Оптимизация доставки образовательного контента в эпоху больших данных
Аудитория: студенты, преподаватели.
Архитектурная устойчивость и адаптивные компоненты
Современные адаптивные обучающие среды больше не являются монолитными системами; теперь они имеют сложную, декомпозированную архитектуру, включающую порталы доступа для преподавателей и студентов, контент-серверы и централизованные серверы моделей пользователей. Такая модульность позволяет интегрировать «сервисы дополнительтных услух» и адаптивные оболочки посредством плагинов или механизмов на базе «тонкого клиента» — таких, как адаптивный движок PERSEUS, который заменяет ручное программирование развертыванием средств адаптации учебного процесса на основе конфигурации. Отделяя статистику пользователей и моделирование знаний от процесса доставки обучающих материалов, эти системы позволяют достичь масштабируемости, необходимой для поддержки самых разных предметных областей — от программирования на SQL и Java до когнитивных обучающих систем по алгебре, — сохраняя при этом гибкость, позволяющую развиваться без необходимости полной системной перестройки.
Достижения в области моделирования знаний студентов на основе больших данных
Суть современной компьютерной поддержки обучения заключается в способности отслеживать динамику развития учебных навыков студентов с помощью методов байесовского отслеживания знаний (BKT) и аддитивных факторных моделей (AFM). Опираясь на т.н. «большие данные» (Big Data) из массовых открытых онлайн-курсов (МООК) и когнитивных обучающих систем, эти модели используют EM-алгоритмы и логистическую регрессию со случайными эффектами для прогнозирования успеваемости студентов и выявления «плато» в процессе обучения. К числу значимых результатов относится разработка высокопроизводительных средств с открытым исходным кодом (например, hmm-scalable и модифицированной библиотеки LIBLINEAR), способных обрабатывать данные размером в миллиард записей и более, охватывающих десятки тысяч умений и студентов; это фактически смещает «узкое место» процесса — ранее связанное с вычислительными мощностями — в сферу совершенствования самих когнитивных моделей.
Автоматическое извлечение понятий и пределы стереотипной адаптации
В неструктурированных средах — таких как онлайн-курсы по программированию, где ручное разработка структур знаний практически неосуществима, — современные методы теперь используют автоматический синтаксический анализ (парсер) исходного кода для извлечения составления карты знаний непосредственно из абстрактных синтаксических деревьев. Хотя эти модели демонстрируют высокую точность прогнозирования (до 75%) и практическую ценность при генерации подсказок для написания кода в режиме реального времени, исследования указывают на серьезную проблему, связанную с адаптацией на основе набора типовых поведений учащихся (т.н. стереотипов). Имеющиеся данные свидетельствуют о том, что сегментирование студентов на группы с помощью демографических признаков или кластеров поведений при работе над кодом решения задачи (например, «испытывающие трудности» против «успешных») не приводит к созданию существенно отличающихся или более эффективных моделей знаний. Это позволяет предположить, что будущие адаптивные стратегии должны смещаться в сторону локализованного, сиюминутного анализа поведения — вместо опоры на статичные профили студентов, — чтобы по-настоящему оптимизировать индивидуальную траекторию обучения.
Подготовлено с помощью ИИ и проверено на точность 🤖