وقتی فناوریهای نوین میتوانند بر چالشهای منابع آموزشی باز فائق آیند
1. چالش میزان اعتبار و کیفیت منابع آموزشی باز
جستجو و انتخاب منابع آموزشی باز باکیفیت و متناسب با نیاز فراگیران، در میان انبوهی از منابع آموزشی باز دشوارست. ترکیبی از فناوریهایی مثل یادگیری ماشینی و بلاکچین میتواند در این مورد کمک کند و توصیههایی را به فراگیران برای انتخاب منابع آموزشی باز معتبر بدهد.
هوش مصنوعی میتواند منابع آموزشی باز را براساس کیفیت آنها رتبهبندی کند. معیارهایی مثل فیدبک استفادهکنندگان، تعداد دانلودها و یا الگوریتمهای رتبهبندی میتوانند برای این منظور مورد استفاده قرار گیرند. براساس اینها میتوان نظامهای توصیهگر منابع آموزشی باز طراحی کرد.
فنون متنکاوی میتوانند برای گردآوری و تحلیل فیدبک کاربران برای تعیین کیفیت هر منبع آموزشی باز مورد استفاده قرار گیرند.
گوگلپِلِی نیز از هوش مصنوعی برای رتبهبندی اپها براساس نظرات کاربران و تعداد ستارههای آنها استفاده کرده و بهترینها را اول میآورد.
۲. چالش جستجو و بازیابی منابع آموزشی باز
منابع آموزشی باز ممکن است متادیتاهای کافی و مناسبی نداشته باشند و بنابراین پیدا کردن آنها توسط موتورهای کاوش دشوار باشد. برای بازیابی بهتر منابع آموزشی باز میتوان از یادگیری ماشین و فنون پردازش زبان طبیعی (ان.ال.پی) برای ارزیابی منابع آموزشی باز و تگ کردن اتوماتیک متادیتا سود جست تا متادیتای غنیتر و صحیحتری داشته و بآسانی قابل بازیابی باشد.
البته هنوز استخراج اطلاعات معنایی از محتوا با استفاده از پردازش زبان طبیعی دشوارست.
نتفلیکس نیز از تگ کردن خودکار برای کمک به افراد در پیدا کردن فیلمهای موردعلاقهشان و نیز پیشنهاد فیلم براساس علاقه آنها استفاده میکند.
۳. چالش عدم حضور معلم/مدرس
در نظامهای یادگیری باز که معلم حضور ندارد میشود از تحلیل یادگیری (لرنینگ آنالیتیکس) سود جست که زیر مجموعه آن تحلیل رصد یادگیری است. داشبورد تحلیل یادگیری میتواند به فراگیران کمک کند تا پیشرفت خود را در یادگیری رصد کنند و مدرسان را نیز در جریان پیشرفت فراگیران قرار میدهد.
تحلیل یادگیری میتواند برای تشویق فراگیران در برنامههای خودآموزی بدون حضور معلم مورد استفاده قرار گرفته و بصورت خودکار فراگیران را از طریق فنونی مثل بازیوار سازی (استفاده از نشان و عناصر امتیازدهی بازی) تشویق کند.
۴. چالش در نظر نگرفتن تفاوتهای فردی
در دورههای آموزشی باز، تفاوتهای فردی فراگیران در نظر گرفته نمیشود. برای غلبه بر این مشکل، هوش مصنوعی میتواند مورد استفاده قرار گیرد. به این صورت که از دادهها و اطلاعاتی که فراگیر هنگام استفاده از دوره آموزشی باز تولید کرده است و با بکار بردن فنون یاذگیری ماشین، محتوای شخصی شده آموزشی را برای وی فراهم کرد.
شرکت آی بی ام واتسون از هوش مصنوعی برای آموزشهای شخصی شده استفاده میکند. به این صورت که تعاملات آنلاین فراگیران در محیط یادگیری را تحلیل میکند تا یک داشبورد عملکرد یادگیری برای وی ایجاد کند. سپس توصیهها و محتوای یادگیری شخصی شده براساس پروفایل هر فراگیر ارائه میدهد تا تعامل وی با یادگیری و انگیزهاش برای یادگیری افزایش یاید.
۵. چالش حفظ حقوق مالکیت فکری تولیدکنندگان منابع آموزشی باز
استفاده غیرقانونی و بدون ذکر منبع، انگیزه تولیدکنندگان منابع آموزشی باز را کاهش میدهد. با تحلیل بیگ دیتا و فناوری بلاکچین میتوان بصورت خودکار منابع آموزشی باز ناقض کپیرایت را حذف کرد. به این صورت که وقتی منابع آموزشی باز منتشر میشوند پلتفرمهای بلاکچین-محور اطلاعات آن (از جمله زمان بارگذاری، اسم نویسنده، اجازهنامه) را بصورت غیرمتمرکز و رمزگذاری شده ذخیره کرده و یک مجوز به آن اختصاص میدهند. به این ترتیب اثر به اسم نویسنده ثبت شده و قابل تغییر نیست (یعنی کسی نمیتواند اطلاعات را به نفع خودش تغییر دهد) و تردیدها درباره اولین کسی که محتوا را ایجا کرده از بین میبرد.
منابع آموزشی باز را میتوان در بسترهای مختلف و برای اهداف مختلف مورد تغییر و استفاده مجدد قرار داد. بلاکچین در اینجا میتواند برای ثبت کردن تغییرات ایجاد شده در منابع آموزشی باز مورد استفاده قرار گرفته و تغییرات حاصل شده در منابع آموزشی باز و نسخههای مختلف از آنها که توسط دیگر مدرسان ایجاد شده را رصد کند.
الگوریتمهای ماشینی میتواند برای جستجوی نسخههای جدید غیرقانونی از یک مجوز داده شده و حذف خودکار آنها با برداشتن آنها یا بلاک کردن یو.آر.ال آن منبع از سرور مورد استفاده قرار گیرد. در نتیجه دیگر هیچکس نمیتواند از آن منبع استفاده کند.
پلتفرم کوداکوان هم از فناوری بلاکچین استفاده میکند تا جلوی سوءاستفاده از عکسهای عکاسان خود را بگیرد.
۶. چالش تقلب در دورههای آموزشی باز
یکی از چالشهای بزرگ یادگیری آنلاین، پیشگیری از تقلب است. تقلب سبب شده است که کارفرمایان مدارک دورههای آموزشی باز را از افراد نپذیرند. از کجا میشود فهمید شخصی که دارد به سؤالات پاسخ میدهد همانی است که قرارست مدرک برایش صادر شود؟
هوش مصنوعی در این مورد هم میتواند کمک کند. برنامههایی مثل Examity, ProtectorExam میتوانند برای پیشگیری از تقلب در پلتفرمهای دورههای آموزشی باز مورداستفاده قرار گیرند.
یادگیری ماشین همراه با فناوریهای تشخیص چهره میتواند در ابتدا مورد استفاده قرار بگیرد تا با توجه به عکسی که فراگیر قبلا بارگذاری کرده است اطمینان حاصل شود که شخص پاسخدهنده به آزمون همان است که ثبتنام کرده است. سپس سیستم، رفتارهای مشکوک مرتبط با تقلب را براساس دادههای یادگیری شناسایی میکند.
مدارک تحصیلی صادر شده میتوانند در پلتفرمهای بلاکچینی بارگذاری شده و براساس آی.دی فراگیر و دانشگاه صادرکننده بررسی شوند تا صدور مدارک تقلبی کاهش یابد.
الگوریتمهای هوش مصنوعی که حتی با دادههای رمزگذاری شده کار میکند میتواند برای جستجوی دیتابیس و بازیابی اطلاعات لازم برای تأیید مدارک ارائه شده نیز مورد استفاده قرار گیرد.
دانشگاه ام.آی.تی و شرکت لرنینگ ماشین برای ایجاد یک پلتفرم آموزشی بلاکچین-محور در حال همکاری هستند تا فراگیرانی که در دورههای آموزشی حضور داشته و آزمون نهایی را قبول شدهاند مدرکی دریافت کنند که در شبکه بلاکچین ذخیره شده است. این شبکه، مدرک و مشخصات فرد دارنده آن را ذخیره میکند تا برای تأیید مدرکهای آتی (در دیگر دانشگاهها و شرکتها) مورد استفاده قرار گیرد.
چالشهای استفاده از فناوریهای نوین در منابع آموزشی باز
استانداردسازی دادههایی که از منابع مختلف گردآوری میشوند (سنسورها، لاگها، صوت و ...) چالشی است که روی تحلیل دادهها و استخراج اطلاعات مفید تأثیر میگذارد.
الگوریتمهای پیشرفتهتر و صحیحتری باید برای تشخیص و استخراج الگوها و دادههای یادگیری درباره فراگیران از دادههای بزرگ یادگیری نیازست.
رعایت حریم خصوصی فراگیران، حق گردآوری دادهها و مالکیت دادههای گردآوری شده از دیگر چالشهاست.
چالش دیگر، در معرض نقد قرار گرفتن منابع آموزشی باز است. چیزی که در نظام آموزشی سنتی وجود نداشته و معلمان به آن عادت ندارند. محتواهای منابع آموزشی باز در دسترس همگان هستند و فناوریهای جدید میتوانند خلاءهای موجود در آنان را به مدرسان نشان دهند تا با ایجاد تغییرات و اصلاحات لازم، آنها را بهبود بخشند. اما ممکن است مدرسان با این در معرض نقد قرار گرفتن راحت نباشند.
دیگر اینکه همه مدرسان یا ناشران ممکن است مهارتهای لازم برای ایجاد محیطهای خبره منابع آموزشی باز را نداشته باشند. چگونه میتوان اساتید و فراگیران را برای تولید منابع آموزشی باز آماده کرد؟ این امر تلاشی همه جانبه از سوی فراگیران، مدرسان و سیاستگذاران را میطلبد.
از آنجا که منابع آموزشی باز رایگان هستند، تأمین مالی برای نگهداری از آنان بزرگترین چالش است. دانشگاهها باید مدل درآمدی موفقی پیدا کنند که از ایجاد و انتشار منابع آموزشی باز حمایت کند. نیاز به مدلهای جدید درآمدی با استفاده از فناوریهای جدید است که آموزش باز پایدار را ممکن کند.
آموزشهای فناوری اطلاعات بیشتری نیاز است تا به رفع نابرابری بین استفاده کنندگان (مدرسان و فراگیران) در مناطق مختلف از نظر توانمندیهای دانش و زیرساختها بپردازد.
به مخازن دیجیتال هوشمندی برای منابع آموزشی باز نیاز داریم که با استفاده از یادگیری ماشین و فنون پردازش زبان طبیعی بصورت خودکار منابع آموزشی بارگذاری شده را برای بازیابی بهتر، تحلیل و تگ کند، منابع آموزشی باز حاوی محتوای توهینآمیز (در قالب عکس، متن، صدا و ...) را حذف کند، الگوریتمهای رتبهبندی را براساس نظر کاربران بکار ببرد تا منابع آموزشی باز باکیفیت در صدر بقیه منابع قرار بگیرند.
مریم صرافزاده، متولد دزفول هستم. کتابدار بودهام. عضو هیأت علمی دانشگاه خلیج فارس و دانشگاه تهران بودهام و حال در این طرف کره زمین، معلم زبان و کتابداری شدهام. این وبلاگ برای سهیم کردن دیگران در دانستهها و تجربیات و مدیریت دانش شخصی ایجاد شده است.