適応型学習パス. 既存のlmsの上に重ねる層で、各受講生が間違えた問題に基づいてレッスンの順序を組み替える。コースも講師も変わらない。学習者ごとに順序が変わることで、コホートが先に進む前に弱点が教え直される。
これが解決する課題を説明する。4か月のコホートは120人の受講生で始まり、74人で終わる。脱落する人は初日に失敗するわけではない。モジュール3で遅れを取り、そのまま挽回できず、モジュール6のころには静かに姿を見せなくなる。
この課題は講師の時間を増やして解決することもできるし、順序を直して解決することもできる。適応型パスは順序を選び直す。学習者がsqlのjoinで2問間違えたら、次に見せるのは予定されていた次の講義ではなく、joinの補習だ。
#講師を増やさずにコホートの修了率をAIで上げられるか
AIによる個別最適化学習パスに新しい講師スタッフは必要か
必要ない。適応型学習パスは、各受講生の誤答に合わせて既存のレッスンの順序を組み替えるので、学習者は遅れを取る前に補習に到達する。講師もコンテンツもlmsもそのままだ。変えているのはレッスンを提供する順序であり、人員を増やしたりコースを作り直したりするわけではない。
てこになるのは量ではなく順序だ。多くのカリキュラムディレクターは、すでに十分に良質なコンテンツを持っている。足りないのは、5週目でつまずいている学習者と余裕を持って進んでいる学習者それぞれに、適切な順序でそれを届ける手段だ。
私たちはこの形をすでに手がけたことがある。stennirは、4か月コホート制のオンライン教育企業向けにlms拡張機能を構築し、ルーブリックに基づく自動化によってコホートあたりの採点時間を70%削減しながら、講師の質を示すnpsは横ばいを保った。買い手も、適応型シーケンシングが組み込まれるlms拡張のパターンも同じだ。こうした案件をどう進めているかはconsultancyページに詳しい。
#これをやるためにlmsを作り直す必要はあるか
ない。これは今使っているlmsの上に構築する。thinkific、teachable、canvas、moodle。lti連携、scormパッケージ、あるいはプラットフォームが対応していれば直接apiを通じてつなぐ。
lmsは記録の中枢のまま変わらない。登録、支払い、成績、修了証は動かさない。適応型の層は学習者がどの問題を間違えたかを読み取り、提供するレッスンの順序を組み替えるだけだ。コース構成にも請求にも触れない。
we are
stennirは、各受講生の誤答に合わせて既存のレッスンの順序を組み替える適応型の層を構築する。何が習得を意味するかの決定権は、講師とルーブリックに残る。
we aren't
stennirは、学習者の代わりに宿題に答えて、あなたが教えようとしている課題を学習者が飛ばせるようにする汎用チャットボット講師は売らない。
カリキュラムディレクターの日々の何が変わるのか
- 概念を取り違えた学習者は、3モジュール後にすでに離脱した状態ではなく、次に補習レッスンを受け取る。
- コホート全体でどのレッスンが最も誤答を生んでいるかがわかるので、当て推量ではなく最も弱いレッスンから直せる。
- 講師は同じルーブリックに沿って採点を続ける。シーケンシングはその結果を読むだけで、覆すことはない。
- 合格率と修了率はコホートごとに基準値と照らして測定されるので、順序の組み替えがその手間に見合ったかがわかる。
コホートごとに測定する狙いは誠実さにある。適応型パスがあなたの特定のコースで修了率を動かさないなら、それをひとつのコホートで確認して止められるべきだ。私たちはアイデアを売り込むより、数字を見せたい。
脱落する学生は、最初のクイズに失敗する学生ではない。取りこぼした内容の二度目の説明を、一度も受けられなかった学生だ。
講師がこうしたシグナルを読み解けるようにする支援も必要なら、training部門がイネーブルメント側を担っている。こうしたユースケースの記事は他にもjournalにある。
私たちは新しい会社であり、進め方は明快だ。ひとつのコースをスコープし、既存のlmsに接続し、次のコホートで適応型シーケンシングを動かし、修了率と合格率を基準値と比較する。オンラインコース企業、ブートキャンプ、あるいは社内の学習開発チームを運営していて、順序の組み替えが数字を押し上げるか確かめたいなら、30分のディスカバリー通話を予約して、ひとつのコホート分のデータを持ってきてほしい。