Lär dig teknik
Learning Engineering är den systematiska tillämpningen av evidensbaserade principer och metoder från utbildningsteknologi och lärandevetenskaper för att skapa engagerande och effektiva inlärningsupplevelser, stödja elevers svårigheter och utmaningar när de lär sig, och kommer att bättre förstå elever och lärande. Den betonar användningen av ett mänskligt centrerat tillvägagångssätt i kombination med analyser av rika datamängder för att iterativt utveckla och förbättra dessa design för att möta specifika inlärningsbehov, möjligheter och problem, ofta med hjälp av teknik. Genom att arbeta med ämne och andra experter, kombinerar Learning Engineer skickligt kunskap, verktyg och tekniker från en mängd olika tekniska, pedagogiska, empiriska och designbaserade discipliner för att skapa effektiva och engagerande inlärningsupplevelser och miljöer och för att utvärdera de resulterande resultaten. . Samtidigt strävar Learning Engineer efter att generera processer och teorier som ger generalisering av bästa praxis, tillsammans med nya verktyg och infrastrukturer som ger andra möjlighet att skapa sina egna inlärningsdesigner baserat på dessa bästa praxis.
Att stödja elever när de lär sig är komplext, och utformning av lärandeupplevelser och stöd för elever kräver vanligtvis tvärvetenskapliga team.
Lärande ingenjörer själva kan specialisera sig på att utforma inlärningsupplevelser som utvecklas över tid, engagerar befolkningen av elever och stödjer deras lärande; automatiserad datainsamling och analys; design av inlärningsteknik; design av lärplattformar; förbättra miljöer eller förhållanden som stödjer lärande; eller någon kombination. Produkterna från inlärningsteknikteam inkluderar onlinekurser (t.ex. en viss MOOC), mjukvaruplattformar för att erbjuda onlinekurser, inlärningsteknologier (t.ex. allt från fysiska manipulationer till elektroniskt förbättrade fysiska manipulationer till tekniker för simulering eller modellering till tekniker för som tillåter fördjupning), efterskoleprogram, gemenskapsinlärningsupplevelser, formella läroplaner och mer. Lärande ingenjörsteam kräver expertis förknippad med innehållet som eleverna kommer att lära sig, de inlärningsinriktade eleverna själva, platserna där lärande förväntas ske, pedagogisk praxis, mjukvaruteknik och ibland till och med mer.
Lärande ingenjörsteam använder en iterativ designprocess för att stödja och förbättra lärandet. Initial design bygger på resultat från lärande vetenskaper . Förfining informeras genom analys av data som samlas in när konstruktioner utförs i världen. Metoder från inlärningsanalys , designbaserad forskning och snabba storskaliga experiment används för att utvärdera design, informera om finesser och hålla reda på iterationer. Enligt IEEE Standards Associations IC Industry Consortium on Learning Engineering är "Learning Engineering en process och praxis som tillämpar inlärningsvetenskaperna med hjälp av mänskliga centrerade tekniska designmetoder och datainformerat beslutsfattande för att stödja elever och deras utveckling."
Historia
Herbert Simon , en kognitiv psykolog och ekonom , myntade först termen lärande ingenjörskonst 1967. Men associationer mellan de två termerna lärande och ingenjörskonst började växa fram tidigare, på 1940-talet och så tidigt som på 1920-talet. Simon hävdade att samhällsvetenskapen, inklusive utbildningsområdet, borde behandlas med samma typ av matematiska principer som andra områden som fysik och ingenjörskonst.
Simons idéer om att lära sig teknik fortsatte att ge eko vid Carnegie Mellon University, men termen slog inte till förrän affärsmannen Bror Saxberg började marknadsföra den 2014 efter att ha besökt Carnegie Mellon University och Pittsburgh Science of Learning Center, eller förkortat LearnLab. Bror Saxberg tog med sig sitt team från det vinstdrivande utbildningsföretaget Kaplan för att besöka CMU. Teamet gick tillbaka till Kaplan med vad vi nu kallar learning engineering för att förbättra, optimera, testa och sälja sina utbildningsprodukter. Bror Saxberg skulle senare skriva tillsammans med Frederick Hess , grundare av American Enterprise Institutes Conservative Education Reform Network , 2014 års bok med termen learning engineering .
