データに基づくパーソナライズ学習
その答えはマスタリーベースのアダプティブ（個別）学習にあるとのこと。
学習をモジュール化する
ここしばらく、マイクロコンテンツが流行っています。その好例がソーシャルメディアです。このようなメディアでは、ツイート、「いいね」、ピン、ミームなど、バイトサイズのスニペットが多用されています。ビデオの場合、以前は30分のテレビ番組だったものが、3分のYouTubeクリップになっています。今のコンテンツは、すぐに視聴できるように最適化されており、短い注意持続時間に適しています。
学習者にとって、バイトサイズのコンテンツは柔軟性を意味します。
重要なのは、マイクロコンテンツが単に、レッスンを小さくすることではないということです。
データに基づくパーソナライズの基本
たとえば、パーソナルラジオエンジンのPandoraです。
気に入ったかどうかを曲ごとに指定すれば、ユーザーの嗜好に基づくパーソナルデータベースを作ることができ、最終的には、そのユーザーがどのような曲を聞きたいかを判断できるようになります。Netflixのビデオ推奨やAmazonの推奨にも同様の仕組みが使われています。このような仕組みでは、ユーザーが明示的に登録した嗜好と、推論による嗜好が組み合わされており、それに基づいてユーザーに推奨が行われます。
いずれの場合も、推奨の質は、ユーザーがコンテンツを使う頻度、およびそのコンテンツのタグ付けの精度（ジャンル、構成、トーン、話題）という2つの要因に依存します。タグ付けには無限のオプションがあり、大きな強みとなる可能性があります。自分が映画を見るときのポイントは、その主演女優でしょうか、それとも撮影技術でしょうか、または物語の展開やシナリオでしょうか？実際には、そのすべての組み合わせだと思います。
だから、適切なタグ付けとユーザーインタラクションがあれば、このような複雑な嗜好も特定することができます。ユーザーが偶然面白いコンテンツを見つけた場合であっても、エンジンがユーザーの嗜好の理解を洗練させていくことに役立ちます。さらに、このような個々のインタラクションは、アルゴリズムによるユーザー理解を洗練させることに役立ち、それぞれのユーザーの学習体験を向上させるのです。
データに基づくパーソナライズエンジンは、他の業界で大いに成功しています。学習にもそれを適用するときが来ているのです。
データを使って学習効果を高める
学習は複雑なプロセスです。個々の学習体験をデザインするときには、正確性、時間、メタ認知、エンゲージメントという4つの主要な指標を明らかにする必要があります。
このようなすべてのデータをまとめることにより、学習者体験の真のパーソナライズ・最適化をはじめることができます。
アダプティブ学習は、自動化された個人指導のようなものです。
アダプティブ学習では、個々の学習者のニーズに合わせてコンテンツがカスタマイズされます。
アダプティブ学習テクノロジーでは、学習者の上達レベルに応じて必要とされるコンテンツのみを学びます。
最大限の効果を得るために学習者が最も集中する必要のある領域に時間やフォーカスを割り当てるにつれ、習熟率が向上します。フォーカスすることにより、こうした効果が一貫して得られるので、学習が、より満足を与えるプロセスとなり、記憶の保持や修了率が向上します。
学習に集中できるようになるにつれ、関与意識も高まります。学習の道筋がより明確になり、より多くの責任が学習者に委ねられるようになります。
アダプティブ学習は専門能力を学ぶための有効な学習オプションとなり得ます。アダプティブ学習は、現在の学習者固有の必要性に直接的に応えることができる（時間が少なく、責任が重い）だけでなく、タレント開発の分野における今後の大きなステップとなる可能性があります。
UMUのラーニングテクノロジーは個別学習（アダプティブラーニング）に最適なソリューションです。
学習者それぞれの嗜好・傾向など元に、それぞれに合った学習提供が可能です。学習者の学習時間や学習時間帯を知ることも可能です。
学習者個別のニーズに合わせた学習を提供したいなら
UMUは、「教える」「学ぶ」「実践する」 そして、パフォーマンスを向上させるために革新的な機能とサービスを提供し続けております。
「ラーニングテクノロジー」、「パフォーマンスラーニング」にご興味がある方は、ぜひcs@umu.coまでお問い合わせください。
AIをベースとしたパフォーマンスラーニングプラットフォームーUMU
これからもぜひご期待ください！
