scil

swiss competence center for innovations in learning

HomeArchives for AI / KI

AI / KI

KI-basierte Funktionserweiterungen für LMS

Docebo ist ein Anbieter eines Lern-Management-Systems. In einem Whitepaper von docebo werden verschiedene Anwendungsszenarien für KI in LMS skizziert.

Die folgende Abbildung aus dem Whitepaper zeigt, welche Anwendungsszenarien bei docebo derzeit prinzipiell gesehen werden. Im Vordergrund stehen die Unterstützung beim Kuratieren von Inhalten, beim Analysieren von Plattform-Inhalten und das Erzeugen von Vorschlägen zu Inhalten:

Bildquelle: docebo 2018

Umgesetzt sind dem Whitepaper zufolge bei docebo bisher drei Szenarien:

  • automatisches Kategorisieren von Inhalten der Plattform;
  • Volltextsuche auch über Inhalte-Formate wie Videos;
  • Vorschläge für das Benachrichtigen potenziell interessierter Nutzer.
Bildquelle: docebo 2018

docebo: All In on AI: Your Guide to Artificial Intelligence in L&D. Whitepaper, November 2018

KI im Bildungssektor – Ergebnisse einer Standortbestimmung

KI-basierte Lösungen und Geschäftsanwendungen im Bereich der Bildung sind ein Markt, in dem aktuell viel entwickelt wird, in den aber auch viel investiert wird. Und die Investoren wollen natürlich wissen, welche die aussichtsreichsten Technologien, Anwendungsszenarien, Geschäftsmodelle und Investitionsmöglichkeiten sind. Analysten erarbeiten Antworten auf diese Fragen. HolonIQ (mit Standorten in Sydney, New York, Peking und Hong Kong) ist ein auf solche Analysen spezialisiertes Unternehmen mit Fokus auf den Bildungsbereich:

HolonIQ is a globally unique education market intelligence firm. (…) We help companies, institutions, governments and investors power growth and innovation by connecting billions of data points about education startups, technologies, deal flow, schools, universities, jobs, skills, research and patents and apply machine learning to analyze, evaluate and identify patterns, generating insights that help clients make data-driven decisions and answer strategic questions.

HolonIQ hat kürzlich Ergebnisse einer Befragung zu den Potenzialen von KI für den Bildungssektor veröffentlicht. Beteiligte haben sich 377 leitende Vertreter von Unternehmen und Organisationen in den Sektoren Bildung und IT aus den USA (33%), Europa (29%), Asien-Pazifik (28%) sowie weiteren Weltregionen (insgesamt wurden Vertreter aus 25 Ländern befragt).

Hier einige der zentralen Aussagen aus dem Bericht:

  • Bildungsbereiche
    Das höchste Potenzial für KI und die grössten Auswirkungen werden im Bereich von Testing (Kompetenzassessments) gesehen, gefolgt von Sprachlernen, technischer und beruflicher Bildung, betrieblicher Weiterbildung und auch Hochschulen.
  • KI-basierte Technologien
    Das höchste Potenzial wird im Bereich der Algorithmen gesehen, gefolgt von Technologien zur Verarbeitung natürlicher Sprache sowie von gesprochener Sprache.

Bei den meisten Auswertungen wird nach verschiedenen Typen von Playern im Bildungsmarkt unterschieden, wobei keine Kriterien für die Abgrenzung angeführt werden:

  • Bildungsinstitutionen (z.B. Schulen, Hochschulen)
  • EdTech-Firmen (vermutlich Anbieter von Infrastruktur- & Software-Lösungen)
  • Service-Anbieter (unklar, vermutlich Inhalte-Anbieter)
  • Enablers (z.B. Verwaltungen, Investoren, Innovationsinkubatoren)

Ausgewählte weitere Ergebnisse der Befragung sind die folgenden:

  • Investition in bzw. Nutzung von KI
    Ed-Tech-Firmen weisen hier die höchsten Werte auf, Bildungsinstitutionen und Enablers die niedrigsten:

  • Nutzenpotenziale
    Die grössten Nutzenpotenziale von KI-basierten Lösungen werden im Bereich der Unterstützung von Lernprozessen gesehen:

  • Erfolgsfaktoren für die Nutzung von KI-basierten Lösungen
    Hier werden insgesamt 11 Faktoren oder Voraussetzungen unterschieden. Dazu gehören beispielsweise die effektive Nutzung von Daten, Know-how im Bereich KI, Unterstützung von KI-Initiativen durch das Top-Management oder eine Klärung der Potenziale von KI für die eigene Organisation. Hier wird konstatiert, dass fast alle Unternehmen und Organisationen diesbezüglich noch grossen Entwicklungsbedarf haben:

HolonIQ (2019): Global Executive Panel Report on AI in Education. holoniq.com

via Jochen Robes / weiterbildungsblog.de

KI und die Folgen für Hochschulen – THE-Microsoft Survey

Vor dem Hintergrund der Entwicklungen im Bereich „Künstliche Intelligenz“ haben TheTimesHigherEducation und Microsoft zusammengespannt und eine Befragung dazu durchgeführt, wie Hochschulen von diesen Entwicklungen betroffen sind: The THE-Microsoft survey on AI.
Befragt wurden 111 Vertreter von Hochschulen, mehrheitlich Experten im Bereich Informatik (80%) aber auch Hochschulleitungen (14%) und Personen in der Rolle CTO / CIO (6%) – vermutlich vor allem (aber das wird nicht explizit formuliert) aus dem englischsprachigen Raum.
Was sind die Erwartungen der befragten Personen? Zentrale Aussagen des Berichts sind u.a. die folgenden:

  • Nur ein kleiner Teil der Hochschulen hat bereits eine Strategie für die Herausforderungen durch die Entwicklungen im Bereich künstliche Intelligenz formuliert.
  • Für Hochschulen ist es schwierig, Lehr- und Forschungspersonal im Bereich KI zu rekrutieren und zu binden.
  • Die Entwicklungen im Bereich KI führen zu einer erhöhten Nachfrage nach Absolventen in diesem Feld
  • KI Applikationen werden in der Lage sein, Leistungen von Studierenden zu bewerten, Feedback zu geben und Hypothesen zu testen – und zwar mindestens so gut wie Menschen
  • Dennoch wird dies eher nicht zur Schliessung von Hochschulen führen
  • Und Hochschulen werden das eigene Personal für Lehre, Forschung und Administration eher nicht zurückfahren.

 
Die Ergebnisse sind auch in zwei Infografiken zusammengeführt:
 

Quelle: THE 2019

 
 
Quelle. THE 2019

 

TimesHigherEducation (2019): The THE-Microsoft survey on AI. What are university leaders and chief technology officers doing to meet future challenges? 28. März 2019

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.
 

Ein Roboter als Lehrassistent

Jürgen Handke, Professor für Anglistik an der Universität Marburg, erkundet, wie ein Roboter (Pepper, Softbank Robotics) als Lehrassistent eingesetzt werden kann. Ein Filmteam der Deutschen Welle hat ihn dabei beobachtet und auch Studierende zu ihren Eindrücken befragt.
Das Fernziel für Handke ist, gemeinsam mit seinem Roboter Co-Teaching umzusetzen und sich damit den Freiraum für mehr individuelle Betreuung der Studierenden in den Lehrveranstaltungen zu verschaffen.
Das Video dazu ist ca. 12.30 Minuten lang.
 

Bildquelle: Deutsche Welle

 

via Jochen Robes, weiterbildungsblog.de

Aurora – KI-basierter Ratgeber zu Alltagssituationen für finnische Bürger

In Finnland wird seit Herbst 2018 ein KI-basierter Ratgeber für die Bürger des Landes getestet: Aurora.
 

Bildquelle: ZDnet

 
Drei Nutzungsszenarien stehen in der Pilotphase im Vordergrund:

  • an einen neuen Studienort umziehen
  • über Weiterbildung die eigenen Chancen auf dem Arbeitsmarkt verbessern
  • Kinder und Eltern in sich verändernden Familienkonstellationen unterstützen

Auf den Seiten von Algorithmenethik heisst es dazu:

Das System generiere für alle Nutzer:innen sogenannte „digitale Zwillinge”, deren Anwendungsmuster dann auf Gruppenniveau, losgelöst von den tatsächlichen Identitätsmerkmalen analysiert werden. Die für Anwender:innen relevantesten Angebote tauchen anschließend prominent als Empfehlungen auf. Ende Februar 2019 läuft das Pilotprojekt aus, dann wird ausgewertet. Im Fall eines Erfolgs steht eine Erweiterung der Dienstleistungen und Anwendungsfelder an.

 

via Jochen Robes, weiterbildungsblog.de und algorithmenethik.de

Künstliche Intelligenz: Die Auswirkungen auf Lernen, Lehren und (Weiter-)Bildung (Tuomi 2018)

Ilkka Tuomi, Chief Scientist bei Meaning Processing Ltd, einem unabhängigen Forschungsinstitut in Helsinki, hat im Auftrag des Joint Research Centre (JRC) der EU einen Bericht zum Thema „The Impact of Artificial Intelligence on Learning, Teaching, and Education“ erstellt.
Der Bericht ist keine leichte Kost. Mehrfach habe ich ihn zur Hand genommen und wieder beiseite gelegt – unsicher, ob der Ertrag einer genaueren Lektüre den Aufwand lohnt. Irgendwann habe ich dann doch einen Zugang gefunden. Hier meine Notizen…
 

Drei Ebenen menschlichen Lernens

Im ersten inhaltlichen Kapitel über Künstliche Intelligenz (KI) werden, in Anlehnung an die von Wygotski und Leontjew begründete Tätigkeitstheorie (Activity Theory), drei Ebenen des menschlichen Lernens unterschieden: Routinisierung von Verhalten, kognitives Problemlösen und soziales bzw. kulturelles Lernen (Kulturentwicklung).
 

Bildquelle: Tuomi 2018, S. 9

 
Dieser Bezugsrahmen bildet dann die Folie, vor deren Hintergrund Tuomi dem Potenzial für KI und die Auswirkungen auf Handeln, Lehren und Lernen nachgeht. Dabei werden zunächst drei Typen von KI unterschieden:

  • Logik-orientierte KI,
  • wissensbasierte KI und
  • datenbasierte KI und neuronale Netze.

Mit einer Fokussierung auf datenbasierte KI und neuronale Netze werden anschliessend drei Typen von maschinellem Lernen unterschieden:

  • überwachtes Lernen (supervised learning) auf der Basis von aufbereiteten bzw. kodierten Datensätzen und transferorientiertes Lernen als eine Variante davon,
  • unüberwachtes Lernen (non-supervised learning) – häufig auf der Grundlage von künstlichen neuronalen Netzen – bei dem die Maschinen selbstständig Muster in den Daten entdecken, mit Verstärkungslernen (z.B. Googles Alpha Zero) als einer und General Adversarial Networks (GANs) als weiterer Variante.

Ausgehend von dieser Unterscheidung gelangt Tuomi zu einer ersten wichtigen Feststellung: KI-basierte Systeme, die auf überwachtem Lernen basieren, können dazu beitragen, bestehende Sichtweisen (und Voreingenommenheiten) zu zementieren:

A particular challenge of supervised learning models is that they can only see the world as a repetition of the past. The available categories and success criteria that are used for their training are supplied by humans. Personal and cultural biases, thus, are an inherent element in AI systems that use supervised learning. (…) supervised learning creates machines that are only able to perceive worlds where humans are put in pre-defined boxes.

Dies ist aus ethischer ebenso wie aus pädagogischer Sicht problematisch.
 

