Článek se zaměřuje na to, jak je možné využít technologie pro diferenciaci a individualizaci vzdělávacího obsahu a prostředí, ale také na rizika, která jsou s tímto procesem spojená.
Jedním z rysů školství, které se snažila kurikulární reforma zavádějící Rámcové vzdělávací programy změnit, je důraz na unifikaci – očekáváme, že studenti jsou přibližně stejní a mohou se naučit to samé těmi stejnými prostředky. Jistě – někdo potřebuje více procvičovat, jiný je bystřejší, ale cílem školy je určitá standardizace, kterou by měla dodržovat. Rámcové vzdělávací programy proto přišly s myšlenkou, že první diference by měla být už na úrovni jednotlivých škol, které mohou volit vlastní koncepce výuky, důrazy na metody nebo předměty. První generace školních vzdělávacích programů v tomto ohledu nebyla úplně úspěšná, ale lze říci, že se situace postupně zlepšuje, a především v městech dochází k výraznější profilaci škol.
To je jistě jev pozitivní, ale stále můžeme vidět dva limity. Tím prvním jsou lokální determinanty – konkurence škol dobře funguje na úrovni univerzit, částečně u středních škol nebo u neformálního vzdělávání, ale u základních škol je stále rozhodujícím parametrem (z mnoha různých důvodů) vzdálenost školy od bydliště dítěte. Současně dochází k jevu, kdy obyvatelé měst mají na výběr poměrně slušně, ale lidé z vesnic nikoliv. Druhý problém spočívá v tom, že ani takto diferencované školy nejsou vnitřně homogenní, také na ně chodí nadaní spolu s těmi, kdo mají specifické vzdělávací potřeby nebo pocházejí z kulturně odlišného prostředí, což jejich přístup ke vzdělávání komplikuje.
Digitální technologie proto můžeme použít jako zajímavý nástroj, který umožní provádět určitou edukační diferenciaci a individualizaci i na úrovni jedince. Jde ostatně o krok, který by měl oslabit frontální výkladové metody, které jsou stále neduhem českého vzdělávacího systému. Současně ale musíme mít na paměti, že tyto dvě změny nejsou izolovaně technickým problémem, neboť tak jak u ostatních digitálních kompetencí i zde platí, že u nich jde vždy o kombinaci didaktické rozvahy, edukačních postupů a východisek, která mohou či musí být podpořena technologiemi, ale bez širší myšlenkové změny samotná digitalizace žádné pozitivní efekty nepřinese.
Standardizace – očekává materiály a edukační postupy, které jsou určené všem. To může mít dvě základní podoby. V případě formálního vzdělávání jde o unifikaci edukace tak, aby uspokojovala průměr třídy, což znamená, že se nemůže soustředit na nadané studenty nebo na ty, co potřebují pomoci. Současně ale můžeme vidět standardizaci například v (x)MOOC kurzech, které počítají s tím, že nabídka je dostatečně široká na to, aby si každý vybral, co mu bude vyhovovat. Jinými slovy – standardizace nemusí být špatná, pokud jí předchází výběr edukačního celku. Současně je jasné, že i standardizovaný přístup, jakkoli je individuálně nepraktický, přináší praktické výhody.
Diferenciace – očekává, že před studenta jsou předestřeny určité možnosti studia, z nichž si může vybrat, kterým směrem se vydá. Může jít například o volbu kurzu, výběr mezi videem a textem nebo řadu dalších variant. Vzdělavatel v tomto modelu připravuje různé cesty pro různě chápané potřeby studentů. Nevýhodou tohoto modelu je velká časová náročnost, kdy pro každý směr musíme tvořit edukační koncepci v podstatě od začátku. Někdy je možné se setkat s variantami méně náročnými, jako je práce s rozšiřujícími materiály, které mohou využívat ti, kteří se edukace nechtějí nebo nemohou účastnit v její hlavní lince. Z hlediska inkluze sem spadá také oblast tvorby materiálů v podobě, která bude snadno zpracovatelná pomocí asistivních technologií.
