Технологии неизбежно внедряются в процесс обучения. Новая эра привносит технологии в структуру классной комнаты, встраивая устройства и доступ к сети в руках учащихся. В эту новую эру обучения образование будет выглядеть не только более ориентированным на устройства, но и более ориентированным на данные. Данные могут предоставить школам контекст для лучшего понимания классных комнат и учащихся в дополнение к школьным операциям и процессам.

Машинное обучение, которое в нашем отчете Новые технологии в классе 2020 года рассматривается как один из главных факторов перемен, выводит эту тенденцию, ориентированную на данные, на новый уровень. Это инструмент, который не только позволит школам и технологам извлекать больше количественных данных из процесса обучения, но и привнести больше персонализации в свои инструменты образовательных технологий. Кроме того, соответствующие технологические достижения, такие как расцвет технологии 5G, также сделают машинное обучение еще более демократизированным набором навыков в школах.

Что такое машинное обучение?

В простом смысле машинное обучение — это когда большие наборы данных используются для построения и обучения «модели» (читай: алгоритма, кода, программы), которая обучается сама по себе, выявляет закономерности и принимает решения автоматически без вмешательства. Чем больше взаимодействий происходит в данной системе, тем больше данных создается и становится доступным, и тем лучше становится модель. Существует так много соответствующих терминов, которые также связаны с машинным обучением, но могут относиться к конкретным усовершенствованиям или приложениям машинного обучения. Вы можете слышать такие термины, как «глубокое обучение» и «нейронные сети».

Как правило, машинное обучение идет от больших наборов данных к построению моделей вручную и к инсайтам. Глубокое обучение — это использование «нейронных сетей» для дальнейшей автоматизации и облегчения части построения/тестирования/обучения модели. Нейронные сети — это слои алгоритмов, предназначенные для автоматического распознавания закономерностей в данных, а не для обучения вручную. В простом смысле термин «глубокое обучение» — это дальнейшее усовершенствование функции машинного обучения за счет использования «нейронных сетей».

Как можно использовать машинное обучение?

Распознавание образов

Иногда называемое «обнаружение знаний в базах данных» (KDD), распознавание образов говорит само за себя. Сегодня многие в отрасли, говорящие о «машинном обучении», имеют в виду именно это его применение.

Случай использования: возможности адаптивного обучения при тестировании и оценивании в рамках платформ персонализированного обучения.

Обработка естественного языка

Обработка естественного языка (NLP) — это приложение машинного обучения, в котором «данные», используемые для обучения модели, обычно представляют собой человеческий язык в виде текста и/или голоса в необработанном виде. Это позволяет специалистам по данным и инженерам обучать компьютер понимать человеческий язык во многих контекстах.

Пример использования: функции распознавания голоса и текста в приложениях для изучения языков, например автоматическое распознавание речи.

Большинство современных практических применений «искусственного интеллекта» — это, в частности, приложения для машинного обучения. Мы уже видим многие из этих приложений в образовательном секторе благодаря технологическим приложениям, ориентированным на обучение, классные и школьные операции, а также административному программному обеспечению.

Что еще учитывать

Легко представить себе все возможности, которые машинное обучение может дать обучению и школьному обучению, но было бы самонадеянно погрузиться в них без учета потенциальных последствий в результате этого.

Конфиденциальность. Машинному обучению и другим приложениям искусственного интеллекта для эффективной работы требуется МНОГО данных. Повышенный спрос на дополнительные данные в школьной среде может привести к проблемам с конфиденциальностью данных. Как убедиться, что эти большие наборы данных не попали в чужие руки?

Эффективность. Отслеживание влияния машинного обучения на фактическое обучение учащихся и оценки еще не было глубоко изучено. Это говорит о более широкой тенденции эффективности технологий обучения — как можно доказать, что введение адаптивного обучения или автоматизации в технологии обучения действительно улучшает обучение учащихся? Это нужно будет делать в каждом конкретном случае.

Обучение. Подход к целостному образованию находится под угрозой из-за прогресса в приложениях машинного обучения. С таким большим количеством адаптивных технологий, которые «встречают студентов там, где они есть», как это может изменить ожидания и поведение учащихся по мере их продвижения в образовательной системе и в рабочей силе? Как меняется роль учителя в результате этого нового типа обучения? Как выглядит щебень? Как мы можем гарантировать, что учащиеся по-прежнему приобретают навыки, необходимые для адаптации в современном мире?

Данные сами по себе не являются решением проблем образования в 21 веке. Однако такие инструменты, как машинное обучение, нельзя игнорировать в контексте обучения студентов и потребления контента. Ценность и последствия его вариантов использования и возможностей просто слишком высоки, чтобы их можно было отодвинуть в сторону ради статус-кво.

Первоначально опубликовано на https://www.goguardian.com.