この記事では、推奨システムと適応学習に関するサイクルを開始します。
カットの下には2つの主要なトピックがあります。
- オンライン教育、長所/短所/落とし穴について;
- 推奨システムの分類、教育への適用性、例。
オンライン教育、その長所、短所、落とし穴について
この部分は主に入門的であり、オンライン教育、次の図の下にある推奨システムのエキサイティングな詳細を特徴としています:)
今日の世界では、オンライン教育の人気が高まっています。 主要な教育機関の教授から学び、新しい分野を研究し、家を出ることなく仕事に必要な知識を得る機会は、多くの人々を引き付けます。
オンライン学習の最も一般的な形式の1つは、大規模なオープンオンラインコース（MOOC、Massive Open Online Courses）です。 ほとんどの場合、教師が準備したビデオ、スライド、テキストコンテンツ、および知識をテストするタスクが含まれます。これらは通常自動的にチェックされますが、生徒がお互いの作業をチェックすることもできます。 さまざまなタイプのタスクをタスクとして提案できます。単に正しい答えを選択することから、エッセイを書くことまで、Stepikで行っているように、自動検証でタスクをプログラミングすることさえできます。
オンライン教育には、通常のオフライン教育とは異なる独自の特徴があります。 利点の中で、第一に、インターネットにアクセスできるすべての人がすでに上で言及したアクセシビリティ。 第二に、ほぼ無限のスケーラビリティを備えています。自動化されたタスク検証のおかげで、数千人が同時に学習できます。これは、教室の通常のコースとは比較になりません。 第三に、各生徒は、資料の通過に都合のよい時間とペースを選択できます。 第4に、教師はユーザーがコースをどのように進むかに関する大量のデータを持っています。これを使用して、教材を分析および改善できます。
同時に、オンライン学習には欠点もあります。 学生が常に学業成績の評価という形で動機付けを行う従来の教育とは異なり、オンラインコースの場合、コースを修了しないことに対する罰則はありません。 このため、サインアップした人のコースを修了する人の割合が10％を超えることはめったにありません（Stepicでは、 アナトリーカルポフの「統計の基礎」の記録を更新した2015年版EdCrunch Awardsによると、最高の申請者の17％が最初の実行に合格しましたが、これは例外です）。 また、生徒数が多いため、教師は各生徒のレベルと能力に応じて個々の生徒に注意を払う機会がありません。
レコメンダーシステム：Stepic.orgおよび一般的に
私たちはタスクを設定しました-生徒に興味深いコンテンツをアドバイスし、トレーニングのレベルと知識のギャップを考慮に入れることができる推奨システムを作成することです。 さらに、システムはコンテンツの複雑さを評価できる必要があります。 これは、特に、ユーザーが教材を研究し、柔軟に適応し、現在トレーニングに必要なコンテンツを正確に提供するのに役立つ適応型の推奨事項に必要です。 このようなシステムは、特定のトピックを学習したり、何か新しいことを提案したりするのに役立つ、パーソナライズされたレッスンの推奨事項があるユーザーに役立ちます。
一般的に、学習はさらに面白くなっているはずです！
既存の推奨システム
最近の推奨システムの最初の例の1つはmovielens.orgで 、ユーザーの好みに基づいて映画を提供します。 このサービスは、ユーザーが投稿した映画や評価に関する広範なデータセットをすべてのユーザーに提供するという点で興味深いものです。 このデータセットは、過去20年間にわたって推奨システムの多くの研究で使用されてきました。
推奨システムの3つの主要なクラス：
- コンテンツフィルタリングに基づくシステム。 このようなシステムは、ユーザーが以前に研究した内容と同様のコンテンツを提供します。 類似性は、比較されたオブジェクトの特性を使用して計算されます。 たとえば、映画を推奨するには、ジャンルまたはキャストの近接性を使用できます。 このアプローチは、 インターネットムービーデータベースムービーを評価、検索、および推奨するサービスで使用されます。
- 協調フィルタリングを使用するシステム。 この場合、ユーザーには、同様のユーザーに興味のあるコンテンツが提供されます。 MovieLensの推奨事項は、このアプローチに基づいています。
- 以前の2つのアプローチを組み合わせたハイブリッドシステム。 このタイプのシステムは、映画やテレビ番組をオンラインで視聴するためのサービスであるNetflixで使用されています。
コンテンツフィルタリングをより積極的に使用し、非アクティブ-協調フィルタリングを使用したハイブリッドシステムを作成しました。
技術ベースの学習（Technology Enhanced Learning）の推奨システムに関する多くの研究があります。 この場合のタスクの特異性は、推奨システムの開発の新しい方向性を追加します。
教育プロジェクト推奨システムの特徴は何ですか？
まず、特定の瞬間にユーザーのニーズに適応し、素材を研究するための最適な方法をユーザーに提供する適応型推奨システムを構築する機会です。 この形式では、さまざまなシミュレーターを、たとえば数学またはプログラミング言語で実装できます。さまざまな複雑さの多くのタスクが含まれており、それらの生徒はいつでも異なっています。
第二に、ユーザーがそれらを渡す方法に関するデータからトレーニング資料間の依存関係を抽出できます。
このデータは、資料内の個々のトピック、これらのトピック間の関係、複雑さの相関を抽出するのに役立ちます 。
Coursera、EdX、Udacity（オンライン学習用プラットフォーム）は、推奨システムを使用して、興味のあるコースのユーザーにアドバイスします。 これらの推奨事項の欠点は、ユーザーのみが興味を持っている場合でも、コースの一部のみを提供できることです。 また、この方法で構築されたシステムは、ユーザーが選択したコースを学習するのに役立ちません。
対照的に、 MathsGardenリソースレコメンダーシステムは、コンテンツの最小部分である個別のタスクで動作します。 これは小学生向けの初等算数シミュレータであり、複雑な状況で特定の時間に最適な学生タスクを提供します。
これを行うために、システムは生徒の知識の相対的な特徴、および課題の複雑さの特徴をカウントし、動的に変更しますが、これについては後で詳しく説明します。
次の記事では、 Stepic.orgデバイスとレコメンダーシステムの実装について詳しく説明し、適応レコメンダーシステムとは何かを判断し、結果を詳細に分析します。 それは楽しいでしょう:)