10 KİŞİSELLEŞTİRME

Bilimsel araştırmalar, kişiselleştirilmiş öğrenmenin durağan, tek boyutlu eğitim deneyimlerinden daha iyi sonuçlar ürettiğini ortaya koymaktadır. Öğretim kişiselleştirildiğinde, öğrenenler daha iyi hatırlama ve daha iyi yakın ve uzak aktarım gösterirler. Kişiselleştirilmiş öğrenme, daha derin bir anlayışın yanı sıra liderlik ve uyarlanabilir bir düşünme gibi üst düzey bilişsel becerilerin geliştirilmesini de sağlayabilmektedir.

Yetenekli bir öğreticinin yapabileceği gibi özelleştirilmiş deneyimler, öğrenme için altın standarttır ancak uzman öğretmen ve eğitmenlerin maliyetleri ve sınırlı bulunabilirliği göz önüne alındığında, bu deneyimler iyi ölçeklendirilmemektedir. Bilgisayar destekli öğretim, ölçeklenebilirlik sorunlarını azaltabilmekte ve kişiselleştirilmiş öğrenme teknolojileri, kişisel bir akıl hocasıyla çalışmaya benzer şekilde bire bir öğrenmenin faydalarını (en azından kısmen) ortaya çıkarabilmektedir.

Genel olarak konuşursak, kişiselleştirilmiş öğrenme teknolojileri, farklı öğrenenler için (veya farklı zamanlarda aynı öğrenen için) farklı deneyimler yaratmaya çalışmaktadır. En basit düzeyde, bu, önceden belirlenmiş öğrenen kategorilerinin farklı öğretim paketleri (ör., acemi ve orta düzey öğrenenler için benzersiz yollar sunan bir sistem) aldığı, bireylerin tercihlerine veya farklılaştırılmış öğretime dayalı kişiselleştirilmiş ayarları içerebilir. Daha da önemlisi, kişiselleştirilmiş öğrenim, gelen veri akışına dayalı olarak öğrenme deneyimini ayarlayan uyarlanabilir mekanizmaları birleştirebilir. Bu tür bir uyarlanabilir öğrenme, genellikle insanların kişiselleştirmenin yararlarını gösterdiği anlamına gelmektedir. (ve bu bölüm genel olarak uyarlanabilir öğrenmeye de odaklanmaktadır.)

Modern teknolojiler, bireylerin hedeflerine ve özelliklerine, önceki deneyimlere, sergilenen bilgi ve performansa, çevresel koşullara ve / veya sosyal bağlamlara daha iyi uyması için görev seçimi ve öğretici örnekler gibi öğretim ögelerini uyarlamak için kişiselleştirilmiş öğrenme yöntemleri yelpazesini giderek daha fazla kullanmaktadır. Örneğin, birileri yeterlilik kazandıkça, bir sistem sorunların sırasını ve sıklığını, müfredattaki ilerlemeyi ve verilen geri bildirim türlerini değiştirebilir. Uyarlanabilir öğrenme sistemleri, etkinleştiren hedeflerin her birini uygulayan ve doğrulayan faaliyetler aracılığıyla öğrenenlere rehberlik ederek ve aşamalı olarak onları ustalığa ulaşmaya yönlendirerek öğrenenlerin gerekli her hedefe gerçekten hâkim olmalarına yardımcı olabilir. Ek olarak, kanıtlar birden fazla öğrenciden toplandıkça, bazı sistemler öğretim dizisinin sorunlu veya sezgisel olmayan kısımları gibi eğilimleri belirlemek için veriye dayalı yöntemler kullanabilir. Diğer sistemler, akranlar arası ve takım eşleştirmeyi önermek veya bir öğrenenin ne zaman insan (otomat yerine) geri bildirime ihtiyaç duyduğunu belirlemek için öğrenenlerin davranışlarını kullanabilirler.

Uyarlanabilir öğrenme teknolojileri, ortalama olarak, geleneksel, grup tabanlı ya da uyarlanamayan öğrenmeye göre önemli ölçüde daha iyi sonuçlar verir. Uyarlanabilir teknolojiler aynı zamanda öğrenmeyi daha verimli hale getirerek daha az zamanda veya daha düşük çalışma süresi maliyetleriyle eğitim ve öğretim sağlayabilir. Örneğin, öğrenenler zaten aşina oldukları materyalleri gözden geçirmek için daha az zaman harcayabilir ve ihtiyaç duyulduklarında takviye eğitim alabilirler. Uyarlanabilir sistemler aynı anda daha az veya en azından daha kısa değerlendirmeleri kullanabilir, çünkü sorular her öğrenenin yeteneklerini tahmin etmede işe yararlılıklarını en üst seviyeye çıkarmak için dikkatlice seçilebilir.

