CC BY
161
Scientific journal PHYSICAL AND MATHEMATICAL EDUCATION
Has been issued since 2013.
Науковий журнал Ф1ЗИКО-МАТЕМАТИЧНА ОСВ1ТА
Видасться з 2013.
http://fmo-journal.fizmatsspu.sumy.ua/
Носенко Ю. Г. Адаптивн системи навчання: сутшсть, характеристика, стан використання у в1тчизняних закладах педагогЫно)' осв1ти. Ф1зико-математична осв1та. 2018. Випуск 3(17). С. 73-78.
Nosenko Yuliya. Adaptive Learning Systems: The Essence, Features, State Of Use In Ukrainian Institutions Of Pedagogical Education. Physical and mathematical education. 2018. Issue 3(17). Р. 73-78.
DOI 10.31110/2413-1571-2018-017-3-013
УДК 004.78:378
Ю.Г. Носенко
1нститут iнформацiйних технологiй i засоб'!в навчання НАПН Украни
nosenko @iitlt.gov.ua
АДАПТИВН1 СИСТЕМИ НАВЧАННЯ: СУТН1СТЬ, ХАРАКТЕРИСТИКА, СТАН ВИКОРИСТАННЯ У В1ТЧИЗНЯНИХ ЗАКЛАДАХ ПЕДАГОГ1ЧНОТ ОСВ1ТИ
Анотац'я. Устатт'1 визначено сутшсть адаптивних систем навчання на o^oei iнформацiйно-комунiкацiйних технoлoгiй (1КТ), що являють технoлoгiю, яка автоматично налаштовуе навчальний контент в'дпов'дно до фактичного рiвня навчальних досягнень учня/студента, який ця технoлoгiя i визначае, а також в'дпов'дно до 1'ндив1'дуальнихособливостей (в'ку, темпу, психотипу тощо).
Здйснено пор'вняльний анал'в традицйноÏ та адаптивноÏ систем навчання (АСН) на oснoвi 1КТ. Охарактеризовано oснoвнi переваги АСН, серед яких: автоматиза^я о^нювання та прогнозування; можлив'сть «адаптуватися» пд кожного учня/студента; регулювання ступеня складност'1 навчального контенту; пост'шне в'дсл'дковування iндив'дуального навчального прогресу; отримання даних про '¡ндив'дуальнi потреби учн'в/студент'в; можлив'!сть в/'дсл/'дковувати власний oсвiтнiй маршрут; можлив'!сть зниження рутинного навантаження на викладач'в; можлив'!сть пост'шного вдосконалення навчальнихкурсв та iн.
Визначено характеристики, що притаманн переважнй бльшостi АСН: автоматизац/'я, секвенування, о^нювання, зб'р даних в режим'1 реального часу, самooрганiзацiя. Зд'шснено опис основних типiв АСН: АСН на oснoвi машинного навчання; АСН на oснoвi прогресивного алгоритму; АСН на oснoвi правил; АСН на oснoвi дерева рiшень. Виокремлено низку критерИв, за якими можна визначити, чи е система навчання адаптивною.
Представлено результати опитування представникв 16 педагoгiчних ун'верситет'в та 15 iнститут'в пслядипломноïпедагог'чно)'осв'ти Украни, врезультат'1 якого встановлено, щожоден iз цихзаклад'в невикористовуе АСН. Наголошено на тому, що нинi АСН тiльки починають активний розвиток i поступове впровадження - навiть у розвинених кранах св'ту так системи ще на набули значного поширення, проходячи експериментальну апроба^ю. У перспектив'1 АСН стануть рушiем розвитку новоï педагог'ки, нових стратегй персoнiфiкацiï освти, розширення можливостей активного навчання.
Ключов! слова: адаптивна система навчання, персoнiфiкoване навчання, iндив'дуальна осв'тня траектор'я, 1'ндив1'дуальний навчальний прогрес, адаптивне о^нювання.
Постановка проблеми. Адаптивн системи навчального призначення приваблювали штерес дослщни^в у сферi шформацшно-комушкацшних технолопй (1КТ) в освт практично на вах етапах розвитку u,ieï галузГ Адже завжди метою тих, хто розробляе i впроваджуе комп'ютерно орieнтованi системи, було створити засоби, що найбтьш повно задовольняли б освпн потреби.
