TED2012
Peter Norvig: The 100,000-student classroom
Peter Norvig: Třída o 100 000 studentech
Filmed:
Readability: 4.4
1,166,568 views
Na podzim 2011 učil na Stanfordu Peter Norvig se Sebastianem Thrunem předmět umělá inteligence, který navštěvovalo 175 studentů v místě univerzity... a přes 100 000 dalších skrze interaktivní webovou aplikaci. Nyní s námi sdílí, co se naučil o vyučování v „globální třídě“.
Peter Norvig - Computer scientist
Peter Norvig is a leading American computer scientist, expert on artificial intelligence and the Director of Research at Google Inc. Full bio
Peter Norvig is a leading American computer scientist, expert on artificial intelligence and the Director of Research at Google Inc. Full bio
Double-click the English transcript below to play the video.
00:17
Everyone is both a learner
0
1135
1976
Všichni jsme zároveň žáci
00:19
and a teacher.
1
3111
1512
i učitelé.
00:20
This is me being inspired
2
4623
2456
Toto jsem já, podněcován
00:22
by my first tutor,
3
7079
1191
mým prvním učitelem,
00:24
my mom,
4
8270
945
mojí maminkou.
00:25
and this is me teaching
5
9215
2623
A toto jsem já, jak přednáším
00:27
Introduction to Artificial Intelligence
6
11838
1953
úvod do umělé inteligence
00:29
to 200 students
7
13791
1240
200 studentům
00:30
at Stanford University.
8
15031
1272
na Stanfordské univerzitě.
00:32
Now the students and I
9
16303
1456
Třída i já jsme si
00:33
enjoyed the class,
10
17759
1176
přednášku užili,
00:34
but it occurred to me
11
18935
1416
ale došlo mi,
00:36
that while the subject matter
12
20351
1711
že zatímco téma
00:37
of the class is advanced
13
22062
1289
přednášky je pokročilé
00:39
and modern,
14
23351
688
a moderní,
00:39
the teaching technology isn't.
15
24039
2319
způsob učení není.
00:42
In fact, I use basically
16
26358
2336
Vlastně používám
00:44
the same technology as
17
28694
2370
stejnou technologii jako při
00:46
this 14th-century classroom.
18
31064
2630
této hodině ve 14. století.
00:49
Note the textbook,
19
33694
2800
Všimněte si učebnice,
00:52
the sage on the stage,
20
36494
2944
mudrce za katedrou
00:55
and the sleeping guy
21
39438
1899
a spícího kluka
00:57
in the back. (Laughter)
22
41337
901
vzadu. (smích)
00:58
Just like today.
23
42238
2937
Přesně jako dnes...
01:01
So my co-teacher,
24
45175
3111
A tak jsme si s kolegou Sebastianem
01:04
Sebastian Thrun, and I thought,
25
48286
1640
Thrunem řekli,
01:05
there must be a better way.
26
49926
1774
že musí existovat lepší způsob.
01:07
We challenged ourselves
27
51700
1654
Dali jsme si za úkol
01:09
to create an online class
28
53354
1291
vytvořit on-line kurz,
01:10
that would be equal or better
29
54645
1631
který bude stejně nebo více kvalitní
01:12
in quality to our Stanford class,
30
56276
2336
jako naše předměty na Stanfordu,
01:14
but to bring it to anyone
31
58612
2210
ale bude zdarma
01:16
in the world for free.
32
60822
1630
pro všechny na světě.
01:18
We announced the class on July 29th,
33
62452
2568
Kurz jsme oznámili 29. července
01:20
and within two weeks, 50,000 people
34
65020
3209
a během dvou týdnů se přihlásilo
01:24
had signed up for it.
35
68229
1407
50 000 lidí.
01:25
And that grew to 160,000 students
36
69636
3105
To poté vzrostlo na 160 000 studentů
01:28
from 209 countries.
37
72741
2064
z 209 zemí.
01:30
We were thrilled to have
38
74805
1808
Uchvátilo nás mít
01:32
that kind of audience,
39
76613
1121
takové publikum
01:33
and just a bit terrified that we
40
77734
2639
a jen trošičku jsme se strachovali,
01:36
hadn't finished preparing the class yet. (Laughter)
41
80373
2311
že jsme neměli dokončenou přípravu. (smích)
01:38
So we got to work.
42
82684
1612
A tak jsme se do toho pustili.
01:40
We studied what others had done,
43
84296
1636
Studovali jsme, co jiní vypracovali,
01:41
what we could copy and what we could change.
