Informations

L'approche actuelle de l'apprentissage de l'IA est-elle essentiellement béhavioriste ?

L'approche actuelle de l'apprentissage de l'IA est-elle essentiellement béhavioriste ?

L'IA, au niveau que nous essayons de créer ces jours-ci, implique la création de réseaux de neurones qui apprennent des stimuli (expérience, données) et du renforcement. Un score plus élevé comme dans un jeu de Go, ou un pourcentage plus élevé de mots, de visages ou de signes correspondants semble correspondre à un renforcement positif dans le conditionnement classique. Étant donné que le béhaviorisme est généralement considéré comme quelque peu dépassé, si ce qui précède a du sens, ce modèle d'apprentissage pourrait-il limiter les progrès de l'IA ?


Apprentissage

l'acquisition de connaissances, de capacités et d'habitudes. Contrairement aux concepts pédagogiques de formation, d'éducation et d'éducation, le terme &ldquolearning&rdquo est principalement utilisé dans la psychologie du comportement et englobe un large éventail de processus qui constituent l'expérience individuelle. Parmi les phénomènes classés comme apprentissage figurent l'accoutumance, l'empreinte, le développement des réflexes conditionnés les plus simples et des habiletés motrices et verbales complexes, les réactions de discrimination sensorielle et l'apprentissage intelligent (chez l'homme).

Tout comme le &ldquocomportement instinctif&rdquo &ldquolearning&rdquo est un concept fondamental de l'éthologie qui fait référence à l'adaptation d'un animal à son environnement par des changements dans son comportement inné. Il existe deux formes fondamentales d'apprentissage : l'apprentissage obligatoire (principalement l'empreinte), qui est caractéristique de tous les individus d'une espèce donnée et l'apprentissage facultatif (principalement l'habitude et, dans une certaine mesure, l'imitation), qui est caractéristique du comportement de certains individus. et dépend des conditions spécifiques de leur vie.

Un nombre énorme d'expériences, dont beaucoup ont été menées sur des animaux aux États-Unis dans le cadre du béhaviorisme, ont été consacrées aux processus d'apprentissage. L'attention s'est concentrée sur l'élucidation de l'influence de divers facteurs sur l'apprentissage, notamment le nombre et la répartition des répétitions, le renforcement (la loi de l'effet), le type de conditionnement des réponses et la dépendance à l'état de besoin. Plus complexes sont les problèmes du transfert des résultats de l'apprentissage vers des conditions différentes de celles de la situation d'apprentissage d'origine, l'apprentissage latent et la formation de structures sensorimotrices et de synthèses sensorielles qui fonctionnent comme les variables internes du comportement, ou ses liens psychologiques. .

La plupart des recherches sur l'apprentissage, qui est généralement défini comme l'adaptation aux conditions créées dans l'expérience, se sont concentrées sur les formes les plus simples, « quopassives » d'acquisition d'habitudes, notamment sensorielles et mentales. Par conséquent, les résultats de cette recherche ne peuvent pas être étendus à des formes d'apprentissage spécifiques à l'homme. L'expérience historique de l'humanité est transmise à certaines personnes par le biais de l'éducation, l'une des fonctions les plus importantes de la société, confiée spécifiquement aux écoles et autres institutions pédagogiques.


Qu'est-ce que le comportementalisme en psychologie?

Le béhaviorisme est la théorie selon laquelle la psychologie humaine ou animale peut être étudiée objectivement par le biais d'actions observables (comportements). psychologie.

Points clés à retenir : le comportementalisme

  • Le béhaviorisme est la théorie selon laquelle la psychologie humaine ou animale peut être étudiée objectivement à travers des actions observables (comportements), plutôt que des pensées et des sentiments qui ne peuvent être observés.
  • Les personnalités influentes du behaviorisme incluent les psychologues John B. Watson et B.F. Skinner, qui sont respectivement associés au conditionnement classique et au conditionnement opérant.
  • Dans le conditionnement classique, un animal ou un humain apprend à associer deux stimuli entre eux. Ce type de conditionnement implique des réponses involontaires, telles que des réponses biologiques ou émotionnelles.
  • Dans le conditionnement opérant, un animal ou un humain apprend un comportement en l'associant à des conséquences. Cela peut se faire par un renforcement positif ou négatif, ou une punition.
  • Le conditionnement opérant est toujours présent dans les salles de classe aujourd'hui, bien que le béhaviorisme ne soit plus le mode de pensée dominant en psychologie.

Introduction

Le but de cet exposé de position est de présenter l'état actuel, les opportunités et les défis des mégadonnées et de l'IA dans l'éducation. Le travail est issu des opinions et des comptes rendus des discussions d'une conférence internationale sur les mégadonnées et l'IA dans l'éducation (The International Learning Sciences Forum, 2019), où d'éminents chercheurs et experts de différentes disciplines telles que l'éducation, la psychologie, la science des données, l'IA , et neurosciences cognitives, etc., ont échangé leurs connaissances et leurs idées. Cet article est organisé comme suit : nous commençons par un aperçu des progrès récents du big data et de l'IA dans l'éducation. Ensuite, nous présentons les grands défis et les tendances émergentes. Enfin, sur la base de nos discussions sur les mégadonnées et l'IA dans l'éducation, une conclusion et une portée future sont suggérées.

