< Return to Video

Daphne Koller: Czego nas uczy edukacja online

  • 0:01 - 0:04
    Jak wielu z was jestem szcz臋艣ciar膮.
  • 0:04 - 0:07
    Pochodz臋 z rodziny,
    w kt贸rej nauka by艂a wszechobecna.
  • 0:07 - 0:11
    Rodzice to akademicy.
    Jestem 3 pokoleniem z doktoratem.
  • 0:11 - 0:15
    Dzieci艅stwo sp臋dzi艂am
    w laboratorium uniwersyteckim ojca.
  • 0:15 - 0:19
    Ucz臋szcza艂am na najlepsze uczelnie,
  • 0:19 - 0:23
    kt贸re otworzy艂y drog臋
    do 艣wiata niesko艅czonych mo偶liwo艣ci.
  • 0:23 - 0:27
    Niestety, nie wszyscy maj膮 tyle szcz臋艣cia.
  • 0:27 - 0:30
    W niekt贸rych cz臋艣ciach 艣wiata, jak w RPA,
  • 0:30 - 0:33
    edukacja nie jest og贸lnie dost臋pna.
  • 0:33 - 0:36
    System edukacyjny zosta艂 tam stworzony
  • 0:36 - 0:39
    przez bia艂膮 mniejszo艣膰 w czasie apartheidu.
  • 0:39 - 0:41
    Dlatego nadal brakuje miejsc dla wielu,
  • 0:41 - 0:45
    kt贸rzy zas艂uguj膮
    na edukacj臋 na wysokim poziomie.
  • 0:45 - 0:49
    Ten deficyt, doprowadzi艂 w styczniu do kryzysu
  • 0:49 - 0:51
    na uniwersytecie w Johannesburgu.
  • 0:51 - 0:53
    Po pierwszym etapie procesu rekrutacji,
  • 0:53 - 0:56
    zosta艂a garstka wolnych miejsc
  • 0:56 - 0:59
    i mia艂y zosta膰 udost臋pnione rano,
  • 0:59 - 1:03
    tysi膮ce ludzi ustawi艂o si臋 w kolejce,
  • 1:03 - 1:07
    w nadziei, 偶e miejsc wystarczy i dla nich.
  • 1:07 - 1:09
    Po otwarciu bram wybuch艂a panika,
  • 1:09 - 1:13
    20 os贸b rannych, jedna straci艂a 偶ycie.
  • 1:13 - 1:14
    By艂a to matka, kt贸ra odda艂a 偶ycie
  • 1:14 - 1:19
    pr贸buj膮c zapewni膰 synowi lepsz膮 przysz艂o艣膰.
  • 1:19 - 1:22
    Ale nawet w kraju z edukacj膮 powszechn膮, jak USA,
  • 1:22 - 1:26
    nie ka偶dy ma do niej dost臋p.
  • 1:26 - 1:29
    Du偶o m贸wi si臋
  • 1:29 - 1:31
    o wzro艣cie koszt贸w opieki medycznej.
  • 1:31 - 1:33
    Wielu uwadze umkn臋艂o,
  • 1:33 - 1:37
    偶e w tym samym czasie,
  • 1:37 - 1:40
    koszt op艂at za studia od 1985 roku
  • 1:40 - 1:44
    wzr贸s艂 o ca艂e 559%
  • 1:44 - 1:49
    Dlatego edukacja jest dla wielu os贸b niedost臋pna.
  • 1:49 - 1:52
    Nawet dla tych,
    kt贸rzy zdobyli wy偶sze wykszta艂cenie,
  • 1:52 - 1:55
    cz臋sto drzwi do lepszego 偶ycia s膮 zamkni臋te.
  • 1:55 - 1:58
    Niewiele ponad po艂owa absolwent贸w
  • 1:58 - 2:01
    szk贸艂 wy偶szych w USA
  • 2:01 - 2:04
    pracuje w zawodzie zgodnym z wykszta艂ceniem.
  • 2:04 - 2:06
    Nie dotyczy to, rzecz jasna,
  • 2:06 - 2:08
    student贸w czo艂owych uczelni wy偶szych.
  • 2:08 - 2:11
    Czas i wysi艂ek wielu absolwent贸w
  • 2:11 - 2:14
    nie jest ceniony na rynku pracy.
  • 2:14 - 2:17
    Tom Friedman, z New York Timesa,
  • 2:17 - 2:21
    艣wietnie to uj膮艂 pisz膮c o "duchu naszych stara艅".
  • 2:21 - 2:25
    Napisa艂: "Najwi臋ksze prze艂omy nast臋puj膮,
  • 2:25 - 2:28
    kiedy nowa mo偶liwo艣膰
    pomaga sprosta膰 rozpaczliwej potrzebie.
  • 2:28 - 2:31
    M贸wi艂am ju偶 o rozpaczliwych potrzebach.
  • 2:31 - 2:34
    Pom贸wmy o nowych mo偶liwo艣ciach.
  • 2:34 - 2:37
    Pokaza艂y to ostatnio
  • 2:37 - 2:38
    3 kursy Uniwersytetu Stanford.
  • 2:38 - 2:42
    Ka偶dy z nich liczy艂 oko艂o 100 tys. s艂uchaczy.
  • 2:42 - 2:46
    Przyjrzyjmy si臋 jednemu: "Uczenie maszynowe",
  • 2:46 - 2:47
    prowadzone przez mojego koleg臋
  • 2:47 - 2:49
    i wsp贸艂za艂o偶yciela platformy, Andrew Ng.
