scil

swiss competence center for innovations in learning

HomeArchives for adaptive Lernumgebungen

adaptive Lernumgebungen

Personalisiertes Lernen mit Adaptive Courseware – ein Leitfaden

Viele Hochschulen sind damit konfrontiert, dass ihre Studierenden-Populationen heterogener werden – im Hinblick auf Bildungsbiografien, Muttersprache, kultureller Hintergrund, etc. Dies bringt besondere Herausforderungen für die Gestaltung von Lernprozessen mit sich. Schliesslich sollen möglichst alle Studierenden erfolgreich zu einem Studienabschluss gebracht werden.
Vor diesem Hintergrund werden grosse Hoffnungen auf adaptive Lernumgebungen gesetzt, die individualisierte Lernpfade ermöglichen.
Die Association of Public and Land-grant Universities (APLU) ist ein Zusammenschluss von 237 öffentlichen Universitäten in den USA, Canada, Mexico. Zusammen mit der Western Interstate Commission for Higher Education (WICHE) hat die APLU einen Leitfaden zur Umsetzung von adaptiven Lernmedien („adaptive courseware“) an Hochschulen entwickelt.
 

 

EducauseReview, 21.02.2019: Improving Student Outcomes with Adaptive Courseware: The Every Learner Everywhere Network Initiative.
APLU.org (2018): A Guide for Implementing Adaptive Courseware: From Planning Through Scaling.
 

Gestaltung adaptiver Lernmodule – erste Erfahrungen aus der Praxis

Über den Sommer hatte ich hier drei Beiträge zu KI-basierten, adaptiven Lernumgebungen eingestellt. Mittlerweile ist unser Modul „KI-basierte, adaptive Lernumgebungen„, auf das ich mich in dieser Zeit vorbereitet habe, schon eine Weile abgeschlossen. Ich denke, das Modul war eine lehrreiche Erfahrung – sowohl für unsere Teilnehmenden als auch für mich als Lernbegleiter.
Eine für mich wichtige Lernerfahrung war die Gestaltung einer Selbstlerneinheit für eine solche adaptive Lernplattform. Ausgangspunkt für die Lerneinheit waren Unterlagen zum Thema „Lernziele“ und „Taxonomie von Lernzielen“, die ich in den letzten Jahren im Rahmen eines Moduls zu didaktischen Grundfragen eingesetzt habe. Auf diesen aufbauend haben wir mit Hilfe unseres Partners TRIPLE A diese Lerneinheit erstellt.
Eine weitere wichtige Lernerfahrung bestand darin, wie sich die mir theoretisch bekannten Unterschiede zum Erstellen von „traditionellen“ WBT (vgl. die folgende Übersicht) in der Praxis auswirken…

Unterschiede zwischen «traditionellem» und «adaptivem» E-Learning (in Anlehnung an Howe 2017)

 
Zunächst einmal haben wir das, was die Lernenden mit diesem Modul erreichen sollten, in zahlreiche detaillierte Lernziele übersetzt. Insgesamt haben wir dabei 26 Lernziele formuliert. Hier einige Beispiele:

  • Die Lernenden / Nutzer des Moduls geben die drei Ebenen wieder, auf denen Lernziele formuliert werden.
  • Die Lernenden erkennen die Formulierung eines Feinziels (im Unterschied zu einem Richt- oder Grobziel).
  • Die Lernenden beschreiben, was die Handlungskomponente einer Lernzielformulierung ist.
  • Die Lernenden benennen die verschiedenen Ebenen kognitiver Prozesse (nach Anderson, Krathwohl et al.).
  • Die Lernenden identifizieren Qualitätsmängel bei Lernzielformulierungen.

Zu diesen 26 Lernzielen haben wir insgesamt 56 Test-Items (probes) formuliert, über die diese Lernziele überprüft werden können. Dabei haben wir darauf geachtet, dass diese Test-Items über unterschiedliche Frageformate (z.B. einmal als Lückentext-Aufgabe, einmal als Single-Choice-Auswahlaufgabe). Darüber hinaus haben wir zu jedem Lernziel eine kleine Lernressource erstellt, die dann gezeigt wird, wenn die zugehörige Test-Aufgabe nicht richtig beantwortet wird (vgl. die folgende Abbildung).
 

Struktur des Lernmoduls mit Lernzielen links und zugeordneten Test-Items rechts (Bildquelle: tripleA / scil)

 
Was sind nun, rückblickend betrachtet, die Herausforderung beim Erstellen solcher adaptiven Lernmodule? Aus meiner gegenwärtigen Sicht sind es die folgenden Punkte:

Monotonie im Lernprozess vermeiden

Auch wenn adaptive bzw. intelligente tutorielle Systeme darauf ausgerichtet sind, die Lernenden immer optimal zu fordern, so kann ein auf einer Abfolge von vielen kurzen Zyklen bestehender Lernprozess (Bearbeitung eines Test-Items und – bei falscher Antwort – nachfolgender Bearbeitung einer kleinen, auf das Test-Item bezogenen Lernressource) für die Lernenden monoton wirken. Dem Eindruck von Monotonie kann über zwei Wege entgegengewirkt werden:

  • Bandbreite verfügbarer Aufgabe- bzw. Fragetypen ausschöpfen
    Je nach Plattform und Autorensystem stehen unterschiedliche Typen von automatisch auswertbaren Fragen zur Verfügung. Mögliche Aufgabentypen sind unter anderem:

    • Einfachauswahl
    • Mehrfachauswahl
    • Lückentext (mit vorgegebenen Auswahloptionen)
    • Anordnung / Rangierung
    • Zuordnung
    • Kategorisierung
    • Identifikation von Elementen in einer Grafik
  • Mikro-Inhalte abwechslungsreich gestalten
    Neben der Variation der Aufgabentypen trägt auch eine gute Variation bei der Gestaltung der Mikro-Lerninhalte zum Vermeiden von Monotonie bei der Bearbeitung bei. Diese Mikro-Lerninhalte können beispielsweise textuell umgesetzt sein, über Grafiken oder über kurze Audio- bzw. Videoclips.
Lernende auf ein anderes Lernerlebnis einstellen

Die Arbeit mit adaptiven bzw. intelligenten tutoriellen Systemen führt zu einem deutlich anderen Lernerlebnis für die Lernenden. Der Lernprozess wird kontinuierlich durch die Bearbeitung von kleinen Test-Items auf Seiten der Lernenden angetrieben. Die Lernenden müssen darauf vorbereitet werden bzw. ihre Erwartungen müssen diesbezüglich angepasst werden.
Was adaptive Lernumgebungen eher nicht bieten – und worauf die Nutzer bzw. Lernenden ebenfalls eingestellt werden müssen – ist eine bekannte und etablierte Dramaturgie wie etwa eine Themenübersicht zu Beginn, eine vorhersehbare Bewegung von Grundlagen zu Vertiefungen, vom Einfachem zum Schwierigem, eine Gesamtübersicht am Ende des Lernprozesses sowie gegebenenfalls eine anspruchsvolle Aufgabenstellung, die zahlreiche Einzelaspekte der Lerneinheit integriert.
Im Sinne eines zielführenden Erwartungsmanagements sind zwei Aspekte wichtig.

  • Zum einen sollte gegenüber den Nutzern bzw. Lernenden herausgestellt werden, dass adaptive Lernumgebungen bzw. intelligente tutorielle Systeme für jeden Lernenden den jeweils schnellsten zum Ziel führenden Lernpfad bereitstellen. Das heisst, den Lernpfad, der für jede und jeden am schnellsten zum nachgewiesenen Beherrschen des erforderlichen Wissens bzw. der erforderlichen Fertigkeiten führt. Damit verbunden ist eine in der Regel deutliche Reduktion der erforderlichen Arbeits- bzw. Lernzeit. Ein Whitepaper des Anbieters Area9 Lyceum spricht davon, dass eine Reduktion der Lernzeiten um 50% nicht ungewöhnlich ist (area9learning 2017).
  • Zum anderen stehen den Lernenden in der Regel verschiedene Auswertungen zur Verfügung, die Ihnen ihren jeweils eigenen Standort im Hinblick auf das zu erreichende Ziel anzeigen (vgl. die folgende Abbildung für ein Beispiel, insbesondere die Informationen auf der rechten Seite). Die Nutzer / Lernenden sollten in der Lage sein, diese Auswertungen bzw. Hinweise zu interpretieren und bei der Steuerung ihres eigenen Lernprozesses zu berücksichtigen.

 

Beispiel für die Benutzeroberfläche aus Sicht der Lernenden in einer adaptiven Lernplattform (Bildquelle: scil / TRIPLE A / Area9 Lyceum)

 

Dieser Blogpost beinhaltet Auszüge aus einem Beitrag mit dem Titel „KI-basierte, adaptive Lernumgebungen“ zum von Karl Wilbers herausgegebenen Handbuch E-Learning.
Referenzen:
area9learning (2017): adaptive learning. Eliminating corporate e-learning fatique. area9learning.com.
Howe, Nick (2017): Adaptive learning insights. A practical guide to the future of corporate training. area9learning. Chestnut Hill, MA.
 
 
 

KI in der (betrieblichen) Bildung – ein (skeptischer) Statusbericht und ein Bericht zu Einsatzfeldern

EDIA ist ein kleines Technologieunternehmen mit Sitz in Amsterdam, das an KI-basierten Anwendungen für den Bildungsbereich arbeitet (z.B. personalisierte Lernumgebungen, smart content management). Als Anbieter hat das Unternehmen ein Interesse daran zu erfahren, wie das Potenzial von KI-basierten Lösungen im Bildungsbereich von potenziellen Kunden eingeschätzt wird. Dazu wurde eine Studie durchgeführt, für die zum einen bereits vorliegende Publikationen ausgewertet und zum anderen gut 80 verschiedene Akteure im Bildungsbereich („content managers, curriculum designers, professors and other educational players across different sectors such as higher education, publishing and edtech“) befragt wurden: 2018 state of AI in education report.
Beim Durchblättern der Studie erscheinen mir folgende Punkte zentral:

  1. Viele Player im Bildungsbereich geben an, dass sie (zu) wenig von KI-basierten Anwendungen verstehen;
  2. Viele Player im Bildungsbereich geben an, dass sie (noch) kein grosses Potenzial von KI-basierten Anwendungen sehen;
  3. Viele Player im Bildungsbereich geben an, dass sie kein relevantes Budget für  KI-basierten Anwendungen zur Verfügung haben.

 

Bildquelle: Edia, mit Verweis auf McKinsey Global Institute

 
Insgesamt stellt sich der Eindruck ein, dass der Bildungsbereich weniger weit ist als andere Branchen, wenn es um die Nutzung von KI-basierte Lösungen und auch um Investitionen in diesem Bereich geht.