Veränderte Kompetenzerfordernisse und Substitution von menschlicher Arbeitskraft

In einem weiteren Kapitel geht Tuomi den Folgen der Entwicklungen im Bereich KI für zukünftige Kompetenzerfordernisse nach. Hier unterscheidet er Studien, die einzelne Fertigkeiten (Skills) als Bezugspunkt heranziehen und davon ausgehend das Potenzial für Automatisierung ermitteln, und Studien, die darüber angesiedelte Aufgaben (Tasks) als Bezugspunkt heranziehen (z.B. Osborne & Frey 2013). Die Wahl des Bezugspunkts hat Konsequenzen für die Schätzung der Auswirkungen von KI auf Automatisierung und Beschäftigung (vgl. die folgenden Abbildungen). Tuomi liefert für das Beispiel der typischen Aufgaben von Lehrpersonen an Mittelschulen seine eigene Einschätzung dazu, wie stark sich die Entwicklungen im Bereich KI auf welche Aufgaben auswirken werden:
 

Bildquelle: Tuomi 2018, S. 19

 
Bildquelle: Tuomi 2018, S. 20

 

As a result, AI will probably have its biggest impact when it is used to augment human cognition, and in supporting human learning and knowing. (…) Assuming that some occupations, perhaps such as truck drivers, data entry keyers or utilities meter readers, will become obsolete in the near future, an important question for education policy is how people in these occupations can move to new jobs. (…) The RBC study argued that as many occupations overlap in their skill requirements, it is relatively easy to complement skills within these clusters in ways that enable people to move to new jobs when their old jobs become automated.

 

Bildquelle: Tuomi 2018, S. 20 (adaptiert von RBC 2018)

 

Auswirkungen auf Lernen, Lehren und (Weiter-)Bildung

In einem dritten Kapitel geht Tuomi den möglichen Auswirkungen von KI auf Lernen, Lehren und (Weiter-)Bildung nach. Hier hatte ich mir allerdings mehr erhofft.
Tuomi kommt zunächst auf die seit den 1980er Jahren entwickelten intelligenten tutoriellen Systeme (ITS) zu sprechen. Diese Systeme stehen für Wissens-basierte KI (vgl. oben) und beinhalten typischerweise ein Domänen-Modell, ein Lerner-Modell und ein tutorielles Modell (vgl. dazu diesen Blogpost). Diese Systeme haben sich bisher aber vor allem in bestimmten Feldern wie z.B. Mathematik und Physik bewährt.
Tuomi macht in seinem Bericht keinen Versuch, aktuell verfügbare KI-basierte Werkzeuge für Lehren und Lernen zu inventarisieren (vgl. dazu u.a. diesen Blogpost). Vielmehr skizziert er einige der von ihm erwarteten allgemeineren technischen Weiterentwicklungen und deren Auswirkungen auf Lernen, Lehren und (Weiter-)Bildung:

  • Lernenden-Modelle für komplexe Wissensdomänen
    Datenbasierte KI-Lösungen mit ausreichend Rechenleistung sind, so erwartet Tuomi, in der Lage, auch Wort bzw. sprachbasierte Wissensdomänen (z.B. Management-Lehre / Betriebswirtschaft) adäquat abzubilden und brauchbare Lernenden-Modelle für diese Domänen zu erzeugen.
  • Lernenden-Sensorik als Datenquelle für Learning Analytics
    Daten-basierte KI-Lösungen benötigen relevante Daten. Dies wird die Entwicklungsarbeit in Richtung Lernenden-Sensorik antreiben, über die Daten von den Lernenden selbst gewonnen werden können – beispielsweise zur Aufmerksamkeit oder zum Stresserleben.
  • Conversational Bots zur Lernbegleitung
    „It can be expected that, as conversational natural language systems such as the Google Duplex are now becoming commercially available, teachable conversational agents will be one area where educational AI start-ups try to create new business in the near future.“
  • KI-basierte Assessment-Lösungen für grosse Lernergruppen (z.B. MOOCs)
    „AI could be used to objectively assess student learning by scoring test results without teacher bias. Given  enough human-labelled examples of data, neural AI and machine learning can easily learn to categorize students based on their test results.“
  • Reduzierte Bedeutung von Faktenwissen im Vergleich zu überfachlichen Kompetenzen
    „AI can reduce the need for human knowledge, experience, and skill (…). As a result, humans do not necessarily need to learn domain specific knowledge that earlier was required for competent behaviour. In particular, as domain-specific knowledge becomes less important for competence, transversal and domain-independent generic competences may become relatively more important.“
    und weiter:
    „as AI can convert speech to text and vice versa, dyslexia [and dyscalculia] may become socially less important than it has been in the past.“

An dieser Stelle plädiert Tuomi für ein vertieftes Verständnis von KI auf Seiten von Entscheidungsträgern in Politik und (Bildungs-)Institutionen. Ohne ein solches vertieftes Verständnis besteht die Gefahr, dass mit KI-basierten Lernlösungen lediglich bereits in die Jahre gekommene oder überholte Lehr- und Erziehungsmodelle auf eine neue technische Basis gestellt werden:

Therefore, without clear visions and policies (…) educational AI will probably mainly be provided as solutions to existing problems. Instead of renewing the system and orienting it towards the needs of a post-industrial economy and knowledge society, AI may therefore mechanize and reinvent outdated teaching practices and make them increasingly difficult to change.

 

Hinweis: In unserem Modul „KI-basierte und adaptive Lernumgebungen“ vertiefen wir einige der hier angesprochenen Punkte:

  • KI und maschinelles Lernen
  • Erfolgsfaktor personalisiertes Lernen: Anspruchsgruppen und ihre Erwartungen
  • Komponenten adaptiver Lernumgebungen: Tutorielles Modell, Lernenden-Modell, Domänen-Modell, Inner- / Outer Loop
  • Überblick und Praxisberichte zu KI-basierten, adaptiven Lernumgebungen
Frey, Carl Benedikt; Osborne, Michael (2013): The future of employment. Herausgegeben vom Oxford Martin Programme on the Impacts of Future Technology. University of Oxford. Oxford, UK.
Tuomi, Ilkka (2018): The Impact of Artificial Intelligence on Learning, Teaching, and Education. JRC Science for Policy Report. Hg. v. European Union. Publications Office of the European Union. Seville, (Spain).

KI-basierte Lösungen für Learning & Development

Auf dem Weg zur Learntec letzte Woche habe ich kurz Station bei den SBB in Bern gemacht.
Der Bildungsbereich der SBB führt mehrmals jährlich knapp zweistündige „Think Tanks“ durch – Veranstaltungen, die sich neuen Themen für die Bildungsarbeit widmen. Diese Woche fand ein Think Tank unter dem Rahmenthema „Künstliche Intelligenz, maschinelles Lernen und Augmentation“ statt. Nach zwei kurzen, einführenden Impulsen in das Thema KI gab es einen Marktplatz, in dessen Rahmen an fünf Stationen unterschiedliche Aspekte vertieft wurden – unter anderem eine Demonstration einer VR-Anwendung, die Vorstellung eines Wissensassistenten oder die Vorstellung der Ergebnisse einer Standortbestimmung zum Thema KI innerhalb der SBB-Bildungscommunity.
Das Thema traf offenbar einen Nerv der SBB-Bildungscommunity – mit fast 60 Teilnehmenden war die Veranstaltung sehr gut besucht.
 

 
Ich hatte Gelegenheit, im Rahmen des Marktplatzes eine im Entstehen befindliche Übersicht über KI-basierte Anwendungen zur Unterstützung der Aufgaben von Bildungsverantwortlichen / Learning Professionals vorzustellen und mit den Teilnehmenden zu diskutieren:
 

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.

Chat- bzw. Lernbots zur Unterstützung von Lernprozessen – Szenarien und Umsetzung

Cäcilie Kowald, time4you, treibt dort die Entwicklung von Chat- bzw. Lernbots zur Unterstützung von Lernprozessen voran (jix.ai). Auf dem CLC-Camp in Kassel hatte ich ihren Beitrag verpasst, jetzt aber hatte ich Gelegenheit, zwei Aufzeichnungen von Vorträgen bzw. Webinaren von ihr zum Thema anzuschauen.
Kowald stellt dabei zunächst den Kontext her. Für Lernumgebungen mit Chatbots spricht, dass sie durch die text- bzw. sprachbasierte Benutzeroberfläche für viele Menschen sehr einfach und intuitiv zu nutzen sind. Die vier grossen Messaging-Apps (WhatsApp, Messnger, WeChat, Viber) haben mittlerweile pro Monat mehr aktive Nutzer als die vier grossen sozialen Netzwerke (Facebook, Instagram, Twitter, Linkedin) – vgl. dazu diesen Link mit Grafik.
Die Einsatzszenarien für Chat- bzw. Lernbots sind vielfältig:
 

Einsatzszenarien für Chatbots im Kontext Lernen / Entwicklung. Quelle: Kowald / time4you

 
In ihren Vorträgen zeigt Kowald erste Beispiele für solche Lernbots und sie erläutert den Weg zur Umsetzung eines solchen Projekts. Die Beispiele beziehen sich auf regelbasierte Chatbots, die Nutzer interaktiv durch eine Lernumgebung begleiten:
 
Beispiel für eine Lernumgebung, durch die ein Bot führt. Quelle: Kowald / time4you

 
Auf dem Weg zur Umsetzung einer solchen Lernumgebung sind zunächst einmal eine Reihe von Fragen zu beantworten:

  1.  Bedarf, Nutzen, Ziele
    • Was soll der Bot leisten?
      • Use cases & „Jobs to be done“?
      • Anwendungskontext?
      • Mehrwert für NutzerInnen?
    • Für welche Zielgruppe?
  2. Bot-Persönlichkeit & Dialogkonzept
    • Persönlichkeit
      • Individualität vs. Markenbotschafter?
    • Fachlichkeit
      • Generalist vs. Spezialist?
    • Persona
      • Stellung im Anwendungskontext?
      • Fach- vs. Umgangssprache?
    • Gesprächstyp
      • aufgaben- vs. gesprächsorientiert?
    • Dialogstruktur
      • geführt vs. frei?
    • Technologie
      • Skript-basiert vs. natural language understanding bzw. natural language generatio
  3.  Technische Rahmenbedingungen klären
    • Kontext
      • Integration in bestehende Anwendungen / Plattformen (z.B. LMS)?
    • Anwendung
      • Sprach- oder Texteingabe?
      • Über welche Ausstattung verfügen die NutzerInnen?

Erst wenn diese Fragen beantwortet sind, kann es an die Konzeption und Entwicklung der Inhalte (Pfade bzw. Stories; Dialoge; ergänzende Materialien; etc.) gehen.  Hier der von Kowald aufgezeigte Weg bei der Umsetzung eines solchen Entwicklungsprojekts im Überblick:
 

Schritte bei der Umsetzung von bot-basierten Lernumgebungen. Quelle: time4you / Kowald.

 

Kowald (2018): KI meets Training: So konzipieren Sie Ihren digitalen Tutor! Zukunft Personal 2018.  https://www.youtube.com/watch?v=Wbu5yjeFZg8
Kowald (2018):  KI meets Training: Einsatzszenarien und Beispiele. Webinar, 29.11.2018. (Link, Anmeldung erforderlich)

Intelligente Maschinen in der Arbeitswelt – Herausforderungen für die Hochschulen

Diana Oblinger ist die ehemalige Präsidentin von EDUCAUSE, einer grossen Nonprofit-Organisation in den USA, die sich auf den Bereich der Weiterentwicklung des Hochschulwesens durch den Einsatz von neuen Technologien konzentriert.
In einem Beitrag für EDUCAUSreview „Smart machines and human expertise: challenges for higher education“ zeigt Oblinger Einsatzbereiche für „smart machines“ in unterschiedlichsten Berufsfeldern auf, zeigt Einsatzbereiche an den Hochschulen selbst und im Rahmen der Hochschulbildung und verweist immer wieder auf offene Fragestellungen, die durch die Verantwortlichen an Hochschulen beantwortet werden müssen.
Zum Einstieg stellt Oblinger folgendes fest:

The world around us is getting smarter. (…) Rather than replacing people, smart machines augment human capabilities, meaning that we need to learn to work with machines as partners. (…) Colleges and universities are challenged to move beyond the use of technology to deliver education. Higher education leaders must consider how AI, big data, analytics, robotics, and wide-scale collaboration might change the substance of education. (…) What does it mean to be a professional in a world of smart machines?

