F\u00fcr die \u00e4u\u00dfere Schleife werden mit Hilfe von Trainingsdaten Modelle erstellt, denen geeignete Gewichtsmerkmale zugewiesen werden, um effektive Lerninhalte zu empfehlen2<\/sup> (siehe auch Wie maschinelles Lernen funktioniert<\/a>). Diese Modelle werden verwendet, um regelm\u00e4\u00dfig neue Lernpfade zu empfehlen, die den Lernfortschritt und die sich \u00e4ndernden Interessen der Sch\u00fclerinnen und Sch\u00fcler widerspiegeln - wie neue Empfehlungen auf Youtube. Bei ML-basierten ALS kann die Anzahl der Pfade in die Billionen gehen3<\/sup>. Andere Techniken, die in adaptiven Systemen zum Einsatz kommen, sind weniger automatisiert und erfordern explizit geschriebene Regeln, um Schlussfolgerungen zu ziehen2<\/sup>. Sie erfordern viel Programmierzeit und zus\u00e4tzlichen Aufwand, um alle Kriterien, die in die Entscheidungsfindung einflie\u00dfen, genau zu erfassen. Au\u00dferdem lassen sich die Ergebnisse oft nicht von einem Bereich zum n\u00e4chsten oder von einem Problem zum n\u00e4chsten verallgemeinern.<\/p>\n Tools, die ML verwenden, nutzen gro\u00dfe Datens\u00e4tze \u00fcber die tats\u00e4chliche Leistung der Sch\u00fclerinnen und Sch\u00fcler\u00a0 und sind in der Lage, f\u00fcr sie im Laufe der Zeit die dynamischsten Lernpfade zu erstellen1<\/sup>. Wie bei allen ML-Anwendungen muss vor dem Einsatz im Klassenzimmer trainiert und getestet werden.<\/p>\n\n\n[caption id=\"attachment_138\" align=\"aligncenter\" width=\"607\"] Im Fall von Youtube haben wir gesehen, dass es eine Menge Werturteile dar\u00fcber gibt, was eine gute Empfehlung ausmacht: wie viele Nutzerinteressen in einem Satz von Empfehlungen abgedeckt werden sollen, wie viele Videos den bereits gesehenen \u00e4hnlich sein sollen, wie viele neue Inhalte zur Abwechslung hinzugef\u00fcgt werden sollen (siehe Wie Youtube \u00fcber Sie lernt \u2014 Teil 2<\/a>). ALS beinhaltet \u00e4hnliche Beurteilungen dar\u00fcber, was es bedeutet, einen KU zu beherrschen und wie man zu dieser Beherrschung gelangt: die P\u00e4dagogik und die t\u00e4gliche Erfahrung der Lernenden.4<\/sup><\/p>\n Im Falle von ALS sollten diese Einsch\u00e4tzungen und Hinweise darauf, wie Lernende Fortschritte machen sollen, auf bew\u00e4hrten p\u00e4dagogischen Theorien beruhen. Diese flie\u00dfen in das p\u00e4dagogische Modell ein und helfen der Maschine zusammen mit den Dom\u00e4nen- und Lernermodellen bei der Auswahl einer geeigneten Reihe von Aktivit\u00e4ten.<\/p>\n Einige der Fragen, die in diesem Modell beantwortet werden, sind: Soll dem Sch\u00fcler bzw. der Sch\u00fclerin als N\u00e4chstes ein Konzept, eine Aktivit\u00e4t oder ein Test pr\u00e4sentiert werden? Mit welchem Schwierigkeitsgrad? Wie kann man den Lernprozess bewerten und Feedback geben? Wo ist mehr Hilfestellung notwendig5<\/sup>?\u00a0 (Hilfestellungen sind Unterst\u00fctzungsmechanismen, die Anleitungen zu Konzepten und Verfahren, zu den verwendeten Strategien und zur Reflexion, Planung und \u00dcberwachung des Lernens geben.) Das p\u00e4dagogische Modell diktiert den Umfang und die Tiefe der Aktivit\u00e4ten und sogar, ob man innerhalb des ALS weitermachen oder sich Hilfe von der Lehrkraft holen soll3<\/sup>.