Metodický portál RVP.CZ prochází změnami. Více informací zde.
logo RVP.CZ
Přihlásit se
Úvodní stránka
Přehled článků
Metodická pomoc
Zpravodaj
O Spomocníkovi
Podcast
RSS RSS
Titulka RVP > Úvodní stránka Spomocníka > Současný stav vývoje systémů adaptivního...

Současný stav vývoje systémů adaptivního řízení výuky

Druhý díl seriálu popisujícího současný stav využití aplikací založených na velkých datech ve školství v USA a nejen tam. Zabývá se především existujícími aplikacemi a problémy s jejich nasazením spojenými.

Knewton

Tisková zpráva ze dne 12.3.2014:
DALŠÍ ÚSPĚCH: Knewton se již neorientuje jen na tradiční nakladatele učebnic. Tato firma vyvíjející systém řízení výuky založený na velkých datech ústy svého ředitele Davida Liu oznámila, že navazuje partnerství s Microsoftem. To jí pomůže stát se globálním hráčem. Microsoft má přímý vliv na vládní agentury rozhodující o dodávkách služeb pro školy všude na světě. Touto cestou se bude Knewton snažit pronikat do nabídek lokálních služeb na národní úrovni. Liu říká doslova toto: „Jsme jazykově nezávislí a dokážeme se přizpůsobit libovolným vzdělávacím standardům, ať je to kde chce.“ [1]

Než se pustíme do zkoumání, co vlastně Knewton nabízí, rád bych dodal, že se jedná o firmu začínající (startup), které se díky její „slibné“ politice zaštítěné teď nově Microsoftem již podařilo získat investice ve výši 105 mil. $ (viz CrunchBase). To už má nějakou váhu, takže jistě stojí za to se na její nabídku podívat trochu podrobněji.

Knewton sám sebe vydává za průkopníka adaptivních výukových systémů. Firemní vývojářka Jess Nepom vysvětluje rozdíly mezi technologiemi podporovaným diferencovaným, personalizovaným a adaptivním učením takto:

  • Diferenciované učení je ten případ, kdy je žákům k dispozici několik různých cest za poznáním, z nichž si každý (typicky na doporučení učitele) některou vybere.
  • Personalizované učení znamená, že jsou výukové postupy nastavovány každému na míru na základě jeho schopností (znalostí) zjišťovaných před zahájením výukové aktivity (typicky formou pretestu). V průběhu výuky již k modifikacím nedochází.
  • Adaptivní učení nastává tehdy, je-li výukový postup modifikován i v průběhu aktivity (např. testu) na základě bezprostředně získaných výsledků. [2]

Knewton eviduje během práce data o tom, co student dělá, jaké má výsledky a jaký pracovní styl mu vyhovuje. Na základě těchto dat mu v každém okamžiku doporučuje, jak by měl ve studiu pokračovat, chce-li dospět ke stanovenému cíli. Vzhledem k tomu, že má každý student jiné potřeby, zájmy, schopnosti i nedostatky, postupuje každý po jiné automaticky generované trajektorii. [3]

Celý systém pracuje na dlouhodobé bázi, to znamená, že data z předchozích kurzů (ročníků, škol) jsou evidována a použita při analýze aktuálních potřeb studenta. Samotná analýza přitom nevyžaduje žádnou přímou interakci. Běží na pozadí, takže uživatel o ní vlastně ani neví.

Díky komplexnímu přístupu může Knewton odhalit i takové souvislosti, které by mohly v tradičních podmínkách zůstat utajeny. Dejme tomu, že některý student má problémy s plněním úkolů z biologie. Učitel by si snadno mohl myslet, že problém je v biologii, ale to nutně nemusí být pravda. Systém je schopen odhalit například i to, že příčinou nedostatků projevujících se v biologii jsou nedostatečné znalosti v matematice nebo nízká úroveň čtenářských dovedností.

