TEDGlobal 2012
Daphne Koller: What we're learning from online education
Δάφνη Κόλερ: Τι μας διδάσκει η εκπαίδευση στο διαδίκτυο
Filmed:
Readability: 4.8
2,603,043 views
Η Δάφνη Κόλερ δελεάζει κορυφαία πανεπιστήμια να αναρτήσουν στο διαδίκτυο τις πιο ενδιαφέρουσες σειρές μαθημάτων τους δωρεάν-- όχι απλώς ως υπηρεσία, αλλά ως ένα τρόπο μελέτης του τρόπου μάθησης. Κάθε πληκτρολόγηση, κουίζ κατανόησης, συζήτηση συμφοιτητών σε φόρουμ και κάθε αυτο-βαθμολογούμενη εργασία, οικοδομούν μια άνευ προηγουμένου δεξαμενή δεδομένων για τους τρόπους με τους οποίους οι άνθρωποι επεξεργάζονται τη γνώση και, κυρίως, την αφομοιώνουν.
Daphne Koller - Educator
With Coursera, Daphne Koller and co-founder Andrew Ng are bringing courses from top colleges online, free, for anyone who wants to take them. Full bio
With Coursera, Daphne Koller and co-founder Andrew Ng are bringing courses from top colleges online, free, for anyone who wants to take them. Full bio
Double-click the English transcript below to play the video.
00:16
Like many of you, I'm one of the lucky people.
0
725
3111
'Όπως πολλοί ανάμεσά σας, ανήκω στους τυχερούς.
00:19
I was born to a family where education was pervasive.
1
3836
3400
Γεννήθηκα σε μια οικογένεια στην οποία η εκπαίδευση ήταν διάχυτη.
00:23
I'm a third-generation PhD, a daughter of two academics.
2
7236
4238
Είμαι διδάκτορας τρίτης γενιάς, κόρη δυο ακαδημαϊκών.
00:27
In my childhood, I played around in my father's university lab.
3
11474
3794
Όταν ήμουν παιδί, τριγυρνούσα στο πανεπιστημιακό εργαστήριο του πατέρα μου.
00:31
So it was taken for granted that I attend some of the best universities,
4
15268
3849
Ήταν επομένως δεδομένο ότι θα παρακολουθούσα κάποια από τα καλύτερα πανεπιστήμια,
00:35
which in turn opened the door to a world of opportunity.
5
19117
3801
τα οποία με τη σειρά τους άνοιξαν δρόμο σε ένα κόσμο ευκαιριών.
00:38
Unfortunately, most of the people in the world are not so lucky.
6
22918
4120
Δυστυχώς, οι περισσότεροι άνθρωποι στον κόσμο δεν είναι τόσο τυχεροί.
00:42
In some parts of the world, for example, South Africa,
7
27038
3135
Σε μερικά μέρη του κόσμου, όπως στη Νότια Αφρική,
00:46
education is just not readily accessible.
8
30173
2705
δεν είναι εύκολη η πρόσβαση στην εκπαίδευση.
00:48
In South Africa, the educational system was constructed
9
32878
2975
Στη Νότια Αφρική, το εκπαιδευτικό σύστημα οικοδομήθηκε
00:51
in the days of apartheid for the white minority.
10
35853
2873
για την λευκή μειονότητα τον καιρό του απαρτχάιντ,
00:54
And as a consequence, today there is just not enough spots
11
38726
2700
με αποτέλεσμα σήμερα να μην υπάρχουν αρκετές θέσεις
00:57
for the many more people who want and deserve a high quality education.
12
41426
3852
για την πλειονότητα των ανθρώπων που επιθυμούν και αξίζουν ποιοτική εκπαίδευση.
01:01
That scarcity led to a crisis in January of this year
13
45278
3880
Αυτή η έλλειψη έφερε κρίση τον Ιανουάριο του τρέχοντος έτους
01:05
at the University of Johannesburg.
14
49158
1836
στο Πανεπιστήμιο του Γιοχάνεσμπουργκ.
01:06
There were a handful of positions left open
15
50994
2131
Υπήρχαν λίγες μόνο θέσεις ανοιχτές
01:09
from the standard admissions process, and the night before
16
53125
2969
στην τυπική διαδικασία εισαγωγής, και τη νύχτα της προηγούμενης
01:11
they were supposed to open that for registration,
17
56094
2560
που θα ξεκινούσε η διαδικασία της εγγραφής
01:14
thousands of people lined up outside the gate in a line a mile long,
18
58654
4052
χιλιάδες άνθρωποι έκαναν ουρά, ίσα με ένα μίλι, έξω από την πύλη,
01:18
hoping to be first in line to get one of those positions.
