Adaptive Lernumgebungen - Alexandria (UniSG)
←
→
Transkription von Seiteninhalten
Wenn Ihr Browser die Seite nicht korrekt rendert, bitte, lesen Sie den Inhalt der Seite unten
28 SCHWERPUNKT T A L E N T M A N A G E M E N T / P E R S O N A L E N T W I C K L U N G
Adaptive
PERSONALFÜHRUNG 10/2019
29 Lernumgebungen Lernwirksamkeit und Umgang mit Daten im Blick behalten Sogenannte adaptive Lernumgebungen kommen der Anforderung entge- gen, dass Lernumgebungen heutzutage möglichst auf die individuellen Voraussetzungen und Erfordernisse der Lernenden zugeschnitten und zu- gleich kostengünstig sein sollen. Dies gilt für unterschiedliche Typen von adaptiven Lernumgebungen, die Christoph Meier und Sabine Gori vorstel- len. Die Autoren verweisen auf zwei besondere Herausforderungen für HR: den Umgang mit Informationen über den Lernenden und die Sicherung von Lernwirksamkeit adaptiver Lernumgebungen. Wissenschaftliche Studien dazu liegen bisher kaum vor. PERSONALFÜHRUNG 10/2019
30 SCHWERPUNKT T A L E N T M A N A G E M E N T / P E R S O N A L E N T W I C K L U N G
L
ebenslanges Lernen ist als Zielbild weitherum akzeptiert. drei zentralen Komponenten, die jeweils
Die dafür verfügbaren Ressourcen (Bildungspersonal, finan ergänzt werden durch eine passende Benut
zielle Mittel, Zeit) erscheinen aber immer (zu) knapp. Dies zeroberfläche (vgl. Bagheri 2015) (Abb. 1):
gilt für Hochschulen und die höhere Berufsbildung ebenso wie ▶ Domänen-Modell,
für die Berufsbildung und die betriebliche Weiterbildung. Hin ▶ tutorielles Modell,
zu kommt, dass unsere Welt „bunter“ geworden ist: Lebensläu ▶ Lernenden-Modell.
fe, Berufs- und Bildungsbiogra
fien sind vielfältiger als früher. Das Domänen-Modell beinhaltet Informa
DIE AUTOREN
Dies hat zur Folge, dass die He tionen zu Konzepten und Inhalten, zu Lern
DR. CHRISTOPH MEIER ▶
Geschäftsführer des swiss terogenität der Lernenden (Vor objekten (wie etwa Beispielen, Grafiken
competence centre for wissen, Sprachkompetenz, Lern oder Übungsaufgaben) und zu deren Be
innovations in learning (scil), ziehungen untereinander beziehungsweise
strategien etc.) zunimmt und
Institut für Wirtschafts-
pädagogik der die zielgruppengerechte Gestal Abhängigkeiten voneinander.
Universität St. Gallen tung von Lernumgebungen
▶ christoph.meier@unisg.ch schwieriger wird. Das tutorielle Modell beinhaltet unter an
derem Informationen zu möglichen Lern
SABINE GORI ▶ Nicht zuletzt haben sich aber pfaden: wann dem Lernenden welche In
Digital Learning, Communication
and Solution Specialist, Creditauch unsere Erwartungen an formationen zur Verfügung gestellt wer
Suisse AG, Zürich Dienstleistungen und Produk den sowie zu welchem Zeitpunkt und in
▶ sabine.gori@credit-suisse.comte geändert. Was wir vom Mu welcher Form ein Feedback gegeben wird.
sikstreaming-Dienstleister ge
wohnt sind (persönliche Play Das Lernenden-Modell beinhaltet Infor
list und Empfehlungen), erwar mationen dazu, welche Elemente des Do
ten wir auch bei der (Weiter-) mänen-Modells der Lernende bereits bear
Bildung: auf mich und meine beitet hat und beherrscht, wie lange übli
persönlichen Anforderungen, Ziele und Interessen zugeschnitte cherweise die Lernsitzungen dauern, wie
ne Angebote (einzelne Lernressourcen oder Lernpfade). viele Wiederholungen beziehungsweise
Übungen nötig sind, bis ein Konzept ei
Studien haben Mitte der 1980er-Jahre gezeigt, dass Lernende, die nes mittleren Schwierigkeitsgrads beherrscht
von Tutoren individuell betreut wurden, bei Lernerfolgsüberprü wird et cetera.
