Рекомендаційні системи в онлайн-освіті

28 квітня 2016 року ми офіційно оголосили про запуск першого адаптивного курсу на Stepic.org, який підбирає завдання з Python залежно від рівня учня. До цього ми ще реалізували на платформі рекомендовані уроки, щоб учні не забували, що вони вже пройшли, так і відкривали для себе нові теми, які можуть їх зацікавити.

Цією статтею ми починаємо цикл про рекомендаційних системах та адаптивному навчанні.

Під катом дві основні теми:
  • про онлайн-освіта, плюси/мінуси/підводні камені;
  • класифікація рекомендаційних систем, їх застосування в освіті, приклади.



Про онлайн-освіта, його плюси, мінуси і підводні камені

Ця частина в більшій мірі вступна, що характеризує онлайн-освіта, хвилюючі подробиці рекомендаційних систем під такою картинкою :)

В сучасному світі онлайн-освіта поступово стає все більш популярним. Можливість навчатися у професорів провідних навчальних закладів, вивчати нові області, отримувати потрібні в роботі знання, не виходячи з дому, приваблює велику кількість людей.

Однією з найбільш поширених форм онлайн-навчання є масові відкриті онлайн-курси (MOOCs, Massive Open Online Courses). Найчастіше вони включають відео, слайди та текстовий контент, підготовлені викладачем, а також завдання для перевірки знань, які зазвичай перевіряються автоматично, але також можлива перевірка робіт студентами один одного. В якості завдань можуть бути запропоновані найрізноманітніші типи завдань: від простого вибору правильної відповіді до написання есе і навіть, як у нас на Стэпике, задач на програмування з автоматичною перевіркою.

У онлайн-освіти є свої особливості, що відрізняють його від звичайного, офлайн-освіти. Серед плюсів, по-перше, вже згадана вище доступність кожному, у кого є доступ до інтернету. По-друге, це майже необмежена масштабованість: завдяки автоматизованій перевірці завдань на курсі можуть одночасно навчатися тисячі осіб, що незрівнянно з звичайними курсами в навчальних аудиторіях. По-третє, кожен студент може вибирати зручний для себе час і темп для проходження матеріалу. По-четверте, у розпорядженні викладачів виявляється велика кількість даних про те, як користувачі проходять його курси, які він може використовувати для аналізу і поліпшення своїх матеріалів.

У той же час в онлайн-навчанні є і мінуси. На відміну від традиційної освіти, де у студента завжди є мотивація у вигляді оцінки його академічної успішності, у разі онлайн-курсів немає ніяких штрафів за непройденний курс. З-за цього частка закінчили курс з записалися на нього рідко перевищує 10% (у нас на Стэпике кращий за версією EdCrunch Awards 2015 курс Анатолія Карпова «Основи статистики» у перший запуск пройшли рекордні 17% записалися, але це швидше виняток). Крім цього, з-за великої кількості учнів у викладача немає можливості приділяти індивідуальну увагу кожному студенту по його рівню і можливостям.



Рекомендаційні системи: Stepic.org і взагалі

Ми поставили собі завдання — створити рекомендаційну систему, яка могла б радити студенту цікавий для нього контент і враховувати його рівень підготовки і пробіли в знаннях. Крім цього система повинна вміти оцінювати складність контенту. Це потрібно, зокрема, для адаптивних рекомендацій, які будуть допомагати користувачеві вивчати матеріал, гнучко пристосовуючись до нього, пропонуючи саме той контент, який йому потрібен зараз для навчання. Така система буде корисна користувачам персонализованными рекомендаціями уроків, які можуть допомогти їм вивчити конкретну тему або запропонувати щось нове.

Загалом, вчитися повинне було стати ще цікавіше!

Існуючі рекомендаційні системи
В якості одного з перших прикладів рекомендаційної системи в сучасному поданні можна привести movielens.org, пропонує користувачам фільми на основі їх переваг. Цей сервіс цікавий тим, що він надає всім бажаючим великий набір даних про фільмах і рейтингах, поставлених їм користувачами. Цей набір даних був використаний в багатьох досліджень в області рекомендаційних систем останніх двох десятиліть.

Три основних класу рекомендаційних систем:
  • Системи, засновані на фільтрації контенту. Такі системи пропонують користувачам контент, схожий на той, що вони вивчали раніше. Схожість підраховується за допомогою характеристик порівнюваних об'єктів. Наприклад, для рекомендації фільмів можна використовувати близькість жанрів або акторський склад. Такий підхід використовується в сервісі для оцінки, пошуку і рекомендацій фільмів Internet Movie Database.
  • Системи, що використовують коллаборативную фільтрацію. В цьому випадку користувачеві пропонується контент, зацікавив схожих на нього користувачів. Рекомендації сервісу MovieLens засновані саме на цьому підході.
  • Гібридні системи, комбінують два попередніх підходи. Система такого типу використовується в Netflix, сервісі для онлайн-перегляду фільмів і серіалів.
Ми створили гібридну систему з більш активним використанням фільтрації контенту та менш активним – колаборативної фільтрації.

Існує безліч досліджень, присвячених рекомендаційним систем для навчання, заснованого на використанні технологій (Technology Enhanced Learning). Специфіка задачі в цьому випадку додає нові напрямки розвитку рекомендаційної системи.



У чому особливості рекомендаційної системи освітнього проекту?

По-перше, це можливість побудови адаптивної рекомендаційної системи, яка буде підлаштовуватися під потреби користувача в конкретний момент і пропонувати йому оптимальні шляхи вивчення матеріалу. У такому форматі можуть бути реалізовані різні тренажери, наприклад, з математики або якої-небудь мови програмування, містять безліч завдань різної складності, з яких різним учням будуть в кожен момент часу підходити різні.

По-друге, можна отримати залежності між навчальними матеріалами з даних про те, як користувачі проходять їх.

Ці дані можуть допомогти витягти окремі теми в матеріалах, зв'язки між цими темами, їх співвідношення по складності.

Coursera, EdX, Udacity (платформи для онлайн-навчання) використовують свої рекомендаційні системи, радячи користувачам курси, які їх можуть зацікавити. Недолік цих рекомендацій у тому, що вони можуть запропонувати тільки курс цілком, а не якусь його частину, навіть якщо користувачу буде цікава тільки вона. Також побудована таким чином система ніяк не може допомогти у вивченні курсу, який він обрав.

Рекомендаційна система ресурсу MathsGarden працює, навпаки, з самими невеликими частинами контенту — окремими завданнями. Вона являє собою тренажер з елементарної арифметики для учнів початкової школи, який пропонує учневі завдання, оптимально відповідні йому в даний момент часу по складності.
Для цього система підраховує та динамічно змінює відносну характеристику знань учня, а також характеристику складності завдань, але докладніше про це пізніше.

У наступних статтях ми детальніше розповімо про пристрій Stepic.org і реалізацію рекомендаційної системи, визначимо, що таке адаптивна рекомендаційна система, і докладно проаналізуємо отримані результати. Буде весело :)
Джерело: Хабрахабр

0 коментарів

Тільки зареєстровані та авторизовані користувачі можуть залишати коментарі.