Domů > Spomocník > Základní vzdělávání > Staronový pohled na inteligentní výukové systémy
Odborný článek

Staronový pohled na inteligentní výukové systémy

Anotace

Aktuální pohled na vývoj minimálně 40 let existujícího pojmu „inteligentní výukový systém“ (intelligent tutoring system), který se v oblasti vzdělávacích technologií díky využití umělé inteligence vrací do popředí zájmu odborníků.

S pojmem „inteligentní výukový systém“ (Intelligent Tutoring System – ITS) jsem se setkal naposledy v 90. letech minulého století. Tehdy jsme se prostřednictvím technologií pokoušeli práci učitele v duchu behaviorismu automatizovat, tj. učení žáka řídit a jeho výsledky ověřovat (Zkoušení na počítači). Pak se ukázalo, že to s využitím tehdejších technologií nejde. V té době ITS chtě nechtě dokázaly jen předložit všem uživatelům stejný postup, tzv. inteligence se omezovala nanejvýš na náhodný výběr otázek v testu. Vrcholem byla ručně naprogramovaná adaptivita, tedy větvení programu v závislosti na předchozí aktivitě žáka (typicky na aktuálních výsledcích testu). Proto byly ITS postupně odsouzeny k zapomnění (viz Co bylo špatně).

Historie (nejen) školství nás učí, že se vše v pozměněné podobě opakuje. Znovu a znovu zjišťujeme, že pro nás nový postup (teorie) je znám již desítky či stovky let. Proto asi nikoho nepřekvapí, že pojem ITS stále žije. On nejen žije, ale tyto systémy pravděpodobně čeká návrat na výsluní zájmu odborníků. Budou ovšem vypadat již dost jinak a jejich možnosti budou mnohem vyšší.

Při pohledu do vyspělého světa narazíme na jeden ústav, který myšlenku ITS zcela nezavrhl ani během minulých let, kdy vývoj sledoval hype cyklus a byli jsme ve fázi deziluze (Amarův zákon). Vděčíme za to ve značné míře profesoru Carnegie Mellon University (CMU) Kennethu Koedingerovi, který v rámci této instituce v roce 1998 založil specializované vědecké pracoviště orientované na implementaci kognitivních věd při návrhu technologiemi podporovaných výukových metod – nyní LearnLab. V minulosti se profesor Koedinger podílel na zavádění e-learningu na CMU. Všeobecně známým a hojně používaným se stal ITS zvaný Cognitive Tutor, který se původně specializoval na výuku matematiky.

Během posledních 20 let LearnLab rozvíjela principy a ověřovala hypotézy spojené s využitím ITS (viz Robust Learning Theoretical Framework). Behavioristické metody aplikované v minulém století byly díky vývoji kognitivních věd přehodnoceny a začala být hledána rovnováha mezi instruktivním a konstruktivním přístupem. Jedním z problémů, který pěkně ukazuje souvislosti, je tzv. asistenční dilema (Assistance dilemma). Jde o to, do jaké míry má systém pomáhat žákovi najít správný postup. Je zřejmé, že je-li veden za ručičku, dokáže najít cestu k řešení snáze. Ale za cenu snížení zájmu o učení. Je-li asistence malá, existuje vyšší šance, že žák bude hledat správný postup sám, zvláště tehdy, bude-li mít o danou problematiku zájem. V tom případě samozřejmě musí použít vyšší formy myšlení. Snad je zřejmé, který z těchto dvou přístupů je instruktivní a který konstruktivní. E-learning CMU se již několik let snaží do svých kurzů zavádět optimalizovanou zpětnou vazbu, která na počátku studia dané problematiky studenta více vede a na vyšších úrovních mu poskytuje větší volnost.

Zásadní posun ve vývoji ITS nastal cca před pěti lety s rozvojem umělé inteligence (AI) a využitím velkých dat. Současný stav je možné sledovat např. na ukázce, kterou tým LearnLab prezentoval na CHI konferenci (CHI Conference on Human Factors in Computing Systems) v dubnu 2020 – An Interaction Design for Machine Teaching to Develop AI Tutors (Interaktivní tvorba pro strojové učení připravující umělé učitele) [1].