44
85932
2323
co jsme mohli zkopírovat nebo změnit.
01:44
Benjamin Bloom had showed
45
88255
2661
Benjamin Bloom ukázal,
01:46
that one-on-one tutoring works best,
46
90916
1809
že učení jeden jednoho funguje nejlépe,
01:48
so that's what we tried to emulate,
47
92725
2128
a tak jsme se to snažili napodobit,
01:50
like with me and my mom,
48
94853
1440
tak jako já s mojí maminkou,
01:52
even though we knew
49
96293
1505
přestože jsme věděli,
01:53
it would be one-on-thousands.
50
97798
1918
že to bude jeden na tisíce.
01:55
Here, an overhead video camera
51
99716
2201
Tady mě natáčí kamera,
01:57
is recording me as I'm talking
52
101917
1832
jak mluvím
01:59
and drawing on a piece of paper.
53
103749
1679
a kreslím na kus papíru.
02:01
A student said, "This class felt
54
105428
2409
Jeden ze studentů řekl: „Bylo to jako
02:03
like sitting in a bar
55
107837
1152
sedět v baru
02:04
with a really smart friend
56
108989
1479
s opravdu chytrým kamarádem,
02:06
who's explaining something
57
110468
1204
který vysvětluje něco,
02:07
you haven't grasped, but are about to."
58
111672
2301
co ti zatím nedošlo, ale velmi brzo dojde.“
02:09
And that's exactly what we were aiming for.
59
113973
2116
A to je přesně to, oč nám šlo.
02:11
Now, from Khan Academy, we saw
60
116089
2788
Takže... na Khan Academy jsme viděli,
02:14
that short 10-minute videos
61
118877
1824
že krátká 10 minut dlouhá videa
02:16
worked much better than trying
62
120701
1776
fungují mnohem lépe, než se snažit
02:18
to record an hour-long lecture
63
122477
2071
nahrát hodinovou přednášku
02:20
and put it on the small-format screen.
64
124548
2417
a pustit ji na malé obrazovce.
02:22
We decided to go even shorter
65
126965
2192
My jsme se rozhodli dělat videa ještě kratší
02:25
and more interactive.
66
129157
1648
a více interaktivní.
02:26
Our typical video is two minutes,
67
130805
2247
Naše typické video má dvě minuty.
02:28
sometimes shorter, never more
68
133052
1752
Někdy je kratší, nikdy není delší
02:30
than six, and then we pause for
69
134804
2689
než šest minut, a potom pauzneme
02:33
a quiz question, to make it
70
137493
1367
na kvizovou otázku, aby se student
02:34
feel like one-on-one tutoring.
71
138860
1878
cítil jako při opravdové individuální hodině.
02:36
Here, I'm explaining how a computer uses
72
140738
2402
Tady vysvětluji, jak počítač užívá
02:39
the grammar of English
73
143140
1248
anglickou gramatiku
02:40
to parse sentences, and here,
74
144388
2177
k rozebírání vět, a teď
02:42
there's a pause and the student
75
146565
2064
přichází pauza a student
02:44
has to reflect, understand what's going on
76
148629
2237
se musí vyjádřit, rozumět
02:46
and check the right boxes
77
150866
1640
a zaškrtnou správná políčka,
02:48
before they can continue.
78
152506
1417
než bude pokračovat.
02:49
Students learn best when
79
153923
2448
Studenti se učí nejlépe,
02:52
they're actively practicing.
80
156371
1248
když aktivně procvičují.
02:53
We wanted to engage them, to have them grapple
81
157619
2296
Chtěli jsme je zaujmout... aby se vypořádali
02:55
with ambiguity and guide them to synthesize
82
159915
2968
s nejasnostmi, a vést je, aby si klíčové
02:58
the key ideas themselves.
83
162883
1665
myšlenky urovnali sami.
03:00
We mostly avoid questions
84
164548
1712
Většinou se vyhýbáme otázkám
03:02
like, "Here's a formula, now
85
166260
1711
jako: „Tady je rovnice, teď
03:03
tell me the value of Y
86
167971
1075
mi řekni hodnotu Y,
03:04
when X is equal to two."
87
169046
1212
když X se rovná dvěma.“
03:06
We preferred open-ended questions.
88
170258
1817
Preferujeme otevřené otázky.
03:07
One student wrote, "Now I'm seeing
89
172075
3178
Nějaký student napsal: „Teď vidím
03:11
Bayes networks and examples of
90
175253
1862
Bayesovské sítě a příklady
03:13
game theory everywhere I look."
