Digitalisierung von Lernen: adaptive tutorielle Systeme

In den letzten Jahren sind bei der Entwicklung von adaptiven bzw. intelligenten tutoriellen Systemen deutliche Fortschritte erzielt worden und Bildungsverantwortliche sollten dieses Feld im Auge behalten. Dies gilt nicht nur für Schulen und Hochschulen sondern auch für den Bereich der betrieblichen Weiterbildung. Eine kurze Orientierung.

Ein Lehrer für mich allein?

Eine möglichst gute Ausbildung und daran anschliessend lebenslanges Lernen sind weitherum als Ziele und normative Orientierungspunkte etabliert – auf gesellschaftlicher, institutioneller und individueller Ebene. Gegenwärtig kämpfen allerdings Hochschulen damit, gute Betreuungsverhältnisse zwischen Lehrpersonen einerseits und Lernenden / Studierenden andererseits zu wahren. Und Bildungsbereiche in Unternehmen und Organisationen kämpfen mit knappen Budgets, die eine Fokussierung auf die jeweils unter strategischen Gesichtspunkten wichtigsten Lern- und Entwicklungsbedarfe erfordern. Dabei bleibt vieles, was nicht Priorität 1 ist, aussen vor.
Vor diesem Hintergrund stellt sich die Frage, inwiefern aktuelle technologische Entwicklungen im Bereich der künstlichen Intelligenz und adaptiver tutorieller Systeme weiterhelfen können. In diesem Zusammenhang wird auch auf das von Benjamin Bloom vor gut 30 Jahren formulierte “2-Sigma-Problem” verwiesen: verschiedene Studien hatten aufgezeigt, dass Lernende, die in einer 1:1 Situation von Tutoren individuell betreut wurden, bei Lernerfolgsüberprüfungen 2 Standardabweichungen besser abschnitten als Lernende in konventionellen Lernarrangements mit ca. 30 Lernenden pro Lehrperson. Oder anders gesagt: die individuell betreuten Lernenden waren im Durchschnitt so gut wie die besten 2% der Lernenden in konventionellen Lernarrangements (vgl. Abbildung 1).

Abbildung 1: Quelle: Bloom 1984
Tutorielle Einzelbetreuung von Lernenden ist nun aber in der Regel kein tragfähiges bzw. bezahlbares Modell. Bloom und sein Forschungsteam haben sich daher der Suche nach Lehr-/Lernmethoden zugewendet, die zu ähnlich guten Ergebnissen in grösseren Lerngruppen führen. Sie erzielten dann vergleichbar gute Ergebnisse mit Kombinationen von Mastery Learning, partizipativen Lernformen und einer Ausrichtung des Lernens auf höhere kognitive Prozesse (vgl. Bloom et al. 1984).
Forschungen in den Feldern künstliche Intelligenz und adaptive tutorielle Systeme befassen sich mit dem von Bloom nicht weiter verfolgten Lösungsansatz: der Entwicklung von technischen Lösungen, die eine hochgradig lernwirksame und zugleich kostengünstige 1:1 Lernbegleitung für eine grosse Anzahl von Menschen ermöglichen – im Kontext der Schul- und Hochschulbildung wie auch im Kontext der betrieblichen Weiterbildung. Diese Forschungsrichtung hat bereits Tradition. So hatte beispielsweise Sabine Seufert in ihrer Diplomarbeit 1993 das Thema “Lehrstoffstrukturierung für intelligente tutorielle Systems” gewählt. Und an der Universität St.Gallen wurde mein früherer Kollege Oliver Bendel in 2003 für seine Arbeit zu “Pädagogische Agenten im Corporate Learning” promoviert.
Damit werden weitere Wege sichtbar, wie “Ein Lehrer für mich allein” umgesetzt werden könnte. Zum einen sind dies Dialogsysteme (Weiterentwicklungen von Sprachassistenzsystemen wie Siri und sogenannte Weiterbildungsbots – vgl. hierzu einen Gastbeitrag von Fritz Breithaupt in der ZEIT vom Februar 2016). Zum anderen sind dies adaptive Lernplattformen, die auf grossen Mengen an systematisch aufbereiteten Lerninhalten basieren. Diesem zuletzt genannten Typ von Systemen will ich hier etwas nachgehen.
Angetrieben wird die Entwicklung adaptiver tutorieller Lernplattformen nicht nur von fachlich ausgerichteter (Grundlagen-)Forschung, beispielsweise im Bereich künstliche Intelligenz, sondern auch von ökonomischen Entwicklungen. So bemühen sich beispielsweise grosse Lehrbuchverlage in den USA darum, ihr Geschäftsmodell neu auszurichten. Denn sie merken, dass das bisherige Geschäftsmodell, das zentral auf dem Verkauf von Lehrbüchern basiert, unter Druck geraten ist (online Tauschbörsen für Lehrbücher; Einscannen und Teilen von Lehrbüchern bzw. Ausschnitten daraus; MOOC-Anbieter). Angesichts der schrumpfenden Margen investieren Lehrbuchverlage unter anderem in adaptive tutorielle Systeme, um höherwertige Dienstleistungen mit höheren Gewinnmargen anzubieten:

