Hola Habr! Después de
examinar algunas de las formas de construir espacios virtuales / 3D multiusuario en un artículo anterior, volvamos a ellos en el contexto de la capacitación. ¿Cómo, por ejemplo, capacitar cualitativamente al mismo equipo formado por personas completamente diferentes en la misma cosa? Detalles debajo del corte!
Las simulaciones y los juegos serios son uno de los tipos de entrenamiento más efectivos; este es un hecho universalmente reconocido. Aquí hay un ejemplo de la industria médica.
Sin embargo, con simulaciones, todo no es tan obvio. Muchas empresas modernas incluyen varias generaciones en la sede de los empleados, y cada una aprende de una manera nueva. Un buen ejemplo son las aerolíneas: la edad de los empleados puede variar de 20 a 60 años, mientras que la capacitación constante es uno de los requisitos de la industria; Vale la pena señalar que a menudo se requiere analizar y capacitar no a una persona, sino a todo un equipo, por ejemplo, para verificar la calidad del trabajo en equipo.
Con todo esto, como hemos dicho, ingresar al entrenamiento VR / 3D en una infraestructura moderna es una tarea bastante difícil. Aquí los espacios multiusuario y un enfoque específico para su diseño descrito en la última parte pueden ayudar.
Cualquier simulación es fundamentalmente diferente de pasar un conjunto de pruebas. La principal diferencia es el grado de inmersión en la situación. Esta diferencia a menudo puede ser crítica. Una persona puede conocer perfectamente la teoría al aprender las respuestas a las preguntas de la prueba, y perderse en una situación real que diferirá de lo que imaginó. Esto es en parte por qué, de hecho, existe el concepto de aprendizaje combinado. Hay cosas sobre las que no podemos decir que una persona las aprendió hasta que realmente las haya probado.
Además, el rango de tales entrenamientos posibles es muy grande, y no todos requieren algún tipo de, por ejemplo, habilidades puramente musculares / reflejas; La habilidad misma de aplicar la teoría también a menudo requiere estar dentro de una situación, en lugar de analizarla desde afuera. El ejemplo más simple son las acciones en situaciones de emergencia u otras situaciones estresantes. (Efecto de sobresalto)
En este ejemplo, la situación estresante es la suma de situaciones específicas, para cada una de ellas hay instrucciones claras. Pero es muy difícil evaluar si el hombre conoce una situación particular de esta cantidad.
Proporcionamos un mecanismo que le permite simplemente ejecutar cualquier conjunto de situaciones en un entorno virtual multiusuario; sin embargo, la pregunta sigue siendo: ¿cómo evaluamos las acciones de los usuarios en tal simulación?
Suponemos que la recopilación de datos de capacitación tiene dos objetivos principales:
- Evaluar las competencias de los estudiantes;
- Ayúdelo a aprender de la manera más efectiva. En otras palabras, para construir un camino de aprendizaje individual.
Una parte integral del aprendizaje combinado es el aprendizaje adaptativo. El sistema analiza el nivel de conocimiento y selecciona material teórico o trayectorias individuales para el alumno. Existen varias opciones para analizar la información sobre la base de la cual el sistema hace una recomendación.
- Basado en reglas de transición
Cuando una persona resuelve un problema y comete errores muchas veces, el sistema selecciona una opción de apoyo para él que cierra la brecha en el conocimiento de la persona.
Un enfoque basado en la memoria para el aprendizaje adaptativo, una persona repite constantemente el material aprendido.
- Basado en el tema gráfico
El maestro, o experto, crea un gráfico de tema y se utiliza para crear una ruta de aprendizaje individual.
Estamos considerando dos enfoques principales: usar el esquema de transición general dentro del curso y con el gráfico del tema.
El primer enfoque es bastante simple de implementar: simplemente adjuntamos a la experiencia virtual, como a una lección ordinaria, que al completar con éxito algunos temas adicionales se abren.
