KI-basierte Lernplattformen als "Zukunft" des Lernens? (1/3)

Diversität und tutorielle Betreuung 1:1

Unsere (Bildungs-)Welt wird zunehmend bunter. Lebensläufe, Berufs- und Bildungsbiografien sind vielfältiger als früher. Die Heterogenität von Teilnehmenden an Bildungsangeboten nimmt zu. Dies gilt für Schulen genauso wie für Hochschulen, und für die Berufsbildung ebenso wie für die betriebliche Weiterbildung. Gleichzeitig ändern sich unsere Erwartungen an (Bildungs-)Dienstleistungen. Wir erwarten immer mehr, dass diese auf uns persönlich zugeschnitten sind und für uns persönlich passen.
Vor diesem Hintergrund ist auch das von Benjamin Bloom vor gut 30 Jahren formulierte “2-Sigma-Problem” relevant: verschiedene Studien hatten aufgezeigt, dass Lernende, die in einer 1:1 Situation von Tutoren individuell betreut wurden, bei Lernerfolgsüberprüfungen 2 Standardabweichungen besser abschnitten als Lernende in konventionellen Lernarrangements mit ca. 30 Lernenden pro Lehrperson. Oder anders gesagt: die individuell betreuten Lernenden waren im Durchschnitt so gut wie die besten 2% der Lernenden in (damals) konventionellen Lernarrangements (vgl. Abbildung 1).

Tutorielle Einzelbetreuung von Lernenden ist aber in der Regel kein tragfähiges bzw. bezahlbares Modell. Bloom und sein Forschungsteam haben sich daher der Suche nach Lehr-/Lernmethoden zugewendet, die zu ähnlich guten Ergebnissen in grösseren Lerngruppen führen (z.B. Kombinationen von Mastery Learning, partizipativen Lernformen und einer Ausrichtung des Lernens auf höhere kognitive Prozesse – vgl. Bloom et al. 1984).

Künstliche Intelligenz und adaptive tutorielle Systeme

Forschungs- und Entwicklungsarbeiten in den Feldern künstliche Intelligenz und adaptive tutorielle Systeme befassen sich mit einem von Bloom nicht verfolgten Lösungsansatz: der Entwicklung von technischen Lösungen, die eine hochgradig lernwirksame und zugleich kostengünstige 1:1 Lernbegleitung für eine grosse Anzahl von Menschen ermöglichen – im Kontext der Schul- und Hochschulbildung genauso wie im Kontext der betrieblichen Weiterbildung.
Diesen Entwicklungen und den daraus hervorgegangenen Produkten wird weitherum grosses Nutzenpotenzial zugesprochen und sie werden zum Teil als «die Zukunft» des Lernens bezeichnet. Dabei kann adaptives Lernen durch verschiedene Typen von technischen Systemen unterstützt werden. Beispiele hierfür sind u.a. die folgenden:

Lernkarteikarten-Systeme (z.B. ankiapp.com)
Sprachlernapps & -services (z.B. duolingo.com)
Plattformen für kuratierte und personalisierte Lerninhalte (z.B. degreed.com)
Adaptive Lernplattformen / Intelligente tutorielle Systeme (z.B. knewton.com)

Im Fokus dieser kurzen Reihe von Beiträgen steht der zuletzt genannte Typ von Systemen. Dabei will ich den folgenden Fragen nachgehen:

Wie funktionieren adaptive Lernplattformen? (Teil 1)
Wie leistungsfähig sind diese Systeme? (Teil 2)
Was sind Besonderheiten von E-Learning mit adaptiven Lernplattformen? (Teil 3)

Wie funktionieren adaptive Lernplattformen? Ein Blick unter die Motorhaube

Adaptive Lernsysteme (ALS) bzw. intelligente tutorielle Systeme (ITS) berücksichtigen die Lernenden in unterschiedlicher Weise. Frühere Systeme beschränkten sich darauf, den Lernenden Auswahlmöglichkeiten zwischen verschiedenen Inhalten zu bieten und die Lernaktivitäten zu beobachten. Auf dieser Grundlage konnten dann z.B. nächste Lerninhalte mit passendem Schwierigkeitsgrad angeboten werden. Neuere Systeme gehen darüber hinaus, indem sie verschiedene Modelle bzw. Komponenten integrieren: ein Domänen-Modell (Inhalte), ein tutorielles Modell (Lernprozess), ein Lernenden-Modell (Merkmale des / der Lernenden) sowie eine darüber gelegte Benutzeroberfläche.

Abbildung 1: Komponenten eines adaptiven tutoriellen Systems (Darstellung nach Bagheri 2015, S. 5ff.)

