8. Magyar oktatástechnológiai innovációk a kompetenciák fejlesztésének szolgálatában
2025 - Farkas Judit – Játékos tanulási útvonalak – amikor a digitális fejlesztő rendszer alkalmazkodik a gyerekhez
Az adaptív tanulástámogatás olyan oktatási megközelítés, amely a tanulási folyamatot a diák egyéni igényeihez, képességeihez és fejlődési üteméhez igazítja. A módszer középpontjában az áll, hogy a tanuló a saját ütemében, a legmegfelelőbb nehézségi szinten sajátíthassa el a tananyagot, miközben a pedagógust tehermentesíti a visszajelzések és részleges értékelések automatizálásának révén, így a differenciálás nagyobb létszámú csoportok esetén is könnyebben megvalósítható. A célok között szerepel a tanulói motiváció fenntartása, a tanulási hatékonyság növelése, valamint a tanuló fejlődésének maximalizálása a képességeihez mérten.
A technológiai háttér kulcseleme az adatvezérelt működés: az adaptív rendszerek folyamatosan gyűjtenek információt a tanuló teljesítményéről, így képesek azonosítani a hibákat, valamint a gyengeségeket és az erősségeket. A rendszer dinamikusan módosítja – a mesterséges intelligencia és az elemző algoritmusok segítségével – a tananyagot, a feladatokat, illetve azok nehézségi szintjét, valamint az azonnali és releváns visszajelzések biztosításával támogatja a tanulási folyamatot. Az algoritmusok optimális tanulási útvonalakat javasolnak, amelyek a tanuló számára a legnagyobb hatékonyságot eredményezik.
A legújabb kutatások rámutatnak, hogy az adaptív rendszerek hatékonysága nem csupán a technológiai jellemzőktől függ, hanem a pedagógusok tudásától, bizalmától, valamint az eszközbe vetett hitétől. A szervezeti háttér és a mindennapi pedagógiai gyakorlatba való integráció kulcsfontosságú az adaptív rendszerek elfogadásában. A tanárok szerepe továbbra is központi: a rendszerek akkor működnek optimálisan, ha a pedagógus mentor vagy facilitátor szerepben támogatja a tanulókat.
A Csillagsuli[1] adaptív tanulástámogató rendszer fejlesztése során nagy szerepet kapott a felhasználók (pedagógusok és diákok, valamint intézményvezetők és -fenntartók) bevonása és visszajelzéseik beépítése. A platform tudományos alapú vizsgálata kiemelt jelentőségű. A fejlesztésbe épített tesztelés a 2023/24-es tanévben 2000 gyermek és 100 pedagógus bevonásával zajlott, valamint ugyanebben az időszakban tudományos vizsgálat folyt pedagógushallgatók körében is. A beválásvizsgálat eredményeinek feldolgozása és publikálása folyamatban van.
A platform célja az iskolaérettség elérésének támogatása az óvodai szakasztól kezdve, valamint a kompetenciák fejlesztése a 6. évfolyamig, többek között a szókincs, a memória, a figyelemkoncentráció, az algoritmikus és logikus gondolkodás, az alak-háttér felismerés. Emellett kiemelt terület az ismeretek bővítése a Nat-ban szereplő tananyagok gyakorlása révén. A rendszer elősegíti a mérésekre való felkészülést is, nem csupán a tárgyi tudás, hanem a feladatok értelmezésének szempontjából is.
A Csillagsuli több mint 150 digitális fejlesztőjátékot kínál, amelyeket a gyermekek és a csoportok egyéni szintjéhez igazítva lehet használni úgy, hogy több tízezer-féle feladatsor (vagy a rendszer szóhasználatát követve: útvonal) hozható létre. A statisztikai elemzések alapján a rendszer javaslatot tesz az egyénre szabott feladatsorokra, és az előrehaladás grafikonokon nyomon követhető.
A kontrollált használat jól kiegészíti a hagyományos oktatási eszközöket. Az online pedagógiai keretrendszer nemzetközi és hazai elismerésekkel is büszkélkedhet, többek között az Érték és Minőség Nagydíj védjegyet 2024-ben és 2025-ben is elnyerte. A Corporate Live Wire Innovation & Excellence Awards, valamint az EdTech Cool Tool Awards „Adaptive Technology Solution” díjakat pedig 2025-ben szerezte meg.
