Как организовать адаптивное дистанционное обучение в LMS (Часть 1)

Все чаще e-learning-специалисты задаются вопросом организации адаптивного обучения. Возможно, причина интереса в том, что большинство компаний, внедривших системы дистанционного обучения (далее, LMS - Learning Management System) «наелись» возможностью назначать курсы и тесты в любом количестве и просматривать в отчетах процент успеваемости сотрудников.

Измерение эффективности обучения в пройденных человеко-курсах становится размытым показателем даже для новичков, которые осваивают азы онлайн-обучения. На смену приходит понимание того, что учить людей нужно тому, чего они действительно еще не знают. При этом нужны адекватные и доверительные инструменты для измерения уровня знаний.

Адаптивный подход используется для повышения качества знаний, улучшения результатов обучения, установления измеримых критериев оценки и сокращения время на избыточное тестирование и обучение.

Теория адаптивного обучения

В большинстве случаев задача адаптивного обучения ставится так:
     понять текущий уровень знаний обучаемого,
     найти пробелы знаниях,
     построить индивидуальную учебную траекторию.

Таким образом в траекторию будут включены только те учебные модули, которые закроют пробелы в знаниях. Обучение завершится повторной проверкой знаний по включенным в траекторию темам.

Небольшой, но важный комментарий: в этой статье для задач адаптивного обучения не будем рассматривать использование искусственного интеллекта (ИИ), о котором приходится слышать от различных футурологов. Потому, что этого «сферического коня в вакууме» для задач e-learning мы пока не встречали. Сейчас поговорим о более приземленных инструментах, реально существующих в природе.


Что нужно для построения адаптивной системы обучения?

1. Структурированное описание предметной области

Для определения пробелов в знаниях и построения учебной траектории, в системе должны быть описаны темы обучения. Количество уровней вложенности может быть любым. Как правило, для детального структурирования предметной области потребуется 3-4 уровня, как в примере ниже.

Фрагмент описания предметной области на примере реальной базы знаний в области нефтедобычи:

Разработка месторождений

Промысловая геология и свойства пласта
Нефтегазопромысловая геология
Базовый уровень
Углубленный уровень
Опыт
Эксперт
Оценка свойств пласта

Технологические показатели работы и тестирование скважин
Бурение и КРС

С технической точки зрения LMS должна позволять создавать произвольное количество описаний предметных областей (“карт знаний”)


2. Набор контрольных вопросов

Следующим этапом понадобится разработать набор контрольных вопросов, чтобы равномерно и полно раскрыть разделы предметной области. На одну единицу знаний или «лист» дерева должно нужно разработать не менее 3-х вопросов, в идеале - до 10.
 Такие же требования для уровня знаний (например, базовый уровень).

Работа адаптивного алгоритма зависит от корректной оценки уровня сложности вопросов. Разработчик должен использовать методологические и технические правила для создания базы вопросов. Например, проверить сложность, валидность и надежность тестов на пилотной группе. Но это тема для отдельной статьи.

Для создания адаптивных тестов у LMS должна быть возможность:
     создавать банк контрольных вопросов произвольного размера,
     описывать уровень сложности вопроса с инструментами для анализа,
     «привязывать» вопросы к описанной ранее «карте знаний».


3. Набор учебных модулей

В учебную траекторию включают интерактивные электронные курсы, тесты, записи вебинаров, статьи, электронные книги и документы, видео-контент, внешние ресурсы.

Эти учебные материалы должны создаются и размещаются в LMS. Для использования внешних ресурсов настраивают интеграцию с системами, в которых они находятся.

С методической точки зрения решаются две сложные задачи:
     разработать независимые друг от друга учебные единицы траектории обучения,
     добиться того, чтобы учебная единица полностью покрывала выбранную предметную область.

Если предметная область описана детально, то и модули будут небольшими. Фактически, мы говорим о микро-обучении.

С технической точки зрения LMS должна позволять использовать описанные в траектории инструменты обучения и «привязывать» любые типы контента к карте знаний.


