Коллектив авторов
Корпоративное обучение для цифрового мира

Полная версия

© АНО ДПО «Корпоративный университет Сбербанка», 2020

© В оформлении обложки использована иллюстрация: Iurii Motov / Shutterstock.com

© Во внутреннем оформлении использованы иллюстрации: Blan-k, Palau, megaicons, the8monkey, Bloomicon, ONYXprj, nexusby, kornn, davooda, NikWB, DStarky, Griboedov, Oleksii Lishchyshynu / Shutterstock.com Используется по лицензии от Shutterstock.com

⁂

Введение

Уважаемые читатели!

СберУниверситет представляет вашему вниманию обновленную редакцию словаря-справочника «Корпоративное обучение для цифрового мира» – третье издание.

Словарь-справочник по тематике корпоративного обучения был впервые подготовлен и выпущен СберУниверситетом в 2017 году на русском, а в 2019 году на английском языках. Его целью является формирование единого понятийного поля современных технологий корпоративного обучения и сжатый обзор передовых подходов и методов развития персонала.

Быстро набирающая темп Четвертая промышленная революция требует от современных работников постоянных изменений для решения новых задач. Для этого корпоративным университетам, отделам по развитию талантов, образовательным учреждениям требуется правильно организовать обучение, помогающее изменять поведение людей в организации в соответствии с постоянно трансформирующимися запросами рынка.

В третьем издании мы добавили новые статьи по андрагогике, педагогическому дизайну, системе вовлечения в преподавание ключевых руководителей и экспертов – «Лидеры учат лидеров», маркетингу обучающих решений. Мы также уточнили и дополнили ряд изначально созданных статей. В результате в словаре-справочнике раскрывается более 290 терминов, описывающих особенности корпоративного обучения для успеха в цифровом мире.

Мы рассмотрели процесс обучения с позиций принципа непрерывного обучения и описали новые образовательные решения, затрагивающие все форматы обучения, как очные, так и дистанционные, виртуальные и интерактивные. Именно интеграция новых технологий в уже сложившиеся обучающие практики становится залогом успеха в цифровом образовательном мире.

При подготовке словаря-справочника мы опирались на материалы аналитических отчетов и конференций ведущих глобальных ассоциаций в сфере корпоративного обучения, в том числе ассоциаций корпоративных университетов (EFMD, ATD, ECLF и GlobalCCU), активным членом которых является СберУниверситет.

Еще одной существенной основой этой книги стали опыт и материалы 32 сессий открытого семинара EduTech, который мы проводим в СберУниверситете с сентября 2016 года. В течение года на регулярных сессиях эксперты в области обучения и развития талантов, HR-специалисты крупнейших компаний, преподаватели вузов и бизнес-школ, поставщики образовательных решений делятся своим взглядом на то, как сделать обучение эффективным. По материалам семинаров EduTech СберУниверситет также выпускает одноименный журнал, который доступен всем желающим в онлайн-сообществе профессионалов EduTech Club. Кроме того, во многие статьи мы включили примеры применения инновационных образовательных технологий, которые описываем в нашем онлайн-обзоре рынка образовательных технологий «Пульс EduTech». Мы также поделились собственными методологическими и технологическими разработками и практикой их внедрения в систему обучения руководителей Сбера.

Мы хотели бы выразить признательность нашим партнерам из мира EduTech П. Безяеву, М. Гирину, Д. Истомину, Т. Кочаровой, Р. Мандрику, М. Приходько, М. Скрябину, Т. Щукину за помощь в подготовке этого словаря-справочника.

Словарь-справочник, с которым вы сейчас начнете знакомиться, ожидаемо структурирован в алфавитном порядке, но вы уже вскоре обнаружите, что не все буквы алфавита снабжены словарными статьями. Этот факт может рассматриваться как своего рода приглашение прислать нам ваши комментарии и предложения по дальнейшему дополнению и доработке данного словаря-справочника, которые можно направить на электронную почту corp-university@sberbank.ru. Заранее благодарим вас за конструктивные отклики!

Желаем вам увлекательного и практически полезного изучения мира современных технологий корпоративного обучения!

Игорь Баранов

Проректор СберУниверситета

А

Адаптивное обучение

Адаптивное обучение (adaptive learning) – технология обучения, основанная на построении индивидуальной учебной траектории для обучающегося с учетом его текущих знаний, способностей, мотивации и других характеристик.

