Popis pro vzdělávací technologie nového termínu „malá data“ s praktickou ukázkou jeho nasazení v arizonském školském obvodě Dysart.
Doposud jsme v souvislosti s datafikací školství vždy mluvili jen o „velkých datech“ (Komu patří velká data ve školství?, Jsou velká data velkým potenciálem nebo velkou chybou?). Velká data jsou všechny ukládané informace o tom, co uživatelé (žáci) na svém přístroji či v určité aplikaci dělají. Většinou jich je skutečně mnoho, jsou nestrukturovaná a je obtížné je zpracovat. Typicky se pak dají využít hlavně při odhalování dlouhodobých plošných trendů. Kromě vědců mnoha různých oborů se statistickým zpracováním uživatelských dat v poslední době zabývá hlavně marketing. Úspěch obchodu v globální konkurenci je stále více závislý na zpracování relevantních informací o stavu trhu. Právě zde se nedávno vynořil nový pojem – „malá data“ (small či little data – zatím neustáleno).
Archivní diskuze převzatá z rvp.cz. Přidávání nových komentářů není k dispozici.
Bořivoj Brdička19. 4. 2017
Big Data vs Small Data (https://teachonline.ca/tools-trends/exploring-future-education/big-data-vs-small-data)
Vhodný doplňkový článek kanadského portálu TeachOnline.
Bořivoj Brdička27. 4. 2017
Vývoj personalizovaného systému AltSchool Open (https://www.altschool.com/partner-schools/overview) se zpomaluje. Společnost AltSchool najala známého a oceňovaného vedoucího šk. obvodu Vista v Kalifornii s úkolem, systém zavést kromě soukromých též do veřejných škol. Jeho hlavním problémem (z celkem 4 priorit) je najít, kdo to zaplatí.
Blíže viz: The 4 Issues AltSchool Needs to Figure Out to Scale Its ‘Personalized Learning’ Platform (https://www.edsurge.com/news/2017-04-24-4-issues-altschool-needs-to-figure-out-to-make-its-personalized-learning-platform-work).
Bořivoj Brdička6. 8. 2017
Nejnověji informuje o vývoji personalizovaného systému AltSchool BBC. Stojí to za shlédnutí.
The futuristic school where you’re always on camera (http://www.bbc.com/news/av/magazine-40485293/the-futuristic-school-where-you-re-always-on-camera)
Bořivoj Brdička20. 1. 2018
Výpověď učitele, který z AltSchool po 3 letech odešel:
Why I Left Silicon Valley, EdTech, and “Personalized” Learning (https://paulemerich.com/2018/01/15/why-i-left-silicon-valley-edtech-and-personalized-learning/)
E Kocourek21. 1. 2018
K osobnosti Paula Emericha: jenom magor může napsat "It sounded like the greatest idea ever known to man." Avšak Emerich po pár letech dostal rozum a zjistil (nebo spíše si uvědomil, nebo spíše byl ochoten přiznat si), že "The workload was immense and unsustainable ... I didn’t feel like it was entirely effective ... it led to us having unrealistic expectations for what we could really achieve in the classroom and what was actually best for kids."
Jenže tohle mu mohl říci libovolný soudný učitel už na začátku, ještě než se do té šílenosti (nazvu to "totální personalizace") pustil.
Zbývá doufat, že takovéto texty čtou i čeští školští rádoby-reformátoři a digitální stratégové. A že jsou vybaveni schopností porozumět čtenému textu.
Bořivoj Brdička21. 1. 2018
Pane Kocourku, v tomto se vyjimečně shodneme. Potíž je v tom, že ona personalizace je tlačena obrovskými investicemi a tváří se, jako úžasná pomoc a zjednodušení práce pro učitele. Jen těžko se odolává!
Všudypřítomná snaha přizpůsobit nabídku potřebám zákazníka (personalizace) je sice založena na velkých datech, fungovat však musí nakonec vždy individuálně, to znamená, že jejím cílem je přizpůsobit nabídku osobním preferencím zákazníka. Zjednodušeně si to můžeme představit tak, že počítačový systém na základě velkých dat získaných od všech vytvoří (s přispěním umělé inteligence) modely chování typických uživatelů. Pak vezme konkrétní (malá) data toho kterého uživatele a hledá odpovídající model, který zařídí, aby nabídka odpovídala zájmům zákazníka. Autor pojmu „malá data“ Mark Bonchek je definuje jako „
to, co víme o lidech
“ [1].
Zkusme se přenést zpět do školství. S malými daty zde lze pracovat na různých úrovních. Plnohodnotný systém podobný výše popsanému je hodně komplikovaný. Vyžaduje existenci obrovského množství dat, která popisují výukovou činnost pokud možno všech žáků včetně odpovídajících výsledků. Na základě těchto informací by teoreticky bylo možné s pomocí umělé inteligence (hlubokého učení) generovat modely typických postupů vhodných pro různé typy studujících. Jsou-li pak k dispozici malá data popisující konkrétního žáka, může pro něj systém ten nejvhodnější postup vybrat automaticky (viz Knewton jako předzvěst budoucnosti?). Kromě Knewtonu vím o dvou amerických systémech, které jsou s významnou podporou investorů vyvíjeny s cílem k podobnému automatizovanému systému personalizovaného učení dospět – Summit Personalized Learning Platform, AltSchool Open.