1з розвитком технолопй, веб-простору i хмарних обчислень можливост iндивiдуалiзацiï та забезпечення адаптивност в освт-лх системах значно зросли. Попри те, що сучасн адаптивн системи все ще перебувають у процес експериментального вивчення, вони поступово розвиваються i впроваджуються в освггню практику рiзних кра'|'н св^. Ц системи спрямован на забезпечення диферен^ацп та персоыфтацп навчання на бтьш високому яккному рiвнi, порiвняно з системами попередых поколЫь. Принципи |'хньо|' роботи полягають у динамiчному пристосуванн (адаптуваны) до рiвня та тематики навчального курсу, що обумовлюеться здiбностями, знаннями й навичками окремого учня/студента. «Вщстежуючи» те, що учень/студент знае та вмiе, система з високим ступенем точност вибудовуе його освт-лй маршрут, послщовно «перемщуючи» вщ одного навчального блоку до наступного, поки не буде досягнуто запланованих результат.
З огляду на те, що практичний досвщ застосування адаптивних систем навчання, як в Укра'н так i у свт загалом, е досить незначним, важливим е розгляд концептуальних основ ще'| технологи задля уникнення двозначносп тлумачень i пiдходiв до розумшня ÏÏ сутносп, а також особливостей розроблення, впровадження та використання.
Аналiз актуальних дослщжень. Вивченню концептуальних засад шформатизацп освiти, аналiзу педагопчного потенщалу використання 1КТ присвячеш пращ Беспалька В. П., Бикова В. Ю., Гершунського Б. С., Жалдака М. I.,
ISSN 2413-158X (online) ISSN 2413-1571 (print)
Лапчика М. П., Латнського В. В., Литвиновой С. Г., Монахова В. М., Морзе Н. В., Рамського Ю. С., Роберт I. В., Семертова С. О., СтрЫа О. М., Шишкiноí М. П. та íh.
Використання адаптивних можливостей сучасних технологш в освт розглянуто в дослiдженнях В. Бондаря, П. Брусиловського, Ю. Бунтур^ Т. Давиденко, М. Зуево'|', Н. Капустша, С. Прийми, П. Федорука та íh. Зокрема, Приймою С. М. проаналiзовано особливостi iнтелектуальних адаптивних навчальних систем вщкрито' освiти дорослих вщповщно до рекомендацiйноí дидактико-виховно'' стратеги та методологи аналiзу та емпiричних даних Web Mining - технологи для використання цЫних знань [1]. Федоруком П. I. дослщжено розвиток свтово''' системи дистанцмного навчання й контролю знань iз використанням iнтелектуальних 1нтернет-технологш. Автор висвiтлюe сучаснi проблеми теорп та методики проектування iнтелектуальних адаптивних систем дистанцмного навчання на засадах новiтнiх Web-технологiй [2]. Дослiдниками Брусиловським П. та Пейло С. здшснено порiвняльний аналiз iнтелектуальних i адаптивних навчальних систем, визначено перспективи розвитку таких систем на основi мережi 1нтернет [3].
Теоретичнi та практичн засади розробки i використання адаптивних систем навчання активно вивчаються закордонними експертами [4; 5], серед яких: Пашзе Л., Джонсон Д., Бьорк С., Йарнал Л., Брайант Г. та íh.
Досвщ розроблення адаптивного масового вщкритого онлайн-курсу на базi хмарно' архтектури Amazon Web Services представлено в робот Санвокара Н. [6].
Сутысть та особливостi адаптивного тестування стали предметом дослщжень Любарського С. В. [7], Федорука П. I. [8], ЛЫакра Дж. М. [9], Лату Е. [10], Томпсона Н. А. та Вейса Д. Дж. [11; 12] й íh.
Поряд iз цим, у втизняному науково-педагопчному просторi не представлено фунтовний аналiз поняття адаптивних систем навчання на основi сучасних 1КТ, не вивчено досвщ 'хнього використання в системi пiдготовки вчителiв як головних суб'ектв упровадження iнновацiй в загальый середнiй освiтi.
Мета CTaTTi - визначити сутысть адаптивних систем навчання на основi 1КТ, стан 'хнього використання у вiтчизняних закладах педагопчно' освiти.
Методи дослiдження. Для досягнення поставлено'' мети дослщження застосовано комплекс теоретичних i емтричних методiв: meopemu4HÍ методи - аналiз, систематизацiя, узагальнення праць втизняних i закордонних дослщни^в та експертiв у галузi створення i використання сучасних засобiв 1КТ, задля визначення змiсту основних понять, переваг i характеристик АСН, виокремлення критерпв, що визначають, чи е система навчання адаптивною; спiвставлення i порiвняння - для встановлення вщмшностей мiж традицiйною й адаптивною системами навчання на основi 1КТ; eMnipu4HÍ методи - опитування i бесщи з представниками вiтчизняних педагогiчних уыверситет та iнститутiв пiслядипломноí педагогiчноí освти (31 заклад - 31 особа), компетентних в питаннях, якi системи навчання використовуються в закладах, де вони працюють (керiвники технiчних вщдЫв, вiддiлiв дистанцiйного навчання, фахiвцi з питань шформатизацп закладу i т.д.). Опитування i бесщи проводилися у вересн 2018 р.