GÜNCEL UYGULAMA SINIRLARI

Kişiselleştirilmiş öğrenme zaten çeşitli ortamlarda kullanılmış olsa da bunun tam potansiyeline ulaşılamamıştır. Sorunun bir kısmı, bu sistemlerin tipik olarak, belirli ve dar odaklı öğretim ihtiyaçlarını karşılamak üzere tasarlanması ve bu nedenle faydaları yerelleştirme eğiliminde olmasıdır. Kendine özgü çözümlerin yaygın olarak uygulanması, geliştirme, değerlendirme ve raporlama yöntemlerinin de standart olmadığı anlamına gelmektedir. Bu, kapalı sistemler arasında veri aktarımını zorlaştırmakta, bu da mevcut uyarlamaları sınırlar ve öğretim bölümlerinin öğrenenlerle bağlantısının kopuk ve tutarsız görünmesi anlamına gelmektedir.

Diğer bir zorluk ise, tarihsel olarak, yüksek vasıflı araştırmacılar, yazılım mühendisleri ve konu uzmanlarından gelen her bir saatlik öğrenen etkileşimi için ortalama 100-300 saat süren geliştirme maliyetleridir. Bu sürenin önemli bir kısmı, otomatik uyarlamaya olanak tanıyan öğrenme ve davranış modellerini oluşturmak için harcanmaktadır. Tek bir alan adı için gereken yüzlerce saatlik eğitimin, geliştirilmesi ve test edilmesi için gereken personel ve süre dikkate alındığında, kişiselleştirme maliyeti yüksek olabilmektedir.

Her hâlükârda, mevcut tek boyutlu uygulamalarla karşılaştırılıp, birçok faydası düşünüldüğünde, pahalı uyarlamalı öğrenme bile tam bir avantaj sunmaktadır. Bundan da öte, makine-öğrenme yöntemlerini kullanarak model oluşturma tekniklerinin geliştirilmesi ve geliştirme araçlarının kullanılabilirliğinin artmasıyla birlikte geliştirme daha verimli hale gelmektedir. Bugün, modern bir sistem, bir saatlik eğitim için 20-30 saatlik uzman çalışması ile inşa edilebilmektedir.

Genel olarak, bu alan hızla büyümekte olup, yeni teknolojiler kişiselleştirilmiş sistemlerin duyarlılığını, etkisini, verimliliğini ve maliyet etkinliğini her geçen gün iyileştirmektedir. Aşağıdaki bölümler, yeni uyarlanabilir öğrenme yeteneklerinin gelecekteki öğrenme ekosistemini nasıl bilgilendireceğine özellikle odaklanarak, kişiselleştirilmiş öğrenmeyi tasarlama ve uygulamaya yönelik genel bir yaklaşımı özetlemektedir.

KİŞİSELLEŞTİRİLMİŞ ÖĞRENME TASARIMI

Kişiselleştirilmiş bir öğrenme yaklaşımını uygulamaya hazırlanırken, bir öğrenme deneyiminin hangi yönlerinin kişisel farklılıklardan en çok etkilendiğini ve bu farklılıklar karşısında öğretim ögelerinin nasıl çeşitlenebileceğini düşünmek faydalı olacaktır. Geçmiş, gerçek zamanlı ve harici veri kaynaklarının mevcudiyeti de uyarlanabilir sistemin işleyişini doğrudan etkileyecektir. Sonraki üç alt bölüm, veri toplama, veri analizi ve öğrenmenin neyi ve nasıl kişiselleştireceği konusunda üst düzey düşünceleri ele almaktadır.

Veri kaynakları

Uyarlama, uyum sağlamak için bir şey gerektirir; bu, demografik ve arka plan bilgilerinin yanı sıra gerçek zamanlı performans, algılayıcı ve öğrencilerin davranışsal (olaya dayalı) verilerini içerebilir. Ayrıca, kavramsal bilgiler ve eğitmen girdileri gibi doğrudan öğrenenin dışındaki bilgi kaynaklarından önemli katkılar olabilir.

Öğrenen özellikleri ve önceki deneyimler gibi nispeten statik veriler, rol temelli farklılaşma gibi daha basit kişiselleştirme biçimleri hakkında bilgi verebilir veya bir sistem içinde yeni bir öğrenen profili oluşturmaya yardımcı olabilir. Kişiselleştirmeyi anlamlı şekilde etkilediği gösterilen bazı kişisel özellikler arasında hedef yönelimi, genel öz yeterlik, bilgisayar tutumları ve üstbilişsel yetenekler sayılabilir. İş unvanı veya askerî rütbe gibi anayasal nitelikler de yararlı olabilir, çünkü elde edilmeleri genellikle kolaydır ve geçmiş performans bilgilerinin yerine geçebilirler (bu veriler mevcut değilse). Önceki bilgi ve beceriler, tahmin edileceği gibi, kişiselleştirmeyi bilgilendirmek için en kullanışlı tarihsel veriler arasındadır.

Öğrenen performans verileri hem geçmiş test sonuçları ve portföy puanları gibi statik verileri hem de verilen öğretim deneyimi içindeki sınavlar, alıştırmalar, simülasyonlar ve diğer etkinliklerden elde edilen daha güncel verileri içerebilir. Öğrenen performansı, madde-tepki kuramı veya Bayesci bilgi takibi gibi yöntemler aracılığıyla karmaşık çıkarımları bildirmek için kullanılabilir; eşik ölçümleri ve popülasyon normlarıyla karşılaştırmalar gibi daha basit yaklaşımlar da bazı faydalar sağlar. Ancak, temel öğrenen performansı verilerini bile toplamak her zaman kolay değildir; bazen, örneğin, bireyler veya kuruluşlar puanlarının ölçülmesi ve kaydedilmesiyle kendilerini tehdit altında hissedebilirler. Buna rağmen, öğrenen performans verileri kişiselleştirmede büyük fark yaratır; kalite ölçütleri tasarlamak, verileri toplamak ve dikkatlice analiz etmek için harcanan çabaya değer.

