לדלג לתוכן

למידה אדפטיבית

מתוך ויקיפדיה, האנציקלופדיה החופשית

למידה אדפטיבית, המכונה גם הוראה אדפטיבית או למידה מותאמת אישית, היא שיטה חינוכית המשתמשת באלגוריתמים ממוחשבים כדי להתאים את התוכן הנלמד לכל משתמש לפי צרכיו ויכולתו.

מטרתה לאפשר לכל תלמיד להתקדם בקצב וברמה שמתאימים לו בכל נושא נלמד.

למידה אדפטיבית הונעה בחלקה על ידי ההבנה שלא ניתן להשיג למידה מותאמת אישית בקנה מידה גדול תוך שימוש בגישות מסורתיות לכן פותחה גישה חדשה של למידה בעזרת אלגוריתמים ממוחשבים. אלו מנתחים את הקלט מהמשתמש ואף את המשתמש עצמו ומתאימים עבורו את התוכן. היישום העיקרי של מערכות למידה מותאמות הוא בחינוך, אך יישום פופולרי נוסף הוא הכשרה עסקית.

למידה אדפטיבית או שיעורי עזר אינטליגנטים מקורם בתנועת הבינה המלאכותית והחלו לצבור פופולריות בשנות השבעים. באותה תקופה מקובל היה לחשוב כי מחשבים ישיגו בסופו של דבר את יכולת ההסתגלות האנושית. בלמידה אדפטיבית ההנחה הבסיסית היא שהכלי או המערכת יוכלו להסתגל לשיטת הלמידה של המשתמש, מה שמביא לחוויית למידה טובה ויעילה יותר עבור המשתמש. בשנות ה-70 המחסום העיקרי היה העלות והגודל של המחשבים, מה שהפך את היישום הנרחב לבלתי מעשי באותה תקופה. מכשול נוסף באימוץ מערכות חכמות מוקדמות היה ממשק המשתמש המסורבל באותה עת. אחת המערכות הראשונות המוכרות היא מערכת SCHOLAR שהציעה למידה אדפטיבית לנושא הגאוגרפיה של דרום אמריקה.[1]


מספר מערכות חדשניות אחרות הופיעו בתוך חמש שנים. תיאור טוב של העבודה המוקדמת על למידה אדפטיבית ומערכות חונכות חכמות ניתן למצוא בספר הקלאסי "מערכות חונכות חכמות".[2]

טכנולוגיה ומתודולוגיה

[עריכת קוד מקור | עריכה]

מערכות למידה אדפטיביות חולקו באופן מסורתי לרכיבים נפרדים או 'מודלים'. בעוד שהוצגו קבוצות מודלים שונות, רוב המערכות כוללות חלק מהמודלים הבאים או את כולם (לפעמים עם שמות שונים):[3][4]

  • מודל מומחה - מודל המכיל את המידע שיש ללמד
  • מודל סטודנט - מודל המנתח את המשתמש
  • מודל הדרכה - מודל אשר מעביר את החומר הנלמד
  • סביבת הדרכה - ממשק המשתמש לאינטראקציה עם המערכת

מודל מומחה

[עריכת קוד מקור | עריכה]

מודל המומחה שומר מידע על החומר הנלמד. מידע זה יכול להיות מצומצם כמו פתרונות עבור ערכת השאלות, אך יכול לכלול גם שיעורים שלמים או מערכי הדרכות. במערכות מתוחכמות יותר, אפילו מתודולוגיות מומחים להמחשת גישות לשאלות.

מערכות למידה אדפטיביות שאינן כוללות מודל מומחה נפרד, ישלבו בדרך כלל פונקציונליות זאת במודל ההוראה

מודל סטודנט

[עריכת קוד מקור | עריכה]

האמצעי הפשוט ביותר לקביעת רמת המיומנות של התלמיד הוא השיטה בה משתמשים ב- CAT (בדיקות אדפטיביות ממוחשבות). ב- CAT מוצגות בכל נושא שאלות שנבחרות על פי רמת הקושי שלהן ביחס לרמת המיומנות המשוערת של הנושא. עם התקדמות הבדיקה, המחשב מתאים את ציון הנבדק על סמך תשובותיו, תוך כוונון מתמיד של הניקוד על ידי בחירת שאלות ממגוון קושי צר יותר.

אלגוריתם להערכה בסגנון CAT פשוט ליישום. מאגר גדול של שאלות מדורג על פי רמת הקושי של כל שאלה באמצעות ניתוח מומחים, ניסויים או שילוב בין השניים.