  • 2:49 - 2:52
    Jego kurs jest bardzo popularny.
  • 2:52 - 2:53
    Gdy pojawia si臋 w ofercie,
  • 2:53 - 2:56
    przyci膮ga oko艂o 400 s艂uchaczy.
  • 2:56 - 3:00
    Kiedy kurs udost臋pniono online,
  • 3:00 - 3:02
    zapisa艂o si臋 100 tys. os贸b.
  • 3:02 - 3:04
    Gdyby Andrew chcia艂 zgromadzi膰
  • 3:04 - 3:06
    tyle samo os贸b w audytorium
  • 3:06 - 3:08
    w Stanford,
  • 3:08 - 3:12
    musia艂by wyk艂ada膰 przez 250 lat.
  • 3:12 - 3:16
    W ko艅cu by si臋 znudzi艂.
  • 3:16 - 3:18
    Widz膮c wp艂yw tego przedsi臋wzi臋cia,
  • 3:18 - 3:22
    postanowili艣my rozszerzy膰 skal臋,
  • 3:22 - 3:26
    udost臋pniaj膮c najlepsz膮 edukacj臋
    jak najwi臋kszej ilo艣ci os贸b.
  • 3:26 - 3:27
    Tak powsta艂a Coursera,
  • 3:27 - 3:30
    kt贸ra dostarcza najlepsze kursy
  • 3:30 - 3:34
    najlepszych wyk艂adowc贸w
    z najlepszych uniwersytet贸w,
  • 3:34 - 3:38
    za darmo, wszystkim na ca艂ym 艣wiecie.
  • 3:38 - 3:40
    S膮 na niej 43 kursy z r贸偶nych dziedzin,
  • 3:40 - 3:43
    z 4 uniwersytet贸w.
  • 3:43 - 3:45
    Poka偶臋 wam jak to dzia艂a.
  • 3:45 - 3:49
    (Wideo) Robert Ghrist:
  • 3:49 - 3:50
    Witam na analizie matematycznej.
  • 3:50 - 3:52
    Ezekiel Emanuel: 50 mln os贸b nie ma bezpieczenia.
  • 3:52 - 3:55
    Scott Page: Modele pozwalaj膮 tworzy膰
  • 3:55 - 3:57
    skuteczniejsze strategie i instytucje.
  • 3:57 - 3:59
    Scott Klemmer: Bush my艣la艂, 偶e w przysz艂o艣ci
  • 3:59 - 4:02
    ludzie b臋d膮 nosi膰 kamery na g艂owie.
  • 4:02 - 4:06
    Mitchell Duneier: Mills chce,
    by student socjologii rozwija艂 umys艂...
  • 4:06 - 4:09
    RG: Wisz膮cy kabel przybiera posta膰
    hiperbolicznego cosinusa.
  • 4:09 - 4:13
    Nick Parlante: Dla ka偶dego piksela
    wyzeruj kolor czerwony.
  • 4:13 - 4:16
    Paul Offit: Szczepionki umo偶liwi艂y
    eliminacj臋 wirusa polio.
  • 4:16 - 4:19
    Dan Jurafsky: Czy Lufthansa serwuje 艣niadanie
    w San Jose? Brzmi 艣miesznie.
  • 4:19 - 4:23
    Daphne Koller: To wybrana moneta,
    a to dwa kolejne rzuty.
  • 4:23 - 4:26
    Andrew Ng: By wprowadzi膰 uczenie maszynowe
    na szerok膮 skal臋,
  • 4:26 - 4:32
    musieliby艣my wymy艣li膰 obliczeniowe...(Brawa)
  • 4:32 - 4:34
    DK: Zgodnie z zamierzeniem,
  • 4:34 - 4:37
    studenci za darmo otrzymuj膮 materia艂
  • 4:37 - 4:39
    z najlepszych uniwersytet贸w.
  • 4:39 - 4:42
    Od otwarcia portalu w lutym,
  • 4:42 - 4:46
    mamy 640 tys. student贸w ze 190 kraj贸w
  • 4:46 - 4:48
    i 1.5 mln zapis贸w, 6 mln test贸w
  • 4:48 - 4:51
    z 15 kurs贸w, kt贸re rozpocz臋li艣my.
  • 4:51 - 4:56
    14 milion贸w obejrza艂o nasze filmy.
  • 4:56 - 4:59
    Ale nie chodzi o liczby.
  • 4:59 - 5:00
    Chodzi o ludzi.
  • 5:00 - 5:03
    Mo偶e to Akash z Indii,
  • 5:03 - 5:06
    kt贸ry nigdy nie mia艂by dost臋pu
  • 5:06 - 5:07
    do kurs贸w na poziomie Stanford
  • 5:07 - 5:10
    i nie by艂oby go na nie sta膰.
  • 5:10 - 5:12
    Czy Jenny, samotna matka dw贸jki,
  • 5:12 - 5:14
    kt贸ra pragnie wr贸ci膰 na uczelni臋,
  • 5:14 - 5:17
    by doko艅czy膰 studia magisterskie.
  • 5:17 - 5:20
    Czy te偶 Ryan, kt贸ry nie mo偶e chodzi膰 na wyk艂ady,
  • 5:20 - 5:22
    bo jego c贸reczka cierpi na immunopati臋,
  • 5:22 - 5:25
    i nie mo偶na ryzykowa膰
  • 5:25 - 5:27
    przyniesienia zarazk贸w do domu.