Přizpůsobení – tento přístup očekává, že student má určený edukační cíl, ale může si volit způsoby a metody, jak tohoto cíle dosáhnout. Skrze technologie může vyhledávat potřebné zdroje, spolupracovat s účastníky edukace prostřednictvím sociálních médií atp. V této fázi přestává být vázán na prostředí třídy nebo pevné vzdělávací komunity. Vzdělavatel se stává pomocníkem ve vyhledávání zdrojů či průvodcem. Sám Spencer uvádí, že takový model může být nebezpečný tím, že ze vzdělávání dělá konzumní záležitost, která ze studenta činí individualizovaného zákazníka, který si sám vybírá, co mu vyhovuje. Technologické pozadí tohoto modelu je zřejmé, neboť je jím samotný internet jako zdroj velkého množství zdrojů a informací, které lze použít pro vlastní vzdělávání.
Personalizace – poslední čtvrtá fáze je spojená s tím, že je odstraněn koncept vnějškově daných vzdělávacích cílů a vzdělání si student volí autonomně. Je tedy nutné, aby existovala podpora instituce, mentora, učitele či knihovníka, kteří ho budou podporovat v rozvoji dovedností nutných pro sebeurčené vzdělávání. Spencer hovoří o posunu od volby, která je studentovy předestřena jako v supermarketu, ke svobodě a odpovědnosti. V této fázi přebírá odpovědnost za své učení a vzdělávání. Pěkným příkladem akcentujícím tuto fázi je osobní vzdělávací prostředí.
Nejde samozřejmě o taxonomii jedinou. Stephen Downes například rozlišuje mezi personalizovaným a personálním učením. Personalizované učení se podobá nákupu v supermarketu, kde si student samostatně vybírá, co mu vyhovuje. Problémy takového přístupu (odpovídajícímu přizpůsobení z předchozí taxonomie) jsou zřejmé – volba vede k izolaci, individualizaci a k tomu, že se student vyčleňuje z komunity, konzumuje to, co ho baví, aniž by v daném problému měl nějaký osobní zájem. Z hlediska technologií zde můžeme vidět důraz na klasické učení založené na datech, které nabízí silně unifikovaný přístup v tom, co komu může vyhovovat.
Naopak personální učení je takové, které skrze technologie umožní studentovi naplňovat jeho vzdělávací potřeby, vede ho k zodpovědnosti a svobodě. Smyslem tohoto přístupu je, aby student převzal zodpovědnost za svůj proces učení, aby toto učení bylo vědomé a aktivní. Zatímco personalizované učení je podle Downese nekreativní, tak personální je naopak na tvořivosti založené a chápe ji jako jedno z hlavních východisek.
Všechny tyto úvahy mají směřovat k jedinému – technologie otevírají velké možnosti přizpůsobování vzdělávacího obsahu, práce s universal designem i podpory jedinců v tom, aby mohli dosahovat skutečné excelence. Martin Seligman hovoří o tom, že bychom měli vzdělávání orientovat nikoli na průměrné dovednosti splňující standard, ale na excelenci a individuální možnost vyniknout. To technologie umožňují velice dobře. Nesmí se ale stát nástrojem vedoucím k uzavírání se do filtračních bublin nebo čistě neoliberálního edukačního diskursu. To je ostatně v souladu s tím, co tvrdí DigCompEdu, když říká, že dobrý vzdělavatel „přizpůsobuje využití digitálních technologií studijním potřebám žáků, umožňuje žákům postupovat na rozdílných úrovních i různou rychlostí, volit si různé cesty učení a vlastní vzdělávací cíle“.
Od diferencovaného k adaptabilnímu učení
V předchozích taxonomiích a úvahách jsme se soustředili na sociální rozměr využívání technologií pro přizpůsobování obsahu. Existují ale také pohledy z druhé strany, které umožňují lépe přemýšlet o tom, jak technologie naopak pozitivně do procesu učení zasahují a v budoucnosti ještě zasahovat budou. Začněme proto další taxonomií, která bude téma sledovat z druhé strany než naše předchozí úvahy:
Diferencovaný obsah je nejjednodušším způsobem práce v návrhu online kurzů. Vychází z myšlenky, že mimo základních materiálů obsahuje kurz ještě další informace pro zájemce, které si tito studenti sami volí. Typicky jde o otázky k zamyšlení nebo o rozšiřující studijní materiály. Práce s diferencovaným obsahem je asi nejjednodušším, s čím se můžeme v online vzdělávání setkávat. Slabinou tohoto přístupu je, že přenáší diagnostiku na stranu studenta, který často nemusí vhodně rozlišit, které materiály jsou „pro něj“, může se cítit málo motivovaný (protože dělá něco navíc) a doplňující obsah může být zatěžující pro další studenty, neboť zjevně není v souladu s koncepty universal designu. Přesto jde o dominantní přístup v tvorbě kurzů (nejen u nás) a stojí na něm také většina MOOC, pokud již nějaké přizpůsobení různým studentům obsahuje.