Systém pracuje s tzv. znalostními mapami, které definují obsah učiva. Jedná se vlastně o určitou formu výukových standardů, kterou je snadno možné přizpůsobit místním podmínkám. Čím lépe je pokryt celý obsah studia, tím lépe je systém schopen výuku personalizovat a adaptovat. Proto se Knewton snaží spolupracovat s dodavateli obsahu (vydavateli učebnic) a jejich produkty do systému integruje.

Pokud by takovýto systém pokrýval komplexně celé učivo, mohl by se stát velmi užitečným nástrojem podporujícím učení. Pamatuje si vše, co student již zvládl a ví i to, kdy se tak stalo. Vzhledem k tomu, že má v sobě implementovánu též schopnost zohledňovat křivky zapomínání žáků, dokáže ve vhodný okamžik potřebnou látku připomenout, navázat na ni a nepředkládá nic zbytečně. To poslední je možná nakonec to nejdůležitější.

InBloom

Tisková zpráva ze dne 10.2.2014:
PŘÍPAD INBLOOM: Soudce nejvyššího newyorského soudu Thomas Breslin zamítl návrh 12 zákonných zástupců žáků, který měl znemožnit městskému školskému odboru ukládat data získaná aplikací inBloom. [4]

inBloom je nezisková asociace podporovaná Gates Foundation a Carnegie Corporation, která se zabývá budováním online úložiště dat vznikajících výukovou činností žáků s cílem poskytovat obvodům, školám, učitelům, rodičům i žákům samotným informace potřebné ke zdokonalování výukových postupů.

Teoreticky mohou být takto vzniklá velká data velice užitečná. Analýza může odhalit, za jakých podmínek dochází ke zlepšování výukových výsledků. Je možno identifikovat vhodné a nevhodné výukové materiály (podobně jako Knewton) i efektivitu použitých výukových aplikací. Právě to inBloom ve spolupráci s dodavateli nabízí. Je totiž nezbytné všechny prvky systému upravit tak, aby generovaly potřebná ukládaná data.

How inBloom's shared data services work for educators and learners

Systém samozřejmě musí ukládat i osobní data, aby mohl nakonec výsledky analýzy přiřadit jednotlivým uživatelům. Přestože se manažeři inBloom dušují, že k citlivým datům mají přístup pouze zodpovědní činitelé školských obvodů, učitelé u konkrétních žáků, rodiče u svých dětí apod., riziko možného zneužití je poměrně značné (viz Komu patří velká data ve školství?). Proto se začali rodiče v New Yorku a Illinois bouřit, když jejich školské úřady podepsaly s inBloom smlouvu o poskytování datových služeb. Nelze se jim ani moc divit, když se v podmínkách užívání služeb inBloom dočtou: „Společnost neručí za bezpečnost uložených dat ani za to, že nemohou být zachycena během přenosu.

Bylo by velkou chybou si myslet, že se nás problémy Spojených států netýkají. Je to jen pár dnů, co jsem v diskuzi na České škole v reakci na služby portálu eKabinet.cz psal toto: „Provozovatel může svěřit zpracovávání osobních údajů třetí osobě.“ Že by si nikdo neuvědomoval, co to znamená? (viz Digitální vzdělávací obsah pro předškolní vzdělávání nově na portálu eKabinet.cz). Tato formulace pochopitelně umožňuje prodej dat za účelem zisku ještě mnohem snáze, než ta, kterou použil inBloom.

Závěr

Knewton a inBloom zdaleka nejsou jedinými firmami, které v USA vyvíjejí aplikace založené na ukládání velkých výukových dat. Je zde třeba Ed-Fi, Pearson, MasteryConnect, Instructure a další. Všem se poměrně úspěšně daří přesvědčovat investory o budoucí návratnosti prostředků do vývoje jejich aplikací vložených. Proto nutně musíme být obezřetní a snažit se podmínky tohoto podnikání nastavit tak, aby skutečně bylo přínosné především pro školství. To rozhodně nelze chápat jako prostor určený především pro generování zisku soukromých investic.