Лучшим решением для обучения является работа с персональным преподавателем. Но это дорого, ресурсоемко и невозможно реализовать для большого потока слушателей. Аналогом индивидуального преподавания является адаптивное обучение, которое оценивает сильные и слабые стороны слушателя, учитывает его опыт, потребности и подбирает уникальный стиль обучения исходя из этого.

Курсы с использованием технологии адаптивного обучения предлагают персонализированный трек для каждого обучающегося, который перестраивается в режиме реального времени в ответ на действия пользователя. В таком курсе собрано гораздо больше контента, но он разбит на небольшие фрагменты. Такой подход обеспечивает правильную дозировку знаний и более точную настройку на конкретного слушателя. Алгоритмы адаптивного обучения формируют из всей базы материалов нужный персонализированный «плейлист». Таким образом, в отличие от линейных курсов, обучающийся изучает не весь материал, а только то, что ему нужно.

Персонализация в режиме реального времени позволяет не только выстраивать заданную траекторию, но и корректировать ее на лету, учитывая персональный темп усвоения знаний. При этом если алгоритм видит низкий уровень понимания определенного блока знания, то траектория корректируется в сторону более простых блоков.

Ключевым отличием подготовки материалов для адаптивного обучения является работа с тестами. В линейном обучении тесты завершают процесс обучения, а при этом подходе именно они определяют, как пойдет обучение на каждом этапе. Они являются важнейшим фактором, выполняя роль переключателей, определяющих дальнейшую траекторию. Сами тесты формируются из разных типов вопросов: множественный выбор, соотнесение, ранжирование и т. д.

Первые идеи об адаптивном обучении появились в середине XX века после создания «обучающей машины» американским психологом и профессором Гарвардского университета Б.Ф. Скиннером, основателем бихевиоризма^[1].

Обучающая машина Скиннера

В ходе экспериментов с голубями психологу пришла мысль о создании механического приспособления, напоминающего коробку, которое «скармливало» бы студентам вопросы. В 1954 году такая конструкция была сделана. Правильные ответы вознаграждались новым академическим материалом, неправильные – приводили к повторению старого вопроса. Это мотивировало студента быстро адаптироваться и учиться отвечать правильно.

Беррес Фредерик Скиннер (Burrhus Frederic Skinner) (1904–1990) – американский психолог, изобретатель, писатель, профессор Гарвардского университета. Основал школу экспериментальной исследовательской психологии. Разработал философскую концепцию, которая впоследствии была названа радикальным бихевиоризмом. Свои идеи по созданию идеального человеческого общества описал в утопическом романе Walden Two (1948), а анализ поведения самого человека представил в работе «Вербальное поведение» (Verbal Behavior) (1957)^[2]. В 2002 году назван наиболее влиятельным психологом XX века^[3].

Преимущества адаптивного обучения

1. Сокращение времени на обучение разнородной группы.

2. Повышение вовлеченности обучаемых.

3. Более тщательный автоматический контроль усвоения.

Примеры обучающих платформ с применением алгоритмов адаптивного обучения

• Knewton

• Cerego

• Smart Sparrow

• McGraw-Hill

Элементы систем адаптивного обучения

Реализация адаптивного обучения возможна на образовательных платформах, обладающих рядом базовых для адаптивного обучения систем и элементов.

Например, наиболее известная в мире платформа адаптивного обучения Knewton состоит из следующих основных систем^[4].

Система сбора данных

Собирает и обрабатывает огромные объемы данных о знаниях и умениях слушателя.

1. Адаптивная онтология отображает связи между отдельными понятиями и генерирует нужные системы, цели и алгоритмы взаимодействия студентов.

2. Средства модельных расчетов, которые обрабатывают данные в реальном времени и параллельно анализируют их для дальнейшего использования.

Система выводов

Трансформация данных и генерация выводов на основе всех собранных данных.

1. Психометрические инструменты, которые оценивают знания и умения слушателя, параметры контента, эффективность обучения и т. д. С каждым новым уровнем информация о слушателе становится в разы точней.

2. Инструменты стратегии обучения, которые оценивают чувствительность слушателя к изменениям в преподавании, оценивании, темпе обучения и др.

3. Инструменты обратной связи, которые объединяют все данные и передают обратно в систему сбора данных.