<\/p>\n\n\n[caption id=\"attachment_138\" align=\"aligncenter\" width=\"1024\"] Die Empfehlungen werden zusammen mit anderen Daten wie Lernfortschritt, Leistung und Ziele dargestellt. Die wichtigsten Fragen dabei sind:<\/p>\n\n Wenn das ALS zum Einsatz kommt, \u00fcberwachen die meisten Systeme ihre eigene Leistung anhand der durch die Programmierung festgelegten Kriterien. Wie bei jedem KI-Tool k\u00f6nnen die Daten verzerrt sein. Die vom System gezogenen Schl\u00fcsse k\u00f6nnen ungenau sein. Die Daten von Sch\u00fclerinnen und Sch\u00fcler aus der Vergangenheit werden mit der Zeit immer weniger aussagekr\u00e4ftig6<\/sup>. Daher muss auch die Lehrkraft die Leistung des Systems \u00fcberwachen und den Lernenden bei Bedarf anleiten und korrigieren.<\/p>\n Es sind auch die Lehrkr\u00e4fte und Mitlernenden, die Anregungen geben und alternative Ressourcen aufzeigen m\u00fcssen. Die Forschung im Bereich der Empfehlungssysteme wurde \u00fcber ein Jahrzehnt lang von kommerziellen Inhaltsanbietern und Online-Einzelhandelsunternehmen gepr\u00e4gt. Daher lag der Schwerpunkt auf der zuverl\u00e4ssigen Bereitstellung von Empfehlungen, die zu vermarktbaren Ergebnissen f\u00fchren. \u201eDie \u00fcberraschende Freude \u00fcber ein unerwartetes Juwel\u201d7<\/sup> und weniger befahrene Wege, die zu nachhaltigem Lernen anregen k\u00f6nnen, geh\u00f6ren nicht zu den St\u00e4rken des maschinengest\u00fctzten personalisierten Lernens.<\/p>\n\n\n 1<\/sup> EdSurge, Decoding Adaptive<\/em>, Pearson, London, 2016.<\/p>\n 2 <\/sup>Chrysafiadi, K., Virvou, M., Student modeling approaches: A literature review for the last decade<\/em>, Expert Systems with Applications, Elsevier, 2013.<\/p>\n 3 <\/sup>Essa, A., A possible future for next generation adaptive learning systems<\/a><\/em>, Smart Learning Environments, 3, 16, 2016.<\/p>\n 4 <\/sup>Groff, J., Personalized Learning: The state of the field and future directions<\/em>, Center for curriculum redesign, 2017.<\/p>\n 5 <\/sup>Alkhatlan, A., Kalita, J.K., Intelligent Tutoring Systems: A Comprehensive Historical Survey with Recent Developments<\/em>, International Journal of Computer Applications 181(43):1-20, March 2019.<\/p>\n 6 <\/sup>du Boulay, B., Poulovasillis, A., Holmes, W., Mavrikis, M., Artificial Intelligence And Big Data Technologies To Close The Achievement Gap<\/em>, In: Luckin, Rose ed. Enhancing Learning and Teaching with Technology. London: UCL Institute of Education Press, pp. 256\u201328, 2018.<\/p>\n 7 <\/sup>Konstan, J., Terveen, L., Human-centered recommender systems: Origins, advances, challenges, and opportunities<\/em>, AI Magazine, 42(3), 31-42, 2021.<\/p>","rendered":" In den letzten Jahren wird maschinelles Lernen immer h\u00e4ufiger in adaptiven Systemen eingesetzt, entweder als einzige Technologie oder in Verbindung mit anderen Ans\u00e4tzen2<\/sup>. Wo es eingesetzt wird, besteht die Hauptaufgabe von ML darin, Sch\u00fclermodelle auf der Grundlage einer Reihe von Merkmalen zu erstellen und zu aktualisieren, einschlie\u00dflich der Ergebnisse von Bewertungen und neuer Daten, die w\u00e4hrend des gesamten Prozesses generiert werden1<\/sup>.