Översikt
Learning Engineering syftar till att åtgärda ett underskott i tillämpningen av vetenskap och ingenjörsmetodik till utbildning. Dess förespråkare betonar behovet av att koppla samman datorteknik och genererad data med det övergripande målet att optimera inlärningsmiljöer.
Learning Engineering-initiativ syftar till att förbättra utbildningsresultat genom att utnyttja datoranvändning för att dramatiskt öka tillämpningarna och effektiviteten av att lära sig vetenskap som en disciplin. Digitala lärplattformar har genererat stora mängder data som kan avslöja omedelbart handlingskraftiga insikter.
Fältet Learning Engineering har ytterligare potential att kommunicera pedagogiska insikter som är automatiskt tillgängliga för lärare. Till exempel har inlärningstekniker tillämpats på frågan om avhopp eller hög misslyckandefrekvens. Traditionellt måste pedagoger och administratörer vänta tills elever faktiskt drar sig ur skolan eller nästan misslyckas med sina kurser för att exakt förutsäga när avhoppet kommer att inträffa. Lärande ingenjörer kan nu använda data om beteende utanför uppgiften eller hjulsnurrande för att bättre förstå elevernas engagemang och förutsäga om enskilda elever sannolikt kommer att misslyckas.
Dessa data gör det möjligt för lärare att upptäcka kämpande elever veckor eller månader innan de riskerar att hoppa av. Förespråkare av Learning Engineering hävdar att dataanalys kommer att bidra till högre framgångsfrekvens och lägre avhopp.
Learning Engineering kan också hjälpa studenter genom att ge automatisk och individualiserad feedback.
Carnegie Learnings verktyg LiveLab, till exempel, använder big data för att skapa en inlärningsupplevelse för varje studentanvändare genom att delvis identifiera orsakerna till elevernas misstag. Forskningsinsikter från LiveLab-analyser gör att lärare kan se elevernas framsteg i realtid.
Vanliga tillvägagångssätt
A/B-testning
A/B-testning jämför två versioner av ett visst program och låter forskare avgöra vilket tillvägagångssätt som är mest effektivt. I samband med Learning Engineering använder plattformar som TeacherASSIST och Coursera A/B-tester för att avgöra vilken typ av feedback som är mest effektiv för läranderesultat.
Neil Heffernans arbete med TeacherASSIST innehåller tipsmeddelanden från lärare som vägleder eleverna mot korrekta svar. Heffernans labb kör A/B-tester mellan lärare för att avgöra vilken typ av tips som leder till det bästa lärandet för framtida frågor.
UpGrade är en öppen källkodsplattform för A/B-tester inom utbildning. Det gör att EdTech-företag kan köra experiment inom sin egen mjukvara. ETRIALS utnyttjar ASSISTMENT och ger forskare frihet att utföra experiment i autentiska inlärningsmiljöer. Terracotta är en forskningsplattform som stödjer lärares och forskares förmåga att enkelt genomföra experiment i liveklasser.
Pedagogisk datautvinning
Educational Data Mining innebär att analysera data från elevers användning av pedagogisk programvara för att förstå hur programvara kan förbättra inlärningen för alla elever. Forskare inom området, som Ryan Baker vid University of Pennsylvania, har utvecklat modeller för elevers lärande, engagemang och påverkan för att relatera dem till läranderesultat.
Plattformsinstrumentering
Utbildningstekniska plattformar länkar pedagoger och studenter med resurser för att förbättra läranderesultat.
Datauppsättning
Dataset tillhandahåller det råmaterial som forskare använder för att formulera pedagogiska insikter. Till exempel, Carnegie Mellon University är värd för en stor volym inlärningsinteraktionsdata i LearnLabs DataShop. Deras datauppsättningar sträcker sig från källor som Intelligent Writing Tutors till kinesiska tonstudier till data från Carnegie Learnings MATHia-plattform.