Bazı ayarlarda mevcut olan yeni bir veri kaynağı, sensörlerden, yani öğrenenlerle ilgili fiziksel veya fizyolojik bilgileri objektif olarak ölçebilen, arabulucuları ve performanslarının moderatörlerini çevreleyen bazı belirsizlikleri ortadan kaldıran cihazlardan gelir. Galvanik deri tepkisi ve kalp atış hızı değişkenliği monitörleri gibi bazı özel sensörler, öğrenenlerin zihinsel ve duygusal durumlarını tespit edebilir (bir ölçüde). Dahası, özel donanım her zaman gerekli değildir; düşük maliyetli sensörler dizüstü bilgisayarlar ve cep telefonları gibi birçok cihaza halihazırda yerleşiktir ve bunlar konum, bağlam, bakış yönü, göz bebeği genişlemesi ve ses, hareket ve duruş ipuçlarından gelen çeşitli diğer girdileri izleyebilir. Bu düşük maliyetli alıcılardan elde edilen veriler stres, can sıkıntısı ve kafa karışıklığı gibi durumları ortaya çıkarmak için zaten kullanılmaktadır. Yazılım içerisindeki araçlar, öğrenenlerin dikkatini, katılımını veya öfkesini anlamanın yanı sıra öğrenenin kimliğini doğrulamaya veya hile belirtilerini ortaya çıkarmaya yardımcı olmak için daha yavaş yazma veya sık kullanılan fare hareketleri gibi klavye ve fare girişlerini bile kullanabilir.

Hem öğrenen performansı hem de algılayıcı veriler ile ilgili olarak, öğrenen deneyimi verileri, öğrenenlerin gördüklerini ve yaptıklarını açıklayan olay temelli verileri ifade eder. Öğrenen performansı verileriyle karşılaştırıldığında, öğrenen deneyimi yalnızca sonuçları değil, her bir sonucu açıklayan tüm adımları, bir öğrenenin (veya ortamdaki diğer ilgili insan veya makine aracılarının) gerçekleştirdiği adım adım faaliyetleri de yakalar. Bunlar, videoyu duraklatmayı, göndermeden önce bir sınav cevabını seçmeyi (ve sonra değiştirmeyi) veya bir otomatik eğitmenden yardım istemeyi içerebilir.

Önemli kavrayış, dış kaynaklardan, anında teslim teknolojisinin veya öğretim faaliyetlerinden de gelebilir. Örneğin, çevrim içi kurslardaki gündelik tartışma panoları gibi diğer sosyal etkileşimler, öğrenenlerin ilgi alanları ve tutumları hakkında daha fazla bilgi edinmek veya sosyal ağ analizlerini bildirmek için doğal dil işleme yoluyla çıkarılabilir. Öğrenme ortamı hakkında kavramsal bilgiler de kullanılabilir. Örneğin, zaman ve konum verileri, öğrenenlerin algılayıcıları tarafından toplanabilir ve daha sonra gerçek zamanlı bağlamla ilgili öğrenme örnekleri hakkında bilgi vermek için harici hava ve harita veri tabanlarıyla entegre edilebilir. Benzer şekilde, lojistik hususlar, öğrenmenin sunulmasıyla ilgili hususları etkileyebilir; bunlar, söz konusu öğrenenin kullanabileceği dijital cihazları (ör., akıllı telefona ve dizüstü bilgisayar gibi), belirli bir kursta mevcut olan koltuk sayısını veya maliyet ve zaman kısıtlamalarını içerebilir. Örgütsel faktörler de kişiselleştirmeyi farklı biçimlerde şekillendirebilir. Bir örnek olarak, bireyin iş gücüne uygunluk, mesleki gelişim hedefleri veya kişisel merak dışında olması nedeniyle bir eğitim kursunu tamamlayıp tamamlamadığına bağlı olarak, öğrenmenin tasarım ve sunumunun nasıl değişebileceğini düşünün.

Başka bir dış veri biçimi, öğrenenlerin kendileri, akranları, eğitmenleri ve denetçiler dâhil olmak üzere insan gözlem ve girdilerinden gelir. Örneğin, bir eğitmen öğrenene ait ikna edici yazı hakkında bir eleştiri yazabilir veya başka gözlemci / eğitmen stajyerlerin çalışmalarını performans değerlendirme tablosuna göre puanlayabilir. Bir öğrenen verilerden yola çıkarak öz değerlendirme yapabilir aynı şekilde bu değerlendirme akran değerlendirmeleri veya 360 ° anketlerden gelen verileri kullanabilir. (Bu noktada şunu da belirtmek gerekecek, gelecekteki öğrenme ekosisteminin tüm yönlerinin dijitalleştirilmesi ve otomatikleştirilmesi gerekli değildir! Aslında, bu araştırmalar üzerinde çalışabilecekleri önemli bir alandır, özetle teknolojiyi öğrenme kolaylaştırıcılarına ikame etmek yerine simbiyotik olarak nasıl entegre edebiliriz.)