<\/p>\n F\u00fcr die \u00e4u\u00dfere Schleife werden mit Hilfe von Trainingsdaten Modelle erstellt, denen geeignete Gewichtsmerkmale zugewiesen werden, um effektive Lerninhalte zu empfehlen2<\/sup> (siehe auch Wie maschinelles Lernen funktioniert<\/a>). Diese Modelle werden verwendet, um regelm\u00e4\u00dfig neue Lernpfade zu empfehlen, die den Lernfortschritt und die sich \u00e4ndernden Interessen der Sch\u00fclerinnen und Sch\u00fcler widerspiegeln – wie neue Empfehlungen auf Youtube. Bei ML-basierten ALS kann die Anzahl der Pfade in die Billionen gehen3<\/sup>. Andere Techniken, die in adaptiven Systemen zum Einsatz kommen, sind weniger automatisiert und erfordern explizit geschriebene Regeln, um Schlussfolgerungen zu ziehen2<\/sup>. Sie erfordern viel Programmierzeit und zus\u00e4tzlichen Aufwand, um alle Kriterien, die in die Entscheidungsfindung einflie\u00dfen, genau zu erfassen. Au\u00dferdem lassen sich die Ergebnisse oft nicht von einem Bereich zum n\u00e4chsten oder von einem Problem zum n\u00e4chsten verallgemeinern.<\/p>\n Tools, die ML verwenden, nutzen gro\u00dfe Datens\u00e4tze \u00fcber die tats\u00e4chliche Leistung der Sch\u00fclerinnen und Sch\u00fcler\u00a0 und sind in der Lage, f\u00fcr sie im Laufe der Zeit die dynamischsten Lernpfade zu erstellen1<\/sup>. Wie bei allen ML-Anwendungen muss vor dem Einsatz im Klassenzimmer trainiert und getestet werden.<\/p>\n Im Fall von Youtube haben wir gesehen, dass es eine Menge Werturteile dar\u00fcber gibt, was eine gute Empfehlung ausmacht: wie viele Nutzerinteressen in einem Satz von Empfehlungen abgedeckt werden sollen, wie viele Videos den bereits gesehenen \u00e4hnlich sein sollen, wie viele neue Inhalte zur Abwechslung hinzugef\u00fcgt werden sollen (siehe Wie Youtube \u00fcber Sie lernt \u2014 Teil 2<\/a>). ALS beinhaltet \u00e4hnliche Beurteilungen dar\u00fcber, was es bedeutet, einen KU zu beherrschen und wie man zu dieser Beherrschung gelangt: die P\u00e4dagogik und die t\u00e4gliche Erfahrung der Lernenden.4<\/sup><\/p>\n Im Falle von ALS sollten diese Einsch\u00e4tzungen und Hinweise darauf, wie Lernende Fortschritte machen sollen, auf bew\u00e4hrten p\u00e4dagogischen Theorien beruhen. Diese flie\u00dfen in das p\u00e4dagogische Modell ein und helfen der Maschine zusammen mit den Dom\u00e4nen- und Lernermodellen bei der Auswahl einer geeigneten Reihe von Aktivit\u00e4ten.<\/p>\n Einige der Fragen, die in diesem Modell beantwortet werden, sind: Soll dem Sch\u00fcler bzw. der Sch\u00fclerin als N\u00e4chstes ein Konzept, eine Aktivit\u00e4t oder ein Test pr\u00e4sentiert werden? Mit welchem Schwierigkeitsgrad? Wie kann man den Lernprozess bewerten und Feedback geben? Wo ist mehr Hilfestellung notwendig5<\/sup>?\u00a0 (Hilfestellungen sind Unterst\u00fctzungsmechanismen, die Anleitungen zu Konzepten und Verfahren, zu den verwendeten Strategien und zur Reflexion, Planung und \u00dcberwachung des Lernens geben.) Das p\u00e4dagogische Modell diktiert den Umfang und die Tiefe der Aktivit\u00e4ten und sogar, ob man innerhalb des ALS weitermachen oder sich Hilfe von der Lehrkraft holen soll3<\/sup>.