Personalizovaný obsah – tento způsob práce s obsahem dobře znají především autoři jazykových kurzů. Vychází z myšlenky, že student udělá na úvod vzdělávací jednotky test a na základě něj se dostane k určitému obsahu, který bude odpovídat jeho úrovni a možnostem. Cílem tedy je, aby studenti nepracovali s příliš lehkými nebo příliš těžkými cvičeními a dalšími vzdělávacími objekty. Taková práce na kurzu není úplně snadná (vyžaduje mít alespoň tři samostatné vzdělávací cesty) a řeší jen část problematiky, totiž úroveň studentů, ale už ne například jejich zájmy nebo fakt, že úroveň není možné ve velké části vzdělávacích oblastí standardizovaně měřit a hodnotit. Přesto jde o cestu výrazně lepší než diferencovaný obsah, kterou nelze bez technických prostředků v běžné třídě téměř realizovat.
Adaptabilní učení – opírá se o myšlenku, že dokážeme díky moderním technologiím téměř v reálném čase vyhodnocovat, co se student učí a jak. Na tyto informace pak lze reagovat proměnou edukačního materiálu. Asi nejlepším příkladem může být využití adaptabilního učení při výuce pravopisu, kdy systém relativně snadno identifikuje jevy, se kterými má uživatel problém a může mu pro ně připravovat cvičení na míru a to, co učí procvičovat jen okrajově. Takový model současně počítá s tím, že student může v průběhu vzdělávání měnit svoji úroveň, výkonnost, možnosti. Pro reálnou implementaci tohoto modelu je třeba pracovat s nástroji umělé inteligence, která dokáže jednotlivé vzdělávací objekty vybírat a zařazovat na základě předchozí práce studenta.
Z výše uvedeného je možná patrná ona komplementární perspektiva toho, jak technologie mohou pracovat s diferenciací a personalizací vzdělávání – umožňují odstraňovat prvky, které jsou z různých důvodů (většinou) nevhodné – například diktáty v češtině nebo pětiminutovky v matematice – a které zde existují především proto, že jde o snadný způsob, jak pracovat s celou třídou současně. Technologie nám v tomto směru nabízejí zajímavé nástroje, jak procvičování a zkoušení dělat takovou formou, která umožní každému jedinci dosáhnout své maximální úrovně s menší dávkou stresu. To samozřejmě neznamená, že by měly vést k individualizaci vzdělávání samy o sobě, ale že mohou posloužit jako nástroj na kvalitnější učení se samostatně i ve skupinách.
Příklady užitečných nástrojů
Ve výběru nástrojů se zaměříme na dvě zajímavé skupiny, které vnímáme z pohledu vzdělavatelů jako zásadní. Totiž na jedné straně na řešení, která pracují s umělou inteligencí a umožňují vývoj systémů pracujících s adaptabilním učením, ale také na příklady konkrétních řešení, které s umělou inteligencí již dnes pracují. Zkušenost s nimi je zásadní pro úvahy nad celou problematikou.
Azure Machine Learning Studio – soubor velkého množství připravených nástrojů, které lze využít pro tvorbu vlastního projektu využívajícího umělou inteligenci. Současný trend je takový, že velkou většinu komponent člověk neprogramuje, ale využívá již hotová řešení, která spojuje a překvapivě aplikuje do situací, které se jeho aplikace snaží řešit.
DeepL – velice populární překladač mezi jazyky. Nepřekládá jednotlivá slova, ale celé věty nebo odstavce, díky čemuž dokáže být citným na kontext a v překladu ho zvážit. Velkou výhodou neuronových sítí obecně je právě využití systémů pracujících s kontextem.
Duolingo – populární nástroj na výuku cizích jazyků, který se snaží adaptovat na chyby, které uživatel dělá, a podle nich upravovat cvičení tak, aby byla co nejefektivnější.
Google Cloud AutoML – nesmírně zajímavý produkt v tom slova smyslu, že umožňuje využít předpřipravených neuronových sítí, které si lze upravit dle vlastní potřeby, a následně je trénovat pro vlastní účely. Cílem je vytvořit neuronové sítě bez nutnosti znalosti pokročilého programování.