Son olarak, daha sağlam, kişisel ve kavramsal hale getirilen öğrenen verilerinin daha yararlı olduğunu belirtmek gerekir ancak bu verilerin bu şekilde işlenmesi süreci mahremiyet endişelerini de artırmaktadır. Fayda ve mahremiyet arasındaki dengesi iyi kurulmalıdır. (Daha ayrıntılı bir tartışma için Bölüm 8’e bakınız.)

Veri Analizleri

Toplanan veriler anlamlı bir şekilde analiz edildikten sonra, sistem bu analizleri teşhis, kestirim ve uyarlama kararları almak için kullanmalıdır. Kişiselleştirilmiş öğrenme teknolojileri ne tür kararlar almayı mümkün kıdığıdır. En bariz cevap, öğrenenlerin içerik ustalıklarını tahmin edebilme ve daha sonra yetenek boşluklarını doldurmak ve kavram yanılgılarını gidermek için harekete geçebilmektir. İnsanlar farklı şekillerde öğrenirler ve bir sistemin yapabileceği en etkili müdahalelerden bazıları, her öğrenenin kendi optimal hızında ilerlemesini sağlamaktır, böylece tüm öğrenenler önemli alt-bileşenleri atlamadan veya önceden bilinen materyallerle çile çekmeden ustalığa ulaşırlar.

Tanım olarak, ustalık, gerçek değeri gözlemlenememiş bir öğrenenin yeterliliği ile ilgili bir kestirimde bulunmaktadır. Ustalık, cevapların doğruluğu ve hızı gibi gözlemlenebilir performansla sonuçlanır. Ustalık kestirimlerine, özellikle başlangıçta, öğrenenin profilinden veya demografik girdilerinden elde edilen sabit verilerle şekil verilebilir. Bir öğrenme olayı sırasında, ustalık kestirimleri, en yeni oluşturulmuş bağlamla ilgili verilerle şekillendirilir. Ancak; ustalık kestirimlerine ilişkin sınırlamaları da dikkate alın. Tutan tahminler, tesadüfi girdiler, deneme yanılma yöntemleri ve herhangi bir sayıda tesadüfi veya kasıtlı hatalı davranışlar tutarsızlıklara neden olabilir. Uyarlanabilir sistemler her zaman öğrenen ustalık verileri çerçevesinde sağlıklı bir şüphecilikle tasarlanmalı ve hatalı tahminleri doğrulamanın ve azaltmanın yollarını bulmalıdır. Hatalı ustalık modellerine karşı korunmanın bazı yolları arasında, eğitmen girdileri, sistem davranışlarını geçersiz kılan öğrenen seçim önerileri ve öğrenenlerin kendi ustalık tahminlerini görmelerini (ve bazen doğrudan veya dolaylı olarak değiştirmelerini) sağlayan açık öğrenen modelleri de bulunur.

Ustalığa ek olarak, birçok bireysel durum ve özellik öğrenmeyi etkiler ve bu nedenle, analiz için faydalı hedefler olabilir. Öğrenenlerin durumları, an be an değişen şekillendirilebilir özelliklere sahipken, neyse ki özellikleri, daha sabittir ve daha uzun süreler alan bir dönemde değişime uğrar. Hayal kırıklığı veya can sıkıntısı gibi duygusal durumlar, bireylerin öğrenme motivasyonlarını azaltabilir; açlık ya da uyku eksikliği gibi fizyolojik durumlar hem duyguları etkileyerek hem de bilişsel işlevleri yöneterek öğrenmeyi etkileyebilir. Daha önce de belirtildiği gibi, kişilik özellikleri (ör., hedef yönelimi ve genel öz yeterlik) de bazı içgörüler sağlayabilir; ayrıca, sosyal kimlik özellikleri veya öğrenme hedefleri gibi kişisel özellikler de bu konuda işe yarayabilir.

Son olarak, zaman içinde birçok öğrenenden elde edilen verilerin toplanması eğilim analizleri için bilgi sağlayabilir veya bunlar, yeterli ölçekte, gizli kalıpları ortaya çıkaran makine-öğrenimi algoritmalarını eğitmek için kullanılabilir. En azından toplu veriler, ortalama tamamlanma süresi gereksinimleri gibi bazı genel ölçütler sağlayabilir. Daha karmaşık sistemlerde, bu veriler aynı zamanda otomatik tanılama ve uyarlama önerilerini geliştirebilir ve ayrıca öğretimdeki sorunlu bölümleri tanımlama, farklı öğrenen türleri için optimum öğrenme patikaları ve öğrenme arayüzünü, içeriğini veya sunumu aşamalı olarak iyileştirme yolları gibi sistem genelindeki iyileştirmeleri bilgilendirebilirler.