Виклад основного матерiалу. Адаптивнi навчальнi технологи представляють собою спецiалiзоване програмне забезпечення чи сервки, якi адаптуються до потреб окремих учыв/студентв у ходi навчання. Ц iнструменти здатнi синхронiзуватися з навчальним процесом i, базуючись на технолопях машинного навчання, можуть адаптуватися до прогресу кожного учня/студента i самоспйно коригувати навчальний контент в режимi реального часу [13].
Хоча бтьшлсть сучасних систем пiдтримки навчання на основi 1КТ дозволяють значною мiрою диференцiювати та iндивiдуалiзувати освiтнiй процес, все ж це не е свщченням 'хньо'' адаптивностi. Зазвичай ц системи здатнi на основi простих даних вибудувати бiльш-менш правильний Ыдивщуальний освiтнiй маршрут для учня/студента та дозволяють досягти певно' диферен^ацп навчального процесу за участю педагога чи без нього. Натомкть, адаптивн системи навчання (АСН) являють собою платформи з гнучкими алгоритмами оцшювання, можливктю отримання даних про навчальний прогрес та побудови на '(хнш основi точних виводiв. Вони передбачають вщслщковування iндивiдуального прогресу кожного учня/студента та використання цих даних для динамiчного модифтування контенту в режимi реального часу. 1ншими словами, АСН бтьш динамiчно i точно «пщлаштовуються» пiд кожного конкретного учня/студента, його темп, втов^ психологiчнi та íhuií особливостi, добираючи вiдповiдний супровiд i контент. У таблиц 1 представлено порiвняльну характеристику традицiйноí та адаптивно' систем навчання на основi 1КТ.
Таблиця 1.
Порiвняльна характеристика традицшноТ та адаптивно'! систем навчання на ochobí 1КТ
Традицшна система навчання на основ'11КТ Адаптивна система навчання на основ'11КТ
Етзодичне вщслщковування навчальних результатiв. Ретельний контроль навчального прогресу учня/студента на вах етапах.
Вiдслiдковування результат тестового контролю, статистики витраченого часу та ш. Вщслщковування складност матерiалу, устшносп виконання подiбних завдань, готовностi учыв/студентв до сприйняття нового матерiалу, прогресу 'хых здiбностей у часi та ш.
Фiксування того, що учы/студенти виконали. Фiксування в деталях того, що учы/студенти знають.
Спрямоваысть на заучування. Спрямованiсть на засвоення.
Врахування рiвня знань за рiзними темами / роздiлами / модулями тощо, «пiдбiр» i «дозування» матерiалу з урахуванням виявленого рiвня знань. Врахування знань i вмшь при «налаштуваны» параметрiв контенту; оцшювання чутливостi учнiв/студентiв до змiн (у викладаны, темпi чи iн.); оцшювання сильних i слабких сторiн учыв/студентв та вiдповiдне коригування цiлей; передбачення швидкост та вiрогiдностi досягнення цтей, певного рiвня знань тощо - для вщшукання оптимально'' стратегГ' для кожного учня/студента на кожному рiвнi.
Формування припущень, що призводять до зростання похибки з кожним наступним рiвнем навчання. Формування висновюв i рекомендацiй, точысть яких зростае з кожним наступним рiвнем навчання.
Серед переваг АСН визначають таю:
- автоматиза^я оцiнювання та прогнозування, що значно пщвищуе ефективнiсть цих процеав;
- можливкть «адаптуватися» пщ кожного учня/студента, незалежно в^д стартового рiвня знань, здiбностей, особливостей психофiзичного розвитку i т.д., на вщмшу в^д традицiйноï системи, в яюй учень/студент повинен пiдлаштовуватися пiд загальн стандарти;
- регулювання ступеня складност навчального контенту, що сприяе бтьш ефективному, послiдовному проходженню курсу;
- можливiсть постшного оцiнювання, вiдслiдковування навчального прогресу учня/студента та корегування його в разi необхщносл;
- можливiсть отримання даних не лише про навчальний прогрес кожного учня/студента, а i його шдивщуальы потреби;
- можливкть учню/студенту здмснювати самоаналiз, вiдслiдковувати власний освiтнiй маршрут, прогрес у процесi навчання завдяки отриманню зворотного зв'язку (фщбеку) вiд системи в режимi реального часу;
- заохочення учыв/студентв до саморозвитку i реалiзацiï iндивiдуальноï освпньо''' траекторп незалежно вiд викладача, за допомогою автоматизованих ци^в зворотного зв'язку;
- можлив^ь зниження рутинного навантаження на викладачiв, вивiльнення часу для профеайного розвитку чи iн.;
- можливкть постiйного вдосконалення навчальних курав на основi глибокого аналiзу навчального прогресу, особливостей проходження шдивщуально''' траекторп кожним учнем/студентом, що сприяе покращенню якостi освiтньоï дiяльностi закладу загалом.