19
62706
3880
με την ελπίδα ότι θα είναι πρώτοι στην ουρά για να αποκτήσουν μία από τις θέσεις.
01:22
When the gates opened, there was a stampede,
20
66586
2308
Όταν άνοιξαν οι πύλες, υπήρξε συνωστισμός,
01:24
and 20 people were injured and one woman died.
21
68894
3652
20 άτομα τραυματίστηκαν και μια γυναίκα πέθανε.
01:28
She was a mother who gave her life
22
72546
1940
Ήταν μια μητέρα πού έδωσε τη ζωή της
01:30
trying to get her son a chance at a better life.
23
74486
4063
στην προσπάθειά να προσφέρει στο γιο της μια ευκαιρία για καλύτερη ζωή.
01:34
But even in parts of the world like the United States
24
78549
3157
Ακόμη και σε μέρη όπως οι ΗΠΑ
01:37
where education is available, it might not be within reach.
25
81706
4356
όπου παρέχεται εκπαίδευση, δεν έχουν όλοι πρόσβαση.
01:41
There has been much discussed in the last few years
26
86062
2672
Τα τελευταία χρόνια υπάρχει μεγάλη συζήτηση
01:44
about the rising cost of health care.
27
88734
1989
για την αύξηση κόστους της υγειονομικής περίθαλψης.
01:46
What might not be quite as obvious to people
28
90723
2642
Αυτό που δεν είναι τόσο προφανές στον κόσμο
01:49
is that during that same period the cost of higher education tuition
29
93365
4022
είναι ότι την ίδια ακριβώς χρονική περίοδο, το κόστος των διδάκτρων της ανώτερης εκπαίδευσης
01:53
has been increasing at almost twice the rate,
30
97387
2480
έχει αυξηθεί σχεδόν στο διπλάσιο,
01:55
for a total of 559 percent since 1985.
31
99867
4280
φτάνοντας συνολικά το 559 τοις εκατό από το 1985.
02:00
This makes education unaffordable for many people.
32
104147
4534
Πράγμα που σημαίνει ότι πολλοί άνθρωποι δεν μπορούν να πληρώσουν για την εκπαίδευσή τους.
02:04
Finally, even for those who do manage to get the higher education,
33
108681
3801
Τελικά, ακόμη και για εκείνους που καταφέρνουν να φτάσουν στην ανώτερη εκπαίδευση,
02:08
the doors of opportunity might not open.
34
112482
2625
οι πόρτες της ευκαιρίας μπορεί να μείνουν κλειστές.
02:11
Only a little over half of recent college graduates
35
115107
3207
Μόνο ένα ποσοστό λίγο πάνω από το μισό των αποφοίτων
02:14
in the United States who get a higher education
36
118314
2313
στις ΗΠΑ που φτάνουν στην ανώτατη εκπαίδευση
02:16
actually are working in jobs that require that education.
37
120627
3463
απασχολούνται σε δουλειές σχετικές με τις σπουδές τους.
02:19
This, of course, is not true for the students
38
124090
1840
Ασφαλώς, αυτό δεν ισχύει για τους φοιτητές
02:21
who graduate from the top institutions,
39
125930
1952
που αποφοιτούν από τα κορυφαία ιδρύματα,
02:23
but for many others, they do not get the value
40
127882
2632
αλλά για τους πολλούς, οι οποίοι δεν αποζημιώνονται
02:26
for their time and their effort.
41
130514
3536
για τον χρόνο και τις προσπάθειές τους.
02:29
Tom Friedman, in his recent New York Times article,
42
134050
3030
Ο Τόμας Φρίντμαν, στο πρόσφατο άρθρο στους Νιου Γιορκ Τάιμς
02:32
captured, in the way that no one else could, the spirit behind our effort.
43
137080
4368
αποτύπωσε, όπως κανείς άλλος δε θα μπορούσε, το πνεύμα πίσω από την προσπάθειά μας.
02:37
He said the big breakthroughs are what happen
44
141448
3120
Είπε ότι οι μεγάλες καινοτομίες συμβαίνουν
02:40
when what is suddenly possible meets what is desperately necessary.
