キーワード 「個別学習(Adaptive Learning)」

本日はUMUやDegreedなどの新しいラーニングテクノロジーの進化により、今後確実に発展していく「テクノロジーによる個別学習支援」について、ATDのブログからシェアさせていただきます。


Bersin by Deloitteによると、現在の学習者は、「情報量に圧倒され、集中できず、辛抱強さに欠けている。」とのこと。コンテンツが面白く、中断なく取り組むことができ、パーソナライズされ、オンデマンドで提供される学習を期待しています。学習提供者はこのような需要の高まりにどのように対応したらいいのでしょうか?

データに基づくパーソナライズ学習

Monday, May 01, 2017 - by Zach Posner

https://www.td.org/Publications/Magazines/TD/TD-Archive/2017/05/Data-Driven-Personalization-Comes-to-Learning


McGraw-Hill Educationによると、

その答えはマスタリーベースのアダプティブ(個別)学習にあるとのこと。

これは、データに基づく、モジュール化された学習です。

学習をモジュール化する

モジュール化されたバイトサイズのコンテンツは実は新しいものではありません。プライベートでコンテンツがどのように使われているかを考えてみましょう。ここしばらく、マイクロコンテンツが流行っています。その好例がソーシャルメディアです。このようなメディアでは、ツイート、「いいね」、ピン、ミームなど、バイトサイズのスニペットが多用されています。ビデオの場合、以前は30分のテレビ番組だったものが、3分のYouTubeクリップになっています。今のコンテンツは、すぐに視聴できるように最適化されており、短い注意持続時間に適しています。

学習者にとって、バイトサイズのコンテンツは柔軟性を意味します。

もはや、時間のかかる読み物やレッスンのみを通じて学習を提供していてはなりません。今や、より小さく、消化しやすいチャンク形式で学習が行われるようになっています。これは、集中できず、情報に圧倒され、外出先でも学ぶ必要のある学習者にとって、特に耳寄りなニュースです。

重要なのは、マイクロコンテンツが単に、レッスンを小さくすることではないということです。 

コンテンツをもっと柔軟かつ効果的な方法で整理し、それぞれの学習者にとって重要なことを適時に示すことによって、学習者の注意を引き付ける必要があります。このようなバイトサイズのコンテンツは、それ自体に価値がある一方、データに裏付けられ、データと同期している流動的なエコシステムと組み合わされた場合に、急激に大きな力を発揮します。

データに基づくパーソナライズの基本

ほとんどの人は、クリック率、滞在時間、バウンス率、エントリー/イグジットポイント、トラフィックソースといった、オンラインユーザーデータの基本について知っていると思います。このような行動データは、企業がWebサイトやアプリケーションの全般的な魅力を高め、最適化するために使われています。しかし、このようなデータを使えば、ユーザーごとに使用体験をカスタマイズすることもできます。

たとえば、パーソナルラジオエンジンのPandoraです。

気に入ったかどうかを曲ごとに指定すれば、ユーザーの嗜好に基づくパーソナルデータベースを作ることができ、最終的には、そのユーザーがどのような曲を聞きたいかを判断できるようになります。Netflixのビデオ推奨やAmazonの推奨にも同様の仕組みが使われています。このような仕組みでは、ユーザーが明示的に登録した嗜好と、推論による嗜好が組み合わされており、それに基づいてユーザーに推奨が行われます。
いずれの場合も、推奨の質は、ユーザーがコンテンツを使う頻度、およびそのコンテンツのタグ付けの精度(ジャンル、構成、トーン、話題)という2つの要因に依存します。
タグ付けには無限のオプションがあり、大きな強みとなる可能性があります。自分が映画を見るときのポイントは、その主演女優でしょうか、それとも撮影技術でしょうか、または物語の展開やシナリオでしょうか?実際には、そのすべての組み合わせだと思います。だから、適切なタグ付けとユーザーインタラクションがあれば、このような複雑な嗜好も特定することができます。ユーザーが偶然面白いコンテンツを見つけた場合であっても、エンジンがユーザーの嗜好の理解を洗練させていくことに役立ちます。さらに、このような個々のインタラクションは、アルゴリズムによるユーザー理解を洗練させることに役立ち、それぞれのユーザーの学習体験を向上させるのです。