1снуе багато форм АСН. Хоча в освпнш галузi наразi не кнуе однозначно'' градацп та опису таких систем, умовно 'х можна описати за такими характеристиками, що будуть притаманн переважнiй бiльшостi з них:
- автоматиза^я - можливкть створення автоматизованих процесiв, що зменшують кiлькiсть рутинних операцiй пiд час оцшювання, навчання та досягнення навчальних цтей;
- секвенування - можлив^ь забезпечення послщовного прогресування компетентностей учня/студента, визначених у кшцевих цiлях, у фтсовану або нефiксовану одиницю часу;
- оцшювання - можливкть застосування низки критерпв, дiагностичного й формувального оцшювання на засадах бтьшо''' безпосередност та безперервностi;
- збiр даних в режимi реального часу - можливкть збирати, обраховувати та оцшювати данi з масиву ресурсiв за допомогою визначених методiв в режимi реального, або майже реального часу;
- самооргаызащя - здатнiсть системи використовувати результати для неперервного формування ци^в зворотного зв'язку (фщбеюв) в процес викладання i навчання [4].
З огляду на зазначен характеристики вирiзняють чотири основнi типи АСН, а саме: 1) АСН на основi машинного навчання; 2) АСН на основi прогресивного алгоритму; 3) АСН на основi правил; 4) АСН на основi дерева ршень. Розглянемо 'х детальнiше.
1) АСН на основi машинного навчання (Machine-Learning-Based Adaptive Systems). У загальному сена машинне навчання (МН) - це наука змусити комп'ютер дiяти, не будучи явно запрограмованим [14]. Це пщгалузь штучного штелекту в галузi iнформатики, яка часто застосовуе статистичн прийоми для надання комп'ютерам здатност «навчатися» з отриманих даних, тобто поступово покращувати продуктивнiсть у певый задачi без того, щоби бути програмованими явно [15].
Можна сказати, що навчання машини вщбуваеться тод^ коли вона змiнюе свою структуру, програму або дан (у вщповщь на зовнiшню iнформацiю) таким чином, що ïï очiкувана майбутня продуктивысть покращуеться [14].
АСН, заснованi на МН, е найсучасышим науково орiентованим засобом забезпечення справжньо' адаптивностi. Певною мiрою МН близьке до технологи розтзнавання образiв, статистичного моделювання, предиктивно' аналiтики, статистичних закономiрностей тощо. АСН, що базуються на МН, використовують запрограмован алгоритми для створення адаптивного ядра та прогнозування в режимi реального часу навчального прогресу учня/студента. Таю АСН використовують алгоритми навчання для створення шших алгоритмiв, яю, в свою чергу, створюють адаптивн послщовносп та предиктивну аналтику, що може неперервно збирати дан та застосовувати 'х для просування учня/студента за освп>лм маршрутом [4; 5].
Основними характеристиками АСН, заснованих на МН, визначають таю:
- поспйне та динамiчне вдосконалення - методика навчання з часом покращуеться;
- профЫ учыв/студентв, що мiстять класифтацмы вiдомостi про тих, хто навчаеться - стиль навчання, навчальний прогрес, шдивщуальы особливосп, сильнi та слабю сторони тощо;
- особистий шлях та темп навчання - учы/студенти можуть автоматизувати процес самонавчання;
- iндивiдуалiзований зворотнiй зв'язок - система здатна виводити дан про шдивщуальний рiвень знань учня/студента i надавати точний фщбек, рекомендаций заснованi на загальних уявленнях про ефективне навчання;
- контент-агностика - система передбачае вщносне знання про навчальн результати, досягнення учня/студента, що базуються на рiзноманiттi навчальних засобiв (текст, вщео, аудiо тощо) [4; 5].
2) АСН на основi прогресивного алгоритму (Advanced Algorithm Adaptive Systems). Таю системи забезпечують «взаемодю» мiж комп'ютером та учнем/студентом в формат «1:1», що робить ïï масштабованою за типом вмкту (як правило, точних наук). Змiстовi модулi призначаються («вщкриваються») для конкретних, окремих профЫв учыв/студентв на основi попередньо пiдтвердженоï якост знань та навичок. Тобто, якщо учень/студент успiшно пройшов модуль «А», це фтсуеться в його профЫ, i пiсля цього система «пщбирае» для нього наступний модуль - «Б».