Der Hinweis, dass sich viele Berufsfelder durch den Einsatz von „smart machines“ stark verändern, zieht sich wie ein roter Faden durch ihren Beitrag. Die Beispiele, die sie anführt, beziehen sich auf Berufsfelder wie Chirurgie, Pflege, Logistik, ebenso wie auf Bereich der Rechtsberatung, die Mediation von Bagatell-Rechtsstreitigkeiten („Online Dispute Resolution“, ODR) sowie das produzierende Gewerbe aber auch auf branchenneutrale Prozesse wie z.B. die Auswahl und Rekrutierung von Mitarbeitenden.
Was sind die Folgen daraus für Hochschulen? Oblinger verweist auf verschiedene Aspekte:

  • Gestaltung, Unterstützung und Verbesserung administrativer Prozesse
    • Verschiedene Hochschulen haben bereits KI-basierte Bots im Einsatz, um beispielsweise den Prozess der Bewerbung und Einschreibung besser zu unterstützen (Georgia State University, USA), bei der Auswahl von passenden Kursen zu unterstützen (Beckett University, UK) einen virtuellen Studien-Assistenten anzubieten (Deakin University, Australien) oder Lehrpersonen bei der Beantwortung von Routinefragen im Rahmen ihrer Kurse zu entlasten (Georgia Tech University, USA).
  • Anpassung des Fächerkanons und des Curriculums
    • Künstliche Intelligenz, maschinelles Lernen oder Datenmanagement sind Beispiele für neue Fächer, die im Fächerkanon und den Curricula verankert werden müssen.
    • Darüber hinaus müssen mit Blick auf in vielen Berufsfeldern erforderliche Datenanalysen Kompetenzen in Mathematik und Statistik gestärkt werden.
    • Fachübergreifende Kompetenzen wie z.B. kritisches Denken, Problemlösen, funktionsübergreifende Zusammenarbeit und Teamarbeit müssen gestärkt werden.
    • Das Gleiche gilt für ethisches Handeln und Entscheiden – z.B. auf der Grundlage maschineller Datenauswertungen.
  • Unterstützung von Forschungsarbeiten
    • Am Baylor College für Medizin (Texas) wird das auf der IBM-Watson-Technologie basierende „Knowledge Integration Toolkit (KnIT) eingesetzt, um im Rahmen von Forschungsarbeiten grosse Mengen an wissenschaftlichen Artikeln systematisch auszuwerten.
  • Flexibilisierung der Hochschulbildung
    • Wenn lebenslanges Lernen das Leitbild ist, Berufsbilder und Tätigkeitsprofile sich schnell ändern, dann sind Vollzeitstudiengänge möglicherweise zu wenig flexibel. Die Northwestern University (USA), beispielsweise, bietet berufsbegleitende Master-Studiengänge, die eine Durchlässigkeit von einzelnen Badges (Nachweisen für einzelne Kompetenzen) bis hin zum Master-Studienabschluss ermöglichen.
  • Zertifizierung (informell) erworbener Kompetenzen
    • Angesichts einer sich verändernden Bildungslandschaft müssen Hochschulen klarer herausstellen, was ihre Absolventen wissen und können. Erweiterte Zeugnisse und (digitale) Badges sind mögliche Wege dahin.
    • Die Zertifizierung (informell) erworbener Kompetenzen, wie sie beispielsweise Degreed anbietet (Degreed Skill Certification), kann auch eine Aufgabe für Hochschulen sein.

Zu dem zuletzt aufgeführten Aspekt noch eine pointierte Aussage von Oblinger:

Though the significance of a degree and the power behind a college or university brand are likely to remain, data-driven and competency-based approaches will challenge higher education institutions to provide greater transparency into what graduates can do, both on graduation and throughout their career.

Titelbild zum Beitrag by Tobias Fischer on Unsplash

KI am Arbeitsplatz: Augmentation und neue Aufgabenprofile

Im Zusammenhang mit dem Thema „Augmentation“ bin jetzt auf einen Beitrag von Jeanne Meister („AI Plus Human Intelligence Is The Future Of Work„) im Magazin forbes von Anfang 2018 gestossen, in dem sie zehn Entwicklungstrends für HR vor dem Hintergrund der zunehmenden Verfügbarkeit von KI-Lösungen skizziert. Hier eine Auswahl aus den von Meister behandelten Aspekten:

  1. Es geht beim Thema KI-basierte Automatisierung weniger um das Freistellen von ganzen Arbeitsstellen, sondern vielmehr um die Automatisierung von einzelnen Aufgaben und Aktivitäten. Eine Studie des McKinsey Global Instituts zufolge können weniger als 5% aller Arbeitsstellen vollständig automatisiert werden, aber bei ca. 60% aller Stellen können bis zu 30% der Aufgaben automatisiert werden.
  2. Die Zusammenarbeit von Menschen und intelligenten Maschinen Seite an Seite wird zur Normalität. Einer Studie von Gartner zufolge werden im Jahr 2022 etwa 20% der Beschäftigten einen KI-basierten Assistenten an ihrer Seite haben.
  3. Es muss geklärt werden, welche Stellen bzw. Rollen in welcher Weise durch die Einführung von KI-basierten „intelligenten“ Systemen verändert werden. Dies gilt für alle Beschäftigten – ganz gleich, ob sie in der Produktion arbeiten oder im Managment.
  4. Es muss geklärt werden, welche neuen Rollen es in welchem Umfang braucht. Hier verweist Meister beispielhaft auf Studien des Cognizant Center for the Future of Work, die zur Formulierung von 42 neuen Stellenprofilen geführt haben:


 

Beitragsbild: Wikipedia / Rethink Robotics

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

IBM Watson Tutor: individualisiertes Vokabeltraining im Kindergarten

Im Rahmen eines IMS Global Learning Consortiums-Webinars wurde kürzlich ein Kooperationsprojekt zwischen IBM und Gwinnett County School System (USA) vorgestellt. Gwinnett County School System (GCSS) ist einer der grössten Schulträger in den USA: 140 Schulen, 22’000 Mitarbeitende, 180’000 Schüler. Dort arbeitet man seit vielen Jahren mit IBM zusammen, u.a. zum Thema Educational Data Management.
Ausgehen von Forschungsarbeiten, die die grosse Bedeutung der Wortschatzentwicklung für spätere Erfolge im Schulsystem aufzeigen, hat GCSS mit IBM zusammengespannt und eine Lösung für individualisiertes Vokabeltraining im Kindergarten umgesetzt. Bestandteil der Lösung sind kindergerechte Tablet-Computer, spielerisch gestaltete Lernmaterialien und die cognitive computing Plattform IBM Watson. Diese generiert auf Basis individueller Lerner-Modelle Lerninhalte zur Erweiterung des Wortschatzes. A/B-Gruppenvergleiche unter den Schülern zeigen, dass die Tablet-basierten Aktivitäten (z.B. kurze Spiele) zu den neu gelernten Begriffen zu einem besseren Lernerfolg führen.
 

Bildquellen: IBM / GCSS

 
Der IBM Watson Tutor umfasst drei Komponenten: individualisierte Lerner-Modelle, Wissensgraphen (Domänenmodell) und eine Medienbibliothek. Auf der Grundlage der von den Lernenden erzeugten Daten werden die Lernapps bzw. Lernspiele, die Bestandteil der Trainingsumgebung sind, personalisiert.
 
Bildquelle: IBM / GCSS

 
Hier der Link zur Aufzeichnung des Webinars.

Chatbots zur Unterstützung von Lernprozessen

Für SAP Education sind online-Lernumgebungen ein zunehmend wichtiges Element im Angebotsmix – insbesondere die themenspezifischen Learning Rooms im SAP Learning Hub. Lars Satow stellt in diesem kurzen Blogpost drei Szenarien zur Unterstützung von Lernprozessen durch Chatbots vor:

  • Beantwortung von Fragen der Lernenden
  • Vorschläge für passende Lernpfade / Lerninhalte
  • Feedback und Hinweise für die Lernenden

Der Beitrag beinhaltet auch zwei kurze Videos (2 bzw. 4 Minuten), in dem diese Szenarien vorgestellt werden. Darüber hinaus findet sich dort ein Link auf einen Beitrag von Lars Satow zum gleichen Thema für das Handbuch E-Learning.

Rückblick auf das Corporate Learning Camp 2018 in Kassel

Letzte Woche fand zum achten Mal das Corporate Learning Camp statt, dieses Mal im Campus Center der Universität Kassel. Moderiert wurde das Treffen wiederum von Karlheinz Pape, das Leitthema lautete «Lernwelten der Zukunft». Mit 300 angemeldeten Teilnehmenden war das Camp ausgebucht. Im Vergleich zu meiner letzten Teilnahme vor zwei Jahren hatte ich den Eindruck, dass eine gewisse Professionalisierung stattgefunden hat. Die Organisation war wie gewohnt gut, ca. 2/3 der Teilnehmenden waren schon zuvor bei einem CLC dabei gewesen, das Durchschnittsalter der Teilnehmenden scheint sich nach oben zu bewegen und die thematischen Sessions waren gut vorbereitet.
Lutz Berger hat, wie in den letzten Jahren auch, Impressionen zum Camp eingefangen:

Die Universität Kassel hatte Räume für 10 gleichzeitig laufende Sessions zur Verfügung gestellt und diese waren fast durchgängig bespielt. Hier die Übersicht zu den Sessions.
Die Unterlagen zu den beiden Sessions, die ich angeboten habe, finden sich hier: „KI-basierte Anwendungen im Arbeitsfeld“ und „KI-basierte Anwendungen für L&D“. Im Folgenden meine Notizen zu den Sessions, an denen ich teilgenommen habe.
 

Dreidimensionale Lernräume

In der Session von Markus Herkersdorf (TriCAT), Steffen Kayenberg (WBS AKADEMIE) und Wilma Hartenfels (Henkel) ging es um virtuelle, dreidimensionale Lernräume und die Lernaktivitäten, die in diesen umgesetzt werden können.  Für den Software-Entwickler TriCAT ist interessant, dass virtuelle Gebäude und Trainingsräume, die u.a. auch persistent sein und in denen alle bisherigen Arbeitsergebnisse an den Wänden dokumentiert bleiben können, ein neues SaaS-Angebot darstellen. Die WBS AKADEMIE, die zuvor viel mit dem virtuellen Klassenzimmer von Adobe Connect gearbeitet hat, nutzt ihren neuen virtuellen Campus für Online Seminare, berufsbegleitende Master-Studiengänge, Online Events und Firmenveranstaltungen. Eine wichtige Erkenntnis dabei: virtuelle Realität und der damit verbundene intensive Situationsbezug funktioniert nicht nur mit einer VR-Brille, sondern auch am PC-Bildschirm. International agierende Unternehmen wie beispielsweise Henkel, deren Bildungsbereiche immer wieder mit Beschränkungen bei den Reisekosten für Trainings konfrontiert sind, explorieren diese Möglichkeiten als Alternative zu Trainer-geführtem Online-Lernen via Webmeeting (z.B. WebEx). In der Diskussion wurde herausgestellt, dass Präsenztrainings, wenn sie mit hohen Investitionen in Reisekosten verbunden sind, sehr gezielt eingesetzt werden sollten und dass solche virtuellen Welten hier eine sinnvolle Ergänzung sein können. Vertreter von Audi und thyssenkrupp haben dabei auf ihre positiven Erfahrungen mit solchen 3D-Welten beispielsweise für Fach- und Prozesstrainings oder Projektmanagement-Trainings verwiesen. Die WBS AKADEMIE ist übrigens für den WBS LearnSpace 3D im Rahmen der Messe Zukunft Personal mit dem HR Innovation Award 2018 ausgezeichnet worden.
 

WBS LearnSpace 3D, Bildquelle: xing.com

 

lernOS

Simon Dückert (Cogneon) hat in einer Session die Version 1.0 von lernOS vorgestellt. lernOS ist ein «Betriebssystem» für Lebenslanges Lernen und Lernende Organisationen bzw. ein Leitfaden für eine 13 Wochen umfassende, selbstorganisiertes Lernreise ((Link)).
 