  • 5:27 - 5:29
    Mi艂o mi poinformowa膰,
  • 5:29 - 5:31
    偶e ta historia
  • 5:31 - 5:33
    znalaz艂a szcz臋艣liwe zako艅czenie.
  • 5:33 - 5:35
    Shannon, po prawej, ma si臋 lepiej,
  • 5:35 - 5:36
    a Ryan dosta艂 prac臋
  • 5:36 - 5:40
    dzi臋ki kilku naszym kursom.
  • 5:40 - 5:42
    Co wyr贸偶nia nasze kursy?
  • 5:42 - 5:46
    Nauka online jest dost臋pna od jakiego艣 czasu.
  • 5:46 - 5:50
    Ale nasze kursy pozwalaj膮 do艣wiadczy膰 szko艂y.
  • 5:50 - 5:52
    Zaczynaj膮 si臋 w konkretnym dniu,
  • 5:52 - 5:55
    studenci ogl膮daj膮 wyk艂ady co tydzie艅,
  • 5:55 - 5:57
    i rozwi膮zuj膮 prawdziwe zadania domowe,
  • 5:57 - 5:59
    i rozwi膮zuj膮 prawdziwe zadania domowe,
  • 5:59 - 6:02
    w okre艣lonym terminie i na ocen臋.
  • 6:02 - 6:04
    Mo偶ecie to zobaczy膰 na wykresie.
  • 6:04 - 6:06
    Jasno pokazuje on,
  • 6:06 - 6:10
    偶e zw艂oka jest zjawiskiem globalnym.
  • 6:10 - 6:13
    (艢miech)
  • 6:13 - 6:14
    Na koniec kursu
  • 6:14 - 6:16
    ka偶dy otrzymuje certyfikat.
  • 6:16 - 6:18
    Mog膮 go przedstawi膰 przysz艂emu pracodawcy
  • 6:18 - 6:21
    i otrzyma膰 lepsz膮 prac臋.
  • 6:21 - 6:23
    Znamy wiele takich przypadk贸w.
  • 6:23 - 6:25
    Niekt贸rzy, przedstawili go swojej uczelni
  • 6:25 - 6:28
    Niekt贸rzy, przedstawili go swojej uczelni
  • 6:28 - 6:29
    i otrzymali punkty zaliczeniowe.
  • 6:29 - 6:32
    Ich czas i trud zosta艂 doceniony
  • 6:32 - 6:35
    i mia艂o to znaczenie.
  • 6:35 - 6:37
    Porozmawiajmy teraz
  • 6:37 - 6:39
    o sk艂adniowych kurs贸w.
  • 6:39 - 6:42
    Kiedy pozbywamy si臋 fizycznych ogranicze艅 klasy,
  • 6:42 - 6:44
    i projektujemy zawarto艣膰 kurs贸w
  • 6:44 - 6:47
    w formacie odpowiednim dla internetu,
  • 6:47 - 6:49
    mo偶na odej艣膰 od monolitu
  • 6:49 - 6:52
    godzinnego wyk艂adu;
  • 6:52 - 6:53
    podzieli膰 materia艂 na kr贸tkie,
  • 6:53 - 6:57
    8-12 minutowe fragmenty,
  • 6:57 - 7:00
    dotycz膮ce konkretnego zagadnienia.
  • 7:00 - 7:02
    Studenci przyswaja膰 materia艂 na r贸偶ne sposoby,
  • 7:02 - 7:06
    zale偶nie od dotychczasowej wiedzy,
    umiej臋tno艣ci i zainteresowa艅.
  • 7:06 - 7:09
    Niekt贸rzy mog膮 skorzysta膰
  • 7:09 - 7:11
    z materia艂u przygotowawczego,
  • 7:11 - 7:13
    kt贸ry innym jest ju偶 znany.
  • 7:13 - 7:16
    Inni mog膮 by膰 zainteresowani
  • 7:16 - 7:19
    szczeg贸艂owym wzbogaceniem tematyki.
  • 7:19 - 7:22
    Ten format pozwala na zerwanie
  • 7:22 - 7:25
    z tradycyjnym podej艣ciem do nauczania,
  • 7:25 - 7:29
    umo偶liwiaj膮c rozw贸j edukacji spersonalizowanej.
  • 7:29 - 7:31
    Jako wyk艂adowcy wiemy,
  • 7:31 - 7:35
    偶e studenci nie ucz膮 si臋 pasywnie s艂uchaj膮c.
  • 7:35 - 7:38
    Wa偶nym elementem tego procesu,
  • 7:38 - 7:40
    jest praca student贸w,
  • 7:40 - 7:43
    kt贸rzy musz膮 prze膰wiczy膰 materia艂,
  • 7:43 - 7:46
    aby go naprawd臋 zrozumie膰.
  • 7:46 - 7:49
    To przekonanie potwierdza szereg bada艅.
  • 7:49 - 7:52
    W zesz艂orocznym numerze "Science"
  • 7:52 - 7:54
    ukaza艂 si臋 artyku艂 pokazuj膮cy,
  • 7:54 - 7:57
    偶e nawet proste techniki powt贸rzeniowe
  • 7:57 - 7:59
    znanego ju偶 materia艂u,
  • 7:59 - 8:01
    daj膮 znacznie lepsze rezultaty
  • 8:01 - 8:03
    w r贸偶nych testach osi膮gni臋膰,
  • 8:03 - 8:07
    ni偶 inne edukacyjne zabiegi.
