Вытеснит ли онлайн образование традиционное


Как интернет изменит образование: эксклюзивное интервью Coursera

Наша основная аудитория — взрослые, но сейчас действительно стало больше молодых студентов, в том числе подростков. Мы не стараемся специально привлечь их внимание, но, мне кажется, все дело в том, что они — цифровое поколение. Подростки постоянно общаются с друзьями в сети: в Facebook, Snapchat, Instagram. Я думаю, сфера онлайн-обучения эволюционирует, и сейчас здесь начали применять инструменты повышения социальной вовлеченности. Вокруг курсов возникают сообщества, и их участники поддерживают друг друга. Нередко случается так, что человек не может понять какой-нибудь важный нюанс, в конце концов опускает руки и думает: «Ладно, все, я сдаюсь». И тут кто-то из его однокурсников говорит: «Не бросай! Это трудно, но ты справишься!». Или даже объясняет ему что-то. Я думаю, такого рода поддержка на самом деле очень важна, и именно она нравится подросткам.

Нет, но мы используем инструменты из этой сферы: привязанные к курсам форумы и Slack (приложение для коллективной работы онлайн, которое позволяет вести чаты — Прим. ред.). Мы поняли, как много для образования значит общение, дискуссия и сообщества. Онлайн-обучение — это очень интересный бизнес, и он ставит вопрос о том, как строить эти специфические сообщества взаимоподдержки.

Прежде всего, люди интересуются бизнесом и всем, что с ним связано. Очень популярны Data Science и Data Analytics, а также всевозможные технические темы — компьютерные науки, программирование и т. д. Начал расти интерес и к теме здоровья.

В сфере онлайн-обучения люди прежде всего ищут курсы, которые помогают им строить карьеру, — ведь рынок труда так быстро растет и так сильно меняется, особенно в области бизнеса, данных и технологий.

Мы все чаще слышим от работодателей, что любое приложение к диплому не лучший способ оценить, насколько успешно соискатель будет работать на той или иной должности. Некоторые сферы развиваются до такой степени быстро, что уже через год после окончания университета полученные навыки устаревают. Чтобы решить эту проблему, мы ввели практику unbundled degrees — «разделенных на части дипломов». Мы разбиваем отраженный в сертификате массив знаний на несколько блоков. Например, программа iMBA делится на шесть фрагментов: «Лидерство», «Предпринимательство», «Маркетинг в цифровой среде» и т. д. Это позволяет студенту просто добавить к существующему образованию нужные навыки вместо того, чтобы получать новое. Но это актуально, прежде всего, для технических областей.

Я просто повторила на камеру все, что делала в аудитории, выложила в интернет, и это была настоящая катастрофа

Знаете, в прошлом я сама преподавала и однажды решила сделать онлайн-курс. Я просто повторила на камеру все, что делала в аудитории, выложила в интернет, и это была настоящая катастрофа. Все пришлось переделывать.

Онлайн-обучение нельзя рассматривать как самостоятельное направление: это часть общей командной работы, и здесь нужны люди, которые разбираются в разных методиках. Как иначе перенести происходящее в классе в интернет, сохранив педагогическую функциональность?

Еще я часто советую коллегам, особенно тем, кто занимается образованием в сфере бизнеса, данных и технологий, постараться понять, что нужно работодателям, какие навыки востребованы в той или иной области. Нужно честно спросить себя, действительно ли ваш образовательный контент это дает. Если нет, курс лучше переделать.

Также я обычно прошу вузы-партнеры Coursera делать программы настолько управляемыми, насколько это возможно. Многие перемены происходят просто стремительно, но не обязательно перестраивать весь курс целиком. Достаточно изменить нужный фрагмент.

Не надо бояться онлайн-обучения. Для образовательных площадок, в том числе и тех, что работают по традиционной схеме, это возможность пополнить существующий фонд курсов. Потенциально дистанционные программы, конечно, могут вытеснить некоторые направления — например, в сфере обучения лидерству или в области точечной узкопрофессиональной подготовки. Но здесь нужно ориентироваться на студентов, и если уж они хотят большей гибкости, делать курс.

Да, еще бы! Конечно, эту область не назовешь закрытой: цифровые технологии позволяют создавать образовательный контент очень высокого качества, а для этого необходима целая команда. Но сейчас появилась, например, профессия педагогического дизайнера, который играет ведущую роль в процессе создания дистанционных образовательных программ, поскольку именно он работает с факультетами. А еще требуются специалисты по видео, способные хорошо снимать и монтировать, и креативные специалисты.