* * *

Vor diesem Hintergrund sind orientierende Beiträge zum Thema hilfreich – beispielsweise der Beitrag von Kai Liebert und Andreas Talg zu „Künstliche Intelligenz für das Lernen der Zukunft“ im Sammelband „HR-Trends 2019“ von Schwuchow / Gutmann.
Die Autoren erläutern eingangs kurz künstliche Intelligenz, zeigen Einsatzfelder von KI im betrieblichen Bildungsmanagement auf und illustrieren diese am Beispiel der „Siemens Learning World“, einer KI-unterstützten Plattform für die betriebliche Weiterbildung.
Liebert und Talg sehen insbesondere folgende Einsatzmöglichkeiten für KI-basierte Lösungen in der betrieblichen Weiterbildung:

  • Lösungen für das Erstellen von Lerninhalten
    • automatische Übersetzung von Inhalten von einer Sprache in eine andere;
    • automatische Transkription gesprochener Texte in Lernvideos zum Erzeugen von Untertiteln und Transkripten sowie auch für die Verschlagwortung;
    • automatisches Erstellen von Lernressourcen (z.B. Quizz-Fragen) aus eingelesenen Text- oder Video-Dateien;
  • Lösungen für das Kuratieren von Lerninhalten;
  • Lösungen für das Individualisieren von Lernaktivitäten und Lernpfaden;
  • Chatbot-basierte Lösungen für die Lernbegleitung (Lernberatung, Lerncoaching);
  • Chatbot-basierte Lösungen für eine interaktive Erarbeitung von Inhalten (z.B. Simulation von Kundengesprächen);
  • Lösungen zur Verbesserung von Leistungsprozessen
    • Verbesserung der Lerneradministration durch automatisierte und sofortige Bearbeitung von (Buchungs-)Anfragen;
    • automatisierte Planung von Trainingsterminen und Trainingsressourcen;
    • automatisierte Analyse von Teilnehmer-Feedbacks (z.B. Sentiment-Analyse).
EDIA (2018): 2018 state of AI in education report. edia.nl
Liebert, Kai; Talg, Andreas (2018): Künstliche Intelligenz und das Lernen der Zukunft. In: Karlheinz Schwuchow und Joachim Gutmann (Hg.): HR-Trends 2019. Strategie, Digitalisierung, Diversität, Demografie. Freiburg / München / Stuttgart: Haufe Gruppe, S. 197–208.

Personalisiertes Lernen mit digitalen Medien

Personalisiertes Lernen mit digitalen Medien ist in Deutschland noch wenig verbreitet. Die Robert-Bosch-Stiftung hat daher eine Autorengruppe beauftragt, aktuelle Erkenntnisse zu diesem Thema zusammenzustellen. Das Ergebnis ist ein Bericht im Umfang von ca. 120 Seiten.
Die AutorInnen sind institutionell an der Open University UK, der Humboldt-Universität Berlin und dem University College London verortet. Sie hatten aber den Auftrag, in ihrem Bericht explizit an die Diskussion im deutschsprachigen Raum anzuschliessen. Sie leisten dies, indem sie eine von Bönsch (2016) zusammengestellte Themenlandkarte als Bezugspunkt heranziehen:
 

Themenlandkarte zur Binnendifferenzierung von Lernsettings / Personalisierung (Quelle: Bönsch 2016, S. 14)

 
Die AutorInnen zerlegen in ihrem Bericht zunächst den vielschichtigen Begriff „personalisiertes Lernen“ in verschiedene Dimensionen:
 
Dimensionen personalisierten Lernens (Bildquelle: Holmes et al. 2018)

 
Der Bericht beinhaltet auch Übersichten zu Werkzeugen (für den Kontext Schule), mit denen personalisiertes Lernen umgesetzt werden kann. Von den insgesamt 30 gesichteten Werkzeugen werrden 20 genauer daraufhin betrachtet, welche der oben angeführten Personalisierungsdimensionen sie unterstützen. Diese 20 Werkzeuge (darunter u.a. IBM Watson und Bettermarks) werden dann jeweils auf einer Seite beschrieben.
Um Lehrpersonen dabei zu unterstützen, ausgehend von den verfügbaren digitalen Werkzeugen zu einem Lehr-Lernkonzept zu gelangen, liefern die Autoren auch einen Analyserahmen, der Aspekte wie Wissensgebiet, Altersstufe, Kosten oder Wirkung umfasst.
Die Autorinnen ziehen schliesslich folgendes Fazit:

Wie unser Bericht zeigt, ist personalisiertes Lernen mit digitalen Medien zweifellos ein vielversprechender Ansatz, den zu verfolgen sich lohnen dürfte. Auch gibt es mittlerweile eine Reihe außergewöhnlicher digitaler Lernwerkzeuge. Die Befunde verdeutlichen jedoch ebenso, dass personalisiertes Lernen mit digitalen Medien kein Wundermittel darstellt. Für die erfolgreiche Umsetzung formulieren wir deshalb die folgenden Leitlinien für die Einführung personalisierten Lernens mit digitalen Medien:

  • Das Lernen in den Mittelpunkt stellen. Ausgangspunkt personalisierten Lernens sind immer die Schüler*innen, nicht die Technik.
  • Personalisiertes Lernen mit digitalen Medien als Teil eines Blended-Learning-Ansatzes einführen. Auch bei personalisiertem Lernen können digitale Medien die Unterstützung und Rückmeldung durch die Lehrkräfte ebenso wenig ersetzen wie die Interaktion und den
    Austausch mit Mitschüler*innen.
  • Günstige Rahmenbedingungen für personalisiertes Lernen mit digitalen Medien herstellen (Ausstattung von Schulen mit technischen Infrastrukturen inklusive Support, Fortbildungskonzepte, Unterstützung von Kooperationen im Kollegium, Rückhalt der Schulleitung,
    genügend Zeit). Personalisiertes Lernen mit digitalen Medien kann nur erfolgreich implementiert werden, wenn die Bereitschaft besteht, Schule grundsätzlich zu verändern.
  • Für die nötige Flexibilität sorgen, die personalisiertes Lernen mit digitalen Medien erfordert. Hierzu zählen beispielsweise ein flexibler Umgang mit dem Lehrplan oder mit Bewertungs- und Beurteilungsformen und -maßstäben.
  • Datenschutz und Datensicherheit gewährleisten.
  • Programme und die ihnen zugrunde liegenden Algorithmen kritisch hinterfragen.

 

Referenzen
Holmes, Wayne; Anastopoulou, Stamatina; Schaumburg, Heike; Mavrikis, Manolis (2018): Personalisiertes Lernen mit digitalen Medien. Ein roter Faden. Robert Bosch Stiftung. Online verfügbar unter https://s3-eu-west-1.amazonaws.com/te-personalised-learning/de/Studie_Personalisiertes_Lernen.pdf.
Bönsch, M. (2016). Heterogenität verlangt Differenzierung. In: Zeitschrift für Bildungsverwaltung, 32 (1), S. 11–20.

A Confession and a Question on Personalized Learning

Wir hatten ja diese und letzte Woche unsere ersten Webinare im Rahmen unseres Moduls „KI-basierte und adaptive Lernumgebungen„. In diesem Zusammenhang finde ich die folgende Notiz von Larry Berger interessant. Larry Berger ist CEO von Amplify,  einem Anbieter von personalisierten bzw. gamifizierten E-Learning-Inhalten (u.a. Comic-Abenteuer für das Lesetraining) sowie Assessment-Services hat sehr offen und skeptisch formuliert, wo er die Entwicklung von adaptiven Lernumgebungen sieht.
Noch eine Orientierung zum Kontext: Larry Berger war von Rick Hess zu einer Tagung eingeladen worden, konnte aufgrund eines Terminkonflikts aber nicht teilnehmen und hat dann diese Nachricht an die Teilnehmenden der Tagung übermittelt:

I can’t believe I’ve sat through years of dreary Rick Hess policy discussions waiting for the day when you would talk about personalized learning. And now you’re finally talking about it and I need to be at the Amplify holiday party.
Why do we have a holiday party tonight? Because selling personalized learning is not yet a good enough business for Amplify to afford a proper December holiday party.
I have notebooks and slide decks full of things I might say about personalized learning, but Joanne was unwilling to read those notebooks aloud. So I will limit myself to one confession and one question.
First, the confession:
Until a few years ago, I was a great believer in what might be called the „engineering“ model of personalized learning, which is still what most people mean by personalized learning. The model works as follows:
You start with a map of all the things that kids need to learn.
Then you measure the kids so that you can place each kid on the map in just the spot where they know everything behind them, and in front of them is what they should learn next.
Then you assemble a vast library of learning objects and ask an algorithm to sort through it to find the optimal learning object for each kid at that particular moment.
Then you make each kid use the learning object.
Then you measure the kids again. If they have learned what you wanted them to learn, you move them to the next place on the map. If they didn’t learn it, you try something simpler.
If the map, the assessments, and the library were used by millions of kids, then the algorithms would get smarter and smarter, and make better, more personalized choices about which things to put in front of which kids.
I spent a decade believing in this model—the map, the measure, and the library, all powered by big data algorithms.
Here’s the problem: The map doesn’t exist, the measurement is impossible, and we have, collectively, built only 5% of the library.
To be more precise: The map exists for early reading and the quantitative parts of K-8 mathematics, and much promising work on personalized learning has been done in these areas; but the map doesn’t exist for reading comprehension, or writing, or for the more complex areas of mathematical reasoning, or for any area of science or social studies. We aren’t sure whether you should learn about proteins then genes then traits—or traits, then genes, then proteins.
We also don’t have the assessments to place kids with any precision on the map. The existing measures are not high enough resolution to detect the thing that a kid should learn tomorrow. Our current precision would be like Google Maps trying to steer you home tonight using a GPS system that knows only that your location correlates highly with either Maryland or Virginia.
We also don’t have the library of learning objects for the kinds of difficulties that kids often encounter. Most of the available learning objects are in books that only work if you have read the previous page. And they aren’t indexed in ways that algorithms understand.
Finally, as if it were not enough of a problem that this is a system whose parts don’t exist, there’s a more fundamental breakdown: Just because the algorithms want a kid to learn the next thing doesn’t mean that a real kid actually wants to learn that thing.
So we need to move beyond this engineering model. Once we do, we find that many more compelling and more realistic frontiers of personalized learning opening up.
Which brings me to the question that I hope might kick off your conversation: „What did your best teachers and coaches do for you—without the benefit of maps, algorithms, or data—to personalize your learning?“
There are many ways to answer to this question. Each might be a doorway to the future of personalized learning.

 

Quelle: edweek.org

Agiles L&D für die Arbeitswelt 4.0 – 5. scil Trend- & Community Day 2018

 

 
Letzte Woche fand der fünfte scil Trend- & Community Day in der Tonhalle St.Gallen statt. Der Tag stand unter dem Motto: «Agiles L&D für die Arbeitswelt 4.0: Digitale Kompetenzen, Ambidextrie, Augmentation. Forschung, Entwicklung und Praxis im Gespräch».
Im Zuge der Bewegung hin zu einer Arbeitswelt 4.0 müssen L&D und die Bildungsverantwortlichen in Unternehmen / Organisationen beweglich sein. Sie müssen Antworten auf neu gestellte Fragen liefern («Welche Kompetenzen brauchen wird heute? Und morgen?»). Sie müssen die technologischen Entwicklungen sowie deren Folgen für die Personalentwicklung verstehen. Und sie müssen liefern: Bewährtes ebenso wie Neues. Dies waren denn auch die zentralen Themen, mit denen wir uns an diesem Tag beschäftigt haben:

  • Wie kann Kompetenzmanagement agil und beweglich gestaltet werden?
  • Wie kann die geforderte Beidhändigkeit von L&D gelebt werden und welche Kompetenzen erfordert diese?
  • Sind Augmentationsstrategien ein geeigneter Orientierungsrahmen für die Personalentwicklung in der Arbeitswelt 4.0?
  • Wo stehen Personalentwickler im Hinblick auf ihre eigenen digitalen Kompetenzen?

Nachdem wir zu Beginn die zentralen Konzepte für den Tag (Agilität, Beidhändigkeit / Ambidextrie und Augmentation) eingeführt hatten, ging es in die thematischen Impulse am Vormittag.
 