  • 8:07 - 8:10
    Staramy si臋 uwzgl臋dnia膰 to na naszej platformie,
  • 8:10 - 8:12
    na r贸wni z innymi metodami.
  • 8:12 - 8:16
    Nasze wyk艂ady to nie tylko filmy.
  • 8:16 - 8:19
    Co kilka minut wyk艂ad zostaje zatrzymany
  • 8:19 - 8:21
    a studenci dostaj膮 pytania.
  • 8:21 - 8:23
    (Wideo) SP: 4 rzeczy. Teoria perspektywy, hiperboliczne obni偶enie warto艣ci,
  • 8:23 - 8:26
    b艂膮d statusu quo, zaniedbywanie miarodajno艣ci.
  • 8:26 - 8:29
    To dobrze udokumentowane odchylenia
    od racjonalnego zachowania.
  • 8:29 - 8:30
    DK: W tym momencie film si臋 zatrzymuje,
  • 8:30 - 8:33
    a student wpisuje odpowied藕 w ramk臋 i zatwierdza.
  • 8:33 - 8:36
    [Odpowied藕 b艂臋dna]
    Najwyra藕niej nie uwa偶a艂.
  • 8:36 - 8:37
    (艢miech)
  • 8:37 - 8:39
    Mo偶e spr贸bowa膰 ponownie.
  • 8:39 - 8:41
    Tym razem odpowied藕 poprawna.
  • 8:41 - 8:43
    Mo偶e te偶 skorzysta膰 z dodatkowego wyja艣nienia.
  • 8:43 - 8:48
    Nast臋puje dalsza cz臋艣膰 wyk艂adu.
  • 8:48 - 8:50
    Kiedy zadaj臋 takie pytania
  • 8:50 - 8:52
    podczas wyk艂adu,
  • 8:52 - 8:54
    kt贸ry prowadz臋,
  • 8:54 - 8:56
    80% student贸w
  • 8:56 - 8:57
    notuje jeszcze moje s艂owa,
  • 8:57 - 9:01
    15% przegl膮da Facebooka,
  • 9:01 - 9:03
    i tylko m膮drala z pierwszego rz臋du
  • 9:03 - 9:05
    wyskakuje z odpowiedzi膮,
  • 9:05 - 9:07
    zanim inni zdo艂ali pomy艣le膰.
  • 9:07 - 9:10
    Jako wyk艂adowca, jestem zadowolona,
  • 9:10 - 9:11
    偶e kto艣 w og贸le zna艂 odpowied藕.
  • 9:11 - 9:14
    Wyk艂ad idzie dalej, zanim wi臋kszo艣膰 student贸w
  • 9:14 - 9:18
    zd膮偶y艂a cho膰by zauwa偶y膰, 偶e zadano pytanie.
  • 9:18 - 9:20
    Tutaj ka偶dy student musi pozna膰 materia艂.
  • 9:20 - 9:23
    Tutaj ka偶dy student musi pozna膰 materia艂.
  • 9:23 - 9:25
    Pytania powt贸rzeniowe
  • 9:25 - 9:27
    to nie wszystko.
  • 9:27 - 9:30
    Potrzebne s膮 dog艂臋bniejsze pytania
  • 9:30 - 9:32
    i umo偶liwienie studentom
  • 9:32 - 9:34
    konsultacji odpowiedzi.
  • 9:34 - 9:36
    Ale jak ocenia膰 prac臋 100 tys. student贸w
  • 9:36 - 9:40
    bez 100 tys. asystent贸w?
  • 9:40 - 9:42
    Nale偶y u偶ywa膰 technologii.
  • 9:42 - 9:43
    Nale偶y u偶ywa膰 technologii.
  • 9:43 - 9:46
    Nowa technologia umo偶liwia nam,
  • 9:46 - 9:49
    ocen臋 r贸偶nych zada艅 domowych.
  • 9:49 - 9:51
    Opr贸cz test贸w wielokrotnego wyboru,
  • 9:51 - 9:54
    i kr贸tkich pyta艅, jakie widzieli艣my na filmie,
  • 9:54 - 9:57
    mo偶emy ocenia膰 wyra偶enia matematyczne
  • 9:57 - 9:59
    czy pochodne;
  • 9:59 - 10:02
    modele,
  • 10:02 - 10:04
    czy to finansowe na kursie biznesu,
  • 10:04 - 10:07
    czy te偶 fizyczne na zaj臋ciach z in偶ynierii lub fizyki.
  • 10:07 - 10:11
    Mo偶emy te偶 ocenia膰 skomplikowane
    zadania programistyczne.
  • 10:11 - 10:13
    Poka偶臋 wam prosty,
  • 10:13 - 10:14
    ale wyrazisty przyk艂ad.
  • 10:14 - 10:17
    Stanfordzki kurs informatyki.
  • 10:17 - 10:18
    Studenci maj膮 poprawi膰 kolorystyk臋
  • 10:18 - 10:20
    rozmazanego czerwonego obrazu.
  • 10:20 - 10:22
    Wpisuj膮 sw贸j program w przegl膮dark臋.
  • 10:22 - 10:26
    Je艣li si臋 pomyl膮, Statua Wolno艣ci b臋dzie zielona.
