학습 공학

Learning engineering
공학 교육과 혼동하지 말 것.

학습공학은 교육기술과 학습과학에서 증거에 기초한 원칙과 방법을 체계적으로 적용하여 흥미롭고 효과적인 학습경험을 창출하고 학습자의 학습 어려움과 도전을 지원하며 학습자와 학습을 더 잘 이해할 수 있도록 하는 것입니다.또한 풍부한 데이터 세트의 분석과 함께 인간 중심의 설계 접근방식을 사용하여 특정 학습 요구, 기회 및 문제를 해결하기 위해 설계를 반복적으로 개발하고 개선한다(종종 기술의 도움을 받아).Learning Engineer는 주제 및 기타 전문가와 협력하여 다양한 기술, 교육학, 경험적 및 설계 기반 분야의 지식, 도구 및 기술을 교묘하게 결합하여 효과적이고 참여적인 학습 경험과 환경을 구축하고 그 결과를 평가합니다.이 과정에서 학습 엔지니어는 베스트 프랙티스의 일반화를 가능하게 하는 프로세스와 이론을 작성하기 위해 노력하고 있습니다.또, 이러한 베스트 프랙티스에 근거해 다른 유저가 독자적인 학습 설계를 작성할 수 있는 새로운 툴과 인프라스트럭처를 제공합니다.

학습자를 지원하는 것은 복잡한 일이며 학습경험 설계와 학습자 지원에는 일반적으로 여러 학과의 팀이 필요합니다.

학습자를 지원하는 것은 복잡한 일이며 학습경험 설계와 학습자 지원에는 일반적으로 여러 학과의 팀이 필요합니다.

학습 엔지니어 자체는 시간이 지남에 따라 전개되는 학습 체험 설계, 학습자 모집단 참여 및 학습 지원, 자동 데이터 수집 및 분석, 학습 기술 설계, 학습 플랫폼 설계, 학습을 지원하는 환경 또는 조건 개선, 또는 그 조합을 전문으로 할 수 있습니다.학습 엔지니어링 팀의 제품에는 온라인 코스(예: 특정 MOOC), 온라인 코스를 제공하기 위한 소프트웨어 플랫폼, 학습 기술(예: 물리적 조작에서 전자적으로 강화된 물리적 조작, 시뮬레이션을 위한 기술 또는 모델링, 몰입이 가능한 기술 등)이 포함됩니다.방과후 프로그램, 커뮤니티 학습 체험, 정식 커리큘럼 등을 제공합니다.학습 엔지니어링 팀에는 학습자가 학습할 콘텐츠, 대상 학습자 자신, 학습이 예상되는 장소, 교육 실습, 소프트웨어 엔지니어링 등과 관련된 전문 지식이 필요합니다.

학습 엔지니어링 팀은 학습을 지원하고 개선하기 위해 반복 설계 프로세스를 사용합니다.초기 설계는 학습 과학 연구 결과를 통해 알 수 있습니다.설계 수행 시 수집된 데이터를 분석하여 세부사항을 알 수 있습니다.학습 분석, 설계 기반 연구 및 신속한 대규모 실험의 방법을 사용하여 설계를 평가하고, 개선 사항을 알리고,[1][2][3] 반복을 추적합니다.IEEE 표준협회의 학습공학 IC산업 컨소시엄에 따르면, "학습공학은 학습자와 [4]그 개발을 지원하기 위해 인간 중심의 공학 설계 방법론과 데이터 정보에 근거한 의사결정을 사용하여 학습 과학을 적용하는 과정이자 실천이다."


역사

인지심리학자이자 경제학자인 허버트 사이먼은 1967년에 [5]학습공학이라는 용어를 처음 만들었다.하지만, 학문과 공학이라는 두 용어 사이의 연관성은 1940년대와[6] 1920년대에 [6][7]더 일찍 나타나기 시작했다.사이먼 교수는 교육 분야를 포함한 사회과학은 물리학과 공학 [8]같은 다른 분야와 같은 수학적 원리로 접근해야 한다고 주장했다.

사이몬의 학습 공학에 대한 생각은 카네기 멜론 대학에서 계속 반향을 일으켰지만, 이 용어는 사업가 브로르 색스버그가 카네기 멜론 대학과 피츠버그 과학 학습 센터, 줄여서 학습 연구소를 방문한 후 2014년에 마케팅을 시작할 때까지 인기를 끌지 못했다.Bror Saxberg는 영리 교육 회사인 Kaplan에서 팀을 데리고 CMU를 방문했습니다.이 팀은 교육용 제품을 향상, 최적화, 테스트 및 판매하기 위해 현재 학습 엔지니어링이라고 불리는 것을 가지고 Kaplan으로 돌아왔습니다.Bror Saxberg는 나중에 American Enterprise Institute's Conservative Education Reform Network의 창립자인 Frederick Hess와 함께 2014년 학습 공학이라는 용어를 사용한 책을 집필했습니다.