Les progrès rapides des technologies de mégadonnées et d'intelligence artificielle (IA) ont eu un impact profond sur tous les domaines de la société humaine, y compris l'économie, la politique, la science et l'éducation. Grâce en grande partie à ces développements, nous sommes en mesure de poursuivre bon nombre de nos activités sociales dans le cadre de la pandémie de COVID-19. Les outils numériques, les plates-formes, les applications et les communications entre les personnes ont généré de grandes quantités de données (𠆋ig data’) dans des emplacements disparates. Les technologies Big Data visent à exploiter la puissance de données étendues en temps réel ou autrement (Daniel, 2019). Les attributs caractéristiques des mégadonnées sont souvent appelés les quatre V&# x2019. C'est-à-dire le volume (quantité de données), la variété (diversité des sources et des types de données), la vitesse (vitesse de transmission et de génération des données) et la véracité (l'exactitude et la fiabilité des données) (Laney, 2001 Schroeck et al., 2012 Geczy, 2014). Récemment, un 5e V a été ajouté, à savoir la valeur (c'est-à-dire que les données pourraient être monétisées Dijcks, 2013). En raison des caractéristiques intrinsèques du Big Data (les cinq V), les ensembles de données volumineux et complexes sont impossibles à traiter et à utiliser en utilisant les techniques traditionnelles de gestion des données. Par conséquent, des technologies informatiques nouvelles et innovantes sont nécessaires pour l'acquisition, le stockage, la distribution, l'analyse et la gestion des mégadonnées (Lazer et al., 2014 Geczy, 2015). L'analyse des mégadonnées englobe généralement les processus de collecte, d'analyse et d'évaluation de grands ensembles de données. L'extraction de connaissances exploitables et de modèles viables à partir des données est souvent considérée comme les principaux avantages de la révolution des mégadonnées (Mayer-Schönberger et Cukier, 2013 Jagadish et al., 2014). L'analyse des mégadonnées utilise une variété de technologies et d'outils, tels que l'analyse statistique, l'exploration de données, la visualisation de données, l'analyse de texte, l'analyse des réseaux sociaux, le traitement du signal et l'apprentissage automatique (Chen et Zhang, 2014).

En tant que sous-ensemble de l'IA, l'apprentissage automatique se concentre sur la construction de systèmes informatiques capables d'apprendre et de s'adapter automatiquement aux données sans programmation explicite (Jordan et Mitchell, 2015). Les algorithmes d'apprentissage automatique peuvent fournir de nouvelles informations, prédictions et solutions pour personnaliser les besoins et les circonstances de chaque individu. Avec la disponibilité de données de formation d'entrée en grande quantité et de haute qualité, les processus d'apprentissage automatique peuvent obtenir des résultats précis et faciliter une prise de décision éclairée (Manyika et al., 2011 Gobert et al., 2012, 2013 Gobert et Sao Pedro, 2017). Ces méthodes d'apprentissage automatique à forte intensité de données sont positionnées à l'intersection des mégadonnées et de l'IA, et sont capables d'améliorer les services et la productivité de l'éducation, ainsi que de nombreux autres domaines, notamment le commerce, la science et le gouvernement.

En ce qui concerne l'éducation, notre principal domaine d'intérêt ici, l'application des technologies de l'IA remonte à environ 50 ans. Le premier système de tutorat intelligent “SCHOLAR” a été conçu pour soutenir l'apprentissage de la géographie et était capable de générer des réponses interactives aux déclarations des étudiants (Carbonell, 1970). Alors que la quantité de données était relativement faible à l'époque, elle était comparable à la quantité de données recueillies dans d'autres études pédagogiques et psychologiques traditionnelles. La recherche sur l'IA dans l'éducation au cours des dernières décennies a été consacrée à l'avancement des technologies informatiques intelligentes telles que les systèmes de tutorat intelligents (Graesser et al., 2005 Gobert et al., 2013 Nye, 2015), les systèmes robotiques (Toh et al., 2016 Anwar et al., 2019), et les chatbots (Smutny et Schreiberova, 2020). Avec les percées dans les technologies de l'information au cours de la dernière décennie, les psychologues scolaires ont eu un plus grand accès aux mégadonnées. Concrètement, les médias sociaux (par exemple, Facebook, Twitter), les environnements d'apprentissage en ligne [par exemple, les cours en ligne ouverts et massifs (MOOC)], les systèmes de tutorat intelligents (par exemple, AutoTutor), les systèmes de gestion de l'apprentissage (LMS), les capteurs et les appareils mobiles sont générer des quantités toujours croissantes de données dynamiques et complexes contenant des dossiers personnels des élèves, des données physiologiques, des journaux et des activités d'apprentissage, ainsi que leurs performances et leurs résultats d'apprentissage (Daniel, 2015). L'analyse de l'apprentissage, décrite comme « la mesure, la collecte, l'analyse et la communication de données sur les apprenants et leurs contextes, dans le but de comprendre et d'optimiser l'apprentissage et les environnements dans lesquels il se déroule (Long et Siemens, 2011, p. 34). ), sont souvent mis en œuvre pour analyser ces énormes quantités de données (Aldowah et al., 2019). Les techniques d'apprentissage automatique et d'IA élargissent davantage les capacités de l'analyse de l'apprentissage (Zawacki-Richter et al., 2019). Les informations essentielles extraites des mégadonnées pourraient être utilisées pour optimiser l'apprentissage, l'enseignement et l'administration (Daniel, 2015). Par conséquent, la recherche sur les mégadonnées et l'IA gagne en importance dans l'éducation (Johnson et al., 2011 Becker et al., 2017 Hwang et al., 2018) et la psychologie (Harlow et Oswald, 2016 Yarkoni et Westfall, 2017 Adjerid et Kelley , 2018 Cheung et Jak, 2018). Récemment, l'adoption des mégadonnées et de l'IA dans la psychologie de l'apprentissage et de l'enseignement est devenue une nouvelle méthode dans la recherche pédagogique de pointe (Daniel, 2015 Starcic, 2019).