Система персонализации

Для того чтобы найти оптимальную стратегию для слушателя в изучении каждой концепции, используется мощная система персонализации. У нее есть следующие элементы:

1. Инструменты рекомендаций, которые предлагают слушателям ранжированные рекомендации о том, что делать дальше, балансируя цели обучения, сильные и слабые стороны слушателя, его вовлеченность и др.

2. Инструменты предиктивной аналитики, которые предсказывают степень и вероятность достижения целей, установленных преподавателем (например, какова вероятность того, что слушатель пройдет тест на 70 % выполнения), ожидаемую оценку, уровень знаний и умений и др.

3. Инструменты единой истории обучения: личный кабинет слушателя, позволяющий связать воедино опыт обучения, полученный на различных образовательных программах с использованием различных форматов обучения.

Примеры адаптивного обучения

Кейс Корпоративного университета Сбербанка

На программе Корпоративного университета Сбербанка «Клиентоцентричность и управление сервисом» используются разветвленные алгоритмы адаптивного обучения, которые предлагают слушателям индивидуальные траектории обучения с возможностью пропуска или углубленного изучения определенных модулей программы.

Адаптивный учебник SmartBook^[5]

Адаптивное обучение также применяется в школах. Например, компания McGraw-Hill разработала цифровой учебник SmartBook на платформе адаптивного обучения McGraw-Hill Connect. Учебник позволяет отслеживать прогресс каждого учащегося в классе и идентифицировать проблемы, с которыми сталкиваются ученики в ходе изучения материалов. Система подстраивает учебный контент под индивидуальный темп его изучения студентом, расставляя приоритеты, вычленяя ключевые понятия и заставляя пользователя сосредотачиваться на темах, которые были плохо усвоены.

Как разработать программу с технологией адаптивного обучения^[6]

Шаг 1. Определить цели обучения

Необходимо определить знания и умения, которые программа нацелена сформировать. Это можно сделать, используя Таксономию Блума.

Шаг 2. Структурировать предметную область

Необходимо создать карту знаний. Для этого важно детально описать темы обучения, выделяя несколько уровней сложности и связи между ними. Для подробного структурирования предметной области требуется выделить минимум 3 уровня.

Шаг 3. Создать контент для достижения целей обучения

Карту знаний из шага 2 нужно наполнить единицами микрознаний контента, которые образуют логическую структуру.

Шаг 4. Разработать банк контрольных вопросов

Для каждого уровня знаний необходимо разработать от 3 до 10 вопросов, сформулированных строго на основании целей обучающей программы. Работа адаптивного алгоритма зависит от корректной оценки уровня сложности вопросов. Можно диагностировать не только ожидаемый уровень компетентности, но и оценивать степень уверенности в правильности своего ответа. Тесты должны обеспечивать контроль знаний для достижения целевого уровня слушателей.

Адаптивное тестирование

Адаптивное тестирование (adaptive testing) – технология тестирования слушателей, где каждый следующий вопрос подбирается автоматически, исходя из ответов, данных на предыдущие вопросы, и определенного заранее уровня сложности.

Главным отличием адаптивного тестирования от классического является динамическое (в реальном времени), а не статическое определение списка вопросов, которые будут заданы тестируемому.

Траектория, по которой обучаемый проходит тесты, индивидуальна. Выбор следующего вопроса определяется индивидуальными особенностями каждого слушателя, а не общими правилами.

Адаптивное тестирование можно сравнить с устным экзаменом, на котором преподаватель последовательно задает индивидуальные вопросы, выясняя уровень знаний слушателя.

Преимущества адаптивного тестирования

1. Точность. Возможность оценить уровень подготовленности каждого испытуемого с минимальной погрешностью.

2. Качество. Измеряется уровень знаний каждого испытуемого по определенным темам.

3. Достоверность. Влияние дополнительных факторов (потеря интереса, отвлечение, утомление, беспокойство) на результаты теста уменьшается, поскольку тестируемые не тратят время и силы на задания, не соответствующие их уровню подготовки (слишком легкие или слишком трудные).

4. Вовлеченность. Участники тестирования более мотивированы и спокойны. Им предлагаются задания, с которыми они в состоянии справиться, а значит, они более нацелены на успешное прохождение теста и уверены в своих силах.

Адаптивное тестирование наиболее эффективно использовать при решении следующих задач

1. Самопроверка слушателей.