Огромную роль играют те, кто работает в области Data Science и анализирует данные, получаемые в ходе обучения. Именно они оценивают масштабные эффекты этой индустрии и то, какой у нее есть потенциал. Это создает прогресс, которого сфера образования не знала прежде. Ведь она генерирует огромные объемы данных, и в эту область могут прийти люди, способные их проанализировать. Уму непостижимо, сколько мы успели узнать о том, как люди учатся, благодаря онлайн-курсам.

Провести подобное исследование в университете, который работает по традиционной схеме, очень трудно. Во-первых, нельзя создавать сложности студентам, даже ради получения ценной информации. И, во-вторых, потому что в таком случае речь идет лишь о нескольких сотнях учащихся, и если вы хотите узнать, эффективна ли педагогическая модель, исследование надо повторить несколько раз. Когда студентов намного больше, десятки тысяч, собрать и проанализировать информацию можно куда быстрее.

Образовательный контент коммодитизируется, становится предметом массового спроса, причем с каждым годом все быстрее. Студенты ожидают чего-то большего, чего-то нового, приходя на занятия.

Я помню, как ко мне обратился председатель профсоюзной студенческой организации Университета в Иллинойсе, который заметил, что в его вузе возникла проблема. Учащиеся все чаще спрашивали: «Зачем нам ходить на занятия? Ведь в книгах и в интернете и без этого можно найти массу полезного».

Учителя должны не просто вовлекать студентов в изучение предмета, не просто объяснять то, о чем пишут в учебниках. Нужна дискуссия, групповая работа. Но онлайн-обучение, при всех его плюсах, позволяет делать далеко не все, что можно делать в классе. Я думаю, каждый педагог должен понять, что именно он может дать студентам, чего не найти в сети. Например, научить их мыслить критически или формировать собственное суждение. Интернет сам по себе не может заменить учителя. Но учитель в интернете способен создать дискуссию, проводить case studies, говорить о новых исследованиях. У него больше пространства и свободы.

Как ученый я скажу: нет. Я в это не верю. Я считаю, что онлайн-обучение может вытеснить очное только в сфере управления и узкоспециализированной профессиональной подготовки. Но они, прежде всего, нужны взрослым людям, которые не могут уйти с работы на лекцию.

Высшее и среднее образование останется прежним. Думаю, онлайн-курсы его только обогащают. Здесь есть модель перевернутого класса (когда выполнение домашней работы включает в себя просмотр видеолекций, прохождение тестов и изучение оцифрованных материалов — Прим. ред.), модель Blended Learning (в этом случае студент одновременно получает знания от педагога и самостоятельно, онлайн — Прим. ред.). Онлайн-курсы позволяют учиться бок о бок с представителями других культур. Но традиционные образовательные модели они не вытесняют и не замещают, по крайней мере, в крупных университетах. Я от души надеюсь, что эта тенденция сохранится. В мире есть место и для того, и для другого, так что две модели будут сосуществовать и просто решать разные задачи для разных аудиторий.

Рекомендательные системы в онлайн-образовании. Продолжение

Мы продолжаем рассказывать о системе адаптивного обучения на Stepic.org. Первую вводную часть этой серии можно почитать здесь.

В данной статье мы расскажем о построении рекомендательной системы (которая и лежит в основе адаптивности). Расскажем о сборе и обработке пользовательских данных, о графах переходов, хендлерах, оценке реакции пользователя, формировании выдачи.

Вспомним про линейную регрессию, регуляризацию и даже поймём, почему в нашем случае лучше использовать гребневую регрессию, а не какую-нибудь там ещё.

Общие слова

Рекомендательная система на Stepic.org предлагает пользователю новые уроки (образовательный контент) на основании того, чем он интересовался ранее. Она использует для этого различные способы найти контент, чем-то похожий на тот, который пользователь уже изучал, или же не столь похожий, но в целом интересный.

Каждый из таких способов оформлен в виде отдельной функции (хендлера), которая извлекает список уроков по заложенному в нему принципу и размечает их весами в зависимости от того, насколько они подходят пользователю. Подробное описание этих функций-хендлеров будет ниже.

Каждая мама обязана знать:  Как ребенку вести себя с незнакомыми людьми

Рекомендательная система может применяться в разных ситуациях. Два основных случая:

  • обычная рекомендация для конкретного пользователя, которая показывается ему на главной странице и во вкладке ”Рекомендованные уроки”, а также время от времени присылается на почту;
  • контекстная рекомендация, которая показывается пользователю после прохождения урока вне курса (то есть урока, для которого нет фиксированного следующего за ним), как подсказка, что посмотреть дальше.

Вместе с рекомендацией пользователю также показывается информация о том, почему ему был предложен именно этот урок. Эту информацию легко извлечь благодаря тому, что в каждую функцию-хендлер заложена какая-то интуиция, так что можно восстановить причину рекомендации.

Пользовательские данные

В процессе обучения на Stepic.org пользователь оставляет значительный цифровой след. Помимо информации о его прогрессе сохраняются также сведения о том, когда он посещал разные шаги (шаг — элементарная единица контента; шаги объединяются в более крупные уроки), когда пытался решать задачи и с каким результатом, и даже как он смотрел видео: какие установил скорость и громкость, где останавливал и где перематывал.

Наиболее интересны для базовой рекомендательной системы следующие сведения: теги (т.е. области знаний, которыми протегированы уроки), которыми пользователь интересовался, уроки, на которые он заходил, уроки, которые он изучил, а также, если рекомендация контекстная, текущий урок.

Кроме информации о конкретном пользователе, сохраненные данные можно рассматривать как сведения о взаимодействии пользователей с контентом. Одним из способов агрегировать и использовать эти сведения оказались графы переходов, о которых расскажем подробнее.

Графы переходов

Часто бывает полезно узнать, как пользователи изучают контент, что они смотрят чаще, что реже, какие материалы проскакивают, на какие возвращаются, и, что немаловажно, в каком порядке их смотрят. Используя логи о действиях пользователей, несложно дать ответы на эти вопросы. Мы использовали для этого граф переходов (process map), то есть такой ориентированный граф, в котором вершинами будут единицы контента (например, шаги или уроки), а веса дуг будут показывать количество переходов между этими единицами контента.

У каждого пользовательского действия в логе есть временна́я метка. Действия также бывают разных типов, например, «viewed» (открыл шаг), «succeeded attempt» (решил задачу) или «commented» (оставил комментарий). Нас будут интересовать действия пользователя по отношению к шагам, которые затем легко обобщить на уроки, к которым эти шаги принадлежат, и даже на теги, которыми помечены уроки.

Визуально граф переходов можно представить себе как ряд вершин-материалов (например, шагов), между некоторыми из которых есть дуги. Наличие дуги между двумя шагами означает, что существуют пользователи, которые просмотрели их друг за другом. Каждая дуга обладает меткой, содержащей число таких пользователей. Пример графа переходов для шагов одного урока внутри курса:

Процесс построения графа переходов тривиален: для каждого пользователя мы рассматриваем все его действия по отношению к шагам, сортируем их по времени, и затем подсчитываем для каждой пары шагов, сколько раз он совершал действие с одним из них непосредственно после действия с другим. Далее мы суммируем частоты для всех пользователей, и получается общий граф переходов.

Изначально мы ввели графы переходов по шагам, чтобы преподаватели могли узнать, в каком порядке учащиеся изучают материалы их курсов. Для простоты анализа мы вычисляем среднюю частоту переходов между шагами в курсе и окрашиваем ребра в итоговом графе зеленым, если переход по ним происходил чаще ожидаемого, или красным, если реже ожидаемого, а также выкидываем редкие переходы.

Фрагмент графа переходов по одному из курсов:

По этому фрагменту видно, что шаг с теорией Т4 пропускают чаще обычного и переходят к следующему за ним.

Далее мы стали строить графы переходов не только по шагам, но также по урокам и тегам, чтобы использовать это в рекомендательной системе. Граф переходов по урокам строится по тому же принципу, что и для шагов, просто действия над шагами рассматриваются как действия над уроками, к которым эти шаги принадлежат. Для тегов процесс аналогичен: действия с шагами переводятся в действия с их тегами.

Хендлеры

Здесь мы перечислим функции-хендлеры, каждая из которых реализует свой способ рекомендаций. Хендлер принимает в качестве параметров пользователя, и, если рекомендация контекстная, то урок, на котором пользователь находится в данный момент. Хендлер возвращает для пользователя список уроков, каждому из которых соответствует вес от 0 до 1. Чем больше вес, тем лучше рекомендация: .

Пусть мы хотим порекомендовать пользователю уроки по конкретному тегу, для которого доля пройденных пользователем уроков составляет . В случае, если по нему нет графа переходов, все его уроки получают вес . Если же граф есть, то для каждого урока этот вес делится на расстояние в графе до ближайшего предшествующего урока, пройденного пользователем . Таким образом реализуется идея, что пользователю может быть интересно проходить материалы, расположенные в графе переходов недалеко от уже изученных им.

Уроки с интересными пользователю тегами — хендлер рекомендует уроки, помеченные тегами, которые пользователь уже изучал. Для этого используется описанная выше рекомендация по тегам, вес урока для пользователя будет составлять .

Незаконченные уроки — рекомендуются уроки, которые пользователь начинал и не закончил, с весом тем большим, чем большую часть урока пользователь изучил: , доля урока , пройденного пользователем .

Популярные уроки — хендлер не использует информацию о пользователе, а рекомендует просто самые популярные за последнюю неделю уроки на платформе. Вес прямо пропорционален популярности: , где — номер урока в списке популярных уроков.

Пути по урокам — используются пути, содержащие уроки, которые пользователь проходил, рекомендуются уроки следом за пройденными, с весом тем меньшим, чем дальше урок от уже пройденных: , где — расстояние от урока до ближайшего предшествующего в пути урока, пройденного пользователем .


Граф переходов по тегам — рекомендуются уроки с тегами, которые изучают после тегов, интересующих пользователя. Веса зависят от прогресса пользователя по тегам, а также от относительных частот переходов между тегами. Пусть — частота перехода от тега, уроки которого пользователь изучал, к некоторому тегу . Тогда для урока , помеченного тегом , вес рекомендации пользователю будет .

Уроки по тегам от похожих пользователей (коллаборативная фильтрация) — на основе интересующих пользователя тегов выявляются пользователи с похожими на его интересами, и рекомендуются уроки с тегами, которые они сами изучают. Пусть у текущего пользователя нашелся похожий на него пользователь , причем мера схожести между ними — (лежит между 0 и 1, чем она больше, тем более схожи пользователи). Тогда урок , помеченный тегом, который изучал , будут рекомендоваться с весом .

Граф переходов по урокам (только при контекстных рекомендациях) — хендлер рекомендует уроки, следующие за текущим в графе переходов, вес зависит от относительной частоты перехода между текущим уроком и рекомендуемым. Если переход из текущего урока в урок совершается с относительной частотой , то .

  • Пути по урокам (только при контекстных рекомендациях) — рекомендуются уроки, следующие за текущим в каких-либо путях, веса обратно пропорциональны расстоянию между уроками: , где — расстояние от урока до текущего урока.
  • Если все предыдущие хендлеры в совокупности порекомендовали меньше уроков, чем было нужно, в рекомендации добавляются случайные уроки, вес таких уроков равняется 0.
  • Разобрались? Отлично, идём дальше.

    Оценка реакции пользователя

    Чтобы понять, насколько успешна оказалась рекомендация, после её показа мы фиксируем, перешёл ли пользователь по ссылке, а также какую часть от урока пользователь в итоге изучил (значение от 0 до 1). В то же время у пользователя есть возможность узнать, почему урок был посоветован (варианты соответствуют хендлерам), и пометить рекомендацию как не интересную ему.

    В результате каждой показанной рекомендации мы можем сопоставить некоторое число: соответствует отказу от рекомендаций, — переходу по ссылке без изучения урока, — переходу по ссылке и полному изучению урока, значение от до — неполному изучению урока, а — отсутствию реакции.

    Формирование выдачи

    Итак, мы получили списки уроков от нескольких хендлеров, в которых каждому уроку сопоставлен вес от 0 до 1. Чем больше, тем более удачной оценивает хендлер эту рекомендацию. Встает вопрос, как их лучше всего комбинировать?

    Можно было бы просто для каждого урока сложить или перемножить веса хендлеров, которые его посоветовали. Но это означало бы, что мы полагаем разные хендлеры одинаково полезными, что, вообще говоря, может быть совсем не так. Хотелось бы оценить каждый хендлер коэффициентом полезности, используя при этом реакции пользователей на рекомендации. Таким требованиям удовлетворяет простая линейная регрессия.

    Регрессионная модель обучается с использованием накопленных данных о том, как рекомендации разных хендлеров были оценены пользователем. Исходя из этого модель формирует вектор весов для хендлеров. Далее, когда нам нужна что-то порекомендовать учащемуся, то регрессионная модель для каждого урока скалярно умножает веса предложивших его хендлеров с обученным вектором параметров, и выдает результирующий вес для каждого рекомендованного урока.

    Каждая мама обязана знать:  Плата за содержание ребенка в дошкольных учреждениях

    Раз уж мы так углубились в матчасть, то давайте формально опишем регрессионную модель. Если вы хорошо знаете, что такое линейная регрессия, то смело пропускайте следующий раздел.

