Vrste alata i sustava umjetne inteligencije i njihove funkcionalnosti

3. Adaptivni alati umjetne inteligencije

Adaptivni alati umjetne inteligencije prilagođavaju sadržaj potrebama, predznanju, tempu i načinu učenja svakoga studenta. Sustav kontinuirano analizira ponašanje i napredak učenja i, koristeći algoritme strojnog učenja, automatski mijenja vrstu, težinu ili način prikaza materijala u stvarnom vremenu.

Cilj adaptivnih alata jest stvaranje personaliziranog puta učenja koji smanjuje kognitivno opterećenje studenata, uz povećanje motivacije i uspješnosti.

Ovakav pristup osobito je koristan u visokoobrazovnom okruženju s velikim i heterogenim skupinama studenata, gdje je individualizirana podrška izazovna. Adaptivni alati mogu pravovremeno uočiti poteškoće i automatizirano predložiti sadržaje koji najbolje odgovaraju trenutačnim potrebama studenta.

Ključne tehničke karakteristike adaptivnih alata:

• praćenje korisničkog ponašanja i napretka u učenju,
• algoritamska personalizacija sadržaja i zadataka,
• prilagodba u stvarnom vremenu prema izvedbi studenta,
• analitika i preporuke studentu i nastavniku,
• različiti modaliteti prezentacije koji se prilagođavaju strategijama učenja.

Primjeri adaptivnih alata i sustava umjetne inteligencije u obrazovanju:

• Adaptemy
  • Funkcionalnost: Adaptemy je adaptivni sustav za učenje podržan umjetnom inteligencijom koji analizira odgovore i ponašanje studenata i na temelju toga izgrađuje detaljan profil znanja, poteškoća i tipičnih pogrešaka. Sustav u stvarnom vremenu prilagođava redoslijed sadržaja, razinu težine zadataka, broj ponavljanja i vrstu povratne informacije, stvarajući personalizirani put učenja za svakoga studenta.
  • Relevantnost za obrazovanje: Namijenjen je prvenstveno obrazovnim institucijama koje žele svoje digitalne udžbenike i kolegije nadograditi adaptivnim slojem, bez razvoja vlastitog sustava umjetne inteligencije. Adaptemy se integrira s postojećim LMS-ovima i platformama i dostupan je komercijalnim licencama, što znači da se najčešće uvodi na razini institucije, a ne pojedinog nastavnika.
  • Pedagoški potencijal: Adaptemy podržava diferencijaciju nastave i oblikovno vrednovanje jer nastavnicima daje uvid u konkretne koncepte s kojima studenti imaju najviše problema i u uobičajene obrasce pogrešaka. Istovremeno studentima nudi prilagođene zadatke i objašnjenja, čime se smanjuje kognitivno opterećenje.
  • Primjer iz prakse: fakultet integrira Adaptemy za postojeće e-kolegije. Studenti rješavaju zadatke, a sustav uočava da dio studenata sustavno griješi pri razumijevanju određenog sadržaja. Tim studentima Adaptemy nudi dodatne vizualne primjere, jednostavnije zadatke i vođene korake rješavanja, dok oni koji pokazuju visoku uspješnost dobivaju složenije problemske zadatke koji uključuju kombiniranje više koncepata. Nastavnik u izvještaju vidi distribuciju pogrešaka i planira ciljano objašnjenje na satu.
• Realizeit
  • Funkcionalnost: Realizeit je adaptivna platforma za učenje koja koristi modele temelje­ne na umjetnoj inteligenciji za izgradnju personaliziranih putova učenja. Sustav prati interakcije studenata sa sadržajem i zadacima, procjenjuje vjerojatnost da su pojedini koncepti savladani i prema tome prilagođava sljedeće aktivnosti: koje će gradivo student vidjeti, koje zadatke rješavati i kakvu povratnu informaciju dobiti.
  • Relevantnost za obrazovanje: Realizeit se koristi i u visokom obrazovanju i u korporativnom učenju. Riječ je o institucionalnom rješenju koje se uvodi ugovorima s ustanovama i integrira s LMS-om, što zahtijeva stratešku odluku i podršku uprave, ali omogućava dubinsku analitiku na razini kolegija, studija ili programa.
  • Pedagoški potencijal: Realizeit omogućuje prelazak na individualizirane putove učenja. U skladu s pristupima zasnovanim na podacima, nastavnici dobivaju pregledne nadzorne ploče (dashboarde) koje prikazuju razinu svladavanja ishoda učenja i rizične točke učenja i mogu pravovremeno intervenirati (dodatna pojašnjenja, radionice, diferencirane aktivnosti). Za studente ovo može predstavljati izazove, što može povećati motivaciju i smanjiti odustajanje na kolegijima.
  • Primjer iz prakse: visokoškolska institucija uvodi Realizeit za izvođenje online ili hibridne nastave. Realizeit prepoznaje da dio studenata ima dovoljnu razinu predznanja i njima nudi brži prolazak osnovnim temama i više problemskih zadataka, dok studentima sa slabijim predznanjem nudi detaljnija objašnjenja, više ponavljanja i jednostavnije vježbe. Nastavnicima pomaže da na temelju analitike planiraju dodatne radionice za skupinu studenata koji zaostaju u svladavanju gradiva.
• SC Training (bivši EdApp)
  • Funkcionalnost: SC Training (bivši EdApp) je mobilno LMS rješenje za mikroučenje (microlearning) koje koristi algoritme i funkcije umjetne inteligencije za generiranje, organizaciju i prilagodbu kratkih lekcija. Sustav nudi ponavljanje u razmacima (spaced repetition), prilagodbu zadataka prema uspješnosti polaznika i ugrađene elemente gamifikacije, a putem funkcija utemeljenih na umjetnoj inteligenciji može automatski predlagati sadržaj i pitanja na temelju zadane teme.
  • Relevantnost za obrazovanje: SC Training je primarno usmjeren na korporativno učenje i osposobljavanje zaposlenika, ali konceptualno je relevantan i za visoko obrazovanje, osobito za kratke online module, uvodne sadržaje, ponavljanje i samostalno učenje. Osnovne funkcionalnosti su besplatne, dok su naprednije mogućnosti i podrška dostupne plaćenim planovima. Zbog toga je pogodan kao ilustrativan primjer adaptivnog mikroučenja potpomognutog umjetnom inteligencijom.
  • Pedagoški potencijal: SC Training omogućuje dizajn kratkih, fokusiranih lekcija koje se mogu prilagođavati prema uspješnosti polaznika i učestalosti korištenja. Preporuke sadržaja i ponavljanja temeljene na umjetnoj inteligenciji mogu pomoći u usvajanju znanja, proceduralnih vještina (korak-po-korak izvođenje postupka) i vještina primjene znanja u pravom trenutku („just-in-time“ vještine). Gamifikacija (značke, bodovi, ljestvice) i mobilni pristup dodatno podupiru motivaciju i sudjelovanje, dok pedagoška kvaliteta i usklađenost s ishodima učenja i dalje ovise o nastavniku, odnosno instruktivnom dizajneru.
  • Primjer iz prakse: na visokoškolskoj instituciji koja uvodi obvezni online modul o digitalnoj sigurnosti za sve nove studente, nastavnici koriste SC Training za izradu niza kratkih lekcija (5–10 minuta) o temama kao što su upravljanje lozinkama, prepoznavanje phishing poruka i zaštita osobnih podataka. Studenti rješavaju kratke, adaptivne kvizove na mobitelu; oni koji griješe u određenim područjima dobivaju dodatne mini-lekcije i ponovna pitanja. Analitika pokazuje koja su područja najproblematičnija, pa nastavnici organiziraju kratko zajedničko predavanje usmjereno upravo na te teme, čime kombiniraju adaptivno online mikroučenje s nastavom uživo.