개요

Learning Engineering은 이공계 방법론을 교육과 훈련에 적용하는 데 있어 부족한 부분을 해결하는 것을 목표로 하고 있습니다.동사의 지지자들은,[9] 학습 환경의 최적화라는 전체적인 목표를 위해서, 컴퓨팅 테크놀로지와 생성된 데이터를 연결할 필요가 있다고 강조하고 있습니다.

Learning Engineering 이니셔티브는 컴퓨팅을 활용하여 학문으로서의 학습과학의 응용 분야와 효과를 대폭 향상시킴으로써 교육 성과를 향상시키는 것을 목표로 합니다.디지털 학습 플랫폼은 즉시 실행 가능한 통찰력을 [10]드러낼 수 있는 대량의 데이터를 생성해 왔습니다.

Learning Engineering 분야는 교육자가 자동으로 이용할 수 있는 교육적 통찰력을 전달할 수 있는 더 큰 잠재력을 가지고 있습니다.예를 들어, 중퇴 또는 높은 실패율 문제에 학습 엔지니어링 기술이 적용되었습니다.전통적으로 교육자와 관리자는 언제 중퇴가 일어날지 정확하게 예측하기 위해 학생들이 실제로 학교를 그만두거나 거의 낙제할 때까지 기다려야 했습니다.학습 엔지니어는 이제 업무[11] 외 행동이나 바퀴[12] 돌기에 관한 데이터를 사용하여 학생들의 참여를 더 잘 이해하고 개별 학생이 낙제할 가능성을 예측할 수 있습니다.

이 데이터를 통해 교육자는 자퇴 위험에 처하기 몇 주 또는 몇 달 전에 어려움을 겪고 있는 학생을 발견할 수 있습니다.Learning Engineering의 지지자들은 데이터 분석이 성공률을 높이고 중퇴율을 [13]낮추는 데 기여할 것이라고 생각합니다.

Learning Engineering은 또한 자동적이고 개별화된 피드백을 제공함으로써 학생들을 지원할 수 있습니다.

예를 들어, Carnegie Learning의 도구 Live Lab은 빅데이터를 사용하여 학생의 실수 원인을 부분적으로 파악함으로써 각 학생 사용자의 학습 환경을 만듭니다.LiveLab 분석에서 얻은 연구 통찰력으로 교사는 학생의 진도를 실시간으로 확인할 수 있습니다.

일반적인 접근법

A/B 테스트

A/B 테스트는 주어진 프로그램의 두 버전을 비교하여 연구자가 가장 효과적인 접근 방식을 결정할 수 있도록 합니다.Learning Engineering의 맥락에서 Teacher와 같은 플랫폼은ASSIST와 Coursera는 A/B 테스트를 사용하여 학습 [15]성과에 가장 효과적인 피드백 유형을 결정합니다[14].

닐 헤퍼넌과 선생님과의 작업ASSUP 에는, 학생이 정답을 향하도록 지도하는 교사의 힌트 메세지가 포함되어 있습니다.Heffernan의 연구실은 교사들 간에 A/B 테스트를 실시하여 어떤 유형의 힌트가 향후 [16][17]질문에 대한 최선의 학습이 되는지 판단합니다.

UpGrade는 교육 분야 A/B 테스트를 위한 오픈 소스 플랫폼입니다.이를 통해 EdTech 기업은 자체 소프트웨어 내에서 실험을 실행할 수 있습니다.ETRIALS는 ASSMents를 활용하여 과학자들에게 진정한 학습 환경에서 실험을 실행할 수 있는 자유를 부여합니다.Teracotta는 라이브 수업에서 쉽게 실험을 실행할 수 있는 교사와 연구자의 능력을 지원하는 연구 플랫폼입니다.

교육 데이터 마이닝

교육용 데이터 마이닝은 교육용 소프트웨어의 사용 데이터를 분석하여 소프트웨어가 모든 학생의 학습을 개선하는 방법을 이해하는 것을 포함합니다.펜실베니아 대학의 Ryan Baker와 같은 이 분야의 연구원들은 학습 [18]성과와 관련짓기 위해 학생들의 학습, 참여 및 영향의 모델을 개발했습니다.

플랫폼 인스트루먼트

교육 테크놀로지 플랫폼은 교육자와 학생을 리소스와 연계시켜 학습 성과를 향상시킵니다.

