Привет, Хабр! После того, как мы рассмотрели некоторые способы построения многопользовательских виртуальных/3D пространств в прошлой статье, вернемся к ним в контексте обучения. Как, например, качественно обучить одному и тому же целую команду, состоящую из совершенно разных людей? Подробности под катом!



Симуляции и серьезные игры являются одним из наиболее эффективных типов обучения — это общепризнанный факт. Вот пример из медицинской отрасли.



Однако с симуляциями все не так очевидно. Многие современные компании включают в штаб сотрудников несколько поколений, и каждое учится по-новому. Хороший пример — авиакомпании — возраст сотрудников может варьироваться от 20 до 60 лет, при этом, постоянная переподготовка является одним из требований индустрии; стоит отметить, что зачастую требуется проанализировать и обучить не одного человека, а целую команду, например, проверку качества совместной работы.

При всем этом, как мы уже говорили — вписать VR/3D обучение в современную инфраструктуру достаточно трудное занятие. Тут и могут помочь описанные в прошлой части многопользовательские пространства и определенный подход к их проектированию.

Любая симуляция принципиально отличается от сдачи набора тестов. Основное отличие — степень погружения в ситуацию. Это отличие часто может быть критическим. Человек может великолепно знать теорию, выучив ответы на вопросы тестов — и потеряться в реальной ситуации, которая будет отличаться от того, что он себе представлял. Отчасти поэтому, собственно, и существует концепция смешанного обучения. Есть вещи, про которые мы не можем сказать, что человек их выучил, пока он их реально не попробовал.

При этом спектр таких возможных тренингов очень велик, и далеко не все из них требуют каких-то, например, чисто мышечных/рефлекторных навыков; сам навык применения теории тоже часто требует находиться внутри ситуации, а не анализировать ее снаружи. Простейший пример — действия в аварийных ситуациях или иной стрессовой обстановке. (Startle effect)

На этом примере, стрессовая обстановка является суммой конкретных ситуаций, для каждой из них имеются четкие инструкции. Но очень трудно оценить, является ли отдельная ситуация из этой суммы известной человеку.

Мы предоставляем механизм, который позволяет достаточно просто запустить любой набор ситуаций в многопользовательской виртуальной среде; остается, однако, вопрос — как нам оценить действия пользователей в подобной симуляции.

Будем считать, что у сбора данных по обучению есть две основные цели:

  • Оценить компетенции ученика;
  • Помочь ему в обучении наиболее эффективным способом. Иными словами — выстроить индивидуальную траекторию обучения.

Неотъемлемой частью смешанного обучения является адаптивное обучение. Система анализирует уровень знаний и подбирает ученику теоретический материал или индивидуальные траектории. Есть несколько вариантов анализа информации, на основе которых система делает рекомендацию.

  • На основе правил перехода

Когда человек решает задачу и много раз ошибается, система подбирает ему поддерживающий вариант, который закрывает пробел в знании человека.

  • Когнитивные подходы

Подход к адаптивному обучению, основанный на памяти, человек постоянно повторяет усвоенный материал.

  • На основе графа тем

Преподаватель, либо эксперт, создает граф тем, и он используется для создания индивидуальной траектории обучения.

Мы рассматриваем два основных подхода — с использованием общей схемы переходов внутри курса и с графом тем.

Первый подход достаточно прост в реализации — просто привяжем к виртуальному опыту, как к обычному уроку, то, что при успешном прохождении открываются какие-то дальнейшие темы.

Второй более интересен, так как мы можем привязать какую-то тему из курса к отдельной части виртуального опыта, и оценить знания человека именно по этой теме, получив на основе одного “VR-трека” данные по знанию учеником сразу нескольких тем.

Но есть и еще один вариант, и, на наш взгляд, он наиболее интересен.

Представим себе достаточно сложную симуляцию, которая включает в себя несколько одновременно работающих сценариев, и является многопользовательской. Цель — оценить эффективность/знания не только одного человека, но и всей команды; при этом мы не знаем точно, правильно ли мы построили сам учебный курс. Безусловно, у нас есть некие наборы компетенций, упражнения и прочее, но мы сами не можем точно оценить эффективность данных материалов.

Мы можем разметить какие-то исходы отдельных сценариев, и попробовать оценить их совместно. Но есть еще один вариант — записывать каждое действие ученика в виртуальном пространстве, используя протокол xAPI — разработанный, отчасти, именно для работы с симуляциями и серьезными играми.

При этом интересно то, что запись среднего “трека” прохождения будет достаточной, чтобы применить к ней методы ML/Data Mining. Мы получаем (особенно на результате нескольких “треков”) профиль ученика, в котором можем искать самые различные варианты корреляций с нашим учебным курсом.

Можно представить себе очень много вариантов работы с подобного рода учебной статистикой, их достаточно сложно перечислить целиком, они будут зависеть непосредственно от структуры учебного курса и требований к нему. Самое простое, например — это вариативный сложный сценарий, где нет одного правильного варианта выполнения действий, но есть некий критерий эффективности/командной работы; в этом случае можно записать несколько “идеальных” треков прохождения и проанализировать расхождения с треком ученика. Другой вариант — это предположение, что курс вообще сформирован неидеально, и переходя к занятиям в VR, ученики упускают некоторый теоретический момент. Его будет несложно выделить, просто отметив все ошибки на определенном шаге комплексного сценария.

Говоря о более “инфраструктурных” вещах, работа с такими данными требует:

  1. Наличия LRS. Стандарт xAPI жестко отделяет базу данных подобной статистики от LMS/анализа/обработки. Но так как речь идет о достаточно больших объемах данных, то мы рассматриваем концепцию распределенного хранилища учебных записей, с различными вариантами их верификации. Например, возможен вариант с использованием blockchain;
  2. Достаточно богатой среды визуализации подобной статистики и работы с ней. Традиционных средств построения отчетов о ходе обучения тут мало, нужны другие средства; например, мы рассматриваем Elasticsearch+Kibana, другой вариант — PowerBI.

В настоящий момент мы продолжаем разработку подобных вариантов работы со статистикой из VR-приложений, хотя, конечно, во многом это еще экспериментальные варианты.

Авторы


Компания Jedium — партнерская компания Microsoft, работающая в сфере виртуальной, дополненной реальности и искусственного интеллекта. Jedium разработала фреймворк для упрощения разработки комплексных проектов на Unity, часть которого находится в открытом доступе на GitHub. Jedium планирует пополнять репозиторий новыми модулями фреймворка, а также интеграционными решениями с Microsoft Azure.

Виталий Чащин — Разработчик программного обеспечения с более чем 10 годами опыта в дизайне и реализации трехмерных клиент-серверных приложений – от концепции до полной реализации и интеграции приложений и решений в области виртуальной реальности. Системный архитектор Jedium LLC, MSc in IT.

Алексей Сарафанов

менеджер по маркетингу в Jedium LLC.

Сергей Кудрявцев

CEO and founder of Jedium LLC.

Комментарии (0)