В марте 2019 года организация Learning Equality совместно с УВКБ ООН, Google.org, Vodafone Foundation и ЮНЕСКО организовала в Париже двухдневный дизайнерский спринт. Мы изучили необходимость автоматизированного согласования учебных программ в кризисных ситуациях и возможную роль искусственного интеллекта (ИИ) в распознавании учебных требований и шаблонов и рекомендации взамен соответствующего образовательного контента. Эта работа является частью более широкого сотрудничества с беженцами и партнерскими организациями для изучения возможностей использования цифрового образования для поддержки обучения в этих контекстах. Опыт привлечения наших профессиональных сообществ к такому сложному вопросу был столь же ценен, как и сами результаты, поэтому мы делились дискуссиями и дебатами, которые у нас были, поскольку они могут быть полезны в работе других.
За последний месяц серия сообщений в блоге Design2Align освещала такие темы, как контекстное отображение и создание метаданных, аннотации к содержимому, созданному преподавателем, технические аспекты ООР для упрощения согласования учебных программ и открытые модели. чтобы получить рекомендации по своевременному обучению».
Сегодня Джессика Асерет, ведущий специалист по дизайну пользовательского интерфейса Learning Equality, рассказывает о конкретных потребностях учебной программы в кризисных ситуациях и о том, что для этого требуется не только человеческое участие, но и инструмент согласования, который предоставляет интеллектуальные рекомендации по содержанию, чтобы соответствующие ресурсы могли быть более полезными. легко найти.
В рамках проектного спринта по согласованию учебных программ в условиях кризиса, который состоялся еще в марте в Париже, стратегически объединились многие разные роли в пространстве образовательных технологий — разработчики учебных программ, политики, эксперты по технологиям, беженцы и многие другие. Это люди, которые не всегда могут встречаться друг с другом непосредственно в повседневной работе, но чьи роли тесно связаны в более широкой картине того, как создается, реализуется и реализуется учебная программа. Каждый из присутствовавших обладал определенной гранью знаний и точкой зрения, которая помогла бы нам как коллективу решить насущный вопрос: как можно использовать искусственный интеллект (ИИ) для процесса согласования цифровых образовательных ресурсов с адаптированная учебная программа, разработанная для тех, кто находится в условиях кризиса?
В процессе осмысления проблемного пространства возникло пять подпроектных групп. Как дизайнер, работавший над обучающей платформой, я решил присоединиться к группе, которая изучала применение ИИ для процессов оценивания и оценки.
Мы начали с проработки проблем, которые группа спринта в целом определила во время первоначального мозгового штурма. Часть работы того, кто разрабатывает учебную программу, включает просеивание широкого спектра доступных ресурсов, чтобы найти те, которые лучше всего соответствуют потребностям предполагаемых учащихся. Существует множество критериев, по которым можно определить, подходит ли ресурс. При наличии метаданных некоторые из этих критериев, например уровень обучения, предмет и национальный стандарт, может быть легче определить. Другие критерии могут быть гораздо более нюансированными и субъективными, например, относятся ли культурные ссылки в ресурсе к аудитории учащихся, учитывают ли ресурсы конкретные действия, для которых учитель может использовать ресурс, или подходят ли они для дифференцированного обучения или самостоятельного обучения. .
Еще одним важным источником информации для тех, кто занимается этим согласованием, являются процессы мониторинга и оценки (МиО). К ним относятся оценки потребностей, которые сообщают о целях, которым должна служить учебная программа, и отчеты, которые показывают, как учебный процесс с этими ресурсами фактически разыгрывается как с точки зрения учителя, так и с точки зрения ученика.
В рамках задач (1) сортировки доступных ресурсов и (2) оценки того, как эти ресурсы использовались учителями и учащимися, мы увидели, что в ходе нашего обсуждения возникли следующие проблемы:
- Сам по себе процесс сужения нужных ресурсов из больших репозиториев независимо от других ограничений является трудоемкой, трудной, а иногда и непосильной задачей.
- Знание того, какие пробелы существуют в учебной программе, дает выравнивателям направление для работы, но наиболее полезная обратная связь может также быть наиболее тонкой и трудной для передачи через статистику, цифры и общие заявления только через отчеты МиО. Таким образом, потребности могут быть представлены не полностью.