Kaggle , ett nav för programmerare och öppen källkod, är regelbundet värd för maskininlärningstävlingar. Under 2019 samarbetade PBS med Kaggle för att skapa 2019 Data Science Bowl. DataScience Bowl sökte insikter om maskininlärning från forskare och utvecklare, särskilt om hur digitala medier bättre kan underlätta STEM-inlärningsresultat i tidig barndom.
Dataset, som de som är värd för Kaggle PBS och Carnegie Learning, tillåter forskare att samla information och dra slutsatser om studentresultat. Dessa insikter hjälper till att förutsäga elevernas prestationer i kurser och tentor.
Lärande teknik i praktiken
Att kombinera utbildningsteori med dataanalys har bidragit till utvecklingen av verktyg som skiljer mellan när en elev snurrar på hjul (dvs. inte behärskar en färdighet inom en bestämd tidsram) och när de håller på produktivt. Verktyg som ASSISTMENT uppmärksammar lärare när elever konsekvent misslyckas med att svara på ett givet problem, vilket hindrar eleverna från att ta sig an oöverstigliga hinder, främjar effektiv feedback och pedagoginsatser och ökar elevernas engagemang.
Studier har visat att Learning Engineering kan hjälpa studenter och lärare att planera sina studier innan kurserna börjar. Till exempel, UC Berkeley-professor Zach Pardos använder Learning Engineering för att hjälpa till att minska stressen för community college-studenter som studerar vid fyraåriga institutioner. Deras prediktiva modell analyserar kursbeskrivningar och ger rekommendationer om överföringspoäng och kurser som skulle ligga i linje med tidigare studieriktningar.
På liknande sätt fokuserar forskarna Kelli Bird och Benjamin Castlemens arbete på att skapa en algoritm för att ge automatisk, personlig vägledning för överföringsstudenter. Algoritmen är ett svar på upptäckten att medan 80 procent av community college-studenter tänker gå över till en fyraårig institution, är det bara ungefär 30 procent som faktiskt gör det. Sådan forskning kan leda till en högre andel godkända/underkända och hjälpa lärare att veta när de ska ingripa för att förhindra att elever misslyckas eller hoppar av.
Kritik av Learning Engineering
Forskare och kommentatorer inom utbildningsteknologi har publicerat kritik av lärandeteknik. Den kritik som framförts inkluderar att inlärningsteknik ger en felaktig bild av området för lärande vetenskaper och att trots att det påstår att det är baserat på kognitiv vetenskap, så liknar det faktiskt en återgång till behaviorismen . Andra har också kommenterat att inlärningsteknik existerar som en form av övervakningskapitalism . Andra områden, såsom design av instruktionssystem , har kritiserat att inlärningsteknik omprofilerar arbetet inom sitt eget område.
Ytterligare andra har uttalat sig kritiskt om inlärningstekniks användning av metaforer och bildspråk. Ofta har en term eller metafor en annan betydelse för yrkesverksamma eller akademiker från olika domäner. Ibland har en term som används positivt i en domän en stark negativ uppfattning i en annan domän.
Utmaningar för Learning Engineering Teams
Inlärningsteknikens tvärvetenskapliga karaktär skapar utmaningar. De problem som inlärningsteknik försöker lösa kräver ofta expertis inom olika områden som mjukvaruteknik , instruktionsdesign , domänkunskap , pedagogik / andragogik , psykometri , inlärningsvetenskap , datavetenskap och systemteknik . I vissa fall kan det räcka med en enskild Learning Engineer med expertis inom flera discipliner. Men, inlärningstekniska problem överstiger ofta en persons förmåga att lösa.
Ett sammankallande av trettio lärandeingenjörer 2021 gav rekommendationer om att viktiga utmaningar och möjligheter för fältets framtid innebär att förbättra FoU-infrastrukturen, stödja domänbaserad utbildningsforskning, utveckla komponenter för återanvändning över lärsystem, förbättra människa-datorsystem, bättre teknisk implementering i skolor, förbättra rådgivningen, optimera på lång sikt istället för på kort sikt, stödja 2000-talets färdigheter, förbättrat stöd för elevernas engagemang och designa algoritmer för rättvisa.
Se även
Vidare läsning
Mark Lieberman. " Learning Engineers Inch Toward the Spotlight ". Inom högre utbildning. 26 september 2018.