  • 10:26 - 10:30
    Je艣li wpisz膮 program poprawnie,
  • 10:30 - 10:32
    przechodz膮 do nast臋pnego zadania.
  • 10:32 - 10:35
    Mo偶liwo艣膰 interaktywnej pracy z materia艂em,
  • 10:35 - 10:37
    na zasadzie z艂ych i dobrych odpowiedzi,
  • 10:37 - 10:40
    jest niezb臋dna w procesie nauczania.
  • 10:40 - 10:42
    Oczywi艣cie, nie mo偶emy oceni膰
  • 10:42 - 10:45
    szerokiego zakresu prac wszystkich kierunk贸w.
  • 10:45 - 10:49
    Brakuje mo偶liwo艣ci oceny my艣lenia krytycznego,
  • 10:49 - 10:50
    tak potrzebnego w dyscyplinach humanistycznych,
  • 10:50 - 10:54
    spo艂ecznych, biznesie i wielu innych.
  • 10:54 - 10:56
    Pr贸bowali艣my przekona膰
  • 10:56 - 10:58
    wydzia艂 nauk humanistycznych
  • 10:58 - 11:01
    do test贸w wielokrotnego wyboru.
  • 11:01 - 11:03
    Nie posz艂o najlepiej.
  • 11:03 - 11:05
    Musieli艣my znale藕膰 inne rozwi膮zanie.
  • 11:05 - 11:08
    To system wzajemnej oceny student贸w.
  • 11:08 - 11:11
    Badania Saddlera czy Good'a,
  • 11:11 - 11:12
    jasno wskazuj膮,
  • 11:12 - 11:15
    偶e to zaskakuj膮co skuteczna
  • 11:15 - 11:18
    strategia oceniania.
  • 11:18 - 11:20
    Badania w ma艂ych klasach
  • 11:20 - 11:21
    jasno pokaza艂y,
  • 11:21 - 11:24
    偶e oceny student贸w, na osi rz臋dnych
  • 11:24 - 11:25
    by艂y bardzo zbli偶one
  • 11:25 - 11:27
    do ocen nauczycieli, na osi odci臋tych.
  • 11:27 - 11:31
    Ciekawy jest te偶 fakt,
  • 11:31 - 11:33
    偶e studenci oceniaj膮cy w艂asn膮 prac臋,
  • 11:33 - 11:35
    przy odpowiedniej zach臋cie,
  • 11:35 - 11:37
    by nie dawa膰 sobie najwy偶szych ocen,
  • 11:37 - 11:40
    oceniaj膮 bardzo podobnie do nauczycieli.
  • 11:40 - 11:41
    Zatem to bardzo skuteczna metoda oceniania,
  • 11:41 - 11:44
    Zatem to bardzo skuteczna metoda oceniania,
  • 11:44 - 11:46
    jak r贸wnie偶 nauczania,
  • 11:46 - 11:49
    bo studenci ucz膮 si臋 te偶 przez do艣wiadczenie.
  • 11:49 - 11:53
    Tak stworzyli艣my najwi臋kszy system wzajemnej oceny ,
  • 11:53 - 11:56
    gdzie tysi膮ce student贸w
  • 11:56 - 11:57
    z powodzeniem ocenia
  • 11:57 - 12:00
    prac臋 swoich koleg贸w.
  • 12:00 - 12:02
    Nie chodzi jednak o samotne
  • 12:02 - 12:05
    rozwi膮zywanie zada艅.
  • 12:05 - 12:07
    Ka偶dy kurs tworzy wok贸艂 siebie
  • 12:07 - 12:09
    studenck膮 spo艂eczno艣膰,
  • 12:09 - 12:11
    zgrupowan膮 wok贸艂
  • 12:11 - 12:14
    wsp贸lnego wysi艂ku intelektualnego.
  • 12:14 - 12:16
    To mapa samoistnie wygenerowana
  • 12:16 - 12:19
    przez student贸w socjologii Princeton.
  • 12:19 - 12:22
    Umie艣cili miejsca zamieszkania na mapie.
  • 12:22 - 12:25
    Dok艂adnie obrazuje globalny zasi臋g
    tego przedsi臋wzi臋cia.
  • 12:25 - 12:30
    Studenci wsp贸艂pracowali na wiele r贸偶nych sposob贸w.
  • 12:30 - 12:32
    Stworzono forum pyta艅 i odpowiedzi,
  • 12:32 - 12:34
    gdzie studenci mogli
  • 12:34 - 12:37
    zadawa膰 i odpowiada膰 na pytania.
  • 12:37 - 12:38
    Niezwyk艂e by艂o to,
  • 12:38 - 12:40
    偶e grupa by艂a tak liczna,
  • 12:40 - 12:42
    偶e nawet je艣li kto艣
  • 12:42 - 12:44
    zada艂 pytanie o 3 nad ranem,
  • 12:44 - 12:46
    gdzie艣 na 艣wiecie
  • 12:46 - 12:48
    znalaz艂 si臋 kto艣,
  • 12:48 - 12:50
    kto w艂a艣nie pracowa艂 nad tym problemem.
  • 12:50 - 12:52
    W wielu kursach
  • 12:52 - 12:54
    艣redni czas odpowiedzi
  • 12:54 - 12:58
    wynosi艂 zaledwie 22 minuty.
  • 12:58 - 13:02
    Takiego poziomu us艂ug
    nigdy nie zapewni臋 studentom na Stanford.