Uyarlamalar

Bir sonraki önemli husus, sistemin yapacağı adaptasyon çeşitleriyle ilgilidir. Bu; ekran ögeleri, içeriğin ne ve ne zaman sunulduğu, görev sırası, eğitim materyallerinin içeriği, gömülü içerik özellikleri (ör., ilgili örneklerin seçimi), dış içerik özellikleri (ör., geribildirim ve ipuçları dahil), öğretim stratejileri ve taktikleri, dağıtım yöntemleri, dağıtım araçları, sunum yöntemleri, performans standartları, öğrenenlerin hedefleri ve çeşitli diğer etkileşimler dâhil olmak üzere birçok faktörde değişiklik yapılmasını içerebilir. Bu adaptasyon biçimleri, mikro, makro ve meta seviyelerde yani, daha büyük veya daha az oranda ifade edilebilir.

Birincisi, mikro seviye, bir öğrenme oturumu, problem çözme fırsatı veya tek bir öğrenen eylemine yanıt olarak göreve özgü adaptasyona odaklanmaktadır. Bu, örneğin, bir cebir problemi bağlamında veya bir taklit senaryosu içinde olabilir. Zeki öğretim sistemleri, genellikle oldukça kısıtlı amaçlar ve konu alanları için de olsa, bu tür bir uyarlama üretmektedir. Zeki öğretici teknolojileri meta haline geliyor ve bir internet araması ile ticari ve açık kaynak seçeneklerini bulmak kolay. Ancak, kullanıma hazır bu araçların çoğu iyi tanımlanmış konu alanlarında en iyi sonucu verir; bu nedenle, mevcut birkaç matematik öğretmeni varken, yazmak için daha az, sosyal ve duygusal beceriler için daha da az öğretmen vardır. Yanlış tanımlanmış alanlar veya özel materyaller için, göreve özgü kişiselleştirme geliştirmek, öğrenme, mühendislik ve konu uzmanlarından kapsamlı girdiler gerektiren zaman alıcı bir çaba olabilmektedir. Bu durumlarda, insan uzmanlığına duyulan ihtiyaç, onların gelişiminde bir darboğaz yaramakta ve kişiselleştirilmiş öğrenmenin daha yüksek maliyetinin bir parçası haline gelmektedir.

İkincisi, makro düzey içerik genelinde uyarlamaya odaklanır. Bu, bir sonraki öğretim konusunun seçilmesini, bir müfredat içindeki öğretim bloklarının sıralanmasını, öğrenenlerden, denetlenemeyen kavramları tekrar etmelerini istemeyi veya daha önce öğrenilen alanları atlamalarına izin vermeyi içerebilir. Belirli bir “konunun” veya “bloğun” ayrıntı düzeyi değişkenlik gösterebilir ancak bunların öğrenme bölümlerine (bileşen görevleri veya daha büyük kümeler yerine) atıfta bulunmaları gerekir. Makro ve mikro seviyede uyarlama tipik olarak sınırlı bir sistem içerisinde, yani tek bir uygulamada gerçekleşir.

Meta düzeyinde üçüncü bir kişiselleştirme türü ortaya çıkmaktadır. Meta adaptasyon, farklı müfredat, öğrenme sistemleri ve / veya organizasyon fonksiyonları için uygulanır. Mikro ve makro seviyelerin aksine, meta-seviyedeki uyarlama sistemler sistemi ortamlarında gerçekleştirmektedir. Meta-adaptasyon, örneğin, belirli bir öğrenme hedefine ulaşmak için hangi uygulamanın kullanılacağının seçilmesini içerebilmektedir Örneğin, bir doktorun çevrim içi bir simülasyon yoluyla, harmanlanmış bir öğrenme atölyesinde veya yerinde bir mobil eğitim ekibiyle yeni bir prosedür hakkında eğitim verip vermemesi düşünülmelidir. Bu örnekte vurgulandığı gibi, farklı öğrenme sistemleri çeşitli ve çoğu zaman tamamlayıcı olan yaklaşımları kullanır. Sezgisel olarak, her deneyim her öğrenen için daha iyi (veya daha kötü) çalışabilir. Örneğin, mesleki gelişim hedeflerinin, atölye planlama lojistiğinin, mevcut teknolojilerin, lisans almanın aciliyetinin ve kuruluşun risk toleransının farazi doktorun eğitim şeklini nasıl etkileyebileceğini düşünün.

Meta adaptasyon, verilen bir sistemdeki öğrenme faaliyetlerini de arttırabilmektedir. Hayali doktorun bu yeni prosedürü bir simülasyon yoluyla öğrendiğini ve sistemin örneğin farmakoloji gibi birbiriyle ilişkili bir alandaki, mevcut sistem tarafından açıkça ele alınmayan bir boşluğu teşhis ettiğini hayal edin. Bu durumda, meta-uyarlanabilir çözüm, bir kitap bölümü, mikroögrenme tazeleme veya çevrim içi kurs gibi harici iyileştirme kaynakları önerebilmektedir.

