【干货】| 数据驱动的学习培训,第一步并不远

苏格兰社会服务委员会(Scottish Social Services Council, SSSC) 是政府资助的非营利机构,主要任务是提供广大的社会工作者专业训练,也是这些社会工作者的监管机构,以确保国民得到有品质保障的社会服务。

SSSC 的训练采取在线教育,开放授权的内容在电脑或移动端都可使用,以自主学习模式为主。为认可持续学习,SSSC 用 Experience API (xAPI) 标准来采集行为历程做为学习数据,加上使用 Open Badges 来对学习阶段成果进行认证。SSSC 培训的人次已多达数十万人,甚至其他国家的学习者也在使用它的在线资源进修。

Keith Quinn 是主管SSSC 在线学习方案的负责人,在社会服务部门30年中,有25年的培训主管经验。 他曾尝试各种科技工具来辅助学习,从零开始导入新学习科技。他认为一些关键技术解决了过去无法解决的问题,带来新的可能性,xAPI 是其中之一。正在计划2018年将全面大幅导入xAPI的他跟我聊了他的看法。



数据导向保障大规模开放学习的品质

采用 xAPI 追踪学习的动机很直接,我们可以得到学习过程数据。作为培训设计师,我需要知道学习内容如何被使用,以及学习者是否真的使用资源内容,真的吸收理解达到学习目标,行为是否受到影响而改变。xAPI 可以收集所有这些学习的数据,客观明确的证明学习是否确实发生,在数据累积达到符合学习目标要求时自动颁发认证或勋章(badges)。
要客观评估一个人的能力,我们需要有他可以做什么的数据,他曾经做过什么以及他累积的学习路径就是最好的数据。xAPI 的追踪数据完全客观而深入,而且可与 Open Badges 结合,我们是个很小的团队,没有这些技术不可能做到公平有效管理数十万自主学习者的培训设计与能力认证,保障大规模开放学习的学习成果。我们本来就有标准对于各种岗位的能力做定义,现在导入 xAPI 就可将这些能力标准结合进来,从数据判读是否符合能力标准,自动核发证书。 (注:badges 可以对学习旅程中更颗粒化的成果作认可,对学习者发挥较佳的持续肯定与引导作用)
现在数字化的学习工具十分多元,随时可看到新的创意,实现新的可能。以xAPI 采集数据,我们可以经常尝试实验新工具,替换(工具) 很方便,可以结合最好最适合的应用,不会被绑架,因为数据掌握在我们手上。有 xAPI 这样的技术,学习设计的可能性完全不同,除了被动收集数据之外,培训师应该要建立新策略。

 

数据驱动的培训第一步并不远

虽然人工智能的话题十分热门,但培训部门或许还是觉得它距离有些远。其实在达到人工智能可发挥效益之前,学习行为数据本身已经可以带来许多实质的价值,包括基于颗粒化数据的设计决策,与自动化干预、预警机制、学习导引、认证,以兼顾效率与学习品质。xAPI 更可赋能跨应用系统的学习流与工作流,而这些采用的应用还可以随时被切换。

从组织建立的机器分析智能成熟阶段来画分,通常需要经过四个阶段的进程:描述性 (descriptive)、诊断性 (diagnostic)、预测性 (predictive) 与指示性 (prescriptive) 四种分析能力阶段。四阶段依序对人为决策的需求降低,机器智能的处理比重提高。

参考下图进一步阐述,利用数据的第一步一定是设计数据采集与可视化呈现。资料可视化是协助认知的工具,经由人的解读以确认对设定目标没有重要因子被遗漏,每个组织都是独特的,好的顾问应与企业密切合作进行分析。第一时间利用数据,给不同角色不同反馈,可视化设计、学习与反馈设计都是顾问可协助的范围。


 

