![sliwowski-edukacja-bigdata[1]](https://sektor3-0.pl/wp-content/uploads/elementor/thumbs/sliwowski-edukacja-bigdata1-qdyqmmjaeoaluiyxbptap2j85qv9z9stvlq53cvw52.jpg "sliwowski-edukacja-bigdata[1]")
Wyobraź sobie, że jesteś na pierwszym roku studiów (chyba że aktualnie studiujesz) i czeka Cię trudna sesja, po której zwyczajowo odpada z tego kierunku 50 proc. studentów. Wiesz, którzy wykładowcy są bardziej surowi, ale nie masz wpływu czy do nich trafisz, ponieważ przydział odbywa się losowo. Zarówno Ty ucząc się sumiennie cały rok i chodząc na wykłady, jak i Twoi koledzy i koleżanki zostawiający wszystko na ostatnią chwilę, macie takie same szanse trafić do surowego lub łagodnego egzaminatora. Załóżmy też na chwilę, że wykładowca nikogo z Was nie pamięta z zajęć. W dniu egzaminu może okazać się, że mimo regularnej nauki pokonał Cię stres i egzamin poszedł Ci gorzej. Twojej koleżance, która nie była na żadnym wykładzie, nie przepada za rygorem zajęć, ale uwielbia ten temat i przygotowała się świetnie w ostatniej chwili, poszedł bardzo dobrze. Dla egzaminatora Wasze historie edukacji nie mają znaczenia, ale co jeśli w jego roli postawimy komputer, który zbiera dane o tym, jak i kiedy się uczysz oraz algorytmy, które mają pomóc uczelni zoptymalizować jej pracę?
To hipotetyczna sytuacja, której elementy już dziś działają w szkołach, na uczelniach i w mnóstwie aplikacji i programów do nauki w sieci. Dzięki ilości danych, które możemy zbierać podczas rozwiązywania zadań, oglądania filmów edukacyjnych, a nawet z prostego logowania się i wykorzystywania (lub niewykorzystywania) konkretnych funkcji w aplikacjach,
algorytmy uczą się i przykładowo coraz lepiej:
- rozpoznają nawet bardzo drobne czynniki, które odpowiadają za to, jak sobie radzimy z zadaniem i mogą je dzięki temu modyfikować,
- przypominają nam o nauce, wykorzystując wiedzę o naszych nawykach oraz elementy motywacji w postaci powiadomień, grywalizacji itp.
- przewidują nasze szanse na odpadnięcie ze studiów lub kursu e-learningowego.
Potencjał tzw. big data w edukacji jest ogromny, choć dyskusja o nim nie jest pozbawiona kontrowersji i niepewności. Warto się im przyjrzeć, nawet jeśli uważamy, że cyfryzacja edukacji jest nieunikniona lub jeśli preferujemy tradycyjne metody uczenia się.
Dane w efektywnej edukacji
Weźmy za przykład popularne wideo, platformę i aplikacje mobilne Khan Academy. Setki milionów odtworzeń wideo i dziesiątki miliony uczniów online składa się na ogromne ilości danych statystycznych oraz łatwość prowadzenia testów różnych usprawnień. KA może wykorzystywać dane behawioralne do wnioskowania o jakości własnych treści oraz o wyzwaniach uczniów. Przykładowo, jeśli wysoki procent ich użytkowników przestanie oglądać film w danym momencie lub częściej go zatrzymywać, to wie które fragmenty są trudne, lub należy je poprawić. Na bazie ogromnej liczby zadań i odpowiedzi na nie, może analizować jak zmiany w treści zadania, doborze przykładów, trudności etc. wpływają na wyniki. Analizie i testom można poddawać (podobnie jak robią to twórcy mediów społecznościowych i aplikacji mobilnych) interfejs użytkownika, grafikę,projekty i strukturę treści. Tylko w tym przypadku zamiast skuteczności tych czynników dla utrzymania uwagi klienta czy zwiększenia ilości klików na reklamy, celem jest wydłużenie czasu poświęcanego na naukę i jego efektywności. Tak zwane learning analytics pozwala przyjrzeć się elementom procesu uczenia, które stacjonarnie są trudne lub niemożliwe do zmierzenia.
Tutor AI
Wraz z ilością danych i doskonaleniem wykorzystania algorytmów cyfrowe rozwiązania edukacyjne stają się coraz lepsze nie tylko w mierzeniu i analizie, ale również personalizowaniu procesu edukacyjnego. Od możliwości wyboru pomiędzy tekstem a wideo po dostarczanie różnych form motywacji i powiązań między zadaniami a prywatnymi zainteresowaniami. Koncepcja „sztucznej inteligencji” (lub AI tutora jak opisuje to aplikacja do spersonalizowanej nauki od Google, czyli Socratic), która staje się cyfrowym nauczycielem, sięga lat 70 i badań, które pokazały, że indywidualny sposób nauczania poprawia wyniki uczniów. Oczywiście, by na masową skalę zaoferować taki tryb szkoły potrzebna jest technologia, która wesprze lub zastąpi nauczycieli. Z racji na niewystarczającą liczbę nauczycieli względem uczniów, Chiny są jednym z tych państw, które inwestuje najwięcej w tę koncepcję. Sukcesy tamtejszych start-upów pokazują, że do skutecznego wykorzystania danych w edukacji potrzebna jest:
a) ogromna ilość danych, których zebranie może naruszać granice prywatności nauczycieli i uczniów,
b) najlepsze wyniki płyną z połączenia nauczycieli z narzędziami technologicznymi,
c) wykorzystanie pełnego potencjału wymaga również zrozumienia tego procesu przez osoby uczące się
Czytaj także: Zrozumieć sztuczną inteligencję. Co warto wiedzieć o jej aktualnych możliwościach i gdzie się o niej uczyć?
Do tej listy warto dodać też dwa wyzwania, które nie dotyczą ani skuteczności konkretnych technologii, ani metod nauczania, ale celu samej edukacji. Na razie największe sukcesy w uczeniu wspieranym przez big data widać w nauce nastawionej na rozwiązywanie zadań i testów, niewspieraniu kreatywności czy kompleksowym rozwiązywaniu problemów (których uczenie się jest znacznie trudniejsze). Oczywiście tych drugich również możemy uczyć się online, ale nie na taką skalę jak uczenie się matematyki lub nowego języka. Znacznie rzadziej dyskutowane są za to zastosowania big data w zarządzaniu procesami edukacyjnymi zwłaszcza w szkolnictwie wyższym. Tutaj dane o studentach mogą służyć nie tylko ich lepszej edukacji, ale również (w najlepszym przypadku) lepszym decyzjom podejmowanym przez uczelnie lub (w gorszym wypadku) pogłębianiu nierówności pomiędzy studentami z różnych środowisk a czasem (najgorszy przypadek) sprzedawaniu danych.
Choć zabrzmi to banalnie, przyszłość big data w edukacji zależy od Ciebie, niezależnie od tego, czy uczysz się i będziesz wybierać transparentne rozwiązania dbające o Twoją prywatność, czy tworzysz cyfrowe rozwiązania edukacyjne i możesz zadbać lepiej o interes swoich uczniów lub studentów. Rosnąca dziś popularność wykorzystania danych i algorytmów w narzędziach edukacyjnych to najlepszy moment dla zdrowej konkurencji w tej branży.
Artykuł jest częścią cyklu Kompetencje przyszłości, który publikujemy w tym sezonie. Przeczytaj także: