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.”
