Nr 4/2020 Projektowanie uniwersalne
7 Wzorce uczenia się. Inteligentne zabawki dla dzieci z zaburzeniami autystycznymi

Nr 4/2020 Projektowanie uniwersalne

Biblioteka
  1. Wstęp

  2. O co tyle szumu? Projektowanie uniwersalne

  3. Wpływ ruchów społecznych na rozwój projektowania uniwersalnego

  4. Długa droga do projektowania uniwersalnego

  5. Przestrzeń przyjazna niewidomym – przestrzenią uniwersalną

  6. Projektowanie kompromisu, czyli dotykowe ilustracje również dla widzących…

  7. Wybrane aspekty funkcjonowania osób z autyzmem i ich nietypowe potrzeby w zakresie dostępu do dóbr i usług

  8. Wzorce uczenia się. Inteligentne zabawki dla dzieci z zaburzeniami autystycznymi


7 Wzorce uczenia się. Inteligentne zabawki dla dzieci z zaburzeniami autystycznymi

Współczesne inteligentne zabawki potrafią rejestrować wzorce uczenia się w celu ułatwienia przyswajania, naśladowania, transferencji (przenoszenia) wiedzy i stosowania nowych informacji. Czy pomogą dzieciom z zaburzeniami ze spektrum autyzmu?

Wprowadzenie

Uczenie maszynowe szybko znalazło zastosowanie w wytwarzaniu wielu produktów, od samochodów po buty dla biegaczy, jednak skuteczne wykorzystanie tej technologii w edukacji zyskuje na znaczeniu bardzo powoli. Poniższe opracowanie przedstawia strategie wykorzystania danych z sieci neuronowych i ich zastosowania w zabawkach edukacyjnych w celu rozpoznawania wzorców haptycznych związanych z zabawą. Dwie główne cechy przypisywane procesowi uczenia się – retencja i transferencja1 – stawiane są za cel w wielu modelach edukacyjnych oraz metodach nauczania, z ugruntowanym modelem konstruktywistycznym włącznie2. Dzieci dotknięte autyzmem często mają trudności z przeniesieniem (transferencją) wiedzy z jednej dziedziny na inną. Omawiana w opracowaniu koncepcja zabawki edukacyjnej wraz z planem badań bazuje na możliwości rozpoznawania wzorców aktywności fizycznej w celu przewidzenia problemów ze zrozumieniem informacji i dostosowania wykonywanych zadań dla ułatwienia transferencji. Odpowiednia adaptacja zadań w procesie uczenia pozwoli zmniejszyć poziom frustracji u dzieci z zaburzeniami autystycznymi, przez co – pomimo wydłużonego czasu potrzebnego do utrwalenia i zachowania wiedzy (retencja) – cel nauczania będzie osiągany.

Spektrum zaburzeń autystycznych

Każde z licznych wyzwań stojących przed uczniami z zaburzeniami autystycznymi poddawane jest obecnie szerokim badaniom. Jednak to kombinacje trudności, na które napotykają, stanowią przeszkodę dla znalezienia skutecznych rozwiązań, szczególnie w obszarze edukacji. Główna cecha dzieci autystycznych wskazywana przez naukowców to nieumiejętność identyfikowania sygnałów w kontaktach społecznych, co spowalnia zarówno rozwój relacji, jak i progres poznawczy3. Dzieci z zaburzeniami autystycznymi rzadziej wykorzystują strategie naśladownictwa, co ogranicza możliwość uczenia się od innych, a tym bardziej z wykorzystaniem inteligentnych obiektów4. Niektóre dzieci z zaburzeniami autystycznymi nie mają również cechy określanej jako pole wspólnej uwagi [joint attention], która umożliwia wykształcenie nie tylko umiejętności społecznych poprzez wspólne doświadczenia, ale bierze też udział w budowaniu umiejętności językowych. Z jednej strony trudne jest utrzymanie odpowiedniego poziomu skupienia uwagi dzieci z zaburzeniami autystycznymi, z drugiej mają one problemy z zaakceptowaniem zmian5. Przejścia pomiędzy czynnościami muszą odbywać się zgodnie z planem i powoli. Nagła zmiana otoczenia lub zaangażowanych w działania osób może wywołać niewłaściwe zachowanie dziecka6. Poza wymienionymi trudnościami pojawia się wiele problemów zewnętrznych, związanych z rozmaitymi aspektami socjalizacji, które utrudniają uczniom z zaburzeniami autystycznymi poszerzanie wiedzy. W związku z tym liczne teorie kształcenia skłaniają się ku wykorzystaniu technologii w celu ograniczenia interakcji społecznych w trakcie uczenia się7, równocześnie poszukując synergii rozwoju nowych technologii i zmian w procesie edukacji. Choć nauczanie z przewagą technologii bywa już stosowane, implikacje tych teorii mogą mieć negatywny wpływ na kontakty społeczne dzieci. Z drugiej strony, w szerokim ujęciu, technologie mogą działać inkluzyjnie, zbliżając uczniów typowych i tych z zaburzeniami autystycznymi.

