Degreed Experiments：ハンズオンやアダプティブラーニングの扉を開く

DISCE
10月9日
読了時間: 6分

原文「Degreed Experiments: Unlocking Hands-On, Adaptive Learning」

Degreed Maestro の会話型AIの最も魅力的な点の1つは、双方向の、パーソナライズされた、アダプティブな学習体験を生み出す能力です。しかし、音声がすべての学習タスクに理想的なインターフェースであるとは限りません。

音声AIは、次のような場合には不向きです。

複雑な情報を作成または入力するために高い忠実度が必要な場合
視覚的な参照が不可欠な場合
時間と空間を要する深い問題解決が必要な場合
タスクにコードの入力やソフトウェアインターフェースの操作など、音声以外の要素が含まれる場合

この点から、私たちには重要な質問が浮かび上がりました。音声のインタラクティブ性と適応性を活用し、非音声のコンテキストに適用することは可能なのか？ということです。

最新の実験：アダプティブラーニング（適応型学習）演習

私たちの答えは、「実践を通じて学ぶ」という革新的なアプローチになりました。コンセプトはシンプルです。まず学習目標を設定し、それを段階的な要件やマイルストーンに分解します。

そこからAIが、理解と実践をガイドするマイクロタスクを1つずつ生成します。各タスクを実施すると、即座にパーソナライズされたフィードバックが提供され、次のタスクが進捗状況と理解度に応じて動的に調整されます。

実験に参加した人からのフィードバック

『直感的に理解できました。説明とタスクの説明の後に、何かをすぐに行うというプロセスが気に入りました。』
『全体的にスムーズ。自分の回答に対するフィードバックが参考になりました。』

モダリティ（手段/形式）の多様化

実践的なインタラクティブ（双方向性）が重要でした。さまざまなタスクでテキスト入力から始め、より技術的なアプリケーションに対応するためにコードエディタのサポートを拡張してみました。

次に、ウェブカメラと画面録画を連携統合してみました。特に画面録画は、テスト参加者が自分の仕事や特定のアプリケーションのコンテキストの中で直接自分の能力を示すことができるため、非常に有用であることがわかりました。

実験に参加した人からのフィードバック

『テキスト入力だけでなく、口頭で録音することもできたのが良かったです。自分が学んだことを強化することができました。とても良い機能だと思います。』
『間違いなく、インタラクティブで魅力的なものでした。』

最後に、テキスト入力のみでは負担が大きいため、理解を確認するためのより軽い方法として、多肢選択式の問題を追加しました。

このように多様なモダリティを用意することで、AIは各タスクに最適な形式を選択し、それらを段階的に順序立てて、認知的負荷を効果的に管理することができます。実際には、基礎的な理解を確認するために多肢選択式の問題から始め、実践的な応用問題ではテキストやコードの入力に移り、最後にウェブカメラや画面録画で習得度を確認するという流れが一般的です。

カスタマイズされたガイドの作成

ガイドによる支援の最適なバランスを見つけることは大きな課題でした。フラストレーションを防ぐのに十分な支援を提供しつつ、過剰な支援によって混乱を招かないようにする必要があったからです。現在のバージョンでは、いくつかの設定オプションを用意しています。

ヒント – 必要に応じて利用可能
AIによるQ&A – リアルタイムで疑問を解消
ガイドの深さ – 深さ（ガイドなし、基本、詳細なガイド）のカスタマイズ可能

また、各タスクにはアイコンを配置し、テストユーザーが必要に応じて、追加のコンテキストや説明を得るために特定の学習リソースを深く掘り下げることができます。

絶妙なニュアンスのナビゲーション

プロセスを真にアダプティブにするには、独自の課題がありました。あまりにもオープンエンドすぎると、学習者は時間や努力に関する明確な期待を持てなくなります。私たちは、進捗が常に可視化されるように、初期構造とアダプティブパスを組み合わせたアプローチを採用しました。

要件に対する進捗を測定することも課題でした。特に、マスターするのに複数のタスクを繰り返し行う必要がある場合、「ちょうど良いバランス」のアダプティブを実現するには、広範な反復が必要でした。システムは、学習者が苦労している場合に負荷を軽減し、タスクを管理可能なサイズに分割し、過去の知識を活用し、例や指示と一致させつつ、挑戦の要素を完全に排除しないように設計しました。

プロトタイプから先へ：旅は続く

この実験は、50人以上の初期テスターからのフィードバックのおかげで、今後も進化を続けていきます。参加いただいた方にはお礼を申し上げます。管理者やキュレーターは、学習目標を設計し、これらのアダプティブ体験をより広範な学習パスウェイに連携統合し、堅牢なレポート機能と洞察を活用することができるようになるでしょう。初期のフィードバックによると、その中核となるのは、既存のドキュメントやトレーニング資料をアップロードして、会社組織独自の知識と従業員の固有の業務を活用し、学習要件を自動的に生成およびカスタマイズする機能です。

早期テスト参加者の一人は、『素晴らしいツールです。企業が会社独自の知識を活用して、本当に役立つように導入できることを知りました…リアルタイムで支援するオンラインアシスタントです』と述べています。

最終的に、この実験は、非常に柔軟で、魅力的で、効果的な学習ツールであることが証明されました。管理負担を増やすことなく、即時でカスタマイズされたフィードバックを提供できる点は、非常に価値があります。AIドリブンのアダプティブな進行により、難易度は常に「ちょうど良い」と感じられ、オプションのより詳細なガイドにより、学習者はサポートをカスタマイズすることができます。

実験に参加した人からのフィードバック

『職場で学び、すぐに理解したい人にとっては、間違いなく価値のあるものです。』

アダプティブラーニングの次なるステップは？

このプロトタイプの成功は、当然ながら将来の開発に向けた興奮する新たな可能性を刺激しています。具体的には：

アダプティブアセスメント：スキルと知識の測定方法を再考できます。
アダプティブラーニングの支援と動機付け：ガイドやタスクのアダプティブ性を超えて、学習者の旅の全過程で支援と動機付けを個人に合わせて最適化するビジョンを追求できます。
アダプティブワークフロー：データに機密性がある画面を録画する代わりに、AIを使用して、実際のデータにリスクを伴わない、実践に最適なワークフローを再現することの可能性の模索できます。