2. Быстрое и точное измерение результатов корпоративного обучения.

3. Прогнозирование результатов обучения через предварительное тестирование.

4. Предварительное тестирование с целью выявления «белых пятен» и корректировки программы курса.

5. Предварительное тестирование с целью разделения учащихся на группы по уровням подготовки.

Пример адаптивного тестирования

Oxford Placement Test – это стандартизированный адаптивный тест для проверки уровня английского языка, который меняет набор вопросов по ходу выполнения теста (степень сложности и число заданий зависят от уровня студента). Тест продолжительностью 40–70 минут проходит в онлайн-формате и включает в себя такие задания, как поиск ошибок в предложениях или заполнение пропусков, выбор правильного варианта из нескольких или определение верности утверждения.

Методология разработки и проведения адаптивного тестирования^[7]

Разработка вопросов теста

Банк вопросов

Все вопросы, из которых будет составлен индивидуальный список вопросов для каждого участника тестирования. Минимальный размер банка вопросов рекомендуется определять по следующей формуле: банк вопросов = 15 × количество тем (тематических блоков теста). Например, если вопросы теста разделены на 3–5 тем, то рекомендуемый размер банка вопросов – 45–75 вопросов.

Число вопросов в индивидуальном тесте

Число вопросов в индивидуальном тесте определяется общим числом вопросов, задаваемых участнику тестирования. Оптимальное число вопросов теста рекомендуется рассчитывать по формуле: общее число вопросов = 5 × количество тем (тематических блоков теста).

Таким образом, в итоговом тесте участнику по каждой теме задается не менее 5 вопросов. Например, если вопросы теста разделены на 4 темы, то рекомендуемая длительность теста – 20 вопросов. Но не стоит увеличивать объем теста более чем до 20 вопросов, так как в этом случае снижается мотивация обучаемого. Лучше предложить ему несколько раз пройти тест. Это повышает точность оценки слушателя и проще для него самого. Если давать менее 5 вопросов, адаптивному алгоритму может не хватить информации для достаточно достоверного определения уровня знаний по теме.

Типы вопросов:

• с выбором одного правильного варианта ответа;

• с выбором нескольких правильных вариантов ответа;

• на соответствие/упорядочивание;

• с вводом текстового ответа (где ответ – это число, слово, недвусмысленная фраза (словосочетание), возможные для автоматической проверки).

Вариабельность ответов тестов:

• для автоматической проверки ответов на тесты каждый вопрос должен иметь по крайней мере один вариант правильного ответа;

• правильных ответов в вопросе может быть более одного;

• все варианты ответа также могут быть правильными.

Уровни сложности

Вопросы в банке вопросов ранжируются по единым для всех тем уровням сложности. Количество уровней – не менее 3, оптимально – от 5 до 10. Наличие большого числа уровней сложности (например, 10) более требовательно к калибровке сложности на выборочной группе слушателей, но и обеспечивает более высокую точность итоговой оценки уровня знаний.

Внутри каждой темы (тематического блока) рекомендуется иметь вопросы разного уровня сложности, так как это прямо влияет на вариативность теста и адаптивные возможности технологии.

Внутри каждой темы лучше распределить вопросы группами – не менее трех вопросов на каждом уровне. Чем больше вопросов на одном уровне сложности, тем больше вариативность теста, что важно для повторного прохождения или тестирования людей, которые могут помогать друг другу.

Варианты распределения вопросов

• Равномерное распределение – не менее 10 вопросов каждого уровня сложности.

• «Пирамида» – коррекция количества вопросов в форме «пирамиды», когда более сложных вопросов несколько меньше, чем простых (так как до сложных доходят гораздо реже). В этом случае рекомендуется следующее соотношение: не менее 6 вопросов высших уровней сложности, не менее 8 вопросов средних уровней сложности и не менее 10 вопросов низших уровней сложности.

• Автоматическое распределение по уровням сложности. Для этого проводится первичное тестирование (на выборке участников). Степень сложности вопросов определяется в соответствии с ответами участников. Вопросы, набравшие большинство правильных ответов, считаются самыми простыми, а вопросы с наименьшим числом правильных ответов – самыми сложными.

Траектории тестирования

Траектории тестирования позволяют определить наиболее вероятные пути прохождения тестирования в разных контекстах. Например, в контексте перехода между уровнями сложности они помогают определить вопросы, в наибольшей степени влияющие на процесс тестирования (тестируемые «скорее справятся» на шаге N с вопросом уровня сложности X или, наоборот, испытают трудности с вопросом этого уровня сложности).