Un regard sur l'enquête appréciative dans l'éducation

L'enquête appréciative peut également être très bénéfique pour l'éducation. Dans une étude réalisée à la California State University, à San Bernardino, des chercheurs ont considéré le processus d'IA comme une voie de changement en termes d'éducation. (Buchanan, 2014)

La plupart des initiatives étatiques et fédérales pour le changement éducatif découlent d'un modèle de déficit qui examine ce qui ne va pas et comment y remédier.

Appreciative Inquiry se concentre sur ce qui est juste et ce qui fonctionne déjà. L'étude réalisée a exploré les diverses relations et le leadership ainsi que les qualités d'apprentissage organisationnel qui existaient au sein de cinq districts scolaires unifiés du Haut Désert.

L'étude a utilisé l'IA comme processus de mise en œuvre des normes de base communes (CCSS) pour adopter une structure de leadership distribuée et créer les conditions d'une mise en œuvre plus efficace de la prochaine réforme.

La question de recherche consistait à examiner la relation entre la capacité d'appréciation des éducateurs, le leadership distribué, l'apprentissage organisationnel et la préparation afin de mettre en œuvre une réforme curriculaire mandatée par l'État, le CCSS.

L'étude avait le potentiel de transformer la pratique éducative en fournissant un modèle précieux pour la réforme continue de l'éducation.

L'étude a utilisé le modèle d'IA 5-D, qui se concentre sur l'adoption d'une approche basée sur les forces pour améliorer la culture scolaire.

Cette approche 5-D prépare les organisations à une croissance continue en termes de points forts du système.

L'étude a examiné l'IA en termes de leadership distribué et d'apprentissage organisationnel. Le contexte de l’étude était la préparation des éducateurs à mettre en œuvre la réforme du CCSS.

Les participants à l'étude provenaient des districts scolaires du Haut Désert du comté de San Bernardino, le plus grand comté géographique des États-Unis et qui abrite 33 districts scolaires.

Le district emploie environ 2 212 enseignants et 177 administrateurs.

L'hypothèse et l'analyse proposée étaient les suivantes :

  1. L'inventaire des capacités de l'IA sera modérément corrélé aux 8 principes de l'IA.
  2. La prise de décision participative sera modérément corrélée aux fonctions de leadership.
  3. Le dialogue sera modérément corrélé à l'idée de prendre des risques.
  4. La prise de risques sera moyennement corrélée à l'expérimentation.
  5. L'expérimentation sera modérément corrélée au dialogue.

L'étude a conclu que l'enquête appréciative seule n'est pas suffisante. Le leadership distribué et l'apprentissage organisationnel sont également des éléments nécessaires pour mettre en œuvre un changement réussi.

De nombreux efforts de changement échoueront même lorsque les gens ont une voix parce que les dirigeants peuvent ne pas soutenir la contribution de ces voix.

Le leadership distribué et l'apprentissage organisationnel ont chacun partiellement médiatisé la relation de préparation de l'enquête appréciative aux normes de base communes de l'État.

Cependant, l'étude a révélé qu'un changement significatif prend du temps. Les éducateurs participants ont signalé que les concepts de l'étude étaient liés.

De plus, il a été déterminé qu'un véritable changement ne peut souvent pas être accompli dans un atelier statique d'une journée. La croissance doit être nourrie par des contributions et des commentaires continus afin de surveiller le changement et de s'adapter aux nouvelles informations qui sont continuellement recueillies.

L'étude a démontré que l'enquête appréciative convient parfaitement à la mise en œuvre d'une réforme de l'éducation.

Selon Cooperrider et Whitney, les dirigeants qui adoptent une enquête appréciative « envoient un message clair et cohérent : le changement positif est la voie du succès ici ». (Cooperrider et Whitney. 2005. p. 46)


Notre expertise

Chez GBKSOFT, nous avons travaillé sur un projet IoT unique, où le concept IoB est également mis en œuvre. L'essence du projet était d'aider les golfeurs à améliorer leurs compétences de jeu à l'aide d'une application mobile et d'un appareil portable de suivi, à savoir, corriger la technique de frappe de balle existante et apprendre de nouvelles techniques. Le processus est structuré de cette façon. Avant de commencer l'entraînement, le joueur met un appareil portable connecté à son appareil mobile et commence l'entraînement. Chaque coup sur la balle de golf est enregistré dans l'application, analysé (mesuré par la force du coup, la trajectoire, l'angle, etc.). En conséquence, le joueur peut voir ses erreurs et obtenir des recommandations visuelles sur la façon d'améliorer son swing et son coup.

