Adaptiv læring og læringsanalyse for raskere og bedre læring.

Dette er en ikke-redigert utgave av en kort artikkel som kommer i et tidsskrift til høsten. Den gir en kort innføring i hva læringsanalyse og adaptiv læring handler om.

Introduksjon

Tenk om alle bøker, aviser og tidsskrifter du har lest kunne ”lagre” blikket ditt. Om de ”visste” hvor lang tid du brukte på hver artikkel, hver side, hvert avsnitt, hva du hoppet over og hva du leste om igjen. Og tenk deg at denne informasjonen ble lagret for alle lesere, og at den var tilgjengelig for forfatterne og forlagene. Da kunne en finne ut hva vi likte og ikke likte å lese, hva vi skjønte fort og hva vi måtte lese mange ganger før vi forsto det. Dette er hva som skjer når vi leser i digitale medier. Da skapes det en stor mengde enormt detaljerte data som kan brukes til å analysere læringsmønstre og læringsutbytte. Analyser av slike ”stordata” (big data) er i ferd med å skape et nytt fag, læringsanalyse.

Gjennom hele industrisamfunnet har mesteparten av organisert læring funnet sted i klasserom. Klasserommene skapte stordriftsfordeler fordi mange elever kunne motta den samme instruksjonen samtidig. Ulempene med detter var at ikke alle som skal lære har de samme forutsetningene. Noen har ikke grunnkunnskaper nok til å henge med og noen kan mer om et emne enn det læreren formidler. Slik falt to grupper fra, en fordi de ikke skjønte hva som ble formidlet og en fordi de kjedet seg.

Adaptiv læring

Adaptiv læring, som er den mest sentrale delen av læringsanalyse, kan endre dette. I adaptive læreprosesser gjennomgår elevene en innledende kartleggingsprøve, og ut fra denne tildeles elevene digitale læringsressurser som skal hjelpe dem til å lære det de ikke kan. Elever som har mangelfulle forutsetninger for å lære det aktuelle emnet får anledning til å gå ”tilbake” og arbeide med det de mangler. Spesielt i fag som matematikk er dette viktig, fordi mange emner bygger på forståelse av temaer som er forutsatt lært tidligere.

Adaptive læresystemer finnes i ulike varianter. De enkleste består av ferdig tilpassede læringsstier, der alle som svarer det samme på et spørsmål får den samme oppgaven i neste runde. Mer avanserte systemer bygger på statistiske modeller og andre elevers erfaringer fra samme situasjon tidligere og velger læringsressurser ved bruk av avanserte algoritmer. Etter hver instruksjon gjennomgår elevene en mestringsoppgave for å sjekke at de har nådd læringsmålene. Dersom de ikke har består mestringstesten får de tildelt nye læringsressurser helt til de mestrer oppgavene.

Denne typen adaptive læringssystemer bygger på samme teknologier som Netflix og Spotify gjør bruk av når de anbefaler filmer og musikk for deg. Netflix analyserer hvilke filmer andre personer som har likt de samme filmene som deg tidligere har sett i tillegg til de filmene du selv har sett, og anbefaler disse for deg. Nærmere halvparten av alle filmene vi ser på Netflix velger vi ut fra disse anbefalingene, og nå kan vi altså bruke samme logikk i design av læreprosesser.

Adaptive læreprosesser tilpasser læringsressurser ikke bare etter hver enkelt persons kunnskapsnivå, men også etter den enkeltes læringsstil. De som lærer best av å se en forelesning på film får mer av dette, mens de som lærer best av å lese tekst får flere tekster å lese. Slik skapes helt unike, individuelle læringsstier tilpasset hver eneste person i hele systemet. Og jo flere som bruker det, jo bedre vil det det fungere, for med større brukergrupper øker sannsynligheten for at det finnes personer som ligner deg som har vært gjennom kurset tidligere. Slik bringes nettverkseffekter, der andre personers erfaringer og gjøremål skaper en fordel for deg, også inn på læringsarenaen.

Diskursanalyse

I slike adaptive systemer kan vi også finne ut hvor gode de forskjellige læringsressursene er, hvilke som fører til godt læringsutbytte, skaper høy motivasjon for å arbeide mer med stoffet etc. fordi det er en kobling mellom mål, ressurs og måloppnåelse. Gjennom det som kalles diskursanalyse kan en dermed luke ut forklaringer som elevene har problemer med å skjønne eller som fører til at de misforstår et tema. Systemet vil selv bidra til å luke bort slike læringsressurser, fordi bare de ressursene som erfaringsmessig fører til god læring blir presentert for fremtidige elever.

