Адаптивное обучение: 5 шагов для старта
К мысли про адаптивность приходят чаще всего те, кто уже внедрил LMS, настроил корпоративный портал и обрел опыт в разработке традиционных курсов. Если в вашей компании не используется e-learning, есть свой плюс: это возможность сразу ориентироваться на гибкость, скорость и персонализацию.
Рассмотрим на примере WebTutor, как перейти к адаптивному обучению, максимально используя имеющиеся наработки.
С чего начать переход к адаптивному обучению или его внедрение?
Шаг 1. Настроиться на микрообучение
Адаптивное обучение подразумевает построение индивидуальных траекторий обучения. Для этого контент должен быть разбит на микро-дозы, кванты, фрагменты. Ранее мы уже говорили о том, что с позиции сотрудника это снимет первоначальное сопротивление на старте обучения и стимулирует найти время для прохождение небольшого курса, теста, видео-ролика. А также поможет создать оптимальный набор элементов, учитывая уровень подготовки и пробелы в знаниях учащегося.
У микрообучения есть преимущества и с позиции учебного центра. Микро-контент быстрее создавать и проще управлять. А LMS с микро-контентом можно использовать в качестве справочного центра.
Построить адаптивное обучение в принципе невозможно, если в корпоративной LMS громоздкие перенасыщенные курсы или длительные записи вебинаров. Внутри такого контента будет множество фрагментов, которые для конкретного учащегося или знакомы, или непонятно описаны. Включая такой большой материал в траекторию обучения, нельзя определить, на каком этапе учащийся споткнулся, когда он нуждается в обратной связи или дополнительном материале.
Если планируете внедрить адаптивное обучение, приготовьтесь не только сегментировать имеющиеся курсы, но и увеличить количество контента. Потребуется разработать микро-элементы на одну и ту же тему с разным уровнем сложности и глубины рассмотрения темы.
Шаг 2. Разработать карты знаний
Когда контент разбит на микро-элементы, его проще создавать, обновлять и использовать. А еще благодаря этому можно описать карты знаний и привязать к каждой теме нужный элемент контента (курс, книга, запись вебинара), учебную активность (участие в дискуссии, ответ на анкету, пост в блоге) или тестовое задание.
Таким образом мы дадим учащемуся ту информацию, которая соответствует его потребности, и сможем четко понять, на каком этапе он ошибся и нуждается в помощи. Обнаружить пробелы в знаниях помогут адаптивные тесты.
Фрагмент описания предметной области на примере реальной базы знаний смотрите тут.
Шаг 3. Углубиться в аналитику учебного портала
Термин “количество человеко-курсов” сейчас звучит странно, хотя еще несколько лет назад успешность внедренной СДО измерялась количеством пользователей, контента и сданных тестов. Для того, чтобы перейти к статистике на уровне адаптивного обучения (анализ больших данных, предиктивная аналитика), начать стоит с анализа имеющихся цифр.
Параметры, которые чаще всего измеряют в системах онлайн-обучения:
- количество пройденных курсов, тестов, программ обучения, вебинаров, тренингов (если говорим об управлении смешанным обучении в рамках LMS),
- количество единиц контента, разработанных, обновленных и устаревших,
- количество назначенных учебных мероприятий и активностей,
- средний проходной балл по сотрудникам, должностям, в разрезе подразделений, с фильтром по опыту, месту работы и т.д.,
- количество зарегистрированных пользователей учебного портала, новичков,
- количество времени, которое пользователи проводят на учебном портале с различными фильтрами по пользователю, подразделению, профессии,
- количество обращений к учебному порталу в час, сутки, месяц, год и динамика.
LMS хранит еще множество данных, по которым можно оценить эффективность обучения, востребованность корпоративного учебного портала и его соответствие стратегии развития компании:
- результаты обратной связи по учебному порталу, контенту и тестовым заданиям, которые могут выражаться в KPI, процентах и комментариях,
- вопросы в тестах, на которые все отвечают верно или, наоборот, ошибаются,
- этапы курсов, на которых чаще всего прекращают обучение; отклики, лайки, рекомендации, сообщения об ошибках в контенте.
Можно сопоставлять успехи в обучении с показателями продаж, KPI и другими HR-процессами.
В адаптивном обучении аналитика станет сложнее. Система будет:
- собирать данные о знаниях и умениях человека (исходных и дальше в процессе обучения),
- делать выводы о первоначальном и дальнейшем обучении,
- направлять учащегося по нужной траектории обучения, используя все исходные данные о нем, о процессе обучения и о других людях, которые проходят ту же тему.