L'unicité de cette solution réside dans le fait que :

  • le marché n'a jamais rien vu de tel
  • la plupart des solutions qui étaient sur le marché se concentraient sur le perfectionnement des compétences existantes. Cette solution se concentre sur l'apprentissage du joueur de golf en fonction des paramètres corporels, des compétences préexistantes, etc.
  • approche individuelle à chaque utilisateur
  • il n'est pas nécessaire d'impliquer un coach pour travailler sur la qualité du jeu.

Avant de commencer le développement d'un projet, nous recommandons toujours de mener une phase de découverte, qui permet d'étudier plus en détail les clients potentiels, les besoins de votre entreprise et de vos clients, et d'analyser les solutions existantes pour rendre la future solution numérique unique et précieuse.

Nous vous recommandons de démarrer un développement de solution complexe avec MVP, ce qui vous permet de publier le projet rapidement. Sur la base des commentaires reçus d'utilisateurs réels, étendez les fonctions de la solution au nombre requis. Cette approche vous aide à démarrer avec un petit budget et à créer une solution en demande sur le marché. Ci-dessous, nous avons fourni une estimation du MVP du projet dont nous avons parlé plus tôt.

Travaux USD Les heures
Caractéristiques 2856 119
Concevoir 1394 82
Développement Android 9303 443
Test manuel 2010 134
Scrum Master 3186 177
Le total $ 18749 955

Veuillez noter que l'estimation est faite pour un projet spécifique et ne peut pas servir de base aux calculs de votre projet. Étant donné que chacun de ces logiciels est une solution individuelle avec un ensemble particulier de fonctions créées pour les besoins spécifiques de l'entreprise, vous pouvez demander une consultation gratuite avec notre Business Analyst pour obtenir une estimation plus précise.


L'avenir des bibliothèques universitaires à l'ère numérique

Intelligence artificielle et traduction automatique

L'intelligence artificielle (IA) est une nouvelle science et technologie qui étudie les théories, les mécanismes, les développements et les applications sur la façon de simuler l'intelligence humaine via des robots informatisés, la reconnaissance vocale, la reconnaissance d'images, les processus de langage naturel, les systèmes experts, etc. Avec l'aide de l'intelligence artificielle et des technologies informatiques connexes, la traduction automatique (MT) fait référence à la conversion et à la traduction d'une langue naturelle vers une autre langue naturelle. Pour les bibliothèques universitaires et les bibliothécaires, de nouvelles réalisations en IA seront apportées pour changer les services d'information dans les futures bibliothèques universitaires. Quand l'auteur a regardé l'émission de quiz préférée des États-Unis Péril! Au début de 2011, il était étonnant de voir avec quelle facilité IBM Robot Watson ( IBM Watson, 2010 ) a battu deux concurrents humains et remporté le championnat Jeopardy. De la victoire d'IBM Watson, nous pouvons prévoir à quoi ressembleront les services d'information dans les futures bibliothèques universitaires. Étant donné que l'anglais n'est pas la seule langue utilisée pour la fourniture d'informations, le développement de la traduction automatique accélérera l'échange et le partage d'informations entre les différents pays et régions. En outre, il sera utile de promouvoir la référence collaborative, qui est un modèle de services d'information de bibliothèque innovant exécuté par différentes bibliothèques universitaires et/ou publiques dans différents emplacements géographiques, parmi des bibliothécaires parlant dans différentes langues.


Behaviorisme

Le behaviorisme découle des travaux de B.F. Skinner et du concept de conditionnement opérant. Les théoriciens du behaviorisme croient que la connaissance existe indépendamment et en dehors des personnes. Ils considèrent l'apprenant comme une ardoise vierge à qui l'on doit offrir l'expérience. Les comportementalistes croient que l'apprentissage se produit réellement lorsque de nouveaux comportements ou des changements de comportements sont acquis par des associations entre des stimuli et des réponses. Ainsi, l'association conduit à un changement de comportement.

Processus d'apprentissage

Le processus d'apprentissage est basé sur des changements de comportement objectivement observables. Les théoriciens du comportement définissent l'apprentissage simplement comme l'acquisition d'un nouveau comportement ou un changement de comportement. La théorie est que l'apprentissage commence lorsqu'un signal ou un stimulus de l'environnement est présenté et que l'apprenant réagit au stimulus avec un certain type de réponse. Les conséquences qui renforcent le comportement souhaité sont organisées pour suivre le comportement souhaité (par exemple, étudier pour un test et obtenir une bonne note). Le nouveau modèle de comportement peut être répété afin qu'il devienne automatique. Le changement de comportement de l'apprenant signifie que l'apprentissage a eu lieu. Les enseignants utilisent le comportementalisme lorsqu'ils récompensent ou punissent les comportements des élèves.

Exemples et applications de la théorie de l'apprentissage comportementaliste :

  • Forage / Rotation
  • Pratique répétitive
  • Points bonus (fournissant une incitation à en faire plus)
  • Points de participation (fournissant une incitation à participer)
  • Renforcement verbal (en disant “bon travail”)
  • Établir des règles

Malheureusement, l'enseignement du comportementalisme ne prépare pas l'apprenant à la résolution de problèmes ou à la pensée créative. Les apprenants font ce qu'on leur dit et ne prennent pas l'initiative de changer ou d'améliorer les choses. L'apprenant n'est préparé que pour le rappel des faits de base, les réponses automatiques ou l'exécution de tâches.

