15.12.16

Bořivoj Brdička: Personalizaci nedělají velká data, ale malá

Doposud jsme v souvislosti s datafikací školství vždy mluvili jen o „velkých datech“ (Komu patří velká data ve školství?, Jsou velká data velkým potenciálem nebo velkou chybou?). Velká data jsou všechny ukládané informace o tom, co uživatelé (žáci) na svém přístroji či v určité aplikaci dělají. Většinou jich je skutečně mnoho, jsou nestrukturovaná a je obtížné je zpracovat. Typicky se pak dají využít hlavně při odhalování dlouhodobých plošných trendů. Kromě vědců mnoha různých oborů se statistickým zpracováním uživatelských dat v poslední době zabývá hlavně marketing. Úspěch obchodu v globální konkurenci je stále více závislý na zpracování relevantních informací o stavu trhu. Právě zde se nedávno vynořil nový pojem – „malá data“ (small či little data – zatím neustáleno).

Všudypřítomná snaha přizpůsobit nabídku potřebám zákazníka (personalizace) je sice založena na velkých datech, fungovat však musí nakonec vždy individuálně, to znamená, že jejím cílem je přizpůsobit nabídku osobním preferencím zákazníka. Zjednodušeně si to můžeme představit tak, že počítačový systém na základě velkých dat získaných od všech vytvoří (s přispěním umělé inteligence) modely chování typických uživatelů. Pak vezme konkrétní (malá) data toho kterého uživatele a hledá odpovídající model, který zařídí, aby nabídka odpovídala zájmům zákazníka. Autor pojmu „malá data“ Mark Bonchek je definuje jako „to, co víme o lidech“ [1].

Zkusme se přenést zpět do školství. S malými daty zde lze pracovat na různých úrovních. Plnohodnotný systém podobný výše popsanému je hodně komplikovaný. Vyžaduje existenci obrovského množství dat, která popisují výukovou činnost pokud možno všech žáků včetně odpovídajících výsledků. Na základě těchto informací by teoreticky bylo možné s pomocí umělé inteligence (hlubokého učení) generovat modely typických postupů vhodných pro různé typy studujících. Jsou-li pak k dispozici malá data popisující konkrétního žáka, může pro něj systém ten nejvhodnější postup vybrat automaticky (viz Knewton jako předzvěst budoucnosti?). Kromě Knewtonu vím o dvou amerických systémech, které jsou s významnou podporou investorů vyvíjeny s cílem k podobnému automatizovanému systému personalizovaného učení dospět – Summit Personalized Learning Platform, AltSchool Open.

Tento cíl je zatím spíše jen zbožným přáním vývojářů. I kdyby se nakonec podařilo ho dosáhnout, role učitele stejně zůstane nezastupitelná. Automatizovaný výukový systém není schopen podporovat rozvoj vyšších forem myšlení, tj. dospět k nejvyšším stupňům taxonomie vzdělávacích cílů.

Zatím se zdá být nejrozumnějším řešením velká data s umělou inteligencí nahradit inteligentním učitelem z masa a kostí. Hned vás asi napadne, že se schopný učitel možná může obejít i bez technologií, a bude to jistě do určité míry pravda. Všeobecně ale platí, že malá data získaná prostřednictvím technologií mohou být v rukou učitele (či ve formě přímé zpětné vazby žákovi) velmi přínosná. Právě ten fakt, že jsou „malá“, jejich zpracování samotným člověkem výrazným způsobem usnadňuje (ve velkých datech by se učitel orientoval jen stěží). Takto zjednodušený postup vychází místo daty generovaných modelů z výukových cílů popsaných standardy, k nimž přiřazuje výukové aktivity (materiály, cvičení, testy apod.) a dosažené výsledky uživatelů se zaznamenávají. Učitel (nebo žák sám) pak na jejich základě určuje, co dál dělat.

Nedávno jsme informovali o tom, že v USA dochází k masivnímu zavádění podobných personalizovaných postupů (Obnova veřejného školství aneb personalizované vzdělávání do škol). Konstatoval jsem, že toho o vlastnostech použitých počítačových systémů zatím víme jen velmi málo. Roušku tajemství možná nepatrně poodhaluje nedávná zpráva The Hechinger Report o experimentálním personalizovaném vzdělávání školského obvodu Dysart v Arizoně [2].

Tamní program se nazývá Innovation Academy a má tyto základní, od stávající výuky odlišné vlastnosti:
  • Využití technologií formou1:1.
  • Žáci jsou zapojeni do rozhodování jak, kdy a co budou dělat, mají-li zvládnout potřebnou látku i dovednosti.
  • Učitelé fungují jako průvodci a mentoři.
  • Digitální výukové zdroje jsou k dispozici nepřetržitě (zde je program propojen se starším projektem obvodu iPAL)
  • Aplikují se kombinované, převrácené a online výukové metody.
  • Základem je projektová výuka.
  • Důraz je kladen na smysl pro iniciativu a podnikavost (entrepreneurship).


Celý článek na spomocnik.rvp.cz.

BRDIČKA, Bořivoj. Personalizaci nedělají velká data, ale malá. Metodický portál: Články [online]. 15. 12. 2016, [cit. 2016-12-15]. Dostupný z WWW: http://spomocnik.rvp.cz/clanek/21171/PERSONALIZACI-NEDELAJI-VELKA-DATA-ALE-MALA.html. ISSN 1802-4785.

1 komentář:

Jan Hučín řekl(a)...

Velká data lze využít mnoha způsoby. Jeden z nich je modelování pomocí machine learning -- vytvoří se model, ten se "naučí" na dodaných datech a pak se mu předhazují jednotlivé případy. Tam ovšem často velká data nepotřebujeme, k naučení modelu stačí i dostatečně velký vzorek.

Jiné využití ovšem předpokládá, že ve velkých datech vyhledáváme řetězce, podobné dvojice apod. To je zcela jiná úloha než modelování a je potřeba k tomu mít opravdu velká data.

Okomentovat