Teorie uczenia się

Tradycyjnie teoria poznawcza postrzegana jest jako zestaw schematów lub konstrukcji mentalnych złożonych z symboli, które zmieniają się w procesie uczenia lub poprzez nabywanie doświadczeń8. Z punktu widzenia pojedynczego studenta – kontynuuje Anderson – „teoria konstruktywistyczna kładzie szczególny nacisk na nabywanie przez ucznia umiejętności i możliwości [poznawczych], tak aby mógł artykułować i osiągać indywidualne cele uczenia się”9. Epistemiczny pogląd na uczenie się skupiony jest na ewolucyjnej skłonności człowieka do ciekawości, odkrywania i dzielenia się wiedzą odnoszącą się do umiejętnego używania narzędzi, a kojarzy się go najbardziej ze społeczno-konstruktywistycznymi teoriami Lwa Wygotskiego10. W przypadku dzieci z zaburzeniami autystycznymi takie motywacje do uczenia się są ograniczone, jeśli w ogóle występują. Ktoś taki jest mniej zainteresowany kontaktami z innymi oraz ich wspólnym otoczeniem, przyjmując je bezrefleksyjnie i niekoniecznie dostrzegając relacje zachodzące pomiędzy nimi.

Bardziej współczesne poglądy na teorię nauczania, takie jak konektywizm, „postrzegają wiedzę jako [zjawisko] subsymboliczne, gdzie znaczenie wyrasta z interakcji pomiędzy zestawami powiązań”11. Z kolei John Gerard Scott Goldie definiuje uczenie się jako wynik „budowania i trawersowania sieci”. Dalej Goldie pisze: „Uczestnictwo w aktywności sieci skutkuje tworzeniem, usuwaniem lub dostrajaniem siły powiązań”12. Wprawdzie koncepcje – takie jak związki sieciowe – są intelektualnie złożone, jednak dzieci uczą się wzajemnych powiązań pomiędzy „rzeczami” poprzez zajmowanie się nimi i doskonalenie ich użycia. Mimo że konektywizm nie jest jeszcze szeroko akceptowany jako wiodąca teoria uczenia się w erze cyfrowej, jak to przewidywali George Siemens13 i Stephen Downes14, wielu badaczy i teoretyków edukacji aktywnie zajmuje się kwestiami interkonektywności jako imperatywu pedagogicznego.

Badacze zainteresowani „poważnymi” zastosowaniami gier wysuwają podobne argumenty w odniesieniu do gier edukacyjnych. Roger C. Schank i Tammy Berman15 zauważa, że ludzie tworzą i stosują kognitywne „skrypty”, żeby przewidzieć wydarzenia lub je na podstawie historii ramowej odtworzyć, planując swoje działania wokół potencjalnych scenariuszy przyszłych wydarzeń. Konektywiści posługują się podobnymi scenariuszami w odniesieniu do elementów w sieci, które zwykle nie tworzą mocnych i bezpośrednich związków16. Uczniowie z zaburzeniami autystycznymi najprawdopodobniej mieliby problem z konektywistycznym paradygmatem uczenia się ze względu na swoją niezdolność do generalizacji wiedzy i tworzenia tego rodzaju połączeń. Elektroniczny asystent, który przejąłby choćby częściowo te zadania, mógłby stanowić dla nich wsparcie, dzięki niemu mieliby możliwość rozpoznawania różnych punktów widzenia w kontrolowanych warunkach.