Agile Arbeits- und Organisationsformen für L&D

Im ersten fachlichen Beitrag gab Daniela Bäcker (scil) anhand von zwei Fallbeispielen einen Einblick, wie Agilität in der Personalentwicklung durch agile Arbeits- und Organisationsformen erhöht werden kann. Bei CYP in Zürich und bei der schweizerischen Post wurden aus verschiedenen Ansätzen agiler Organisationsformen (wie Holocracy, Reinventing Organizations, Semco, Soziokratie 3.0 u.a.) einzelne Elemente zu einem jeweils eigenen, für die spezifischen Organisationen «passenden» Modell adaptiert. Damit ergeben sich neue Strukturen, neue Formen der Zusammenarbeit und neue Rollen.
Bei beiden Fallbeispielen zeigt sich, dass neue «agile» Kompetenzen der Mitarbeitenden wichtig werden: Die eigene Rolle ändert sich enorm. Für (frühere) Vorgesetzte heisst das z.B. dass sie kein «OKAY» mehr geben, sondern vielmehr Feedback. Eingreifen findet kaum mehr statt, nur wenn doch mal «Sand im Getriebe ist». Für Mitarbeitende werden Selbstmanagement und Selbstführung besonders zentral. Dazu gehört auch eine neue Art der Kommunikation: Zum einen müssen eigene Bedürfnisse transparent und klar geäussert werden (Was brauche ich, um dieses Projekt zu bearbeiten? Wieviel Kapazität habe ich noch? Kann/möchte ich dieses Projekt annehmen?). Zum anderen wird es noch wichtiger, konstruktives Feedback zu geben und selbst aufnehmen zu können.
Für L&D werden damit 3 Dimensionen und die Gestaltung von deren Zusammenspiel wichtig: Als 1. Dimension ist da die neue, agile Arbeitswelt. Doch was bedeutet das für Lernprozesse, wenn die «Lernwelt der Spiegel der Arbeitswelt» (Sauter, 2018) sein sollte? Sollte die Entwicklung agiler Kompetenzen (2. Dimension) dann ebenso selbstorganisiert durch Mitarbeitende stattfinden? Wie kann L&D solche Lernprozesse unterstützen (3. Dimension)? Und übergreifend: Wie kann dabei umgegangen werden mit der Beibehaltung von Bewährtem bei gleichzeitiger Exploration von Neuem?
 

Bildquelle: scil

 

Augmentation & Strategien für die Personalentwicklung

Im Anschluss folgte ein Impuls zum Thema «Augmentation & Strategien für die Personalentwicklung» gegeben. Startpunkte waren zum einen der Begriff «Augmentation» als das effektive Zusammenspiel von Menschen und «intelligenten» Maschinen und zum anderen die Einsicht des ehemaligen Schachweltmeisters Garry Kasparov, dass hierfür die Gestaltung des Kooperationsprozesses zwischen Mensch und Maschine entscheidend ist. Ausgehend von unseren konzeptionellen Rahmen zum Thema (vgl. die folgende Abbildung)
 

Bildquelle: scil

 
habe ich den Aspekt der Awareness fokussiert: Wissen wir als Personalentwickler – und wissen die Führungskräfte sowie die Beschäftigten in Unternehmen und Organisationen – was es mit KI und Machine Learning auf sich hat und was da auf uns zukommt? Im Rahmen eines kleinen Quizz-Wettbewerbs auf Basis von Socrative.com haben wir unser Wissen dazu überprüft. Das hat überraschend viel Energie bei den Teilnehmenden freigesetzt…
 

 
Und ich habe Beispiele dafür aufgezeigt, was «intelligente» Maschinen in verschiedensten Arbeitskontexten heute bereits leisten können, wie sie immer besser werden (u.a. Machine Learning), was sie nicht gut können und wo unsere Stärken als Menschen liegen (z.B. Fähigkeit zu kritischem Denken, zu Kreativität, zu Empathie oder zu schnellem Wechsel zwischen verschiedenen Aufgaben). Es sind diese Fähigkeiten, die wir stärken und entwickeln müssen.
 

Personalentwickler: digitale Reife, digitale Kompetenzen und Augmentationsstrategien

Im dritten fachlichen Beitrag am Vormittag hat Sabine Seufert die Ergebnisse einer empirischen Studie vorgestellt, die wir am Institut für Wirtschaftspädagogik in Zusammenarbeit mit der DGFP durchgeführt und gerade fertiggestellt haben. Die Studie fokussiert die digitale Reife, die digitalen Kompetenzen und die Augmentationsstrategien von Personalentwicklern. Beteiligt haben sich 225 Personalentwickler aus Deutschland, der Schweiz und Österreich, mehrheitlich aus Unternehmen mit mehr als 500 Mitarbeitenden. Erfasst wurden die notwendigen Kompetenzen für die digitale Transformation mit folgendem Rahmenmodell:
 

Bildquelle: scil

 
Die Ergebnisse der Studie sind demnächst auf der scil-aktuell sowie DGFP-Website verfügbar. Hierzu werden wir auch noch separate blogposts erstellen. Dies ist ja ein Thema, an dem wir noch länger arbeiten werden…
 
Die Handlungsempfehlungen für Personalentwickler, die sich aus diesen Ergebnissen ableiten lassen, wurden dann nach dem Mittagessen im Rahmen von Arbeitsgruppen vertieft – ebenso wie Fragen zur Entwicklung von Kompetenzen für agiles Arbeiten bzw. Lernen und auch die weiteren Herausforderungen für L&D im Hinblick auf Augmentation:
 
Bildquelle: scil

 

Marktplatz / Mini-Camp

Auch in diesem Jahr hatten wir wieder einen Marktplatz bzw. ein Mini-Camp, zu dem sowohl eingeladene Gäste als auch Teilnehmende selbst Themen eingebracht haben:

  • Bernhard Probst (LerNetz AG) berichtete zu den Erfahrungen bei LerNetz mit Soziokratie 3.0 als Ansatz für eine agile (Bildungs-)Organisation;
  • Stephanie Schneider (Allianz Deutschland AG) arbeitete mit den Teilnehmenden an ihrer Station zu Herausforderungen bei der Umsetzung von agilen Arbeits- und Organisationsformen für L&D innerhalb von klassischen Strukturen eines Grossunternehmens;
  • Aylin Ispaylar (IFPM, UniSG) berichtete zu ihrem Dissertationsvorhaben über Kompetenzanforderungen in ambidextren Arbeitssettings;
  • Christian Wymann (Eidgenössisches Personalamt) stellt das dort sehr systematisch entwickelte Modell zu «Kompetenzen 4.0» zur Diskussion;
  • Elena Kaplun-Parker (SAP Education) berichtete zu zwei Fallbeispielen für eine Transformation des betrieblichen Lernportfolios;
  • Volker Rohr (IWP, UniSG) stellte das Student Innovation Lab vor, eine auf dem Ansatz von reverse mentoring basierende Initiative für das Kompetenzcoaching von Lehrpersonen an der Universität St.Gallen;
  • Luca Moser und Stefan Sonderegger (IWP, UniSG) stellten einen MOOC als flexibles Bildungsgefäss im Rahmen der Hochschullehre vor;
  • und Rico Wyder (degreed) stellte eine adaptive, KI-basierte Plattform für Wissens- und Lerninhalte vor.

 

Bildquelle: scil

 

Agiles Mind- & Skillset für neue Entwicklungsformate

Den letzten inhaltlichen Beitrag des Tages lieferte Patrick Veenhoff, Leiter ENT-Academy bei Swisscom: «Agiles Mindset & Skillset für neue Entwicklungsformate», so lautete der Titel seines Vortrags. Der Unternehmensbereich «Enterprise Sales», den Patrick Veenhoff mit seinem Team unterstützt, umfasst ca. 5’000 Mitarbeitende. Wichtige Ziele sind das Etablieren einer positiven Grundhaltung der Beschäftigten («Winning spirit»), die Förderung der Leistungsfähigkeit des Geschäftsbereichs sowie das Verankern von kontinuierlichem Lernen auf Seiten der Mitarbeitenden. Seine Vision für die ENT Academy ist, dass diese die Geschäftsmodelle von airbnb und Netflix auf die interne Weiterbildung überträgt, um so die genannten Ziele zu erreichen. Im Zentrum steht daher ein «Social Learning Marketplace», in den von verschiedenen Seiten Inhalte eingestellt werden können.
Für Aufhorchen und intensive Diskussion im Nachgang sorgte, dass das Team der ENT-Academy (in der Regel) keine Lerninhalte mehr für den Geschäftsbereich erstellt, sondern vielmehr dessen Teams und Beschäftigte in die Lage versetzt, Lernangebote in verschiedenen Formaten selbst zu erstellen: als Foliensatz, als Webmeeting, als Workshop, als Bildschirmaufzeichnung oder als Kurzvideo. Dies führt dazu, dass die Linienbereiche mehr Verantwortung für die Investitionen in Trainings übernehmen: Brauchen wir das wirklich? Und wie können wir den Transfer am Arbeitsplatz sicherstellen?
Als Beleg dafür, dass ein solches Modell funktionieren kann, lieferte Patrick Veenhoff unter anderem die beiden folgenden Auswertungen. Diese zeigen zum einen, dass seit der Umstellung des Geschäftsmodells der ENT-Academy die Anzahl der aktiven Nutzer der Lernplattform zugenommen hat. Und sie zeigen zum anderen, dass die Zufriedenheit mit den von den Mitarbeitenden selbst produzierten Inhalten im Mittel höher ist als mit den vom L&D-Team erstellten Inhalten.
 

Bildquelle: Veenhoff / swisscom

 
Besonders eindrücklich war – neben diesen Ergebnissen – die Schilderung von Patrick Veenhoff dazu, wie es ihm gelungen ist, sein Team auf dieser Reise in unbekanntes Terrain mitzunehmen und die Veränderungsbereitschaft im Team zu unterstützen. Mehr zu Patrick Veenhoff und seiner Arbeit gibt es auf dieser Seite.
Beim abschliessenden Apéro konnten wir dann zusammen mit unseren Gästen die Herbstsonne, Wein und leckere Antipasti geniessen.
Der nächste scil Trend- & Community Day findet am Freitag, 06.09.2019 wiederum in St.Gallen im Weiterbildungszentrum der HSG statt.
 

 
Katja Bett von CLC-Learning in Stuttgart war am Community Day dabei und hat hier ein kurzes Video zu ihren Eindrücken gepostet.

Das Zukunftspotenzial von Lernplattformen: Lernprozesse verstehen

David Kelly, Executive Director der eLearning Guild, hat zum „Data und Analytics Online Summit“ auch einen Beitrag beigesteuert: LMS, LRS, LXP, and More: Exploring the Learning Platforms Landscape.
Dabei hat er nicht nur einen Überblick über die sich verändernde Landschaft von Lernplattformen gegeben (vgl. dazu unten mehr). Er hat sich auch sehr klar zur künftigen Rolle und Bedeutung von Lernplattformen geäussert.
Kelly sieht die Bedeutung von Lernplattformen vor allem darin, dass sie Daten erzeugen (die digitalen Datenspuren von uns, den Nutzern, die wir mit digitalen Materialien interagieren), die Konsolidierung und Analyse dieser Daten unterstützen und damit letztlich ermöglichen, Lernprozesse besser zu verstehen und besser zu gestalten. Hierzu drei pointierte Aussagen von ihm:

Data is not an output. It is an input. The output is understanding.
It is not about the data itself, it is about the understanding that the data provides – because it is the understanding that is actionable.
Data and analytics – it is not a question of „is this going to affect our L&D business?“ – it is a question of when it is happening.

Bildungsverantwortliche / Learning Professionals müssen ein besseres Verständnis dieses Felds entwickeln, damit sie die Diskussion über Daten und Analytics mitgestalten und rechtzeitig handeln können.
 

Bildquelle: David Kelly / eLearning Guild

 
Im zweiten Teil seines Beitrags hat Kelly dann einen Überflug über verschiedene Typen von Lernplattformen geliefert. Wichtig war ihm dabei, dass das LMS (Lern Management System) nicht tot ist oder verschwinden wird – wie so oft behauptet. Aber die Rolle des LMS wird sich ändern. War es früher, metaphorisch gesprochen, die Sonne des Lern-Ökosystems, so wird es künftig eher einer von vielen Planeten sein. Und für das Management von regulatorisch vorgeschriebenen Trainings bzw. Massnahmen zur Kompetenzentwicklung wird ein LMS weiterhin zentral sein.