    Линейная регрессия

    Пусть у нас есть матрица , строки которой называются наблюдениями, а столбцы факторами, и столбец значений целевой или зависимой переменной . Регрессионная модель , где — параметры модели, а — случайная ошибка, называется линейной, если зависимость целевой переменной от факторов является линейной, то есть .

    Обычно для удобства (константу) вносят под знак суммы, добавив в матрицу наблюдений столбец из единиц: для всех .

    Используя эти обозначения, линейную регрессионную модель можно выписать как . Решением этой задачи будем считать столбец , который минимизирует сумму квадратов отклонений предсказываемых значений от реальных, то есть .

    Такой способ аппроксимации называется методом наименьших квадратов (ordinary least squares) и является наиболее широко применимым в контексте решения задачи линейной регрессии.

    В нашем случае мы можем рассматривать в качестве наблюдений, то есть строк матрицы , рекомендованные уроки, в качестве факторов этих наблюдений веса, которые хендлеры назначили уроку, а в качестве значений целевой переменной — оценку рекомендации пользователем.

    Таким образом, для уроков , посоветованных пользователям соответственно, и для хендлеров матрица наблюдений и столбец значений целевой переменной (реакции пользователя) будут выглядеть следующим образом:

    Вектор , который дает минимальную ошибку предсказания реакции пользователя, содержит индивидуальный вес для каждого из хендлеров, на который нужно домножать его рекомендации. Если вес какого-то из хендлеров относительно большой, значит, этот хендлер вносит положительный вклад в рекомендации, и наоборот.

    Для работы рекомендательной системы регрессионная модель регулярно переобучается на данных о реакции пользователей на рекомендации. Мы используем библиотеку SciPy для решения этой задачи и нахождения столбца . В этой библиотеке уже реализовано решение задачи линейной регрессии.

    Разобрались? Отлично, осталось чуть-чуть.

    Регуляризация

    После реализации рекомендательной системы с линейной регрессией, которая находила столбец весов для хендлеров , минимизирующий квадрат отклонений реальной реакции пользователя от предсказанной ( ), мы заметили, что постепенно вес одного хендлера неограниченно возрастает, в то время как остальные уменьшаются, что в итоге привело к формированию выдачи практически только из результатов этого хендлера. Такой эффект называется положительной обратной связью, и характеризуется тем, что отклонение в результатах работы системы влияет на её дальнейшую работу, причем чем дальше, тем больше результаты сдвигаются в сторону этого отклонения.

    Помимо этого, так как хендлеры могут использовать очень схожую информацию об активности пользователя, в наших данных также может присутствовать проблема мультиколлинеарности факторов, что влечет за собой слабую обособленность матрицы и, как следствие, нестабильность решения.

    В результате мы получаем решение, которое дает маленькую ошибку на данных, на которых оно обучается, и большую на реальных данных. Эта ситуация называется переобучением (overfitting) модели.

    В качестве решения проблемы переобучения можно рассмотреть регуляризацию. Согласно книге The Elements of Statistical Learning, основные способы регуляризации — это лассо (LASSO, least absolute shrinkage and selection operator) и гребневая регрессия (резуляризация Тихонова, ridge regression). Оба этих метода меняют выражение, которое мы минимизируем в процессе поиска решения регрессии, добавляя к нему штраф на норму вектора .

    В случае лассо-регуляризации используется -норма и решение находится как

    В случае же гребневой регрессии используется -норма и решение выглядит как

    В обоих случаях параметр подбирается в процессе оптимизации.

    Использование регуляризации методом лассо уменьшает все веса , а те, что и так были относительно небольшими, становятся равны нулю. Таким образом, метод лассо хорошо подходит для выбора значащих факторов (feature selection).

    Метод гребневой регрессии также уменьшает веса факторов, но при этом никогда не сводит их к нулю, если только не .

    Согласно работе Andrew Ng, лассо-регуляризация работает лучше гребневой в ситуации, когда количество факторов значительно превосходит число обучающих наблюдений. В обратной же ситуации более уместна гребневая регрессия.

    Соответственно, для нашего случая лучше подходит гребневая регрессия. Её реализация также присутствует в библиотеке SciPy, что нас очень порадовало.

    Заключение

    В этой статье мы с вами разобрались с тем, как реализована рекомендательная система для образовательного контента на Stepic.org. Иногда, наверное, приходилось нелегко, но вам удалось! (если вы, конечно, не просто прокрутили до этого места, тогда советуем вернуться и прочитать)

    Посмотреть рекомендательную систему в действии можно на https://stepic.org/explore/lessons – там перечислены рекомендованные вам уроки для изучения. Но если вы впервые зашли на платформу, то рекомендации могут быть не особо релевантны.

