Авторы Дэйв Кирни и Зак Василью

Со временем мы изобретем практичный беспилотный автомобиль. Люди говорят о последствиях этого изобретения. Это сделает жизнь более удобной. Это снизит смертность на дорогах. Это может уменьшить количество людей, владеющих автомобилями. Это может уменьшить транспортные средства на дороге и углеродный след автомобилей. Это уменьшит потребность в людях, чья работа заключается в вождении. У нас есть технологии и знания, чтобы совершить этот гигантский технологический скачок, и мы инвестируем миллиарды, потому что вознаграждение огромно.

У нас есть возможность взять население с собой на прогулку или оставить на обочине. Те же технологии, которые используются для того, чтобы сделать беспилотные автомобили безопасными и полезными, могут помочь в просвещении общества. Эта идея может быть неочевидной, поэтому позвольте мне помочь вам совершить прыжок.

Учимся делать

Беспилотные автомобили, а также многие виды автоматизации используют тип искусственного интеллекта, который вы, несомненно, слышали, называется машинным обучением. Упрощенный пример того, как это работает, выглядит так:

  1. Управляйте автомобилем по городу и собирайте данные с датчиков о том, что транспортное средство встречает на своем пути.
  2. Обработайте данные, чтобы создать модель того, как автомобиль должен вести себя в следующий раз, когда он будет ездить по городу.
  3. Управляйте автомобилем в новых сценариях с помощью новой модели и собирайте больше данных.
  4. Создайте петлю обратной связи, многократно повторяя шаги 2 и 3, пока автомобиль не сможет двигаться без каких-либо проблем.

С каждым разом модель становится лучше с большим количеством сценариев и данных. Автомобиль «научится» останавливаться на знаках «стоп», объезжать пешеходов и даже реагировать на стройках, куда люди направляют флажками. Чтобы предотвратить физические несчастные случаи, компании обращаются к технологиям видеоигр, чтобы воссоздать сценарии вождения внутри компьютеров, чтобы быстрее генерировать больше данных.

Сбор данных для оценки образования

Теперь давайте применим ту же технологию к обучению. Первое, что нам нужно сделать, это собрать данные о любом обучении, которое происходит, и извлечь уроки из результатов. Как мы собираем данные сейчас? Через оценкии . Оценка обычно проводится в классе или в кабинете консультанта. Они происходят в контролируемой среде, при групповом наблюдении или один на один и требуют времени, усилий и обучения. Вы, наверное, уже догадались, что точность данных, собранных в результате этих оценок, иногда проблематична. Регулярность и надежность могут значительно различаться между оценками в зависимости от многих факторов, включая количество детей в классе и подготовку/навыки оценщиков.

Вооружившись данными оценки в режиме реального времени, учителя, администраторы и семьи могут проводить мероприятия и запускать новые, более успешные образовательные пути, которые помогут учащимся добиться успеха уже сейчас.

Как насчет тестирования? Стандартное тестирование обычно проводится через равные промежутки времени в течение года, и данные собираются. Большинство школ проверяют мастерство в соответствии с заранее установленными стандартами и ростом знаний ученика. Предположим для этого обсуждения, что мы предполагаем, что тесты беспристрастны — что-то, что мы признаем, является спорным. Многие стандартизированные тесты, вообще говоря, не предназначены для пользы студента, а скорее предназначены для того, чтобы учебное заведение могло измерить его прогресс. Эта стратегия имеет возможность помочь будущим поколениям студентов, но не студенту, который только что выдержал тест. Трудность возникает при попытке связать результаты с полезной для студента обратной связью; как правило, результаты теста приходят после того, как класс отошел от предмета, не оставляя возможности поработать над предоставленной обратной связью. Для некоторых студентов стандартизированные тесты подобны размещению знака объезда через 10 миль после поворота.

Различия в уровне благосостояния при сборе данных и вмешательстве

Если мы вернемся к автоматизированному беспилотному автомобилю, модели улучшатся благодаря более быстрому и надежному сбору надежных данных. Вероятно, мы можем предположить, что чем надежнее информация родителей и учителей о ребенке, тем лучше вмешательства и тем лучше результаты. У некоторых учителей в более богатых сообществах есть больше времени, чтобы оценить каждого ребенка. Более состоятельные родители, как правило, могут тратить больше времени, помогая ученику, и могут позволить себе помощь со стороны. Таким образом, в регионах с более высоким уровнем дохода имеется больше данных. Доказательства этих различий проявляются в чрезвычайно высокой корреляции между богатством и результатами тестов. Сама информация не предвзято относится к богатым; доступ и сбор ориентированы на богатых.

Нет данных, нет моделей, нет улучшений

Без регулярных, надежных и своевременных данных, как мы можем создать цикл обратной связи, чтобы помочь? Нам нужно начать с изменения способов и частоты сбора информации, необходимой для наших моделей. Узнавать, что ваш ребенок не соответствует стандартам сверстников на ежеквартальной конференции родителей и учителей, — это настолько устаревшая концепция, что она оказывает огромную медвежью услугу нашим сообществам. В качестве сопоставимого примера, Waze может мгновенно сказать мне, не вызовет ли я 5-минутную задержку из-за пробки впереди. Waze знает, потому что собирает данные от тысяч других путешественников, вводит эти данные в свою постоянно улучшающуюся модель и информирует меня о проблемах. Только в США 76 миллионов студентов. Конечно, мы можем собирать данные быстрее и предоставлять обратную связь в режиме реального времени, чтобы люди могли лучше ориентироваться в своем образовательном пути.

Последствия реальны. Мы создадим парк автономных автомобилей, на которых никто не сможет позволить себе ездить. В то время как общество развивается, чтобы использовать технологии для автоматизации работы, связанной с повторяющимися задачами, нам необходимо гибко обучать население использовать свой мозг новыми и пока еще не определенными способами. Но для некоторых людей, не имеющих доступа к данным или знаниям, они подобны съездам с образовательной магистрали без карты.

Изучение данных оценок и принятие мер в соответствии с ними — это только верхушка айсберга на пути к успеху учащихся. Спросите любого учителя, почему его ученики не всегда оправдывают его ожидания, и он, скорее всего, назовет множество социально-эмоциональных, общественных и социальных факторов. Там тоже есть данные, которые мы можем использовать, и мы поговорим подробнее о данных о вовлеченности студентов в следующем выпуске!

В Kury.us глубокий опыт Дэйва в области технологий, данных и программного обеспечения пересекается с его страстью к улучшению жизни детей из групп риска. Как новатор и серийный предприниматель, он привносит свежий взгляд на многие из самых насущных проблем образования. В настоящее время он входит в совет директоров NapaLearns, некоммерческой организации, занимающейся инновациями и образованием. Кроме того, его многочисленные роли включают консультанта по технологиям и технического директора в сфере коммерческого образования. Дэйв находит решения, которые закрывают пробелы в ресурсах и образовании для детей из групп риска.

Зак провел годы в бизнесе образования. Помощь образовательным организациям в расширении доступа к большему количеству учащихся, улучшении результатов обучения, увеличении числа учащихся и обеспечении процветания учебного заведения. Он помог построить высшие учебные заведения, чартерные школы, обслуживающие K-12, и центры дошкольного образования; большинство студентов из этих учебных заведений были определены как находящиеся в группе риска. В Kury.us Зак сочетает этот предпринимательский опыт с данными, чтобы адаптировать решения для каждого ребенка в отдельности и для учреждений в целом, чтобы учащиеся и их семьи преуспели.

Первоначально опубликовано на https://kury.us 13 июля 2020 г.