Wzorce kształcenia. Model kompetencji informacyjnych

Każdy projekt zabawki edukacyjnej powinien trzymać się ogólnych pryncypiów, którym podlega proces uczenia się u człowieka, a które wynikają z badań w zakresie edukacji, psychologii, biologii czy socjologii. Dani Brecher Cook i Kevin Michael Klipfel17 w swoim psychologicznym modelu kompetencji informacyjnych kreślą pięć zasad przyswajania wiedzy: „identyfikacja kontekstu problemu, ograniczenie poboru informacji, skupienie uwagi, budowanie narracji i zastosowanie informacji w praktyce”18. Model ten stanowi podręcznik dla pedagogów, ale stosowany jest również na przykład przez bibliotekarzy pragnących wykształcić u podopiecznych umiejętność uczenia się. Możemy zatem odnosić koncepcje projektowe do tego modelu i ustalić na jego podstawie kryteria pomiaru potencjału zabawki w zakresie wychwycenia danych na temat uczenia się.

Dla typowego ucznia kontekst problemu stanowi motywację, stymulując umysł zaangażowany w poszukiwanie rozwiązania. Motywacja uczniów pochodzi z „rozwiązywalności” problemu: „postrzegają go jako coś interesującego i wartego zachodu”20. Uczniowie angażują się chętnie, kiedy problem wyda im się zajmujący i widzą go jako wyzwanie, na które mogą odpowiedzieć za pomocą posiadanych umiejętności i możliwości poznawczych. James Hiebert, badający nauczanie w dziedzinie matematyki, tak opisuje uczenie się: „znalezienie odpowiedzi nie jest jedyną korzyścią; cały zestaw czynności i procesów zaangażowanych w poszukiwanie rozwiązania przyczynia się do zwiększenia umiejętności rozumienia przyszłych problemów”. Jednakże należy pamiętać, że przeładowanie poznawcze może zniechęcać nawet zmotywowanych uczniów (co częściowo wynika z łatwego dostępu do ogromnej ilości źle przygotowanych informacji w internecie). Zatem kolejny komponent modelu – ograniczenie poboru informacji – implikuje zrozumienie stanu wiedzy uczniów, zanim przystąpią do rozwiązywania problemu, oraz ocenienie tego, jaka ilość informacji jest dla nich przyswajalna. Współczesna praktyka nauczania powszechnie stosuje strategie stopniowego, krok za krokiem, wprowadzania informacji (znane jako „strategie rusztowania”), ale wiąże się ona z problemem ujednolicenia programów szkolnych, co zostanie omówione w dalszej części opracowania. Tymczasem dostęp do informacji i czas poświęcony na naukę wynikają z czegoś więcej niż tylko z motywacji ucznia.

Projektowanie na potrzeby nauczania

Trzy ostatnie pryncypia modelu kompetencji informacyjnych – skupienie uwagi, budowanie narracji i zastosowanie informacji – odnoszą przyswajanie wiedzy bezpośrednio do rozważań projektowych. Projektowanie komunikacji wizualnej stosuje na przykład zasadę hierarchii, kierunku i kontrastu w celu skupienia uwagi odbiorcy, jednak w kontekście nauczania pozwoli ona zazwyczaj na jedynie powierzchowne poznanie tematu. Głębokie zrozumienie wymaga wyjaśnienia podstawowych struktur, tak aby wiedza mogła znaleźć zastosowanie w różnych kontekstach (transfer)21. Również Hiebert podkreśla, że wyartykułowanie teorii będącej podstawą zadania może stanowić podstawę zainteresowania uczniów: „wyjaśnienie teorii skupia uwagę na zadaniu zrozumienia istoty problemu zamiast, na przykład, imitowania zaleconej procedury”22. Projektanci gier rozumieją, że do struktur uczenia się można dotrzeć poprzez wbudowanie w grę aktywności ruchowej. Na przykład matematyczna gra Variant Limits uczy o funkcjach, ich granicach i własnościach. W tym interaktywnym środowisku gracze manipulują obiektami, które demonstrują zagadnienie na konkretnych przykładach. Interakcje bezpośrednio wpływają na wynik, wiążąc fizyczne zaangażowanie gracza z poznawczym zrozumieniem tematu.

Ilustracja 1. Scena z gry edukacyjnej Variant Limits, w której studenci uczą się koncepcji matematycznych, takich jak granice w nieskończoności, ciągi i granice skończone, Variant Limits, Triseum Games, 2019

Wyniki nauczania można ocenić na podstawie artykułowania struktur, które uczniowie dostrzegają w rozwiązaniu. Gra udostępnia studentom i nauczycielom rodzaj forum do przedstawienia i zapisu tych struktur, na którym nauczyciel może dokonać analizy przyswojonego materiału.