    В следующей и заключительной статье этого цикла мы рассмотрим непосредственно адаптивную систему на Стэпике и обсудим результаты проделанной работы: точность предсказания, предпочтения пользователей, оценим статистику.

    И напоследок хочется спросить: верите ли вы в адаптивное онлайн-образование? Вытеснит ли оно традиционные курсы? Может ли самая интеллектуальная рекомендательная система посоветовать человеку образовательный контент так же хорошо и даже лучше, чем живой преподаватель?

    Почему дистанционное образование лучше традиционного

    Что выбрать для ребенка: классическое школьное образование или дистанционное обучение?

    Образовательный проект Interneturok.ru разработал и снял более 4500 видеоматериалов по всем предметам школьной программы.

    «Летидор» совместно с изобретателем и основателем ресурса Лазаревым Михаилом Ивановичем рассуждает о сильных и слабых сторонах двух форматов образования.

    Преимущества онлайн-образования

    Как правило, родители хотят от школьного образования двух вещей: чтобы ребенок сдал экзамены и получил возможность для поступления в вуз.


    Дистанционное образование — это новый инструмент, который оказался в руках родителя. Этот инструмент дает возможность получать знания без непосредственного контакта с преподавателем из любой точки мира и в любое время.

    Онлайн-образование — это то, к чему общество в конечном итоге пришло. Оно дополняет классическую форму обучения. Основные критерии для сравнения представлены ниже:

    В классе, где учатся 40 человек, невозможно «отмотать» урок назад

    У каждого ребёнка разные скорость реакции, способность усваивать материал, склонности к определенным предметам.

    Достаточно одному ученику в классе из 20-40 человек задать вопрос — и для других учебный процесс приостанавливается. На уроке невозможно «отмотать» пленку назад, чтобы разобраться с непонятными местами. В обычной школе учитель придерживается среднего темпа, в котором происходят занятия.

    Дистанционное обучение даёт возможность вернуться назад, разобраться в материале. Ребенок учится с той скоростью, на которую способен.

    Качество образования меняется, когда в классе 5 человек

    «Родителям кажется, что их дети умные, потому что дети действительно умные, — рассуждает Михаил Иванович. — Весь фокус в том, что родители видят ребенка подробно: он растет у них на глазах, чему-то учится. Сегодня у ребенка что-то получается, что не получалось вчера. Чужих детей мы видим только с одной стороны при мимолетном общении, когда они не готовы быть открытыми».

    Когда в классе 40 человек, учитель может просто не заметить, как развивается один единственный ученик. Представьте, как меняется качество образования, если в классе только 5 учеников?

    В онлайн-школе гораздо больше возможностей найти хорошего преподавателя

    Зачем родители отдают ребенка в школу и по какому принципу эту школу выбирают? Если «сдавать» ребенка туда, как в камеру хранения — это один подход. Если ждать результата от образовательного процесса, то это другой подход. Но ребенок — не чемодан. Его нельзя оставить именно в этой школе только потому, что она рядом с домом.

    Ведь ребенку нужны лучшие учителя, которые не только передадут знания, но и объяснят, зачем ему это надо. А главная цель образования — не только дать знания, но и показать, как и где их применить.

    Хорошо, скажут некоторые, заменив школу рядом с домом на дистанционное обучение, мы лишаем ребенка возможности общаться со сверстниками, находить близких по духу людей. Но круг общения не ограничивается только школьными товарищами: дети ходят в музыкальную школу и спортивные секции. И в этом случае переход на онлайновую форму образования никак не отражается на социальном развитии. Более того, это оставляет ребенку время и пространство на увлечения, потому что он может посвятит все свое время сегодня только танцам или изучению биологии, а потом подтянуть математику: электронные материалы никуда не убегут. Общение со сверстниками в школе происходит не только на переменах, но и во время уроков, что одновременно служит и отвлекающим фактором, поэтому вопрос о социализации следует рассматривать с разных сторон.

    Могут ли онлайн-курсы заменить высшее образование

    Онлайн-образование развивается семимильными шагами, а компании вроде Coursera, Udacity, edX предоставляют настолько качественные курсы (Massive Open Online Courses — MOOC), созданные в сотрудничестве с ведущими учеными, экспертами и университетами, что сам собой встает вопрос, а зачем в таком случае вообще нужно традиционное высшее образование? И правда, для чего тратить уйму времени и денег на привычные университеты, если теперь можно вполне бюджетно и в удаленном режиме освоить самые разные области знания от диетологии до машинного обучения?