El segundo es más interesante, ya que podemos vincular algún tema del curso a una parte separada de la experiencia virtual, y evaluar el conocimiento de una persona sobre este tema, habiendo obtenido datos sobre el conocimiento del estudiante de varios temas sobre la base de una "pista VR".
Pero hay otra opción y, en nuestra opinión, es la más interesante.
Imagine una simulación bastante compleja, que incluye varios scripts que funcionan simultáneamente y es multiusuario. El objetivo es evaluar la efectividad / conocimiento no solo de una persona, sino de todo el equipo; sin embargo, no sabemos con certeza si creamos el curso de capacitación en sí. Por supuesto, tenemos ciertos conjuntos de competencias, ejercicios, etc., pero nosotros mismos no podemos evaluar con precisión la efectividad de estos materiales.
Podemos marcar algunos resultados de escenarios individuales e intentar evaluarlos juntos. Pero hay otra opción, registrar la acción de cada alumno en el espacio virtual utilizando el protocolo xAPI, desarrollada, en parte, precisamente para trabajar con simulaciones y juegos serios.
Al mismo tiempo, es interesante que registrar una "pista" intermedia de pasaje será suficiente para aplicarle métodos de ML / Data Mining. Obtenemos (especialmente el resultado de varias "pistas") el perfil de un estudiante en el que podemos buscar una amplia variedad de opciones de correlación con nuestro curso de capacitación.
Puede imaginar muchas opciones para trabajar con este tipo de estadísticas educativas, es bastante difícil enumerarlas todas, dependerán directamente de la estructura del curso de capacitación y los requisitos para ello. El más simple, por ejemplo, es un escenario complejo variable, donde no hay una manera correcta de hacer las cosas, pero hay alguna medida de efectividad / trabajo en equipo; en este caso, puede grabar varias pistas "ideales" y analizar las discrepancias con la pista del alumno. Otra opción es la suposición de que el curso generalmente está formado de manera imperfecta, y al pasar a clases de realidad virtual, los estudiantes pierden algún punto teórico. Será fácil distinguirlo simplemente observando todos los errores en un cierto paso del complejo escenario.
Hablando de más cosas de "infraestructura", trabajar con estos datos requiere:
- La presencia de LRS. El estándar xAPI separa rígidamente una base de datos de tales estadísticas de LMS / análisis / procesamiento. Pero como estamos hablando de cantidades bastante grandes de datos, estamos considerando el concepto de un almacenamiento distribuido de registros educativos, con varias opciones para su verificación. Por ejemplo, es posible una variante que use blockchain;
- Un entorno bastante rico para visualizar tales estadísticas y trabajar con ellas. Aquí hay pocas herramientas tradicionales para crear informes de progreso, se necesitan otras herramientas; Por ejemplo, estamos considerando Elasticsearch + Kibana, otra opción es PowerBI.
Por el momento, seguimos desarrollando opciones similares para trabajar con estadísticas de aplicaciones de realidad virtual, aunque, por supuesto, en muchos sentidos, estas siguen siendo opciones experimentales.
Los autores
Jedium es una empresa asociada de Microsoft que trabaja en el campo de la realidad virtual aumentada y la inteligencia artificial. Jedium ha desarrollado un marco para simplificar el desarrollo de proyectos complejos en Unity, parte del cual está disponible públicamente
en GitHub . Jedium planea reponer el repositorio con nuevos módulos de marco, así como soluciones de integración con Microsoft Azure.
Vitaliy Chashchin : desarrollador de software con más de 10 años de experiencia en el diseño e implementación de aplicaciones tridimensionales cliente-servidor, desde el concepto hasta la implementación e integración completas de aplicaciones y soluciones en el campo de la realidad virtual. Arquitecto de sistemas Jedium LLC, MSc en TI.
Alexey SarafanovGerente de Marketing en Jedium LLC.
Sergey KudryavtsevCEO y fundador de Jedium LLC.