Trotz des vielversprechenden Potenzials von adaptiven Lernsystemen bleiben viele Fragen offen. Es gibt noch nicht gen\u00fcgend Forschung oder Dokumentation der Unterrichtspraxis, um diese Fragen zu beantworten:<\/p>\n\n
Bei der Entwicklung von ALS werden einige Grunds\u00e4tze entweder direkt oder implizit angewandt. Diese sind nicht immer ohne Folgen.<\/p>\n\n
Was tun Systeme des maschinellen Lernens, wenn sie etwas vorhersagen oder empfehlen? Sie nutzen fr\u00fchere Erfahrungen, Vorlieben und Leistungen des Lernenden, um zu entscheiden, was sie ihm empfehlen: Sie schauen in die Vergangenheit, um die Zukunft vorherzusagen. Daher sind diese Systeme immer auf die Vergangenheit ausgerichtet4<\/sup>. Maschinelles Lernen funktioniert am besten in einer statischen und stabilen Welt, in der die Vergangenheit wie die Zukunft aussieht<\/em>5<\/sup>. ALS, die auf Modellen des maschinellen Lernens basieren, tun mehr oder weniger das Gleiche, nur dass jetzt p\u00e4dagogische \u00dcberlegungen hinzukommen.<\/p>\n Infolgedessen sind diese Systeme nicht in der Lage, Abweichungen von der Normalit\u00e4t, wie die COVID-Pandemie, gesundheitliche Probleme und andere Probleme des Individuums, zu ber\u00fccksichtigen. Noch viel weniger k\u00f6nnen sie das Alter, das Wachstum, die Aneignung neuer Kompetenzen und die pers\u00f6nliche Entwicklung junger Menschen ber\u00fccksichtigen.<\/p>\n Ist das Verhalten von Lernenden \u00fcberhaupt vorhersehbar? Wie oft k\u00f6nnen wir eine Formel wiederholen, die in der Vergangenheit gut funktioniert hat, bevor sie langweilig und repetitiv wird und den Fortschritt behindert6<\/sup>? Selbst wenn eine solche Vorhersage m\u00f6glich w\u00e4re, ist es dann \u00fcberhaupt ratsam, Lernende nur mit Dingen zu konfrontieren, die sie m\u00f6gen und mit denen sie vertraut sind? Andererseits: Wie viel Neues ist \u00fcberw\u00e4ltigend und kontraproduktiv6<\/sup>?<\/p>\n Zusammenfassend l\u00e4sst sich sagen, dass es schwierig ist, zu entscheiden, wie \u00e4hnlich die empfohlenen Aktivit\u00e4ten einander sein sollten, wie viele neue Arten von Aktivit\u00e4ten in einer Sitzung eingef\u00fchrt werden sollten und wann es produktiv ist, einen Sch\u00fcler dazu zu bringen, sich Herausforderungen zu stellen und neue Interessen zu erkunden. Und die Antworten sind nicht nur in der Vergangenheit der Sch\u00fcler zu finden.<\/p>\n\n Selbst dort, wo die Vergangenheit zuverl\u00e4ssig zur Vorhersage der Zukunft genutzt werden kann, k\u00f6nnte es schwierig sein, die Vergangenheit selbst genau zu erfassen. Wie kann Youtube wissen, dass einem Nutzenden ein Video gefallen hat? Diese Aussage ist einfach zu treffen, wenn sie oder er auf die Schaltfl\u00e4che \"Gef\u00e4llt mir\" geklickt oder den \u00fcbergeordneten Kanal abonniert hat, nachdem sie oder er das Video gesehen hat. Aber ein solches explizites Verhalten ist selten. Empfehlungssysteme m\u00fcssen regelm\u00e4\u00dfig auf implizite Signale zur\u00fcckgreifen, die der Wahrheit entsprechen k\u00f6nnen oder auch nicht4<\/sup>. Youtube beispielsweise verwendet die Zeit, die ein Nutzender mit dem Anschauen eines Videos verbracht hat, als implizites Signal, dass ihm das Video gefallen hat und er sich \u00e4hnliche Inhalte ansehen m\u00f6chte. Aber nur weil ein Video auf dem Computer eines Nutzenden bis zum Ende abgespielt wurde, hei\u00dft das noch lange nicht, dass es der Person gefallen hat oder sie es \u00fcberhaupt angesehen hat7<\/sup>.<\/p>\n Wie wird das Feedback in einem adaptiven Lernsystem erfasst? Um beispielsweise festzustellen, ob ein Lernender w\u00e4hrend einer Aktivit\u00e4t aufmerksam war, k\u00f6nnte das System die Anzahl der digitalen Ressourcen aufzeichnen, die sie oder er angeklickt hat, und wann und wie lange sie oder er diese aufgerufen hat. Diese Daten k\u00f6nnen jedoch nicht genau den Grad der Aufmerksamkeit wiedergeben1.<\/p>\n Wenn sich ein Lernender beispielsweise im Klaren dar\u00fcber ist, was sie oder er f\u00fcr eine Aufgabe tun soll, kann sie oder er einige Ressourcen konsultieren und sich schnell auf die entscheidenden Punkte konzentrieren.Jemand, der sich nicht so sicher ist, kann alle aufgelisteten Ressourcen \u00f6ffnen und viel Zeit damit verbringen, ohne viel zu lernen.1. Es ist m\u00f6glich, dass der erste Lernende f\u00e4lschlicherweise als unmotiviert eingestuft wird und zus\u00e4tzliche Arbeit leisten muss.