Projektanci tworzą również zapadające w pamięć komunikaty przy użyciu narracji, w ten sposób ułatwiając zrozumienie prezentowanych treści. Leslie J. Hinyard i Matthew W. Kreuter przeprowadzili badanie opartych na narracji wiadomości dotyczących opieki zdrowotnej, którego wyniki wskazują, że entuzjazm odbiorcy „występuje, kiedy jego zaangażowanie w daną kwestię i/lub motywacja oraz możliwość przetworzenia [komunikatu] są wysokie”23. Należy zaznaczyć, że uzyskane przez nich wyniki odnoszą się do osób wysoko zmotywowanych do zrozumienia przekazu. Kiedy motywacja jest niska, narracje przynoszą słabszy efekt. Zadaniem projektanta jest dostosowanie narracji do preferencji użytkownika w zakresie ukazanych postaci i fabuły. Niemniej jednak narracje skutecznie przyciągają i skupiają uwagę, ułatwiając odbiór przekazywanego komunikatu24. Cook i Klipfel przytaczają szereg badań podkreślających edukacyjne znaczenie narracji, która pomaga w długoterminowym zapamiętywaniu materiału25. Wskazano na dwie skuteczne strategie ułatwiające przekazywanie informacji i zapewnienie interesującego kontekstu w celu nauczenia podstawowych umiejętności potrzebnych na przykład do wykonania zadania.

Teoria komunikacji dogłębnie bada koncepcję wykorzystania narracji jako narzędzia do tymczasowego uprzedzenia kontrargumentów dla komunikatów prezentowanych odbiorcy26. Narracje w postaci przykładów i metafor są szczególnie skuteczne, ponieważ zajmują świadomy umysł bogactwem i złożonością przedstawianej historii, a jednocześnie przekazują zamierzony komunikat27. Inaczej jest w przypadku bardziej bezpośredniego podejścia – dostarczania informacji w postaci podstawowych faktów. Fakty podlegają szczegółowej analizie po części dlatego, że jeśli – przykładowo – informacja nie pasuje do systemu wartości ucznia, jego umysł potrafi znaleźć kontrargumenty. Uproszczenie sposobu dostarczania informacji powoduje, że uczeń może zaangażować się (lub nie), a nawet argumentować przeciw przekazanej informacji wyłącznie ze względu na metodę jej podania. W każdym razie narracja ma potencjał formowania wspomnień przez utożsamianie się odbiorcy, tłumienie kontrargumentów oraz nadawanie informacji interesującego formatu, który przyciąga i skupia uwagę.

Ostatnim punktem zawartym w modelu jest stosowanie informacji poprzez ćwiczenie nowo nabytych umiejętności, jak proponuje Cook i Klipfel w nawiązaniu do badań psychologów K. Andersa Ericssona, Ralfa Krampego i Clemensa Teschromera. Ericsson, Krampe i Teschromer wskazują, iż „celowa praktyka oznacza, że uczniowie są motywowani do skupienia się na zadaniu, włożenia wysiłku w podniesienie swoich umiejętności, gdy otrzymują zadanie tylko nieco trudniejsze od wykonywanych do tej pory oraz natychmiastową, konstruktywną informację zwrotną”28. Uczenie się kolejnych kroków potrzebnych do wykonania zadania może odbywać się przez czytanie, słuchanie innych lub obserwowanie, jak wykonują zadanie, aby powtórzyć ten sam proces. Prawdziwym sprawdzianem skuteczności nauki jest umiejętność samodzielnego przeniesienia informacji z kontekstu jej nabycia w inny. Jak napisano wyżej, dzieci z zaburzeniami autystycznymi mają problem z tymi właśnie dwoma umiejętnościami: naśladowaniem innych i przenoszeniem wiedzy w nowy kontekst. Łagodzenie tych trudności wymaga nieustannego wsparcia i gotowości do powtarzania poleceń, co dzieje się kosztem zarówno nauczycieli, jak i rodziców. Wykorzystanie inteligentnych zabawek pozwoli nie tylko przezwyciężyć trudności uczniów przez dostosowanie wykonywanych zadań, ale również będzie wspierać pracę nauczycieli w takich elementach jak przewidywanie, dostosowywanie, udzielanie wskazówek i powtarzanie lekcji, kiedy zajdzie taka potrzeba.