Grammarly – slouží pro automatické korektury v angličtině. Jeho cílem je pochopit kontext textu a nabídnout co nejlepší slova s ohledem na plánovanou cílovou skupinu nebo styl textu tak, aby vyzněl optimisticky nebo třeba analyticky podle záměru autora.
PhotoMath – aplikace, která umí vyfotografovat text, rozpoznat ho, nalézt v něm rovnici a vyřešit ji včetně doporučeného postupu. Jde o zajímavý nástroj na kontrolu vlastních postupů nebo třeba na diskusi o tom, proč daný příklad řešit právě tímto způsobem.
Scratch – je nástroj na rozvoj algoritmického myšlení a umožňuje pracovat také s umělou inteligencí. Jde o výborný nástroj, pokud člověk potřebuje pochopit, co je to umělá inteligence, jak pracuje a k čemu je to vše dobré.
TensorFlow – asi nejznámější prostředí pro vývoj neuronových sítí, jehož výhoda spočívá v tom, že existuje téměř nekonečné množství příkladů, návodů a inspirací, co s tímto nástrojem dělat. A nutno říci, že velice dobře poslouží i pro mnoho profesionálních případů.
Umíme česky – projekt z Masarykovy univerzity je zaměřený na procvičování gramatických jevů. Snaží se konstruovat cvičení podle chyb, které dělá uživatel tak, aby ho naučil právě potřebné pravopisné jevy.
Umíme matiku – projekt z Masarykovy univerzity, který se soustředí na výuku základoškolské matematiky. Adaptuje se na chyby, které dělá student, a podle nich mu upravuje edukační obsah.
Článek se hodně technicky, ale současně zajímavě dotýká problematiky, jak vytvářet skutečně funkční adaptabilní systémy pro vzdělávání. Pro náš kontext jsou důležitá dvě zjištění – modelovat vzdělávací cesty pro každého jednotlivého studenta je extrémně náročné, ale lze pracovat s modelovými příklady, které tento problém pro většinu uživatelů efektivně obcházejí. A za druhé bychom měli více přemýšlet o tom, s jakými materiály vůbec pracujeme, jak je popisujeme, strukturujeme, co o nich shromažďujeme za informace.
Autoři studie zajímavě porovnávají přístup k tvorbě objektů, které jsou tvořeny jako statické učební materiály, a těch, které vznikají jako procesuální entity. Ty druhé mají konkrétnější a jasné vzdělávací cíle, jsou modulární a flexibilní, je možné je vícekrát používat v různých kontextech. Text nabízí poměrně detailní pohled na současné adaptabilní systémy a zdůrazňuje, že adaptabilita není jen otázkou techniky, ale proměny celého edukačního přístupu.
Studie se zaměřuje na vývoj adaptabilních metod implementovatelných do LMS, konkrétně do Moodlu. Na základě testu ukazuje, že studenti, kteří využívali adaptabilní funkce, dosahovali lepších výsledků než ti „tradiční“. Je zřejmé, že i když adaptabilní učení je ve svém aplikačním dopadu stále na začátku (byť má za sebou přes dvacet let soustavného vývoje), objevují se zde akademicky relevantní přístupy, které dokazují praktickou edukační funkčnost.
Závěr
Vývoj adaptabilních metod, které by bylo možné implementovat do výukových systémů, se bude s rozvojem projektů, jako je AutoML, zjednodušovat a zrychlovat. Již na vybraných studiích je patrný silný důraz na technický diskurs vývoje těchto systémů. Současně zde existuje silná pedagogicko-sociologická skupina autorů, kteří zdůrazňují rizika izolovaného vzdělávání, přílišné personalizace a komercionalizace vzdělávání. Tato kompetence tak bude nesporně rozhodovat o tom, jakou tvář získá vzdělávání v blízké budoucnosti – zda se vydá některou z kritizovaných cest, nebo zda se dokáže orientovat na aktivní práci jedince ve skupině, na technické parametry nebo na promýšlení nových edukačních postupů, které by umožnily transformaci toho, jak vypadá dnešní vzdělávání.
I přesto, že se většina pozornosti soustředí na školní (v nejširším slova smyslu) prostředí, domníváme se, že mimo pozornost by neměly zůstat ani muzea, galerie nebo knihovny. Rozvoj adaptabilního a personalizovaného učení jim umožní zcela novým způsobem uchopit vzdělávací programy a možná více než dříve akcentovat svoji roli nejen paměťových institucí, ale také center vzdělávání a podpory vzdělávání v nejširším slova smyslu.