fungen deutlich besser abgeschnitten haben als Lernende in kon
ventionellen Lernarrangements (Frontalunterricht mit ca. 30 Ler UNTERSTÜTZUNG DURCH
nenden pro Lehrperson) (vgl. Bloom 1984). Tutorielle Einzelbe TECHNISCHE SYSTEME
treuung von Lernenden ist aber in der Regel kein bezahlbares Mo
dell. Vor diesem Hintergrund werden hohe Erwartungen an adap Adaptives Lernen kann in verschiedenen
tive Lernumgebungen herangetragen. Diese sollen eine lernwirksa Lernszenarien und durch verschiedene Ty
me und zugleich kostengünstige individualisierte Lernunterstützung pen technischer Systeme unterstützt wer
für eine große Anzahl von Menschen möglich machen. den. Beispiele hierfür sind unter anderem:
FUNKTIONSWEISE UND TYPEN Microlearning-Apps bilden frühere papier
ADAPTIVER LERNUMGEBUNGEN basierte Lernkarten elektronisch ab. Auf
der Vorderseite befindet sich beispielswei
Als „adaptives Lernen“ wird ein Ansatz bezeichnet, bei dem Com se ein Bild oder ein Begriff, auf der Rück
puter als interaktive Lehr- / Lernhilfen eingesetzt werden. Adap seite die dazugehörige Definition oder Über
tive Lernumgebungen passen sich in Echtzeit an die Benutzer und setzung et cetera. Microlearning-Apps nut
deren Lernstand an und weisen Materialien und Hilfestellungen zen Algorithmen, um die Wiedervorlage
spezifisch zu – häufig in einer raschen Abfolge von kleinsten Lern von kleinsten Inhalten / Portionen in Ab
einheiten und nachfolgenden Tests. Dies geschieht auf der Grund hängigkeit von den bisherigen Ergebnissen
lage einer durch Algorithmen gesteuerten Verarbeitung von In zu steuern (welche Fragen wurden richtig
teraktionsdaten. Digitale adaptive Lernumgebungen basieren auf beantwortet, welche falsch?). Beispiele für
PERSONALFÜHRUNG 10/201931
Produkte in diesem Segment sind die Echo- schiedliche Bildungskontexte adressieren: zelne Nutzer persönlich zugeschnittene Zu
App der Swiss Virtual Business School Schulen, Hochschulen und betriebliche sammenstellungen verfügbar gemacht (vgl.
(SVBS) oder die App von surge9.com. Weiterbildung ebenso wie verschiedene Bersin 2019) (Abb. 2).
fachliche Kontexte. In einer aktuellen
Sprachen-Apps und Sprachenservices Für Marktstudie werden 20 solcher adaptiven Beispiele für Learning-Experience-Plattfor
das Erlernen von Fremdsprachen können Lernplattformen anhand eines definierten men sind etwa die Lösungen von Degreed
neben Lernkarteikartensystemen (s. Micro Rasters analysiert und einander gegenüber und EdCast. Darüber hinaus bemühen sich
learning-Apps) auch KI-unterstützte Apps gestellt (Newmann et al. 2016). die Anbieter etablierter Learning-Manage
ment-Systeme (LMS) darum, ihre Lösun
ADAPTIVE LERNUMGEBUNG UND INTELLIGENTES TUTORIELLES SYSTEM gen um diese Funktionalitäten zu erweitern
(bspw. Cornerstone, Workday). Zahlreiche
Unternehmen sind derzeit dabei, KI-unter
stützte Learning-Experience-Plattformen zu
DOMÄNEN-MODELL evaluieren beziehungsweise einzuführen.
Konzeptkarte
Lernobjekte
(Aufgabe, Beispiel, etc.) DATENNUTZUNG
Abhängigkeiten zwischen UND DATENSICHERHEIT
Konzepten / Objekten
…
Ein wichtiges Thema bei Auswahl, Einfüh
TUTORIELLES MODELL
LERNENDEN-MODELL
rung und Betrieb von adaptiven Lernplatt
Lernpfad
Bekannte Wissenselemente formen sind Aspekte wie Daten, Daten
Adaption nutzung und Datensicherheit. In digitalen
Typische Dauer Lernsitzung
(inner versus outer loop)
Feedback
Anzahl Wiederholungen Lernumgebungen erzeugen die Lernenden
bis Mastery
Gestaltung | Platzierung in der Interaktion mit Plattformen und
…
… Lernressourcen fortlaufend Datenspuren.