데이터 세트 생성

데이터 세트는 연구자들이 교육 통찰력을 형성하는 데 사용하는 원재료를 제공합니다.예를 들어, Carnegie Mellon University는 LearnLab의 DataShop에 [19]대량의 학습 상호 작용 데이터를 호스팅합니다.이들의 데이터셋은 Intelligent Writing[20] Tutors와 같은 소스부터 중국어 음색[21] 연구, Carnegie Learning의 MATHia 플랫폼의 데이터까지 다양합니다.

프로그래머와 오픈소스 데이터의 허브인 Kaggle은 정기적으로 머신러닝 대회를 개최하고 있습니다.2019년 PBS는 Kaggle과 협력하여 2019 Data Science [22]Bowl을 만들었습니다.DataScience Bowl은 연구자와 개발자의 기계 학습 통찰력, 특히 디지털 미디어가 어떻게 조기 아동용 STEM 학습 결과를 더 잘 촉진할 수 있는지에 대해 모색했습니다.

Kaggle PBS 및 Carnegie Learning이 호스팅하는 데이터셋과 같은 데이터셋을 통해 연구자는 정보를 수집하고 학생 성과에 대한 결론을 도출할 수 있습니다.이러한 통찰력은 과정과 [23]시험에서 학생들의 성적을 예측하는 데 도움이 됩니다.

실제 학습 엔지니어링

교육 이론과 데이터 분석의 결합은 학생이 회전하고 있을 때(즉, 정해진 시간 내에 기술을 습득하지 않을 때)와 학생들이 생산적으로 [24]지속하고 있을 때를 구별하는 도구 개발에 기여했습니다.ASSMents[25] 등의 툴은 학생이 일정한 문제에 대한 답을 찾지 못할 때 교사에게 경고합니다.이것에 의해, 학생은 극복할 수 없는 [26]장해에의 대처로부터 해방되어 효과적인[26] 피드백이나 교육자의 개입을 촉진해, 학생의 참가율을 향상시킵니다.

연구 결과에 따르면 Learning Engineering은 학생과 교육자가 코스를 시작하기 전에 학습 계획을 세우는 데 도움이 될 수 있습니다.예를 들어, UC 버클리 대학의 Zach Pardos 교수는 Learning Engineering을 사용하여 4년제 [27]기관에 입학하는 지역 대학생들의 스트레스를 줄여줍니다.예측 모델은 코스 설명을 분석하고 이전 학점 및 이전 학습 [28]방향과 일치하는 코스에 대한 권장 사항을 제공합니다.

마찬가지로, 연구원 Kelli Bird와 Benjamin Castlemen의 연구는 전학생들에게 [29]자동적이고 개인화된 지침을 제공하는 알고리즘을 만드는 데 초점을 맞추고 있습니다.이 알고리즘은 지역 대학생의 80%가 4년제 교육기관으로 전학을 가고 싶어하지만 실제로는 약 30%만이 [30]전학을 가고 싶어한다는 연구 결과에 대한 응답입니다.이러한 연구는 합격/불합격률을[31] 높이고 교육자들이 학생들의 낙제나 [32][33]낙제 방지를 위해 언제 개입해야 하는지 아는 데 도움이 될 수 있습니다.

학습 공학에 대한 비판

연구자 및 교육 기술 해설자는 학습 공학에 대한 비판을 발표했습니다.[6][34] 제기된 비판은 학습 공학이 학습 과학 분야를 잘못 표현하고 있고, 인지 과학에 기반을 두고 있음에도 불구하고, 실제로 행동주의로의 회귀와 유사하다는 것을 포함한다.학습 공학이 감시 자본주의의 한 형태로 존재한다는 의견도 있습니다.교육 시스템 설계와 같은 다른 분야들은 학습 공학이 그들 자신의 분야의 일을 재브랜드화한다고 비판해왔다.

또 다른 사람들은 학습 공학이 은유와 비유적인 언어를 사용하는 것에 대해 비판적으로 언급하고 있다.종종 용어나 은유는 다른 영역의 전문가나 학자들에게 다른 의미를 지닌다.한 도메인에서 긍정적으로 사용되는 용어는 다른 [35]도메인에서 강한 부정적 인식을 가질 수 있습니다.

학습 엔지니어링 팀의 과제

학습 엔지니어링의 다원적 특성으로 인해 문제가 발생합니다.학습 공학이 해결하려고 시도하는 문제들은 종종 소프트웨어 공학, 교육 설계, 도메인 지식, 교육학/안드로지, 심리학, 학습 과학, 데이터 과학 및 시스템 공학 등의 다양한 분야의 전문 지식을 필요로 합니다.경우에 따라서는, 복수의 분야에 관한 전문 지식을 가지는 개별의 학습 엔지니어로 충분할 수도 있습니다.하지만, 학습 공학 문제는 종종 한 사람이 해결할 수 있는 능력을 초과합니다.