***

Dies ist übrigens ein Punkt, den Josh Bersin schon vor einigen Jahren herausgestellt hat – hier noch einmal seine Visualisierung dazu:
 

Bildquelle: https://www.slideshare.net/jbersin/learning-in-the-flow-of-work/47-Copyright_2017_Deloitte_Development_LLC

***

Aber, so David Kelly weiter, ein Lern-Ökosystem umfasst eben mehr als solche Standard-Trainings. Es umfasst auch umfangreiche online Kurse (z.B. MOOCs), Bibliotheken mit digitalen Inhalten für das Selbststudium, kuratierte Lerninhalte, Microlearning sowie Leistungsunterstützung am Arbeitsplatz.
 

Bildquellen: David Kelly / eLearning Guild; Zusammenstellung: scil

 
Für die Zukunft erwartet Kelly die Ausdifferenzierung von zwei weiteren Typen von Lernplattformen: „Competency Management Platforms“ und „Personalized Learning Platforms“. In Bezug auf letztere blieb er im Webinar noch sehr allgemein. Wir hatten danach noch per Mail Kontakt und da hat er sich wie folgt geäussert:

Some vendors state that they deliver personalized learning today because of all the customization options available in an individual’s profile. In my opinion, choice and even recommendation isn’t really reaching the promise of personalized learning. That requires a much more data-centric understanding of context – who the learner is, what their competency is, what they are currently doing, and more – in order to deliver just the right support. That’s a much more complex solution than what many promote as personalized learning today.

Im Hinblick auf „Competency Management Platforms“ hat er seine Vision so formuliert:

Competency Measurement Platform basically means a platform that can track your actual performance and measure against ideal performance. Virtual Reality is one technology that can do this. For a simplified example, let’s say I build a VR simulation on how to perform a surgery. Every movement I make, every button a press, every action I take is already a data point – that’s what the computer reads to display your actions on the screen. So the data of what you are doing is already being generated and potentially stored. You could also have a similar data set that represents “perfect execution”. At an overly simplified level, the difference between your data set and the perfect data set represents your level of competency. While the unique elements in my example already exist, no one has packaged them into a competency measurement system yet.

 

David Kelly (2018): LMS, LRS, LXP, and More: Exploring the Learning Platforms Landscape. Vortrag, eLearning Guild Online Summit Data & Analytics, 24. August 2018.

Im Rahmen unseres CAS Programms „Digitale Bildung“ führen wir übrigens im November ein Interaktiv-Webinar zum Thema „Learning Analytics“ durch – mehr dazu hier.

Adaptive Lernplattformen – braucht es dann noch Lehrpersonen?

Die Colorado Technical University ist ein early adopter im Hinblick auf KI-basierte, adaptive Lernsysteme (vgl. diese dreiteilige Beitragsreihe zum Thema).  Seit 2012 ist dort die adaptive Lernplattform „intellipath“ im Einsatz. Bis zum Jahr 2015 wurden etwa 800 Lehrpersonen (ca. 80% aller Lehrpersonen) für die Nutzung des Systems geschult und die Plattform für 107 Kurse mit mehr als 30’000 Studierenden mit Erfolg eingesetzt (vgl.  dazu diesen Bericht).
In einem aktuellen Beitrag für EDUCAUSreview gehen Amy Sloan (Program Chair for the Department of General Education and Psychology) und Lindsey Anderson (Lead Faculty over Career Planning and Professional Communications for the Department of General Education and Psychology; beide Colorado Technical University) der Frage nach, ob es denn beim Einsatz solcher Systeme überhaupt noch Lehrpersonen braucht. Diese Diskussion kennen wir ja bereits. Die gleiche Frage wurde ja auch schon um das Jahr 2000 herum gestellt, als Lern-Management-Systeme und multimediale Web-Based-Trainings aufkamen.
Die kurze Antwort, die sich auch im Titel des Beitrags findet, lautet: „Instructors matter more than ever“.
Warum?
Weil nicht alle Lernaktivitäten über die adaptive Lernplattform laufen. Und weil individualisierte Lernprozesse individualisierte Unterstützung und Begleitung brauchen.
An der CTU gibt es zwei grundlegende Kurs-Designs für adaptives Lernen:

  1. Kurse, die um adaptive Lerneinheiten angereichert sind („AL-enriched classroom“)
    bei diesen Kursen werden adaptive Lerneinheiten in einigen, aber nicht in allen Themenblöcken eingesetzt; daneben bearbeiten die Studierenden auch Lerneinheiten, die nicht durch die adaptive Lernplattform unterstützt werden (z.B. Arbeitsaufträge in den Präsenz-Sitzungen, Beteiligung in online Diskussionsforen, Projektarbeiten (allein oder in Gruppen).
  2. Kurse ausschliesslich mit adaptiven Lerneinheiten („all-adaptive classroom“)
    bei diesen Kursen finden sich adaptive Lerneinheiten in allen Themenblöcken, auch wenn es zusätzlich Aufträge gibt (z.B. Beiträge zu einem Kurs-Forum), die ausserhalb der adaptiven Lernplattform angelegt sind.

Professional Written Communications (…) is a good example of an AL-enriched course. In this 5.5-week course, students have an AL assignment in four out of the five units. Students participate in a discussion board in four units and submit an essay in two units. The course’s adaptive content is foundational and designed to prepare students for the written components. (…)
Academic and Career Success (…) is a good example of an all-AL classroom. In this course, students complete a short introduction discussion in Unit 1 and then a more detailed discussion in Unit 3. The rest of the work is completed through AL technology. Students have approximately eight lessons assigned in each unit, all targeted at preparing them to demonstrate mastery of the course objectives.

 

Beispiel für einen Lernpfad mit adaptiven Lerneinheiten. Bildquelle: Colorado Technical University

 
 
Die Erwartungen an Lehrpersonen unterscheiden sich für diese beiden Kurs-Modelle:
1) AL-enriched classroom

  • kontinuierliche Beobachtung der Lernpfade der Studierenden;
  • Beantwortung von Fragen und Nachrichten innerhalb von 24-48 Stunden;
  • individuelle und gezielte Kontakte mit Studierenden zu ihrem Lernfortschritt;
  • regelmässiges Übertragen von Punktständen in der adaptiven Lernplattform in die Notenliste zum jeweiligen Kurs;

2) all-adaptive classroom

  • individuelle Kontakte mit Studierenden mehrmals pro Woche zu Lernfortschritten / Daten im Studierenden-Cockpit und Klärung von ggf. erforderlichem individuellem Unterstützungsbedarf (z.B. Zusatzmaterialien, Empfehlungen zum Lernpfad, individualisierte Unterstützung)

Eine Herausforderung für die Lehrpersonen besteht insbesondere darin, die Lerneinheiten, die in der adaptiven Lernplattform abgebildet sind und über die in der Regel Grundlagenwissen entwickelt wird, in einer guten Weise mit weiterführenden Lernaktivitäten ausserhalb der adaptiven Lernplattform zu verknüpfen:

Consider the Professional Written Communications example. In that course, the AL content is designed to prepare students for the non-AL assignments and demonstrate mastery of the course objectives. In Unit 1, for example, the AL lessons focus on the importance of written communication. The AL content introduces basic concepts and correlates to the summative Unit 1 discussion board assignment, in which students provide examples of how they use writing and research daily, discuss their overall comfort level with both, and identify strengths and areas for improvement.

Aus Sicht der akademischen Leitung der Colorado Technical University geht es nicht darum, dass Lehrpersonen den Prozess der Bearbeitung der in einer adaptiven Lernplattform abgebildeten Lerneinheiten moderieren. Das Ziel besteht vielmehr darin, spezifische Lehrstrategien für das Lernen mit adaptiven Lernplattformen und Lerneinheiten zu entwickeln und zu verankern. Sloan und Anderson fokussieren hier auf vier Aspekte:

  • Präsenz der Lehrpersonen („instructor presence“)
    Die Arbeit mit einer adaptiven Lernplattform und an einem individualisierten Lernpfad kann sich für Studierende einsam anfühlen. Es ist wichtig, dass Lehrpersonen Präsenz zeigen und mit den Studierenden in Kontakt sind – sowohl innerhalb der adaptiven Lernplattform (z.B. über das Dashboard) als auch ausserhalb (z.B. in Diskussionsforen).
  • Engagement der Lehrpersonen („instructor engagement“)
    Lehrpersonen sind gefordert, eine unterstützende, ermutigende, positive und wertschätzende Atmosphäre sicherzustellen. Rundmails an alle Studierenden tragen dazu in der Regel wenig bei. Wichtig sind hierfür individualisierte Kontakte mit relevanten Hinweisen für die Studierenden an ihren jeweils spezifischen Punkten im Lernpfad.
  • Relevante Lerninhalte
    Lehrpersonen sind gefordert, die in der adaptiven Lernplattform aufbereiteten Inhalte auf ihre Aktualität und Qualität zu überprüfen und durch weitere Inhaltselemente (z.B. aktuelle Fallstudien) zu ergänzen.
  • Innovation
    Die Lehrpraxis im Zusammenspiel mit adaptiven Lernplattformen befindet sich noch in einem frühen Stadium. Lehrpersonen sind gefordert, ihr Verständnis der adaptiven Lernplattform und der adaptiven Lerneinheiten zu vertiefen und neue, wirksame Lehr- und Unterstützungsroutinen zu entwickeln.

Sloan und Anderson verweisen übrigens auch darauf, wie wichtig es für die erfolgreiche Umsetzung von adaptivem Lernen ist, die Lehrpersonen in diesem Veränderungsprozess mitzunehmen. An der CTU hat man dazu drei zentrale Lernerfahrungen gemacht:

  • Den Nutzen von adaptivem Lernen intensiv auch in Richtung der Lehrpersonen kommunizieren, nicht nur in Richtung der Studierenden
    • z.B. die verbesserte Information nicht nur über den Stand der Bearbeitung von Lerneinheiten, sondern auch das aktuell erreichte Mastery-Niveau; Lehrpersonen können auf dieser Grundlage einzelne Studierende gezielter ansprechen;
    • z.B. die Entlastung von Korrekturarbeiten und damit mehr Raum für andere Lehraufgaben oder die Beratung von Studierenden;
  • Relevante und passende Weiterbildungsangebote für die Lehrpersonen sowie für Programm- und Fachgruppenleitungen
    • z.B. ein Einführungskurs (online), Workshops zur Vertiefung, Einzelgespräche, und Arbeitshilfen;
  • Die Stimmen und das Feedback der Lehrpersonen hören bzw. aktiv einholen (auch wenn das manchmal bitter ist) und entsprechende Massnahmen ableiten bzw. Anpassungen umsetzen.

Mehr zum Aspekt der Einbindung von Lehrpersonen in diesem Artikel auf EdSurge und in diesem Artikel in EDUCAUSEreview.
 

 
Johnson, Constance: Adaptive Learning Platforms: Creating a Path for Success. EDUCAUSEreview, 7. März 2016
Johnson, Connie & Zone, Emma: Want adaptive learning to work? Encourage adaptive teaching. Here’s how. EdSurge, 23. September 2016
Sloan, Amy & Anderson, Lindsey: Adaptive Learning Unplugged: Why Instructors Matter More than Ever. EDUCAUSEreview, 18. Juli 2018

KI-basierte, adaptive Lernplattformen – eine Marktübersicht

Mit Blick auf unser neues Kurs-Modul „KI-basierte, adaptive Lernplattformen“ hatte ich in den letzten Wochen u.a. diese dreiteilige Beitragsreihe zum Thema gepostet. Beim Stöbern im WWW bin ich jetzt auf diese recht umfangreiche Marktübersicht zu KI-basierten, adaptiven Lernplattformen gestossen:
Tyton Partners (2016): Learning to adapt 2.0. The evolution of adaptive learning in Higher Education.
Tyton Partners ist ein Anbieter von Beratungsservices für Banken und Investmenthäuser mit einem Fokus auf Wissensmanagement und Lernen. Hier gibt es anscheinend Bedarf an Marktübersichten. Grosse Verlagshäuser wie z.B. McGraw-Hill Education  haben ja in den letzten Jahren hunderte von Millionen Dollar in das sich entwickelnde Geschäftsfeld KI-basierter und adaptiver Lernplattformen investiert…
In dem mit knapp 50 Seiten recht umfangreichen Bericht werden nicht nur 21 verschiedene adaptive Lernplattformen mit einem Kurzprofil vorgestellt. Darüber hinaus beinhaltet der Bericht auch einen Vorschlag zum Vorgehen bei der Identifikation einer passenden adaptiven Lernplattform für die eigene Bildungsinstitution:
 

Bildquelle: Tyton Partners 2016

 

Tyton Partners (2016): Learning to adapt 2.0. The evolution of adaptive learning in Higher Education. Unter Mitarbeit von Adam Newman, Gates Bryant, Brian Fleming und Laura Sarkisian. Tyton Partners. Mountain View, CA.

