The scope of the project ”Adaptive Learning Technology in Language learning for professionals” is to find adaptive features inside the Learning management Systems and to plan for flipped and adaptive teaching in Danish or Swedish. How far can the LMS and the tools at hand go?

Indledning og problem

I en arbejdsverden med stigende kompleksitet er både fagfaglige kompetencer og sproglige kompetencer i stadigt højere grad en forudsætning for at kunne samarbejde og bidrage til løsning af problemer professionelt. Samtidig skæres til stadighed på f.eks. universiteternes undervisning i små sprogfag og træning af sprogkompetencer overlades til markedskræfterne. Derfor ønskes med projektet at undersøge muligheder for at sikre adgang og lave omkostninger uden at gå på kompromis med kvaliteten.

Valget af undersøgelse af adaptiv læringsteknologi bunder i flere ønsker og forventninger til adaptive læringsteknologis potentialer, nemlig

  • at den lærende har mulighed for, uafhængig af tid og sted, at forberede sig i eget tempo med feedback på det ydede
  • at den lærende uanset kognitive (fagfaglige) og kommunikative (sproglige) forudsætninger kan deltage uden at opleve at skulle lære noget “overflødigt”
  • at uanset den lærendes udgangspunkt, har alle sammenligneligt vidensgrundlag, så de lærendes og underviseres fælles tid bruges optimalt
  • at sikre høj kvalitet af undervisningsmaterialerne,
  • at optimere uddannelsesdriften til gavn for både den lærende, uddannelsesinstitutionen og for samfundet

Den skandinavisk tilgang til at lære tænkes her som livslang læring og kompetenceudvikling for alle, dvs. formel efter- og videreuddannelse i kombination med undervisning i en stærk sektor for uformel folkeoplysning. Tilgangen bygger på læring for (hele) livet, dvs. målrettet den lærende som både borger i samfundet, deltager på arbejdsmarkedet og som privatperson.

Da fagområdet med digital læringsteknologi er relativ ny er mange af fagtermerne engelske. Det er et valg ikke at oversætte dem til dansk, da der helt sikkert kommer klogere hoveder end os på et senere tidspunkt og gør det bedre end vi ville kunne gøre det.

Metode og data

For at finde frem til en måde at bruge adaptive teknologi i sprogundervisningen er valgt en kontinuerlig vekslen mellem analyse og afprøvning (efter Hiim og Hippes didaktisk relationsmodel):

  • Undervisningens mål er
    • Vokabularium om kunstig intelligens på et nordisk sprog som fremmedsprog
    • Fagterminologi på et nordisk sprog

Projektet benytter Den Fælles Europæiske Referenceramme for selvbedømmelse af sprogkundskaber (Europass.cedefop.europa.eu, n.d.)

    • De lærendes meget varierende forudsætninger i forhold til både sprog og faglig viden
  • Rammefaktorer omfatter bl.a.
    • Online teknologier og services er (næsten) uafhængige af tid og sted
    • Digitale teknologier og deres produkter består af tal og der kan dermed laves beregninger på produkterne/services
    • Computere repræsenterer i dag en enorm regnekraft og båndbredde, som er tilgængelig for undervisning i denne del af verden
    • Hver app, hvert program har egne “affordances” ift. læring som definerer hvilke læreprocesser, der lægges op til eller bedst understøttes
  • Indhold tilpasses de lærendes sproglige og fagfaglige forudsætninger (Bergenholtz & Tarp, 1995)
  • Læreprocessen, som i denne sammenhæng tænkes “flipped”, dvs. materialet tænkes ikke som noget, der skal stå alene, men skabe forudsætninger for yderligere undervisning
  • Evalueringen som foregår løbende med afprøvninger, dataindsamling og feedback fra de lærende

Den valgte metode bruges til at finde frem til egnet teknologi er at afprøve allerede kendte modeller og teknologier for adaptiv læring med særlig fokus på sprogundervisning af voksne fagprofessionelle

Det planlagte testforløb med forskellige grupper af lærende på hhv. Cphbusiness Academy, Sprogskolen i København, Erhvervsakademi Aarhus og Malmö Universitet er ikke påbegyndt og der er derfor endnu ikke indsamlet data.

Testforløbene forventes at give kvantitative data fra de lærendes interaktion med materialet. Interviews med og feedback fra de lærende forventes at give kvalitative data

Teori

Adaptiv læring

“Adaptiv” betyder “tilpasningsdygtig” og i denne sammenhæng drejer det sig om læringsteknologi, der tilpasser sig den lærendes behov.