Таю системи здмснюють зворотнш зв'язок, оцiнювання освiтнiх маршрутiв, добiр навчального контенту для учня/студента в режимi реального часу, аналiзуючи даы, отриманi вiд iнших учнiв/студентiв, яю досягли подiбного рiвня, вивчають аналопчний контент. АСН на основi прогресивного алгоритму записують i управляють величезними обсягами даних, прив'язаними до профЫв учыв/студентв, та фтсують рiзну поведшку i види активностi: кiлькiсть «клЫв», часовi
штервали, протягом яких виконувались Ti чи шшл завдання, невдалi i вдалi спроби виконання завдань тощо. У таких системах освт-ii маршрути визначаються в режимi реального часу, а зворотый зв'язок забезпечуеться миттево у вiдповiдь на даы, що неперервно аналiзуються у фоновому режимк Методи навчання та освт-лй контент змiнюються на альтернативнi, якщо попередньо закладений маршрут виявився неефективним.
3) АСН на основi правил (Rules-Based Adaptive Systems). Таю АСН функцюнують на основi заздалегiдь визначено''' низки правил i, порiвняно з системами на основi МН, менш точно адаптуються до кожного учня/студента. Подiбнi системи проектуються не за алгоритмiчним пiдходом. Натомiсть, вибiр навчального маршруту обумовлюеться певними правилами, що можуть змiнюватися для окремих учыв/студен^в, а зворотнiй зв'язок надаеться тсля завершення навчального модуля. АСН на основi правил не використовують дан профiлiв щодо iндивiдуальних особливостей, характеристик. Учы/студенти проходять заздалегiдь визначений навчальний маршрут з заданими послщовностями. При цьому систематично надаеться зворотый зв'язок, а виправлення вносяться на основi попередньо визначено!' низки правил.
4) АСН на основi дерева ршень (Decision-Tree Adaptive Systems). Таю системи являють вщносно просту класифiкацiю («дерево») визначеного i обмеженого репозитарiю контенту, оцЫок, банку вiдповiдей. Зазвичай подiбнi системи мають обмеженi типи оцЫок, що е бiнарними за формою i функцiями. АСН на основi дерева рiшень вiдрiзняються вiд АСН на основi правил, оскiльки правила в них е вщносно статичними i не змiнюються. Такi системи на використовують профЫ учнiв/студентiв, натом^ь вони використовують низку статистичних послщовностей по типу «якщо це - тодi це» [4; 5].
Системи на основi дерева рiшень, в залежност вiд ''хньо! складностi, можуть приймати форму Ытелектуальних систем, але не е основаними на знаннях, осюльки в них не закладено вщповщний колективний збiр даних. Таю АСН використовують встановлений набiр правил iз попередньо визначеного набору модулiв контенту, оцiнок i банюв-вщповщей. Використовуючи iнтервали даних i зворотнш зв'язок, створюються робочi потоки учыв/студен^в.
АСН, незалежно вiд 'хнього типу, як правило, потребують архтектури, що Ытегруе ключовi функцп модулiв (навчального контенту), оцЫювання та рамки компетентностей, як в сукупностi мають забезпечити пщтримку персонiфiкованого освiтнього середовища. Як зазначено в [4], АСН, як м^мум, складаються з методiв, що оргаызовують: 1) навчальнi модулi (змкт, контент), який необхiдно пройти; 2) деюлька систем оцiнювання, що вщслщковують та оцiнюють навчальнi досягнення учыв/студен^в; 3) методи, що дозволяють узгодити демонстрацiю навчального змiсту з окремими учнями/студентами динамiчним та персоналiзованим чином.
Аналiз джерельно!' бази, переважно робп- закордонних дослiдникiв i експертiв, дозволив виокремити низку критерпв, що визначають, чи е система навчання адаптивною. Отже, вважаемо систему навчання адаптивною, якщо вона:
1. Може адаптуватися до рiзних стилiв навчання (наприклад, рiзного темпу).
2. Мктить статистично точн когытивы моделi, що дозволяють визначити i перевiрити достовiрнiсть досягнутого компетентнiсного рiвня учнiв/студентiв.
3. Може коректно реалiзовувати адаптивну послiдовнiсть для точного i неперервного збирання даних в режимi реального часу щодо устшносп учня/студента та використання цих даних для автоматичного коригування освiтнього маршруту.
4. Мктить функцiонал для адаптивного оцЫювання.
5. Може точно визначати виправлення та коригувальн дм шляхом адаптивного оцiнювання (як на основi норм, так i на основi критермв).