בשלב הבא, המחשב מבצע חיפוש בינארי ונותן למשתמש שאלה שנמצאת באמצע הדרך בין מה שהמחשב כבר קבע שהוא רמות המיומנות האפשריות והמינימליות של המשתמש.

לאחר מכן רמות אלו מותאמות לרמת הקושי של השאלה, תוך הקצאת המינימום אם הנבדק ענה כהלכה, והמקסימום אם ענה לא נכון.

ביישום של מערכות אדפטיביות יש לבנות מרווח מסוים לשגיאות של ההתאמה לרמת המשתמש. ישנם תרחישים שבהם תשובת הנבדק אינה מעידה על רמת המיומנות האמיתית שלהם אלא מקרית. שאלת מספר שאלות רב יותר מקטינה את ההסתברות לתשובה מטעה ויישום המאפשר לטווח לצמוח מעבר לרמת המיומנות המשוערת יכול לפצות על הערכות שגויות אפשריות.

מודל הדרכה

[עריכת קוד מקור | עריכה]

רצוי שמודל ההוראה ישלב את הכלים החינוכיים הטובים ביותר שיש לטכנולוגיה להציע באותה עת. יחד עם זאת, רמת התחכום של מודל ההוראה תלוי מאוד ברמת התחכום של מודל הסטודנט.

במודל הסטודנט בסגנון CAT, מודל ההדרכה פשוט ידרג שיעורים בהתכתבות עם דרגות מאגר השאלות. מודלים מורכבים ומתוחכמים יותר יתייחסו להיבטים נוספים כמו זמן, כמות שגיאות ועוד.

כאשר רמת התלמיד נקבעה באופן מספק, מודל ההוראה מספק את התוכן המתאים. המודלים המתקדמים יותר יכולים לספק את התוכן המתאים בהתייחסות לאלמנטים נוספים מלבד רמת השאלות, לדוגמה התוכן עצמו.

כאשר מעריכים את התשובות השגויות על ידי מודל הסטודנט, יש מערכות שמעוניינות לספק משוב לשאלות בפועל בצורה של "רמזים". כאשר התלמיד עושה טעויות, צצות הצעות שימושיות כמו "הביטו היטב בסימן המספר". גם היבט זה יכול ליפול בתחום של מודל ההוראה, כאשר רמזים כלליים מבוססי-מושג מוצעים על סמך חולשות מושגיות, או שהרמזים יכולים להיות ספציפיים לשאלה, ובמקרה זה המודלים חופפים.

מערכות ניהול למידה

[עריכת קוד מקור | עריכה]

מערכות ניהול למידה רבות שילבו תכונות למידה אדפטיביות שונות. מערכת ניהול למידה (LMS) היא יישום תוכנה לניהול, תיעוד, מעקב, דיווח והעברת קורסים חינוכיים, תוכניות הכשרה או תוכניות למידה ופיתוח.

למידה מרחוק

[עריכת קוד מקור | עריכה]

ניתן להטמיע מערכות למידה אדפטיביות באינטרנט לשימוש בלימוד מרחוק ואף ללימוד משותף קבוצתי.

תחום הלמידה מרחוק משלב כעת היבטים של למידה אדפטיבית. מערכות ראשוניות ללא למידה אדפטיבית הצליחו לספק משוב אוטומטי לתלמידים כאשר מוצגים למשתמשים שאלות מבנק שאלות שנבחר מראש. גישה זו חסרה את ההדרכה שמורים בכיתה יכולים לספק. מגמות עכשוויות בלימוד מרחוק קוראות לשימוש בלמידה אדפטיבית ליישום התנהגות דינמית חכמה בסביבת הלמידה.

במהלך הלימוד מנתחים את יכולות ההבנה של התלמיד ויכולתו ליישם את החומר הנלמד ומאגרי המידע עוקבים אחר התקדמותו באמצעות אחד המודלים. הדור האחרון של מערכות הלמידה מרחוק לוקח בחשבון את תשובות התלמידים ומתאים את התוכן ליכולות הקוגניטיביות של התלמיד בחומר הנלמד.

יישומים של למידה אדפטיבית בלימוד מרחוק אנחנו יכולים לראות באקדמיה כמו במנוע ה- Maple של WebLearn שפותח על ידי אוניברסיטת RMIT. המנוע מספק הערכה של שאלות המוצגות בפני התלמידים, גם אם לשאלות אלו אין תשובה ייחודית כמו לשאלות בתחום המתמטיקה.