    Каждая мама обязана знать:  Можем ли мы при разводе поделить детей

    К тому же, студентам платных онлайн-курсов выдают какие-никакие «корочки», перечисление которых неплохо украшает аккаунт в LinkedIn, а некоторые сервисы, вроде Udacity, даже заключили договоры с университетами, чтобы награждать студентов более весомыми сертификатами.

    Так убьют ли онлайн-курсы традиционное высшее образование? Селена Ларсон из издания ReadWrite изучила вопрос поподробнее.

    Я зарегистрировалась на пятинедельный курс на Coursera. Его название звучало как «Терроризм и борьба с ним: Теория и практика» — всегда интересовалась вопросами политики и всем, что с этим связано. Курс был доступен в программе «Signature Track», и чтобы получить сертификат о его прохождении, надо было заплатить $49. Как оказалось — это было худшее из возможных вложений.

    Онлайн курсы не могут заменить университет

    О том, что традиционный университетский подход к образованию умирает, много пишут, и с этим можно согласиться. С ростом популярности онлайн-обучения обычные «офлайновые» учебные заведения начали внедрять отдельные его аспекты вроде интерактивных видео и форумов для обсуждения.

    Разница в том, что профессора, ведущие курсы MOOC, учат тысячи студентов одновременно (иногда даже сотни тысяч) — это уничтожает атмосферу доверия и человеческого контакта, которая часто возникает на лекциях в реальной аудитории.

    Мой профессор с Coursera Эдвин Баккер (Edwin Bakker) из Лейденского университета в Нидерландах, преподавал посредством видео. Он давал реально интересную информацию и советовал, что почитать по теме, а также использовал Google Hangouts. К сожалению, только малая часть слушателей могла присоединиться к беседе в конкретный момент из-за разницы во времени.

    К тому же система для проверки домашних заданий и выставления оценок все еще неидеальна. Конечно, прохождение автоматических тестов — это полезное дело для быстрой оценки уровня ученика и дальнейшего обсуждения учебного процесса, но задания, в ходе которых нужно написать эссе, которое затем даже не будет проверяться преподавателем, в моем случае только смазали все впечатление от курса.

    Интернету нельзя верить

    За все время в колледже не было случая, чтобы я завалила курс. Я могла сидеть ночами, готовясь к тестам и экзаменам, и это всегда помогало. В случае Coursera все оказалось совсем не так.

    Необходимо признать: мотивация была минимальной. Конечно, не хотелось зря потратить 49 баксов, но и сидеть всю ночь, сочиняя эссе на 600 слов ради диплома виртуального курса, тоже желания не было. В рамках программы Signature Track студенты должны были написать два эссе и сдать множество тестов. С опросами все было легко — количество попыток было неограничено, так что получить нужный балл не составляло труда, — но с эссе все было по-другому. Профессор не имел физической возможности проверить все работы, поэтому их проверяли сами студенты — пять человек ставили свою оценку тексту, каждая из которых влияла на конечный балл.

    Студентам давали образцы текстов в качестве примера, а проверяющие при выставлении оценок ориентировались на них. Для того, чтобы получить зачет, нужно было набрать на каждом эссе 60% баллов — это засчитывалось как 30% от финальной оценки.

    Первое же эссе я провалила — все проверяющие, кроме одного, поставили низкую оценку по каким-то непонятным причинам. Один из поставил мне в вину использование Fox News в качестве источника, хотя там вообще-то были и другие. (Вообще, Fox News — это, конечно не лучший источник, но эссе было о теракте в Оклахома-сити, и в тексте была ссылка на письмо одного из террористов Тимоти Маквея, адресованное как раз Fox News. Вот полный текст эссе).

    Последствия того самого взрыва

    Должна признать, этот текст далеко не лучшее, что мне удавалось в жизни. Когда я изучаю курс университетского уровня сложности, но плачу за него не ту цену, что стоит реальный колледж, и получаю только лишь непонятный сертификат — заставить себя выкладываться по полной не выходит. При всем этом, все параметры, которым нужно соответствовать для получения нужной оценки, были выполнены.

    Следуя интернет-моде, все эти отзывы и ревью были анонимны. Поэтому обсудить низкую оценку было не с кем, не перед кем оправдать эту ссылку на Fox News. Конечно, это явно не та среда, что способствует эффективному обучению.

    Для того, чтобы официально пройти курс и получить сертификат, студенты должны написать и сдать два эссе. Рассудив, что второй текст будет столь же «плох», как и первый, а также оценив время, которое надо потратить на его написание (и весьма вероятное переписывание), я решила, что лучше будет отказаться от борьбы.