Liens


Où étudier la science des données comportementales

Des cours de science des données comportementales au niveau Master sont actuellement disponibles à l'Université de Warwick (un programme de maîtrise dédié) et à l'Université d'Amsterdam (un volet du Master en psychologie), bien que le programme de l'Université d'Amsterdam semble couvrir principalement le comportement analytique. Une autre bonne source d'informations sur la science des données comportementales est le groupe d'intérêt spécial de l'Institut Alan Turing, qui organise de nombreux événements pertinents tout au long de l'année et partage régulièrement des podcasts et des vidéos éducatifs en ligne. En 2021-2022, la Cambridge University Press publiera le Cambridge Handbook of Behavioral Data Science dans le cadre de sa série Cambridge Handbooks in Psychology, qui fournira un aperçu contemporain complet du domaine.


Perspective humaniste

La perspective humaniste a été principalement inspirée par Abraham Maslow et Carl Rogers, qui ont tous deux souligné leur point de vue psychologique sur le libre arbitre et le choix individuel. La perspective humaniste générale est également fortement basée sur la hiérarchie des besoins de Maslow (conseil : la hiérarchie des besoins de Maslow est une théorie très importante en psychologie, attendez-vous toujours à une question à ce sujet pour l'examen de psychologie AP®). Cette théorie stipule essentiellement que pour qu'une personne atteigne son plein potentiel, elle doit franchir chacune des cinq étapes ou besoins. Ce sont (dans l'ordre) les besoins physiologiques, les besoins de sécurité, les besoins d'amour et d'appartenance, les besoins d'estime et les besoins de réalisation de soi. En général, la perspective humaniste considère le comportement humain dans son ensemble, et que nous contrôlons et choisissons la majorité de nos comportements.

Un exemple de la façon dont un psychologue humaniste aborderait quelque chose est qu'il peut dire qu'une personne introvertie peut choisir de limiter son cercle social parce qu'elle trouve que ses besoins sont mieux satisfaits avec un petit groupe d'amis. Une critique de cette perspective est qu'il est difficile de tester avec des expériences et par la méthode scientifique.

Un regard plus détaillé sur la perspective humaniste est également disponible dans notre revue de cours accéléré.


Introduction

Le but de cet exposé de position est de présenter l'état actuel, les opportunités et les défis des mégadonnées et de l'IA dans l'éducation. Le travail est issu des opinions et des comptes rendus des discussions d'une conférence internationale sur les mégadonnées et l'IA dans l'éducation (The International Learning Sciences Forum, 2019), où d'éminents chercheurs et experts de différentes disciplines telles que l'éducation, la psychologie, la science des données, l'IA , et neurosciences cognitives, etc., ont échangé leurs connaissances et leurs idées. Cet article est organisé comme suit : nous commençons par un aperçu des progrès récents du big data et de l'IA dans l'éducation. Ensuite, nous présentons les grands défis et les tendances émergentes. Enfin, sur la base de nos discussions sur les mégadonnées et l'IA dans l'éducation, une conclusion et une portée future sont suggérées.

Les progrès rapides des technologies de mégadonnées et d'intelligence artificielle (IA) ont eu un impact profond sur tous les domaines de la société humaine, y compris l'économie, la politique, la science et l'éducation. Grâce en grande partie à ces développements, nous sommes en mesure de poursuivre bon nombre de nos activités sociales dans le cadre de la pandémie de COVID-19. Les outils numériques, les plates-formes, les applications et les communications entre les personnes ont généré de grandes quantités de données (𠆋ig data’) dans des emplacements disparates. Les technologies Big Data visent à exploiter la puissance de données étendues en temps réel ou autrement (Daniel, 2019). Les attributs caractéristiques des mégadonnées sont souvent appelés les quatre V&# x2019. C'est-à-dire le volume (quantité de données), la variété (diversité des sources et des types de données), la vitesse (vitesse de transmission et de génération des données) et la véracité (l'exactitude et la fiabilité des données) (Laney, 2001 Schroeck et al., 2012 Geczy, 2014). Récemment, un 5e V a été ajouté, à savoir la valeur (c'est-à-dire que les données pourraient être monétisées Dijcks, 2013). En raison des caractéristiques intrinsèques du Big Data (les cinq V), les ensembles de données volumineux et complexes sont impossibles à traiter et à utiliser en utilisant les techniques traditionnelles de gestion des données. Par conséquent, des technologies informatiques nouvelles et innovantes sont nécessaires pour l'acquisition, le stockage, la distribution, l'analyse et la gestion des mégadonnées (Lazer et al., 2014 Geczy, 2015). L'analyse des mégadonnées englobe généralement les processus de collecte, d'analyse et d'évaluation de grands ensembles de données. L'extraction de connaissances exploitables et de modèles viables à partir des données est souvent considérée comme les principaux avantages de la révolution des mégadonnées (Mayer-Schönberger et Cukier, 2013 Jagadish et al., 2014). L'analyse des mégadonnées utilise une variété de technologies et d'outils, tels que l'analyse statistique, l'exploration de données, la visualisation de données, l'analyse de texte, l'analyse des réseaux sociaux, le traitement du signal et l'apprentissage automatique (Chen et Zhang, 2014).

