適応学習

アダプティブラーニングは、アダプティブティーチングとも呼ばれ、コンピュータアルゴリズムと人工知能を使用して学習者とのやり取りを調整し、各学習者の独自のニーズに対応するためにカスタマイズされたリソースと学習アクティビティを提供する教育方法です。[ ^1]専門的な学習の文脈では、個人は新しい指導に取り組むことを確認するために、いくつかのトレーニングを「テスト」する場合があります。コンピュータは、質問、タスク、経験に対する応答によって示される学生の学習ニーズに応じて、教育資料の提示を調整します。^{[2]このテクノロジーは、コンピューターサイエンス、AI、}心理測定学、教育、心理学、脳科学 など、さまざまな研究分野から派生した側面を網羅しています。

特に米国の教育現場で実施された研究では、適応型学習システムが学生の学習を促進する上で有効であることが実証されています。適応型学習が学習成果に与える影響を調べた最近の37の研究のうち、圧倒的多数である86%（32の研究）が肯定的な効果を報告しました。^[3]

適応型学習は、従来の非適応型アプローチでは大規模な個別学習は実現できないという認識から生まれたものです。適応型学習システムは、学習者を受動的な情報受容者から教育プロセスの協力者へと変化させることを目指しています。適応型学習システムの主な用途は教育ですが、ビジネストレーニングにも広く使用されています。適応型学習システムはデスクトップ コンピュータ アプリケーション、Web アプリケーションとして設計されており、現在ではカリキュラム全体に導入されています。^[4]

適応学習またはインテリジェント チュータリングは、人工知能運動に端を発し、1970 年代に人気が高まり始めました。当時、コンピューターは最終的に人間の適応能力を獲得するだろうと一般に考えられていました。適応学習では、ツールまたはシステムが学生/ユーザーの学習方法に適応できるという基本的な前提があり、その結果、ユーザーにとってより優れた効果的な学習体験が実現します。70 年代には、コンピューターのコストとサイズが主な障壁となり、広範囲にわたる適用が実用的でなくなっていました。初期のインテリジェント システムの採用におけるもう 1 つの障害は、ユーザー インターフェイスが学習プロセスに役立たなかったことです。適応学習およびインテリジェント チュータリング システムに関する取り組みの始まりは、通常、南米の地理に関する適応学習を提供した SCHOLAR システムにまで遡ります。^[5] 5 年以内に、他の多くの革新的なシステムが登場しました。適応学習およびインテリジェント チュータリング システムに関する初期の取り組みについては、古典的な書籍「インテリジェント チュータリング システム」で詳しく説明されています。^[6]

適応学習システムは、伝統的に個別のコンポーネントまたは「モデル」に分割されてきました。さまざまなモデルグループが提示されていますが、ほとんどのシステムには、次のモデルの一部またはすべてが含まれています（名前が異なる場合もあります）。^{[7] [8]}

• エキスパートモデル – 教えるべき情報を持つモデル
• 学生モデル – 学生を追跡し学習するモデル
• 指導モデル – 実際に情報を伝達するモデル
• 指導環境 – システムと対話するためのユーザーインターフェース

エキスパート モデルには、指導対象の教材に関する情報が保存されます。これは、質問セットの解答のように単純なものでもかまいませんが、レッスンやチュートリアル、さらに高度なシステムでは、質問へのアプローチを示すエキスパート メソッドも含まれる場合があります。

専門家モデルを含まない適応型学習システムでは、通常、これらの機能が指導モデルに組み込まれます。

生徒のスキル レベルを判断する最も簡単な方法は、CAT (コンピュータ適応型テスト) で採用されている方法です。CAT では、被験者の想定スキル レベルに応じて難易度に基づいて選択された問題が被験者に提示されます。テストが進むにつれて、コンピュータは回答に基づいて被験者のスコアを調整し、より狭い難易度の範囲から問題を選択することで継続的にスコアを微調整します。