Som det ses illustreret kan materialets tilpasning til den lærendes behov forstås på mange måder.

I projektet fravælges de aspekter fra illustrationen, som vil kunne kaldes designaspekter og som, hvis tilstede, kan udløses af den lærendes aktive valg og fravalg. I illustrationen er de grønne.

Projektets produkt er tænkt som et læremiddel på linje med en bog, men med de rammer, som stilles til rådighed for digitale læremidler som bøger ikke har ift den lærendes viden og kunnen inden for emnet. I illustrationen er de blå.

Bloom’s two sigma problem

Adaptiv læringsteknologi kan ses som et skridt på vejen mod løsningen af Bloom’s two sigma problem. Bloom beskrev i 1984 hvordan han havde målt effekt af

  • klasserumsundervisning (1 underviser, 30 lærende) med forelæsninger, løbende test og karakter,
  • klasserumsundervisning (1 underviser, 30 lærende) med forelæsninger, løbende test med efterfølgende feedback og hjælp til at forstå det ikke-mestrede
  • 1:1 undervisning (1 underviser, 1-3 lærende) med undervisning, løbende test med efterfølgende feedback og hjælp til at forstå det ikke-mestrede (tutor)

Bloom fandt, at 1:1 mastery-baseret undervisning havde effekt på op til to standardafvigelser i den afsluttende summative test af de lærende.

Undervisning i 1:1-form var umådelig dyrt at skalere da det var underviser-afhængigt. I dag kan gode videoer, tekster, podcasts og andet informationsrigt materiale produceres eller kurateres af en underviser og lægges på et Learning Management System (LMS), hvor det kan skaleres uden større problemer.

Løbende test med manuelt rettearbejde i 1984 var også forbundet med mange arbejdstimer for underviseren. I dag giver en digital test af mestring af viden og forståelse ikke særligt mange arbejdstimer for underviser, hvis testresultaterne præsenteres på en hensigtsmæssig måde for underviseren.

Mastery-baseret undervisning, dvs. hvor den lærende først bliver introduceret til et nyt emne, når han/hun har opnået den ønskede grad af mastery inden for det emne, som anses for forudsætning for forståelse for det næste emne, må have været forbundet med omfattende dokumentation af detaljer om opgaver og enkelte lærende for underviseren i 1984. I dag er tests og dokumentation af resultater i mange tilfælde hensigtsmæssigt udført og opbevaret på computere.

Undervisningsmateriale til sprogundervisning

Blooms mastery-baserede undervisning, for så vidt der er tale om at huske og at forstå, er ideel til automatisering af 1:1-undervisning med et digitalt undervisningsmiddel som adaptiv læringsteknologi, fordi at huske og forstå ord og begreber er kontekstuafhængige. Først ved anvendelse af ord og begreber i kontekst kommer teknologien for nuværende til kort.

Træningsøvelserne til sprogundervisning er inspirere af f.eks. MemRise, Babble, Lingio og DuoLingo. Alt efter teknologisk platform er forskellige træningsøvelser mulige og hensigtsmæssige:

  • Forstå (lytte og læse)
    • Til at huske ord kan flashcards benyttes (modul “Flashcard” i Moodle)
    • Til at læse og forstå benyttes artikler fra relevante fagforeningernes hjemmesider, f.eks. IDA i Danmark og IVA i Sverige
    • Til at forstå ord som begreber kan veldesignede quizzer afdække misforståelser i Moodles quiz-modul
    • Til at lytte og forstå kan podcasts og andet lydmateriale bruges
  • Tale (samtale og redegøre)
    • Til at lære at udtale ord korrekt kan lydfiler af ‘indfødte’ sammenlignes med optagelser af egen udtale bruges
  • Skrive
    • Til at stave ord kan funktionaliteten “Short-Answer question type” i Moodles quiz-modul bruges
    • Til at anvende ord i sproglig korrekt sammenhæng kan funktionaliteten “Drag and drop into text” i Moodles quiz-modul bruges

Camilla Svane har lavet en glimrende illustration af hvor svært det er at lære sprog, når konteksten skal med.

Læringsstier

Kunstig intelligens brugt som værktøj er ikke en del af projektet. Kunstig intelligens er det emne der undervises i, i dette projekt, og inferens er derfor et vilkår og samtidig et didaktiske valg, da vi vælger at lave læringsstier til tre grupper af lærende:

  • Lærende med en programmeringsbaggrund
  • Lærende med en datafaglig baggrund og
  • Lærende med en mere generel baggrund, f.eks. projektledere.