6. Може синхронно критично вимiрювати знанневий (наскiльки устшно учень/студент опанував навчальний змiст) та поведшковий (наскiльки учень/студент активно був залучений в навчальний процес) компоненти.
7. Може розробляти комплексы рамки компетентностей, що шдексують результати навчання.
З метою виявити, як саме системи пщтримки навчання використовуються у впчизняних закладах педагопчно!' освти, i чи е серед цих систем адаптивы, нами було проведено опитування, в якому взяв участь 31 заклад (16 педагопчних унiверситетiв та 15 Ыститупв пiслядипломноí педагогiчноí освгги). Взявши до уваги представленi вище критерм встановлено, що наразi жодний iз опитаних закладiв не використовуе АСН. Результати опитування вiзуалiзовано на рис. 1-3.
Е1ртуальн
Рис. 1. Системи тдтримки навчання, що використовуються у втчизняних педагогЫних унверситетах
LMS Moodle ] 14(93.3%)
Платформа webinar.ua Вбудоваш cepBicM
Google Classroom 3 (20%)
Власна система
Offlee 365 ;,3%)
Кпасна оценка
Intboard
Рис. 2. Системи тдтримки навчання, що використовуються у втчизняних закладах пслядипломноi педагогЫноi освти
Рис. 3. Системи тдтримки навчання, що використовуються у втчизняних закладах педагогмно'iосвти -педагогЫних ушверситетах та шститутах тслядипломно! педагогЫно'i освти (зведеш дан)
Як бачимо, найбтьш поширеною е система управлшня навчанням Moodle (LMS Moodle). Попри широкий функцюнал i низку переваг, що надае ця система, вона, однак, не е адаптивною, як i решта засобiв, яю наразi використовуються у закладах педагопчно''' освiти Укра'ни.
Зауважимо, що на сьогодн АСН ттьки починають активний розвиток та поступове впровадження. Навпъ у розвинених кра'нах свiту таю системи ще на набули значного поширення, проходять експериментальну апробацю Зпдно з [13], у найближчi деюлька рокiв АСН стануть рушiем розвитку ново'' педагопки, нових стратегiй персоыфтацп освiти, розширення можливостей активного навчання.
Висновки. Сучасн досягнення у розвитку технолопй дозволяють розширити функцiонал тдтримки iндивiдуальних навчальних траекторiй учыв/студентв. Науково обГрунтоване i педагогiчно доцiльне впровадження в навчальне середовище сучасних 1КТ, зокрема адаптивних систем, сприятиме набуттю цим середовищем ознак вiдкритостi, персоыфтованосп, що уможливить доступ до яюсного освiтнього контенту всiм суб'ектам навчання, незалежно вщ iндивiдуальних особливостей.
АСН представляють собою спецiалiзоване програмне забезпечення чи сервки, що адаптуються до потреб окремих учыв/студентв у процеа навчання. Цi iнструменти здатнi синхроызуватися з навчальним процесом, адаптуватися до прогресу кожного учня/студента, самостшно коригувати навчальний контент в режимi реального часу. Опитування, проведене нами у втчизняних педагопчних унiверситетах та шститутах пiслядипломноï педагогiчноï освiти (загальною юльюстю 31 заклад), показало, що у жодному з них наразi не застосовуються АСН. Найбтьш затребуваною залишаеться LMS Moodle, яка, попри ва сво'' переваги, не е адаптивною системою.
АСН ще ттьки розвиваються, поступово набираючи обертiв у розвинених кра'нах свiту. Такi системи, у порiвняннi з розробками попереднiх поколшь, краще i швидше налаштовуються в процеа роботи, волод^ть властивостями гнучкосп, вiдкритостi до модифiкацiй, що зрештою i дозволяе забезпечити iндивiдуалiзацiю, персоыфтацю особистiсно орiентований пiдхiд у навчаны. Алгоритми, закладенi в АСН, оцшюють результати кожного учня/студента в режимi реального часу i залежно вщ цього коригують змiст, темп та ш. В основу функцiонування таких систем закладено компетентнiсний пiдхiд, зорiентованiсть на iндивiдуальний прогрес. Це вiдрiзняе 'х вiд традицiйних систем управлшня навчанням, спроектованих для масового навчання, лшмного проходження курсу.
