Blog

Schon von Machine Teaching gehört?

Rédaction Blog

Vor 7 Monaten

Non classé

 

Dieser Artikel ist Teil unserer neuen Reihe zum Thema Lernforschung und -innovation, die von Coorpacademy in Partnerschaft mit dem LEARN-Center der EPFL (Eidgenössische Technische Hochschule Lausanne, Schweiz) angeboten wird. Verfasser ist Prof. Pierre Dillenbourg, Professor an der EPFL, Leiter des CHILI Lab (Computer-Human Interaction for Learning & Instruction) und Direktor des Swiss EdTech Collider.

Die Begriffe Machine Learning, Deep Learning und Künstliche Intelligenz (KI) sind in aller Munde. Wie wäre es, wenn wir diese Liste ein wenig erweitern und durch das sogenannte «Machine Teaching» ergänzen würden – um dann Spekulationen anzustellen, was dies für die Bildung bedeuten kann?

Auf dem Weg zu «Machine Teaching»

Stellen wir uns einmal einen Algorithmus vor, der lernen soll, Elefanten auf Bildern zu erkennen. Bei überwachtem Lernen, dem sogenannten Supervised Machine Learning, erhält der Algorithmus ein Beispiel – z. B. Bild-3465 – und ein Label, in unserem Fall «Elefant» oder «Nicht-Elefant». Bild-3465 ist vielleicht nur eines von Tausenden gelabelten Bildern. Wenn aber die 3 464 vorausgehenden Bilder alle afrikanische Elefanten zeigten, lernt das System weniger von einem weiteren Bild mit einem afrikanischen Elefanten, als wenn zum ersten Mal ein Bild mit einem asiatischen Elefanten vorgelegt würde.

Gleiches gilt, wenn auf den vorausgehenden Bildern überwiegend ältere Elefanten zu sehen waren, in diesem Fall wäre es für den Lernerfolg des Algorithmus besser, wenn ein Bild mit einem jungen Elefanten ausgewählt würde. Die Liste lässt sich fortführen: Wenn die meisten Bilder eine Seitenansicht des Elefanten zeigen, würde eine Frontalansicht das Training des Algorithmus weiter verbessern.

In anderen Worten, wenn dem Algorithmus keine zufälligen, sondern strategisch ausgewählte Beispiele vorgelegt werden, lässt sich dadurch seine Gesamtlernleistung erhöhen. Im Klassenzimmer ist es Aufgabe des Lehrers oder der Lehrerin, die richtigen Beispiele auszuwählen: Er oder sie weiss, dass Lernende, wenn sie nur Beispiele von Quadraten in waagrechter Lage zu sehen bekommen, logischerweise folgern, dass ein um 45° gedrehtes Quadrat kein Quadrat ist.

Jeder Algorithmus, der die optimale Folge von Beispielen so bestimmt, dass die einzelnen Beispiele einander unähnlich sind und sich von dem unterscheiden, was dem maschinellen Lernsystem vorausgehend vorgelegt wurde, kann als Machine-Teaching-Algorithmus bezeichnet werden.

Warum sollten wir uns für Machine Teaching interessieren?

Wenn ein Algorithmus zufällige Beispiele als Input erhält, ohne jegliche strategische Überlegung, welche Art von Beispielen gewählt werden sollte und was der Algorithmus aus den vorgelegten Beispielen lernen kann, werden auf jeden Fall Probleme auftreten. Zunächst einmal sollten wir den Umfang der Trainingsdaten nicht mit ihrem tatsächlichen Nutzen verwechseln: Einen Machine-Learning-Algorithmus einfach mit grossen Datenmengen zu füttern, ist keine Garantie dafür, dass das KI-System einen effizienten Lernerfolg verzeichnen kann und seine Aufgaben gut erfüllen wird. Zum anderen besteht die Möglichkeit, dass der Algorithmus zu falschen oder verzerrten Entscheidungen neigt. Ich möchte an dieser Stelle noch einmal auf das erste Beispiel mit der Erkennung von Elefanten auf Bildern zurückgreifen: Wenn alle Bilder mit dem Label «Nicht-Elefant» ausschliesslich weisse Tiere zeigen, könnte der Algorithmus daraus ableiten, dass nur weisse Tiere als Nicht-Elefanten einzuordnen sind. So unsinnig das auch klingen mag, derartige Verzerrungen schleichen sich immer wieder ein und sollten nicht vernachlässigt werden. Einseitig verzerrte Algorithmen können Geschlechtsstereotype bestärken (wie dies beim Übersetzungsservice von Google der Fall war) oder falsche Entscheidungen vorschlagen, die in Menschenleben eingreifen (z. B. bei Entscheidungshilfesystemen für Richter, die die Rückfallwahrscheinlichkeit für Afroamerikaner überschätzen).

Was hat das alles mit Bildung zu tun?

Der Einfluss von KI auf Bildung setzt an drei Ebenen an: (1) Methode: KI kann die Effizienz von Lerntechnologien verstärken, wobei zu erwartet ist, dass sie den Unterricht detailgenau an den individuellen Bedarf des Lernenden anpasst: Im Laufe der Zeit kann ein System lernen, welche Lernaktivität für ein bestimmtes Lernerprofil optimal ist. (2) Inhalt: KI ändert, welche Inhalte gelernt werden sollten, und beschleunigt gleichzeitig die Herstellung von Lehrmaterial, beispielsweise durch die Generierung von Fragen auf der Basis von Wikipedia. (3) Management: KI und insbesondere Datenwissenschaften eröffnen neue Wege für die Verwaltung von Bildungssystemen (z. B. mit der Prognose der Misserfolgsquote der Lernenden).

Machine Teaching erweist sich in all diesen Anwendungen als höchst relevant. Individuelles Lernen auf der Basis von empfohlenen Systemen kann sich nur dann erfolgversprechend an den persönlichen Bedarf des Lernenden anpassen, wenn der Datenbestand, auf dem die Empfehlung beruht, gross genug und ausgewogen genug ist. Das bedeutet, dass bei maschinellem Lernen die Datenauswahl in jedem Bereich nicht zufällig erfolgen darf, d. h. der Algorithmus sollte mit Daten gespeist werden, die ihm vermitteln, jeweils welches Element bei verschiedenen Lerntypen wirksame Erfolge zeigt.

Inhaltlich müssen die Lernenden aus den Bereichen Datenwissenschaften und Maschinelles Lernen auch verstehen, wie das Datenmaterial, das dem Algorithmus als Input dient, optimal zusammengestellt werden sollte. Ingenieure werden zu Lehrmeistern der Algorithmen, da sich ein Machine-Learning-Algorithmus nicht einfach programmieren lässt, sondern es kommt auf die Trainingsdaten an. Wir müssen die richtige Entscheidungsfindung des Algorithmus besser unterstützen – ebenso, wie ein guter Lehrer seinen Schülern hilft, ihre Fähigkeit zu problemlösendem und kritischem Denken zu entwickeln.

Innovationen in den Bereichen Lernwissenschaften und Bildungstechnologien stehen ganz oben auf der Agenda von Coorpacademy, da wir sie als entscheidend für unsere Mission betrachten, die Lernerfahrung auf unserer Plattform kontinuierlich zu verbessern und sie für Lernende noch persönlicher, flexibler und angenehmer zu gestalten.

Pierre Dillenbourg, Der Autor

 

Empfohlen für Sie

Reagiere auf diesen Artikel

Vous