Китай открывает "школы роботов" для обучения гуманоидов. Поэтому скоро педагогический дизайн масштабируется на то, как учить роботов.

Мне кажется, что наиболее эффективными педагогическими решениями для построения инструкционной образовательной среды для роботов будут 👇🏼

1. При проектировании образовательных результатов

• Обратный дизайн (полезен тем, что сначала позволяет определить, какое действие или навык робот должен освоить, затем задать критерии успешности, и только после этого создавать учебную среду, данные и упражнения) • Компетентностный подход (ориентирует обучение на конкретно проверяемую способность робота, например, распознавать, перемещать и т.д.) • Критериально-ориентированное оценивание (плюс подхода для робота в том, что позволяет оценивать робота не в сравнении с другими роботами, а по заранее заданным признакам точности, устойчивости, безопасности и качества выполнения задачи)

2. При разложении и структурировании навыка

• 4C/ID (польза в том, что помогает для робота проектировать обучение сложным навыкам через разбиение задач, поддерживающей информации, процедурных инструкций и отработки отдельных элементов действий) • Спиральная модель обучения (особо актуально для робота, потому что позволяет возвращаться к одному и тому же навыку несколько раз, но каждый раз на более сложном уровне, постепенно расширяя диапазон условий, в которых такой робот может действовать)

3. При первичном освоении навыка

• Скаффолдинг (нужен, чтобы понимать насколько эффективно робот справляется с выполняемыми задачами на разных уровнях сложности и достаточно ли у него данных для выполнения таких задач) • Теория поэтапного формирования умственных действий Гальперина (может быть полезна, поскольку позволяет роботу последовательно осваивать признаки ситуации, логику действия и т.д.)

4. Для доведения первичного навыка до автоматизма

• обучение в моделируемой среде (instructional simulation) (хорошо тем, что дает возможность многократно, безопасно и дешево отрабатывать роботу действия до переноса их в реальный мир и с реальными задачами) • сценарный подход (полезен тем, что позволяет учить робота целостным типовым ситуациям, где нужно связывать несколько действий в единую последовательность; условно нужно накрыть обеденный стол — роботу нужно связать несколько действий: распознать нужные предметы, определить их расположение, выбрать порядок действий, захватить тарелку, перенести её в нужное место и т.д.)

5. Для коррекции действий робота

• формирующее оценивание (польза в том, что дает возможность исправлять поведение робота по ходу обучения, а не только фиксировать итоговый результат в конце, например, как в случае с суммативным оцениванием) • критериально-ориентированная диагностика (помогает точно выявлять, какой именно компонент навыка роботом не освоен: распознавание, выбор действия и т.д.) 6. Для переноса навыка робота в реальную среду

• обучение на рабочем месте (workplace learning) (нужно, для проверки и доучивания робота при переносе навыка на практику, где появляется взаимодействие с другими объектами, человеком, появляются ограничения среды для применения навыка и т.д.) • проблемное обучение (problem-based learning) (помогает учить робота действовать в ситуациях, где нужно выбирать способ действия в регулярно изменяющихся условиях)