Основна перевага АСН полягае в 'хнш можливосп визначати, як людина навчаеться, як «просуваеться» у виконаннi завдань, а також у забезпеченн точного i своечасного зворотного зв'язку та покращенн навчальних результат. Осюльки такi системи здшснюють обчислення дуже високого порядку, аналiзуючи величезнi масиви даних в режимi реального часу, питання масштабованосп системи може розглядатися з двох позицй як ефективно програмувати ц системи та як пiдготувати таку архтектуру, щоби витримувала обробку, завантаження, розподт цих даних. З огляду на це, вважаемо актуальним i перспективним вивчення теоретичних засад проектування АСН на основi хмаро орiентованих платформ, а також розроблення методик 'хнього використання в профеайый тдготов^ вчителiв, як головних суб'ектiв упровадження шновацш в загальнiй середнiй освт.
Список використаних джерел
1. Прийма С. М. Особливосп функцiонування штелектуальних адаптивних навчальних систем вiдкритоï освiти дорослих. Вiсник Нацiональноï академП Державно'' прикордонно' служби Укра'ни. 2012. № 3. С. 241-254.
2. Федорук П. I. Адаптивна система дистанцшного навчання та контролю знань на базi штелектуальних 1нтернет-технологш: монографiя. Iвано-Франкiвськ: Прикарпат. нац. ун-т iм. В.Стефаника, 2008. 326 с.
3. Brusilovsky P., Peylo С. Adaptive and Intelligent Web-based Educational Systems. International Journal of Artificial Intelligence. 2003. Education Vol. 13, Issue 2-4. P. 159-172.
4. Pugliese L. Adaptive Learning Systems: Surviving the Storm. EDUCAUSE Review. 2016. URL: https://er.educause.edu/articles/2016/10/adaptive-learning-systems-surviving-the-storm (дата звернення: 10.09.2018).
5. Pugliese L. The Visualization for an Ideal Adaptable Learning Ecosystem. IMS Global Learning Consortium. URL: https://www.imsglobal.org/adaptive-adaptable-next-generation-personalized-learning#visualizationforidealadaptablelearningecosystem (дата звернення: 16.09.2018).
6. Sonwalkar N. The First Adaptive MOOC: A Case Study on Pedagogy Framework and Scalable Cloud Architecture. URL: https://www.liebertpub.com/doi/pdf/10.1089/mooc.2013.0007 (дата звернення: 27.09.2018).
7. Любарський С. В. Адаптивы алгоритми оцшки знань в штелектуальнш комп'ютерый тренажерый системi навчання. Зб. наук. праць В1Т1 НТУУ «КП1». 2010. № 2. С. 59-64.
8. Федорук П. I. Адаптивы тести: статистичы методи аналiзу результат тестового контролю знань. Математичы машини i системи. 2007. № 3, 4. С. 122-138.
9. Linacre J. M. Computer-Adaptive Testing: Methodology Whose Time Has Come. Seoul, South Korea: Komesa Press, 2000. 58 p.
10. Latu E., Chapman E. Computerized adaptive testing. British journal of Educational technology. 2002. Vol. 33, № 3. P. 619-622.
11. Nathan A. Thompson, David J. Weiss. A Framework for the Development of Computerized Adaptive Tests. Practical Assessment, Research & Evaluation. Vol. 16, № 1. URL: http://pareonline.net/pdf/v16n1.pdf (дата звернення: 27.09.2018).
12. Weiss D. J. Computerized Adaptive Testing for Effective and Efficient Measurement in Counseling and Education. Measurement and Evaluation in Counseling and Development. 2004. Vol. 37. Р. 70-84.
13. Новi тенденцп i прогнози розвитку освт-лх технологш у свт на наступи п'ять роюв. URL: http://profspilka.kiev.ua/publikacii/novyny/4195-nov-tendencyi-prognozi-rozvitku-osvtnh-tehnology-u-svt-na-nastupn-pyat-rokv.html (дата звернення: 08.09.2018).
14. Кашубш С. Г. Машинне навчання - технолопя сучасносп. URL: http://conf.vntu.edu.ua/allvntu/2013/initki/txt/ kashubin.pdf (дата звернення: 11.09.2018).
15. Машинне навчання. URL: https://goo.gl/N6cKCo (дата звернення: 11.09.2018).
References
1. Pryima S. M. Features of functioning of intellectual adaptive educational systems of open adult education. Visnyk Natsionalnoi akademii Derzhavnoi prykordonnoi sluzhby Ukrainy. 2012. № 3. P. 241-254 (in Ukrainian).
2. Fedoruk P. I. Adaptive system of distance learning and knowledge control based on intellectual Internet technologies: monograph. Ivano-Frankivsk: Prykarpat. nats. un-t im. V.Stefanyka, 2008. 326 p. (in Ukrainian).
3. Brusilovsky P., Peylo С. Adaptive and Intelligent Web-based Educational Systems. International Journal of Artificial Intelligence. 2003. Education Vol. 13, Issue 2-4. P. 159-172. (in English).