Bildquelle: https://cogneon.de/lernos/

 
lernOS Sprints. Bildquelle: Bildquelle: https://cogneon.de/lernos/

 
Kernelemente von lernOS sind zum einen das Zusammenspiel eines bestimmten Mindset (u.a. Vertrauen, Offenheit und Vernetzung), eines Skillsets (u.a. Kreativität und Innovationsfähigkeit, Fähigkeit zur Kollaboration sowie ‘digital skills’) sowie eines dazu passenden Werkzeugkoffers mit digitalen Werkzeugen (u.a. Office-Werkzeuge, Konferenz-Werkzeuge oder Weblogs / Wikis). Die Umsetzung des selbstgesteuerten Lernens erfolgt primär in auf 13 Wochen angelegten lernOS Zirkeln. Simon Dückert stellte zum einen die Bezugspunkte von lernOS heraus (u.a. Methodiken wie «Getting things done» (GTD), «Objectives and key results» (OKR) oder «Working out loud» (WOL). Gleichzeitig verwies er auf zentrale Unterschiede zu WOL. So bietet lernOS die Möglichkeit, über das OKR-Modell an Veränderungen auf Team- und Organisationsebene anzuschliessen. Und das lernOS kann aufgrund der Publikation unter einer CC-by-Lizenz im betrieblichen Umfeld völlig frei genutzt werden – was bei dem unter einer CC-nc-nd-Lizenz veröffentlichten WOL nicht der Fall ist.
 

Methoden für das Trainieren von Agilität

Volkmar Langer zeigte in seiner Session ein Format zum Erleben und Trainieren von agilen Vorgehensweisen: die Ballpoint-Simulation. Zentrale Elemente der Trainingseinheit sind folgende:

  • Aufgabenstellung
  • erschwerende Rahmenbedingungen
  • Handeln unter Zeitdruck / kurze „Sprints“
  • Einschätzung der Leistungsfähigkeit der eigenen Lösung / des gewählten Prozesses
  • Vergleich der erzielten Ergebnisse mit der eigenen Schätzung und mit den Ergebnissen anderer Gruppen
  • Debriefung / Review / ggf. Anpassung des Prozesses
  • nächster „Sprint“
  • Debriefing / Review

Ein für Volkmar Langer zentraler Punkt ist die Bedeutung der Reflexionsphase (Retrospektive). Aus seiner Erfahrung mit agilen Arbeitsweisen in Unternehmen und Organisationen wird diese Phase häufig vernachlässigt. Entsprechend werden an vielen Stellen Lern- und Verbesserungspotenziale verschenkt.
 

Bildquelle: scil

 
Die Session war sehr energetisierend, kam sehr gut an und wurde dann auch am nächsten Tag wiederholt. Ich habe mich gefragt, ob eine solche energetisierende Erfahrung auch in einer virtuellen Lern- / Arbeitsumgebung möglich ist.
 

Learning Battle Cards

In einer zusätzlichen Session vor der gemeinsamen Abendveranstaltung hat Christian Martin die «Learning Battle Cards» und das dazugehörige Canvas vorgestellt. Die 111 Karten repräsentieren 111 verschiedene Techniken und Methoden für Training, angefangen von 360°Assessment über Digital Storytelling, Knowledge Pills, Project Based Learning und Social Bookmarking bis hin zu Webquests.
 

Bildquelle: https://elearningindustry.com/learning-battle-cards-pinterest-space-4500-inspirations-instructional-designers-pinterest

 
Dabei handelt es sich um eine Art Spielmaterial, über das entweder allein oder in Workshops – hier können auch mehrere Gruppen gegeneinander antreten– ein didaktisches Design entwickelt wird. Zentrale Elemente sind zum einen die «Spielkarten» zu didaktischen Methoden. Auf diesen Karten finden sich u.a. eine Wortwolke zur Charakterisierung der jeweiligen Methode sowie auch verschiedene Einstufungen (Für welche Zielsetzung ist sie geeignet? Wie aufwändig ist sie in der Umsetzung? etc.). Das Canvas mit sieben Feldern („7 Windows of Instructional Design“: Analysis, Awareness, Knowledge, Skills, Attitudes, Implementation [i.S.v. Transfer ins Arbeitsfeld, C.M.] sowie Evaluation) stellt eine Art Spielfeld dar, auf dem dann geeignete Methodenkarten abgelegt werden. Auf diese Weise wird ein erster Entwurf für ein didaktisches Grobdesign erzeugt.
 
Bildquelle: https://elearningindustry.com/gamification-learning-design-use-learning-battle-cards

 

Conversational Bots und KI-Anwendungen für Training

Torsten Hardiess (aicoaching) hat in seiner Session über Entwicklungen im Bereich von conversational bots und mögliche Einsatzszenarien für diese berichtet. Der Fokus seines Berichts lag auf Skript-basierten Bots, die u.a. für Trainingszwecke, zur Entscheidungsunterstützung, zur Unterstützung von Reflexion, bei der Verankerung veränderter Gewohnheiten oder für das Wissensmanagement eingesetzt werden können. Er zeigte die Autorenumgebung („Bot-Builder“-Platform), in der Skripte für Bots erstellt werden können und er ging auf eine aktuelle Entwicklung von aicoaching ein, bei der Skript-basierte Elemente mit KI-basierten Elementen zusammenspielen (hybride Bots). Gegen Ende seiner Präsentation ging Torsten Hardiess noch auf die Bewegung von UX (user experience design) hin zu HX (human experience design) ein. Zielsetzung für das HX ist es, Systeme bzw. Umgebungen zu entwickeln, die die Bedürfnisse von Menschen erkennen und damit empathisch agieren können. In der Diskussion kamen wir u.a. auf die Frage, inwiefern die Fähigkeit zu Empathie eine spezifische Domäne und Kernkompetenz von Menschen und ein abgrenzendes Merkmal gegenüber „intelligenten“ Maschinen ist. Torsten Hardiess erwartet, dass diese Abgrenzung mit der Zeit hinfällig wird. Hier die Folien zu seiner Präsentation.
Cäcilie Kowald (time4you) hat ebenfalls eine Session zum Thema Lernbots gestaltet, an der ich leider nicht teilnehmen konnte und zu der sich leider auch keine Dokumentation im etherpad findet.
Eine weitere Session zu KI-basierten Lernanwendung hat Marcel Kirchner (Continental) angeboten: «Smarter Learning mit künstlicher Intelligenz». Er verwies dabei auf verschiedene Beispiele für Entwicklungen in diesem Bereich. Zum Beispiel ein am DFKI entwickeltes smartes Lernbuch, das anhand der Augenbewegungen erkennt, ob ein Leser / eine Leserin zu einem bestimmten Begriff Unterstützung in Form von Worterklärungen benötigt (Hypermind-Schulbuch). Auf eine Entwicklung von Microsoft (Sketch2Code), die es ermöglicht, aus einer Skizze auf Papier den html-Code für eine dementsprechende Webseite zu erzeugen. Und auf Delve, Teil der Office 365-Familie von Microsoft, mit dem das Organisieren und Entdecken von Informationen unterstützt wird. Delve macht sichtbar, mit welchen Office 365-Dokumenten man selbst gerade arbeitet und mit welchen (freigegebenen) Dokumenten die Kollegen gerade arbeiten.
 

Office Graph in Microsoft Delve. Bildquelle: Microsoft

 
In einer kurzen Gruppenarbeit wurden dann Ideen und mögliche Szenarien für durch Bots unterstützte Lernaktivitäten gesammelt. Beispielsweise Bots als Kuratoren und Wissensbroker, als Vermittler von geeigneten Lernpartnern, als Feedback-Geber für ein erstes Feedback zu Ausarbeitungen, als Unterstützer von Reflexionsprozessen, als Zusammenfassungs-Service für verspätete Teilnehmende an einer (Lehr-)Veranstaltung, etc. Weitere Quellen zum Thema in diesem Etherpad.
 

Eigenverantwortliches Lernen

Jana Telemann (Hanseatic Bank) hat in einer Session die Organisation von eigenverantwortlichem Lernen bei diesem Unternehmen vorgestellt. Zusätzlich zu den bestehenden, von L&D bzw. den Funktionsbereichen verantworteten Weiterbildungsbudgets haben alle Mitarbeitenden ein individuell verantwortetes Weiterbildungsbudget im Umfang von 50 Stunden bzw. €500 pro Jahr zur Verfügung. Diese Ressourcen werden in einer online abgebildeten «Lernbank» mit Dashboard für jede/n Nutzer/in verwaltet. Die Beschäftigten recherchieren und beurteilen selbst die von ihnen ins Auge gefassten Weiterbildungsangebote, planen diese in ihren Arbeitsalltag ein und wickeln die Abrechnung ab. Ziel diese mit den Führungskräften eng abgestimmten Ansatzes ist unter anderem, bei den Beschäftigten mehr Eigenverantwortung und Eigeninitiative zu fördern. Teilen die Beschäftigten im Nachgang ihre Lernerfahrungen unter den KollegInnen, erhalten sie zusätzliche «learning credits». Ein Aspekt, den wir in der gemeinsamen Diskussion gestreift noch haben, war, wie denn eine Erfolgsbestimmung zu dieser Initiative aussehen könnte.
 

Analoge Trainingstechniken und Methoden im virtuellen Raum

In der letzten thematischen Session, die ich besucht habe, ging es um die Übertragung von Trainingsmethoden aus der analogen in die digitale Welt. In einem von Anna Reiners locker moderierten Gespräch haben wir verschiedene Aspekte gestreift. Vieles, was in Präsenztrainings möglich ist, kann – gegebenenfalls in angepasster Form – auch in Trainer-geführten Online-Trainings umgesetzt werden: Eisbrecher, Kurz-Meditationen zur Einstimmung, Energizer, etc. Neu war für mich, dass z.B. in Adobe Connect über das Zusatzmodul „Roshambo“ auch Partner-Aktivitäten wie etwa «Schere – Stein – Papier» umgesetzt werden können:
 

Bildquelle: www.adobe.com

 
Gegebenenfalls müssen aber Ziele expliziter und durch systematische Prozessgestaltung verfolgt werden. Wenn etwa die Pausenkommunikation in Präsenztrainings neben dem Austausch auch zum Beziehungsaufbau und der Vertrauensbildung zwischen den Teilnehmenden beiträgt, so braucht es dafür in online-Trainings bzw. Lehrgängen gegebenenfalls eine auf dieses Ziel hin gestaltete Phase, zum Beispiel einen kollaborativ zu bewältigenden Teamauftrag.

 

KI-basierte Anwendungen für L&D: Beispiele und Profilierungsoptionen für Learning Professionals – CLC 2018 Kassel

Im Rahmen des Corporate Learning Camp 2018 in Kassel habe ich am zweiten Tag eine Session zum Thema „KI-basierte Anwendungen für L&D: Beispiele und Profilierungsoptionen für Learning Professionals“ angeboten.
Ausgehend von der Beobachtung, dass „intelligente“ Maschinen auch im Arbeitsfeld von PE / L&D zunehmend Einzug halten, haben wir über das Zusammenspiel von Menschen und Maschinen (Augmentation) und die damit verbundenen Entwicklungsoptionen für die Bildungsverantwortlichen bzw. Personalentwickler selbst gesprochen.
Hier der Etherpad mit den Notizen zu der Session. Und hier meine Folien, mit denen ich zu Beginn den thematischen Impuls gesetzt habe:
Session KI-basierte Loesungen fuer L&D vs 2018-09-28

KI-basierte "intelligente" Maschinen im Arbeitsfeld: Herausforderungen für L&D – CLC'18 Kassel

Im Rahmen des Corporate Learning Camp 2018 in Kassel habe ich am ersten Tag eine Session zum Thema „KI-basierte „intelligente“ Maschinen im Arbeitsfeld: Herausforderungen für L&D“ angeboten.
Ausgehend von der Beobachtung, dass „intelligente“ Maschinen zunehmend im Arbeitsfeld Einzug halten, haben wir über das Zusammenspiel von Menschen und Maschinen (Augmentation) und die damit verbundenen Herausforderungen für L&D / Personalentwickler gesprochen. Ein in meinen Augen wirklich wichtiger Punkt in der Diskussion war, dass Learning Professionals ein Grundverständnis zu neuen Technologien (im Unterschied zu Werkzeugen, die auf diesen neuen Technologien basieren) benötigen, um die Implikationen für Aufgaben- und Kompetenzprofile frühzeitig einschätzen zu können.
Hier der Etherpad mit den Notizen zu der Session. Und hier meine Folien, mit denen ich zu Beginn den thematischen Impuls gesetzt habe:
Session KI im Arbeitsfeld 2018-09-27

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.