Umfangreiche Daten zu diesen Interakti
onen sind die unverzichtbare Grundlage
für personalisierte Lernumgebungen.
BENUTZEROBERFLÄCHE
Je mehr Datenpunkte zur Verfügung ste
Quelle: Meier / Gori in Anlehnung an Sottilare et al. 2013; Bagheri 2015; Ullrich 2018 Abb. 1
hen (welcher Typ von Nutzer hat welchen
Typ von Inhalt bzw. welche Lernaufgabe
und Services genutzt werden, die die gespro Learning-Experience-Plattformen (LXP) / in welcher Sequenz in welcher Zeit mit wel
chene Sprache in Echtzeit verarbeiten. Bei Next Generation Learning Environments chem Erfolg bearbeitet?), desto besser sind
spiele hierfür sind Duolingo oder Glossika. (NGLE) Die größte Aufmerksamkeit im die auf der Grundlage von Algorithmen er
Auch diese Apps und Services beobachten Kontext betrieblicher Personalentwicklung mittelten individualisierten Empfehlungen
beziehungsweise analysieren kontinuierlich genießen aktuell sogenannte Learning-Ex für nächste Lernobjekte beziehungsweise
die Interaktion der Lernenden mit den ein perience-Plattformen (LXP) beziehungswei Lernaktivitäten. Die beispielsweise in LXP
zelnen Lernelementen (Vokabeln, Gramma se Next Generation Learning Environments aggregierten Inhalte basieren unter ande
tik, Aussprache, Hörverständnis etc.). Auf (NGLE). Im Unterschied zu intelligenten rem auf Informationen über die Lernenden
der Grundlage dieser Beobachtungen und tutoriellen Systemen steht bei diesem Ty zu Funktionen, Rollen, Interessen, Such-
gesteuert durch Algorithmen legen sie dem pus von adaptiver Lernumgebung die Ag und Konsumverhalten sowie Aktivitäten
Lernenden die nächsten Inhalte vor. gregation von Inhalten zu einer personali des jeweiligen sozialen Netzwerks. Damit
sierten Empfehlungsliste im Vordergrund. sind wir beim Thema Datenschutz.
Intelligente tutorielle Systeme (ITS) ba Ausgehend von der Fülle an Materialien,
sieren auf differenzierteren tutoriellen Mo die unternehmensintern ebenso wie über Mit der Einführung der Datenschutz-Grund
dellen, Lernenden-Modellen und Domä das Netz verfügbar sein können, werden verordnung (DSGVO) wurden Standards
nen-Modellen als die bisher genannten hierbei Lerninhalte zunächst aggregiert, für den Datenschutz für die Bürger der EU
Lösungen. Mittlerweile ist eine ganze Rei dann gefiltert (u. a. auf der Grundlage von und EEA (European Economic Area) defi
he solcher Systeme verfügbar, die unter Algorithmen) und schließlich als auf ein niert. Diese Regelungen definieren nicht nur
PERSONALFÜHRUNG 10/201932 SCHWERPUNKT T A L E N T M A N A G E M E N T / P E R S O N A L E N T W I C K L U N G
Leitlinien für den Export von persönlichen
Daten in Gebiete außerhalb der EU und
EEA (wo viele Anbieter von Plattformen
und Lösungen beheimatet sind). Sie ermög
lichen auch jedem Einzelnen, Kontrolle über
seine persönlichen Daten auszuüben (z. B.
über Daten, die in der Arbeit mit adaptiven
Lernsystemen erzeugt werden).
Persönliche Daten sind Informationen, die
sich auf eine natürliche Person beziehen.
Das betrifft etwa im Umfeld einer LXP die
jenigen Informationen, welche HR-Systeme
in der Regel zur Verfügung stellen und die
angereichert werden mit Informationen zum
Lernverhalten (Lernhistorie), zur Lernzeit,
zu bevorzugten Lernkanälen (z. B. Video)
und zu sozialen Interaktionen (Mitgliedern
folgen, Inhalte liken, Inhalte teilen etc.).
Die DSGVO legt sieben Grundprinzipien
zum Umgang mit solchen Daten fest: Recht
mäßigkeit, Fairness und Transparenz,
Zweckbindung, Datenminimierung, Rich
tigkeit, Speicherbeschränkung, Integrität
und Vertraulichkeit (d. h. Sicherheit und Adaptive Lernumgebungen sind nur möglich auf der Grundlage einer Auswertung von umfangrei-
chen Daten zur Interaktion von Nutzern mit den Lernressourcen. Damit ergeben sich neue Anforde-
Rechenschaftspflicht). Für die Anwender
rungen an die Bildungsverantwortlichen.