Meta-uyarlama, veri paylaşmalarını ve birlikte çalışmalarını sağlamak için çoklu öğrenme sistemlerini birleştiren modern öğrenme ekosistemlerinin bir özelliğidir. Bu, standartlaştırılmış protokolleri, makine tarafından okunabilir verileri ve iyi tanımlanmış meta verileri öğrenim sistemlerinde kullanmanın neden önemli olduğunun bir nedenidir. Veriler sistemler arasında standartlaştırılmış yollarla paylaşıldığında, daha geniş, hayat boyu öğrenme ölçeğinde birleşik ve optimal öğrenme patikalarının kişiselleştirilmesini sağlamaktadır.

Teknolojik Hususlar

Kişiselleştirmenin tasarımı, kullanımı ve etkisi, sistemin kullanıldığı teknik ortamdan büyük ölçüde etkilenir. Bu bölüm bu konuların bir örneğini vurgulamaktadır.

DONANIM VE YAZILIM

Bilgisayar tabanlı kişiselleştirme şüphesiz donanım ve yazılım gerektirir. Daha açık bir şekilde, bu sistemler, büyük miktarlarda öğrenen verileri için kapsamlı ve yüksek güvenlikli dijital depolama, ölçeklendirilmiş çevrim içi YZ algoritmalarını işleyebilen esnek sunucular veya API’ler arasında veri paylaşan esnek sistemler gibi özel bileşenler gerektirebilir. Benzer şekilde, seçilen veri kaynaklarına bağlı olarak, giyilebilir algılayıcılar, çevresel işaretler veya eğitmen giriş tabletleri gibi benzersiz donanım cihazları gerekebilir.

BANT GENİŞLİĞİ

Kişiselleştirilmiş öğrenme teknolojilerinin bir istemci uygulamasında yerel olarak çalışabilmesine rağmen, çoğu sistemin ağ bileşenlerini (ve muhtemelen bir hizmet veya HOY çözümleri olarak yazılımı) kullanacağı tahmin edilmektedir. Ancak, bant genişliği sınırlamaları bazı dağıtımları etkileyebilmektedir. Örneğin, K – 12 okullarının birçok kullanıcı arasında sınırlı bir internet bağlantısını paylaşması gerekebilir ya da yüzer durumda veya zorlu koşullarda askerî birimler, bağlantı olmadan uzun süreler geçirebilir. Bu gibi durumlarda, kişiselleştirilmiş öğrenme uygulamaları ağ kullanımını azaltmak, yavaş yanıt sürelerine rağmen veya bir bağlantı olmadan çalışmak için tasarlanmalıdır. Bunu gerçekleştirme yöntemleri arasında toplu işleme, yerel çoğaltma ve mümkün olduğunda beklenen sonraki adımların önbelleğe alınması sayılabilir.

VERİ

Kişiselleştirilmiş öğrenme veri gerektirir.

Veri modelleri, büyük ölçekli doğrulama ve norm çalışmaları yoluyla toplanan, bir öğrenme ekosistemindeki diğer uygulamalardan veya merkezi veri havuzlarından elde edilen mevcut verilerle bilgilendirilebilir. Ancak, bir uyarı: Daha fazlası her zaman daha iyi değildir. Daha önce toplanan verilerin mevcut nüfusu tam olarak ne ölçüde yansıttığını değerlendirmek önemlidir. Örneğin, hassaslık ayarlarında, bir test içindeki soruların sıralaması kadar ince farklılıklardan sapma tespit edilmiştir. Bunun da vurguladığı gibi, veriler ister harici kaynaklardan ister sistem tarafından toplanan girdilerden geliyor olsun, veri kalitesi önemli bir sorundur. Hataya dayanıklılık, tamlık, objektiflik, adalet, güncellik ve tutarlılık (birkaçını belirtmek gerekirse) kişiselleştirme için kritik faktörlerdir.

Dikkate alınması gereken bir diğer önemli husus, depolama ve işleme gereksinimlerini içermektedir. Bazı algoritmalar, bir sistemi kullanışlı hale getirmeden önce ölçümlemek için yüzlerce veya binlerce öğrenenden gelen verileri gerektirmektedir. Ayrıca, algoritmalara bağlı olarak, üretilen veri miktarı bellek ve hesaplama gereksinimlerini önemli ölçüde artırabilmektedir.

MAKİNE ÖĞRENİMİ

Büyük ölçeklerdeki veriler, makine öğrenimi algoritmalarını eğitmek için kullanılabilir. Bunlar, örneğin, hangi öğrenme patikalarının farklı öğrenenler için en iyi çalışacağını tahmin edebilmekte veya kullanım alışkanlıklarına dayanarak eski içeriği algılayan kendi kendini geliştiren bir sistem oluşturabilmektedir. Ayrıca, makine öğrenimi, kişiselleştirmenin farklı topluluklar için nasıl çalıştığını otomatikleştirebilir veya zaman içinde değişen etkileşim kalıplarını ortaya çıkarabilmektedir. Ancak, makine öğrenimi sihirli bir değnek değildir. Ayrıca, önemli miktarda veri gerektirmektedir; bu da birçok öğrenenin bir makine öğrenimi algoritmasının tam olarak uygulamaya hazır hale gelmeden önce bir sistemi kullanması gerektiği anlamına gelir. Dahası, birçok kuruluş, bir algoritmanın işlevselliğini insan gözetimini içerebilecek, artan karmaşıklık ve maliyetlere yol açabilecek kişiselleştirilmiş öğrenme müdahalelerinin sürekli doğrulanmasını gerektirecektir. Makine öğrenmesi şeffaflık ve izah edilebilirlik sınırlamalarından da zarar görebilmektedir.