25 Jahre Lerntechnologien – Ein Rückblick von Martin Weller

Wieder einmal Danke nach Frankfurt an Jochen Robes – diese Blogserie von Martin Weller hatte ich übersehen…
Martin Weller, Professor für Educational Technology an der Open University in Grossbritannien, hatte kürzlich für  EDUCAUSE die letzten 20 Jahre der Entwicklung von Lerntechnologien Revue passieren lassen.
Darüber hinaus hat er aber auch auf seinem Blog auf die letzten 25 Jahre zurückgeblickt – in kurzen Blogbeiträgen, pro Jahr ein Thema.
Die Reihe beginnt mit dem Jahr 1993 und einem Beitrag zu „Artificial Intelligence“ (das Thema wird für das Jahr 2016 unter dem Titel „The return of AI“ noch einmal aufgegriffen) und endet für das Jahr 2018 mit einem Beitrag über „Critical Ed Tech“.
In diesem Beitrag schaut Weller zurück auf die 25 Beiträge und identifiziert einige übergreifende Entwicklungen. Die hat Jochen Robes bereits gut zusammengefasst:

dass im Widerstand der Hochschulen gegenüber schnellen Veränderungen auch eine Stärke liegt; dass EdTech ein Bereich ist, wo sich viele Disziplinen und Menschen für eine bestimmte, oft kurze Zeit treffen – was zu fortwährenden Wiederholungen und Schleifen in der Diskussion führt; dass sich die Frage, ob neue Technologien in der Bildung eine unterstützende oder (die Lehrenden) ersetzende Funktion haben, wie ein roter Faden durch die Geschichte von EdTech zieht.

Zukunft der Arbeit und Kompetenzerfordernisse / Entwicklungsstrategien: Videos

WRAL.com ist der digitale Kanal der CBC New Media Group in North Carolina, USA. Anfang September wurde dort eine ca. 20-minütige Dokumentation veröffentlicht, die die auf Robotik und KI basierenden Veränderungen in der Arbeitswelt (produzierendes Gewerbe, Landwirtschaft, Maschinenbau) eindrücklich dokumentiert und auch die damit verbundenen Herausforderungen für das Bildungswesen anspricht:
 

WRAL.com Documentary: Connecting the Bots. September 2018
 

 
Auch das Schweizerische Fernsehen beleuchtet im Rahmen der Sendung „10vor10“ die Veränderungen in unserer Arbeitswelt durch KI in einer Reihe von Videos mit jeweils 6-7 Minuten Länge. Themen sind u.a.:

  • der Einsatz von Maschinen zur Überwachung von Anbauflächen in der Landwirtschaft,
  • der Einsatz von Technologie zur Überwachung von Aufmerksamkeit – im Schulzimmer ebenso wie im Lokführerstand,
  • der Einsatz von KI in Bewerbungsverfahren,
  • der Einsatz von Robotern und Drohnen bei Rettungsarbeiten.

 
https://www.srf.ch/sendungen/10vor10/kuenstliche-intelligenz-maschinen-unter-uns
 

In einem Beitrag für TEDxManchester von März 2017 zeigt Volker Hirsch eine Reihe von Beispielen dafür auf, in welchen Berufs- und Arbeitsfeldern KI inzwischen zum Einsatz kommt. Im Hinblick auf eine komplementäre Qualifikation von Beschäftigten bleibt Hirsch eher allgemein. Er stellt die Förderung von Empathie, von Kreativität und von kritischem Denken heraus und merkt an, dass diese Themen in den schulischen Curricula eher nicht betont werden.
 

Volker Hirsch, TEDxManchester, März 2017
 

In einem vom World Government Summit veröffentlichten Video von Januar 2017 werden die Veränderungen, die durch den Einsatz von KI im Arbeitsfeld verursacht werden, anschaulich dargestellt. Gleichzeitig wird betont, wo die spezifischen Stärken von uns Menschen liegen. Und es werden komplementäre Entwicklungsstrategien im Sinne von Davenport und Kirby aufgezeigt:

  • Entwicklung von höherwertigen kognitiven Fertigkeiten (z.B. Testen, Analysieren, Evaluieren);
  • Überprüfen der Arbeitsergebnisse von intelligenten Maschinen;
  • Auswertung und Interpretation der riesigen Datenmengen, die von vernetzten Maschinen erzeugt werden;
  • Beteiligung an der (Weiter-)Entwicklung von KI und intelligenten Maschinen.
  • Stärken von Fertigkeiten im Bereich Kommunikation und (empathischer) Interaktion;
  • Stärken von Anpassungsfähigkeit ebenso wie von Kreativität;
  • Spezialisierung in Nischen, die für KI (noch) nicht erreichbar sind.

 

World Economic Summit, Januar 2017: AI at the workplace: Opportunities and Challenges
 

 

Betriebliche Weiterbildung mit Online MOOCs

Die Weiterbildungsbereiche von Unternehmen und Organisationen wären in der Regel überfordert, wenn sie für alle neu aufkommenden Themen eigene Weiterbildungsangebote entwickeln wollten oder zusammen mit externen Anbietern entsprechende Entwicklungsprojekte auf den Weg bringen wollten. Gut, dass mittlerweile viele relevante Angebote schnell und unkompliziert über MOOC-Plattformen verfügbar sind.
In einem Beitrag zum Audi-Blog berichtet Olivia Faulbacher, darüber, wie Audi in Kooperation mit der MOOC-Plattform bzw. Online-„Universität“ Udacity Mitarbeitende seit Herbst 2017 zu Zukunftsthemen wie Autonomes Fahren, KI, Machine und Deep Learning sowie Big Data weiterbildet.

Der Online-Kurs selbst beginnt immer mit kurzen Erklärvideos. Anschließend gibt es Fragen oder eine kleine Programmieraufgabe dazu (…) Abgeschlossen werden die einzelnen Lerneinheiten dann jeweils mit Projekten, die ein Experte von Udacity in einem individuellen Review bewertet. Haben sie am Ende alle Projekte erfolgreich absolviert, erwerben die Teilnehmer ein Nanodegree

Die beiden von Faulbacher interviewten Audi-Mitarbeiter haben z.B. Nano-Degrees im Bereich „Business Analys“ oder „Self Driving Car Engineer“ absolviert, und dabei über einen Zeitraum von ungefähr sechs Monaten rund zehn Stunden pro Woche investiert. Von der so entwickelten Expertise können sie bei ihrer täglichen Arbeit profitieren. So berichtet ein Teilnehmer:

„Für komplexe Sensordatenfusionen habe ich ein tiefergreifendes Verständnis entwickelt und kann jetzt zum Beispiel mit den Kollegen der Datenfusion effizienter zusammenarbeiten“

 

Bildquelle: Audi

 
Was tut Audi im Hinblick auf die erfahrungsgemäss hohen Abbruchquoten bei MOOCs bzw. reinen online-Kursen generell? Zum einen werden die online-Kurse von Udacity mit Audi-eigenen Präsenzschulungen ergänzt. Zum anderen übernehmen einzelne Audi-Mitarbeitende, die diese online-Kurse bereits erfolgreich absolviert haben, die Rolle von Tutoren bei Udacity. So können sie dann u.a. über die eigene Udacity-Community im Audi-Intranet nicht nur Hilfestellung bieten, sondern auch den Anschluss an die Praxis bei Audi stärken.
Eine Spezialistin für Kompetenzmanagement im Audi-Konzern bewertet diesen innovativen Ansatz zur Weiterbildung so:

„Wir können mithilfe von Udacity schnell und sehr praxisnah unsere eigene IT-Expertise schärfen. Und die ist heute ein entscheidender Wettbewerbsfaktor“

 

via Jochen Robes / Weiterbildungsblog.de

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.

Augmentation – ein neues Arbeitsfeld für L&D

Fortgeschrittene digitale Systeme im Arbeitsfeld

Fortgeschrittene, durch künstliche Intelligenz (KI) unterstützte digitale Systeme finden zunehmend Eingang in unsere Arbeitswelt. Die Beispiele hierfür sind vielfältig:

  • Bots in der Tourismus-Industrie, die die Verfügbarkeit passender Angebote prüfen und gleichzeitig Kundenpräferenzen identifizieren und berücksichtigen können;
  • Bots in der Medienbranche, die einfache Texte (z.B. Unternehmensnachrichten oder Sportergebnisse) automatisch erstellen;
  • Bots im Kundendienst, die einfache, wiederkehrende Kundenanfragen automatisch beantworten;
  • Systeme für das Übersetzen von Texten von einer Sprache in eine andere;
  • Systeme, die basierend auf Spracherkennungs-Algorithmen, automatisch schriftliche Protokolle zu Sitzungen erzeugen;
  • Systeme für die Steuerprüfung, die Anomalien bei Unterlagen / Erklärungen identifizieren;
  • Systeme für die Anlageberatung, die Risikoprofil-konforme Anlageentscheidungen treffen;
  • Systeme für die Logistik, die Engpässe bei der Verfügbarkeit von Ersatzteilen prognostizieren und identifizieren sowie auch bei deren Bewältigung unterstützen;
  • medizinische Diagnosesysteme, die anhand von Bilddaten Gewebeanomalien identifizieren.

Die Tatsache, dass wir neue Werkzeuge und Hilfsmittel in Arbeitsfelder integrieren (müssen), ist nicht neu. Neu ist, dass die oben genannten Systeme auf künstlicher Intelligenz bzw. maschinellem Lernen (ML) beruhen und kontinuierlich besser und leistungsfähiger werden: durch „Training“ mit speziellen Datensets (überwachtes Lernen); durch das Entdecken von Mustern in Datensets (unüberwachtes Lernen); oder durch Rückkopplungsmechanismen (Verstärkungslernen).

Augmentation statt Substitution

Vor diesem Hintergrund wird über die Auswirkungen auf Beschäftigung und Arbeitsmarkt diskutiert („Welche Beschäftigten werden wann von intelligenten Maschinen ersetzt?“). Dabei liegt das eigentliche Potenzial in einem gut gestalteten Zusammenwirken von Menschen und (intelligenten) Maschinen. Garry Kasparow war schon sehr früh mit der Leistungsfähigkeit von Computern in seinem Fachgebiet konfrontiert. Und er hat in der Folge eine neue Variante von Schachwettkämpfen initiiert: Advanced Chess. Hier treten Schachspieler unterstützt von ihren jeweils eigenen Computern gegeneinander an. Dabei hat er folgendes beobachtet:
 

A weak human player plus a machine plus a better process is superior to a very powerful machine alone but more remarkably is superior to a strong human player plus machine and an inferior process.

Bildquelle: http://labs.sogeti.com/decision-support-better-than-machine-intelligence/

 
Das Potenzial eines guten Zusammenspiels von Menschen und intelligenten Maschinen zeigt sich auch in den Ergebnissen einer Studie zur Diagnose von Brustkrebs-Gewebe: ein Pathologe, der ein KI-basiertes System zur Unterstützung heranzieht, erzielt deutlich bessere Ergebnisse (geringere Fehlerquote) als ein Pathologe ohne ein solches Unterstützungssystem, aber auch als ein KI-basierte System für sich allein genommen.
Bildquelle: https://blogs.nvidia.com/blog/2016/09/19/deep-learning-breast-cancer-diagnosis/

 

Aufgaben für Personalentwickler und Bildungsverantwortliche

Die geschilderten Veränderungen können bei den Beschäftigten in Unternehmen und Organisationen Verunsicherung auslösen und gegebenenfalls auch die Bereitschaft für Veränderung blockieren. Es braucht die Diskussion zu diesen Veränderungen, ein Verständnis zu den laufenden Entwicklungen und es braucht eine Sicht auf mögliche Entwicklungspfade für die Beschäftigten.
Für Personalentwickler und Bildungsverantwortliche stellen sich die folgenden Fragen und Aufgaben:

  • Haben wir die Kompetenz und das Mandat, uns mit diesem zukunftsgerichteten Thema zu beschäftigen?
  • Verstehen unsere Führungskräfte und unsere Mitarbeitenden die oben aufgezeigten technischen Entwicklungen und deren Konsequenzen – für Arbeit und Beschäftigung ebenso wie für Zuversicht, Engagement und Innovationsbereitschaft?
  • Wie können / sollen wir mit Verunsicherung und den Fragen der Beschäftigten umgehen?
  • Welche Entwicklungsoptionen können wir aufzeigen? (Step in / Step up / Step aside / etc. – mehr zu diesen Entwicklungsoptionen in diesem Blogpost). Welche Entwicklungsoptionen machen für wen Sinn? (Einzelpersonen, Funktionen, Beschäftigtengruppen)
  • Wie können wir diese Entwicklungsoptionen spezifizieren und erfolgreich umsetzen?
  • Über welche Methoden und Leistungsindikatoren können wir Veränderungen beobachten und Erfolg ausweisen?