Tento cíl je zatím spíše jen zbožným přáním vývojářů. I kdyby se nakonec podařilo ho dosáhnout, role učitele stejně zůstane nezastupitelná. Automatizovaný výukový systém není schopen podporovat rozvoj vyšších forem myšlení, tj. dospět k nejvyšším stupňům taxonomie vzdělávacích cílů.
Zatím se zdá být nejrozumnějším řešením velká data s umělou inteligencí nahradit inteligentním učitelem z masa a kostí. Hned vás asi napadne, že se schopný učitel možná může obejít i bez technologií, a bude to jistě do určité míry pravda. Všeobecně ale platí, že malá data získaná prostřednictvím technologií mohou být v rukou učitele (či ve formě přímé zpětné vazby žákovi) velmi přínosná. Právě ten fakt, že jsou „malá“, jejich zpracování samotným člověkem výrazným způsobem usnadňuje (ve velkých datech by se učitel orientoval jen stěží). Takto zjednodušený postup vychází místo daty generovaných modelů z výukových cílů popsaných standardy, k nimž přiřazuje výukové aktivity (materiály, cvičení, testy apod.) a dosažené výsledky uživatelů se zaznamenávají. Učitel (nebo žák sám) pak na jejich základě určuje, co dál dělat.
Nedávno jsme informovali o tom, že v USA dochází k masivnímu zavádění podobných personalizovaných postupů (Obnova veřejného školství aneb personalizované vzdělávání do škol). Konstatoval jsem, že toho o vlastnostech použitých počítačových systémů zatím víme jen velmi málo. Roušku tajemství možná nepatrně poodhaluje nedávná zpráva The Hechinger Report o experimentálním personalizovaném vzdělávání školského obvodu Dysart v Arizoně [2].
Tamní program se nazývá Innovation Academy a má tyto základní, od stávající výuky odlišné vlastnosti:
Využití technologií formou1:1.
Žáci jsou zapojeni do rozhodování jak, kdy a co budou dělat, mají-li zvládnout potřebnou látku i dovednosti.
Učitelé fungují jako průvodci a mentoři.
Digitální výukové zdroje jsou k dispozici nepřetržitě (zde je program propojen se starším projektem obvodu iPAL)
Aplikují se kombinované, převrácené a online výukové metody.
Základem je projektová výuka.
Důraz je kladen na smysl pro iniciativu a podnikavost (entrepreneurship).
The Hechinger Report ukazuje, co konkrétně žáci v Innovation Academy dělají. Jedním z nich je sedmák Jacob Higuera, kterého autor zprávy [2] Jamie Martines zastihl, jak „sedí u svého notebooku a dělá na úkolu ze sociálních věd“. Z rozhovoru vyplynulo, že „je nadšen z nového uspořádání výuky, protože si může přizpůsobit rozvrh a vybírat lekce podle svých preferencí“. Ukázalo se ale, že má zároveň též určité obavy: „Dříve jsem snadno získával jedničky, protože jsem vždy přesně věděl, co a kdy mám dělat. Teď si úspěchem už tak jist nejsem.“
Aktivity Jacoba Higuery bedlivě sledují 4 zkušení učitelé. Všichni zapojení žáci pracují značnou část školního dne na aktivitách realizovaných prostřednictvím počítačem podporované online výuky. Bohužel se ani tentokrát nedovíme, který konkrétní systém arizonský program používá. Dozvídáme se jen, že generuje malá data vypovídající o výsledcích každého žáka. Na jejich základě učitelé rozhodují, které skupinové výuky se ten který žák zúčastní či zda není třeba mu poskytnout doučování (kombinovaná forma Rotace).
Někteří učitelé přenášejí malá data s výsledky žáků do tabulek (v Google Apps) a dělají si vlastní grafické přehledy usnadňující hodnocení a rozhodování. Bez ohledu na metodu je výsledkem vyšší míra personalizace výukového procesu, která vede k lepšímu porozumění vlastních předností a nedostatků ze strany žáků.
V tomto školním roce je do programu zapojeno 90 žáků obvodu Dysart. Další zájemci se mohou hlásit. Zatím dobrovolně!
BONCHEK, Mark. Little Data Makes Big Data More Powerful [online]. 2013. [cit. 2016-11-27]. Dostupné z: https://hbr.org/2013/05/little-data-makes-big-data-mor.
MARTINES, Jamie. Forget Big Data—Little Data Is Making Learning Personal [online]. 2016. [cit. 2016-11-27]. Dostupné z: https://www.wired.com/2016/11/forget-big-data-little-data-making-learning-personal/.