データに基づくパーソナライズエンジンは、他の業界で大いに成功しています。学習にもそれを適用するときが来ているのです。

データを使って学習効果を高める

学習は複雑なプロセスです。個々の学習体験をデザインするときには、正確性、時間、メタ認知、エンゲージメントという4つの主要な指標を明らかにする必要があります。

一般に、正確性、時間、メタ認知(自分が何を知っており、何を知らないかについてのユーザー自身の認識)は、答えの正確性を確認したり、コンテンツの学習や質問への回答にかかった時間を追跡したり、ユーザーの自信レベルを尋ねたりすることによって、直接的に評価されます。4つめの指標であるエンゲージメントは通常、他の3つから推測します。

このようなすべてのデータをまとめることにより、学習者体験の真のパーソナライズ・最適化をはじめることができます。

行動・パフォーマンスに関するデータを使えば、学習体験のすべてを最適化し、最終的にはできる限り効率的・効果的なレッスンを提供することができます。私たちは、これをアダプティブ学習と呼んでいます。

アダプティブ学習は、自動化された個人指導のようなものです。

アダプティブ学習テクノロジーとは、学習者のスキル・知識・パフォーマンスのレベルに関する情報を取得し、それに基づいて、学習者に与える教材やタスクを変えることのできるシステムのことです。アダプティブ学習テクノロジーの目的は、学習者が苦手な部分の改善したり、学んだことを忘れないようにしたり、学習者に適したペースや方法でコンテンツを進めることにより、個々の学習者のニーズに適合するよう学習内容や教材をパーソナライズすることにあります。

アダプティブ学習では、個々の学習者のニーズに合わせてコンテンツがカスタマイズされます。

これは基本的には、データに基づくマイクロコンテンツであり、その究極の目的は学習です。PandoraやNetflixのように、コンテンツが小さい単位に分けられており、データを使ってそれぞれの見せ方が最適化されます。
たとえば、学習者が従来の方法でコンテンツを使うときには、それぞれのコンテンツに順に取り組む必要があります。一方、

アダプティブ学習テクノロジーでは、学習者の上達レベルに応じて必要とされるコンテンツのみを学びます。

この方法の明らかな利点は、効率性と有効性が向上することです。すでにマスターしているスキルのために時間を無駄にすることがなくなるので、学習者が圧倒されたり、気が散ったり、辛抱できなくなったりすることがなくなります。最大限の効果を得るために学習者が最も集中する必要のある領域に時間やフォーカスを割り当てるにつれ、習熟率が向上します。フォーカスすることにより、こうした効果が一貫して得られるので、学習が、より満足を与えるプロセスとなり、記憶の保持や修了率が向上します。

学習に集中できるようになるにつれ、関与意識も高まります。学習の道筋がより明確になり、より多くの責任が学習者に委ねられるようになります。

学習者にとって大きな利点があるだけではありません。アダプティブ学習では、学習者の進捗に関するリアルタイムのデータが使われるので、学習プロセスの他の関係者(トレーナー、マネージャー、SME、インストラクションデザイナー)も、より敏捷に対応することができます。トレーナーやマネージャーは、全体の様子を捉えてインストラクションを調整することができます。SMEは、コンテンツの有効性に関するデータを使って、コンテンツを継続的に洗練させることができます。この意味では、アダプティブ学習システムの利点は、多数のレベルの関係者に及びます。

アダプティブ学習は専門能力を学ぶための有効な学習オプションとなり得ます。アダプティブ学習は、現在の学習者固有の必要性に直接的に応えることができる(時間が少なく、責任が重い)だけでなく、タレント開発の分野における今後の大きなステップとなる可能性があります。



UMUのラーニングテクノロジーは個別学習(アダプティブラーニング)に最適なソリューションです。
学習者それぞれの嗜好・傾向など元に、それぞれに合った学習提供が可能です。学習者の学習時間や学習時間帯を知ることも可能です。

学習者個別のニーズに合わせた学習を提供したいなら
http://www.umu.co