 

Das Arbeitsprogramm für den scil-Innovationskreis 2018. Bildquellen: scil, bitkom, techleer

 
Im Rahmen des scil-Innovationskreises 2018 werden wir diese Themen bearbeiten. Ziel des auf ca. neun Monate angelegten Konsortialprojekts ist es, einen Werkzeugkoffer zum Thema für Personalentwickler und Bildungsverantwortliche zusammenzustellen. Das Kick-off zum Innovationskreis findet am 20.09.2018 in St.Gallen statt. Eine Beteiligung ist noch möglich.
 

Weiterführende Links

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.

"AI everyhwere" – im Alltag und am Arbeitsplatz

Nachtrag 12.06.2018: SwissRe Institute hat noch eine weitere Dokumentationsseite zu der Veranstaltung (u.a. mit kurzen Video-Statements der Referenten) und einem „graphic recording e-book“ als Zusammenfassung zu den einzelnen Beiträgen) freigeschaltet

Künstliche Intelligenz (KI) wird uns nicht nur am Arbeitsplatz, sondern darüber hinaus auch im Alltag auf Schritt und Tritt begleiten. Wir müssen die Potenziale einschätzen, aber auch die damit verbundenen Herausforderungen sowie ethischen Fragen behandeln. Wir müssen lernen, mit Algorithmen, Services und Hardware zusammenzuarbeiten. Und PE / L&D sollte an diesem Themenfeld dranbleiben und es nicht einfach anderen überlassen.
Anfang der Woche fand am SwissRe Institute in Rüschlikon eine Tagung zum Thema „A.I. everyhwere – How digital assistants will transform our lives“ statt. Bei Programm und Organisation hatten drei dort beheimatete Nachbarn zusammengespannt: das Gottlieb Duttweiler-Institut, das IBM Forschungszentrum und eben Swiss Re Institute. Das Programm war hochkarätig besetzt. Hier meine Notizen zu den für mich zentralen Punkten.
Im eröffnenden Panel hoben Rainer Baumann (Head Group Digital & Information Services, Swiss Re),
David Bosshard (CEO, Gottlieb Duttweiler Institut) und Costas Bekas (Distinguished Researcher & Manager, IBM Research Zürich) hervor, dass (schwache) KI (im Kern statistische Methoden) nichts grundsätzlich Neues ist. Neu ist der Kontext drum herum: die Rechenleistung, die vernetzten Geräte und die Datenmengen, die verfügbar sind.
Im ersten Vortrag lieferte Nick Jennings (Imperial College London) einige begriffliche Grundlagen und erste Orientierungen:

  • Was ist KI?
    Die Entwicklung von intelligenten Maschinen, die in der von ihnen wahrgenommenen Umgebung vorausschauend handeln / entscheiden. Der Begriff „artificial intelligence“ (AI) wurde schon 1956 geprägt.
  • Warum ist KI aktuell (wieder) ein Trend-Thema?
    Billige Rechenleistung, Milliarden von vernetzten Geräten, riesige Datenmengen, die kein Mensch mehr ohne maschinelle Hilfe verarbeiten kann.
  • Was hat es mit maschinellem Lernen auf sich?
    Hier lernen Algorithmen bzw. werden von ihren Entwicklern trainiert. Zum Beispiel mit speziellen Trainings-Datensets (überwachtes Lernen); durch das Entdecken von Mustern in Datensets (unüberwachtes Lernen); oder durch Rückkopplungsmechanismen bzw. „Belohnungen“ (Verstärkungslernen).
  • Was sind aktuell zentrale Anwendungsfelder von KI?
    Computerspiele; medizinische Diagnostik; Assistenzsysteme (vom Auto bis zur Textübersetzung).
  • Was kann KI (noch) nicht wirklich?
    Das Zusammenspiel von Objektmanipulation und Objektwahrnehmung, kreatives Handeln, soziales und empathisches Handeln.
  • Was sind die Auswirkungen auf die Gesellschaft?
    Veränderungen im Arbeitsmarkt und notwendige Debatten über ethische Fragen (später dazu mehr)
  • Wie sollten wir KI gegenübertreten?
    Wir sollten KI und KI-Applikationen als Partner betrachten. Menschen und Maschinen zusammen leisten mehr als Menschen oder Maschinen – insbesondere, wenn es einen guten Prozess der Zusammenarbeit gibt.
    ((Abbildung))

Im zweiten Vortrag argumentierte Karen Kaushanski (Robot Futures Consulting) dass sich eine „App fatigue“ (ein Überdruss mit den vielen Apps) auf Seiten der Benutzer abzeichne und dass deshalb sprachbasierte Schnittstellen für die Nutzung von KI-basierten Assistenzsystemen an Bedeutung gewinnen. Dies gilt insbesondere für mehrschrittige Aufgaben oder Situationen, in denen man die Hände für andere Aufgaben frei haben muss. Sprachbasierte Benutzerschnittstellen sind nicht nur bei Alexa (Amazon), Google oder Facebook bereits verfügbar, sondern auch im Auto, für das Fernsehgerät, für Hausgeräte, etc.
Vertreter von Amazon und Google unterstützten anschliessend diese Sicht und demonstrierten die Leistungsfähigkeit von sprachbasierten Schnittstellen. So wird beispielsweise bei der Beantwortung von Fragen auch das Thema / der Gegenstand der vorherigen Fragen berücksichtigt. Und sie verwiesen darauf, dass Benutzer ohne Programmierkenntnisse neue „Skills“ oder Funktionen für ihre sprachgesteuerten Geräte erstellen können (hier eine Seite mit Beispielen für Alexa Skills) und ein Video dazu, wie diese erstellt werden können).
Yoram Levanon (SCO, Beyond Verbal Communication) zeigte anschliessend, dass sprachbasierte Schnittstellen und darauf aufbauende KI-Anwendungen Hinweise auf den emotionalen und auch den Gesundheitszustand der sprechenden Person liefern können („vocal biomarkers„). So können beispielsweise anhand der Stimmanalyse Hinweise auf einen möglicherweise bevorstehenden Herzinfarkt gewonnen werden.
Am Nachmittag standen zunächst drei parallele Sessions der Gastgeber auf dem Programm.
In der Session von SwissRe wurde aufgezeigt, wie auf der Grundlage von mobilen Endgeräten und „smart messaging“ mit KI-Unterstützung personalisierte Kundeninteraktionen on-demand möglich werden. Beispielsweise bei der Beratung von Endkunden, die eine für sie passende Versicherungslösung suchen (https://www.anorak.life/).
Im der Session des Gottlieb Duttweiler Instituts standen Assistenzlösungen im Vordergrund, die über Sensoren (Aufenthaltsort, Bewegungen, Pulsfrequenz, Nähe zu anderen Personen, etc.) die emotionale Befindlichkeit von Personen registrieren, analysieren und darstellen können (z.B. https://happimeter.org/). Über eine solche Lösung kann beispielsweise im Unternehmenskontext mehr Transparenz zur Erlebnisqualität verschiedener Arbeitssituationen erreicht werden: sind diese stressinduzierend oder nicht? Sind sie kreativem Arbeiten eher förderlich oder nicht?
In der Session von IBM ging es um die Unterstützung verschiedener Geschäftsprozesse durch kognitive Systeme wie z.B. IBM Watson (https://www.ibm.com/watson/products-services/). Konkret wurde dies für das Supply Chain Management gezeigt: KI-basierte Assistenzsysteme, die Problemsituationen (z.B. mangelnde Verfügbarkeit eines bestimmten Bauteils) prognostizieren und diagnostizieren, dazu benachrichtigen und bei der bestmöglichen Lösung eines solchen Problems unterstützen.
 

 
Danach folgten Vorträge bzw. Berichte, die weiterführende Fragen und Entwicklungsperspektiven verfolgten.
Thomas Metzinger, Philosoph an der Unversität Mainz, entwickelte zwei Szenarien zu ethischen Fragen und Problemstellungen, die sich aus der Verfügbarkeit einer künstlichen Superintelligenz („Artificial General Intelligence, AGI“) ergeben könnten. Claude Clément, CTO Wyss Center, Genf, berichtete zu laufenden Entwicklungsprojekten im Bereich der Neurotechnologie, bei denen u.a. Lösungen für Paraplegiker entwickelt werden. Hierbei werden ins Gehirn implantierte Mikroelektroden mit KI-basierter Datenverarbeitung kombiniert und so eine Steuerung von Gliedmassen oder Assistenzsystemen über Gehirnaktivitäten ermöglicht (https://www.wysscenter.ch/). Und abschliessend berichtete Neil Harbisson, Künstler, Cyborg und „Transspecies“-Aktivist (https://www.cyborgfoundation.com/) über sein Leben mit einer in seinen Kopf implantierten Schwanenhals-Kamera, über die er als vollständig farbenblind geborener Mensch gelernt hat, Farben zu hören:
 

 

Ich habe auf dieser inspirierenden Veranstaltung herumgeschaut und herumgefragt, bin aber nicht auf Vertreter von PE / L&D von Unternehmen bzw. Organisation gestossen. In einem Vortrag kam kurz zur Sprache, wer denn die Mitarbeitenden für die Zusammenarbeit mit den KI-basierten Assistenzsystemen trainiert. Die Antwort war: „Das macht unsere IT“ (weil dort die Kompetenz zu KI, Assistenzsystemen und Applikationen lokalisiert ist…) Ich denke, PE- und L&D-Profis müssen dieses Kompetenz- und Entwicklungsfeld stärker in den Blick nehmen und sollten dies nicht einfach anderen überlassen.

Die einzelnen Präsentationen zu den Vorträgen der Veranstaltung sind über diese Seite verfügbar:
http://institute.swissre.com/events/AI_everywhere_How_digital_assistants_will_transform_our_lives.html#tab_2

Don't fear intelligent machines. Work with them!

Noch ein Fundstück für den Workshop zum Thema „Augmentation“ – Garry Kasparov berichtet anschaulich und engagiert über seine Erfahrungen im Wettbewerb mit intelligenten Maschinen…
 

 
Er berichtet u.a. auch kurz von einem Freestyle Schachturnier in 2005 (bei Laufzeit ca. 10′). Beim Free Chess dürfen Spieler gemeinsam mit unterstützenden Computern antreten. In 2005 gewannen überraschend zwei Hobby-Spieler, die drei einfache Computer einsetzten – und nicht der favorisierte Grossmeister mit seinem viel leistungsfähigeren Computer (vgl. diese Notiz dazu).
Kasparov leitet daraus folgendes ab:

A weak human player plus a machine plus a better process is superior to a very powerful machine alone but more remarkably is superior to a strong human player plus machine and an inferior process.

Menschen + intelligente Maschinen + ein guter Kooperationsprozess – so lautet die Erfolgsformel. Da gibt es ein Betätigungsfeld für Personalentwickler…

Berufstätige, die (Ro-)Bots für ihre Jobs trainieren

Ich bin gerade dabei, einen Workshop zum Thema „Augmentation“ (Zusammenwirken von Menschen und intelligenten Maschinen) vorzubereiten. Dabei bin ich auf einen Artikel der New York Times gestossen. Daisuke Wakabayashi hat mit fünf berufstätigen Personen gesprochen, die (Ro-)Bots entwickeln bzw. trainieren – die möglicherweise einmal ihre eigenen Aufgaben übernehmen:

  • eine Mitarbeiterin in einem Reisebüro;
  • eine Mitarbeiterin im Kundenservice eines Anbieters von Vorbereitungskursen für akademische Zulassungsprüfungen;
  • eine Ingenieurin, die an der Steuerungssoftware für selbstfahrende Autos mitarbeitet;
  • eine Interaktionsdesignerin, die an einer intelligenten Software für Terminvereinbarungen mitarbeitet;
  • ein Firmengründer, der einen Bot und Dienstleistungen für automatisierte Übersetzungen von Arbeitsverträgen entwickelt.