En tant que sous-ensemble de l'IA, l'apprentissage automatique se concentre sur la construction de systèmes informatiques capables d'apprendre et de s'adapter automatiquement aux données sans programmation explicite (Jordan et Mitchell, 2015). Les algorithmes d'apprentissage automatique peuvent fournir de nouvelles informations, prédictions et solutions pour personnaliser les besoins et les circonstances de chaque individu. Avec la disponibilité de données de formation d'entrée en grande quantité et de haute qualité, les processus d'apprentissage automatique peuvent obtenir des résultats précis et faciliter une prise de décision éclairée (Manyika et al., 2011 Gobert et al., 2012, 2013 Gobert et Sao Pedro, 2017). Ces méthodes d'apprentissage automatique à forte intensité de données sont positionnées à l'intersection des mégadonnées et de l'IA, et sont capables d'améliorer les services et la productivité de l'éducation, ainsi que de nombreux autres domaines, notamment le commerce, la science et le gouvernement.

En ce qui concerne l'éducation, notre principal domaine d'intérêt ici, l'application des technologies de l'IA remonte à environ 50 ans. Le premier système de tutorat intelligent “SCHOLAR” a été conçu pour soutenir l'apprentissage de la géographie et était capable de générer des réponses interactives aux déclarations des étudiants (Carbonell, 1970). Alors que la quantité de données était relativement faible à l'époque, elle était comparable à la quantité de données recueillies dans d'autres études pédagogiques et psychologiques traditionnelles. La recherche sur l'IA dans l'éducation au cours des dernières décennies a été consacrée à l'avancement des technologies informatiques intelligentes telles que les systèmes de tutorat intelligents (Graesser et al., 2005 Gobert et al., 2013 Nye, 2015), les systèmes robotiques (Toh et al., 2016 Anwar et al., 2019), et les chatbots (Smutny et Schreiberova, 2020). Avec les percées dans les technologies de l'information au cours de la dernière décennie, les psychologues scolaires ont eu un plus grand accès aux mégadonnées. Concrètement, les médias sociaux (par exemple, Facebook, Twitter), les environnements d'apprentissage en ligne [par exemple, les cours en ligne ouverts et massifs (MOOC)], les systèmes de tutorat intelligents (par exemple, AutoTutor), les systèmes de gestion de l'apprentissage (LMS), les capteurs et les appareils mobiles sont générer des quantités toujours croissantes de données dynamiques et complexes contenant des dossiers personnels des élèves, des données physiologiques, des journaux d'apprentissage et des activités, ainsi que leurs performances et leurs résultats d'apprentissage (Daniel, 2015). L'analyse de l'apprentissage, décrite comme « la mesure, la collecte, l'analyse et la communication de données sur les apprenants et leurs contextes, dans le but de comprendre et d'optimiser l'apprentissage et les environnements dans lesquels il se déroule (Long et Siemens, 2011, p. 34). ), sont souvent mis en œuvre pour analyser ces énormes quantités de données (Aldowah et al., 2019). Les techniques d'apprentissage automatique et d'IA élargissent davantage les capacités de l'analyse de l'apprentissage (Zawacki-Richter et al., 2019). Les informations essentielles extraites des mégadonnées pourraient être utilisées pour optimiser l'apprentissage, l'enseignement et l'administration (Daniel, 2015). Par conséquent, la recherche sur les mégadonnées et l'IA gagne en importance dans l'éducation (Johnson et al., 2011 Becker et al., 2017 Hwang et al., 2018) et la psychologie (Harlow et Oswald, 2016 Yarkoni et Westfall, 2017 Adjerid et Kelley , 2018 Cheung et Jak, 2018). Récemment, l'adoption des mégadonnées et de l'IA dans la psychologie de l'apprentissage et de l'enseignement est devenue une nouvelle méthode dans la recherche pédagogique de pointe (Daniel, 2015 Starcic, 2019).


Qu'est-ce que le comportementalisme en psychologie?

Le béhaviorisme est la théorie selon laquelle la psychologie humaine ou animale peut être étudiée objectivement par le biais d'actions observables (comportements). psychologie.

Points clés à retenir : le comportementalisme

  • Le béhaviorisme est la théorie selon laquelle la psychologie humaine ou animale peut être étudiée objectivement à travers des actions observables (comportements), plutôt que des pensées et des sentiments qui ne peuvent être observés.
  • Les personnalités influentes du behaviorisme incluent les psychologues John B. Watson et B.F. Skinner, qui sont respectivement associés au conditionnement classique et au conditionnement opérant.
  • Dans le conditionnement classique, un animal ou un humain apprend à associer deux stimuli entre eux. Ce type de conditionnement implique des réponses involontaires, telles que des réponses biologiques ou émotionnelles.
  • Dans le conditionnement opérant, un animal ou un humain apprend un comportement en l'associant à des conséquences. Cela peut être fait par un renforcement positif ou négatif, ou une punition.
  • Le conditionnement opérant est toujours présent dans les salles de classe aujourd'hui, bien que le béhaviorisme ne soit plus le mode de pensée dominant en psychologie.

Behaviorisme

Le behaviorisme découle des travaux de B.F. Skinner et du concept de conditionnement opérant. Les théoriciens du behaviorisme croient que la connaissance existe indépendamment et en dehors des personnes. Ils considèrent l'apprenant comme une ardoise vierge à qui il faut offrir l'expérience. Les comportementalistes croient que l'apprentissage se produit réellement lorsque de nouveaux comportements ou des changements de comportements sont acquis par des associations entre des stimuli et des réponses. Ainsi, l'association conduit à un changement de comportement.

