Почему компьютер пока не может стать полноценным учителем

И как вообще устроено алгоритмизированное обучение 
7 минут6667

Обучающими программами по программированию, иностранным языкам и другим сферам знаний сегодня никого не удивишь. Скачать приложение и заниматься с его помощью без «живых» преподавателей — это вполне нормальный сценарий. Но возможно ли создать такую экосистему для обучения людей, которая будет полностью работать в автоматическом режиме?

В этой статье мы разберем принципы алгоритмизированного обучения и его перспективы. Ведь кто знает, возможно, через 20 лет нас уже будет обучать полноценный искусственный интеллект, который будет знать предмет в десяток раз лучше любого репетитора-человека? Давайте разберёмся.

Что такое алгоритмизированное обучение?

Алгоритмизированное или программное обучение — это обучение с помощью запрограммированных алгоритмов и без прямого участия преподавателей.

Когда студент залипает в телефон, изучая лексику английского языка в приложении — это вполне себе годный пример использования алгоритмизированного обучения. Есть студент, есть программа, а больше ничего и не надо.

Основные преимущества обучения с помощью приложений и программ:

  • Максимальная автономность: вы можете регулировать сложность, время и график обучения. Учиться можно когда угодно и где угодно.
  • Простая информация отлично запоминается. 
  • Развитие логического мышления. Обучение идёт по порядку: от простого к сложному.

Но это далеко не все возможности, которые доступны для студента. В теории рассматривают три этапа развития алгоритмизированного обучения. 

Этап 1. Полностью запрограммированное обучение

Его описывали и внедряли ещё в 70-х годах, так что в нём уже накоплен огромный практический опыт. 

Это полностью заскриптованный вид обучения, в котором работа идёт только по заранее установленной единой системе занятий. Расхождений просто не предусмотрено.

Сам процесс обучения предельно прост и состоит из 3 повторяющихся этапов:

  1. Обработка учебной информации. Программа даёт студенту материал, объясняет его в теории и на примерах. К примеру, студент изучает английскую лексику в приложении и добавляет новую коллекцию слов в свой учебный план. Сначала программа знакомит его с новыми словами и объясняет их использование в разных ситуациях — при желании студент может узнать больше, просто кликнув по непонятному слову.
  2. Практическая работа с материалом и тестирование знаний. Далее студент проходит упражнения по новому материалу, которые закрепляют знания. Затем программа тестирует студента. Чаще всего это обычный тест с вариантами ответов. 
  3. Оценка результатов и переход к следующему этапу. Для успешного прохождения каждого теста нужно набрать заранее определённый процент правильных ответов. Если тест пройден, система даёт студенту следующий блок информации. Если нет — рекомендует пройти предыдущий еще раз.

Программированное обучение оперирует не слишком большим количеством данных и логических операций. Самое сложное — действие «если, то». Сам процесс полностью линейный и выглядит так:

A → B → C → D. 

Если D ≥ 80%, то Е (новая цепочка). 

Если D < 80%, то A.

Это самый простой тип запрограммированного обучения. В ряде случаев он действительно эффективен, но вот организовать комплексную экосистему обучения с его помощью невозможно. Можно увеличить логические цепочки до невероятных размеров, но результат всё равно будет недостаточным.

Этап 2. Модульное обучение и самообучающиеся алгоритмы

Модульное обучение даёт куда больше свободы в изучении, чем линейное. Оно активно используется и сегодня при создании разного рода систем для обучения. Вся сфера EdTech так или иначе основана именно на модульном обучении.

Все материалы в системе разделены на модули, которые между собой связаны логически, но формально являются независимыми единицами. Каждый модуль прокачивает определённую область знаний. И от действий самого студента зависит порядок работы над модулями — система с помощью оценки эффективности сама определит, над чем нужно работать в конкретный момент для максимального результата.

Понятно, что модульное обучение тоже заранее запрограммировано и все действия происходят в пределе скриптов, заранее заложенных в систему. Но вариативность действий внутри системы просто огромная.

Разберём на примере изучения английского. Эта экосистема состоит из нескольких сотен учебных модулей. Среди них, к примеру, «Изучение артиклей», «Пунктуация сложноподчинённых предложений», «Неправильные глаголы», «Общеупотребимые идиомы». Количество подобных модулей полностью зависит от масштаба проекта. Чем их больше, тем более индивидуальным можно сделать обучение.

При работе с материалами система анализирует результаты сразу по многим параметрам. Для каждого модуля функциональные параметры разные, но при этом они могут пересекаться. По сути создаётся огромная матрица, в которой система анализирует сотни параметров. И в ходе анализа система определяет модуль или модули, которым нужно уделить внимание прямо сейчас.

