استفاده از یادگیری ماشین برای یادگیری انسان

دانش آموزان کامپیوتر نیستند، اما به لطف هوش مصنوعی و یادگیری ماشین، رایانه‌­ها شبیه دانش‌­آموزان می‌­شوند. یادگیری ماشینی که زیرمجموعه‌­ای از هوش مصنوعی است و تجزیه و تحلیل مجموعه‌­های کلان داده را تسهیل می­کند، به رایانه‌­ها اجازه می‌دهد تا به طور خودکار نتایج خاصی را پیش­ بینی کنند و با آن­ها سازگار شوند. به طور خلاصه، آن­ها می­توانند به طور مستقل یاد بگیرند.

یادگیری ماشین در آموزش

یادگیری ماشینی در آموزش، تجربه­ های زیادی را هم برای دانش‌­آموزان و هم برای معلمان به وجود می ­آورد. یادگیری ماشینی بهینه‌سازی و شخصی‌سازی تجربیات یادگیری برای دانش‌آموزان و همچنین کمک به معلمان در جهت نمره‌دهی سریع‌تر و با دقت بیشتر است.

مطالعه به عنوان یک علم

Quizlet یک ابزار مطالعه آنلاین است که به کاربران اجازه می‌دهد آزمون‌­ها، فلش‌ کارت‌­ها و نمودارها را ایجاد کنند یا از مواردی که از قبل موجود بوده، استفاده کنند. بنیان­گذار این شرکت، اندرو ساترلند، در سال ۲۰۰۵ زمانی که دانش‌آموز دوم دبیرستان بود و سعی می‌­کرد برای آزمون زبان فرانسه درس بخواند، این ایده را مطرح کرد. چهارده سال بعد، Quizlet بیش از ۵۰ میلیون کاربر فعال و بیش از ۳۰۰ میلیون مجموعه مطالعه در موضوعات متعدد داشت.

وجود تعداد زیادی از کاربران و محتوای کاربر، به این معنی است که Quizlet به داده ­های زیادی دسترسی دارد. این شرکت با استفاده از آمار و یادگیری ماشینی، از این داده­ ها برای کشف این که چگونه دانش ­آموزان می­توانند به طور مؤثرتری مطالعه کنند، استفاده می­کند.

همان طور که این شرکت در مطالعه‌ای در سال ۲۰۱۷ اشاره کرد، بهترین راه برای یادگیری چیزی، مرور مکرر مطالب در یک دوره زمانی طولانی است. با این حال، اغلب، بسیاری از دانش‌آموزان در آخرین لحظه مطالب را جمع ­بندی می‌­کنند.

با در نظر گرفتن این موضوع، Quizlet یک پلتفرم دستیار یادگیری، ابداع کرد که اصطلاحاتی را که دانش‌­آموزان احتمالا فراموش می­کنند، اولویت‌­بندی می‌­کند. ارائه این اصطلاحات شامل الگوریتم دستیار یادگیری Quizlet می­شود که صحت پاسخ ­ها، زمان پس از آخرین پاسخ، زمان بین پاسخ ­های قبلی و مسیر مطالعه را در نظر می‌­گیرد.

این الگوریتم نه­تنها می‌­تواند به‌ خوبی حافظه کاربر را پیش­ بینی کند، بلکه اصطلاحاتی را که نیاز به کار دارند اولویت‌­بندی می‌­کند و در نهایت به دانش ­آموزان اجازه می­دهد تا موضوعات جدید را به صورت کارآمدتر یاد بگیرند.

در اینجا چند نمونه دیگر از نحوه استفاده از یادگیری ماشین در آموزش آورده شده است:

SchooLinks

مکان: آستین، تگزاس

نحوه استفاده از یادگیری ماشینی: این پلتفرم با کمک به دانش ­آموزان در مواردی مانند ساختن رزومه، جستجوی کالج، محاسبه کمک ­های مالی، برنامه ­ریزی برای دوره ­های آموزشی، کالج و مشاغل مختلف، آن­ها را برای درس­ هایشان آماده می­کند. کل این تجربه نیز با استفاده از الگوریتم­ های ماشین لرنینگ، شخصی­ سازی می­شود.

CollegeAI

مکان: بوستون، ماساچوست

نحوه استفاده از یادگیری ماشینی: CollegeAI از یادگیری ماشینی استفاده می­کند تا به دانشجویان احتمالی کالج کمک کند تا بر اساس اطلاعاتی که ارائه می‌­شود، بهترین مدارس را برای خود انتخاب کنند. همچنین به کاربران گفته می­شود که چرا یک مدرسه خاص، انتخاب خوبی هست یا نیست.