Processus d'apprentissage

Le processus d'apprentissage est basé sur des changements de comportement objectivement observables. Les théoriciens du comportement définissent l'apprentissage simplement comme l'acquisition d'un nouveau comportement ou un changement de comportement. La théorie est que l'apprentissage commence lorsqu'un signal ou un stimulus de l'environnement est présenté et que l'apprenant réagit au stimulus avec un certain type de réponse. Les conséquences qui renforcent le comportement souhaité sont organisées pour suivre le comportement souhaité (par exemple, étudier pour un test et obtenir une bonne note). Le nouveau modèle de comportement peut être répété afin qu'il devienne automatique. Le changement de comportement de l'apprenant signifie que l'apprentissage a eu lieu. Les enseignants utilisent le comportementalisme lorsqu'ils récompensent ou punissent les comportements des élèves.

Exemples et applications de la théorie de l'apprentissage comportementaliste :

  • Forage / Rotation
  • Pratique répétitive
  • Points bonus (fournissant une incitation à en faire plus)
  • Points de participation (fournissant une incitation à participer)
  • Renforcement verbal (en disant “bon travail”)
  • Établir des règles

Malheureusement, l'enseignement du comportementalisme ne prépare pas l'apprenant à la résolution de problèmes ou à la pensée créative. Les apprenants font ce qu'on leur dit et ne prennent pas l'initiative de changer ou d'améliorer les choses. L'apprenant n'est préparé que pour le rappel des faits de base, les réponses automatiques ou l'exécution de tâches.

Liens


Perspective humaniste

La perspective humaniste a été principalement inspirée par Abraham Maslow et Carl Rogers, qui ont tous deux souligné leur point de vue psychologique sur le libre arbitre et le choix individuel. La perspective humaniste générale est également fortement basée sur la hiérarchie des besoins de Maslow (conseil : la hiérarchie des besoins de Maslow est une théorie très importante en psychologie, attendez-vous toujours à une question à ce sujet pour l'examen de psychologie AP®). Cette théorie stipule essentiellement que pour qu'une personne atteigne son plein potentiel, elle doit franchir chacune des cinq étapes ou besoins. They are (in order) physiological needs, safety needs, love and belonging needs, esteem needs, and self-actualization needs. In general, the humanistic perspective looks at human behavior as a whole, and that we are in control and chose the majority of our behaviors.

An example of how a humanistic psychologist would approach something is that they may say an introverted person may be choosing to limit their social circle because they find their needs are better met with a smaller group of friends. A critique of this perspective is that it is difficult to test with experiments and through the scientific method.

A more detailed look into the humanistic perspective is also available in our crash course review.


Apprentissage

the acquisition of knowledge, abilities, and habits. In contrast to the pedagogical concepts of training, education, and upbringing, the term &ldquolearning&rdquo is used primarily in the psychology of behavior and embraces a broad range of the processes that make up individual experience. Among the phenomena classified as learning are habituation, imprinting, the development of the simplest conditioned reflexes and complex motor and speech skills, reactions in sensory discrimination, and intelligent learning (in humans).

Like &ldquoinstinctive behavior,&rdquo &ldquolearning&rdquo is a fundamental concept of ethology that refers to the adaptation of an animal to its environment by changes in its innate behavior. There are two basic forms of learning: obligatory learning (mainly imprinting), which is characteristic of all individuals of a given species and facultative learning (chiefly habit, and, to some degree, imitation), which is characteristic of the behavior of some individuals and depends on the specific conditions of their lives.

An enormous number of experiments, many of them conducted on animals in the USA within the framework of behaviorism, have been devoted to the processes of learning. Attention has been focused on elucidating the influence of various factors on learning, including the number and distribution of repetitions, reinforcement (the law of effect), the type of conditioning of responses, and dependency on the state of need. More complex are the problems of the transfer of the results of learning to conditions that differ from those in the original learning situation, latent learning, and the formation of sensorimotor structures and sensory syntheses that function as the internal variables of behavior, or its psychological links.

Most research on learning, which is usually defined as adaptation to the conditions created in the experiment, has concentrated on the simplest, &ldquopassive&rdquo forms of acquiring habits, including sensory and mental ones. Therefore, the results of this research cannot be extended to forms of learning that are specific to humans. The historical experience of mankind is transmitted to certain persons by means of education, one of society&rsquos most important functions, which is entrusted specifically to schools and other pedagogical institutions.


The future of academic libraries in the digital age

Artificial Intelligence and Machine Translation

Artificial Intelligence (AI) is a new science and technology which studies theories, mechanisms, developments and applications on how to simulate human intelligence via computerised robots, voice recognition, image recognition, natural language processes, expert systems and so on. With the assistance of Artificial Intelligence and related computer technologies, Machine Translation (MT) refers to the conversion of and translation from one natural language to another natural language. For academic libraries and librarians, new achievements in AI will be brought in to change information services in future academic libraries. When the author happened to watch America’s favourite quiz show Péril! in early 2011, it was astonishing to see how easily IBM Robot Watson ( IBM Watson, 2010 ) beat two human competitors and won the Jeopardy Championship. From IBM Watson’s victory, we can foresee how information services will look in future academic libraries. Since English is not the only language used for information delivery, the development of MT will speed up the exchange and sharing of information across the different countries and regions. Also, it will be helpful to promote collaborative reference, which is an innovative library information services model performed by different academic and/or public libraries in different geographical locations, among librarians speaking in different languages.