Результаты адаптивного тестирования и их трактовка

Данные результаты полезны для улучшения качества материалов и при построении индивидуальной траектории обучения. Учебную программу можно персонализировать для каждой группы слушателей на основе тех пробелов в знаниях, которые были обнаружены в ходе тестирования. Слушатели могут непосредственно в процессе тестирования провести самопроверку и восполнить выявленные пробелы (постепенно – от простого к сложному).

Коррекция адаптивного теста на основании аналитики

Частотный анализ результатов позволяет внести корректировку в распределение вопросов по уровням сложности в сбалансированной модели на основе анализа распределения ответов участников (определить аномально сложные или простые вопросы на разных уровнях сложности и получить рекомендацию, в какой уровень сложности стоит перенести данные вопросы). Прогноз результатов обучения проводится исходя из количества попыток пройти тест и среднего результата, достигнутого за время всех попыток.

Примеры инструментов для разработки адаптивного тестирования

• Qualtrics

• Typeform

Аналитика обучения

Аналитика обучения, или учебная аналитика (learning analytics) – измерение, сбор, анализ и представление данных об обучающихся и образовательной среде с целью понимания особенностей обучения и максимальной его оптимизации^[8].

Задачи учебной аналитики^[9]

Связь учебной аналитики и анализа образовательных данных^[10]

Связь учебной аналитики и бизнес-аналитики по уровню принятия решений

(HR analytics / people analytics / talent analytics / training and development (T&D) analytics – в зависимости от детализации)

• Для бизнес-аналитики – запрос со стороны бизнеса (ключевое – бизнес-ценность).

• Для учебной аналитики – запрос со стороны учебного процесса (ключевое – понимание и оптимизация обучения и окружения).

Деление не всегда может быть жестким, речь идет скорее о разных аспектах и целях анализа.

Построение модели обучающегося на основе больших данных (model based on Big Data)

Источники доказательств

Административные данные

Показатели периферийного контекста: преподаватель, школа, район, местная община или государство.

Взаимодействие с образовательными ресурсами

Показатели взаимодействия во время обучения, включая: манеру навигации, ответы на упражнения и тесты, типы совершаемых ошибок, временны́е характеристики, связанные с деятельностью студента во время обучающих мероприятий.

Временна́я история

Показатели ближайшего контекста, представляющие временну́ю историю действий обучающегося, данные о которой доступны в конкретный день.

Демографическая информация

Показатели периферийного контекста: демографическая информация об обучающемся.

Настойчивость или упорство

Ретроспективные показатели настойчивости или упорства обучающегося при столкновении в процессе обучения с трудностями, которые индексируются как ошибки.

Нарушения в классе

Показатели ближайшего и периферийного контекста о нарушениях в классе обучаемого согласно записям о поведении в конкретный день или в течение времени.

Предпочитаемые обучающие медиа или жанры

Ретроспективные показатели предпочтительных для обучающегося медиа или жанров в тех случаях, когда выбор был возможен.

Прошлая деятельность

Ретроспективные показатели прошлой деятельности обучающегося, раскрывающие усвоение идей, навыков или компетенций на текущий момент.

Социальные показатели

Показатель взаимодействия учащегося с другими обучающимися и преподавателем в процессе обучения или с записанной речью (со всеми ее разнообразными свойствами, например семантическим содержанием, просодией и т. д.).

Социальные связи

Показатели ближайшего окружения, такие как социальные отношения и данные о социальных связях.

Тип мышления

Данные из анкеты или самоотчета о том, как учащийся устанавливает связь между своими стратегическими усилиями во время обучения и развитием компетенций, а также о том, как происходит индивидуальный процесс обучения.

Эмоциональное состояние

Ближайшие показатели, относящиеся к обучению, например эмоциональное состояние, качество сна, показатели питания.

Анализ образовательных данных (educational Data mining, EDM) и «добыча данных», интеллектуальный анализ (Data mining)

Из всех методологических категорий универсальными для всех типов Data mining считаются предсказательный анализ, кластерный анализ и поиск взаимосвязей. Однако более известными подходами к EDM считаются «Открытия с помощью моделей» и «Очистка данных (Data cleaning) для оценки человеком».