Inteligentne systemy nauczania (ITS). Stan obecny

Kurt VanLehn omawia inteligentne systemy nauczania (Intelligent Tutoring Systems, ITS) według schematu podzielonego na pętlę zewnętrzną, która koordynuje zadania do wyboru, oraz pętlę wewnętrzną, zarządzającą krokami w obrębie zadań za pomocą wskazówek i informacji zwrotnej, takiej jak „odpowiedź prawidłowa” lub „odpowiedź nieprawidłowa”29. Sześć różnych systemów ocenianych jest na podstawie charakterystyki szczegółów schematu, które odpowiadają poziomowi zaawansowania technologii i wyborom determinowanym przez projektantów i twórców systemu. Poniżej wymieniono cztery powszechne typy pętli zewnętrznych, z których dwie ostatnie zostały formalnie rozpoznane przez VanLehna30:

  • nauczanie na życzenie (Ordered Learning) – uczeń wybiera zadania z menu wszystkich zadań;
  • nauczanie sekwencyjne (Sequential Learning) – nauczyciel wyznacza zadania w ustalonej kolejności;
  • nauczanie doskonalące (Mastery Learning) – nauczyciel wyznacza zadania z puli jednego rozdziału, aż uczeń całkowicie opanuje wiedzę zawartą w tym rozdziale;
  • nauczanie makroadaptacyjne (Macro-Adaptive Learning) – nauczyciel śledzi cechy, zarówno te niezmienne, na przykład style uczenia się, jak i zmienne, takie jak prawidłowe i nieprawidłowe komponenty wiedzy.

Przydzielanie zadań przez każdą z pętli zewnętrznych może polegać na prostym udostępnianiu i zmianie zadań na podstawie poziomu wykonania zadań poprzednich. Spośród wszystkich wymienionych pętli zewnętrznych zaledwie kilka zawiera generatory zadań, które można dodać do listy zadań potrzebnych do ukończenia danego działu. Ostatecznym celem inteligentnych systemów nauczania jest stworzenie prawdziwie adaptacyjnych systemów, dynamicznie generujących nowe zadania na podstawie potrzeb i zainteresowania ucznia.

Generowanie zadań jest złożonym procesem, który omówiony został w dalszej części opracowania, dotyczącej przyszłych badań. Jednakże generowanie i analiza kroków to dwa z trudniejszych komponentów stanowiących o jego złożoności. Inteligentne systemy nauczania używają narzędzi sztucznej inteligencji (artificial intelligence, AI) do rozwiązywania tego problemu na podstawie interakcji i reakcji używającego ich ucznia. Osobiste systemy nauczania kolejnej generacji to adaptacyjne systemy nauczania oparte na modelu (model-based adaptive tutors, MBAT), które integrują elementy AI w zakresie funkcji stworzonej specjalnie na potrzeby edukacji, takie jak:

  • modelowanie kognitywnych i afektywnych stanów ucznia;
  • zastosowanie dialogu w celu zaangażowania ucznia w doświadczenie nauczania sokratejskiego, polegającego na dociekaniach i dyskusji, zadawaniu pytań i udzielaniu odpowiedzi;
  • włączenie otwartych modeli uczenia propagujących refleksję i samoświadomość;
  • przyjęcie metakognitywnej strukturyzacji (na przykład poprzez dynamiczną pomoc lub strukturę narracyjną) w celu zwiększenia motywacji i zaangażowania ucznia;
  • zastosowanie modeli symulacyjnych (na przykład w celu ułatwienia nauki języka obcego i umożliwienia uczniom skutecznego zaangażowania w kontakt z jego rodzimymi użytkownikami przez zrozumienie norm kulturowych i społecznych)31.

Wyniki kolejnych metaanaliz przeprowadzonych przez Jamesa A. Kulika i J.D. Fletchera32 na 50 systemach sugerują, że właściwie wprowadzone inteligentne systemy nauczania są skuteczne i mogą konkurować z nauczycielami z krwi i kości, pozostawiając w tyle standardową, niewspomaganą edukację. Poprawną implementację mierzono na podstawie doświadczenia nauczycieli pracujących z uczniami równolegle do pracy z systemem, a nie tych, którzy pozwalali uczniom pracować z inteligentnymi systemami nauczania samodzielnie. Jedno z ciekawych odkryć tego badania wskazuje, że nawet uczniowie, którzy otrzymują dodatkowe wsparcie w nauce, nie radzą sobie dobrze w standaryzowanych testach w porównaniu do testów „lokalnych”, uwzględniających stosowany program nauczania33. Wydaje się to dziwne, kiedy można się spodziewać, że uczniowie rozumiejący dany materiał zastosują transfer wiedzy jako strategię pozwalającą na uzyskanie jednolitych wyników niezależnie od testu. Jednocześnie testy oparte na danym programie kształcenia są prawdopodobnie bardziej dopasowane do wiedzy ucznia. W tym zakresie inteligentne systemy nauczania różnią się od edukacyjnych gier wideo, ponieważ nauczyciele mogą kłaść nacisk na transfer wiedzy na inny kontekst jako oznakę uczenia się, podczas gdy przejście na kolejny poziom gry wymaga umiejętnego działania demonstrującego opanowanie danego materiału.

