적응학습

Adaptive learning

적응학습(adaptive teaching)이라고도 하는 적응학습은 인공지능은 물론 컴퓨터 알고리즘을 활용해 학습자와의 상호작용을 조율하고 학습자 개개인의 고유한 욕구를 충족시키기 위해 맞춤형 자원과 학습활동을 전달하는 교육 방식이다.[1] 전문적인 학습 맥락에서, 개인은 그들이 새로운 가르침에 참여하도록 하기 위해 어떤 훈련을 "시험해 볼" 수 있다. 컴퓨터는 학생들이 질문, 과제, 경험에 대한 응답으로 알 수 있듯이, 학생들의 학습 요구에 따라 교육 자료의 발표를 조정한다. 이 기술은 컴퓨터 과학, AI, 심리학, 교육, 심리학, 뇌과학 등 다양한 연구 분야에서 파생된 측면을 포괄한다.

적응학습은 부분적으로 전통적인 비적응적 접근방식을 사용하는 대규모의 맞춤형 학습은 달성할 수 없다는 깨달음에 의해 추진되어 왔다. 적응형 학습 시스템은 학습자를 수동적인 정보 수용자에서 교육 과정에서의 협력자로 변화시키기 위해 노력한다. 적응형 학습 시스템의 1차 적용은 교육에 있지만, 또 다른 인기 있는 적용은 비즈니스 교육이다. 그것들은 데스크탑 컴퓨터 애플리케이션, 웹 애플리케이션으로 설계되었고, 현재 전체 커리큘럼에 도입되고 있다.[2]

역사

적응학습이나 지적 과외는 인공지능 운동에 기원을 두고 있으며 1970년대부터 인기를 얻기 시작했다. 그 당시에는 컴퓨터가 결국 인간의 적응력을 성취할 것이라는 것이 일반적으로 받아들여졌다. 적응형 학습에서는 도구나 시스템이 학생/사용자의 학습 방법에 적응할 수 있게 되어 사용자에게 더 좋고 효과적인 학습 경험이 된다는 것이 기본 전제다. 70년대에 주된 장벽은 컴퓨터의 비용과 크기여서 널리 퍼진 응용 프로그램을 실용적이지 않게 만들었다. 초기 지능형 시스템 채택의 또 다른 장애물은 사용자 인터페이스가 학습 과정에 도움이 되지 않는다는 것이다. 적응적이고 지능적인 학습 시스템에 대한 연구의 시작은 보통 남아메리카의 지리학 주제에 대한 적응적 학습을 제공했던 SCORMANT 시스템으로 거슬러 올라간다.[3] 5년 안에 많은 다른 혁신적인 시스템들이 나타났다. 적응학습과 지능형 과외시스템에 대한 초기 연구의 좋은 설명은 고전적인 책 "지능형 과외시스템"에서 찾을 수 있다.[4]

기술 및 방법론

적응형 학습 시스템은 전통적으로 별도의 구성요소 또는 '모델'로 구분되어 왔다. 다른 모델 그룹이 제시되었지만, 대부분의 시스템은 다음과 같은 모델의 일부 또는 전부를 포함한다(오피니언적으로 다른 이름으로).[5][6]

  • 전문가 모델 – 학습할 정보가 있는 모델
  • 학생 모델 – 학생을 추적하고 학습하는 모델
  • 지침 모델 – 실제로 정보를 전달하는 모델
  • 지침 환경 – 시스템과 상호 작용하기 위한 사용자 인터페이스

전문가 모델

전문가 모델은 가르치고 있는 자료에 대한 정보를 저장한다. 이것은 질문 세트에 대한 해결책처럼 간단할 수 있지만, 교훈과 자습서, 그리고 더 정교한 시스템에서는 심지어 질문에 대한 접근법을 설명하는 전문가 방법론을 포함할 수도 있다.

전문가 모델을 포함하지 않는 적응형 학습 시스템은 일반적으로 이러한 기능을 교육 모델에 통합한다.