ŞEFFAFLIK VE İZAH EDİLEBİLİRLİK

Kişiselleştirilmiş öğrenme sistemleri, şeffaf bir şekilde, yani paydaşların verileri, analizleri ve eylemlerin sebeplerini görmesini sağlayacak şekilde işlenmelidir. Şeffaflık, aynı işlemleri yapabilen ancak kullanıcıların sistemin karar süreçlerini izlemelerine imkân tanımayan kara kutu teknik sistemlerinin aksine tanımlanmıştır. İdeal olarak, kişiselleştirmeden elde edilen çıktılar bireysel ve toplu seviyelerde mevcut olmalı ve kullanıcıların açıklayıcı ayrıntılı görüşlere ulaşması için detaya inmesine (veya detaya gitmesine) izin vermelidir. Öğrenenler, eğitmenler, yöneticiler, denetçiler ve / veya komutanlar için tasarlanmış veri görselleştirmeleri ve gösterge tabloları burada yararlı olabilir.

İdeal olarak, kişiselleştirilmiş öğrenme sistemleri hem açıklanabilir hem de şeffaf olmalıdır; bu, paydaşlarının bunu doğru bir şekilde değerlendirmek ve kabul etmek için sistemin eylemlerini anlamalarına yardımcı olur. Bu ayrımı göz önünde bulundurun: Şeffaflıktan yoksun bir teknik sistem özel işlevler ve kara kutu makine öğrenimini içerebilir; ancak bu algoritmalara bir pencere açmak, onların temelindeki mantığı veya ortaya çıkan davranışları anlaşılır hale getirmeyecektir. Son kullanıcı açıklamalarını dikkate almadan şeffaflık yine de kafa karışıklığı yaratabilir; bu nedenle, kişiselleştirilmiş öğrenme sistemleri, tahminlerinin ve uyarlamalarının nedenlerinin açıklamalarını da sağlar. Bir örnek olarak, kişiselleştirilmiş bir öğrenme sistemi, tahminleri güncellemek ve bunları kararlarda birleştirmek için olasılıklı matematik kullanabilir. Araştırmalar, sadece olasılıkları göstermenin yararlı olmadığını, çünkü iyi eğitimli kullanıcıların bile bunları sezgisel olarak anlamakta zorlanabileceğini gösteriyor. Bunun yerine açıklanabilir sistemler, bilinen terminolojideki kararları için doğal dil tanımları ve kanıtlar sağlayabilir. Son araştırmalar, normalde kendilerini açıklamayan karmaşık sistemler için gerçeğin ardından açıklamaların nasıl oluşturulacağını da araştırıyor.

Şeffaf ve açıklanabilir sistemlerin çıktıları son kullanıcılar için uygulanabilir olmalıdır. Sistemler yalnızca veri çıkarmamalı; açık öğrenen modeller, eğitmen gösterge panoları veya yöneticiler ve örgütsel karar vericiler için tasarlanan görselleştirmeler gibi verileri kullanan paydaşlara anlamlı bir veri sağlamaya yardımcı olmalıdırlar. Bu sistemler iyi bir izah edilebilirlik içerdiğinde, kullanıcıların kendilerine güvenmesi, sınırlarını anlaması, sistem tavsiyelerine yanıt olarak harekete geçmesi ve sistemleri zaman içinde kullanmaya devam etmesi daha olasıdır.

KONTROL

Şeffaf ve açıklanabilir sistemler, kullanıcıların bir uygulamanın neden ve nasıl çalıştığını görmelerini sağlar; peki ya bu paydaşlar bazı işlevlerini kontrol etmek isterse? Sistemler öğrenenlerin, eğitmenlerin ve diğer insan paydaşlarının tahminlerini ve / veya eylemlerini etkilemelerine izin verebilir. Bu tür bir insan-makine ekibi, devam eden bir araştırma alanıdır. İdeal olarak, öğrenme paydaşları, büyük veya ayrıntılı verilerin daha hızlı işlenmesiyle onları destekleyen tamamlayıcı teknolojiye görevleri yüklerken istedikleri kontrol türlerini koruyabilmelidir.

KULLANILABİLİRLİK

Son olarak, kişiselleştirilmiş öğrenmeyi etkin bir şekilde uygulamak için kullanılabilirlik ve kullanıcı kabulü kritik performans ölçütleridir. Kullanılabilirlik paydaşları arasında yalnızca öğrenenler, eğitmenler ve yöneticiler değil, kişiselleştirilmiş öğrenmeyi planlayan ve uygulayan öğretim tasarımcıları, veri modellerini ve adaptasyon algoritmalarını izlemesi gereken sistem mühendisleri ve hatta bir öğrenme ekosistemindeki diğer uygulamaların geliştiricileri yer almaktadır.