“To retain its value, Levin [CEO von McGraw-Hill Education, CMei] says, the textbook of the 21st century can’t just be a multimedia reference source. It has to take a more active role in the educational process. It has to be interactive, comprehensive, and maybe even intelligent. It has to make students’ and teachers’ lives easier by automating things they’d otherwise do themselves. The smarter it gets, the more aspects of the educational experience it can automate—and the more incentive schools and teachers will have to adopt it.” (Oremus 2015)

Wie funktionieren diese Systeme und was können sie gegenwärtig leisten?

Intelligente tutorielle Systeme (ITS) bzw. adaptive Lernsysteme (ALS) berücksichtigen die Lernenden in unterschiedlicher Weise. Frühere Systeme beschränkten sich darauf, den Lernenden Auswahlmöglichkeiten zwischen verschiedenen Inhalten zu bieten und die Lernaktivitäten zu beobachten. Auf dieser Grundlage konnten dann z.B. nächste Lerninhalte mit passendem Schwierigkeitsgrad angeboten werden. Neuere Systeme gehen darüber hinaus. Zum einen bieten sie Hinweise auf einen viel weitergehenden Fundus von relevanten Materialien im WWW (adaptive Hypermedia-Systeme). Zum anderen beanspruchen sie, individuelle Präferenzen der Lernenden zu berücksichtigen – nicht nur im Hinblick auf Lerninhalte, sondern auch im Hinblick auf Lernstile und Lernpräferenzen (adaptive Lernsysteme) (Bagheri 2015, S. 3-4).
Die zentralen Komponenten eines adaptiven Lernsystems sind das Domänen-Modell, das tutorielle Modell, das Lernenden-Modell sowie die Benutzeroberfläche (vgl. Abbildung 2).

Abbildung 2: Komponenten eines adaptiven tutoriellen Systems (nach Mathews 1993 in Bagheri 2015, S. 5ff.)
In einem Beitrag für das Open Access Journal International Journal of Education liefert Bagheri (2015) eine Übersicht zu und Charakterisierung von verschiedenen aktuell am Markt verfügbaren adaptiven Lernsystemen. Im Folgenden will ich zwei davon kurz beleuchten.

Knewton

Knewton, als Unternehmen in 2008 gegründet, bietet eine Lernplattform (www.knewton.com), die Lerninhalte und Lernprozesse gemäss dem Vorwissen, den Zielsetzungen und den Merkmalen individueller Nutzer anpassen kann. Partner sind namhafte Verlage (z.B. Pearson, Macmillan Education, Elsevier), Bildungsinstitutionen und zahlreiche Technologie-Unternehmen. Knewton hat in mehreren Finanzierungsrunden über 150 Millionen US$ an Investment-Kapital erhalten.

“Knewton supports the learning process with three core services: personalized recommendations for students, analytics for teachers and students, and content insights for application and content creators.” (Wilson / Nichols 2015, S. 3)

Die zentralen Elemente der Plattform und der darauf basierenden Services sind in der folgenden Abbildung dargestellt:
Abbildung 3: Zentrale Komponenten der Plattform Knewton (Quelle: Wilson / Nichols 2015, S. 6)
Knewton verknüpft Informationen zu Inhalten (insbesondere “knowledge graphs” oder Konzept-Karten, (vgl. Abbildung 3, oben) mit Daten zu den Antworten bzw. Leistungen von Lernenden (links), und erzeugt darauf basierend Aussagen über die Leistungsfähigkeit der Lernenden. Diese Aussagen fliessen dann in Voraussagen zu Bearbeitungszeiten ein (unten) und in das Erstellen von personalisierten Empfehlungen für nächste Lernaktivitäten (rechts).
Knewton beobachtet und analysiert permanent verschiedene Aktivitäten von Lernenden wie beispielsweise