Where to Study Behavioral Data Science

Behavioral Data Science courses at the Master’s Level are currently available from the University of Warwick (a dedicated MSc program) and the University of Amsterdam (a strand in the Master’s in Psychology), although the program at the University of Amsterdam seems to primarily cover behavioral analytics. Another good source of information about Behavioral Data Science is the special interest group at the Alan Turing Institute, which holds numerous relevant events throughout the year as well as shares regular educational podcasts and videos online. In 2021–2022, the Cambridge University Press will be publishing the Cambridge Handbook of Behavioral Data Science as a part of its Cambridge Handbooks in Psychology series, which will provide the complete contemporary overview of the field.


Our expertise

At GBKSOFT, we worked on a unique IoT project, where the IoB concept is also implemented. The project’s essence was to help golfers improve their playing skills with the help of a mobile app and tracking wearable device, namely, correcting the existing ball hitting technique and learning new techniques. The process is structured this way. Before starting the training, the player puts on a wearable device connected to his mobile device and begins training. Each hit on the golf ball is recorded in the application, analyzed (measured by the force of the blow, trajectory, angle, etc.). As a result, the player can see his mistakes and get visual recommendations on how to improve his swing and hit.

The uniqueness of this solution lies in the fact that:

  • the market has never seen anything like it
  • most of the solutions that were on the market focused on honing existing skills. This solution focuses on teaching the golf player according to body parameters, pre-existing skills, etc.
  • individual approach to each user
  • there is no need to involve a coach to work on the quality of the game.

Before starting the development of a project, we always recommend conducting a discovery phase, which helps to study in more detail potential customers, the needs of your business and customers, and analyze existing solutions to make the future digital solution unique and valuable.

We recommend starting a complex solution development with MVP, which allows you to release the project quickly. Based on the feedback received from real users, expand the solution functions to the required number. This approach helps you get started with a small budget and create a solution in demand in the market. Below we have provided an estimate of the MVP of the project we talked about earlier.

Travaux USD Les heures
Caractéristiques 2856 119
Concevoir 1394 82
Android Development 9303 443
Manual Testing 2010 134
Scrum Master 3186 177
Le total $ 18749 955

Please note that the estimate is made for a specific project and cannot serve as a basis for your project’s calculations. Since each such software is an individual solution with a particular set of functions created for the company’s specific needs, you can request a free consultation with our Business Analyst to get a more accurate estimate.


A Look at Appreciative Inquiry in Education

Appreciative Inquiry can also be very beneficial to education. In one study done at California State University, San Bernardino, scholars looked at the AI process as a path to change in terms of education. (Buchanan, 2014)

Most state and federal initiatives for educational change stem from a deficit model that examines what is wrong and how to fix that.

Appreciative Inquiry focuses on what is right and what is already working. The study done explored the various relationships and leadership as well as organizational learning qualities that existed within five unified school districts in the High Desert.

The study used AI as a process to implement the Common Core State Standards (CCSS) to embrace a distributed leadership structure and to create the conditions for a more impactful implementation of the next reform.

The research question involved examining the relationship between the educators’ appreciative capacity, distributed leadership, organizational learning, and preparedness in order to implement a state-mandated curricular reform, the CCSS.

The study had the potential to transform educational practice providing a valuable template for ongoing educational reform.

The study used the 5-D Model of AI, which focuses on taking a strength-based approach to improve school culture.

This 5-D approach prepares organizations for continuous growth in terms of strengths in the system.

The study examined AI in terms of distributed leadership and organizational learning. The context for the study was the educators’ preparedness to implement the CCSS reform.

Study participants were drawn from school districts in the High Desert of San Bernardino County, the largest geographical county in the U.S. and home to 33 school districts.

The district employs approximately 2,212 teachers and 177 administrators.

The hypothesis and proposed analysis were as follows:

  1. AI capacities inventory will be moderately correlated with the 8 principles of AI.
  2. Participative decision-making will be moderately correlated with the functions of Leadership.
  3. Dialogue will be moderately correlated with the idea of taking risks.
  4. Taking risks will be moderately correlated with experimentation.
  5. Experimentation will be moderately correlated with dialogue.

The study concluded that Appreciative Inquiry alone is not enough. Distributed leadership and organizational learning are also necessary components to implement successful change.

Many efforts to change will fail even when people have a voice because leaders may fail to sustain input from those voices.

Distributed leadership and organizational learning each partially mediated the Appreciative Inquiry to Common Core State Standards preparedness relationship.

However, the study revealed that meaningful change takes time. Participating educators did report that the constructs of the study were related.

Furthermore, it was determined that real change cannot often be accomplished in a static one day workshop. Growth needs to be nurtured with continual input and feedback in order to monitor the change to adjust for new information which is continually being gathered.

The study did demonstrate that Appreciative Inquiry is a good fit for implementing educational reform.

According to Cooperrider and Whitney, leaders embracing appreciative inquiry “send a clear and consistent message: positive change is the pathway to success around here.” (Cooperrider and Whitney. 2005. p. 46)


Voir la vidéo: La prochaine révolution de lIntelligence artificielle - Yann LeCun, à lUSI (Décembre 2021).