An Interaction Design for Machine Teaching to Develop AI Tutors

Prosím, uvědomte si, co ten zásadní posun vyvolalo. Při aplikaci metod strojového (hlubokého) učení již není výsledné chování počítačového systému (v tomto případě ITS) určováno jen kódem, který musel někdo celý naprogramovat. Funguje to tak, že se stroj (vybavený neuronovou sítí) učí postupy, které následně používá pro řízení práce žáků. V ukázce výše je nejprve daný problém (sčítání vícemístných čísel) předložen většímu množství žáků a dokonalý učitel z masa a kostí průběžně hodnotí jejich postup. Po určitém čase je pak stroj (učitel umělý) schopen ty nejlepší postupy rozeznávat a méně zdatné žáky k nim přivádět. Jedná se o model postavený na principu „učitel učí počítač učit“ (Apprentice Learner).

Přestože zatím takovéto nástroje nelze nasadit plošně a jejich aplikace je náročná na čas i kvalifikaci tvůrců, je kvalitativní skok zjevný. Systém strojového učení má v sobě automaticky zabudovanou schopnost rozpoznat, který výukový postup je nejúčinnější, a ve správné situaci (v budoucnu rozpoznané analýzou velkých dat) ho individualizovaným způsobem použít (personalizace).

Již dnes existují příklady nasazení podobných technologií. Nemusí se hned jednat o vzdělávání. Zcela netušené možnosti ukazuje např. japonská holografická „hračka“ Gatebox, která ve formě rozkošné mladé dívky simuluje přátelství k jejímu vlastníkovi. Jiným příkladem je v USA působící firma ROYBI, která má čínské pozadí a cíleně se hlásí k aplikaci ITS s umělou inteligencí formou pro děti přátelských robotů [2]. To zařízení soustavně sbírá data mapující vlastnosti svého uživatele (včetně rozpoznávání emocí kamerou) a předkládá mu skutečně personalizovanou hravou výuku desítek témat vhodných pro 2–8leté děti. Výrobce tvrdí, že bezpečnost dat je zajištěna ukládáním na servery Amazonu.

Nechám na vás, jak se k rizikům spojeným se sledováním činnosti dětí (i dospělých), bez něhož se řízení výukové činnosti neobejde, postavíte. Nevím, zda dospějete k závěru, že to je v zájmu našich dětí nezbytné. K rozhodnutí bude nutné jednoznačně odpovědět na otázku, zda jsou aktivity systémů ITS skutečně prakticky přínosné.

Ann Michaelsen odkazuje na jeden španělský výzkum [3], který tvrdí, že systémy, které integrují hypermediální chytré postupy (použitý termín Smart Tutoring Systems odpovídá našemu ITS), vykazují vyšší účinnost při dosahování výukových cílů, a že personalizovaná zpětná vazba posiluje samořízené učení žáků (Self-Regulated Learning).

Výzkum v této oblasti je zatím vysloveně v plenkách a bude jistě třeba ho dál rozvíjet.

Literatura a použité zdroje

[1] – WEITEKAMP, Daniel; HARPSTEAD, Erik; KOEDINGER, Ken R. An Interaction Design for Machine Teaching to Develop AI Tutors. 2020. [cit. 2021-8-16]. Dostupný z WWW: [https://dl.acm.org/doi/abs/10.1145/3313831.3376226].
[2] – How Intelligent Tutoring Systems are Changing Education. 2020. [cit. 2021-8-16]. Dostupný z WWW: [https://medium.com/@roybirobot/how-intelligent-tutoring-systems-are-changing-education-d60327e54dfb].
[3] – SÁIZ-MANZANARES, María Consuelo. et al. Does the Use of Learning Management Systems With Hypermedia Mean Improved Student Learning Outcomes?. 2019. [cit. 2021-8-16]. Dostupný z WWW: [https://doi.org/10.3389/fpsyg.2019.00088].

Licence

Všechny články jsou publikovány pod licencí Creative Commons BY-NC-ND.

Hodnocení od uživatelů

Článek nebyl prozatím komentován.

Váš komentář

Pro vložení komentáře je nutné se nejprve přihlásit.

Článek není zařazen do žádného seriálu.