Podejście projektowe do inteligentnych zabawek edukacyjnych

W rozwoju niniejszej koncepcji metody projektowe zastosowane w odniesieniu do wzorców uczenia się mają na celu zniwelowanie przeszkód uniemożliwiających uczniom z zaburzeniami autystycznymi osiąganie ich celów kształcenia. Aby wykorzystać skuteczne funkcje inteligentnych systemów nauczania, dizajn powinien funkcjonować jako kontekst (to znaczy narracja) i kontrolować treść rozpoznawaną przez system sztucznej inteligencji. Prototyp modelujący stany poznawcze i afektywne może pobrać dane wejściowe od uczniów, aby przewidzieć zmiany tych stanów. Na przykład dane haptyczne z czujników nacisku w połączeniu z danymi na temat wyników z wcześniejszych zadań (takie jak dwie niepoprawne odpowiedzi) mogą stanowić wystarczający powód do wybrania przez system łatwiejszego pytania. Oprócz danych haptycznych i historii odpowiedzi do zidentyfikowania problemów w nauce mogą służyć momenty, kiedy uczeń doświadcza trudności. Projekt takiej zabawki nie tylko stanowi kontekst realizowanego przez ucznia tematu, ale również zapewnia elastyczne środowisko pracy uwzględniające zmiany w stanach zarówno afektywnych, jak i kognitywnych.

Ilustracja 2. Ilustracja przedstawia szkic koncepcyjny interaktywnej zabawki edukacyjnej Pyramid Play. Zabawka jest wyposażona w sensory dotyku, a także połączenie wi-fi transmitujące i odbierające informację zwrotną [feedback] od/do sztucznej inteligencji. Pyramid Play, Derksen, 2019

Projektowanie kontekstów dla sztucznej inteligencji

Rozwój sztucznej inteligencji doprowadził do momentu, w którym można oczekiwać powstawania środowisk informatycznych i narzędzi przewidujących i objaśniających zjawiska, ale niewykazujących jeszcze oznak posługiwania się wyobraźnią34. Wyobraźnia jest tutaj rozumiana jako kreowanie, projektowanie lub przywoływanie pomysłów na bazie doświadczeń oraz informacji pochodzących z pozornie niepowiązanych kontekstów. Badania Karla Gustafsona35, prowadzone we współpracy z fizykiem Jakobem Bernasconim, „wykazały, że ludzie mogą przewyższać bardzo dobre algorytmy i metody sztucznej inteligencji. Są w stanie tego dokonać jedynie poprzez myślenie subiektywne. Myślenie subiektywne wymaga formowania mentalnych kontekstów”. W tych kontekstach wytwarzamy zestaw uzasadnień, które godzą nieścisłości lub to, co Gustafson nazywa „sytuacjami nie do obrony” [untenable situations]. W przypadku projektowania inteligentnych zabawek sugeruje to przeniesienie uwagi z przekazywania treści na kontekst nauczania, by ułatwić zapamiętywanie. Jak można to osiągnąć, angażując ucznia w narrację, a jednocześnie dostarczając treści, które muszą zostać przetworzone i zastosowane w rzeczywistych kontekstach? Śledzenie ewolucji sieci neuronowych kalkulujących prawdopodobieństwo, często określanych mianem probabilistycznych modeli generatywnych (probabilistic generative models, PGMs), ujawnia sposób, w jaki człowiek buduje schematy w celu znalezienia wzorców w dużych zbiorach danych (co doprowadziło do stworzenia interpretacji obrazu i rozpoznawania twarzy). W uproszczeniu: inteligencja jest narzędziem PGM, które dostarcza treści. Na podobnej zasadzie interpretacja języka naturalnego jest schematem, w którym na bazie składni języka wytworzone zostają odpowiedzi semantyczne. Projektowanie kontekstu dla nauczania z wykorzystaniem wyobraźni wymaga narzędzi, które dostarczają schematu pomysłów, ale nie generują ich bezpośrednio. Rolą ucznia jest wyjaśnienie „sytuacji nie do obrony” z wykorzystaniem myślenia subiektywnego. „Subiektywność” w danym kontekście podlega racjonalnym argumentom i nie jest w żaden sposób przypadkowa. Jednak to inteligencja jest schematem przedstawiającym dostępne, bardziej lub mniej przekonujące opcje. Poza dostarczaniem schematów, podejście to wspiera również wielopunktowość postrzegania, która sprawia trudności dzieciom z zaburzeniami autystycznymi.