4. Механизм адаптивного тестирования

Традиционное тестирование. В традиционном подходе к тестированию, индивидуальное тестовое задание для обучаемого формируется из общего списка всех вопросов, включенных в тест. При этом разработчик определяет, сколько вопросов попадет в тестовое задание, какие параметры случайной выборки (например, 5 вопросов из 10-ти возможных).

При традиционном подходе в базе знаний со временем скапливается большое количество тестов. Иногда речь идет о сотнях. Создавать один огромный тест по всем темам не практично. Например, геолог и бурильщик в нефтяной компании проходят тестирование по некоторым общим темам, но они имеют и различные области знаний, по которым нужна отдельная проверка знаний.

В традиционном подходе результат тестирования это набранный балл и процент правильных ответов по определенной теме.

Адаптивное тестирование. В адаптивном подходе вместо десятков тестов с «жесткой» привязкой к теме разрабатывается один гибкий тест. Это работает следующим образом. При запуске тестирования анализируется профиль знаний или профессиональных компетенций обучаемого, определяются необходимые темы и последовательно предъявляются вопросы по этим темам. Тест может предлагать сначала простые вопросы, а затем - более сложные, прекращать вопросы по одной теме и переходить к следующей по некоторым правилам. Например, когда вопросы исчерпаны, допущено много ошибок или обучаемый дошел до вопросов повышенной сложности и дал верные ответы.

Адаптивный тест обладает следующими свойствами:
     может заменить собой множество тестов,
     дает инструменты для адекватной оценки того, какие тесты нужно назначить,
     работает гибко и подстраивается в процессе тестирования под обучаемого, 
     результатом тестирования является «карта знаний» обучаемого – информация по каждой и проверяемых тестов тем и уровень знаний обучаемого по ней.

При адаптивном подходе хорошо подготовленный человек, знающий предметную область, сможет завершить тестирование после 2-3 ответов на сложные вопросы по каждой теме. А кто-то продолжит тестироваться дольше, по своей индивидуальной траектории.

С технической точки зрения LMS на этом этапе должна позволять описывать профили знаний и поддерживать гибкий механизм адаптивного тестирования с использованием различных алгоритмов.

Примеры адаптивных алгоритмов

На первом шаге адаптивного обучения тест должен подбирать вопросы, опираясь на профиль знаний обучаемого, т.е. на набор знаний, описанный администратором LMS.

На последнем шаге адаптивного обучения (итоговое тестирование после прохождения учебной траектории), тест должен опираться на результаты первого теста, т.е. на набор знаний, по которым были обнаружены пробелы в знаниях.


5. Механизм генерации индивидуальной учебной траектории

После завершения адаптивного теста должен сработать механизм, который проанализирует результаты, выявит пробелы и создаст индивидуальную учебную траекторию.

Примерный алгоритм такой обработки:
  1. Возьмем профиль знаний тестируемого и определим вопросы, которые были включены в протокол тестирования для каждой области знаний.
  2. Рассчитаем уровень знаний, измеренный тестом по каждой теме (этот показатель можно считать от уровня самого сложного вопроса, до которого добрался обучаемый, от средней сложности корректно отвеченных вопросов, от общего % верных ответов).
  3. Выделим темы, по которым нужно обучение в зависимости от выявленного уровня.
  4. Найдем в нашей базе все учебные материалы, относящиеся к темам, требующим обучения.
  5. Включим найденные материалы их в индивидуальную учебную траекторию.

С технической точки зрения LMS на этом этапе должна позволять:
     запускать алгоритм обработки протоколов тестирования сразу после завершения теста,
     гибко настраивать такие алгоритмы,
     создавать индивидуальные учебные траектории,
     проводить последующее обучение по траекториям, 
     завершать индивидуальные траектории обучения итоговым тестом, который также может быть адаптивным.


Продолжение следует. Во второй части статьи мы перейдем от теории к практике и расскажем о том, как настроить адаптивное обучение в реальной LMS.

Комментарии

Популярные сообщения из этого блога

Кейсы и проекты клиентов WebSoft, представленные в 2017 году

Цикл статей "Тренды современного HR". 7. Переход HR-сферы в формат Digital. Итоги цикла

Предновогодний вебинар о трендах (запись и презентация)