在线学习,从潘多拉盒子开始!-潘多拉盒子

开启左侧

[推荐] 【产品观察】个性化学习方案的实践者—— Knewton

[复制链接]
大树steve 发表于 2014-3-3 00:57:41 | 显示全部楼层 |阅读模式
一直都在关注Knewton,迄今所见最靠谱的个性化学习方案的实践者,代表着互联网时代知识产品及学习方式变革的趋势,刚刚在芥末堆上看到芥末君开了一个研究kenwton的系列专题,一口气看完了全文,涨了不少见识,转引部分:

Knewton是一个“适应性学习”工具,由约瑟·费雷拉(Jose Ferreira)在2008年创办。创始人费雷拉是一个喜欢折腾的人,从1991年从卡尔顿学院毕业后在卡普兰(Kaplan)当了一名SAT辅导老师(卡普兰(Kaplan)是旧金山最大的应试培训机构)。几年后辞职,到哈弗商学院读了MBA,1997年,获得工商管理硕士的费雷拉在令人神往的高盛做了三年金融衍生品交易员。之后又先后创办过一家制图软件公司DizzyCity,担任过约翰·克里(John Kerry)总统竞选团队的战略师,做过风险投资人。就像佛洛依德的梦魇一般,出于对生产线式的传统教育的不认同,2008年费雷拉决定回归教育行业,毅然创办了Knewton来重构学习方式——
Knewton
诞生了。

(一)Knewton适应性学习:是一种课程必须适用每个用户的思想的教学方法

适应性学习是一个以课程应该适应每一个用户的思想为前提的教学方法。Knewton认为,适应性学习指的是一个连续的适应性系统。对于每个用户在Knewton系统上的表现和活动都进行实时的响应。系统通过在正确的时间对每个学生提供正确的指导,从而使得学生达到所制定的学习目标的可能性最大化。换句话说,适应性测试回答两个基本问题:一个是如何通过特定数量的试题精确的掌握学生对于知识的掌握程度;另一个是既然我们已经知道一个学生的当前的知识水平和学习状态,那么这个学生从现在开始应该学习哪些新的知识。为了提供连续适应性学习,Knewton分析了基于成千上万的数据点的资料,包括概念、结构、不同层次以及媒体格式数据,还采用复杂的计算不断地把每个学生的最有效的数据内容拼接起来,系统通过分析收集的所有学生的效果数据,提炼出推荐结果,用来给每个学生优化学习方法。

(二)Knewton推荐原理基础--采用路径规划技术和学生能力模型保证学生学习的不断进步
Knewton假设没有两个学生是完全一样的,他们以不同的速率学习和忘记,来自不同的教育背景,有着不同的智力程度,注意力范围和学习方式。所以,设计一个对于每一个学生的特点都敏感的实时推荐引擎是一个非常巨大的工程。Knewton是通过采用教育路径规划技术和学生能力高级模型,以保证每个学生都通过课程材料以最大化的学习方式来实现不断的进步。

项目反应理论(Item Response Theory (IRT))
在传统的评分方法中,在一次包含10个测试题的测试中,有两个学生回答对了9道题,那么两个学生的测试分是一致的。但是题目的难易程度没有区分的话,如果第一个学生回答错了一个非常简单的问题,另外一个学生回答错了一个非常困难的问题,这样就暴露出这种评价学生能力的测试方法缺乏针对性。项目反应理论不是假设每个试题都有相同的贡献度来实现对学生能力的掌握,而是通过设定试题难度,级别区分和“猜测性”, 将学生能力与正确回答一个试题的可能性联系起来,从而对学生的能力进行建模,对于每一个学生的每一个试题都提供信息的细微差别的观察,这种测试包含了一个人的潜在特性、能力和试题特征。
概率图形模型(Probabilistic Graphical Models)
Knewton采用的PGMs包含了贝叶斯神经网络和马尔科夫随机场等统计方法,使得数据学家能够在多维空间中通过成百上千的参数分析和操作概率分布。换句话说,PGMs使得Knewton分析师能够建立复杂的效果模型,将众多观测到的学习活动与对系统推荐有用的评估联系起来。Knewton应用PGMs的一种方法是通过使用学生已知的掌握程度来决定他可能已经有能力学习的知识。例如,这样的模型能够帮助平台发现一个学生对于分数达到怎样的掌握程度才能够帮助学生掌握小数,以及对小数怎样的掌握程度能够帮助学生掌握指数。Knewton的数据学家能够决定对于分数的掌握和对于指数的掌握之间的联系。最终,这些类型联系的发现使得Knewton适应性学习平台能够持续地提炼推荐结果。

………………………………





Focus or Nothing~PandoraBox.CN,致力于优质线上学习资源的推荐、分享、传播,实践互联网的学习功用。 ...
回复

使用道具 举报


快速回复 返回顶部 返回列表