Историю, географию и языки будут учить в виртуальной реальности
Технологии VR (виртуальная реальность) и AR (дополненная реальность) набирают популярность в сфере образования. Эксперты уверены, что к 2025 году на проекты с такими технологиями придётся 12,6 млрд долларов затрат против 1,8 млрд долларов в 2018-м.
Большинство доступных сегодня VR-систем включают в себя гарнитуру с дисплеем или очки. Сейчас на рынке есть демократичные устройства для VR вроде Google Cardboard и аналогов: в них роль экранов, самого дорогого элемента таких гаджетов, выполняет смартфон.
К более продвинутым устройствам — например, Oculus Rift и Valve Index — часто прилагаются дополнительные аксессуары, такие как контроллеры, перчатки и датчики расстояния.
Как это работает
Если в VR-гарнитуре вы видите вокруг себя полностью отрисованное пространство, а реальный мир — нет, то в AR-очках графика накладывается на предметы вокруг. По тому же принципу работает AR-софт для смартфонов: экран показывает «микс» из того, что видит камера, и наложенной графики. Так, на экране смартфона можно увидеть, например, как по вашей квартире ходят африканские животные.
Для недорогих гарнитур, где роль экрана играет смартфон, программное обеспечение доступно в Google Play и App Store. Для владельцев более дорогих полноценных шлемов ПО разрабатывают их производители. Можно найти как бесплатные, так и платные приложения с дополненной и виртуальной реальностью.
Вот как это выглядит
Где-то это уже используют?
C помощью VR уже обучают медиков. Вот сюжет о том, как врачи учатся проводить операции на сердце при помощи технологий VR.
С применением AR и VR проводят экскурсии по музеям, интерактивные уроки географии и истории, рассказывают о разных профессиях и многом другом. Например, платформа Unimersiv предлагает изучать динозавров с помощью дополненной реальности.
Прогуляйтесь вместе с динозавром, используя камеру мобильного телефона
Искусственный интеллект будет подбирать индивидуальный учебный план
В сфере образования технология ИИ будет применяться всё чаще.
Вот прогноз одного из отчётов: «В течение следующих пяти лет темпы внедрения ИИ в образование резко возрастут. Ожидается, что к 2025 году глобальные расходы достигнут 6 миллиардов долларов. Наибольший рост придётся на Китай, за которым следуют США. На долю этих стран в совокупности приходится более половины общемировых расходов на ИИ в образовании».
Как это работает
Машинное обучение — это область искусственного интеллекта, в которой компьютеры учатся на основе данных, а не следуют набору программных инструкций. При соблюдении правильных условий алгоритмы машинного обучения со временем становятся более точными, поскольку обрабатывают всё больше данных.
Одна из областей, в которой, согласно прогнозу, влияние ИИ и машинного обучения вырастет, — персонализированное обучение. Такой контент, как явствует из опроса Learning House, предпочитает более 60% учащихся.
Системы автоматической рекомендации взаимодействуют со студентом в зависимости от его поведения, профиля и успеваемости. Система отслеживает, насколько студент разобрался в теме или освоил навык с помощью тестирования, и рекомендуют другие учебные материалы. Это могут быть видео, игры, практические задачи и другие виды контента. Кроме того, индивидуальные учебные планы, построенные с помощью ИИ и машинного обучения, могут увеличить мотивацию и уменьшить количество бросивших курс.
Ещё одним способом применения ИИ в образовании может стать отбор абитуриентов и автоматизация рутины — например, выставление оценок, создание тестов и так далее. ИИ уже позволяет решить задачу добавления метаданных и тегов к учебным материалам — это ручной трудоёмкий процесс, который требует, чтобы человек прочитал текст и расставил теги. Таким образом, в учебном чате, где выкладываются задания и ответы на вопросы студентов, нужную тему будет легко найти с помощью тега. Это упрощает навигацию, сокращает время на поиск нужных материалов.
Где-то это уже используют?
Одна из основных задач ИИ в образовании — определить, что ученик знает, а что нет, с помощью тестирования, а затем составить индивидуальную учебную программу. Как говорит Дерек Ли, основатель китайского EdTech-единорога Squirrel AI: «За три часа [работы с ИИ] мы понимаем студентов лучше, чем первоклассные преподаватели, которые провели с ними три года».