Voksnes undervisning bør i højeste grad være relevant for den lærendes hverdag og praksis. Samtidig er det væsentligt at planlægge undervisningen efter, at voksne lærer på forskellige måder og hvad de bringer med sig af viden og kunnen har indflydelse på deres proces med at lære. Derfor er valgt IT-professionelle, som skal lære at tale om kunstig intelligens på dansk eller svensk.

De første 26 ord som er udvalgt, er delt ind i moduler, der hver især består af 5-9 ord. Den lærende vil initielt blive præsenteret for et spørgsmål om hans/hendes baggrund (Computer Science, Data Science eller mere generelt, typisk projektledere) og kurset vil begynde med det mest relevante modul: Computer Science Module for dataloger, Data Science Module for datasciencefagfolk og “Suitcase Words” Module for projektledere for at synliggøre mulige (og forhåbentlig derfor undgå) misforståelser inden resten af kursets indhold præsenteres (Glaser, 1984, side 21)

Differentieret undervisningsniveau

For at lade de lærende beholde agency vælges i projektet at lade de lærende selv beslutte hvor omfattende kurset skal være og “hvor svært”.

De får valget mellem forskellige “pakker”:

  • Huske, forstå og anvende (tænkt til “indfødte” projektledere uden særlig faglig viden)
  • Huske, udtale og anvende (tænkt til lærende med dansk eller svensk som andetsprog og med dyb faglig viden)
  • Huske, forstå, udtale, stave og anvende (tænkt til de ambitiøse)

Den lærende modtager automatiseret formativ feedback efter deres øvelser. Resultatet af øvelserne kan indgå i samlingen af data til kvalitetssikring af undervisningsmaterialet og de “learning paths” der er valgt ud ud fra didaktiske overvejelser.

Diskussion og analyse

I dette projekt er fravalgt brug af et talegenkendelsesAPI, da de afprøvede apps kvalitet ikke har været tilstrækkelig.

Det ville have været en drøm at bruge epistemisk netværksanalyse til afgrænsning af vidensdomænet og derigennem at udvælge de mest relevante ord. Men det må blive en anden god gang. Denne gang har vi lænet os op ad ElementsOfAI.com og Wikipedia.

Når tilstrækkeligt med lærende har været gennem dette kursus, vil det være muligt at lave analyse på forskellene på de tre læringsstiers effektivitet.

Konklusion

Alle de platforme vi undersøger, som er egnet til undervisning er udstyret med forskellige funktionaliteter, som gør dem egnede til forskellige øvelser og måder at lære på. Derfor handler det i meget høj grad om kendskab til og valg af teknologi set i forhold til læringsmål, og adaptiv læring uden brug af kunstig intelligens er absolut mulig også i forhold til ønskerne om tilgængelighed, kvalitet og lave omkostninger.

Tak til

En stor tak til NORDPLUS (NPLA-2019-10070-Nordplus) for støtte til forskningsprojektet Adaptiv læring i sprogundervisning af voksne fagprofessionelle og dermed til noget af arbejdet i denne artikel. En tak rettes også til Daniel Spikol, Malmø Universitet, Morten Blichfeldt Andersen, Praxis samt Henrik Køhler Simonsen, SmartLearning for at have bidraget med gode diskussioner og input.

Litteratur

ALBERT BANDURA Agency | Psychologist | Social Psychology | Stanford University | California. Retrieved 23 February 2020, from https://albertbandura.com/albert-bandura-agency.html

Bergenholtz, H., & Tarp, S. (Eds.). (1995). Manual of specialised lexicography: the preparation of specialised dictionaries (Vol. 12). John Benjamins Publishing.

Bower, M. (2008). Affordance analysis–matching learning tasks with learning technologies. Educational Media International, 45(1), 3-15.

Europass.cedefop.europa.eu. (n.d.). Den Fælles Europæiske Referenceramme. [online] Available at: https://europass.cedefop.europa.eu/sites/default/files/cefr-da.pdf [Accessed 23 Feb. 2020].

Krathwohl, D. R., & Anderson, L. W. (2001). A Taxonomy for Learning. Teaching, and Assessing: A Revision of Bloom’s Taxonomy of Educational Objectives.

Minsky, M. (2007). The emotion machine: Commonsense thinking, artificial intelligence, and the future of the human mind. Simon and Schuster.

Şahin, M., & Kurban, C. F. (2019). The new university model: flipped, adaptive, digital and active learning (FADAL).

 

Mette Søgaard
IT-didaktisk design konsulent
SmartLearning, Cphbusiness
Nansensgade 19
DK-1366 København K
mso@smartlearning.dk