KI-basierte Lernplattformen als "Zukunft" des Lernens? (3/3)

In den beiden vorangegangenen Beiträgen dieser Reihe zu adaptiven Lernplattformen hatte ich aufgezeigt, wie adaptive Lernplattformen in ihren Grundzügen funktionieren (Teil 1) und dass sie zu deutlichen Verbesserungen im Hinblick auf Lernerfolg, Abbrecher-Quoten und erforderlichen Lernzeiten beitragen können (Teil 2).
Um dieses Nutzenpotenzial realisieren zu können, bedarf es aber angepasster Vorgehensweisen. Sowohl der Prozess der Entwicklung von Lerninhalten als auch die Grundprinzipien des didaktischen Designs unterscheiden sich für adaptive Lerninhalte deutlich von dem Vorgehen, wie es für die Realisierung von „klassischen“ E-Learning-Modulen (z.B. WBT) etabliert ist.
Zwei Aspekte möchte ich in diesem Beitrag herausstellen:

  1. Detaillierung von Lern- bzw. Leistungszielen
  2. Gestaltung des Lerner-Erlebnisses

Detaillierung von Lern- bzw. Leistungszielen

Eine besondere Anforderung bei der Umsetzung von adaptiven Lernumgebungen besteht in der Detaillierung von Lern- bzw. Leistungszielen. Für die Produktion «herkömmlicher» Web-Based Trainings kann es ausreichen, bei einer Lernzeit von ca. 45 Minuten 8-10 Ziele zu definieren. Für die Produktion einer adaptiven Lernumgebung müssen diese um den Faktor 5-10 verfeinert werden. Das heisst, es müssen ca. 50-120 Feinziele oder Leistungsziele definiert werden. Erst diese Granularität erlaubt die Feinsteuerung des Lernprozesses auf der Grundlage von Aufgaben / Test-Items.

Gestaltung des Lerner-Erlebnisses

Bei „traditionellem“ E-Learning (z.B. Web Based Trainings) kommt einer für die Zielgruppe attraktiven Gestaltung (z.B. Storyline / Rahmenhandlung und multimediale Aufbereitung) eine grosse Bedeutung zu. Hier wurde in den letzten Jahren auch intensiv über Gamification als Ansatz zur Erhöhung der Attraktivität diskutiert (vgl. z.B. diesen Beitrag und den darin erwähnten scil Arbeitsbericht).
Bei adaptiven Lernumgebungen stehen andere Motivationsfaktoren im Vordergrund. So geht der CLO von area9learning Nick Howe (Howe 2017) davon aus, dass die intrinsische Motivation, die sich aus dem Erleben von Wissens- und Kompetenzzuwachs ergibt, ausreicht, um die meisten Lernenden bei der Stange zu halten. Allerdings ist es wichtig, Demotivation zu vermeiden. Eine wichtige Ursache für Demotivation von Lernenden besteht darin, dass ihnen Inhalte / Aufgaben zugewiesen werden, die entweder bereits bekannt oder aber zu schwierig sind. Die kontinuierliche Konfrontation von Lernenden mit Aufgaben bzw. Problemstellungen, die gerade jenseits der eigenen Komfortzone liegen und damit herausfordernd aber gerade noch zu bewältigen sind, ist ein Motivationsprinzip, für das adaptive Lernplattformen besonders geeignet sind. Im Vordergrund steht daher die kontinuierliche Bearbeitung von kleinen und kleinsten Aufgaben und Problemstellungen. Vertiefende bzw. ergänzende Lerninhalte sind demgegenüber eher eine Beigabe, die dann zum Einsatz kommen, wenn Aufgaben wiederholt nicht erfolgreich bearbeitet werden können und damit klar geworden ist, dass der oder dem Lernenden dafür erforderliche Wissenselemente fehlen.

Zentrale Unterschiede zwischen «traditionellem» und «adaptivem» E-Learning

Die folgende Tabelle zeigt in einer Übersicht zentrale Unterschiede zwischen «traditionellem» und «adaptivem» E-Learning (in Anlehnung an Howe 2017):
 

«traditionelles» E-Learning «Adaptives» E-Learning
Grösse der Zielgruppe Eher gross
(Erreichen des break even im Vergleich zu Präsenztraining)		 Sehr gross
(Kalibrieren der Datenmodelle)
Detaillierungsgrad der Lern-/
Leistungsziele		 Je detaillierter, desto besser; hoher Detaillierungsgrad nicht zwangsläufig erforderlich; Hochgradige («atomare») Detaillierung unverzichtbar
Vorgehen
bei der
Entwicklung		 1.   Übersetzung der
Qualifikationserfordernisse in didaktisches
Konzept2.   Drehbuch / Story
3.   Materialentwicklung
(ggf. integrierte Tests / Lernerfolgskontrollen)
4.   Umsetzung		 1.   Übersetzung der Qualifikationserfordernisse in überprüfbare Leistungsziele
2.   Entwicklung von Test-Items
3.   Entwicklung von ergänzenden Trainingsmaterialien (Texte, Videos, etc.)
4.   Umsetzung
Lerner-
Erlebnis		 Storyline (mehr oder weniger elaboriert) und
Berarbeitung von Inhalten im Vordergrund		 Bearbeitung von Test-Items im Vordergrund
Funktion von Tests /
Test-Items		 Summative
Lernerfolgskontrolle		 Zentraler Inhalt /
zentrales Material für den
Lernprozess

Wie geht es weiter?

Welche Bedeutung adaptive, KI-basierte Lernplattformen erlangen werden  – und für welche Entwicklunsszenarien – ist aktuell noch nicht gut einzuschätzen. Möglicherweise können diese Lernplattformen ihr Potenzial vor allem dort ausspielen, wo grosse Zielgruppen und gleichzeitig starke (curriculare) Vorgaben zu den zu earbeitenden Wissens- und Kompetenzzielen zusammenkommen – beispielsweise bei Grundlagenfächern in der Hochschulbildung oder bei Produkttrainings und regulatorisch vorgeschriebenen Trainings in der betrieblichen Weiterbildung. Aber das wird sich zeigen. Wir werden diese Entwicklungen weiter beobachten…
 

Referenzen:
Howe, Nick (2017): Adaptive learning insights. A practical guide to the future of corporate training. area9learning. Chestnut Hill, MA.
 

Am 25.09. + 02.10 + 16.10. 2018 findet das Online-Modul „Adaptive und KI-basierte Lernsysteme“ im Rahmen unseres Zertifikatsprogramms „Digitale Bildung“ statt. Dieser Beitrag ist ein kurzer Auszug aus dem Skript zu diesem Weiterbildungsmodul.

KI-basierte Lernplattformen als "Zukunft" des Lernens? (2/3)

Wie leistungsfähig sind adaptive Lernplattformen?

In einem längeren Beitrag hatte ich letzte Woche aufgezeigt, was unter der Haube von KI-basierten Lernplattformen vorgeht bzw. wie diese Lernprozesse unterstützen. Jetzt steht die Frage im Raum: Wie leistungsfähig sind diese Systeme denn nun?
Eine verbreitete Auffassung ist, dass menschliche Tutoren leistungsfähiger sind als technisch-basierte tutorielle Lösungen. Diese Erwartung lässt sich vereinfacht so darstellen:
 

Lernerfolg mit Unterstützung durch menschliche Tutoren > Lernerfolg mit Unterstützung durch intelligente tutorielle Systeme (KI-basiert) > Lernerfolg mit Unterstützung durch Computer-unterstützte Instruktion (WBT / CBT)

 
Dahinter liegt die Annahme, dass menschliche Tutoren Lernen besser unterstützen können, weil sie

  • Lernende besser kennen bzw. Wissens- / Leistungsstand besser einschätzen können;
  • Aufgabenstellungen besser auf einzelne Lernende zuschneiden können;
  • über leistungsfähigere Lehrstrategien verfügen (z.B. Bewertung zurückhalten und nach Begründungen fragen);
  • Dialoge mit Lernenden ermöglichen können (z.B. Gegenfragen stellen);
  • über ein breiteres & tieferes Domänenwissen verfügen als tutorielle Systeme;
  • Lernende besser motivieren können;
  • punktgenau Feedback zu (irrigen) Argumentationen oder Ergebnissen liefern können;
  • variables ‘scaffolding’ leisten können (VanLEHN 2011, S 198-200).

Adaptive und intelligente Lernsysteme sind in der Vergangenheit Gegenstand zahlreicher Studien und Untersuchungen gewesen. Metastudien verdichten diese zahlreichen Einzelergebnisse. Relevante Metastudien sind insbesondere die Studie von VanLehn aus dem Jahr 2011 und die Studie von Kulik und Fletcher aus dem Jahr 2016.
Ein zentrales Ergebnis der Studie von VanLehn (2011) besteht darin, dass die oben angeführten Annahmen so nicht haltbar sind.
Die Meta-Analyse von VanLehn zeigt, dass tutorielle Systeme mit sehr granularer Unterstützung bzw. sehr fein gegliedertem Feedback für die Lernenden zu Effektgrössen führen, die annähernd denen der Lernunterstützung durch menschliche Tutoren entsprechen (vgl. Abbildung 1):
 

Abbildung 1: Effektgrössen verschiedener Typen tutorieller Unterstützung beim Lernen (Quelle: vanLEHN 2011, S. 209)

 
Abbildung 1 zeigt unter anderem, dass die Effektstärke von «Step-based» tutoriellen Systemen im Vergleich mit «keine tutorielle Unterstützung» bei 0.76 liegt. Also fast gleichauf mit der Effektstärke für «Human tutoring» verglichen mit «keine tutorielle Unterstützung», die bei 0.79 liegt.
Eine weitere und neuere Meta-Studie, bei der 50 Einzelstudien ausgewertet wurden (Kulik und Fletcher 2016), bestätigt die Ergebnisse von vanLehn:

Students who received intelligent tutoring outperformed students from conventional classes in 46 (or 92%) of the 50 controlled evaluations, and the improvement in performance was great enough to be considered of substantive importance in 39 (or 78%) of the 50 studies. (…)
The evaluations show that ITSs typically raise student performance well beyond the level of conventional classes and even beyond the level achieved by students who receive instruction from other forms of computer tutoring or from human tutors.
(Kulik und Fletcher 2016, S. 67, 70)

Diese Ergebnisse sind also sehr positiv – auch wenn sich aus den Metastudien kaum herauslesen lässt, genau welche Systeme zum Einsatz kamen. Ergänzend kann noch ein Evaluationsbericht aus dem Hochschulkontext angeführt werden:
Johnson (Johnson 2016) berichtet in der Zeitschrift EDUCAUSreview über die Einführung der adaptiven Lernplattform Intellipath an der Technischen Hochschule Colorado. Der Prozess der Einführung dieser Plattform begann im Jahr 2012. Bis zum Jahr 2015 wurden etwa 800 Lehrpersonen (ca. 80% aller Lehrpersonen) für die Nutzung des Systems geschult und die Plattform für 107 Kurse mit mehr als 30’000 Studierenden eingesetzt. Dabei wurden u.a. folgende Ergebnisse beobachtet:

In a recent review of pass rate, final grade, and retention data, we identified Accounting I as the course with the highest pass rate increase since its launch on intellipath in October 2013. We compared pre-intellipath data from October 2012 through September 2013 to post-intellipath launch data from October 2013 through December 2015. The pass rate went up to an 81 percent average — a 27 percent increase. The course retention rate rose about 9 percent to 95 percent, while the final grade average increased by 10 percent, to 79 percent.
(Johnson 2016, Hervorhebung im Original)

Einzelne Evaluationsberichte finden sich auch für den Kontext Corporate Learning. Beispielsweise von area9learning. Eine Fallstudie von area9learning mit Hitachi Data Systems zeigt, dass ein weiteres Nutzenpotzenzial adaptiver Lernumgebungen besteht darin, Lernzeiten zu minimieren – beispielsweise beim Produktraining. Insbesondere für Unternehmen und Organisationen, in denen Lernzeiten immer auch Opportunitätskosten verursachen, ist dies ein wichtiger Aspekt. Durch die granulare Aufbereitung der Inhalte und das kontinuierliche Überprüfen von kleinsten Wissenselementen sowie durch das Zuweisen von passenden nächsten Inhalten / Aufgaben kann der Zeitaufwand – so das Ergebnis dieser einzelnen Fallstudie – um annähernd 50% reduziert werden (Abbildung 2):
 

Abbildung 2: Zeit- und Kostenreduktion durch adaptives Lernen (Quelle: area9learning 2017, S. 6)

 
Als Fazit aus den angeführten Meta-Studien und Evaluationen lässt sich also festhalten, dass der Einsatz von adaptiven Lernplattformen häufig zu deutlichen Verbesserungen im Hinblick auf den Lernerfolg, zu einer Reduktion von Abbrecher-Quoten und zu einer Reduktion von Lernzeiten beitragen kann.

Fortsetzung

Dieser Beitrag steht in einer Reihe mit den folgenden Beiträgen:

 

Referenzen:
area9learning (2017): adaptive learning. Eliminating corporate e-learning fatique. area9learning. area9learning.com. Online verfügbar unter https://offers.area9learning.com/adaptive-learning-whitepaper.
Johnson, Constance (2016): Adaptive Learning Platforms: Creating a Path for Success. In: Educause Review. Online verfügbar unter https://er.educause.edu/articles/2016/3/adaptive-learning-platforms-creating-a-path-for-success.
Kulik, James A.; Fletcher, J. D. (2016): Effectiveness of Intelligent Tutoring Systems. In: Review of Educational Research 86 (1), S. 42–78.
VanLEHN, KURT (2011): The Relative Effectiveness of Human Tutoring, Intelligent Tutoring Systems, and Other Tutoring Systems. In: Educational Psychologist 46 (4), S. 197–221. DOI: 10.1080/00461520.2011.611369.
 

Am 25.09. + 02.10 + 16.10. 2018 findet das Online-Modul „Adaptive und KI-basierte Lernsysteme“ im Rahmen unseres Zertifikatsprogramms „Digitale Bildung“ statt. Dieser Beitrag ist ein kurzer Auszug aus dem Skript zu diesem Weiterbildungsmodul.

KI-basierte Lernplattformen als "Zukunft" des Lernens? (1/3)

Diversität und tutorielle Betreuung 1:1

Unsere (Bildungs-)Welt wird zunehmende bunter. Lebensläufe, Berufs- und Bildungsbiografien sind vielfältiger als früher. Die Heterogenität von Teilnehmenden an Bildungsangeboten nimmt zu. Dies gilt für Schulen genauso wie für Hochschulen, und für die Berufsbildung ebenso wie für die betriebliche Weiterbildung. Gleichzeitig ändern sich unsere Erwartungen an (Bildungs-)Dienstleistungen. Wir erwarten immer mehr, dass diese auf uns persönlich zugeschnitten sind und für uns persönlich passen.
Vor diesem Hintergrund ist auch das von Benjamin Bloom vor gut 30 Jahren formulierte „2-Sigma-Problem“ relevant: 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 (damals) konventionellen Lernarrangements (vgl. Abbildung 1).
 

Abbildung 1: Quelle: Bloom 1984

Tutorielle Einzelbetreuung von Lernenden ist 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 (z.B. Kombinationen von Mastery Learning, partizipativen Lernformen und einer Ausrichtung des Lernens auf höhere kognitive Prozesse – vgl. Bloom et al. 1984).

Künstliche Intelligenz und adaptive tutorielle Systeme

Forschungs- und Entwicklungsarbeiten in den Feldern künstliche Intelligenz und adaptive tutorielle Systeme befassen sich mit einem von Bloom nicht 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 genauso wie im Kontext der betrieblichen Weiterbildung.
Diesen Entwicklungen und den daraus hervorgegangenen Produkten wird weitherum grosses Nutzenpotenzial zugesprochen und sie werden zum Teil als «die Zukunft» des Lernens bezeichnet. Dabei kann adaptives Lernen durch verschiedene Typen von technischen Systemen unterstützt werden. Beispiele hierfür sind u.a. die folgenden:

  • Lernkarteikarten-Systeme (z.B. ankiapp.com)
  • Sprachlernapps & -services (z.B. duolingo.com)
  • Plattformen für kuratierte und personalisierte Lerninhalte (z.B. degreed.com)
  • Adaptive Lernplattformen / Intelligente tutorielle Systeme (z.B. knewton.com)

Im Fokus dieser kurzen Reihe von Beiträgen steht der zuletzt genannte Typ von Systemen. Dabei will ich den folgenden Fragen nachgehen:

  1. Wie funktionieren adaptive Lernplattformen? (Teil 1)
  2. Wie leistungsfähig sind diese Systeme? (Teil 2)
  3. Was sind Besonderheiten von E-Learning mit adaptiven Lernplattformen? (Teil 3)

Wie funktionieren adaptive Lernplattformen? Ein Blick unter die Motorhaube

Adaptive Lernsysteme (ALS) bzw. intelligente tutorielle Systeme (ITS) 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, indem sie verschiedene Modelle bzw. Komponenten integrieren: ein Domänen-Modell (Inhalte), ein tutorielles Modell (Lernprozess), ein Lernenden-Modell (Merkmale des / der Lernenden) sowie eine darüber gelegte Benutzeroberfläche.
 

Abbildung 1: Komponenten eines adaptiven tutoriellen Systems (Darstellung nach Bagheri 2015, S. 5ff.)

 
Mittlerweile sind eine ganze Reihe von adaptiven Lernsystemen bzw. intelligenten tutoriellen Systemen verfügbar, die unterschiedliche Bildungskontexte adressieren: Schulen, Hochschulen und betriebliche Weiterbildung ebenso wie verschiedene fachliche Kontexte – von Mathematik und Naturwissenschaften bis hin zu Management-Themen.
Die verschiedenen, am Markt verfügbaren Systeme unterscheiden sich im Hinblick auf die Art des hinterlegten Domänenmodells, das tutorielle Modell und auch das Lernenden-Modell.

Beispiel ALEKS

Das ursprünglich aus dem Feld der Mathematik-Didaktik stammende Produkt ALEKS (Assessment and Learning in Knowledge Spaces) basiert auf der „Knowledge Space Theorie“ (Theorie der Wissensräume) und damit verbundenen Ansätzen in der Didaktik der Mathematik. ALEKS wurde ab 1994 an der University of California, Irvine im Rahmen eines Forschungsprojekts entwickelt und 2013 von McGraw-Hill Education erworben. ALEKS bietet eine Reihe von Kursen für Schulen und Hochschulen an, insbesondere zu Mathematik, Statistik, Buchhaltung, Chemie sowie verschiedene Vorbereitungskurse auf Hochschuleignungstests (https://www.aleks.com/about_aleks/course_products).
Zentral für die Funktionsweise von ALEKS ist die Abbildung einer inhaltlichen Domäne (z.B. Grundlagen der Algebra) über einen Wissensraum, Eingangstest für einen Lernenden (vgl. Abbildung 2), Errechnung des wahrscheinlichsten Wissensstands (vgl. Abbildung 3) und darauf aufbauend die Entwicklung von einzelnen Themen (z.B. Gleichungen mit zwei Unbekannten).
 

Abbildung 2: Beispiel für ein Test-Item in ALKES (Quelle: ALEKS Benutzerhandbuch, 2017, https://www.aleks.com/manual/pdf/learners-highedmath.pdf)

 
 
Abbildung 3: Vereinfachte Repräsentation eines Wissensraums und der veränderten Wahrscheinlichkeit von bestimmten Wissensständen eines Lernenden über eine Abfolge von kurzen Assessments (Quelle: ALEKS Corporation 2012)

 
Im Rahmen der individualisierten Diagnostik zum Wissensstand wählt ALKES jeweils die Frage / Aufgabe aus, die – auf Basis des aktuell berechneten Wissensstands – maximal informativ ist. Wenig informativ in diesem Sinne wäre eine Aufgabe, von der mit grosser Wahrscheinlichkeit zu erwarten ist, dass der / die Lernende sie bewältigen kann. Viel informativer ist dagegen eine Aufgabenstellung, für die diese Erwartung lediglich bei etwa 50% liegt. Auf der Grundlage der Antwort zu einer solchen Frage wird dann 1) der individuelle Wissensstand jeweils neu berechnet und 2) eine nächste passende Aufgabe zugewiesen.

Beispiel area9learning

area9learning grenzt sich bei der Darstellung der eigenen adaptiven Lernplattform deutlich von Plattformen wie z.B. ALEKS ab. Zum einen dadurch, dass einem „schliessenden Modell“ (wie bei ALEKS) die Orientierung an einem „biologischen Modell“ gegenüber gestellt wird. Zum anderen durch eine explizite Positionierung als Anbieter im Feld betriebliches Lernen / corporate learning. Insbesondere bei zwei Grundannahmen gibt es deutliche Unterschiede. Nick Howe (area9learning) zufolge

  • macht es keinen Sinn, von «hart verdrahteten» Beziehungen zwischen Lernzielen / Lerninhalten (Voraussetzungen etc.) auszugehen; vielmehr gibt es viele, zum Teil auch unvorhersehbare Wege zum Lernziel;
  • gibt es bei der Bestimmung des aktuellen Wissens- / Lernstands immer Ungenauigkeiten («Rauschen»): neues Wissen / neue Fertigkeiten kommen undokumentiert dazu (z.B. über informelle Lernaktivitäten und Erfahrungen ausserhalb der Plattform); bereits gelerntes Wissen geht wieder verloren und Fertigkeiten lassen nach; Lernziele können unscharf formuliert sein; die Zuordnung von Test-Aufgaben zu Lernzielen kann unscharf sein; usw.

Bei der Bestimmung des Wissensstands eines Lernenden werden daher zwei Aspekte berücksichtigt (vgl. Abbildung 4):

  • zum einen der objektive Grad, zu dem die gegebene Antwort korrekt ist;
  • zum anderen die subjektive Einschätzung dazu, wie sicher sich ein(e) Lerner(in) bei der Antwort ist.

 

Abbildung 4: Beispiel für ein Test-Item mit gleichzeitiger Abfrage dazu, wie sicher sich ein Lerner bezüglich der Antwort fühlt (Quelle: area9learning 2017, S. 5)

 
Die Modellierung des Wissens eines Lerners erfolgt über Algorithmen, in die beispielsweise die folgenden Werte einfliessen:

  • Numerischer Wert für die Bedeutsamkeit des Inhalts
  • Punktwert für die korrekte / inkorrekte Antwort
  • Punktwert für die Selbsteinschätzung
  • Punktwert für die Zeitdauer der Bearbeitung, zusammengesetzt aus
    • Zeitdauer für das Lesen und Beantworten der Frage,
    • Zeitdauer für das Ausfüllen der Selbsteinschätzung,
    • Zeitdauer für das Lesen des Feedbacks nachdem die Antwort bewertet wurde.

