4. Anden præmis:
•Uddannelse handler om at bringe
system i læringsprocessen og heri
ligger en masse interaktioner, hvor nogen
eller noget aktivt formgiver det, som nogle
andre er i færd med at lære.
5. Tredje præmis
• Når jeg taler om uddannelsesteknologier,
taler jeg primært om teknologier, som
med agens påtager sig rollen som
undervisende i en eller anden forstand.
• Undervisende og til dels organiserende.
6. Fjerde præmis:
• Uddannelse(steknologier) skal både
producere ”mere af det samme”
(reproduktionen) OG sikre
produktionen af ”mere af noget
andet” (fornyelsen, forbedringen,
videnskaben, tænkningen og kunsten)
7. Kunstig intelligens:
Data og algoritmer
• * Skak og Go: Regler og kendt ideal-udfald
• * Facebook og valgmanipulation: Likes og data
• Men.. Uddannelse følger i ringe omfang kendte
regler, ideal-udfaldet er komplekst og subjektive
domme er ikke nok.
8. Kunstig, generel intelligens er stadig magi.
For at skabe uddannende interaktioner er vi nødt til, analytisk,
at fortælle computeren, hvem den studerende “er”
9. Hvad skal der til før læringsteknologi kan
være et konstruktivt bidrag til at løse
udfordringen?
Lad os se på et eksempel
11. Matematikpilot om negative tal
19 elever i 5. klasse på
Strandvejsskolen i København.
Elever med stor faglig spredning fra
flere sociale lag inkl. tosprogede og
ordblinde.
Metode: Rhapsode & flipped classroom.
17. Jeg har været meget imponeret over, hvor gode de har været til
selv at gå i gang.
Flere af eleverne synes nu pludselig, at opgaverne i bogen var
mega nemme, og de var overraskede over, at de havde
færdighederne til at løse bogens opgaver. Det var en stor succes
for flere af dem.
De løste alle sammen “Breddeopgaverne” rigtigt og “Eftertanken”
gik også rigtig godt. De har lært noget!
De ordblinde har været rigtigt glade for programmet. De kunne
bare få læst op, uden de skulle bruge andre programmer.
- Lærer Christina Juulsgaard
18. Menneske og maskine i samarbejde:
“Jeg tror det kan være med til at løfte det
faglige niveau i klassen, fordi jeg får frigjort
mere tid til de elever, der har brug for ekstra
støtte og en tæt lærerrelation.”
- Lærer Christina Juulsgaard
19. Baggrundsviden Omsættelse
Blooms 2-sigma studie, der viser at 1:1
undervisning er bedst til at løfte alle.
Efterlign en personlig lærer. Personlig,
adaptiv algoritme, der tilpasser
materialet til hver elev.
Ebbinghaus’ forget curve Programmet holder styr på, hvad man
skal genopfriske
Metakognition, deliberate practice Selvevaluering på alle spørgsmål,
hjælp til at opdage svage punkter
Zonen for den nærmeste udvikling,
pædagogisk vindue
Den adaptive algoritme tilpasser
sværhedsgrad og materiale til hver
elev hvert minut
20. Ikke kun matematik
● Hundredvis af fag fra astronomi,
psykologi til zoologi, selv
teknologiforståelse og GDPR
● Tusindvis af produkter i folkeskole,
videregående uddannelse, erhvervsliv
● 20 millioner elever har brugt
systemerne
● 20 milliarder datapunkter behandlet
21. Andre eksempler:
● Dataindsamling på tidlige tegn på dysleksi
● Fejltype-identificering og efterfølgende
øvelse
● Natural Language Programming analyser –
fx ift. Akademisk dialog
● Simulatorer
22. Så hvad med fremtiden?
● Automatisering af simpel undervisning
● Semi-cyborg-automatisering af det
komplekse
● On-demand mikro undervisning
● Bedre computationel forståelse af ”eleven”
● Bedre computationel styring og
organisering
● Simulatorer
23. Så kan uddannelsesteknologier bestå fjerde-
præmis – prøven?
Uddannelse(steknologier) skal både
producere ”mere af det samme” OG sikre
produktionen af ”mere af noget andet”?
- Et empirisk spørgsmål der kræver forskning
+ et bedre, efterprøvelsesdygtigt begreb om
”mere af noget andet”.
27. Rhapsode
HEATMAP
⎼ Area9 Rhapsode™ HEATMAP
includes the tools and the workflow
to keep a product updated according
to learning outcome
⎼ The publisher’s competitive
advantage
⎼ Documentation that their product is
highly effective as a learning resource
⎼ Documentation of an increased
learning effect of new and improved
editions