Duolingo

مکان: پیتسبورگ، پنسیلوانیا

نحوه استفاده از یادگیری ماشینی: Duolingo یادگیری یک زبان جدید را شبیه به بازی می‌­کند. Duolingo بیش از ۳۰۰ میلیون کاربر فعال دارد که هر ماه میلیاردها تمرین را انجام می­دهند. با استفاده از این داده ­ها و یادگیری ماشینی، Duolingo یک مدل آماری توسعه داده است که نشان می‌­دهد کاربران چقدر می‌­توانند کلمات جدیدی را که یاد گرفته ­اند، قبل از این که شروع به فراموشی کنند و نیاز به تجدید نظر داشته باشند، به خاطر بسپارند.

Cognii

مکان: بوستون، ماساچوست

نحوه استفاده از یادگیری ماشینی: دستیار یادگیری مجازی مبتنی بر هوش مصنوعی Cognii، آموزش مجازی و درجه‌­بندی سریع، پاسخ‌­های روشن و همچنین ابزارهای مطالعه و بررسی را ارائه می‌­دهد. یادگیری ماشینی در این فناوری برای فردی کردن و بهبود یادگیری و بازخورد استفاده می­شود.

Testive

مکان: بوستون، ماساچوست

نحوه استفاده از یادگیری ماشینی: Testive یک مربی آنلاین است که از یادگیری ماشین و مربیان انسانی برای کمک به دانش‌­آموزان استفاده می ­کند و این کار را برای بهبود نمرات آزمون استاندارد، از طریق آموزش شخصی­ سازی شده انجام می­دهد.

Testive با همکاری با دبیرستان‌­ها، منابع آمادگی آزمون و اساتید را با قابلیت‌­های نظارتی برای ردیابی پیشرفت دانش‌­آموزان، در اختیار آن­ها قرار می‌­دهد.

امیدوارکننده اما ناقص

از آنجایی که یادگیری ماشین در فضای آموزشی، عرصه­ای جدید است، مربیان هنوز در تلاش هستند تا بهترین راه‌­ها را برای همکاری با آن بیابند. در یک پنل به نام EdSurge در سال گذشته، کارآفرینان و صاحبان صنعت گرد هم آمدند تا در مورد یادگیری ماشین در کلاس درس صحبت کنند. دیدگاه‌­های آن­ها از خوش‌­بینانه تا غیرمنتظره متغیر بود. یکی از اعضای پنل، جان بهرن، توضیح داد که چگونه می‌­توان از ماشین لرنینگ برای ارزیابی عملکرد دانش ­آموزان در زمان مناسب استفاده کرد.

او گفت: “قبل از دنیای دیجیتال، اگر اطلاعاتی در مورد دانش‌آموزان می‌خواستید، باید دانش‌­آموز را متوقف می‌­کردید، آن­ها را امتحان می‌­کردید، سپس به راه خود ادامه می‌­دادید. اما در دنیای دیجیتال، شما مجبور نیستید این دستورالعمل را متوقف کنید زیرا همه چیز در این جهان بر بستر تعامل است و داده­ ها به طور طبیعی از طریق تکالیف، از طریق بازی­ ها و سرگرمی پدیدار می­شوند.”

دیگران نسبت به یادگیری ماشینی انتقاد بیشتری داشتند و نسبت به مسائلی مانند سوگیری داده‌­ها و نگرانی­های مربوط به حریم خصوصی محتاط بودند. جانل گرانت، مهندس نرم‌­افزار و معلم سابق، گفت که یادگیری ماشینی می­تواند تفاوت‌­های ظریف را در کلاس درس از قلم بیندازد؛ او از «انفصال بزرگی که من به‌ عنوان یک معلم بین فناوری دریافت‌ شده و فناوری که می‌­خواهیم، احساس کردم» صحبت کرد.

با این حال، او افزود: “یادگیری ماشینی برای تراز کردن کتابخانه کلاس درس من عالی است. باید کتاب را بخوانم و سطح آن را مشخص کنم اما مدل­سازی پیش ­بینی می­تواند این کار را با سرعت بیشتری انجام دهد.”

او گفت: ” برنامه‌­های کاربردی ماشین لرنینگ ممکن است برای یک شرکت بزرگ، کوچک به نظر برسد، اما برای یک مربی، بسیار بزرگ است.”