適応型学習
Adaptive Learning
適応型学習とは?
- レベル・弱点に合わせて内容・難易度をリアルタイムで調整
- よく分かっていることは飛ばし、弱点はより手厚く
- AIが個別最適化を加速
適応型学習を導入すると、教育設計の最小単位から変わります。8時間の課程1つではなく、5〜10分の学習オブジェクトや問題一つひとつが組み立ての対象となり、進度をいつ進めるかを決めていた権限が講師から応答データへ移ります。そのため実質的な変化は、修了基準が受講時間から習熟度へ移るという点です。同じ課程を受けても、ある人は40分、ある人は3時間かかる状態を会社が正常なものとして受け入れられるかどうかが、導入の最初の関門です。
適応が起こる層は通常3つに分かれます。問題の難易度を調整する評価適応(CAT)、次に見るコンテンツの順序を変える経路適応、説明の仕方を動画・テキスト・実習に切り替える表現適応です。前の二つは「正答率70%未満なら補充モジュール」のようなルールベースでも実装できますが、三つ目はデータがある程度たまって初めて意味を持ちます。学習者が自分で選ぶ個別推薦とは境界が異なります。推薦は課程の外で何を聴くかを選ぶ行為であり、適応型は課程の中でシステムがリアルタイムに変えていく仕組みです。現実的な制約はコンテンツの量で、1モジュールを適応型にするには問題が3〜5倍、代替経路が最低2つ必要です。
現場で最も頻繁につまずくのは、ソリューションを買えば適応が始まると思い込むことです。既存のeラーニングコンテンツをそのまま載せると、知識要素のタグ付けも前提・後続の関係もないため、アルゴリズムは'間違えた問題をもう一度見せる'レベルにとどまります。誤答を繰り返すうちに、学習者が'なぜ自分だけ同じ問題を解かされるのか'と離脱するケースは少なくありません。個人別の経路データを人事評価に直接つなげることも危険です。易しい経路を割り当てられた人が低評価者と見なされ始めると、次回からは全員が分かったふりで正解を選ぶようになり、診断そのものが崩れます。診断データは学習支援の目的だけに使うという原則を文書で明確にしてから始めるのが安全です。
プログラム学習・知能型教授システム(ITS)から発展し、AI・学習分析の進歩によって個別最適化が高度化しました。
仮想の事例で見てみましょう。半導体装置部品を製造するA社は、役職員840名、年間売上高1,900億ウォン(約2,272,211万円)規模です。生産技術の職務研修を8時間の一括受講で運営していたところ、10年目のエンジニアは「またこれを聴くのか」と画面を開いたまま別の仕事をし、入社3か月目の社員は3回目から付いてこられなくなりました。教育チームは6か月間、適応型パイロットを実施しました。
- 教育チーム長は8時間の課程を12分単位のモジュール34個に分割し、'油圧・空圧の基礎'、'図面の公差解釈'のようにモジュールごとに知識タグを付ける作業だけで7週間を費やしました。
- 事前診断40問を実施したところ、経験5年以上の62名のうち41名がすでに上位12モジュールを通過済みで、チーム長は「この人たちに基礎をもう一度やらせたのは無駄だった」と会議で認めました。
- 正答率70%未満なら補充モジュールを2つ付与し、90%以上なら次の単元へ飛ばすルールを設定しました。同じ内容は動画型と図面実習型の2系統で用意しました。
- 生産技術チームのパートリーダーが'経路が短く出た人が評価で損をするのではないか'と尋ねたところ、教育チームは診断結果を人事に渡さず、本人と教育チームだけが閲覧するという原則を全社告知として掲示しました。
- 6か月後、平均受講時間は8時間から4時間50分に減り、途中離脱率は23%から9%へ下がり、最終習熟評価の合格率は71%から88%に上がりました。
パク・スンテ
金鍾赫