Gjennom diskursanalysen kan en finne ut hvordan instruksjonsfilmer bør utformes. Erfaringer så langt viser for eksempel at slike læringsressurser ikke bør være på mer enn 6 minutter og at filmer der en ser foreleseren gir bedre motivasjon og læringsutbytte enn filmer med bare et bilde av foreleser.

Gjennom denne typen diskursanalyse kan en forbedre læringsressurser på en mye mer effektiv måte enn en har kunnet gjøre ved å bruke lærebøker. Dette gjør en også fordi systemene gjør bruk av en kunnskapsgraf, en grafisk visualisering av hvordan de enkelte emner, begreper eller temaer henger sammen. I matematikk er en for eksempel avhengig av å forstå bruk av paranteser og hvordan brøker forkortes for å kunne løse ligninger. Adaptive læresystemer vil finne ut om elevene har de nødvendige forutsetningene for å løse oppgaven, fordi kunnskapsgrafen gir klar instruksjon om hva de må kunne og hvordan en skal teste om de kan dette. Slike systemer vil ikke bare vite hva at elevene ikke klarer å løse oppgaven, men også hvorfor de ikke får det til og hva de mangler på å få det til.

Ressurser i adaptive læresystemer

I intelligente adaptive læresystemer er det tre typer ressurser. Det er kunnskapsgrafen som viser hvordan den tematiske sammenhengen mellom de enkelte delene av kurset er. Til hver node i denne grafen er det knyttet digitale læringsressurser som skal gi brukerne nødvendig instruksjon for å kunne forstå det ønskede temaet. Disse bør være av forskjellige typer, slik som filmer, tekster, spill eller andre ressurser. I tillegg til instruksjonsressursene er det ulike typer tester, øvingsoppgaver, kartleggingstester, mestringstester, evalueringstester etc. som skal måle om elevene har tilegnet seg kunnskap i henhold til læringsmålet. Dette er styrt av en ”recommender engine” som består av en rekke anbefalingsalgoritmer som til sammen skaper den ønskede læringsstien, unik for hver eneste person som bruker systemet.

Når en har en slik total oversikt over hvor ofte og hvor mye elevene arbeider i et fag, hvilke læringsressurser de foretrekker, hva som gir best læringsutbytte, når på døgnet de lærer best og mye mer, kan en bruke dette til å kartlegge elevenes fremdrift i læreprosessen Dersom kurset brukes til å forberede en eksamen bør de følge en viss fremdrift for å rekke og komme gjennom hele stoffmengden. Gjennom prediktiv analyse kan en kartlegge elevenes fremdrift i faget svært nøyaktig og gripe inn i situasjonen dersom en finner dette nødvendig. På denne måten får lærerne en unik oversikt over de enkelte elevenes arbeide med faget.

Sosial nettverksanalyse

Et tredje tema i læringsanalysen handler om å forstå sosiale nettverk. Fra teorier om læring vet vi at sosial samhandling er viktig i mange situasjoner og at det å delta i slik samhandling har verdi også utover det rent læringsmessige. Gjennom å analysere samhandling i nettverk som nye digitale læringsressurser bidrar til å utvikle og ta i bruk, kan vi også finne ut hvem som står utenfor det sosiale fellesskapet, hvem som påvirker hvem, hvem de ulike bruker tid sammen med og mye mer. Dette kalles sosial nettverksanalyse og vil kunne være en integrert del av læringsanalysen.Til sammen gir disse fire analysemetodene muligheter for å designe helt nye læreprosesser og læresituasjoner.

Kompetanser for læringsanalyse

For å bygge og ta i bruk slike systemer i praksis trenger vi flere typer kompetanse. Vi trenger kunnskap om hvordan ulike mennesker lærer best i forskjellige situasjoner og hvilke typer teorier om læring ulike situasjoner bør bygges rundt. Vi trenger å forstå hvordan hver enkelt elev lærer best, hva som skaper høy motivasjon og fører til mestring. Slik studerer vi læreprosesser på mikronivå. Videre trenger vi kunnskap om hvordan læring finner sted i en sosial kontekst og i hvilke situasjoner og på hvilke måter vi bør designe sosiale læreprosesser. Slik studerer vi læring på mesonivå, et nivå som er viktig når en skal utvikle forståelse gjennom diskusjon og sosial samhandling. Vi trenger også noen som kan lage algoritmene som analyserer stordataene som etterlates når tusenvis av mennesker skal lære omtrent det samme og noen som kan sette sammen systemene. I tillegg trenger vi kunnskap om hvilke sosiale og organisatoriske konsekvenser bruk av denne typen læringssystemer vil ha.