(Unternehmen) von (adaptiven) Lernum
gebungen ist hier vor allem wichtig, dass
die jeweiligen Lösungsanbieter diese Grund Coaching und Mentoring, Skillmanage von Einzelpersonen genutzt werden. Das
sätze in den Mittelpunkt ihres Ansatzes zur ment, Performancemanagement et cetera. ermöglicht im Falle eines Wechsels des Ar
Verarbeitung von personenbezogenen Da beitgebers dem Nutzer, weiterhin auf be
ten stellen. Vor diesem Hintergrund ist wichtig, dass stimmte Daten zur persönlichen Lernhis
Unternehmen und Organisationen mit den torie zuzugreifen.
Die in der Interaktion mit Lernumgebun Anbietern von KI-basierten, adaptiven Lern
gen und Lernressourcen erzeugten Daten umgebungen Vereinbarungen dazu treffen, WIRKSAMKEIT ADAPTIVER
sind von großem Wert für die Anbieter wer Zugriff auf welche Daten hat und wie LERNUMGEBUNGEN
von adaptiven Lernumgebungen, da sie diese Daten für vor- und nachgelagerte HR-
auf dieser Grundlage die den Systemen zu Prozesse genutzt werden können. Gleich Individualisierte und kontinuierlich adap
grundeliegenden Algorithmen kontinuier zeitig müssen die Anwender Strategien dazu tierte Inhalte und Feedbacks führen zu Lern
lich verbessern können. Diese Daten sind entwickeln, welche Kompetenzen im Be umgebungen, die von den Nutzern als rele
aber auch für die Anwender selbst von Be reich Big Data und (Learning) Analytics vant und motivierend erlebt werden – so
deutung. intern aufgebaut werden sollen und wo auf eine gängige Argumentationslinie. Lernen
die Expertise und Leistungen externer Dienst de würden nicht mit Inhalten „gequält“, die
So liefern beispielsweise LXP den Anwen leister zurückgegriffen werden soll. sie schon kennen / beherrschen oder die für
dern beziehungsweise HR wertvolle Daten, ihr Profil nicht relevant seien. Dass gezielte
die genutzt werden können, um verschie Auch für die einzelnen Mitarbeitenden ist Wiederholungen (spaced repetition / space
dene Aufgaben zu erfüllen oder Services zu die Frage der Datenhoheit beziehungswei practice) einen starken lernförderlichen Ef
ermöglichen: Workforce-Planung, Karri se der Rechte an Daten relevant. Beispiels fekt haben, ist ebenfalls seit langem bekannt
ereplanung, Zusammenstellung von Teams, weise kann die adaptive LXP von Degreed (vgl. u. a. Hattie / Waack 2018).
PERSONALFÜHRUNG 10/201933
FUNKTIONSSCHEMA EINER LXP MIT KI-ELEMENTEN te zum Einsatz von kom Literatur
merziell verfügbaren Lösun
area9learning (2017): Case study: Enterprise
gen, wobei diese häufig nicht wide implementation – Hitachi Data Sys
den Standards wissenschaft tems (HDS), area9learning.com/wp-content/
eLearning uploads/2017/08/Hitachi-Data-Systems-
Intr
content providers
Learning
licher Studien entsprechen.
ane Case-Study.pdf (Stand: 24.6.2019)
ts management
systems
So berichtet der Anbieter
Bagheri, M. M. (2015): Intelligent and adap
D
ma ocum
na en
area9learning (2017) über tive tutoring systems. How to integrate
sys gement
tem t
s
MooC plat
form s
eine Reduktion der erforder learners, in: International Journal of Edu
lichen Lernzeit um nahezu cation 7 (2), www.macrothink.org/journal/
index.php/ije/article/view/7079/6095
50 Prozent.
AI-BASED ALOGORITMUS (Stand: 24.6.2019)
Bersin, J. (2019): Learning Experience Plat
HUMAN EXPERT REVIEW Johnson (2016) berichtet zu form (LXP) market grows up: Now too
SUBJECT MATTER positiven Ergebnissen bei der big to ignore, joshbersin.com/2019/03/
EXPERTS Einführung der adaptiven learning-experience-platform-lxp-market-
grows-up-now-too-big-to-ignore/ (Stand:
PERSONALIZED Lernplattform Intellipath an 24.6.2019)
FEED
der Technischen Hochschu Hattie, J. / Waack, S. (2018): 256 influences
le Colorado: „We compared and effect sizes (Cohen’s d) related to stu
pre-intellipath data from Oc dent achievement, visible-learning.org/
Integration backup-hattie-ranking-256-effects-2017/
with your tober 2012 through Septem
favorite
(Stand: 24.6.2019)
business
ber 2013 to post-intellipath
Bloom, B. S. (1984): The 2 Sigma Problem.