Szakirodalom
[1] Chiu, Thomas K.F. & Xia, Qi & Zhou, Xinyan & Chai, Ching & Cheng, Miaoting. (2023): Systematic literature review on opportunities, challenges, and future research recommendations of artificial intelligence in education. https://doi.org/10.1016/j.caeai.2022.100118
[2] Edwards, B. I., & Cheok, A. D. (2018): Why Not Robot Teachers: Artificial Intelligence for Addressing Teacher Shortage. Applied Artificial Intelligence, 32(4), 345–360. https://doi.org/10.1080/08839514.2018.1464286
[3] Firuz Kamalov & David Santandreu Calonge & Ikhlaas Gurrib, 2023: New Era of Artificial Intelligence in Education: Towards a Sustainable Multifaceted Revolution, Sustainability, MDPI, vol. 15(16), pages 1–27, August. https://ideas.repec.org/a/gam/jsusta/v15y2023i16p12451-d1218419.html
[4] Flores-Vivar, J. M. y García-Peńalvo, F. J. (2023): Reflections on the ethics, potential and challenges of artificial intelligence in the framework of quality education. Comunicar, 31(74), 37–47. https://doi.org/10.3916/C74-2023-03
[5] Jonnalagadda, A.; Rajvir, M.; Singh, S.; Chandramouliswaran, S.; George, J.; Kamalov, F. (2023): An Ensemble-Based Machine Learning Model for Emotion and Mental Health Detection. Journal of Information & Knowledge Management Vol. 22, No. 02, 2250075. https://doi.org/10.1142/S0219649222500757
[6] Kochmar, E.; Vu, D.D.; Belfer, R.; Gupta, V.; Serban, I.V.; Pineau, J.: Automated data-driven generation of personalized pedagogical interventions in intelligent tutoring systems. Int. J. Artif. Intell. Educ. 2022, 32, 323–349. https://doi.org/10.1007/s40593-021-00267-x
[7] L. Chen, P. Chen and Z. Lin: Artificial Intelligence in Education: A Review, in IEEE Access, vol. 8, pp. 75264-75278, 2020, DOI: 10.1109/ACCESS.2020.2988510.
[8] Leong, K., Sung, A., Au, D., & Blanchard, C. (2020): A review of the trend of microlearning. Journal of Work-Applied Management, 13(1), 88e102. DOI: 10.1108/JWAM-10-2020-0044
[9] Luan, H., & Tsai, C. C. (2021): A Review of Using Machine Learning Approaches for Precision Education. Educational Technology & Society, 24(1), 250–266. https://www.jstor.org/stable/26977871
[10] Mahfood, B., Elnagar, A., Kamalov, F. (2023): Emotion Recognition from Speech Using Convolutional Neural Networks. In: Khanna, A., Polkowski, Z., Castillo, O. (eds) Proceedings of Data Analytics and Management. Lecture Notes in Networks and Systems, vol 572. Springer, Singapore. https://doi.org/10.1007/978-981-19-7615-5_59
[11] Manyika, J., et al. (2017): A Future That Works: Automation, Employment and Productivity. McKinsey & Company, New York. https://www.scirp.org/reference/ReferencesPapers?ReferenceID=2357823
[12] Mousavinasab, E., Zarifsanaiey, N., R. Niakan Kalhori, S., Rakhshan, M., Keikha, L., & Ghazi Saeedi, M. (2021): Intelligent tutoring systems: a systematic review of characteristics, applications, and evaluation methods. Interactive Learning Environments, 29(1), 142–163. https://doi.org/10.1080/10494820.2018.1558257
[13] Park, Jennifer. (2024): Unlocking training transfer in the age of artificial intelligence. Business Horizons. 67. DOI: 10.1016/j.bushor.2024.02.002. https://www.sciencedirect.com/journal/business-horizons/vol/67/issue/3
[14] Sánchez Vera, María. (2023): La inteligencia artificial como recurso docente: usos y posibilidades para el profesorado. EDUCAR. 60. 1–15. https://doi.org/10.5565/rev/educar.1810
[15] SoLAR (2011). Open Learning Analytics: An Integrated & Modularized Platform. White Paper. Society for Learning Analytics Research. 4p. https://www.solaresearch.org/wp-content/uploads/2011/12/OpenLearningAnalytics.pdf
[16] Southgate, E., Blackmore, K., Pieschl, S., Grimes, S., McGuire, J. & Smithers, K. (2018). Artificial intelligence and emerging technologies (virtual, augmented and mixed reality) in schools: A research report. Newcastle: University of Newcastle, Australia, https://apo.org.au/node/254301
[17] Villegas-Ch, W., Arias-Navarrete, A., & Palacios-Pacheco, X. (2020): Proposal of an Architecture for the Integration of a Chatbot with Artificial Intelligence in a Smart Campus for the Improvement of Learning. Sustainability, 12(4), 1500. https://doi.org/10.3390/su12041500
[18] Weller M.: 25 Years of Ed Tech, Book series: Distance Education, AU Press, 2020. e-book, 211 pages, ISBN 9781771993067. Croat Med J. 2020 Oct;61(5):477–80. DOI: 10.3325/cmj.2020.61.477. PMCID: PMC7684540.
[1]https://csillagsuli.hu
