Doposud jsme v souvislosti s datafikací školství vždy mluvili jen o „velkých datech“ (Komu patří velká data ve školství?, Jsou velká data velkým potenciálem nebo velkou chybou?). Velká data jsou všechny ukládané informace o tom, co uživatelé (žáci) na svém přístroji či v určité aplikaci dělají. Většinou jich je skutečně mnoho, jsou nestrukturovaná a je obtížné je zpracovat. Typicky se pak dají využít hlavně při odhalování dlouhodobých plošných trendů. Kromě vědců mnoha různých oborů se statistickým zpracováním uživatelských dat v poslední době zabývá hlavně marketing. Úspěch obchodu v globální konkurenci je stále více závislý na zpracování relevantních informací o stavu trhu. Právě zde se nedávno vynořil nový pojem – „malá data“ (small či little data – zatím neustáleno).
Všudypřítomná snaha přizpůsobit nabídku potřebám zákazníka (personalizace) je sice založena na velkých datech, fungovat však musí nakonec vždy individuálně, to znamená, že jejím cílem je přizpůsobit nabídku osobním preferencím zákazníka. Zjednodušeně si to můžeme představit tak, že počítačový systém na základě velkých dat získaných od všech vytvoří (s přispěním umělé inteligence) modely chování typických uživatelů. Pak vezme konkrétní (malá) data toho kterého uživatele a hledá odpovídající model, který zařídí, aby nabídka odpovídala zájmům zákazníka. Autor pojmu „malá data“ Mark Bonchek je definuje jako „to, co víme o lidech“ [1].
Zkusme se přenést zpět do školství. S malými daty zde lze pracovat na různých úrovních. Plnohodnotný systém podobný výše popsanému je hodně komplikovaný. Vyžaduje existenci obrovského množství dat, která popisují výukovou činnost pokud možno všech žáků včetně odpovídajících výsledků. Na základě těchto informací by teoreticky bylo možné s pomocí umělé inteligence (hlubokého učení) generovat modely typických postupů vhodných pro různé typy studujících. Jsou-li pak k dispozici malá data popisující konkrétního žáka, může pro něj systém ten nejvhodnější postup vybrat automaticky (viz Knewton jako předzvěst budoucnosti?). Kromě Knewtonu vím o dvou amerických systémech, které jsou s významnou podporou investorů vyvíjeny s cílem k podobnému automatizovanému systému personalizovaného učení dospět – Summit Personalized Learning Platform, AltSchool Open.
Tento cíl je zatím spíše jen zbožným přáním vývojářů. I kdyby se nakonec podařilo ho dosáhnout, role učitele stejně zůstane nezastupitelná. Automatizovaný výukový systém není schopen podporovat rozvoj vyšších forem myšlení, tj. dospět k nejvyšším stupňům taxonomie vzdělávacích cílů.
Zatím se zdá být nejrozumnějším řešením velká data s umělou inteligencí nahradit inteligentním učitelem z masa a kostí. Hned vás asi napadne, že se schopný učitel možná může obejít i bez technologií, a bude to jistě do určité míry pravda. Všeobecně ale platí, že malá data získaná prostřednictvím technologií mohou být v rukou učitele (či ve formě přímé zpětné vazby žákovi) velmi přínosná. Právě ten fakt, že jsou „malá“, jejich zpracování samotným člověkem výrazným způsobem usnadňuje (ve velkých datech by se učitel orientoval jen stěží). Takto zjednodušený postup vychází místo daty generovaných modelů z výukových cílů popsaných standardy, k nimž přiřazuje výukové aktivity (materiály, cvičení, testy apod.) a dosažené výsledky uživatelů se zaznamenávají. Učitel (nebo žák sám) pak na jejich základě určuje, co dál dělat.
Nedávno jsme informovali o tom, že v USA dochází k masivnímu zavádění podobných personalizovaných postupů (Obnova veřejného školství aneb personalizované vzdělávání do škol). Konstatoval jsem, že toho o vlastnostech použitých počítačových systémů zatím víme jen velmi málo. Roušku tajemství možná nepatrně poodhaluje nedávná zpráva The Hechinger Report o experimentálním personalizovaném vzdělávání školského obvodu Dysart v Arizoně [2].
Tamní program se nazývá Innovation Academy a má tyto základní, od stávající výuky odlišné vlastnosti:
The Hechinger Report ukazuje, co konkrétně žáci v Innovation Academy dělají. Jedním z nich je sedmák Jacob Higuera, kterého autor zprávy [2] Jamie Martines zastihl, jak „sedí u svého notebooku a dělá na úkolu ze sociálních věd“. Z rozhovoru vyplynulo, že „je nadšen z nového uspořádání výuky, protože si může přizpůsobit rozvrh a vybírat lekce podle svých preferencí“. Ukázalo se ale, že má zároveň též určité obavy: „Dříve jsem snadno získával jedničky, protože jsem vždy přesně věděl, co a kdy mám dělat. Teď si úspěchem už tak jist nejsem.“
Aktivity Jacoba Higuery bedlivě sledují 4 zkušení učitelé. Všichni zapojení žáci pracují značnou část školního dne na aktivitách realizovaných prostřednictvím počítačem podporované online výuky. Bohužel se ani tentokrát nedovíme, který konkrétní systém arizonský program používá. Dozvídáme se jen, že generuje malá data vypovídající o výsledcích každého žáka. Na jejich základě učitelé rozhodují, které skupinové výuky se ten který žák zúčastní či zda není třeba mu poskytnout doučování (kombinovaná forma Rotace).
Někteří učitelé přenášejí malá data s výsledky žáků do tabulek (v Google Apps) a dělají si vlastní grafické přehledy usnadňující hodnocení a rozhodování. Bez ohledu na metodu je výsledkem vyšší míra personalizace výukového procesu, která vede k lepšímu porozumění vlastních předností a nedostatků ze strany žáků.
V tomto školním roce je do programu zapojeno 90 žáků obvodu Dysart. Další zájemci se mohou hlásit. Zatím dobrovolně!
Všechny články jsou publikovány pod licencí Creative Commons BY-NC-ND.
Pro vložení komentáře je nutné se nejprve přihlásit.
Článek není zařazen do žádného seriálu.