- Что наиболее важно, уникальные учебные потребности тех, кто был перемещен в результате кризиса и чрезвычайной ситуации, не могут быть предсказаны ни одним национальным стандартом. В этом случае необходимы человеческое суждение и сочувствие. Чтобы специалист по согласованию учебных программ мог эффективно находить необходимые ему цифровые образовательные ресурсы, используемый им инструмент должен в равной степени адаптироваться к текущей ситуации и сделать доступность соответствующих ресурсов заметной при создании и согласовании цифровой библиотеки.
Наша группа увидела возможность использовать ИИ, создав систему обратной связи для специалистов по согласованию учебных программ и создателей контента, которая может записывать качественные отзывы учащихся и учителей об используемых ими ресурсах. Эта обратная связь будет объединена с аналитикой платформы и другими количественными данными для предоставления разумных рекомендаций, которые помогут сузить круг и определить наиболее подходящие ресурсы.
Размышляя о типе отзывов, которые нужно собрать, мы начали с рассмотрения того, что в конечном итоге принесет пользу программе согласования учебного плана. Для студентов мы придумали такие вопросы, как поняли ли они материал, будут ли им комфортно преподавать или делиться с другими, насколько сложным был материал и многое другое. Для учителей мы рассмотрели такие вопросы, как, будут ли они использовать ресурс снова или рекомендовать его другим и сколько времени они потратили на подготовку перед его использованием. Для аналитики платформы измерение таких параметров, как частота использования, время, затраченное на ресурсы, географическое местоположение использования и то, какие ресурсы отображают модели потребления в рамках «пути обучения», может быть использовано для измерения относительного качества ресурсов.
Изучая, что может сделать это возможным, мы определили несколько моментов, которые будущая команда должна изучить в качестве следующего шага:
- Студенты и преподаватели должны быть заинтересованы в предоставлении отзывов об этой системе, иначе не будет достаточно данных, чтобы давать надежные рекомендации. Мы исследовали идеи по мотивации учеников и тренеров с помощью элементов геймификации и вознаграждений, если они давали обратную связь.
- Мы также исходили из предположения, что эта система обратной связи будет функционально функциональной и совместимой с множеством программных платформ, через которые доставляются источники цифрового контента.
- Правила оценки и обучения ИИ требуют человеческого суждения о том, что значит для ресурса быть «наиболее подходящим».
- Также необходимо учитывать риск систематической ошибки в наборах данных, особенно с учетом очень реальных ограничений, связанных с прерывистым или даже полностью недоступным подключением к Интернету в условиях кризиса. Рекомендации могут оказаться искажающими потребности. Соответственно, более популярные и известные ресурсы могут затмить другие менее известные и, возможно, более релевантные ресурсы из-за непропорционально большого количества отзывов. К счастью, существуют базы данных, которые могут поддерживать такого рода автономные и распределенные сети.
По мере того, как разговор углублялся в гонке на время спринта, мы поняли, что, к сожалению, просто не хватило времени, чтобы обсудить и записать все, что будущие команды должны будут рассмотреть, чтобы сделать такую систему возможной. Но такая совместная работа позволила нам улучшить наше общее понимание этих вопросов со многих важных точек зрения и создала энергию и дух сотрудничества, которые помогли нам преодолеть моменты неопределенности.
Я с нетерпением жду, когда часть этой работы будет также использована в рамках хакатона, организованного Learning Equality, UNHCR Vodafone Foundation, Google.org и ЮНЕСКО 16–18 октября в Сан-Франциско, Калифорния. А если у вас есть опыт работы с машинным обучением, рекомендательными системами или обработкой естественного языка и вы заинтересованы в участии в этих усилиях помимо этого хакатона, напишите нам по адресу [email protected]. Я также приглашаю вас следить за хэштегом #design2align для ссылок на демонстрации и наборы данных, которые будут созданы во время мероприятия.
В следующей главе серии блогов Design2Align мы опубликуем общедоступный отчет со всеми результатами этого двухдневного спринта, проливая свет на работу, которую мы все можем сделать, чтобы убедиться, что преимущества ИИ могут быть достигнуты. учащихся в кризисных и чрезвычайных ситуациях. Оставайтесь с нами!