학생모델

학생의 기술 수준을 결정하는 가장 간단한 수단은 CAT(컴퓨터화된 적응형 시험)에 채택된 방법이다. CAT에서는 과목의 추정된 실력 수준과 관련하여 난이도에 따라 선택되는 문제들이 출제된다. 시험이 진행되면서 컴퓨터는 답안을 바탕으로 과목별 점수를 조정하고, 더 좁은 난이도 범위에서 문제를 선택해 점수를 지속적으로 미세 조정한다.

CAT 스타일 평가를 위한 알고리즘은 구현이 간단하다. 많은 문제 풀이 전문가 분석, 실험 또는 둘의 조합을 통해 난이도에 따라 평가되고 평가된다. 그런 다음 컴퓨터는 본질적으로 바이너리 검색을 수행하여 항상 컴퓨터가 이미 대상자의 최대 및 최소 가능한 기술 수준으로 결정한 것의 절반에 해당하는 질문을 피험자에게 제공한다. 그런 다음 이 수준은 질문의 난이도 수준으로 조정되며, 피험자가 정확하게 답한 경우 최소값을 재지정하고 피험자가 잘못 답한 경우 최대값을 재지정한다. 분명히, 피험자의 대답이 실제 기술 수준이 아니라 단순히 우연의 일치임을 나타내는 시나리오를 허용하기 위해 일정한 오차 여유가 내장되어야 한다. 하나의 난이도에서 복수의 질문을 하면 오답의 확률을 크게 낮추고, 가정한 기술 수준을 넘어 범위가 커질 수 있도록 허용하면 가능한 미즈밸런스를 보완할 수 있다.

개념의 약점 파악의 추가 확장은 학생 모델이 오답 분석을 하도록 프로그램하는 것이다. 이것은 특히 객관식 질문에 적용된다. 다음 예를 고려해 보십시오.

Q. 단순화: 2 +
a) 단순화할 수 없음
b) 3
c) …
d) …

분명히 (b)라고 대답하는 학생은 지수를 더하여 유사어의 개념을 파악하지 못하고 있다. 이 경우 오답은 오답이라는 단순한 사실을 넘어 추가적인 통찰력을 제공한다.

지시 모형

교육 모델은 일반적으로 기술이 제공해야 하는 최상의 교육 도구(예: 멀티미디어 프레젠테이션)와 프레젠테이션 방법에 대한 전문 교사 조언을 통합하는 것을 목표로 한다. 교육모델의 정교화 수준은 학생모델의 정교화 수준에 크게 좌우된다. CAT 스타일의 학생 모델에서, 교육 모델은 문제 풀의 등급과 일치하여 수업의 순위를 매긴다. 학생의 수준이 만족스럽게 결정되었을 때, 교육 모델은 적절한 교훈을 제공한다. 개념에 기초하여 평가하는 더 진보된 학생 모델은 개념에 따라 수업을 구성하는 교육적 모델이 필요하다. 교육 모델은 취약점 수집을 분석하고 그에 따라 학습 계획을 조정할 수 있도록 설계될 수 있다.

학생 모델에 의해 오답이 평가될 때, 일부 시스템은 실제 질문에 대한 피드백을 '힌트' 형태로 제공한다. 학생이 실수를 하면 "숫자 표시를 잘 봐"와 같은 유용한 제안이 뜬다. 이 역시 개념 약점에 기초하여 일반적인 개념 기반 힌트를 제공하거나, 학생, 교육용 및 전문가 모델이 모두 중복되는 경우 힌트를 질문별로 제공할 수 있다.

구현

학습관리시스템

많은 학습 관리 시스템이 다양한 적응형 학습 기능을 통합했다. 학습 관리 시스템(LMS)은 교육 과정, 교육 프로그램 또는 학습 및 개발 프로그램의 관리, 문서화, 추적, 보고 및 전달을 위한 소프트웨어 애플리케이션이다. 예를 들어, 적응형 학습 시스템은 학생들이 논증적 쓰기 성능(Inbound Mining)을 개발하는 데 도움을 주기 위해 이전에 사용되어 왔다.[7]

원격 학습

적응형 학습 시스템은 원격 학습과 그룹 협업에서 사용하기 위해 인터넷에서 구현될 수 있다.[8]

원격 학습 분야는 이제 적응 학습의 측면을 통합하고 있다. 적응형 학습이 없는 초기 시스템은 미리 선택된 문제 은행으로부터 질문을 받는 학생들에게 자동화된 피드백을 제공할 수 있었다. 그러나 그러한 접근방식은 교실의 선생님들이 제공할 수 있는 지침이 부족하다. 원격 학습의 현재 경향은 학습 환경에서 지능적인 동적 행동을 구현하기 위한 적응 학습의 사용을 요구한다.