Ещё один пример — платформа Century Tech. Ученики занимаются математикой и английским, а система анализирует, как они справляются с различными заданиями и темами. Платформа использует знания о работе мышления и памяти и анализ данных, чтобы выявлять пробелы в знаниях учащихся, рекомендует учебные материалы и автоматически отмечает ответы. Учителя могут следить за успеваемостью отдельных студентов и всего класса через панель управления.
Помимо тестов, ИИ применяют для оценки рукописных работ учащихся. Один из примеров — Gradescope, онлайн-приложение для выставления оценок, разработанное группой исследователей Калифорнийского университета в Беркли. Чтобы обучить алгоритм воспринимать рукописные ответы, разработчики использовали библиотеку глубокой нейронной сети cuDNN и вычислительную структуру для построения моделей машинного обучения. Теперь приложение, способное распознавать и анализировать содержание работ, сокращает время выставления оценок на 50–75%.
Согласно Forbes, в ближайшем будущем устройства с искусственным интеллектом смогут даже читать выражения лиц учащихся при помощи камер. Анализируя реакции и мимику, они смогут определять, испытывают ли ученики проблемы с усвоением информации. Это даст возможность адаптировать программу под конкретного ученика и повысить его мотивацию, что в условиях онлайна зачастую сложно. Более подробных описаний технологии пока нет.
По прогнозам, 47% организаций собираются интегрировать и использовать чат-ботов на основе ИИ в ближайшем будущем. Чат-боты смогут отвечать на популярные вопросы студентов, помогать с техническими вопросами — например, настройками ПО или оплатой.
А с помощью Big Data будут оценивать эффективность курса
Как это работает
Big Data — это огромные структурированные и неструктурированные массивы данных, которые обрабатываются с помощью программ. Big Data можно собрать в любой сфере — это могут быть данные пользователей, которые вносят информацию в приложение каждый день, или медицинские данные пациентов госпиталя. Программная обработка этих массивов позволяет сделать множество выводов об изучаемом предмете.
Например, если у вас есть база всех книг, которые брали в университетской библиотеке за последние 10 лет, то, обработав эту базу, можно вычленить темы, интересовавшие студентов, самые популярные книги и даже время, когда студенты читают больше всего учебных материалов. На основе этих данных можно создать план обновления библиотеки, чтобы студентам хватало книг даже в период повышенного спроса в сессию. А ещё можно определять, какие темы для студентов интереснее прочих.
Где-то это уже используют?
Лишь 17% компаний в сфере образования уже внедрили Big Data в 2019 году. При этом 74% указали, что они собираются использовать технологию в будущем, согласно данным Statista.
Некоторые колледжи и университеты уже применяют выводы аналитики для оптимизации обучения. Например, современные системы управления обучением (LMS) работают на основе данных успеваемости. Пример такой системы — платформа Civitas Learning. Она составляет академические и карьерные планы, поддерживает успеваемость студентов, измеряет эффективность преподавания.
Подход с использованием этой технологии уже протестировали в Университете Балтимора в Мэриленде — и обнаружили связь между оценками учащихся и использованием LMS. Студенты, получающие C и F, стабильно использовали LMS университета на 40% реже, чем студенты с отметками A и В. Кроме того, образовательные учреждения используют LMS, чтобы создавать отчёты по ключевым показателям — таким как процент завершения и процент пройденных курсов. Эти данные демонстрируют эффективность курса: как часто учащиеся получают доступ к учебному контенту, когда предпочитают учиться, сколько времени тратят на материал. Также они позволяют оценить вовлечённость студентов и определить, как можно усовершенствовать программу.
А в средней школе Санта-Анна цифровая учебная программа помогла расширить предложение курсов и программ в соответствии с потребностями учеников, не нанимая новых сотрудников.
Аналитика обучения также может помочь школам в принятии институциональных решений и стратегий. Так в Сиракузском университете обучающую аналитику использовали в программах консультирования студентов. А в Университете Сент-Луиса Big Data использовали, чтобы автоматизировать обработку данных тысяч абитуриентов. Автоматизация позволила сделать это за два дня: все данные, которые раньше обрабатывали вручную, анализировала программа. Она смогла быстро отобрать абитуриентов, которые подходили под требования для поступления — по баллам аттестата, экзаменов и другим данным.
В России Big Data используют даже на государственном уровне. В Рособрнадзоре создали центр по работе с большими данными в системе образования для подготовки аналитических материалов, чтобы помочь реализовать национальный проект «Образование».