91
177115
1568
teorie her všude, kam se podívám.“
03:14
And I like that kind of response.
92
178683
1738
A taková odpověď se mi líbí.
03:16
That's just what we were going for.
93
180421
1806
To je přesně to, o co jsme usilovali.
03:18
We didn't want students to memorize the formulas;
94
182227
2194
Nechtěli jsme, aby si studenti pamatovali vzorečky.
03:20
we wanted to change the way
95
184421
1190
Chtěli jsme změnit způsob,
03:21
they looked at the world.
96
185611
1090
kterým pohlíží na svět.
03:22
And we succeeded.
97
186701
1326
A to se nám podařilo.
03:23
Or, I should say, the students succeeded.
98
188027
2400
Nebo bych možná měl říct... studentům se to podařilo.
03:26
And it's a little bit ironic
99
190427
1919
A je to trochu ironie,
03:28
that we set about to disrupt traditional education,
100
192346
2913
že jsme se vydali rozvrátit tradiční výuku,
03:31
and in doing so, we ended up
101
195259
2016
a přitom je námi vytvořený
03:33
making our online class
102
197275
1584
on-line kurz
03:34
much more like a traditional college class
103
198859
2327
mnohem podobnější tradičním třídám
03:37
than other online classes.
104
201186
1841
než ostatní on-line kurzy.
03:38
Most online classes, the videos are always available.
105
203027
3215
Ve většině z nich jsou videa dostupná neustále.
03:42
You can watch them any time you want.
106
206242
1817
Můžete je shlédnout, kdy chcete.
03:43
But if you can do it any time,
107
208059
2287
Ale když to můžete udělat kdykoliv,
03:46
that means you can do it tomorrow,
108
210346
1505
znamená to, že to můžete udělat zítra.
03:47
and if you can do it tomorrow,
109
211851
1408
A když to můžete udělat zítra,
03:49
well, you may not ever
110
213259
2162
tak... se k tomu také
03:51
get around to it. (Laughter)
111
215421
1758
nemusíte dostat nikdy. (smích)
03:53
So we brought back the innovation
112
217179
2192
A tak jsme opět oživili vynález
03:55
of having due dates. (Laughter)
113
219371
2087
termínů. (smích)
03:57
You could watch the videos
114
221458
1312
Video jste mohli zhlédnout
03:58
any time you wanted during the week,
115
222770
1912
kdykoliv během týdne,
04:00
but at the end of the week,
116
224682
1155
ale na konci týdne
04:01
you had to get the homework done.
117
225837
1717
jste museli mít úkol hotový.
04:03
This motivated the students to keep going, and it also
118
227554
1913
To motivovalo studenty pokračovat a také to
04:05
meant that everybody was working
119
229467
2856
znamenalo, že každý pracoval na tom
04:08
on the same thing at the same time,
120
232323
1518
samém problému v ten samý čas,
04:09
so if you went into a discussion forum,
121
233841
1497
takže když jste šli do diskuzního fóra,
04:11
you could get an answer from a peer within minutes.
122
235338
2704
mohli jste dostat odpověď od „spolužáků“ v řádu minut.
04:13
Now, I'll show you some of the forums, most of which
123
238042
2939
Ukážu vám některá ta fóra. Většinu z nich
04:16
were self-organized by the students themselves.
124
240981
2766
si studenti organizovali sami.
04:19
From Daphne Koller and Andrew Ng, we learned
125
243747
3224
Od Daphna Kollera a Andrew Nga jsme se naučili
04:22
the concept of "flipping" the classroom.
126
246971
1996
koncept „obracení“ kurzu.
04:24
Students watched the videos
127
248967
1295
Studenti sledují videa
04:26
on their own, and then they
128
250262
1588
sami, a potom
04:27
come together to discuss them.
129
251850
1710
se sejdou, aby je prodiskutovali.
04:29
From Eric Mazur, I learned about peer instruction,
130
253560
3157
Od Erica Mazura jsem se dozvěděl o „výuce od spolužáků“,
04:32
that peers can be the best teachers,
131
256717
2624
a to že spolužáci můžou být ti nejlepší učitelé,
04:35
because they're the ones
132
259341
1432
protože oni jsou ti,
04:36
that remember what it's like to not understand.
133
260773
2848
kteří si pamatují, jaké to je nerozumět.
04:39
Sebastian and I have forgotten some of that.
134
263621
2681
Sebastian a já jsme to už částečně zapomněli.