אפשר לראות מימושים בחברות מסחריות שפונות לקהל הרחב בצורה ישירה ולאו דווקא דרך מערכות החינוך דוגמת dreambox שפיתחה תוכנה אדפטיבית ללימוד מתמטיקה לילדים וחברת פאלרני שמתמחה בלימוד שפות תכנות לילדים.

הפלטפורמה של פאלרני[5] לקחה את האדפטיביות לשלב הבא והיא מנתחת את רגשותיו של התלמיד בנוסף לפרמטרים רבים אחרים תוך כדי הלימוד ובעזרת אלגוריתם מתקדם מתאימה עבורו את התוכן המתאים ביותר למצבו ויכולותיו בזמן הלימוד. הפלטפורמה מסוגלת גם להבין את ההקשר הרחב לשגיאותיו של התלמיד ולהציע לו עזרה ותוכן בהתאם.

יתרונות נוספים ללמידה אדפטיבית הם שניתן לשלב למידה אדפטיבית כדי להקל על שיתוף פעולה קבוצתי בסביבות למידה מרחוק כמו פורומים או שירותי שיתוף משאבים. כמה דוגמאות לאופן שבו למידה אדפטיבית יכולה לסייע בשיתוף פעולה כוללת קיבוץ אוטומטי של משתמשים עם אותם תחומי עניין והתאמה אישית של קישורים למקורות מידע על סמך תחומי העניין המוצהרים של המשתמש או על הרגלי הגלישה של המשתמש.

בעוד שתכונות למידה אדפטיביות מוזכרות לעיתים קרובות בחומרי השיווק של הכלים, טווח האדפטיביות שמיושם יכול להיות שונה באופן דרמטי.

כלים ברמה הנמוכה נוטים להתמקד בקביעת מסלול הלומד על סמך קריטריונים פשטניים כמו תשובת הלומד לשאלות אמריקאיות בעלות מספר תשובות. תשובה נכונה עשויה להוביל את הלומד לנתיב אחד, ואילו תשובה שגויה עשויה להוביל אותו לנתיב שני. אמנם כלים אלה מספקים שיטה נאותה להסתעפות בסיסית, אך לעיתים קרובות הם מבוססים על מודל ליניארי בסיסי לפיו הלומד פשוט מנותב אל נקודה אי שם לאורך קו מוגדר מראש. בשל כך יכולותיהם להתאים את התוכן ללומד בצורה מיטבית נופלות מהמערכות המורכבות יותר.

בקצה השני של הספקטרום ישנן מערכות מתקדמות המאפשרות יצירת התאמות מורכבות מאוד על בסיס מספר כלשהו של תנאים מורכבים. תנאים אלה עשויים להתייחס למה שהלומד עושה כרגע, להחלטות קודמות, מעקב התנהגותי, פעילויות אינטראקטיביות וחיצוניות. לכלים אלה אין בדרך כלל מנגנון ניווט בסיסי מכיוון שהם נוטים להשתמש בשיטות AI כגון מנוע הסקה ולבחור את התוכן בהתאם לתוצאות המתקבלות ממגוון השיקולים באותו רגע. בשל ההבדל הבסיסי בתכנון, כלים מתקדמים מסוגלים לספק יכולות הערכה עשירות ומדויקות יותר. במערכות אלה ניתן להציג בפני הלומד סימולציה מורכבת שבה מספר גורמים שנבחנים משמשים לקביעת אופן ההסתגלות של הלומד ורמתו באותו רגע נתון בחומר הספציפי.

הערות שוליים

[עריכת קוד מקור | עריכה]
  1. ^ J. R. Carbonell (1970), "AI in CAI: An artificial intelligence approach to computer aided instruction", IEEE Transactions on Man-Machine Systems, MMS-11 (4): 190–202, doi:10.1109/TMMS.1970.299942
  2. ^ Derek H. Sleeman; John Seely Brown, eds. (1982). Intelligent tutoring systems. Academic Press. ISBN 9780126486803.
  3. ^ Charles P. Bloom, R. Bowen Loftin Facilitating the Development and Use of Interactive Learning Environments, Lawrence Erlbaum Associates (1998).
  4. ^ A Proposed Student Model Algorithm for Student Modeling and its Evaluation. doi:10.1109/SICE.1995.526704.
  5. ^ "Palearne ltd – Personalized Adaptive Learning Ecosystem".