Вот как это реализовано в интерактивном цифровом учебнике английского языка EnglishDom:

  1. Студент проходит тест, в ходе которого система «видит», что у него есть, например, определенные проблемы с идиомами. 
  2. Система оценивает цели студента (выучить английский для программистов) и материалы, с которыми он предпочитает работать (фильмы и сериалы).
  3. Исходя из этих вводных, система находит учебные материалы, которые бы соответствовали всем параметрам. К примеру, это может быть сериал об айтишниках, в котором используют большое количество фразеологизмов. Если идеального соответствия нет, система просто подбирает наиболее близкое к оптимальному.
  4. После каждого упражнения система анализирует сотни метрик и определяет дальнейший путь работы и следующие модули, которые нуждаются в улучшении. Таким образом анализ данных ведётся постоянно. Подобных зон внимания может быть много — в таком случае система старается подбирать такие материалы для обучения, которые будут влиять сразу на несколько зон.

Особенность алгоритмизированного обучения в том, что оно не затрагивает мотивацию. Конечно, можно добавить в систему элементы геймификации и поощрения, которые будут возвращать студента к изучению, но таким способом отследить падение мотивации пока что нельзя. Менеджеры замечают проблему лишь в тот момент, когда студент бросит обучение. А вернуть его будет куда сложнее, чем вовремя удержать. Поэтому обучение с преподавателями и кураторами в среднем даёт результат выше, чем самостоятельное, с помощью приложений и программ.

Этап 3. Нейросети и искусственный интеллект

Нейросеть — это особый вид аналитического программного обеспечения, который работает по тем же принципам, что и человеческий мозг. По сути это сложный алгоритм, который способен оперировать методами распознавания образов, дискриминантного анализа и кластеризации информации. 

Главное отличие нейросетей от стандартного машинного обучения — нейросети не программируются, а обучаются. Система способна самостоятельно выявлять закономерности в разрозненной информации, выполнять обобщение и классифицировать данные. Нейросеть может анализировать информацию, а запрограммированные системы могут только создавать иллюзию анализа.

Сегодня нейросети активно тестируются на системах, основанных на математическом анализе. К примеру, в декабре 2017 года компания DeepMind представила публике нейросеть AlphaZero, которая за 24 часа достигла просто колоссального уровня игры, победив все существующие компьютерные шахматные программы. 

Для оценки шахматистов используется рейтинг Эло. Максимальный рейтинг Магнуса Карлсена, нынешнего чемпиона мира по шахматам, составляет 2882 пункта. Это рекорд среди людей. Средний рейтинг кандидата в мастера спорта составляет 2000-2200 пунктов.  При этом у AlphaZero по примерным подсчётам рейтинг Эло составляет от 3500 до 5000 пунктов. Это всё равно что сравнивать чемпиона мира с новичком. Только в роли новичка здесь гроссмейстер. 

Действительно, нейросети отлично проявляют себя при анализе математических систем и данных. Но вот «прикрутить» их к обучению людей ещё никто не пробовал.  Основная сложность — отсутствие прямой логики в методиках обучения. Методики обучения зависят от психологии человека. Там очень много субъективных особенностей, которые невозможно выразить в форме понятной математической системы. 

Возьмём следующий пример: «Человек не любит Дженнифер Лоуренс как актрису. Она вызывает у него раздражение. А нейросеть выбирает в качестве учебного пособия отрывок из фильма “Голодные игры”, где она играет главную роль.

Человек показывает не слишком хорошие результаты, потому что материал ему неинтересен. А нейросеть не способна догадаться, из-за чего подобное случилось. Это не вписывается в принципы математической логики. В то же время живой преподаватель в таком случае сможет довольно быстро разобраться в ситуации и подобрать более актуальный материал, поддерживая мотивацию и вдохновляя студента.

Ещё одна причина, почему нейросети не скоро будут обучать людей — скорость получения информации. Нейросети обучаются самостоятельно на основе полученных данных. В математических системах это просто — тот же AlphaZero моделировал миллионы партий с самим собой, чтобы найти оптимальные пути игры. Но в обучении результат зависит от людей. На один урок придётся потратить минимум полчаса. А чтобы собрать данные для анализа, нужно провести сотни тысяч уроков. Нужно работать годы, чтобы нейросеть вышла хотя бы на тот уровень, который обеспечивает программное обучение. 

Возможно, искусственный интеллект сможет полностью заменить преподавателей и будет обучать быстрее и лучше, но это точно случится не скоро. Сейчас же продолжается эра модульного обучения, и так будет, пока нейросети не выйдут на качественно новый уровень. Сейчас для эффективного обучения нужно комбинировать приложения и реальных преподавателей. Только так можно получить хороший результат.

Пускай до революции ещё далеко, но системы искусственного интеллекта могут внести огромный вклад в развитие алгоритмизированного обучения уже на нынешней стадии. Внести свой вклад в это развитие можете и вы. Приглашаем на факультет искусственного интеллекта Geek University, где за 18 месяцев вы получите все необходимые навыки для работы.

программированиеdata-science
Нашли ошибку в тексте? Напишите нам.
Спасибо,
что читаете наш блог!