applications launch data from October The search for methods of group instruc
2013 through December tion as effective as one-to-one tutoring, in:
2015. The pass rate went up Educational Researcher 13 (6), 4-16
to an 81 percent average – EdCast (2016): How to solve the content discov
Quelle: EdCast 2016 Abb. 2 ery problem in corporate learning, future
a 27 percent increase. The
oflearningandworking.com/wp-content
course retention rate rose Zuploads/EdCast_Solve_Discovery_
Wissenschaftliche Studien zur Lernwirksam about 9 percent to 95 percent, while the fi Problem_eBook.pdf (Stand: 24.6.2019)
keit von LXP liegen bislang nicht vor. Anders nal grade average increased by 10 percent, Johnson, C. (2016): Adaptive learning plat
bei intelligenten tutoriellen Systemen: Hier to 79 percent.“ forms: Creating a path for success,
er.educause.edu/articles/2016/3/adaptive-
wurden in der Vergangenheit zahlreiche Ein learning-platforms-creating-a-path-for-
zelstudien durchgeführt. Eine aktuelle Meta FAZIT success (Stand: 24.6.2019)
studie, für die 50 Einzelstudien ausgewertet Kulik, J. A. / Fletcher, J. D. (2016): Effectiveness
wurden, kommt zu dem Schluss, dass der Ein Adaptive Lernumgebungen sind nur mög of intelligent tutoring systems, in: Review of
satz von intelligenten tutoriellen Systemen zu lich auf der Grundlage einer Auswertung Educational Research 86 (1), 42–78
substanziellen Verbesserungen beim Lerner von umfangreichen Daten zur Interaktion Newman, A. et al. (2016): Learning to adapt
2.0. The evolution of adaptive learning in
folg führt: „The 50 controlled evaluations we von Nutzern mit den Lernressourcen. Da Higher Education, tytonpartners.com/
reviewed took place at different times, in dif mit ergeben sich neue Anforderungen an tyton-wp/wp-content/uploads/2016/04/
ferent places, and in different educational set die Bildungsverantwortlichen. Sie müssen yton-Partners-Learning-to-Adapt-2.0-
FINAL.pdf (Stand: 24.6.2019)
tings. Although the settings were diverse, mo mehr als bisher Datenschutz und Datensi
Sottilare, R. A. et al. (2013): Design recommen
derately strong ITS effects were the rule“ (Ku cherheit berücksichtigen und gewährleisten.
dations for intelligent tutoring systems. Vol
lik / Fletcher 2016, 67). Sie müssen Vereinbarungen mit Plattform- ume 1: Learner modeling, www.gifttutoring.
und Dienstleistern zur Verwendung und org/attachments/download /645/Design
Die Bewertung dieser Studienergebnisse ist Speicherung von Daten treffen. Sie müssen %20Recommendations%2 for% 20ITS_
Volume%201%20-%20Learner%20
nicht ganz einfach. So fehlen detaillierte An klären, wie viel Kompetenz im Bereich (Big) Modeling%20Book_errata %20addressed_
gaben zu den untersuchten Lösungen und Learning Data und Learning Analytics sie web%20version.pdf (Stand: 24.6.2019)
es ist zu vermuten, dass vor allem Lösungen intern aufbauen wollen. Und sie müssen bei Ullrich, C. (2018): Künstliche Intelligenz und
für Mathematik und naturwissenschaftliche den Lernenden um Verständnis dafür wer maschinelles Lernen in Lernumgebungen.
Kursunterlage zum Modul „KI-basierte,
Fächer sowie für die Ausbildung an militä ben, dass für personalisierte Lernumgebun
adaptive Lernumgebungen“, swiss compe
rischen Geräten überprüft wurden. Aller gen ihre Interaktionen mit den Lernressour tence centre for innovations in learning
dings gibt es verschiedene Erfahrungsberich cen analysiert und ausgewertet werden. • (scil), St. Gallen
PERSONALFÜHRUNG 10/2019Sie können auch lesen