  • 13:02 - 13:04
    (艢miech)
  • 13:04 - 13:06
    Z opinii student贸w
  • 13:06 - 13:07
    jasno wynika,
  • 13:07 - 13:10
    偶e dzi臋ki tej olbrzymiej spo艂eczno艣ci
  • 13:10 - 13:12
    mogli nawi膮za膰 kontakty
  • 13:12 - 13:17
    g艂臋bsze ni偶 podczas kontaktu w klasie.
  • 13:17 - 13:19
    Bez naszej ingerencji,
  • 13:19 - 13:21
    samodzielnie formowali
  • 13:21 - 13:23
    mniejsze grupy.
  • 13:23 - 13:25
    Niekt贸re z nich na poziomie lokalnym,
  • 13:25 - 13:27
    zgodnie z miejscem pobytu.
  • 13:27 - 13:30
    Co tydzie艅 wsp贸lnie pracowano nad zadaniami.
  • 13:30 - 13:32
    To grupa naukowa z San Francisco,
  • 13:32 - 13:34
    ale by艂y te偶 gdzie indziej na 艣wiecie.
  • 13:34 - 13:36
    Tworzono te偶 wirtualne grupy naukowe,
  • 13:36 - 13:39
    ze wzgl臋du na wsp贸lnot臋 j臋zyka czy kultury.
  • 13:39 - 13:40
    W lewym dolnym rogu,
  • 13:40 - 13:44
    mo偶ecie zobaczy膰 grup臋 wielokulturow膮,
  • 13:44 - 13:46
    stworzon膮 przez ludzi
  • 13:46 - 13:49
    chc膮cych pozna膰 inne kultury.
  • 13:49 - 13:51
    Tego rodzaju struktury
  • 13:51 - 13:54
    maj膮 ogromny potencja艂.
  • 13:54 - 13:58
    Daj膮 mo偶liwo艣膰
  • 13:58 - 14:00
    bezprecedensowego spojrzenia
  • 14:00 - 14:03
    i zrozumienia procesu ludzkiej nauki.
  • 14:03 - 14:06
    Zbierane przez nas dane s膮 unikatowe.
  • 14:06 - 14:10
    Mo偶na rejestrowa膰 ka偶de klikni臋cie, prace domow膮
  • 14:10 - 14:15
    i post na forum dla setek tysi臋cy student贸w.
  • 14:15 - 14:17
    Stan bada艅 nad zdobywaniem wiedzy
  • 14:17 - 14:19
    przejdzie od hipotez
  • 14:19 - 14:22
    do analizy danych.
  • 14:22 - 14:25
    Ta metoda zrewolucjonizowa艂a biologi臋.
  • 14:25 - 14:28
    Te dane mog膮 pom贸c zrozumie膰
  • 14:28 - 14:30
    jakie metody nauki s膮 efektywne
  • 14:30 - 14:33
    a jakie nie.
  • 14:33 - 14:35
    Przy konkretnych kursach
  • 14:35 - 14:37
    mo偶na zada膰 pytanie
  • 14:37 - 14:40
    o najbardziej powszechne b艂臋dy
  • 14:40 - 14:42
    i pom贸c je studentom rozwi膮za膰.
  • 14:42 - 14:43
    Ponownie "Uczenie maszynowe".
  • 14:43 - 14:45
    To wykres
  • 14:45 - 14:48
    b艂臋dnych odpowiedzi
  • 14:48 - 14:49
    na jedno z zada艅 Andrew.
  • 14:49 - 14:51
    Odpowied藕 wyra偶ono w formie dw贸ch liczb,
  • 14:51 - 14:53
    dlatego obrazuje j膮 dwuwymiarowa podzia艂ka.
  • 14:53 - 14:57
    Dwa krzy偶yki to dwie r贸偶ne b艂臋dne odpowiedzi.
  • 14:57 - 15:00
    Du偶y krzy偶yk w lewy g贸rnym rogu
  • 15:00 - 15:02
    obrazuje kumulacj臋 b艂臋dnych odpowiedzi
  • 15:02 - 15:05
    oko艂o 2 tys. student贸w.
  • 15:05 - 15:07
    Kiedy w klasie licz膮cej 100 os贸b
  • 15:07 - 15:08
    zaledwie 2 student贸w odpowiada b艂臋dnie,
  • 15:08 - 15:10
    ci臋偶ko to zauwa偶y膰.
  • 15:10 - 15:12
    Ale je艣li 2 tys. daje t膮 sam膮 b艂臋dn膮 odpowied藕,
  • 15:12 - 15:14
    ten fakt trudno przegapi膰.
  • 15:14 - 15:16
    Andrew wraz ze studentami,
  • 15:16 - 15:18
    przejrzeli niekt贸re zadania,
  • 15:18 - 15:22
    aby zrozumie膰, sk膮d wzi膮艂 si臋 b艂膮d.
  • 15:22 - 15:24
    Stworzyli te偶 zindywidualizowany komunikat b艂edu
  • 15:24 - 15:27
    dla ka偶dego studenta,
  • 15:27 - 15:29
    kt贸ry wyszed艂 z tego b艂臋dnego za艂o偶enia.
  • 15:29 - 15:31
    Studenci, kt贸rzy pope艂nili te same b艂臋dy
  • 15:31 - 15:33
    otrzymali spersonalizowan膮 informacj臋,
  • 15:33 - 15:37
    jak skutecznie poprawi膰 b艂臋dne za艂o偶enie.