2021년 30명의 학습 엔지니어가 소집되어 R&D 인프라 강화, 도메인 기반 교육 연구 지원, 학습 시스템 전반에서 재사용할 구성요소 개발, 인간 컴퓨터 시스템 강화,학교에서 엔지니어링 구현 개선, 조언 개선, 단기 대신 장기 최적화, 21세기 기술 지원, 학습자 참여 개선 및 형평성 알고리즘 설계.[36]

「 」를 참조해 주세요.

레퍼런스

  1. ^ Dede, Chris; Richards, John; Saxberg, Bror (2018). "Learning Engineering for Online Education: Theoretical Contexts and Design-Based Examples". Routledge & CRC Press. Retrieved 2020-07-21.
  2. ^ Saxberg, Bror (April 2017). "Learning Engineering: Proceedings of the Fourth (2017) ACM Conference on Learning @ Scale". doi:10.1145/3051457.3054019. S2CID 12156278. {{cite journal}}:Cite 저널 요구 사항 journal=(도움말)
  3. ^ Koedinger, Ken (April 2016). "Learning Engineering: Proceedings of the Third (2016) ACM Conference on Learning @ Scale". doi:10.1145/2876034.2876054. S2CID 29186611. {{cite journal}}:Cite 저널 요구 사항 journal=(도움말)
  4. ^ "IEEE ICICLE: A volunteer professional organization committed to the development of Learning Engineering as a profession and as an academic discipline".
  5. ^ Simon, Herbert A. (Winter 1967). "The Job of a College President". Carnegie Mellon University University Libraries - Digital Collections.
  6. ^ a b c Watters, Audrey (2019-07-12). "The History of the Future of the 'Learning Engineer'". Hack Education. Retrieved 2020-07-21.
  7. ^ Wilcox, Karen E.; Sarma, Sanjay; Lippel, Philip (April 2016). "Online Education: A Catalyst for Higher Education Reforms" (PDF). MIT Online Education Policy Initiative.
  8. ^ "The Sveriges Riksbank Prize in Economic Sciences in Memory of Alfred Nobel 1978". NobelPrize.org. Retrieved 2020-07-21.
  9. ^ Saxberg, Bror (April 2017). "Learning Engineering: Proceedings of the Fourth (2017) ACM Conference on Learning @ Scale". doi:10.1145/3051457.3054019. S2CID 12156278. {{cite journal}}:Cite 저널 요구 사항 journal=(도움말)
  10. ^ Koedinger, Kenneth; Cunningham, Kyle; Skogsholm, Alida; Leber, Brett; Stamper, John (2010-10-25). "A Data Repository for the EDM Community". Handbook of Educational Data Mining. Chapman & Hall/CRC Data Mining and Knowledge Discovery Series. Vol. 20103384. pp. 43–55. doi:10.1201/b10274-6. ISBN 978-1-4398-0457-5.
  11. ^ Cocea, Mihaela; Hershkovitz, Arnon; Baker, Ryan S.J.d. "The Impact of Off-task and Gaming Behaviors on Learning: Immediate or Aggregate?" (PDF). Penn Center for Learning Analytics.
  12. ^ Beck, Joseph E.; Gong, Yue (2013). Lane, H. Chad; Yacef, Kalina; Mostow, Jack; Pavlik, Philip (eds.). "Wheel-Spinning: Students Who Fail to Master a Skill". Artificial Intelligence in Education. Lecture Notes in Computer Science. Berlin, Heidelberg: Springer. 7926: 431–440. doi:10.1007/978-3-642-39112-5_44. ISBN 978-3-642-39112-5.
  13. ^ Milliron, Mark David; Malcolm, Laura; Kil, David (Winter 2014). "Insight and Action Analytics: Three Case Studies to Consider". Research & Practice in Assessment. 9: 70–89. ISSN 2161-4210.
  14. ^ Heffernan, Neil. "TEACHER ASSIST". sites.google.com. Retrieved 2020-07-21.
  15. ^ Saber, Dan (2018-06-15). "How A/B Testing Powers Pedagogy on Coursera". Medium. Retrieved 2020-07-21.
  16. ^ Thanaporn, Patikorn; Heffernan, Neil. "Effectiveness of Crowd-Sourcing On-Demand Tutoring from Teachers in Online Learning Platforms". Google Docs. Retrieved 2020-07-21.
  17. ^ "Programme". Learning @ Scale 2020. Retrieved 2020-07-21.
  18. ^ Fischer, Christian; Pardos, Zachary A.; Baker, Ryan Shaun; Williams, Joseph Jay; Smyth, Padhraic; Yu, Renzhe; Slater, Stefan; Baker, Rachel; Warschauer, Mark (2020-03-01). "Mining Big Data in Education: Affordances and Challenges". Review of Research in Education. 44 (1): 130–160. doi:10.3102/0091732X20903304. ISSN 0091-732X. S2CID 219091098.