Dabei werden die der Berechnung zugrundeliegenden Modelle und Algorithmen immer wieder überprüft und neu kalibriert. Hierzu kann area9learning (wie alle anderen Anbieter von solchen adaptiven Lernplattformen auch) auf viele Millionen Datenpunkte zurückgreifen, die bereits aus der Vergangenheit vorliegen und kontinuierlich hinzukommen.
Um einen effektiven und effizienten Lernprozess zu gewährleisten, müssen zwei potenziell konfligierende Ziele ausbalanciert werden:

  • zum einen soll die Zuverlässigkeit, mit der die Diagnose von Wissen / Kompetenz erfolgt, möglichst hoch sein bzw. bleiben; zusätzliche Fragen bzw. Aufgaben zum gleichen Thema erhöhen diese Zuverlässigkeit;
  • gleichzeitig soll aber der Zeitaufwand für Training möglichst geringgehalten werden; der Verzicht auf weitere Fragen zum gleichen Thema ist hierfür der zentrale Treiber.

Das Ausbalancieren dieser beiden konkurrierenden Anforderungen erfolgt über verschiedene weitere Modelle und Algorithmen, beispielsweise die folgenden:

  • die Modellierung von „vollständiger Bearbeitung“ eines Themas / Inhalts;
  • die Modellierung von „Kompetenz“;
  • die Modellierung von „Vergessen“;
  • die Modellierung von „benötigter Zeit“ für das Bearbeiten einer Aufgabe.

Eine adaptive Lernplattform wie area9learning bestimmt also den nächsten Lerninhalt bzw. die nächste Lernaufgabe, indem verschiedene Anforderungen ausbalanciert werden (vgl. Howe 2017, S. 25):

  • das Komplettieren / vollständige Bearbeiten eines bereits begonnenen Themas;
  • ein möglichst hoher Zuwachs an Wissen;
  • das Wiederholen von bereits Gelerntem, um neues Wissen langfristig zu verankern;
  • die Förderung der Genauigkeit der Selbsteinschätzung von Lernenden bzw. die Stärkung von deren Zutrauen in die eigene Selbsteinschätzung zu eigenem Wissen / eigenen Kompetenzen;
  • die laufende Verbesserung der Modelle und Algorithmen, um Rauschen / Ungenauigkeiten zu reduzieren;
  • den Zeiteinsatz und Motivation der Lernenden.

 

Fortsetzung

Dieser Beitrag findet seine Fortsetzung in den beiden nachfolgend aufgeführten Beiträgen:

 

Referenzen:
ALEKS Corporation (2012): What makes ALEKS unique. ALEKS Corporation. Online verfügbar unter https://www.aleks.com/about_aleks/overview.
area9learning (2017): adaptive learning. Eliminating corporate e-learning fatique. area9learning. area9learning.com. Online verfügbar unter https://offers.area9learning.com/adaptive-learning-whitepaper.
Bagheri, Mehri Mohammad (2015): Intelligent and adaptive tutoring systems. How to integrate learners. In: International Journal of Education 7 (2).
Bloom, Benjamin S. (1984): The 2 Sigma Problem. The search for methods of group instruction as effective as one-to-one tutoring. In: Educational Researcher 13 (6), S. 4–16.
Howe, Nick (2017): Adaptive learning insights. A practical guide to the future of corporate training. area9learning. Chestnut Hill, MA.
Wilson, Kevin; Nichols, Zack (2015): The Knewton Platform. A General-Purpose Adaptive Learning Infrastructure. knewton.com.

Am 25.09. + 02.10 + 16.10. 2018 findet das Online-Modul „Adaptive und KI-basierte Lernsysteme“ im Rahmen unseres Zertifikatsprogramms „Digitale Bildung“ statt. Dieser Beitrag ist ein kurzer Auszug aus dem Skript zu diesem Weiterbildungsmodul.

Lernplattform-Integrationen und Lerninhalte-Netzwerke (EdCast, LinkedIn Learning, etc.)

Die Menge an digital verfügbaren (Lern-)Inhalten und (Lern-)Materialien nimmt rasch zu. Das gilt gleichermassen für proprietäre Inhalte in firmeneigenen Intranets wie für offene Inhalte im WWW. Typen von offenen Inhalten sind beispielsweise:

Damit wird das effektive Suchen nach, Filtern und Zusammenstellen von passenden Inhalten (d.h., das Kuratieren) zu einer wichtigen Kompetenz für Bildungsverantwortliche und Bildungsdienstleister. Die Herausforderung dabei: diese Ressourcen sind über viele verschiedene Plattformen verteilt.
Vor diesem Hintergrund sind Initiativen zur Integration und zur Entwicklung von Content-Netzwerken interessant (hier wird auch von digitalen Lern-Ökosystemen gesprochen). Für den Bereich der MOOCs ist zum Beispiel Class-Central eine Anlaufstelle, über die MOOCs von über 40 Anbietern (z.B. Coursera, edX, FutureLearn, etc.) zugänglich sind.
 

Bildquelle: https://www.ecomm.in/content-delivery-network-cdn.html

 
EdCast, ein auf Unternehmen ausgerichteter Anbieter eines AI-basierten Cloud-Services für Wissensmanagement und personalisiertes Lernen  hat jetzt den Start einer ContentExchage-Plattform angekündigt. Partner und Inhalte-Liferanten sind edX.org, Regis Group, Harvard ManageMentor, Mandel Communications, Intuition und andere. Die Inhalte dieser Partner können dann, auf der Grundlage von KI und Algorithmen, für Mitarbeitende eines Unternehmens personalisiert zusammengestellt und an einer Stelle (der EdCast Plattform) zugänglich gemacht werden. Josh Bersin spricht diesbezüglich von „Learning Experience Platforms“, die Inhalte aus verschiedensten Quellen bündeln, anzeigen und eine „Interaktions-Schicht“ (z.B. zum Kommentieren und Kommunizieren über die Lerninhalte) darüber legen.
 
Bildquelle: https://joshbersin.com/2017/06/a-new-world-of-corporate-learning-arrives-and-it-looks-like-tv/

 
Gleichzeitig ist EdCast Partner in dem von LinkedIn Learning vorangetriebenen Partnerprogramm. Auch hier geht es darum, Lerninhalte plattformübergreifend sichtbar und zugänglich zu machen. Linkedin Learning ermöglicht es damit seinen Unternehmenspartnern, die Inhalte von LinkedIn Learning (u.a. die Video-Bibliothek von Lynda.com) „nahtlos“ in das jeweils eigene LMS zu integrieren.
 

Varianten bzw. Ebenen adaptiver Lernumgebungen

In einem Beitrag für LearningSolutionsMagazine hat Steven Loomis kürzlich einen Vorschlag dazu gemacht, verschiedene Varianten adaptiver Lernumgebungen voneinander zu unterscheiden.
Die Systematik für seinen Vorschlag basiert auf zwei Dimensionen, ohne jedoch zu einer 4-Felder-Matrix zu führen:

  • Lerninhalte / Lernressourcen: fix vs. variabel
  • Lernerfahrung: fix vs. variabel

Die folgende Darstellung ist mein Versuch, die von Loomis angesprochenen Varianten in eine Reihung zu bringen:

Ebenen adaptiver Lernumgebungen (Darstellung in Anlehnung an Loomis 2018)

Auf einer ersten Ebene sind sowohl die Inhalte als auch die damit unterstützten Lernerfahrungen / Lernaktivitäten eher fix. Die Adaptivität resultiert daraus, dass (fixe) Lerninhalte anforderungsspezifisch zugewiesen werden. Lernende bearbeiten daher nur die Inhalte, die für sie – gemäss Rollenprofil oder Vorwissen – relevant sind.
Auf einer nächsten Ebene sind die Lerninhalte ebenfalls fix, die damit unterstützten Lernerfahrungen / Lernaktivitäten aber variabel. Hier sind zum einen Performance Support-Lösungen zu verorten, die den Nutzern Standard-Ressourcen für spezifische Problemsituationen bereitstellen. Zum anderen Lernlösungen, die die Problematik unbewusster Inkompetenz bzw. systematischer Überschätzung des eigenen Wissens / der eigenen Fähigkeiten aufgreifen (Dunning-Kruger-Effekt). Lernlösungen wie z.B. area9learning überprüfen bei Tests immer auch, wie sicher sich die Lernenden ihrer Antworten sind und schlagen auf dieser Grundlage spezifische Pfade bzw. Hinweise vor.
Auf einer dritten Ebene sind sowohl die Lerninhalte als auch die Lernerfahrungen variabel bzw. spezifisch angepasst. Auch hier können (mindestens) zwei Szenarien unterschieden werden.  Zum einen „intelligente“ tutorielle Systeme (Loomis nennt hier Knewton), die über ein Matching von Nutzern und verschiedenen Inhalte-Varianten individualisierte Lernerfahrungen ermöglichen. Zum anderen informelles Lernen in bzw. auf Basis vonSocial Collaborations Plattformen. Hier führt die beständige Veränderung der Inhalte-Basis (kontinuierliches Inhalte-Kuratieren und / oder Nutzer-generierte Inhalte) in Verbindung mit individuellen Einstellungen (z.B. Abonnieren bzw. Folgen) dazu, dass sehr unterschiedliche Lernaktivitäten und Lernerfahrungen resultieren.

Steven Loomis: Darwin would approve: Levels of learning adaptation. LearningSolutionsMagazine, 29. Januar 2018

EmpaT – Interaktive Coaching Avatare für die Bewerbung

Im Rahmen des Projekts EmpaT des DFKI wurde eine interaktive 3D-Trainingsumgebung für Bewerbungsgespräche erforscht und entwickelt, die auf einer Echtzeit-Analyse sozialer Signale (Sprache, Mimik, Gestik und Körperhaltung) basiert und auch Emotionen (z.B. Scham) berücksichtigen kann.

Mehrkanal-Signal-Klassifikation für die Erkennung affektiver Signal-Sequenzen in Echtzeit (Bildquelle: DFKI)

Dieser Ansatz ermöglicht ein einfühlsames Trainieren von sozialen Fähigkeiten in verschiedensten Bereichen wie z.B. dem Trainieren von Bewerbungsgesprächen, der Mitarbeiterführung und Kundeninteraktion, aber durchaus auch beim Wiedererlernen von kognitiven und körperlichen Fähigkeiten während der Rehabilitation neuro-psychologischer Erkrankungen, so DFKI-Projektleiter Dr. Patrick Gebhard.

Pressemitteilung des DFKI, 09.02.2018
via Jochen Robes / weiterbildungsblog.de

(Einfache) Adaptive Lernumgebungen auf der Basis von 'learner intelligence'

Wenn von adaptiven Lernumgebungen die Rede ist, denken wir schnell an leistungsfähige (und teure) KI-basierte Plattformen wie beispielsweise Knewton, ALEKS, area9learning oder IBM Watson Classroom. In einem kurzen Beitrag für learningsolutionsmagazine zeigt Domenic Caloia, wie auch mit einfachen Werkzeugen adaptive Lernumgebungen entwickelt werden können. Allerdings basiert deren Adaptivität auf der „Intelligenz der Lernenden“, nicht auf KI-basierten technischen Lösungen.
Lernende, so Caloia, sind in der Lage, selbst passende nächste Inhalte oder Aktivitäten auszuwählen.  Beispiele sind etwa:

  • Lernende überspringen Abschnitte in einem Text und lesen an einer Stelle weiter, die ihnen relevant erscheint.
  • Lernende spulen in einem Video vor zu einer Stelle, die ihnen relevant erscheint.
  • Lernende folgen einem Link zu einer anderen Lernressource, die ihnen relevant erscheint.