4. Pugliese L. Adaptive Learning Systems: Surviving the Storm. EDUCAUSE Review. 2016. URL: https://er.educause.edu/articles/2016/10/adaptive-learning-systems-surviving-the-storm (date of request: 10.09.2018).
5. Pugliese L. The Visualization for an Ideal Adaptable Learning Ecosystem. IMS Global Learning Consortium. URL: https://www.imsglobal.org/adaptive-adaptable-next-generation-personalized-learning#visualizationforidealadaptablelearningecosystem (date of request: 16.09.2018) (in English).
6. Sonwalkar N. The First Adaptive MOOC: A Case Study on Pedagogy Framework and Scalable Cloud Architecture. URL: https://www.liebertpub.com/doi/pdf/10.1089/mooc.2013.0007 (date of request: 27.09.2018) (in English).
7. Liubarskyi S. V. Adaptive algorithms for assessing knowledge in an intellectual computer training system. Zb. nauk. prats VITI NTUU «KPI». 2010. № 2. P. 59-64. (in Ukrainian).
8. Fedoruk P. I. Adaptive tests: statistical methods for analyzing the results of knowledge test control. Matematychni mashyny i systemy. 2007. № 3, 4. P. 122-138. (in Ukrainian).
9. Linacre J. M. Computer-Adaptive Testing: Methodology Whose Time Has Come. Seoul, South Korea: Komesa Press, 2000. 58 p. (in English).
10. Latu E., Chapman E. Computerized adaptive testing. British journal of Educational technology. 2002. Vol. 33, № 3. P. 619-622. (in English).
11. Nathan A. Thompson, David J. Weiss. A Framework for the Development of Computerized Adaptive Tests. Practical Assessment, Research & Evaluation. Vol. 16, № 1. URL: http://pareonline.net/pdf/v16n1.pdf (date of request: 27.09.2018) (in English).
12. Weiss D. J. Computerized Adaptive Testing for Effective and Efficient Measurement in Counseling and Education. Measurement and Evaluation in Counseling and Development. 2004. Vol. 37. Р. 70-84. (in English).
13. New trends and forecasts of the development of educational technologies in the world for the next five years. URL: http://profspilka.kiev.ua/publikacii/novyny/4195-nov-tendencyi-prognozi-rozvitku-osvtnh-tehnology-u-svt-na-nastupn-pyat-rokv.html (date of request: 08.09.2018) (in Ukrainian).
14. Kashubin S. H. Machine learning - the technology of today. URL: http://conf.vntu.edu.ua/allvntu/2013/ initki/txt/kashubin.pdf (date of request: 11.09.2018) (in Ukrainian).
15. Machine learning. URL: https://goo.gl/N6cKCo (date of request: 11.09.2018) (in Ukrainian).
ADAPTIVE LEARNING SYSTEMS: THE ESSENCE, FEATURES, STATE OF USE IN UKRAINIAN INSTITUTIONS OF PEDAGOGICAL EDUCATION
Nosenko Yuliya
Institute of Information Technologies and Learning Tools of NAES of Ukraine, Ukraine
Abstract. The article defines the essence of adaptive learning systems based on information and communication technologies (ICT), representing a technology that automatically adjusts learning content in accordance with the actual level of student's achievement, which this technology evaluates, and also according to individual characteristics (age, pace, psychotype, etc.).
A comparative analysis of traditional and adaptive learning systems (ALS) based on ICT has been conducted. The main advantages of the ACS are described, among them: automation of estimation and prediction; the ability to be 'adapted' to each student; regulation of the complexity degree of educational content; constant tracking of individual educational progress; obtaining data about student's individual needs; ability to track one's own educational trajectory; ability to reduce the routine load on teachers; possibility of continuous improvement of training courses, etc.
The characteristics that are inherent to the majority of the ALS are determined: automation, sequencing, assessment, realtime data collection, self-organizing. A description of the main types of ALS is given, namely: machine-learning-based adaptive systems; advanced algorithm adaptive systems; rules-based adaptive systems; and decision-tree adaptive systems. A number of criteria is defined that can be used to determine if a learning system is adaptive.
The results of the survey of 16 pedagogical universities and 15 institutes of postgraduate pedagogical education of Ukraine are presented. It is established that none of these institutions uses ALS. It is emphasized that now ALSs are only beginning to be actively developed and gradually implemented. Even in leading countries, such systems have not become widely distributed, undergoing experimental testing. In near future, ALSs will become the driving force behind the development of new pedagogy, new strategies for personalizing education, and expanding opportunities for active learning.
Keywords: adaptive learning system, personalized learning, individual educational trajectory, individual learning progress, adaptive assessment.