<\/p>\n Die Empfehlungen werden zusammen mit anderen Daten wie Lernfortschritt, Leistung und Ziele dargestellt. Die wichtigsten Fragen dabei sind:<\/p>\n Wenn das ALS zum Einsatz kommt, \u00fcberwachen die meisten Systeme ihre eigene Leistung anhand der durch die Programmierung festgelegten Kriterien. Wie bei jedem KI-Tool k\u00f6nnen die Daten verzerrt sein. Die vom System gezogenen Schl\u00fcsse k\u00f6nnen ungenau sein. Die Daten von Sch\u00fclerinnen und Sch\u00fcler aus der Vergangenheit werden mit der Zeit immer weniger aussagekr\u00e4ftig6<\/sup>. Daher muss auch die Lehrkraft die Leistung des Systems \u00fcberwachen und den Lernenden bei Bedarf anleiten und korrigieren.<\/p>\n Es sind auch die Lehrkr\u00e4fte und Mitlernenden, die Anregungen geben und alternative Ressourcen aufzeigen m\u00fcssen. Die Forschung im Bereich der Empfehlungssysteme wurde \u00fcber ein Jahrzehnt lang von kommerziellen Inhaltsanbietern und Online-Einzelhandelsunternehmen gepr\u00e4gt. Daher lag der Schwerpunkt auf der zuverl\u00e4ssigen Bereitstellung von Empfehlungen, die zu vermarktbaren Ergebnissen f\u00fchren. \u201eDie \u00fcberraschende Freude \u00fcber ein unerwartetes Juwel\u201d7<\/sup> und weniger befahrene Wege, die zu nachhaltigem Lernen anregen k\u00f6nnen, geh\u00f6ren nicht zu den St\u00e4rken des maschinengest\u00fctzten personalisierten Lernens.<\/p>\n![\"\"](\"http:\/\/aiopentext.itd.cnr.it\/wp-content\/uploads\/sites\/13\/2024\/01\/ch2-page-3-Machine-learns-e1697825030868.png\")
\nIn der internen Schleife wird maschinelles Lernen eingesetzt, um geeignetes Feedback zu geben, Fehler oder Wissensl\u00fccken zu erkennen und die Beherrschung von Wissenseinheiten zu bewerten: W\u00e4hrend der Arbeit an einer Aufgabe kann eine Sch\u00fclerin oder ein Sch\u00fcler Fehler machen. Mithilfe von ML k\u00f6nnen Sie vorhersagen, welche Fehler aus welcher Wissensl\u00fccke resultieren. Wenn ein Schritt der L\u00f6sung richtig ist, kann ML verwendet werden, um vorherzusagen, welche Wissenseinheiten erfolgreich gemeistert wurden2<\/sup>.<\/p>\n![\"\"](\"http:\/\/aiopentext.itd.cnr.it\/wp-content\/uploads\/sites\/13\/2023\/11\/ch4-page-6-adaptive-content.jpg\")
Abb.von EdSurge, Decoding Adaptive, Pearson, London, 2016 ist lizensiert unter CC BY 4.0. Informationen zu dieser Lizenz finden Sie unter: https:\/\/creativecommons.org\/licenses\/by\/4.0\/<\/a>[\/caption]\nP\u00e4dagogisches Modell<\/h3>\n
![\"\"](\"http:\/\/aiopentext.itd.cnr.it\/wp-content\/uploads\/sites\/13\/2024\/01\/ch4-page-6-content-scaffolding-1024x724.jpg\")
Abb. von EdSurge, Decoding Adaptive, Pearson, London, 2016 ist lizensiert unter CC BY 4.0. Informationen zu dieser Lizenz finden Sie unter: https:\/\/creativecommons.org\/licenses\/by\/4.0\/<\/a>[\/caption]\nInterface<\/h3>\n
\n \t
Auswertung<\/h3>\n
\nDer Prozess<\/h3>\n
\nIn der internen Schleife wird maschinelles Lernen eingesetzt, um geeignetes Feedback zu geben, Fehler oder Wissensl\u00fccken zu erkennen und die Beherrschung von Wissenseinheiten zu bewerten: W\u00e4hrend der Arbeit an einer Aufgabe kann eine Sch\u00fclerin oder ein Sch\u00fcler Fehler machen. Mithilfe von ML k\u00f6nnen Sie vorhersagen, welche Fehler aus welcher Wissensl\u00fccke resultieren. Wenn ein Schritt der L\u00f6sung richtig ist, kann ML verwendet werden, um vorherzusagen, welche Wissenseinheiten erfolgreich gemeistert wurden2<\/sup>.<\/p>\nP\u00e4dagogisches Modell<\/h3>\n
Interface<\/h3>\n
\n
Auswertung<\/h3>\n
\n