04:42
Of course, we couldn't have
135
266302
2399
Samozřejmě jsme nemohli mít
04:44
a classroom discussion with
136
268701
1632
třídní diskuzi
04:46
tens of thousands of students,
137
270333
1546
s desítkami tisíc studentů,
04:47
so we encouraged and nurtured these online forums.
138
271879
3486
a tak jsme podněcovali vznik takový fór a starali jsme se o ně.
04:51
And finally, from Teach For America,
139
275365
3048
A konečně od Teach For America
04:54
I learned that a class is not
140
278413
1481
jsem se naučil, že kurz
04:55
primarily about information.
141
279894
1496
není primárně o informacích.
04:57
More important is motivation and determination.
142
281390
2831
Důležitější je motivace a odhodlání.
05:00
It was crucial that the students see
143
284221
1840
Bylo zásadní, že studenti viděli,
05:01
that we're working hard for them and
144
286061
1800
že jsme pro ně tvrdě pracovali
05:03
they're all supporting each other.
145
287861
1409
a že se všichni navzájem podporovali.
05:05
Now, the class ran 10 weeks,
146
289270
2968
Kurz běžel 10 týdnů
05:08
and in the end, about half of the 160,000 students watched
147
292238
3911
a na konci zhruba polovina ze 160 000 studentů zhlédla
05:12
at least one video each week,
148
296149
1563
alespoň jedno video týdně
05:13
and over 20,000 finished all the homework,
149
297712
2693
a přes 20 000 jich dokončilo všechny úkoly,
05:16
putting in 50 to 100 hours.
150
300405
1664
což jim zabralo od 50 do 100 hodin.
05:17
They got this statement of accomplishment.
151
302069
1553
Obdrželi toto prohlášení o splnění.
05:19
So what have we learned?
152
303622
2119
A co jsme se z toho naučili?
05:21
Well, we tried some old ideas
153
305741
2816
No... vyzkoušeli jsme nějaké staré
05:24
and some new and put them together,
154
308557
1657
a nějaké nové nápady a dali je dohromady,
05:26
but there are more ideas to try.
155
310214
2082
ale stále tu jsou další k vyzkoušení.
05:28
Sebastian's teaching another class now.
156
312296
1814
Sebastian teď učí jeden kurz,
05:30
I'll do one in the fall.
157
314110
1368
já mám jeden na podzim.
05:31
Stanford Coursera, Udacity, MITx
158
315478
3760
Stanford Coursera, Udacity, MITx
05:35
and others have more classes coming.
159
319238
2271
a ostatní mají další kurzy naplánované.
05:37
It's a really exciting time.
160
321509
1488
Je to velmi vzrušující doba.
05:38
But to me, the most exciting
161
322997
1472
Ale pro mě ta nejvíce vzrušující
05:40
part of it is the data that we're gathering.
162
324469
2976
část jsou data, které shromažďujeme.
05:43
We're gathering thousands
163
327445
2696
Sbíráme tisíce interakcí
05:46
of interactions per student per class,
164
330141
1656
na studenta a na třídu...
05:47
billions of interactions altogether,
165
331797
2208
miliardy interakcí celkem.
05:49
and now we can start analyzing that,
166
334005
2504
A ty teď můžeme začít analyzovat,
05:52
and when we learn from that,
167
336509
1464
a až se z nich poučíme,
05:53
do experimentations,
168
337973
1241
experimentovat...
05:55
that's when the real revolution will come.
169
339214
2240
a s tím přijde ta pravá revoluce.
05:57
And you'll be able to see the results from
170
341454
2776
A výsledek budete moci vidět jako
06:00
a new generation of amazing students.
171
344230
2263
novou generaci úžasných studentů.
06:02
(Applause)
172
346493
2253
(potlesk)
ABOUT THE SPEAKER
Peter Norvig - Computer scientistPeter Norvig is a leading American computer scientist, expert on artificial intelligence and the Director of Research at Google Inc.
Why you should listen
Peter Norvig is a computer scientist and expert in both artificial intelligence and online search. Currently the Director of Research at Google Inc., Norvig was responsible for maintaining and improving the engine's core web search algorithms from 2002 to 2005. Prior to his work at Google, Norvig was NASA's chief computer scientist.
A fellow of the American Association for Artificial Intelligence and the author of the book Artificial Intelligence: A Modern Approach, Norvig (along with Sebastian Thrun) taught the Stanford University class "Introduction to Artificial Intelligence," which was made available to anyone in the world. More than 160,000 students from 209 countries enrolled.
Norvig is also known for penning the world's longest palindromic sentence.
Peter Norvig | Speaker | TED.com