Mittlerweile sind eine ganze Reihe von adaptiven Lernsystemen bzw. intelligenten tutoriellen Systemen verfügbar, die unterschiedliche Bildungskontexte adressieren: Schulen, Hochschulen und betriebliche Weiterbildung ebenso wie verschiedene fachliche Kontexte – von Mathematik und Naturwissenschaften bis hin zu Management-Themen.
Die verschiedenen, am Markt verfügbaren Systeme unterscheiden sich im Hinblick auf die Art des hinterlegten Domänenmodells, das tutorielle Modell und auch das Lernenden-Modell.

Beispiel ALEKS

Das ursprünglich aus dem Feld der Mathematik-Didaktik stammende Produkt ALEKS (Assessment and Learning in Knowledge Spaces) basiert auf der “Knowledge Space Theorie” (Theorie der Wissensräume) und damit verbundenen Ansätzen in der Didaktik der Mathematik. ALEKS wurde ab 1994 an der University of California, Irvine im Rahmen eines Forschungsprojekts entwickelt und 2013 von McGraw-Hill Education erworben. ALEKS bietet eine Reihe von Kursen für Schulen und Hochschulen an, insbesondere zu Mathematik, Statistik, Buchhaltung, Chemie sowie verschiedene Vorbereitungskurse auf Hochschuleignungstests (https://www.aleks.com/about_aleks/course_products).
Zentral für die Funktionsweise von ALEKS ist die Abbildung einer inhaltlichen Domäne (z.B. Grundlagen der Algebra) über einen Wissensraum, Eingangstest für einen Lernenden (vgl. Abbildung 2), Errechnung des wahrscheinlichsten Wissensstands (vgl. Abbildung 3) und darauf aufbauend die Entwicklung von einzelnen Themen (z.B. Gleichungen mit zwei Unbekannten).

Abbildung 2: Beispiel für ein Test-Item in ALKES (Quelle: ALEKS Benutzerhandbuch, 2017, https://www.aleks.com/manual/pdf/learners-highedmath.pdf)

Abbildung 3: Vereinfachte Repräsentation eines Wissensraums und der veränderten Wahrscheinlichkeit von bestimmten Wissensständen eines Lernenden über eine Abfolge von kurzen Assessments (Quelle: ALEKS Corporation 2012)

Im Rahmen der individualisierten Diagnostik zum Wissensstand wählt ALKES jeweils die Frage / Aufgabe aus, die – auf Basis des aktuell berechneten Wissensstands – maximal informativ ist. Wenig informativ in diesem Sinne wäre eine Aufgabe, von der mit grosser Wahrscheinlichkeit zu erwarten ist, dass der / die Lernende sie bewältigen kann. Viel informativer ist dagegen eine Aufgabenstellung, für die diese Erwartung lediglich bei etwa 50% liegt. Auf der Grundlage der Antwort zu einer solchen Frage wird dann 1) der individuelle Wissensstand jeweils neu berechnet und 2) eine nächste passende Aufgabe zugewiesen.

Beispiel area9learning

area9learning grenzt sich bei der Darstellung der eigenen adaptiven Lernplattform deutlich von Plattformen wie z.B. ALEKS ab. Zum einen dadurch, dass einem “schliessenden Modell” (wie bei ALEKS) die Orientierung an einem “biologischen Modell” gegenüber gestellt wird. Zum anderen durch eine explizite Positionierung als Anbieter im Feld betriebliches Lernen / corporate learning. Insbesondere bei zwei Grundannahmen gibt es deutliche Unterschiede. Nick Howe (area9learning) zufolge

macht es keinen Sinn, von «hart verdrahteten» Beziehungen zwischen Lernzielen / Lerninhalten (Voraussetzungen etc.) auszugehen; vielmehr gibt es viele, zum Teil auch unvorhersehbare Wege zum Lernziel;
gibt es bei der Bestimmung des aktuellen Wissens- / Lernstands immer Ungenauigkeiten («Rauschen»): neues Wissen / neue Fertigkeiten kommen undokumentiert dazu (z.B. über informelle Lernaktivitäten und Erfahrungen ausserhalb der Plattform); bereits gelerntes Wissen geht wieder verloren und Fertigkeiten lassen nach; Lernziele können unscharf formuliert sein; die Zuordnung von Test-Aufgaben zu Lernzielen kann unscharf sein; usw.

Bei der Bestimmung des Wissensstands eines Lernenden werden daher zwei Aspekte berücksichtigt (vgl. Abbildung 4):

zum einen der objektive Grad, zu dem die gegebene Antwort korrekt ist;
zum anderen die subjektive Einschätzung dazu, wie sicher sich ein(e) Lerner(in) bei der Antwort ist.