Je tedy na místě se zamýšlet nad tím, co dělat. Zde je pár doporučení [5]:

  1. Průhlednost: Všichni mají právo vědět, jak bude s daty do systému vloženými naloženo.
  2. Osobní vlastnictví: Na data do systému vložená je třeba pohlížet jako na osobní vlastnictví toho, kdo je vytvořil. Podle doporučení americké vlády mají firmy vyvíjející aplikace ukládající informace o žácích právo pro svou vlastní potřebu používat pouze data anonymizovaná (viz Protecting Student Privacy While Using Online Educational Services: Requirements and Best Practices).
  3. Žák na prvním místě: Primárním účelem nasazení systémů založených na velkých datech musí být zlepšování výukových výsledků studujících.
  4. Profesionální přístup: Je nutné vyvíjet takové aplikace, které budou dávat pravdivé výsledky. Toho lze dosáhnout jen zapojením odborníků specializovaných na velká data. Připravit je ale nutné i uživatele (učitele) a instituce (školy).
  5. Otevřenost: Je třeba rozumět tomu, jaký smysl má existence velkých dat v kontextu sdílení informací a propojenosti všech aktérů vzdělávacího procesu. Jedině volná výměna informací je schopná vyvolat tvořivé a inovativní prostředí (Osobní tvořivost jako mezinárodní hnutí transformující školství). Systémy provádějící analýzu velkých dat nesmějí být s tímto principem v rozporu.

Technologie revolučním způsobem proměňují prostředí, v němž se vzdělávání uskutečňuje. Analýza velkých dat se již brzy zcela jistě stane jedním z prostředků vývoj významným způsobem ovlivňujícím. Je naprosto nezbytné, abychom rozuměli tomu, jak nám může pomoci a jaká jsou její rizika. Bylo by velmi smutné, kdybychom opakovali chyby minulosti a systémy řízení výuky založené na velkých datech do výuky nasazovali způsobem, který likviduje vlastní iniciativu a motivaci žáků. Nesmíme zapomínat, že naším vrcholným cílem je vychovat jedince schopné provádět vlastní analýzu informací, dospívat k vlastním rozhodnutím a hledat si vlastní cestu za poznáním.

Citace a použitá literatura:
[1] - EdSurge Newsletter 161. 2014. [cit. 2014-3-30]. Dostupný z WWW: [https://groups.google.com/forum/#!topic/learningre...].  
[2] - HILL, Phil. Differentiated, Personalized & Adaptive Learning: some clarity for EDUCAUSE. 2013. [cit. 2014-3-30]. Dostupný z WWW: [http://mfeldstein.com/differentiated-personalized-...].  
[3] - HARRISON, Laurie. Big data and adaptive learning in ELT. 2013. [cit. 2014-3-30]. Dostupný z WWW: [http://www.eltjam.com/big-data-and-adaptive-learni...].  
[4] - Edsurge. NY Parent Lawsuit Against InBloom Dismissed. 2014. [cit. 2014-3-30]. Dostupný z WWW: [https://www.edsurge.com/n/2014-02-09-ny-parent-law...].  
[5] - BRIGGS, Saga. Big Data in Education: Big Potential or Big Mistake?. 2014. [cit. 2014-3-30]. Dostupný z WWW: [http://www.opencolleges.edu.au/informed/features/b...].  
Detailní informace o článku naleznete ZDE.
Tento článek je zařazen do seriálu Velká data ve výuce.
V případě pochybností o aktuálnosti či funkčnosti příspěvku využijte tlačítko „Napište nám“.
Napište nám
Hodnocení článku
Přidat komentář Citovat článek

Licence článku:
Licence Creative Commons

Všechny články jsou publikovány pod licencí Creative Commons.