Der Schlüssel zu Lernumgebungen, die diese Form der benutzergetriebenen Anpassung erlauben, sind ‚intelligente Navigationen‘, die den Lernenden sinnvolle Bewegungsräume eröffnen. Caloia demonstriert dies am Beispiel eines Lernmoduls zum Design von Badezimmern, bei dem zwei Navigationsebenen miteinander kombiniert werden: eine Navigationsebene zu Ausstattungselementen (z.B. Armaturen, Fliesen, etc.); und eine Navigationsebene zu Stilen (z.B. modern, traditionell, etc.). Er zeigt auf, wie solche Navigationen mit unterschiedlichen Autorenwerkzeugen (z.B. Articulate Storyline, Lectora) umgesetzt werden können.
 

Beispiel für ’smart navigation‘ (Bildquelle: Caloia 2018)

 

Quelle:
Caloia, D. (2018): Delivering responsive, personalized learning on a shoestring budget. learningsolutionsmagazine, 2018-01-22

Wie viel KI brauchen Chatbots?

Auf dem Weblog von LERNETZ.ch geht Manfred Kaderli der Frage nach, ob (und wie) Chatbots das Lernen unterstützen können.
In dem Beitrag wird zunächst die Unterscheidung von „schwacher KI“ und „starker KI“ eingeführt. Schwache KI kommt beispielsweise bei automatischer Übersetzung oder bei automatischer Bildauswertung zum Einsatz. Aber hier ist der Computer nicht wirklich intelligent, sondern primär stark im Rechnen. Starke KI würde demgegenüber Problemlösefähigkeit und Kreativität beinhalten.
 

 
Chatbots mit starker KI machen aus Sicht von Kaderli eher wenig Sinn. Schliesslich ist es für Lernprozesse und die Entwicklung von Lernfähigkeit wichtig, eigene Überlegungen anzustellen, selbst über nächste Lernaktivitäten zu entscheiden und auch mit dem eigenen Scheitern konfrontiert zu werden. Hier stellt sich Kaderli (implizit) gegen Anbieter wie Knewton, ALEKS, area9 und andere, die den Lernenden genau diese Aufgaben abnehmen und diese kontinuierlich und individualisiert durch die Inhalte führen wollen. Allenfalls in der Rolle eines herausfordernden Sparring-Partners, der die jeweils eigenen Lösungen / Ergebnisse in Frage stellt, erscheinen chatbots mit starker KI für Kaderli sinnvoll.
Mehr Sinn macht aus seiner Sicht dagegen der Einsatz von chatbots mit schwacher KI. Beispielsweise chatbots die Lernende – etwa auf der Grundlage von Informationen, Aufgaben oder Fragen – zur Reflexion auffordern. Wie konkrete Umsetzungen dazu aussehen könnten, bleibt allerdings noch offen.
 
Quelle: https://blog.lernetz.ch/können-chatbots-das-lernen-unterstützen

IBM Watson Education

Im Hinblick auf adaptive Lernplattformen (bzw. intelligente tutorielle Systeme) waren mir bisher Lösungen wie Knewton, ALEKS oder area9learning bekannt. Mit IBM ist nun ein weiterer Spieler in diesem Markt unterwegs. IBM Watson Education macht die KI-Plattform  IBM Watson für den Bildungsbereich nutzbar. Das Produkt „Watson Classroom“ besteht aus zwei Komponenten:

  • IBM Watson Element for Educators
    this „education app for iOS, provides teachers with a single 360-degree view of students by consolidating various academic, social, and behavioral data sources. These insights generate suggestions on how best to help each student so they receive targeted support in the classroom more quickly.“
  • IBM Watson Enlight for Educators
    „a planning tool that supports teachers with curated, personalized learning content and activities to align with each student’s needs. Teachers have access to key insights into students’ academic strengths and weaknesses as they create individualized learning experiences.“

 

 
Ein Partner, mit dem IBM auf der Bildungsstufe Hochschule zusammenarbeitet ist Pearson.
 
Via Matt Sparks in LearningSolutionsMagazine, 31.10.2017
 

Quellen

https://www.ibm.com/watson/education
IBM Education (2016): Personalized education. From curriculum to career with cognitive systems. Whitepaper.
https://www.ibm.com/watson/education/pearson
Luckin, R.; Holmes, W.; Griffiths, M.; Forcier, L.B. (2016): Intelligence unleashed. An argument for AI in education. Pearson Whitepaper. (2-seitige Management Summary dazu)

Was macht Lernen mit digitalen Medien erfolgreich? (e-teaching.org)

e-teaching.org bietet seit einigen Jahren sogenannte „Themenspecials“ an – strukturierte Sammlungen von aktuellen und früheren Beiträgen zu einem bestimmten Thema. Hier eine Übersicht zu allen Themenspecials.
Vom 19.10. 2017 bis zum 31.03.2018 läuft das Themenspecial „Was macht Lernen mit digitalen Medien erfolgreich?“
Aktuelle Beiträge – neben einer Reihe von bereits zuvor publizierten Artikeln – befassen sich mit folgenden Themen:

  • Fallsimulationen und automatisches adaptives Feedback mittels KI
  • Studienerfolg mittels Learning Analytics
  • Digitale Spiele in Hochschulen

 

 

Quelle

https://www.e-teaching.org/praxis/themenspecials/digital-learning-map-2020
 

Nutzenpotenziale beim Einsatz adaptiver Lernplattformen (Aberdeen Group)

Die Aberdeen Group bietet Business Intelligence Lösungen an und führt u.a. auch Studien im Bereich Talent Management durch.
In einem Bericht von April 2017 zum Thema adaptives Lernen / adaptive Lernplattformen wird folgendes angeführt:

  • Aktuell setzen etwa 1/3 der als „Best in class“ bezeichneten Unternehmen (leider finden sich keine weiteren Angaben dazu) adaptive Plattformen ein, die den Mitarbeitenden auf der Basis von Analytics individualisierte Hinweise auf relevante Lerninhalte geben.

Darüber hinaus wird in dem kurzen Bericht aufgezeigt, wo die befragten Unternehmen Vorteile durch den Einsatz von adaptiven Lernplattformen sehen. Am deutlichsten sind diese Vorteile im Hinblick auf kontinuierliche Leistungsverbesserungen (vgl. Abbildung).
 

 

Quelle

Aberdeen Group (April 2017): Adaptive learning: The key to cultivating a successful workforce. https://elearningindustry.com/adaptive-learning-successful-workforce-free-ebook
 

Adaptive Lernumgebungen in MOOCs: Gestaltung und Evaluation

Jochen Robes hatte mich in seinem Weiterbildungsblog auf das Projekt aufmerksam gemacht – jetzt habe ich mir die dazu verfügbaren Dokumentationen auf dem Blog der Harvard University (insgesamt vier ausführliche Posts) selbst noch einmal angeschaut…
Angesichts hoher Abbrecher-Quoten in MOOCs stellt sich ja die Frage, wie das Lerndesign in MOOCs so angepasst werden kann, dass Teilnehmende mit unterschiedlichen Voraussetzungen (Wissen, Motivation) erfolgreich teilnehmen können. Vor dem Hintergrund haben die Harvard University und ein Lernplattform-Anbieter (TutorGen) im Rahmen des HarvardsX MOOC zu „Super Earths and Life“ an einer Koppelung der MOOC-Plattform (edX) mit einem ‚Intelligent Tutoring System‘ (SCALE) gearbeitet und die damit erzielten Ergebnisse evaluiert.
Eine Lerner-gerechte Gestaltung von Lernmaterialien erfolgt bislang vor allem über die Berücksichtigung von vorab bekannten Merkmalen der Lernenden: Alter bzw. Stufe im Bildungssystem, Geschlecht, gegebenenfalls auch vorgängig erzielte Ergebnisse in Einstufungstests. Adaptive Lernumgebungen ermöglichen dagegen, die Einführung bzw. Darstellung eines Konzepts, die Abfolge von Aktivitäten und Aufgaben, den Schwierigkeitsgrad von Aktivitäten und Aufgaben sowie unterstützende Hinweise und Feedback in Abhängigkeit von der Interaktion eines Lerners mit der Lernumgebung zu gestalten. Die diesem Ansatz zugrunde liegenden Forschungsaktivitäten sind beispielsweise in Zeitschriften wie „International Journal of Artificial Intelligence in Education“ dokumentiert.
Im Rahmen eines experimentellen Desings (Experimentalgruppe und Kontrollgruppe, 435 Lernende) wurden von beiden Gruppen kompetenzorientierte Eingangs- und Abschluss-Tests bearbeitet. Zudem wurden den Lernenden entweder vordefinierte Aufgaben zugewiesen (Kontrollgruppe) oder aber es wurden 4 von 16 Aufgaben auf der Basis eines adaptiven Lernsystems zugewiesen (Experimentalgruppe). Das dabei eingesetzte ‚Intelligent Tutoring System‘ (TutorGen SCALE) unterscheidet sich von anderen Systemen (z.B. Knewton, ALEKS, area9, etc. – vgl. diesen Blogbeitrag) vor allem dadurch, dass auf ein Zusammenspiel von Algorithmen UND menschlichen Kuratoren gesetzt wird.
Der Kurs startete am 19. Oktober 2016. Die in den Blogbeiträgen dargestellten Ergebnisse basieren auf den bis Anfang Januar 2017 gewonnenen Daten. Die vorläufigen Ergebnisse sind folgende:

  • die Experimentalgruppe (mit adaptiver Lernumgebung) erzielt einen höheren Zuwachs an Wissen;
  • bei Teilnehmenden mit geringem Vorwissen ist die Quote der Kursabbrecher in der Experimentalgruppe geringer als in der Kontrollgruppe;
  • Teilnehmende in der Experimentalgruppe waren ausdauernder bei der Bearbeitung von Aufgaben (vermutlich, weil die Aufgaben besser auf ihr aktuelles Kompetenzniveau abgestimmt waren);
  • Teilnehmende in der Experimentalgruppe konnten die ihnen zugewiesenen Aufgaben schneller bearbeiten (vermutlich ebenfalls aufgrund der besseren Passung);

Die erzielten Ergebnisse sind ermutigend und zeigen auf, wie MOOCs und MOOC-Plattformen künftig weiterentwickelt werden könnten, um den Teilnehmenden eine bessere Lernerfahrung bzw. mehr Lernerfolg zu ermöglichen.

Referenz:
Designing Adaptive Learning and Assessment in HarvardX: Collaborative Project by Harvard University and TutorGen;
February 1, 2017; by Yigal Rosen, Harvard University and Mary Jean Blink, TutorGen, Inc.
http://vpal.harvard.edu/blog/designing-adaptive-learning-and-assessment-harvardx-collaborative-project-harvard

ATD Webcast "Adaptive Learning" (J. Capterra, McGrawHill Education)

Jim Caprara, Vice President of Business Development, McGraw-Hill Education, stellt in diesem Webcast vom 31.01.2017 die Aktivitäten von McGraw-Hill Education im Bereich adaptiver Lernumgebungen vor

  • Investitionen in Produkte (z.B. area9, ALEKS)
  • Grundprinzipien adaptiver Lernumgebungen
  • Steuerungshilfen (Dashboards) für Teilnehmende und L&D-Manager
  • Ergebnisse von 2 Fallstudien zur Berechnung des ROI

(Registrierung erforderlich)
 

 

 

 

Quelle

http://webcasts.td.org/webinar/2094
 

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).
Bloom 1984 2 Sigma Achievement Scores
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).
Komponenten ALS ITS adaptive intelligent tutorial systems
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:
Knewton overview 2015 p 6 ohne TextAbbildung 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“).
ALEKS test graph knowledge space 01Abbildung 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):
ALEKS student dashboard pie chartAbbildung 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:

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:
area9 adaptive learning case hitachi data systemsAbbildung 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

Wenn Sie auf dieser Seite bleiben, stimmen Sie der Nutzung von Cookies zu. Mehr..

Ok Abmelden