For å undersøke dette har NTNU etablert et nytt ”Senter for læringsanalyse” der fagfolk innen pedagogikk, psykologi, sosiologi, filosofi og informatikk arbeider sammen for å forstå hvordan slike systemer kan utformes, hvordan de kan settes sammen av ulike komponenter, hvordan læringsressurser skal utformes for optimalt læringsutbytte, hvordan en skal sikre at de innebygde testene er valide, det vil si at de måler det vi ønsker at de skal måle med mer. I tillegg er en opptatt av organisatoriske og ledelsesmessige utfordringer knyttet til bruk av systemene. Hvilke oppgaver får lærerne når både instruksjon/forelesning og retting av oppgaver for en stor del blir overtatt av systemene? Hvordan påvirker dette lærerens rolle som leder av klassens læreprosesser? Og hva blir de sosiale konsekvensene av slike læresystemer? Vil det føre til en sosial utjevning, eller vil det bidra til å skape større sosiale forskjeller fordi de elevene som var flinke fra før kommer til å arbeide mer enn de elevene som ikke var så flinke?

Konklusjon

Adaptive læresystemer og omfattende bruk av læringsanalyse kommer til å skape et paradigmeskifte i pedagogikken. Dette vil skje fordi bruken av slike systemer kan bidra til å optimalisere læreprosesser på mikronivå på en helt annen måte enn en lærer har mulighet for. I en sosial situasjon der det er flere elever som skal lære det samme samtidig, er det praktisk umulig å tilpasse læringsopplegget unikt til hver eneste elevs forutsetninger, fordi det alltid vil være forskjeller på elevene, noe de adaptive læresystemene er designet for å gjøre.

Dette gir unike muligheter til læring for personer som ikke har muligheter for å lære ved å følge undervisning i en klasse. Det kan være personer som har falt ut av skoleløpet og ikke er motiverte for å starte på nytt. Det kan være personer som ikke har hatt mulighet for å gå på skole, fordi det ikke har vært tilbud om dette på stedet de bodde. Uansett årsak til manglende kunnskap, kan slike adaptive læresystemer tas i bruk. Økonomisk er de gunstige å bruke fordi de er skalerbare og fordi merkostnaden ved å la flere brukere ta del i systemet er svært lav. I praksis er det faktisk en fordel om flere personer bruker det, fordi slike systemer er avhengig av nettverkseffekter, de er avhengige av erfaringer fra andre personers bruk for at de skal fungere optimalt.

Bruk av adaptive læresystemer er helt i startfasen, men det finnes enkelte erfaringer med slike systemer i amerikanske universiteter. Ved University of Arizona har en brukt det i matematikk, og funnet at frafallet i klassene er redusert med over 50 %, at andelen som står til eksamen er høyere enn tidligere og at svært mange av studentene får bedre karakterer med slike systemer enn uten. I Norge innfører forlaget Gyldendal et slikt system i matematikk for 5. klasse i grunnskolen høsten 2015.

Ennå vet vi altså lite om bruken av slike systemer, hvilke konsekvenser de vil ha for ulike personers læring, for måten vi designer og leder læreprosesser på i ulike sammenhenger og ikke minst har vi begrenset kunnskap om hvordan slike systemer bør bygges for å at de skal være mest mulig effektive. En gang i fremtiden vil vi antakelig ha både erfaring og kunnskap for å bygge det optimale ”intelligente læringssystemet”. Hvilke muligheter vil dette gi for å tilegne seg ny kunnskap? Og hva skjer når slike systemer kan ta i bruk Google og Skypes nye oversettelsesteknologier? Står vi på terskelen til å utvikle en global læremaskin, en lærerobot som kan hjelpe alle mennesker i verden med å lære alt mulig? Visjonene er mange, men bare fremtiden vil vise hvilken vei det bærer.