Может использоваться информация о том, уверен ли учащийся в своих ответах на вопросы, на каких темах ему лучше всего сфокусироваться сейчас и что понадобится в будущем, какие прогнозы можно сделать опираясь на истории обучения.
Для того, чтобы научиться работать с еще большим количеством данных, опираясь на machine learning и прогнозируя эффективность сотрудника по его резюме и результатам обучения, важно хорошо разбираться в уже сейчас доступных цифрах.
Шаг 4. Использовать адаптивные тесты
Традиционный онлайн-тест представляет собой автоматическую выборку из базы вопросов, сформированной вручную разработчиком этого теста, предметным экспертом. Количество предоставляемых вопросов в тесте зафиксировано, а результат оценивается набранным баллом и процентом верных ответов.
В адаптивном тесте, в отличие от традиционного, выборка из базы вопросов автоматическая на основе алгоритма. Количество вопросов и последовательность их предоставления тоже определяет алгоритм. Оценивается набранный балл, процент верных ответов и уровень знаний по каждой предметной области.
Когда LMS, используя карты знаний, формирует уникальные тестовые задания, можно провести срез знаний быстрее, затратив меньшее количество вопросов, не заставляя учащегося отдельно проходить несколько традиционных тестов по разным темам.
Переходя к адаптивным тестам, убедитесь в том, что тестовая база качественная:
- формулировка вопросов и ответов однозначна,
- неверные ответы составлены на основе ошибок,
- используются различные типы вопросов (один из многих, многие из многих, упорядочение, поле ввода),
- используются различные категории вопросов (знание, понимание, применение),
- проходной балл и установленный экспертом уровень сложности откалиброваны на пилотной группе.
Для опытных разработчиков тестов эта информация может показаться элементарной, хотя новички часто замыкаются на вопросе единичного выбора, уделяют недостаточно внимания составлению неверных вариантов ответов и не знают о таксономии Блума.
Применить алгоритм адаптивного (многоуровневого) тестирования для системы WebTutor можно тут.
Шаг 5. Перейти к адаптивным траекториям обучения
Можно выделить два направления перехода к адаптивным траекториям:
- на основе единичных пилотных проектов,
- комплексно на уровне стратегии обучения.
Первый может показаться проще и дешевле, зато второй - глобальный.
Чем будет отличаться адаптивный курс от традиционного?
В традиционном электронном курсе набор модулей обучения заранее определен разработчиком, даже если мы говорим о разветвленном сценарии. Адаптивный курс будет создаваться и изменяться автоматически на основе алгоритмов, используя контент из карт знаний, адаптивные тесты, оценочные мероприятия, различные учебные активности, задания и другие компоненты.
Важный момент: в традиционном линейном и в адаптивном курсе можно использовать как внутренние, так и внешние учебные ресурсы. Соединить все результаты в единой базе и отобразить это в профиле пользователя учебного портала поможет стандарт xAPI. LMS, которая умеет это делать, становится LRS (learning record store).
В зависимости от настроек, динамическая структура адаптивного курса будет учитывать особенности и потребности учащегося, перестраивая его индивидуальную траекторию обучения. А возможность обратной связи на каждый элемент контента станет индикатором его актуальности, который смогут контролировать сами учащиеся.
Чем больше данных имеет система адаптивного обучения, тем точнее будет построена персональная учебная траектория. Может учитываться информация от других учащихся о том, с какой скоростью и результатами происходит усвоение каждого элемента. Это позволяет откалибровать построенные траектории.
Подведем итоги
- Компаниям, которые длительное время используют LMS, предстоит пересмотреть учебные процессы и ранее разработанный контент: перейти к микрообучению, описать карты знаний, углубиться в аналитику учебного портала.
- LRS благодаря стандарту xAPI позволяет использовать в траекториях обучения не только внутренние учебные ресурсы компании, но и внешние, отображая результаты в едином профиле пользователя.
- В системе WebTutor 3.4. вы можете разрабатывать микро-контент, описывать карты знаний, использовать разнообразну аналитику и настраивать механизмы адаптивного тестирования. Адаптивные курсы будут доступны в версии 3.5 (июль 2018)
А теперь вопросы о будущем.
Когда искусственный интеллект сможет проанализировать результаты десятков и сотен учащихся, автоматически тегировать контент в нужные сегменты карты знаний и самостоятельно выстроить траектории обучения, что будет делать корпоративный отдел обучения? Что мы сможем предложить такого, чего не сделает робот? Возможно, об этом стоит подумать уже сейчас.