Abbildung 4: Beispiel für ein Test-Item mit gleichzeitiger Abfrage dazu, wie sicher sich ein Lerner bezüglich der Antwort fühlt (Quelle: area9learning 2017, S. 5)

Die Modellierung des Wissens eines Lerners erfolgt über Algorithmen, in die beispielsweise die folgenden Werte einfliessen:

Numerischer Wert für die Bedeutsamkeit des Inhalts
Punktwert für die korrekte / inkorrekte Antwort
Punktwert für die Selbsteinschätzung
Punktwert für die Zeitdauer der Bearbeitung, zusammengesetzt aus
- Zeitdauer für das Lesen und Beantworten der Frage,
- Zeitdauer für das Ausfüllen der Selbsteinschätzung,
- Zeitdauer für das Lesen des Feedbacks nachdem die Antwort bewertet wurde.

Dabei werden die der Berechnung zugrundeliegenden Modelle und Algorithmen immer wieder überprüft und neu kalibriert. Hierzu kann area9learning (wie alle anderen Anbieter von solchen adaptiven Lernplattformen auch) auf viele Millionen Datenpunkte zurückgreifen, die bereits aus der Vergangenheit vorliegen und kontinuierlich hinzukommen.
Um einen effektiven und effizienten Lernprozess zu gewährleisten, müssen zwei potenziell konfligierende Ziele ausbalanciert werden:

zum einen soll die Zuverlässigkeit, mit der die Diagnose von Wissen / Kompetenz erfolgt, möglichst hoch sein bzw. bleiben; zusätzliche Fragen bzw. Aufgaben zum gleichen Thema erhöhen diese Zuverlässigkeit;
gleichzeitig soll aber der Zeitaufwand für Training möglichst geringgehalten werden; der Verzicht auf weitere Fragen zum gleichen Thema ist hierfür der zentrale Treiber.

Das Ausbalancieren dieser beiden konkurrierenden Anforderungen erfolgt über verschiedene weitere Modelle und Algorithmen, beispielsweise die folgenden:

die Modellierung von “vollständiger Bearbeitung” eines Themas / Inhalts;
die Modellierung von “Kompetenz”;
die Modellierung von “Vergessen”;
die Modellierung von “benötigter Zeit” für das Bearbeiten einer Aufgabe.

Eine adaptive Lernplattform wie area9learning bestimmt also den nächsten Lerninhalt bzw. die nächste Lernaufgabe, indem verschiedene Anforderungen ausbalanciert werden (vgl. Howe 2017, S. 25):

das Komplettieren / vollständige Bearbeiten eines bereits begonnenen Themas;
ein möglichst hoher Zuwachs an Wissen;
das Wiederholen von bereits Gelerntem, um neues Wissen langfristig zu verankern;
die Förderung der Genauigkeit der Selbsteinschätzung von Lernenden bzw. die Stärkung von deren Zutrauen in die eigene Selbsteinschätzung zu eigenem Wissen / eigenen Kompetenzen;
die laufende Verbesserung der Modelle und Algorithmen, um Rauschen / Ungenauigkeiten zu reduzieren;
den Zeiteinsatz und Motivation der Lernenden.

Fortsetzung

Dieser Beitrag findet seine Fortsetzung in den beiden nachfolgend aufgeführten Beiträgen:

Referenzen:
ALEKS Corporation (2012): What makes ALEKS unique. ALEKS Corporation. Online verfügbar unter https://www.aleks.com/about_aleks/overview.
area9learning (2017): adaptive learning. Eliminating corporate e-learning fatique. area9learning. area9learning.com. Online verfügbar unter https://offers.area9learning.com/adaptive-learning-whitepaper.
Bagheri, Mehri Mohammad (2015): Intelligent and adaptive tutoring systems. How to integrate learners. In: International Journal of Education 7 (2).
Bloom, Benjamin S. (1984): The 2 Sigma Problem. The search for methods of group instruction as effective as one-to-one tutoring. In: Educational Researcher 13 (6), S. 4–16.
Howe, Nick (2017): Adaptive learning insights. A practical guide to the future of corporate training. area9learning. Chestnut Hill, MA.
Wilson, Kevin; Nichols, Zack (2015): The Knewton Platform. A General-Purpose Adaptive Learning Infrastructure. knewton.com.

Am 25.09. + 02.10 + 16.10. 2018 findet das Online-Modul “Adaptive und KI-basierte Lernsysteme” im Rahmen unseres Zertifikatsprogramms “Digitale Bildung” statt. Dieser Beitrag ist ein kurzer Auszug aus dem Skript zu diesem Weiterbildungsmodul.