학생이 새로운 개념을 배우는데 시간을 보내는 동안, 그들은 능력에 대해 테스트를 받고 데이터베이스는 모델 중 하나를 사용하여 그들의 진척도를 추적한다. 최신의 원격 학습 시스템은 학생들의 대답을 고려하며, '인지적 비계'라는 개념을 사용하여 학생의 인지 능력에 적응한다. 인지 비계는 입증된 인지 능력에 기초하여 최저에서 최고까지 평가의 인지 경로를 만드는 자동화된 학습 시스템의 능력이다.[9]

웹 기반 원격 학습에서 적응 학습의 현재 성공적인 구현은 RMIT 대학의 WebLearn의 Maple 엔진이다.[10] WebLearn은 수학 분야와 같은 독특한 답이 없더라도 학생들에게 출제된 문제에 대한 평가를 제공할 수 있을 정도로 발전했다. 또 다른 진보된 적응형 플랫폼 구현은 아이들을 위한 프로그래밍 언어를 가르치는 데 특화된 Palearne이다. Palearne은 알고리즘에서 사용자의 감정 상태를 다른 매개변수와 함께 분석하고 사용자의 현재 상태 및 수준에 따라 가장 정확한 학습 자료를 제공한다. Palearne 플랫폼은 또한 사용자 실수의 맥락을 이해할 수 있었고 그에게 적절한 도움을 줄 수 있었다.

적응형 학습은 포럼이나 자원 공유 서비스와 같은 원격 학습 환경 내에서 그룹 협업을 촉진하기 위해 통합될 수 있다.[12] 적응형 학습이 공동작업에 어떻게 도움이 될 수 있는가에 대한 몇 가지 예로는, 같은 관심사를 가진 사용자의 자동화된 그룹화, 사용자의 명시적 관심사나 사용자의 서핑 습관에 근거한 정보원에 대한 링크의 개인화가 있다.

교육용 게임 디자인

2014년에 한 교육 연구원이 교육용 게임 디자인을 위한 적응 학습에 대한 다년간의 연구를 마무리했다. 이 연구는 게임 디자인 이론과 실습, 교육 전략, 적응 모델에 기초한 종합적인 적응 학습 모델인 GAMS(Adaptive Learning GAme dEsign) 모델을 개발, 검증했다. 이 연구는 게임 디자인, 교육 전략, 적응형 학습에 관한 이전의 연구를 확장하여 이 세 가지 요소를 하나의 복잡한 모델로 결합시켰다.

이번 연구는 학습 성과 향상을 목표로 게임 디자이너, 교육자 및 교육자에게 가이드 역할을 할 수 있는 적응형 교육용 게임 디자인 모델을 개발하는 결과를 낳았다. 조사 참여자들은 GLUGH 모델의 가치를 검증하고 모델의 구성, 사용, 혜택 및 과제에 대한 구체적인 통찰력을 제공했다. 현재의 NEGH 모델은 이러한 통찰력을 바탕으로 하고 있다. 그 모델은 이제 교육용 컴퓨터 게임의 디자인과 개발을 위한 지침의 역할을 하고 있다.

이 모델의 적용가능성은 정부 및 군 기관/유니트, 게임 산업, 학계 등 산업 전반으로 평가된다. 모델의 실제 가치와 적절한 구현 접근방식(집중적이거나 집중되지 않음)은 NEGH 모델의 채택이 더욱 확산됨에 따라 완전히 실현될 것이다.[13]

개발 도구

도구 마케팅 자료에서 적응형 학습 기능이 자주 언급되지만 적응성의 범위는 극적으로 다를 수 있다.