CAT スタイルの評価アルゴリズムは簡単に実装できます。専門家の分析、実験、またはその両方の組み合わせにより、大量の質問が集められ、難易度に応じて評価されます。次に、コンピューターは基本的にバイナリ検索を実行し、コンピューターが既に決定した被験者の最大スキル レベルと最小スキル レベルの中間の質問を常に被験者に与えます。次に、これらのレベルは質問の難易度に合わせて調整され、被験者が正しく回答した場合は最小レベルが、被験者が誤って回答した場合は最大レベルが再割り当てされます。当然、被験者の回答が実際のスキル レベルを示すものではなく、単なる偶然である場合を考慮して、ある程度の誤差の余地を組み込む必要があります。1 つの難易度レベルの質問を複数回行うことで、誤解を招く回答の可能性が大幅に減り、想定されるスキル レベルを超えて範囲を拡大できるようにすることで、誤評価の可能性を補うことができます。

概念の観点から弱点を特定することのさらなる拡張は、間違った回答を分析するように学生モデルをプログラムすることです。これは、多肢選択問題に特に適用されます。次の例を考えてみましょう。

Q. 簡素化: ${\displaystyle 2x^{2}+x^{3}}$

a) 簡略化できない

b) ${\displaystyle 3x^{5}}$

c) ...

d) ...

明らかに、(b) と答える生徒は指数を足し算しており、同類項の概念を理解していません。この場合、誤った答えは、単に間違っているという事実を超えた追加の洞察を提供します。

指導モデルは、一般的に、テクノロジーが提供する最高の教育ツール (マルチメディア プレゼンテーションなど) と、プレゼンテーション方法に関する専門家の教師のアドバイスを組み込むことを目指しています。指導モデルの洗練度は、学生モデルの洗練度に大きく依存します。CAT スタイルの学生モデルでは、指導モデルは、質問プールのランクに応じてレッスンをランク付けするだけです。学生のレベルが適切に判断されると、指導モデルは適切なレッスンを提供します。概念に基づいて評価するより高度な学生モデルには、概念ごとにレッスンを編成する指導モデルが必要です。指導モデルは、弱点の集合を分析し、それに応じてレッスン プランをカスタマイズするように設計できます。

学生モデルによって不正解が評価されるとき、一部のシステムでは、実際の質問に対するフィードバックを「ヒント」の形で提供しようとします。学生が間違えると、「数字の符号をよく見てください」などの役立つ提案が表示されます。これも指導モデルの領域に入る可能性があり、概念の弱点に基づいて一般的な概念ベースのヒントが提供されます。または、ヒントが質問固有のものである場合もあり、その場合は学生、指導、および専門家のモデルがすべて重複します。

多くの学習管理システムには、さまざまな適応型学習機能が組み込まれています。学習管理システム（LMS）は、教育コース、トレーニングプログラム、学習開発プログラムの管理、文書化、追跡、報告、配信を行うソフトウェアアプリケーションです。適応型学習システムは、例えば、学生の議論文作成能力の向上を支援するために以前から使用されてきました（議論マイニング）。^[9]

適応型学習システム^[10]はインターネット上で実装することができ、遠隔学習やグループコラボレーションに使用することができます。^[11]

遠隔学習の分野には現在、適応学習の側面が取り入れられています。適応学習のない初期のシステムでは、事前に選択された質問バンクから質問を提示された学生に自動フィードバックを提供することができました。ただし、このアプローチには、教室の教師が提供できるガイダンスが欠けています。遠隔学習の現在の傾向では、学習環境にインテリジェントな動的動作を実装するために適応学習の使用が求められています。

生徒が新しい概念を学習している間、生徒の能力がテストされ、データベースがモデルの 1 つを使用して生徒の進捗状況を追跡します。最新世代の遠隔学習システムは、生徒の回答を考慮し、「認知的足場」と呼ばれる概念を使用して生徒の認知能力に適応します。認知的足場とは、自動化された学習システムが、実証された認知能力に基づいて最低から最高までの認知評価パスを作成する機能です。^[12]

ウェブベースの遠隔教育における適応型学習の現在の成功例は、RMIT大学のWebLearnのMapleエンジンです。^[13] WebLearnは、数学分野のような一意の答えがない質問でも学生に出された質問の評価を提供できるほど高度です。

適応型学習は、フォーラムやリソース共有サービスなどの遠隔学習環境内でのグループコラボレーションを促進するために組み込むことができます。^[14]適応型学習がコラボレーションにどのように役立つかの例としては、同じ興味を持つユーザーを自動的にグループ化することや、ユーザーが表明した興味やユーザーの閲覧習慣に基づいて情報ソースへのリンクをパーソナライズすることなどが挙げられます。

2014 年、ある教育研究者が、教育ゲーム デザインのための適応型学習に関する数年にわたる研究を終えました。この研究では、ゲーム デザインの理論と実践、指導戦略、適応型モデルに基づいた包括的な適応型学習モデルである ALGAE (Adaptive Learning GAme dEsign) モデルが開発され、検証されました。この研究は、ゲーム デザイン、指導戦略、適応型学習に関するこれまでの研究を拡張し、これら 3 つの要素を 1 つの複雑なモデルに組み合わせたものです。

この調査の結果、学習成果の向上を目標に、ゲーム デザイナー、教育デザイナー、教育者向けのガイドとして役立つ、適応型教育ゲーム設計モデルが開発されました。調査参加者は ALGAE モデルの価値を検証し、モデルの構築、使用、利点、課題に関する具体的な洞察を提供しました。現在の ALGAE モデルはこれらの洞察に基づいています。このモデルは現在、教育用コンピュータ ゲームの設計と開発のガイドラインとして機能しています。

このモデルの適用性は、政府機関や軍事機関、ゲーム業界、学術界など、業界横断的であると評価されています。ALGAEモデルの採用が広まるにつれて、モデルの実際の価値と適切な実装アプローチ（集中型または非集中型）が完全に実現されるでしょう。^[15]

適応型学習機能はツールのマーケティング資料でよく言及されていますが、適応性の範囲は大きく異なる場合があります。

初級レベルのツールは、学習者の多肢選択問題への回答などの単純な基準に基づいて学習者の進路を決定することに重点を置く傾向があります。正解であれば学習者は進路 A に進むかもしれませんが、不正解であれば進路 B に進むかもしれません。これらのツールは基本的な分岐には適切な方法を提供しますが、多くの場合、学習者はあらかじめ定義された線上のどこかの地点にリダイレクトされるだけの線形モデルに基づいています。このため、これらのツールの機能は真の適応性には至っていません。

一方、高度なツールでは、さまざまな複雑な条件に基づいて非常に複雑な適応を作成できます。これらの条件は、学習者が現在行っていること、以前の決定、行動追跡、インタラクティブな外部アクティビティなどに関連している可能性があります。これらのハイエンドツールは、推論エンジンなどの AI 手法を使用する傾向があるため、通常、基盤となるナビゲーションはありません。基本的な設計の違いにより、高度なツールは豊富な評価機能を提供できます。学習者には、単純な複数選択の質問ではなく、学習者がどのように適応すべきかを判断するためにいくつかの要因が考慮される複雑なシミュレーションが提示される場合があります。

• クアルトリクス

• 適応型ハイパーメディア
• コンピュータ適応型テスト
• 教育ソフトウェア
• インテリジェントな指導システム
• 学習管理システム
• パーソナライズされた学習
• スマートな学習
• 検証された学習

この記事には、Creative Commons Attribution-ShareAlike 3.0 Unported Licenseに基づいてライセンスされているが、 GFDLに基づいてライセンスされていないCitizendium の記事「Adaptive learning」の資料が組み込まれています。