  19. ^ "Datashop". Pittsburgh Science of Learning Center Datashop. Retrieved 2020-07-21.
  20. ^ "Intelligent Writing Tutor". Pittsburgh Science of Learning Center Datashop. Retrieved 2020-07-21.
  21. ^ "Chinese tone study". Pittsburgh Science of Learning Center Datashop. Retrieved 2020-07-21.
  22. ^ "2019 Data Science Bowl". Kaggle. Retrieved 2020-07-21.
  23. ^ Baker, Ryan S.J.D. (2010). "Data mining for education" (PDF). International Encyclopedia of Education. 7: 112–118. doi:10.1016/B978-0-08-044894-7.01318-X.
  24. ^ Kai, Shimin; Almeda, Ma Victoria; Baker, Ryan S.; Heffernan, Cristina; Heffernan, Neil (2018-06-30). "Decision Tree Modeling of Wheel-Spinning and Productive Persistence in Skill Builders". Journal of Educational Data Mining. 10 (1): 36–71. doi:10.5281/zenodo.3344810. ISSN 2157-2100.
  25. ^ "ASSISTments: Free Education Tool for Teachers & Students". ASSISTments. Retrieved 2020-07-21.
  26. ^ a b Heffernan, Neil (2019-10-09). "Persistence Is Not Always Productive: How to Stop Students From Spinning Their Wheels - EdSurge News". EdSurge. Retrieved 2020-07-21.
  27. ^ "Zach Pardos is Using Machine Learning to Broaden Pathways from Community College". UC Berkeley School of Information. 2019-09-30. Retrieved 2020-07-21.
  28. ^ Hodges, Jill (2019-09-30). "This is Data Science: Using Machine Learning to Broaden Pathways from Community College: Computing, Data Science, and Society". UC Berkeley - Computing, Data Science, and Society. Retrieved 2020-07-21.
  29. ^ Castleman, Benjamin; Bird, Kelli. "Personalized Pathways to Successful Community College Transfer: Leveraging machine learning strategies to customized transfer guidance and support". The Abdul Latif Jameel Poverty Action Lab (J-PAL). Retrieved 2020-07-21.
  30. ^ Ginder, S.; Kelly-Reid, J.E.; Mann, F.B. (2017-12-28). "Enrollment and Employees in Postsecondary Institutions, Fall 2016; and Financial Statistics and Academic Libraries, Fiscal Year 2016: First Look (Provisional Data)". National Center for Employment Statistics. Retrieved 2020-07-21.
  31. ^ Kakish, Kamal; Pollacia, Lissa (2018-04-17). "Adaptive Learning to Improve Student Success and Instructor Efficiency in Introductory Computing Course". {{cite journal}}:Cite 저널 요구 사항 journal=(도움말)
  32. ^ Delaney, Melissa (2019-05-31). "Universities Use AI to Boost Student Graduation Rates". Technology Solutions That Drive Education. Retrieved 2020-07-21.
  33. ^ Kakish, Kamal; Pollacia, Lissa (2018-04-17). "Adaptive Learning to Improve Student Success and Instructor Efficiency in Introductory Computing Course". {{cite journal}}:Cite 저널 요구 사항 journal=(도움말)
  34. ^ Lee, Victor R. (2022-08-12). "Learning sciences and learning engineering: A natural or artificial distinction?". Journal of the Learning Sciences: 1–17. doi:10.1080/10508406.2022.2100705. ISSN 1050-8406. S2CID 251547280.
  35. ^ Chandler, Chelsea; Kessler, Aaron; Fortman, Jacob (2020). "Language Matters: Exploring the Use of Figurative Language at ICICLE 2019". Proceedings of the 2019 Conference on Learning Engineering (PDF). IEEE IC Consortium on Learning Engineering.
  36. ^ Baker, Ryan; Boser, Ulrich (2021). High-Leverage Opportunities for Learning Engineering (PDF) (Report).

추가 정보

마크 리버먼."학습 엔지니어가 스포트라이트를 향해 나아가다"고등교육기관 내부.2018년 9월 26일

외부 링크

사이먼 이니셔티브