Zastosowanie haptyki do wspierania przyswajania wiedzy

„Kanał sensoryczny dotyku odbiera informacje, nie tylko odczucia”36.
Niedawne badanie urządzeń wykorzystujących dotyk w celu rozszerzenia możliwości nauczania wykazało korzyści płynące z ich zastosowania nie tylko w dziedzinach wiedzy związanych z poznawaniem świata fizycznego, ale też dla rozwoju umiejętności kognitywnych37. Zmysł dotyku dostarcza dużej ilości wiedzy, często określanej jako wiedza ukryta lub informacje znane, ale trudne do nazwania (zob. eksperyment Reinera38). Również wykorzystanie dotyku do manipulowania obiektami stanowi rodzaj odwróconej manifestacji ukrytego zrozumienia, przenoszącej doświadczenie, ciekawość i reakcje emocjonalne na poznawany świat fizyczny. Przeprowadzono niewiele badań w kierunku wpływu emocji, a szczególnie ich fizycznych manifestacji, na uczenie się. Wykonany prototyp układów elektronicznych zabawki umożliwia zbierane danych za pomocą czujników nacisku w celu sprawdzenia hipotezy mówiącej, że uczniowie uzewnętrzniają emocje sprzyjające/niesprzyjające uczeniu się poprzez fizyczne interakcje. Wprawdzie neurolodzy nie zgadzają się co do miejsca przechowywania informacji dotykowej i jej powiązania z informacją wzrokową, jednak badania wykazują, że zarówno dane dotykowe, jak i wizualne rozszerzają zdolność do przywołania i odtworzenia informacji, kiedy zaangażowane zostają oba zmysły39. Dodanie elementów interakcji fizycznej do informacji wzrokowej umożliwi zaobserwowanie korzyści w procesie zapamiętywania, jak i skrócenie czasu uczenia się potrzebnego dzieciom z zaburzeniami autystycznymi.

Badania kształcenia określają multimodalne uczenie sensoryczne obejmujące interakcję dotykową mianem „uczenia aktywnego”. Wymaga ono opanowania umiejętności bezpośredniego operowania artefaktami związanymi z poznawanym tematem40. Dede pisze: „Uczenie aktywne, oparte na doświadczeniach immersyjnych, sprzyjających refleksji poprzez łączenie perspektywy ego- i egzocentrycznej, wykazuje zarówno działanie motywujące, jak i silny wpływ na szerokie spektrum uczniów”41. Najważniejszą kwestią przy projektowaniu zabawki jest ewaluacja przejścia od wiedzy do uczenia aktywnego u dzieci z zaburzeniami autystycznymi. W miarę możliwości projektowanie fizycznej zabawki skupione będzie na powiązaniu przedmiotu badań, łączącego w sobie nacisk, działanie, teksturę i kształt, z celami nauczania. Zaobserwowane zostaną zarówno korelacje pomiędzy naciskiem związanym z emocjami, mierzonym za pomocą czujników, a wykonaniem zadania, jak i częstotliwość ich występowania. Poza częstotliwością również zauważone emocje negatywne zostaną rozpoznane za pomocą dalszych zadań, aby określić stany emocjonalne i ich wpływ na wytrwałość ucznia. Zastosowany zostanie głównie model kompetencji informacyjnych – identyfikacja kontekstu problemu, ograniczanie poboru informacji i zdolność ucznia do skupienia uwagi.