• richtige oder falsche Antworten auf Testfragen
• die für bestimmte Aufgaben aufgewendete Zeit
• welcher Lernstil am besten die Aneignung bestimmter Konzepte unterstützt
• das Hinundherbewegen einer Maus, wenn sich ein Lernender nicht zwischen zwei Antwortoptionen entscheiden kann
  (Bagheri 2105, S. 8)

Der zuletzt genannte Punkt ist keine technische Spielerei, sondern verweist auf eine Herausforderung bei der Bestimmung des Wissens- bzw. Leistungsstands von Lernenden: wie kann man zufällig richtig ausgewählte Antworten auf Testfragen (Raten) von Antworten unterscheiden, bei denen die Lernenden die richtige Antwort kennen? area9learning, ein weiterer Anbieter (vgl. unten), geht bei diesem Punkt einen anderen Weg: über eine Zusatzfrage werden die Lernenden kontinuierlich dazu befragt, wie sicher sie sind, dass die gerade abgegebene Antwort richtig ist.
Technische Details zur Knewton-Plattform sind in einem technischen Whitepaper weiter ausgeführt.
Bagheri zufolge ist Knewton eine der führenden adaptiven Lernplattformen. Auch wenn er anmerkt, dass die publizierten Erfolgsberichte (z.B. zusammen mit der Universität von Arizona) auf Studien beruhen, die dem Anspruch an kontrollierte Experimente nicht genügen. Interessant ist Knewton aber auch, weil es (derzeit noch) Lehrmittelautoren ermöglicht, kostenlos Inhalte in der Plattform zu erstellen.

ALEKS

ALEKS (Assessment and LEarning in Knowledge Spaces) ist ein Web-basiertes Test- und Lernsystem, das auf künstlicher Intelligenz basiert. Seine Entwicklung geht zurück auf Arbeiten von J.-C. Falmagne zu Wissensräumen bzw. knowledge spaces, die um 1980 begannen und im Rahmen grosser NSF-Forschungsprojekte in den USA in den 1980er and 90er Jahren weiterentwickelt wurden. Seit 1992 wird an der Softwareplattform gearbeitet. ALEKS Corporation, gegründet 1996, ist heute Teil des Unternehmens McGraw-Hill Education (https://www.aleks.com/about_aleks/research_behind).
Eine Besonderheit von ALEKS besteht in der Diagnose des Wissensstands von Lernenden zu einem bestimmten Themen- bzw. Konzeptraum. Den Startpunkt bildet ein Test mit ca. 20-30 Fragen, wobei dieses Fragenset nicht fix ist, sondern Lernenden-spezifisch angepasst wird. Daraus resultiert eine Hypothese sowohl zum individuellen Wissensstand als auch dazu, welche nächsten Themen / Konzepte für den Lernenden in Frage kommen (“ready to learn”).
Abbildung 4: Schematische Darstellung der Entwicklung einer Hypothese zum individuellen Wissensstand (Quelle: ALEKS)
Auf dieser Grundlage treten dann die Lernenden in den Lernprozess ein, in dessen Verlauf ihre Interaktionen mit dem System (Bearbeitung von Materialien, Bearbeitung von Tests mit jeweils ca. 25 Fragen / Aufgaben) protokolliert und Hypothesen zum aktuellen Wissensstand und zur Bereitschaft für nächste Lernthemen generiert werden. Für die Lernenden wird der eigene Wissensstand zu einem Themengebiet über ein Tortendiagramm visualisiert, aus dem ersichtlich ist, wie viele (Teil-)Themen in einem Gebiet man schon beherrscht, welche nicht, und für welche nächsten Lernthemen man bereit ist (vgl. Abbildung 5):
Abbildung 5 (Quelle: ALEKS)
In seinem Review führt Bagheri an, dass ALEKS von Lernenden dann sehr gut bewertet wird, wenn es darum geht, den eigenen Stand in einem Wissensgebiet zu überprüfen und diesen punktuell zu erweitern. Weniger gut funktioniere die Arbeit mit ALEKS, wenn man sich ganz neu in ein Themengebiet einarbeiten müsse (Bagheri 2015, S. 9).
In seinem Übersichtsartikel bespricht Bagheri noch eine Reihe weiterer adpativer tutorieller Systeme, die aber entweder einen spezifischen fachlichen Fokus aufweisen oder aber weniger adaptiv sind als die oben genannten Systeme:

• Smart Sparrow (Fokus auf Medizin und Naturwissenschaften)
• Dreambox Learning (Fokus auf Mathematik für den Grunschulunterricht)
• Brightspace / Desire2Learn (Fokus auf Kompetenz-basiertem Lernen)

Fazit

Viele frühere Entwicklungen zu adaptiven tutoriellen Systemen sind nicht zur Marktreife gelangt (vgl. Mulwa 2010). Aber in den letzten Jahren sind bei der Entwicklung von adaptiven bzw. intelligenten tutoriellen Systemen deutliche Fortschritte erzielt worden. Allerdings merkt Bagheri kritisch an, dass die hier betrachteten Systeme letztlich doch nur ein Element des Gesamtmodells (vgl. Abbildung 2) in den Mittelpunkt stellen: das Wissen der Lernenden, das über wiederholte Tests immer wieder neu bestimmt wird. Andere Merkmale der Lernenden wie z.B. individuelle Lernstile würden bei der Bestimmung der Lernpfade noch zu wenig berücksichtigt (Bagheri 2015, S. 13).

“It is essential to recognize that learners are multi-dimensional beings and categorizing them solely based on their knowledge level is definitely false. There are many personal traits which should be integrated in adaptive learning systems to enhance their effectiveness.” (Bagheri 2015, S. 14)

Dennoch ist dies ein Feld, das im Auge zu behalten ist. Dies gilt nicht nur für Schulen und Hochschulen und Fachgebiete, deren Grundwissen mehr oder weniger kodifiziert bzw. unstrittig ist (z.B. Mathematik, Biologie, Chemie, etc.). Auch für den Bereich der betrieblichen Weiterbildung sind diese Entwicklungen interessant. So wird beispielsweise bei Hitachi Data Systems mit der adaptiven Lernplattform area9learning gearbeitet und – wenn man den eigenen, allerdings nicht wissenschaftlich dokumentierten – Fallstudien Glauben schenken darf, mit Erfolg. Im Fall Hitachi wurde diese adaptive Plattform für das Produkttraining von ca. 7’000 internen und ca. 25’000 externen Mitarbeitenden eingesetzt und insgesamt eine Reduktion der Lernzeit um ca. 50% konstatiert:
Abbildung 6: Zentrale Ergebnisse des Einsatzes von area9learning bei Hitachi Data Systems (Quelle:
http://area9learning.com/wp-content/uploads/2016/06/Hitachi-Data-Systems.pdf)
 

---

Referenzen:
ALEKS (2012). What makes ALEKS unique. https://www.aleks.com/about_aleks/What_Makes_ALEKS_Unique.pdf
Bagheri, M. M. (2015). Intelligent and adaptive tutoring systems: How to integrate learners. International Journal of Education, 7(2).
Bloom, B. S. (1984). The 2 Sigma Problem: The search for methods of group instruction as effective as one-to-one tutoring. Educational Researcher, 13(6), 4–16.
Mulwa, C., Lawless, S., Sharp, M., Arnedillo-Sanchez, I., & Wade, V. (2010). Adaptive Educational Hypermedia Systems in Technology Enhanced Learning: A Literature Review. In Proceedings of the 2010 ACM Conference on Information Technology Education (S. 73–84). New York, NY, USA: ACM. http://doi.org/10.1145/1867651.1867672
Oremus, Will (2015): No more pencils, no more books. Artificially intelligent software is replacing the textbook – and reshaping American education. Slate, October 25, 2015.
Truong, H. M. (2016). Integrating learning styles and adaptive e-learning system: Current developments, problems and opportunities. Computers in Human Behavior, 55, Part B, 1185–1193. http://doi.org/10.1016/j.chb.2015.02.014
Wilson, K., & Nichols, Z. (2015). The Knewton Platform. A General-Purpose Adaptive Learning Infrastructure. knewton.com. Abgerufen von http://learn.knewton.com/technical-white-paper