数据发掘价值的关键在于问问题

企业专案范围可以从小开始,从那些定义明确,具有商业价值和短期内可快速收集到必要数据的问题开始,不断迭代和扩展范围。

就选定定义范围,建议分成如上图标示两大阶段执行方案。第一阶段以资料视觉化、建立诊断分析工具、善用数据优化学习流与工作流、优化学习经验设计等为目标,这阶段以人为决策为主;同时,这阶段也是组织转型的关键期 – 员工、培训设计师与管理阶层体验数据驱动的实务与文化,学习历程以及方案成效有证据支持,任何改进迭代有所依据,数据整合呈现学习与工作经验全貌。

数据也可能揭示原来没预期的现象,让我们问不同的问题,有效率的数据反馈闭环,让我们问问题与找答案的速度更快。所以有些组织先建立收集数据的基础建设(自动化、结构化),再从数据中发掘现象与改进想法。

问问题是重要的步骤,你能从数据获取多少价值端视你能否问出好问题,并持续分解或修正问题追究答案。找到提升事业绩效指标的关键绝不在于人工智能,在于人的全局思考与提问,机器智能只能解决清楚定义的特定范围问题。xAPI 让我们可以收集工作与学习系统的数据,可问的问题不再只限培训相关,可直指事业绩效相关问题。

以下可能是一些起始问题:

• 员工是否阅读吸收了所有的合规培训内容?

• 哪种内容/活动设计更有效? (A / B测试)

• 如何评量员工是否将培训所学应用到工作上? 证据是什么?

• 你的目标是什么? 或是,什么问题要解决吗?

• 你的事业 KPI 指标是什么? 分解成员工效能指标为何?

• 需要哪些行为改变以提升效能?

• 在服务客户或促进业务的时候,员工是否需要效能支持工具? 什么样的支持有效? 知识库里那些知识在那些情境有用?那些员工能更好的协作支持同事?

• 你知道潜在客户为什么拒绝吗? 高效员工与低效员工行为模式有何不同?
 

机器智能需有足够训练数据

第二阶段着重在机器学习建模与调校,建议从目标终点进行 backward design,以下举例可能的终点:

• 智能运营:提高培训平台的学习时数与人数等 KPI;

• 培训师的智能助理:在设计过程给辅助,挖掘过去的数据提供建议,培训方案的有效性分析与迭代改进;

• 学习者的智能助理(教练):持续粘住学习者,每天根据个别学习或工作情境提供学习与支持,回答学习者的问题,建议学习路径;尤其是分散式学习环境中的个人智能助理正是 xAPI 的专案目标。

• 事业绩效指标增强方案:针对选定的事业指标(例:销售、客服指标),从培训到工作环节,作数据汇流,挖掘,预测,自动或人为干预,进行实验,以提升事业指标。

两大阶段并不一定有绝对的界线定义,重点在于机器学习需有足够训练数据,现在的人工智能需要大量数据的累积才能有令人满意的能力。累积足够数据需要时间,应早日开始收集员工行为数据,那些都是建立智能企业的基础。xAPI 数据可着力的指标不限培训指标,可直指事业指标,人力发展本是组织里的核心竞争力所在,现在终于可能将培训对组织的贡献关联量化,人力培训部门成为组织的战略伙伴,而这不需仰赖人工智能,开始收集数据是第一步。
 

作者简介
Jessie Chuang
美国教育科技顾问公司 Classroom Aid Inc. 的联合创办人,xAPI 中文实践社群的主持人,博奥学院专家,Visca Analytics 的指导顾问。她曾为教育科技业者提供以下主题之顾问: 教育科技市场分析与产品設計、教育产业策略合作建议、自适应学习系统与人工智能家教、OER、行动学习设计、学习标准、数据可视化、xAPI 导入规划、学习分析、数据驱动的学习设计。职涯历经高科技业、企管顾问业、教育培训业,擅长连结不同领域的概念作突破思考。拥有 20 多项美中台专利。


本文由Jessie Chuang授权Online-edu发布,转载请注明出处!

上一条<<  【案例】| 中信银行信用卡中心信学团微信... 下一条>>  【干货】| 三招,看百度教你如何吸引“低...
其他资讯