  • 15:37 - 15:41
    Personalizacj臋 mo偶na rozbudowywa膰
  • 15:41 - 15:44
    w艂a艣nie dzi臋ki du偶ej ilo艣ci student贸w.
  • 15:44 - 15:46
    Mo偶e personalizacja
  • 15:46 - 15:49
    jest r贸wnie偶 ogromn膮 szans膮
  • 15:49 - 15:51
    na rozwi膮zanie problemu
  • 15:51 - 15:54
    maj膮cego ju偶 30 lat.
  • 15:54 - 15:57
    W 1984 roku, Benjamin Bloom
  • 15:57 - 16:00
    przedstawi艂 fenomen zwany problemem 2 sigma,
  • 16:00 - 16:03
    kt贸ry zaobserwowa艂 badaj膮c 3 grupy uczni贸w.
  • 16:03 - 16:06
    Pierwsza grupa s艂ucha艂a tradycyjnych wyk艂ad贸w.
  • 16:06 - 16:09
    Druga uczy艂a si臋 r贸wnie偶 w klasie,
  • 16:09 - 16:11
    ale przy u偶yciu metody zak艂adaj膮cej,
  • 16:11 - 16:13
    偶e studenci nie mog膮
  • 16:13 - 16:15
    przej艣膰 do nast臋pnego tematu,
  • 16:15 - 16:18
    zanim nie opanuj膮 mistrzowsko poprzedniego.
  • 16:18 - 16:20
    Ostatnia, trzecia grupa
  • 16:20 - 16:25
    nauczana by艂a indywidualnie.
  • 16:25 - 16:28
    Wyniki metody mistrzowskiej by艂y lepsze
  • 16:28 - 16:30
    o ca艂e odchylenie standardowe, czyli sigma,
  • 16:30 - 16:33
    od standardowych wyk艂ad贸w.
  • 16:33 - 16:35
    Nauczanie indywidualne r贸偶ni艂o si臋 o dwie sigmy
  • 16:35 - 16:37
    czyli dwa odchylenia standardowe.
  • 16:37 - 16:38
    Aby zrozumie膰, co to dok艂adnie oznacza,
  • 16:38 - 16:40
    przyjrzyjmy si臋 tradycyjnemu nauczaniu
  • 16:40 - 16:43
    i wybierzmy 艣redni膮 ocen jako pr贸g.
  • 16:43 - 16:44
    Po艂owa student贸w znajdzie si臋 powy偶ej przeci臋tnej,
  • 16:44 - 16:48
    a po艂owa poni偶ej.
  • 16:48 - 16:50
    W nauczaniu indywidualnym,
  • 16:50 - 16:55
    98% znajduje si臋 powy偶ej przeci臋tnej.
  • 16:55 - 16:59
    Wyobra藕my sobie takie kszta艂cenie,
  • 16:59 - 17:01
    gdzie 98% student贸w jest ponad przeci臋tn膮.
  • 17:01 - 17:05
    Problem 2 odchyle艅 standardowych bierze si臋 st膮d,
  • 17:05 - 17:07
    偶e spo艂ecze艅stwa nie sta膰
  • 17:07 - 17:10
    na indywidualne nauczanie wszystkich student贸w.
  • 17:10 - 17:12
    Ale mo偶e sta膰 nas na zapewnienie im
  • 17:12 - 17:14
    dost臋pu do komputera czy smartfona.
  • 17:14 - 17:17
    Jak u偶y膰 technologii,
  • 17:17 - 17:20
    by b艂臋kitna krzywa wykresu
  • 17:20 - 17:23
    przesun臋艂a si臋 w prawo, do zielonej krzywej?
  • 17:23 - 17:25
    Z komputerem 艂atwiej jest opanowywa膰 materia艂,
  • 17:25 - 17:26
    bo nie m臋czy go
  • 17:26 - 17:30
    pokazywanie tego samego materia艂u 5 razy z rz臋du,
  • 17:30 - 17:33
    czy ocenianie tej samej pracy kilka razy.
  • 17:33 - 17:36
    Mieli艣my okazj臋 ju偶 to zauwa偶y膰.
  • 17:36 - 17:38
    Zaczynamy r贸wnie偶 widzie膰 pocz膮tki
  • 17:38 - 17:40
    personalizacji nauczania,
  • 17:40 - 17:43
    np. indywidualny tok studi贸w
  • 17:43 - 17:46
    lub spersonalizowane informacje zwrotne.
  • 17:46 - 17:49
    Chcemy przesun膮膰
  • 17:49 - 17:52
    niebiesk膮 krzyw膮 jeszcze bli偶ej zielonej.
  • 17:52 - 17:58
    Czy uniwersytety przechodz膮 do lamusa?
  • 17:58 - 18:01
    Mark Twain tak w艂a艣nie s膮dzi艂 m贸wi膮c,
  • 18:01 - 18:03
    偶e szko艂a to miejsce,
    gdzie notatki profesora
  • 18:03 - 18:05
    l膮duj膮 w notatkach student贸w,
  • 18:05 - 18:07
    nie przelatuj膮c przez niczyj m贸zg.
  • 18:07 - 18:11
    (艢miech)
  • 18:11 - 18:14
    艢miem si臋 nie zgadza膰.