ETKİLİ KİŞİSELLEŞTİRİLMİŞ ÖĞRENME OLUŞTURMAK

Sonuçta, kişiselleştirmenin amacı, bireylerin daha etkin ve verimli bir şekilde öğrenme amaçlarına ulaşmalarına yardımcı olmaktır. Ancak, belirli bir sistemin (verileri, analizleri ve uyarlanabilir müdahaleleri) ne kadar iyi performans gösterdiğini nasıl belirleneceğidir. Sorulacak ilk soru, bir sistemin işlevsel olup olmadığı, yani katılımcılara ihtiyaçlarına uygun farklı öğrenen deneyimleri sunup sunmadığıdır. Tasarlandığı ve beklendiği gibi çalıştığını doğrulanıp doğrulanamayacağıdır. Bu değerlendirme faktörlerini birkaç kategoriye ayırmak faydalıdır. Örneğin, sistem (bir yazılım uygulaması olarak) nasıl bir performans sergilediğidir. Bir kullanıcının sistemden yardım almadan yaptığı işin miktarı, iş süreçleri hakkında zamanla ilgili bilgiler, temel modellerin doğruluğu ile ilgili bilgiler ve kullanıcıların sistemle etkileşimde davranışları gibi unsurları göz önünde bulundurulmalıdır. Ayrıca, uygulama içindeki içeriği, örneğin bir sistemin her olası hedef öğrenme sonucu için öneriler üretme derecesini, sistemin aldığı “katalog” kalitesini ve yapılan öğretim müdahalelerinin kalitesini değerlendirmede fayd bulunmaktadır.

Öğretim müdahalelerinin kalitesi, farklı öğrenme müdahalelerinin genişliği, hassasiyeti ve bütünlüğü, sistemin tüm kataloğa orantılı olarak yaptığı benzersiz tavsiyelerin sayısı veya sistemin farklı kullanıcılara aynı birkaç popüler sonucu ne sıklıkla tavsiye ettiğini içeren birçok boyutta ölçülebilmektedir. Buna bağlı olarak sorulacak sorular şunları içermektedir: Öğrenenler arasındaki destek ve geri bildirimdeki farklılıklar nelerdi? Bir konudan diğerine ilerleme sırasındaki fark neydi? Öğrenciler, göreve ve içeriğe özgü işlemler sırasında herhangi bir noktada takılıp kaldılar mı ve takılıp kaldılarsa, nerede? Stajyerler eğitimi ne sıklıkla bıraktı ya da durdurdu? Görev dışı davranışları veya sistemi manipüle etme girişimleri var mıydı?

Sorulacak bir sonraki soru, sistemin etkili olup olmadığı, yani öğrenme deneyiminin kazanımlarını arttıran uyarlamalar yapıp yapmadığıdır. Aradığımız daha geniş sonuçlara ulaştığını doğrulanıp doğrulanmayacağıdır. En açık şekilde, bunlar eğitim etkinliği ve verimliliği önlemlerini içerebilir, yani sistem diğer yöntemlere göre daha iyi konu ustalığı mı yoksa daha hızlı tamamlama hızları sağlayıp sağlamadığıdır Bundan daha fazla, elde tutma oranlarının arttırılması, motivasyonun iyileştirilmesi, belirli tutumların veya sosyal etkileşimlerin teşvik edilmesi gibi diğer sonuçlar da eşit derecede istenebilmektedir.

Son olarak, kişiselleştirilmiş bir öğrenme sistemini değerlendirmek için pratik hususlar bulunmaktadır: Bunun maliyeti nedir? Geliştirmek için ne kadar zamana ve kaç kaynağa ihtiyaç vardı ve işletme ve bakım masrafları nelerdir? Sistemin bileşenleri modüler, ölçeklenebilir, genişletilebilir ve yeniden kullanılabilir mi? Ne kadar veri toplar ve bu veriler nasıl işlenir? ve sonuçta, sistem yatırımda iyi getiri sağlayıp sağlamadığıdır.

SONUÇ

Kişiselleştirme, etkili öğrenme çıktıları elde etmenin en önemli yollarından biridir ve bilgisayar destekli kişiselleştirme, bu faydayı daha fazla öğrenene sağlayabilmektedir. Bilim öğrenme alanı, öğrenmeyi neyin ve nasıl uyarlayacağına dair anlayışımızı geliştirmiştir (eğitim teorisi ve bilişsel bilimdeki onlarca yıllık araştırma yoluyla) ve teknolojideki yenilikler, bu yöntemleri geniş ölçekte verimli ve etkili bir şekilde uygulama becerimizi geliştirmektedir.

Bireysel bileşenler ve öğrenme sistemleri, bir sistem sistemi olarak birlikte çalıştığında, verileri paylaştığında ve uzunlamasına ve çeşitli deneyimler boyunca öğrenen yörüngelerini optimize ettiğinde, öğrenmeyi kişiselleştirme vaadi gerçekleşecektir. Kişiselleştirmeyi öğrenme potansiyeli çok büyüktür ve araştırmacılar ve eğitimciler olasılıkları keşfetmeye yeni başlamaktadır.

Kaynakça