    Вероятность провала

    Хотелось бы верить, что я одна такая неудачница, однако каждый, кто подписывается на прохождение подобного онлайн-курса, должен понимать, что есть довольно высокая вероятность его не закончить.

    На Coursera коэффициент удержания студентов составляет лишь 4%. Не более 51% студентов сумели пройти до конца математический курс Университета Сан-Хосе на Udacity. Согласно исследованию от мая 2013 года, процент завершаемости MOOC-курсов составляет только 6.8%, а в 6 курсах с самым высоким числом сдавших его студентов, используются автоматизированные средства оценки, а не коллективные ревью.

    Показатели настолько плохи, что фаундер Udacity Себастьян Трун вынужден был признать, что его компания не учит людей так хорошо, как он надеялся.

    Для того, чтобы переломить ситуацию, Coursera создает специальные программы обучения, которые позволяют платящим студентам получить более значимый сертификат о прохождении после сдачи всех нужных тестов в составе специально «сертификатной группы» учащихся. Вот что об этом говорил co-CEO и кофаундер проекта Эндрю Ын:

    Мы верим, что выполнение курсового проекта, которое позволит получить сертификат специализации, поможет добиться большей мотивации к окончанию курса.

    Лично я хотела завершить курс, но временные рамки и процесс выставления оценок меня отпугнули. В итоге в армии людей, начавших, но не закончивших свое онлайн-обучение, стало одним бойцом больше.

    Как MOOC-курсы могут добиться успеха

    Существует множество факторов, реализация которых могла бы заставить меня еще раз подписаться на прохождение онлайн-курса.

    Для начала, стоит задуматься о необходимости анонимизации процесса оценивания работ. Если бы у меня возможность защитить принятые решения и, возможно, изменить оценку, это могло бы сильнее вовлечь меня в учебу. В колледже всегда было можно встретиться с профессором и объяснить что-то или задать вопрос в случае несогласия с выставленной оценкой. Даже если в итоге этого сделать и не удавалось, после разговора с живым человеком настроение все равно поднималось.

    YouTube недавно выпилил анонимные комментарии, и теперь, любой, кто хочет обсудить видео, должен залогиниться через профиль в Google+. Если уж обсуждение роликов с котами требует персональной идентификации, то для онлайн-курсов сам бог велел поступить так же.

    Главная причина популярности онлайн-курсов в их дешевизне. Это отличная возможность узнать много нового для студентов, которым ни за что не хватило бы денег на оплату настоящего курса в университете. С другой стороны, бывший студент Coursera сказал мне, что он лучше бы заплатил $600 за интересующие занятия, чем снова связался бы с онлайн-образованием — только лишь потому, что в таком случае он бы точно завершил обучение, кому хочется потерять столько денег. Coursera начинает движение в этом направлении, запуская более комплексные и дорогие программы: студенты, которые заплатили больше, доучатся до конца с большей вероятностью.

    MOOC дает уникальные возможности по продолжению обучения и расширению знаний, студенты могут изучать то, что в другом случае никогда бы не смогли узнать. Но если сравнивать собственный опыт — пускай лишь по одному курсу, — я ни за что бы не променяла время в офлайновом колледже на набор онлайн-занятий, независимо от того, какие столпы науки стояли за их созданием.

    Вытеснит ли интернет традиционное телевидение и радио

    В теледебатах принимали участие известные политики, руководители СМИ, представители интернет-сообщества, журналисты, деятели культуры, педагоги. В ходе дискуссии затрагивались вопросы доверия журналистам и блоггерам, проблемы рекламы и цензуры в СМИ. Отдельно обсуждалась государственная программа «Информационный город», направленная на развитие средств массовой информации и рекламы в Москве , анализировались достоинства и недостатки нового телеканала «Москва 24».

    Временами дискуссия принимала острый характер, например, когда речь заходила о качестве образования современных журналистов. Немало копий было сломано и вокруг того, заслуженно или нет получил радиочастоту канал «Коммерсант FM», подавший заявку как студенческое радио. Горячие споры в студии вызвал вопрос «фильтрации информации» на телевидении.

    Убедительнее выглядели участники, которые говорили о том, что профессию редактора никто не отменял, и люди, имеющие образование, знают, как правильно подавать информацию, чтобы она была интересна телезрителям.

    Так вытеснит ли интернет традиционное телевидение и радио? Узнаем 13 октября.

    «Место для дискуссий», 13 октября, 22.50, «ТВ Центр».

    Понравилась статья? Поделиться с друзьями:
    Воспитание детей, психология ребёнка, обучение и социализация