 

Bildquelle: New York Times

 
In den kurzen Falldarstellungen kommen Aspekte des Zusammenwirkens bzw. Zusammenarbeitens mit intelligenten Systemen zur Sprache sowie zum Teil auch die Sicht der Beteiligten auf die Zukunft ihres Arbeitsplatzes und ihre Entwicklungsoptionen. Das ist zwar noch nicht ganz dicht dran an Aufgaben und Problemstellungen von Personalentwicklern, aber dennoch interessant…
 

Wakabayashi, Daisuke (2017): Meet the People Who Train the Robots (to Do Their Own Jobs). New York Times, 27. April 2017

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.
 

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

AI und die Folgen für Arbeiten und Lernen (Tom Vander Ark / Getting Smart 2017)

Tom Vander Ark, CEO der Firma Getting Smart, war zuvor nicht nur in der Schulaufsicht tätig, sondern auch als Director of Education der Bill & Melinda Gates Foundation. Also jemand, der sich in beiden Feldern, Lehren und Lernen sowie Technologie auskennt.
Tom Vander Ark bzw. Getting Smart hat jetzt ein Whitepaper mit dem Titel „Ask about AI: The Future of Work and Learning“ veröffentlicht.
Das Whitepaper umfasst u.a. Definitionen zu AI, Machine Learning, Deep Learning und listet Bereiche auf, in denen künstliche Intelligenz Anwendung findet (z.B. in der Medienproduktion, in der Logistik, im Marketing, etc.). Es führt 10 grosse Herausforderungen auf, die mit KI verknüpft sind (u.a. Verlust von Arbeitsplätzen, Gefährdung von Privatsphäre, (ungleicher) Zugang zu KI und leistungsfähigen Werkzeugen, etc.).
Das Whitepaper geht aber auch der Frage nach, wie wir uns auf diese Zukunft vorbereiten können: einerseits als Einzelpersonen, andererseits als Bildungsinstitutionen. Hierzu stellt Vander Ark eine Reihe von aus seiner Sicht zentralen individuellen ’skills‘ und institutionellen ‚capabilities‘ heraus (vgl. Abbildung):
 

 
Diese jeweils fünf zentralen ’skills‘ bzw. ‚capabilities‘ werden dann in jeweils eigenen Abschnitten kurz erläutert.
Vander Ark zieht folgendes Fazit aus dem zweijährigen Projekt AskAboutAI (u.a. finanziert von der William & Flora Hewlett Foundation), aus dem das Whitepaper hervorgegangen ist:

Code that learns is the most important invention in human history—and it’s being supercharged
by an explosion of sensors and supercomputing. It is changing the employment landscape and
swamping our civic infrastructure with issues inconceivable just a few years ago.

Und er formuliert Punkte, um die wir uns als Gesellschaft und Bürger kümmern müssen. Unter anderem sind dies die folgenden:

  • Wir müssen über KI reden und uns dazu schlau machen.
  • Wir müssen Curricula und Ausbildungsziele anpassen – auf allen Bildungsstufen.
  • Wir müssen KI-basierte Werkzeuge öffentlich verfügbar machen.

 

Quelle: http://www.gettingsmart.com/2017/11/ask-about-ai-the-future-of-learning-and-work/
via http://observatory.itesm.mx/edu-news/

MOOC zu "Humanoide Roboter in der Bildung"

Kursleiter Prof. Dr. Jürgen Handke schreibt:

„In diesem Kurs möchten wir zeigen, dass humanoide Roboter nicht mehr nur ein Menschheitstraum, sondern sehr greifbar für uns geworden sind. Neben Rasenmäher oder Staubsaugerrobotern existieren zunehmend mehr Roboter, die uns Menschen in unseren Fähigkeiten und unserem Aussehen nachahmen. Was können diese Roboter derzeit? Wie lernen sie dazu? Wie können wir von und mit ihnen lernen?

Diese und weitere Fragen möchte dieser Kurs beantworten  (…). Da dieser Kurs ein Tochterprojekt des Projekts H.E.A.R.T. (Humanoid Emotional Assistant Robots in Teaching) ist, basiert ein Großteil der Kursinhalte auf den Forschungsergebnissen dieses Projekts.“
Der MOOC beginnt am 16.10.2017
(via Weiterbildungsblog.de)
 

Quelle

https://mooin.oncampus.de/local/ildcourseinfo/index.php?id=oncampus-MOOC-2017-003499Mooin
 

"Digitale Kompetenzen – Kompetenzentwicklung digital" – Rückblick auf den 4. scil Trend- & Community Day 2017

Letzten Mittwoch, am 13.09.2017, fand unser 4. scil Trend & Community Day in Rorschach statt. In diesem Jahr waren wir im Würth Haus (Rorschach) zu Gast waren. Vom Ambiente her war das ein starker Kontrast zu letztem Jahr, als wir ja in der Kunstgiesserei Sitterwerk industriellen Charme erlebt hatten. Dieses Mal also eine sehr grosszügige und moderne Umgebung direkt am Bodensee. Das war auch gut so, denn mit knapp 70 Teilnehmenden waren wir eine deutlich grössere Gruppe als im letzten Jahr.
 

Bildergalerie – zum Betrachten der Bilder Klicken

 
Die Ausgangspunkte für diesen Tag wurden in den Fachbeiträgen mit jeweils etwas anderen Betonungen formuliert:

  • Zum einen technologische Entwicklungen wie Mobile Computing, Cloud Computing, Internet der Dinge, Augmented- und Virtual Reality, Künstliche Intelligenz und nicht zuletzt dramatisch anwachsende Datenvolumen sowie Data-Analytics.
  • Zum anderen Entwicklungen im Bereich Management wie eine stärkere Ausrichtung an den Kunden und dem Kundenerleben, mehr Flexibilität und Agilität sowie auch neue Organisations- und Arbeitsformen.

In den Tag gestartet sind wir mit einer kurzen Orientierung zum Themenfeld „Digitale Transformation und Personalentwicklung / L&D“. Ausgehend von übergreifenden Trends (z.B. ohne digitale Plattformen geht nichts) haben wir hier insbesondere die folgenden Handlungsfelder für L&D herausgestellt:

  • Normative Grundlagen bzw. Leitlinien für die Personalentwicklung
    z.B. Ausrichtung auf „Empowerment für eine digitale Arbeitswelt“ statt des Agierens als „Reparaturbetrieb“;
  • Gestaltung des Leistungsportfolios von L&D
    z.B. Entwicklung von „Kompetenzen für eine digitale Arbeitswelt“;
  • Gestaltung des Lerner- bzw. Kundenerlebnisses
    z.B. immersive Lernumgebungen oder der Einsatz von KI-basierten Lern-Bots;
  • Rollen, Prozesse und Infrastrukturen
    z.B. integrierende „Learning Experience“-Plattformen und neue, spezialisierte Rollenprofile für Learning Professionals;
  • Wertbeitrag und Ertragsmechanik
    z.B. Ertragsmodelle, die nicht mehr auf dem Vertrieb von einzelnen Kursen, sondern auf der Nutzung von umfangreichen Inhalte-Bibliotheken basieren.

 

Digitale Transformation: Handlungsfelder für L&D

 
Den anschliessenden Forschungsbericht stellte Sabine Seufert unter den Titel „Personal- und Persönlichkeitsentwicklung in der digitalen Welt“. Vor dem Hintergrund der eingangs angesprochenen Veränderungen stehen für die Personalentwicklung Geschäfts-Transformation und Geschäftsmodell-Innovation auf dem Programm. Sabine Seufert beleuchtete hierzu vier Gestaltungsbereiche: neue Lernformate (z.B. MOOCs), mobile (und zum Teil KI-basierte) Lernapplikationen, KI-basiertes Coaching und das Spannungsfeld von Personal- und Persönlichkeitsentwicklung in einer digitalisierten Arbeitswelt. Bei der Arbeit an diesen Gestaltungsbereichen gibt es noch Luft nach oben – dies zeigte sich, als wir die von Sabine Seufert behandelten Themen mit den Teilnehmenden über kurze Abfragen gespiegelt haben:

  • die Nutzung von MOOCs bzw. SPOCs (eigene oder externen Drittanbietern) ist erst bei ca. 5% der Bildungsorganisationen etabliert;
  • beim Einsatz von Lernapps auf mobilen Endgeräten sind die L&D-Bereiche etwas weiter – dies ist bei ca. 20% etabliert;
  • im Hinblick auf einen künftigen Einsatz von KI-basierten Lerncoaches wird die grösste Herausforderung nicht etwa in der technischen Umsetzung sondern bei der Akzeptanz durch die Zielgruppen gesehen;
  • und im Hinblick auf die Gestaltung der digitalen Transformation insgesamt stehen aktuell eher Einzelmassnahmen als kohärente Entwicklungsprogramme im Vordergrund:

Sich verändernde Kompetenzerfordernisse sind eine Dauerherausforderung für PE-Profis, das wird derzeit besonders deutlich. Aber wie damit umgehen?
Joël Krapf, L&D Spezialist bei der Schweizerischen Post und Doktorand an unserem Institut, stellte dazu das Projekt „SkillChange – Welche digitalen Kompetenzen brauchen wir bei der Post?“ vor.
Die Schweizerische Post geht das Thema „Kompetenzen für die digitale Transformation“ auf zwei Ebenen an:

  1. Auf der Ebene der Mitarbeitenden / Beschäftigten geht es
    (a) um Kompetenzen für das Arbeiten mit digitalen Werkzeugen und um das Gewährleisten von Sicherheit in digitalen (Arbeits-)Umgebungen sowie
    (b) um Schlüsselkompetenzen wie z.B. Offenheit für Neues und Lernfähigkeit.
  2. Auf der Ebene der Gesamtorganisation geht es um das Bestehen und Wachsen in einer VUCA-Welt: das Gewährleisten von „dynamischer Stabilität“ auf der einen Seite und das Begreifen von Wandel als Chance auf der anderen Seite.
    Ein Schlüssel für das Erreichen von organisationaler Agilität ist die etablierte Lernkultur. Joël Krapf stellte eine von ihm entwickelte Workshop-Sequenz vor, über die – ausgehend von dem von Marsick & Watson entwickelten Diagnose-Inventar ((Link)) – teamspezifische Handlungsfelder und Massnahmenkataloge entwickelt wurden. Ein Beispiel: in der Dimension „Empowerment von Mitarbeitenden“ das Handlungsfeld „Rollenverständnis“ und die klarere Formulierung der Rolle von Lab-Teilnehmenden.

Hier der Link zur Präsentation: Skill Change: Welche „Digitalen Kompetenzen“ brauchen wir bei der Post von Joël Krapf
 
In einem Kurzbeitrag haben wir von scil einige wenige Schlaglichter auf die Arbeit in unserem aktuell laufenden scil-Innovationskreis „Digitale Transformation – Folgen für L&D“ geworfen. Unsere zehn Unternehmenspartner arbeiten in drei Arbeitsgruppen an verschiedenen Einzelprojekten: beispielsweise an der Entwicklung eines Kompetenzmodells als Grundlage für die Überprüfung und Neu-Ausrichtung des Angebotsportfolios; an der Einführung von neuen Typen von Lernangeboten; oder an der Weiterentwicklung von Einzelprogrammen im Hinblick auf den zielführenden Einsatz von Lehr-Lerntechnologien.
Eines dieser Schlaglichter bezog sich auf die Nutzung von umfangreichen Inhalte-Bibliotheken für selbstgesteuertes Lernen und kuratierte Lernpfade. Reicht es aus, wenn L&D über entsprechende Plattformen kuratierte Sammlungen zu bestimmten Themen oder für bestimmte Beschäftigtengruppen zur Verfügung stellt? Wieviel Begleitung / Unterstützung braucht es bei welchen Zielgruppen? Braucht es orientierende Leitfragen, die den roten Faden über verschiedene einzelne Lernressourcen hinweg bilden? Braucht es explizite Aufforderungen, Zwischenstände im jeweils eigenen Lernprozess zu notieren und zu reflektieren? Hier ist noch vieles unklar. Angefangen von der Frage, wie solche Lernpfade dargestellt werden sollen, bis hin zur Gestaltung einer (eventuell erforderlichen) Lernbegleitung.
 