<\/p>\n Zu bedenken ist auch, dass die Modelle des maschinellen Lernens nur feststellen k\u00f6nnen, dass zwei Dinge geschehen sind - ein Lernender klickt auf eine Ressource und ein Lernender erzielt eine hohe Punktzahl bei der zugeh\u00f6rigen \u00dcbung. Sie k\u00f6nnen nicht ableiten, dass der Lernende eine hohe Punktzahl erreicht hat, weil sie oder er die Ressource konsultiert hat - sie k\u00f6nnen eine Korrelation ableiten, aber keine Kausalit\u00e4t5.<\/p>\n Bei einigen ALS wird zu Unrecht erwartet, dass die Lehrkraft eingreift und solche Fehler korrigiert. In anderen Systemen hat die Lehrkraft nicht einmal die M\u00f6glichkeit, dies zu tun.<\/p>\n\n Empfehlungssysteme k\u00f6nnen nicht mit mehreren Zielen umgehen. Das Ziel der ALS wird oft in Form einer einzigen Frage formuliert: der Ersatzfrage. Welche Bewertung hat ein Nutzender einem Film gegeben, wie lange hat er sich ein Video angesehen, wie hoch ist die Punktzahl des Lernenden in einem Quiz, wie gut hat sie oder er die Kriterien erf\u00fcllt, die die Maschine zur Messung der Aufmerksamkeit verwendet... Die Systeme werden dann auf dieses Ziel hin trainiert und daraufhin getestet, ob es erreicht wurde. Ihre Leistung wird st\u00e4ndig angepasst, um ihre Punktzahl im Hinblick auf dieses Ziel zu maximieren.<\/p>\n Wenn das Erreichen der Punktzahl im Quizz das Ziel ist, werden bestimmte Inhalte auf eine bestimmte Weise empfohlen. Dann ist die Pr\u00fcfungsleistung das Ersatzproblem, das gel\u00f6st wird. Wenn das Ziel nur darin besteht, die Sch\u00fcler dazu zu bringen, auf viele Ressourcen zu klicken, werden die Empfehlungen so zugeschnitten, dass sie genau dies tun. Dann ist die Attraktivit\u00e4t der Ressourcen das Problem - die Frage, auf die man eingeht.<\/p>\n Die Wahl der Frage hat einen gro\u00dfen Einfluss darauf, wie die ALS funktioniert4. Im Gegensatz zu den ALS, die als objektive Systeme angepriesen werden, ist die Auswahl des Ersatzproblems f\u00fcr die Empfehlungen eher eine Kunst als eine Wissenschaft4<\/sup>.<\/p>\n\n Wie wir bisher gesehen haben, sind bei der Entwicklung von ALS viele Entscheidungen zu treffen: Welche Daten werden gemessen, wie werden diese Daten verwendet, um Feedback und andere Informationen zu messen, welche Ziele werden optimiert, welche Algorithmen werden verwendet, um diese Ziele zu optimieren... Meistens sind es Programmierende, Forschende der Datenwissenschaften, Finanz- und Marketingexperten, die an diesen Entscheidungen beteiligt sind. Der Beitrag von Lehrkr\u00e4ften und p\u00e4dagogischen Fachkr\u00e4ften zum Entwicklungsprozess ist selten und kommt oft erst nach dem Entwurfsprozess2<\/sup>. Die Produkte werden vor ihrer Einf\u00fchrung in den Schulen nicht in der Praxis erprobt, und oft beruht ihre behauptete Wirksamkeit auf Erfahrungsberichten und Anekdoten und nicht auf wissenschaftlichen Untersuchungen2.<\/p>\n Infolgedessen hat das, was eine Schule braucht und womit sie vertraut ist, wenig Einfluss auf das, was die Unternehmen entwickeln. Und schlie\u00dflich haben die Kosten, die Verf\u00fcgbarkeit und die Infrastruktur einen gro\u00dfen Einfluss darauf, was Schulen kaufen k\u00f6nnen. Es ist wichtig, dies bei der Entscheidung, ob oder wie ein bestimmtes Produkt eingesetzt werden soll, zu bedenken: Vielleicht ist es besser, sie nicht alle als adaptive Lernsysteme oder KI zu betrachten, sondern als individuelle Systeme mit sehr unterschiedlichen Zielen, Designs und F\u00e4higkeiten.<\/p>\n ALS k\u00f6nnen in ihrer Gesamtheit zur Personalisierung von Feedback, Scaffolding<\/em> und \u00dcbung eingesetzt werden. Sie k\u00f6nnen Lernl\u00fccken aufsp\u00fcren und diese im Rahmen der Programmierung und des Designs beheben. Sie k\u00f6nnen keine \"lehrbaren Momente\" erkennen oder feststellen, wann es richtig ist, die Stimmung in der Klasse zu nutzen, um eine neue Idee oder ein Beispiel einzuf\u00fchren. Diese F\u00e4higkeiten, die das Lernen zu einem Erlebnis machen und dazu beitragen, dass die Lerninhalte im Ged\u00e4chtnis der Sch\u00fcler haften bleiben, sind allein die St\u00e4rke der Lehrkraft.<\/p>\n \n\nEin Paradigma der ALS: Das Explizite spiegelt das Implizite wider<\/h3>\n
Das Paradigma der ALS: Alles kann durch diese eine Frage ersetzt werden<\/h3>\n
Nicht alles, was technisch ist, ist Hi-Tech<\/h3>\n
\n