  • 18:14 - 18:17
    Narzeka艂 nie na uniwersytety per se,
  • 18:17 - 18:19
    ale na form臋 wyk艂ad贸w,
  • 18:19 - 18:22
    kt贸rym uczelnie po艣wi臋caj膮 tyle czasu.
  • 18:22 - 18:25
    Plutarch powiedzia艂:
    "Umys艂 nie jest naczyniem,
  • 18:25 - 18:28
    kt贸re nale偶y nape艂ni膰,
  • 18:28 - 18:30
    lecz ogniem, kt贸ry trzeba roznieci膰".
  • 18:30 - 18:32
    Mo偶e trzeba sp臋dza膰 mniej czasu na uniwersytetach
  • 18:32 - 18:34
    wype艂niaj膮c umys艂y wiedz膮 wyk艂adow膮
  • 18:34 - 18:38
    i zacz膮膰 rozpala膰 studenck膮 kreatywno艣膰
  • 18:38 - 18:41
    i umiej臋tno艣ci rozwi膮zywania problem贸w
  • 18:41 - 18:44
    poprzez prawdziw膮 rozmow臋.
  • 18:44 - 18:45
    Ale jak tego dokona膰?
  • 18:45 - 18:49
    Poprzez aktywne nauczanie.
  • 18:49 - 18:51
    To i wiele innych bada艅 wskazuje,
  • 18:51 - 18:53
    偶e aktywne nauczanie,
  • 18:53 - 18:56
    faktyczna interakcja na linii nauczyciel-student,
  • 18:56 - 18:58
    powoduje polepszenie wynik贸w,
  • 18:58 - 19:01
    lepsz膮 obecno艣膰, zaanga偶owanie w nauk臋
  • 19:01 - 19:03
    co mo偶na zmierzy膰 standaryzowanym testem.
  • 19:03 - 19:05
    Pu艂ap osi膮gni臋膰 wzrasta niemal dwukrotnie
  • 19:05 - 19:08
    w tym konkretnym eksperymencie.
  • 19:08 - 19:12
    Tak nale偶y sp臋dza膰 czas na uniwersytetach.
  • 19:12 - 19:17
    Gdyby zaoferowa膰 edukacj臋 na najwy偶szym poziomie
  • 19:17 - 19:18
    ka偶demu na 艣wiecie za darmo,
  • 19:18 - 19:21
    co by to da艂o? Trzy rzeczy.
  • 19:21 - 19:25
    Po pierwsze ustanowiliby艣my wykszta艂cenie
  • 19:25 - 19:26
    jako podstawowe prawo cz艂owieka.
  • 19:26 - 19:28
    Tak, by zdolno艣ci i motywacja wystarczy艂y
  • 19:28 - 19:30
    do zdobycia po偶膮danych umiej臋tno艣ci
  • 19:30 - 19:31
    i poprawy 偶ycia sobie,
  • 19:31 - 19:34
    swoim rodzinom i spo艂eczno艣ciom.
  • 19:34 - 19:36
    Po drugie, umo偶liwi艂oby to kszta艂cenie ustawiczne.
  • 19:36 - 19:38
    To okropna strata, 偶e dla wielu ludzi,
  • 19:38 - 19:41
    nauka ko艅czy si臋 wraz z uko艅czeniem
    liceum czy studi贸w.
  • 19:41 - 19:44
    Maj膮c t膮 niesamowit膮 mo偶liwo艣膰,
  • 19:44 - 19:47
    mo偶emy uczy膰 si臋 czego艣 nowego
  • 19:47 - 19:48
    kiedy tylko przyjdzie nam ochota,
  • 19:48 - 19:49
    czy to dla poszerzenia w艂asnych horyzont贸w,
  • 19:49 - 19:51
    czy dla dokonania zmian w 偶yciu.
  • 19:51 - 19:54
    Pozwoli艂oby to na fal臋 innowacji,
  • 19:54 - 19:57
    bo niesamowite talenty mo偶na znale藕膰 wsz臋dzie.
  • 19:57 - 20:00
    Mo偶e kolejny Einstein lub Jobs
  • 20:00 - 20:03
    mieszka gdzie艣 w odleg艂ym zak膮tku Afryki.
  • 20:03 - 20:06
    Umo偶liwienie takiej osobie wykszta艂cenia
  • 20:06 - 20:08
    zaowocowa艂oby wielkim odkryciem,
  • 20:08 - 20:10
    dzi臋ki kt贸remu 艣wiat sta艂by si臋 lepszy.
  • 20:10 - 20:11
    Dzi臋kuj臋 bardzo.
  • 20:11 - 20:19
    (Brawa)
Title:
Daphne Koller: Czego nas uczy edukacja online
Speaker:
Daphne Koller
Description:

Daphne Koller pr贸buje zach臋ci膰 najlepsze o艣rodki akademickie do umieszczania swoich najatrakcyjniejszych kurs贸w za darmo online. Nie chodzi tylko o us艂ug臋, ale r贸wnie偶 jako nowy spos贸b bada艅 nad sposobami zdobywania wiedzy. Ka偶de naci艣ni臋cie klawisza, quiz, forum dyskusyjne i system samooceny buduje bezprecedensow膮 baz臋 danych na temat tego, w jaki spos贸b wiedza jest przetwarzana i, co najwa偶niejsze, przyswajana.

more » « less
Video Language:
English
Team:
closed TED
Project:
TEDTalks
Duration:
20:40

Polish subtitles

Revisions Compare revisions