Learning Professionals, so JD Dillon, werden nicht von KI-basierten Lösungen wegautomatisiert. Aber sie müssen eine Reihe von „Hausaufgaben“ erledigen, damit KI-basierte Lösungen in ihrem Feld wertschöpfend werden: Informationsarchitektur aufbauen, Mess-Praxis weiterentwickeln, Datenmanagement systematisieren.
JD Dillon hat vor einiger Zeit im Online-Magazin LearningSolutions für seine Kolumne das Thema Augmentation von Learning Professionals in den Blick genommen. Er sieht nicht die Gefahr, dass die Arbeit von Learning Professionals vollständig automatisiert wird. Aber er erwartet einige wichtige Veränderungen und schlüsselt diese auf.
Zum einen unterscheidet er Aufgaben von Learning Professionals, bei denen eine Unterstützung durch KI-basierte Lösungen bereits etabliert ist (in der Abbildung unten blau) von Aufgaben, die neuerdings ebenso unterstützt werden können (in der Abbildung unten grün):
Zum anderen zeigt er auf, welche neuen Aufgaben bei welchen Rollen anfallen (vgl. die Tabelle rechts in der Abbildung). Diese reichen vom Kategorisieren von Daten über die Nutzung von KI-basierten Werkzeugen für die Inhalte-Erstellung bis hin zur KI-unterstützten Identifikation von Entwicklungserfordernissen (performance gaps) und der Steuerung von Entwicklungsprogrammen (beim zuletzt genannten Punkt ganz ähnlich, wie mir scheint, wie dies kürzlich David Vance in einem Beitrag zu Bildungscontrolling formuliert hat).
Am Ende seines Beitrags verweist Dillon auf seine eigene Webseite, auf der sich u.a. zwei thematisch verwandte Präsentationen finden.
In diesen Präsentationen führt Dillon weitere Konzept und Bilder ein. Zum einen das Bild einer KI-Leiter und zum anderen das Konzept der Datenarchitektur, die Voraussetzung für die Umsetzung von KI-basierten L&D-Lösungen ist. Dillon differenziert hier insgesamt 10 KI-basierte Anwendungen für L&D danach, wie hoch die damit verbundenen Anforderungen an diese Datenarchitektur sind. Die in der Abbildung unten in blau gehaltenen Anwendungsszenarien sind diesbezüglich einfacher umzusetzen; die in grün gehaltenen Anwendungsszenarien sind anspruchsvoller. Aber sie versprechen Dillon zufolge auch eine höhere Wertschöpfung für Bildungsdienstleister.
Dillon zufolge verfügt L&D in der Regel nicht über die Datenarchitekturen und die multidimensionalen Daten, die für eine Umsetzung von anspruchsvolleren KI-basierten Lösungen erforderlich sind. Daher formuliert er zunächst einmal eine Reihe von „Hausaufgaben“, die L&D-Profis erledigen müssen, um sich auf den Einsatz von wirklich wertschöpfender KI in ihrem Feld vorzubereiten. Dazu gehören der Aufbau einer Informationsarchitektur, die Weiterentwicklung der Praxis des Messens und ein systematisches Datenmanagement. Noch grundlegender aber ist aus seiner Sicht, dass Bildungsverantwortliche sich im klaren darüber sind, was sie mit ihren Interventionen erreichen wollen. Denn davon hängen nicht nur das Design, sondern auch die erforderlichen Mess- und Steuergrössen ab: Nutzung, Lernerfolg, Verhalten, Ergebnisse, und Vorhersagewerte.
JD Dillon: In Real Life: The Augmented L&D Professional. learningsolutionsmag.com, 17.03.2020
Schreiben Sie einen Kommentar