Metody analizy

Systemy sztucznej inteligencji wymagają bardzo obszernych zestawów danych, zarówno treningowych, jak i testowych. Prezentowany tu projekt badań nie stanowi wyjątku, wiążąc się z zebraniem ponad 10 000 odrębnych sesji gry z wykorzystaniem pojedynczych zmiennych i porównań krzyżowych. Badanie obejmie sesje w ośrodkach dla dzieci z zaburzeniami autystycznymi, jak i przedszkolnych oddziałach rozwoju wczesnodziecięcego. Udział dzieci spoza spektrum zaburzeń autystycznych również dostarczy danych do zestawu treningowego, który musi zawierać pełen zakres danych fizycznych, emocjonalnych i kognitywnych. Ewaluacje emocji w okresach nauki mogą różnić się długością, jak i wpływem na zaangażowanie tej grupy w porównaniu do grupy z zaburzeniami autystycznymi. Dane zebrane za pomocą czujników i zapis wyników wykonywanych zadań poparte zostaną badaniami obserwacyjnymi. Oczekuje się, że zakodowane nagrania wideo uzupełnią dane dotyczące reakcji emocjonalnych i dane fizyczne zebrane w trakcie każdej z sesji oraz będą wykorzystane jako dodatkowy materiał dowodowy. Analiza danych z nagrań wideo zostanie przeprowadzona z wykorzystaniem macierzy symetrycznej, która dopasuje dane związane z emocjami do poziomów motywacji u uczniów. Zakłada się, że poziom emocji negatywnych będzie odwrotnie proporcjonalny do poziomu motywacji, na przykład wysoki poziom frustracji będzie się łączyć z niskim wskaźnikiem motywacji. Zastosowana zostanie również dwukierunkowa analiza wariacji ANOVA, która uwzględni występowanie reakcji emocjonalnej powiązanej z poziomem trudności i czasem potrzebnym na pozytywne ukończenie zadania. Analiza danych polegać będzie także na predykcjach sieci neuronowych związanych z obserwowanymi stanami emocjonalnymi i wynikami wykonanych zadań. Sesje wstępne pozwolą ustalić poziom odniesienia odpowiedni dla treści i zadań wykonywanych przez uczniów.

Dalsze badania

Jeśli stosowanie predykcji sieci neuronowych w zabawkach edukacyjnych może pomóc w zminimalizowaniu frustracji u dzieci związanej z uczeniem się, będzie to istotny postęp w dziedzinie nauczania haptycznego. Im więcej danych zostanie użytych do treningu i doskonalenia systemu w zakresie mechanizmów określania prawdopodobieństwa, tym dokładniejsze będą jego predykcje. Inteligentne systemy nauczania nowej generacji obejmować będą dialog z urządzeniem, wymagający przetwarzania języka naturalnego w celu kierowania refleksją i wyznaczonymi celami. Ten typ interakcji zwiększyłby ilość i różnorodność zadań generowanych przez zabawkę. Zadania wywołujące najwięcej frustracji mogłyby zostać wychwycone i przyporządkowane poziomom kompetencji. Jakkolwiek rozpoznawanie reakcji emocjonalnych na podstawie mowy należy do technologii przyszłości, zwiększyłoby ono znacznie możliwości zabawek w zakresie angażowania i reagowania na stany emocjonalne i kognitywne uczniów.

Podsumowanie

Niniejsze opracowanie dotyczy zastosowania inteligentnych zabawek edukacyjnych w pracy z dziećmi z zaburzeniami autystycznymi w odniesieniu do ich specyficznych potrzeb w zakresie kształcenia. Zastosowanie zintegrowanych czujników, zbierających dane dla sieci neuronowych przewidujących emocjonalne i kognitywne stany uczniów, umożliwia zabawce silniejsze zaangażowanie dzieci w grę. Kontekst zabawy zapewnia przestrzeń tworzenia narracji, mających na celu wzmocnienie zapamiętywania i odtwarzania informacji, jednocześnie różnicując doświadczenie i prowokując do aktywnego uczenia się. Stosując model kompetencji informacyjnych, który określa pryncypia przyswajania wiedzy, mamy nadzieję ująć je w postaci wzorców. Cechy tych wzorców będą różne dla poszczególnych uczniów. Być może zaobserwujemy także podwzorce zmieniające się w czasie. Taka identyfikacja oznaczać będzie możliwość ich przewidzenia. Zabawki edukacyjne, które będą w stanie zidentyfikować optymalny czas, kiedy może nastąpić przyswajanie wiedzy, i będą mogły przewidzieć, kiedy potrzebne będzie wsparcie, przyniosą korzyści wszystkim uczniom doświadczającym trudności w nauce i ułatwią im przejście na następny poziom.

Przełożyła Alicja Gorgoń
Konsultacje Piotr Michura