엔트리 레벨 도구는 객관식 질문에 대한 학습자의 답변과 같은 단순화된 기준에 따라 학습자의 경로를 결정하는 데 초점을 맞추는 경향이 있다. 정답은 학습자를 경로 A로 데려갈 수 있는 반면, 오답은 경로 B로 데려갈 수 있다. 이러한 도구는 기본 분기에 적절한 방법을 제공하지만, 학습자가 사전 정의된 선을 따라 어딘가로 단순히 리디렉션되는 기초적인 선형 모델에 기초한다. 이 때문에 이들의 역량은 진정한 적응력에 미치지 못한다.

스펙트럼의 다른 쪽 끝에는 어떤 수의 복잡한 조건에 기초하여 매우 복잡한 적응을 만들 수 있는 고급 도구가 있다. 이러한 조건은 학습자가 현재 무엇을 하고 있는지, 선행 결정, 행동 추적, 몇 가지를 언급하기 위한 인터랙티브 및 외부 활동과 관련될 수 있다. 이러한 상위 엔드 툴은 추론 엔진과 같은 AI 방법을 활용하는 경향이 있기 때문에 일반적으로 기본적인 내비게이션이 없다. 근본적인 설계 차이로 인해 고급 도구들은 풍부한 평가 기능을 제공할 수 있다. 단순한 객관식 질문을 하기보다는, 학습자가 어떻게 적응해야 하는지를 결정하기 위해 여러 요소를 고려하는 복잡한 시뮬레이션을 학습자에게 제공할 수 있다.

인기 도구

참고 항목

참조

본 기사에는 Creative Commons Attribution-ShareAlike 3.0 Unported License에 따라 라이센스를 받았으나 GFDL에 따라 라이센스를 받은 Citizendium 기사 "Adaptive Learning"의 자료가 포함되어 있다.

  1. ^ Andreas Kaplan (2021). Higher Education at the Crossroads of Disruption, The University of the 21st century. Emeral Publishers. ISBN 9781800715042.
  2. ^ Peter Brusilovsky (2003). "Adaptive and Intelligent Web-based Educational Systems". International Journal of Artificial Intelligence in Education. 13 (2–4): 159–172.
  3. ^ J. R. Carbonell (1970). "AI in CAI: An artificial intelligence approach to computer aided instruction". IEEE Transactions on Man-Machine Systems. MMS-11 (4): 190–202. doi:10.1109/TMMS.1970.299942.
  4. ^ Derek H. Sleeman; John Seely Brown, eds. (1982). Intelligent tutoring systems. Academic Press. ISBN 9780126486803.
  5. ^ 찰스 P. Bloom, R. Bowen Loftin Interactive Learning Environments의 개발과 사용을 촉진하는 Lawrence Elbaum Associates(1998년)
  6. ^ "A Proposed Student Model Algorithm for Student Modeling and its Evaluation". doi:10.1109/SICE.1995.526704. S2CID 61285822. Cite 저널은 필요로 한다. journal= (도움말)
  7. ^ Wambsganss, Thiemo; Niklaus, Christina; Cetto, Matthias; Söllner, Matthias; Handschuh, Siegfried; Leimeister, Jan Marco (2020-04-21). "AL: An Adaptive Learning Support System for Argumentation Skills". Proceedings of the 2020 CHI Conference on Human Factors in Computing Systems. Honolulu HI USA: ACM: 1–14. doi:10.1145/3313831.3376732. ISBN 978-1-4503-6708-0. S2CID 218482749.
  8. ^ "Personalised Elearning – Tailored Pathways". Retrieved January 26, 2016.
  9. ^ "Cognitive scaffolding for a web-based adaptive learning environment". Retrieved August 17, 2008.
  10. ^ "Addressing Different Cognitive Levels for On-line Learning" (PDF). Archived from the original (PDF) on September 18, 2010. Retrieved August 17, 2008.
  11. ^ "Palearne ltd – Personalized Adaptive Learning Ecosystem".
  12. ^ "Towards web-based adaptive learning communities" (PDF). Archived from the original (PDF) on June 4, 2006. Retrieved August 17, 2008.
  13. ^ Lavieri, Edward (2014). A Study of Adaptive Learning for Educational Game Design. ISBN 9781321049602. ProQuest 1562778630.