experto, como XML, JSON, CSV o YAML. Puede ser útil poder mostrar el modelo experto gráficamente para su revisión.

Algunos sistemas generarán automáticamente un modelo experto consultando a los expertos en una serie de preguntas, como un asistente. Otros agruparán el contenido de aprendizaje existente, utilizando algoritmos como el agrupamiento de k-medias. Es posible que desee revisar el artículo de Wikipedia sobre espacios de conocimiento para obtener una descripción más matemática.

El alumno: dónde se encuentra y dónde quiere estar

El elemento del alumno es un modelo del estado actual de capacidad del alumno. Entonces, para cada nodo dado en el gráfico experto, el modelo del alumno tiene una probabilidad asociada: 1-99%. El sistema actualiza este gráfico cada vez que el alumno realiza una actividad. Si un alumno responde a una pregunta correctamente, la probabilidad aumenta. Si el alumno responde incorrectamente, la probabilidad disminuye.

Cada alumno tiene su propio modelo de alumno. Entonces, cada vez que hay un nuevo alumno en el sistema, hay un nuevo modelo de alumno. Posteriormente, el tutor utilizará el modelo de aprendizaje para decidir cómo ordenar el contenido de aprendizaje.

Hay muchos algoritmos para actualizar el modelo de aprendizaje. Los espacios de conocimiento sugieren que a medida que un alumno desarrolla una habilidad, las probabilidades de habilidades relacionadas también deben ajustarse.

Algunos sistemas de aprendizaje adaptativo utilizan modelos heurísticos simples para actualizar las probabilidades de habilidades. En la teoría de la respuesta al ítem, la probabilidad se actualiza a lo largo de una curva sigmoidea. En el rastreo del conocimiento bayesiano, esta curva tiene una forma más conservadora. Cada modelo tiende a tener en cuenta estos factores:

  • Antes de que el alumno haga algo, ¿cuál calculamos la probabilidad?
  • ¿Qué posibilidades hay de que un alumno adivine la respuesta correcta si no conoce la habilidad?
  • ¿Qué posibilidades hay de que un alumno cometa un error incluso si conoce la habilidad?
  • ¿Qué posibilidades hay de que el alumno "haya aprendido" la habilidad después de ver el elemento?
  • ¿Qué posibilidades hay de que esta actividad clasifique al alumno como calificado o no calificado?
  • ¿Qué tan difícil será este elemento para este alumno en particular?

Tanto para la teoría de respuesta al ítem como para el rastreo del conocimiento bayesiano, necesitará un medio para estimar estos parámetros. Esta es una de las áreas de desarrollo más rápido en los sistemas de aprendizaje adaptativo, por lo que todavía no puedo hacer recomendaciones específicas. También hay investigadores que crean modelos con aprendizaje automático clásico, como las redes neuronales.

El tutor: qué mostrar cuando

El tutor elige en qué orden seleccionar las actividades en las que participará el alumno. Después de cada actualización del modelo de alumno, el tutor actualizará la ruta que tomará para optimizar para ese alumno.

El objetivo del tutor es hacer que el alumno obtenga un gráfico experto completo en el menor tiempo posible. Algunos sistemas permiten que los alumnos se concentren solo en algunas áreas e ignoren el resto. Como el modelo de alumno es único para cada alumno, también lo es el camino que seguirá el tutor. Mientras que los elementos de experto y alumno son datos con algunos algoritmos, el tutor es algoritmos con algunos datos.

El tutor puede decidir en qué habilidades enfocarse y qué actividades debe realizar el alumno. Para que las habilidades se centren, el tutor a menudo elegirá las habilidades con el mayor impacto en el gráfico más grande. Esto a menudo significa centrarse en habilidades más elementales antes que en habilidades más avanzadas. Para actividades:

  • El tutor intentará elegir las actividades más relevantes para el alumno.
  • El tutor elegirá actividades que sean desafiantes, pero no demasiado difíciles para el alumno.
  • El tutor intentará elegir las actividades de forma que reduzcan el tiempo total hacia el dominio.

Los tutores de aprendizaje adaptativo simple pueden elegir actividades dentro de una habilidad al azar. Los tutores basados ​​en la teoría de respuesta a elementos enfatizan la elección de actividades que son desafiantes. En los modelos de rastreo del conocimiento bayesiano, el mercado tiene muchos algoritmos de tutores diferentes. Los investigadores se han centrado más en los elementos expertos y aprendices. Así que no sabemos qué produce los mejores resultados de aprendizaje para el elemento tutor.

La interfaz: cómo mostrarla

Algunos sistemas de aprendizaje adaptativo cambiarán la interfaz de usuario. Como el alumno está menos familiarizado con una habilidad, la interfaz se reduciría y se centraría más en la tarea en cuestión. A medida que aumenta la capacidad del alumno, se integra más parte de la interfaz completa. Algunos llaman a este proceso "andamiaje".

En algunos sistemas, los alumnos pueden solicitar y recibir sugerencias. Cuándo ofrecer pistas y la profundidad de esas pistas se puede ajustar según la capacidad del alumno.

También hay algunas otras preguntas como:

  • ¿Muestra el gráfico de experto al alumno?
  • ¿Muestra su progreso en todas las habilidades? ¿Cómo?
  • ¿Muestra su progreso en habilidades específicas? ¿Cómo?
  • ¿Tiene el alumno opciones en cuanto al contenido de aprendizaje? ¿O el sistema decide todo?

Dependiendo de las necesidades del sistema, algunos de estos elementos pueden afectar los resultados del aprendizaje.

¿Cómo sabemos si el aprendizaje adaptativo es bueno?

Como estos sistemas provienen del mundo académico, tenemos una cantidad significativa de datos e historial con cada sistema.

La tutoría individual humana tiene los mejores resultados de aprendizaje. Este es un hallazgo común en la investigación educativa. Hasta ahora, ningún sistema computarizado de aprendizaje adaptativo ha superado la tutoría individualizada humana.

Los investigadores han investigado el aprendizaje en el aula solo, el aprendizaje adaptativo computarizado solo, así como el aprendizaje combinado y el aprendizaje adaptativo. Un artículo de 2016 "Efectividad de los sistemas de tutoría inteligente" proporciona un metaanálisis de estos estudios. Los sistemas de aprendizaje adaptativo generalmente superan al aprendizaje tradicional en el aula. Combinados con el aprendizaje en el aula, los sistemas de aprendizaje adaptativo crean un efecto positivo, pero existen algunas limitaciones.

Los sistemas adaptativos funcionan particularmente bien con comentarios instantáneos y aseguran el dominio de las habilidades. Los investigadores señalan algunas áreas de mejora:

  • El costo de desarrollar contenido para estos sistemas es alto.
  • Estos sistemas a menudo no pueden contextualizar el aprendizaje de la forma en que lo hace un ser humano.
  • Los sistemas de aprendizaje adaptativo pueden parecer más desafiantes, lo que puede reducir la motivación del alumno.

Envolver

Bueno, ahora me he vuelto nerd. He cubierto qué son los sistemas de aprendizaje adaptativo. Proporcioné un contexto para el diseño de estos sistemas. Un toque de historia. He cubierto los cuatro elementos principales: el experto, el alumno, el tutor y la interfaz. Ojalá no fuera demasiado técnico.

Llamada a la acción obligatoria al final del artículo: Echa un vistazo a Sagefy, el sistema de aprendizaje adaptativo de contenido abierto en el que estoy trabajando.