Inhalte-Bibliotheken und Lernpfade

 
Nach der Mittagspause haben wir uns zunächst ganz analog inspirieren lassen – durch insgesamt drei Führungen zu den aktuellen Ausstellungen im Forum Würth (Link).
Unser diesjähriger Themen-Marktplatz hatte insgesamt sechs Stationen mit sehr unterschiedlichen Angeboten:

  • Ulla Rinkes, Lisette Schenk-Gafner und Daniel Ramm stellten durch Poster-Präsentationen ihre Abschlussprojekte zum Diplomprogramm „Bildungsmanagement“ vor: die Einführung von Coaching; ein Einführungsprogramm für neue Mitarbeitende; und ein Marketing-Konzept für Kunden-Schulungen.
  • Mobile Lernlösungen wurden von KnowledgeFox (Lernkarteikarte) und von Swiss Virtual Business School (Echo-App) vorgestellt.
  • Eine Plattform zur Unterstützung von adaptivem Lernen wurde von area9learning aus Dänemark vorgestellt.
  • Aus den Reihen unserer Alumni wurden eine Reihe von weiteren Projekten vorgestellt: Einrichtung einer Kreativ- bzw. Denkwerkstatt (Liechtensteinische Landesbank); Einführung von Live-Online Training (Schwäbisch Hall Training); Working out loud (Swisscom); Bots zur Unterstützung von Lernen (SAP Education).

Der letzte inhaltliche Beitrag an diesem Tag kam von Dr. Karin Vey vom IBM Forschungszentrum in Rüschlikon: „Die Zukunft von Arbeiten, Lernen und Führen – Künstliche Intelligenz und die Folgen“. Als Startpunkt wählte Karin Vey die exponentielle Zunahme der verfügbaren digitalen Daten (gegenwärtig ca. 2.7 Zettabyte – das entspricht in etwa der Kapazität von ca. 600 Milliarden DVDs). 80% davon sind unstrukturierte Daten ausserhalb von Datenbanken (Texte, Videos, Fotos, etc.). Kognitive Systeme wie z.B. IBM Watson können grosse Mengen dieser Daten verarbeiten und über Schnittstellen verschiedene Services verfügbar machen. Damit stehen uns künftig immer mehr „kognitive Assistenten“ für verschiedenste Aufgaben zur Verfügung. Die Ausgabe von Text in gesprochener Sprache und Echtzeitübersetzung zwischen verschiedenen Sprachen kennen wir heute schon. Gesichtserkennung und die automatisierte Analyse von Bildern in der klinischen (Tumor-)Diagnostik ebenfalls. Künftig wird es kognitive Assistenten aber auch in für uns noch ungewohnten Bereichen geben: bei der Umsetzung von klinischer Forschung in der Pharmazie; bei der Erstellung von ersten Arbeitsversionen von Trailern zu Kinofilmen (aktuell in der Umsetzung für den Film „Morgan“); oder als Entscheidungs-Unterstützungs-Systeme, etwa wenn es um die Bewertung von Unternehmen im Zusammenhang mit Fusionen und Firmenübernahmen geht.
Kognitive Systeme wie Watson können aber auch in Szenarien zum Einsatz kommen, die näher an unserem Arbeitsalltag im Feld Lehren, Lernen und Bildungsmanagement sind.

  • z.B. ein virtueller Lernbegleiter, der eine personalisierte, kuratierte Lernumgebung zusammenstellt und dabei sich verändernde Geschäftsanforderungen berücksichtigt. IBM hat dies 2016 für seine ca. 375’000 Mitarbeitenden in der Applikation „MyLearning“ umgesetzt (hier ein kurzes Video dazu);
  • z.B. ein virtueller Entwicklungs- bzw. Karriere-Coach (mehr dazu auf dieser Webseite);
  • z.B. ein virtueller „Stimmungs-Beobachter“ in virtuellen Vorlesungen, der die vorherrschende Stimmung unter den Studierenden analysiert und für die Lehrperson repräsentiert (hier ein kurzes Video dazu).

Karin Vey stellte am Ende ihres Beitrags „AI“ („Artistic Intelligence“, nicht artficial intelligence) als künftige Kernkompetenz für Führungskräfte heraus. Künstler arbeiten häufig unter Rahmenbedingungen, die einer VUCA-Welt sehr ähnlich sind und sie sind besonders gut in der Lage, zu explorieren und zu experimentieren, ihren Wahrnehmungsraum zu erweitern, Spannungen und Mehrdeutigkeiten in kreative Lösungen umzusetzen und neue Wege zu gehen. Sie schliesst den Bogen zum Rahmen für unseren Tag im Würth Forum mit dem Hinweis, dass Kunst-basierte Interventionen (hier ein kurzer Blogbeitrag dazu) ein Weg sind, wie diese „Artistic Intelligence“ entwickelt werden kann.
Zum Abschluss des Tages stellten wir noch einige unserer neuen Pläne für das nächste Jahr vor. So werden wir demnächst interaktive Webinare als neues Format erproben. Bei einer ersten Durchführung Ende Oktober geht es anhand von drei Fallstudien um „Neue Organisationsformen für Learning & Development„. Ein zweites Entwicklungsthema, das wir verfolgen wollen, ist ein Benchmarking-Kreis zu „Kompetenzen für eine digitale Arbeitswelt“. Ziel ist die Modellierung dieser Kompetenzen, die gemeinsame Standortbestimmung und die Ableitung von Entwicklungsmassnahmen. Ein drittes Entwicklungsthema, bei dem wir Synergien zu Forschungs- und Entwicklungsarbeiten am ‚Institut für Wirtschaftspädagogik – Digitale Bildung & Betriebliche Bildung‘ erwarten, ist der Aufbau eines Zertifikatsprogramms „Digitale Bildung“, welches sowohl die im Corporate Learning einhergehenden Herausforderungen inhaltlich aufnimmt, als auch neue „digitale“ Lernformate erlebbar macht.
 

Aufbau eines CAS „Digitale Bildung“

 
Abschliessend noch der Hinweis auf den Termin für unseren nächsten scil Trend- & Community Day: Mittwoch, 12.09.2018.

Use cases für Machine Learning im Bereich der Personalentwicklung (SAP AG)

Thomas Jenewein, SAP Education, hat in einem Post sieben Einsatzbereiche für ‚Machine Learning‘ (vgl. die Abbildung unten zu vier zentralen Schritten dabei) bzw. Bots im Bereich von Lernen und Entwicklung umrissen:

  • Bots als persönliche Lerncoaches, die bei der Kompetenzdiagnose unterstützen, Inhalte empfehlen und bei der Formulierung von Lernzielen helfen.
  • Bots als (Unterstützer von) Community Moderatoren, die Fragen z.B. von neuen Mitgliedern einer Community beantworten und so den menschlichen Moderator entlasten.
  • Bots als Inhalte-Kuratoren, die z.B. auf der Grundlage von individuellen Berufs- oder Bildungshistorien relevante offene Lerninhalte, Videos, Blogs, etc. vorschlagen.
  • Bots als Inhalte-Ersteller, die auf der Grundlage von einer Spezifikation automatisch interne, lizensierte oder frei verfügbare Inhalte suchen und zusammenstellen.
    (Hier ist mir die Abgrenzung zum Kuratieren nicht klar)
  • Bots als Lernbegleiter, die z.B. beim Erlernen des Arbeitens mit einer neuen Software Kontext-spezifische Hilfestellungen anbieten.
  • Bots als Übersetzer, die Inhalte aus einer Fremdsprache in die eigene Sprache übersetzen.
  • Bots als Zertifizierer, die personalisierte Kompetenzüberprüfungen ermöglichen.

Zu einigen dieser hier aufgeführten Szenarien sind bereits Lösungen verfügbar (z.B. Webassistenten für Software), zu anderen entwickelt SAP Prototypen (z.B. automatische Übersetzung von Kursmaterialien, Moderatoren-Unterstützung) und wieder andere liegen für meinen Eindruck noch weiter in der Zukunft.

 

Quelle

Blogs.SAP.com, 26.07.2017

 

Künstliche Intelligenz – ein bunter Mix auf dem Weg in den Sommer

Drei Fundstücke, auf die ich in der letzten Zeit gestossen bin und die verschiedene Einsatzbereiche von künstlicher Intelligenz aufzeigen…

Dig Down: ein automatisch erstelltes Musikvideo:

The brand new video from Muse uses the latest in Artificial Intelligence technology to create a lyric video for new single „Dig Down.“ Using the latest in machine learning capabilities the AI tool has been tasked with scraping hundreds of hours of footage searching for occurrences of words from the „Dig Down“ lyrics and produces a library of video clips. The clips are then pieced together using timed information from the original song to create a lyric video where each lyric is voiced by a different person. The process will be repeated every day – check back tomorrow to see the updated video.

Quelle: http://ai.muse.mu/

Video-Indexer – automatische Erkennung von Szenen, Personen, Geräten etc. in Videos

Joachim Niemeier hat im Rahmen des CL Moocathon in einem Forumsbeitrag beiläufig darauf hingewiesen: Video-Indexer ist ein Cloud-basierter Dienst, der Videos automatisch auswerten kann:

So können einzelne Szenen erkannt werden, Keyframes lassen sich extrahieren und das Video anhand der erkannten Objekte auch annotieren. Darüber hinaus erkennt das System Gesichter und Bewegungen, kann Gesprochenes den Sprechern zuordnen, dieses dann transkribieren und übersetzen. Selbst dargestellter Text kann einem Video entlockt werden. Darauf aufbauend ermöglicht der Azure-Dienst dann eine Sentiment-Analyse, um positive oder negative Stimmungen in dem Video zu erkennen.

Microsoft hat dann auf der eigenen Entwickler-Konferenz ein plausibles aber auch beängstigendes Überwachungs-Szenario auf dieser Grundlage vorgestellt: die Überwachung einer Werkstatt, der dort tätigen Personen und der dort verfügbaren Geräte, z.B. im Hinblick auf unsachgemässe Lagerung oder unberechtigte Benutzung von Geräten…

Hier ein Video dazu: https://www.videoindexer.ai/media/c4c1ad4c9a/?t=1899.16 (Laufzeit: ab ca. 0.29.4)

Quelle: golem.de

Duolingo Bots – Sprachlernen im Gespräch mit einem Bot

Duolingo, die bekannte Sprachlernapp, hat im Herbst letzten Jahres eine Erweiterung erfahren. Das Unternehmen lancierte KI-basierte Chatbots, mit denen eine Unterhaltung in einer Fremdsprache möglich ist.

Warum setzt Duolingo auf Chatbots? Sprachtraining per Text- oder Voicechat wäre ja auch mit einem Gegenüber aus Fleisch und Blut möglich (vgl. z.B. den Webservice „The Mixxer„, der genau dies unterstützt). Luis von Ahn, CEO bei Duolingo, verwies in einem Interview mit dem Guardian im letzten Herbst darauf, dass es den meisten Menschen peinlich ist, in einer Fremdsprache, die sie nicht gut beherrschen, mit anderen Menschen zu sprechen. Mit einem Chatbot ein Gespräch in einer fremden Sprache zu üben ist dagegen nicht peinlich.

Noch gibt es verschiedene Einschränkungen:

  • 3 Bots und entsprechende Situationen:
    Restaurant – Chef Roberto; Taxifahrt – Renée the Driver; Officer Ada;
  • verfügbar nur für iOS;
  • verfügbar nur für Englisch-Spanisch, Englisch-Französisch, Englisch-Deutsch;
  • Eingabe von Antworten z.T. noch per Tastatur erforderlich

Duolingo plant, diesen Service in den nächsten Jahren auszubauen. Hier ein Video mit der Aufzeichnung einer Interaktion mit Chef Robert (in Spanisch): https://youtu.be/o-m9TBs3v34.

Link: http://bots.duolingo.com/

Und dann zum Schluss noch ein Hinweis: im Rahmen unseres scil Trend- & Community Tags am 13.09. in Rorschach wird Dr. Karin Vey vom IBM Forschungslabor in Rüschlikon (Zürich) zum Thema „Die Zukunft von Lernen, Arbeiten und Führen: Künstliche Intelligenz und die Folgen“ berichten – ich bin schon sehr gespannt darauf!

 

 

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

Ok Abmelden