45
144568
3899
όταν αυτό που είναι αναπάντεχα πιθανό συναντά αυτό που είναι απελπιστικά αναγκαίο.
02:44
I've talked about what's desperately necessary.
46
148467
2621
Αναφέρθηκα σε αυτό που είναι απελπιστικά αναγκαίο.
02:46
Let's talk about what's suddenly possible.
47
151088
2512
Ας μιλήσουμε γι' αυτό που είναι αναπάντεχα πιθανό.
02:49
What's suddenly possible was demonstrated by
48
153600
3119
Αυτό που είναι αναπάντεχα πιθανό φάνηκε
02:52
three big Stanford classes,
49
156719
1568
σε τρία τμήματα του Στάνφορντ,
02:54
each of which had an enrollment of 100,000 people or more.
50
158287
3880
κάθε ένα από τα οποία είχε εγγράψει πάνω από 100.000 άτομα.
02:58
So to understand this, let's look at one of those classes,
51
162167
3384
Για να το κατανοήσουμε, ας κοιτάξουμε ένα από αυτά τα τμήματα,
03:01
the Machine Learning class offered by my colleague
52
165551
1920
το τμήμα Μηχανικής Μάθησης που προσφέρει ο συνάδελφός μου
03:03
and cofounder Andrew Ng.
53
167471
1729
και συνιδρυτής Άντριου Νιγκ.
03:05
Andrew teaches one of the bigger Stanford classes.
54
169200
2319
Ο Άντριου διδάσκει σε ένα από τα μεγαλύτερα τμήματα του Στάνφορντ.
03:07
It's a Machine Learning class,
55
171519
1209
Είναι ένα τμήμα Μηχανικής Μάθησης,
03:08
and it has 400 people enrolled every time it's offered.
56
172728
3518
και κάθε φορά που προσφέρεται εγγράφονται 400 άτομα.
03:12
When Andrew taught the Machine Learning class to the general public,
57
176246
3265
Όταν ο Άντριου δίδασκε Μηχανική Μάθηση στο γενικό κοινό,
03:15
it had 100,000 people registered.
58
179511
2616
είχαν εγγραφεί 100.000 άτομα.
03:18
So to put that number in perspective,
59
182127
2009
Για να κάνω σαφές το νούμερο,
03:20
for Andrew to reach that same size audience
60
184136
2359
για να φτάσει ο 'Αντριου να έχει ισοδύναμο ακροατήριο
03:22
by teaching a Stanford class,
61
186495
1826
σε τμήματα του Στάνφορντ,
03:24
he would have to do that for 250 years.
62
188321
3926
θα έπρεπε να το κάνει αυτό για 250 χρόνια.
03:28
Of course, he'd get really bored.
63
192247
3486
Είναι σίγουρο πως θα έπληττε.
03:31
So, having seen the impact of this,
64
195733
2737
Έχοντας δει λοιπόν τον αντίκτυπο απ' αυτή την εμπειρία
03:34
Andrew and I decided that we needed to really try and scale this up,
65
198470
3128
ο Άντριου κι εγώ αποφασίσαμε ότι ήταν απαραίτητο να το πολλαπλασιάσουμε,
03:37
to bring the best quality education to as many people as we could.
66
201598
4120
να φέρουμε την καλύτερη ποιοτική εκπαίδευση σε όσους περισσότερους ανθρώπους μπορούσαμε.
03:41
So we formed Coursera,
67
205718
1495
Ιδρύσαμε λοιπόν την Coursera,
03:43
whose goal is to take the best courses
68
207213
3137
σκοπός της οποίας είναι να πάρει τις καλύτερες σειρές μαθημάτων
03:46
from the best instructors at the best universities
69
210350
3317
από τους καλύτερους καθηγητές στα καλύτερα πανεπιστήμια
03:49
and provide it to everyone around the world for free.
70
213667
4028
και να τα παρέχει δωρεάν στον καθένα, παντού στον κόσμο.
03:53
We currently have 43 courses on the platform
71
217695
2600
Αυτή τη στιγμή έχουμε 43 σειρές μαθημάτων στην πλατφόρμα
03:56
from four universities across a range of disciplines,
72
220295
3199
από τέσσερα πανεπιστήμια σε διαφορετικά επιστημονικά πεδία,
03:59
and let me show you a little bit of an overview
73
223494
1833
και θα σας δείξω συνοπτικά
04:01
of what that looks like.
74
225327
3278
πώς είναι.
04:04
(Video) Robert Ghrist: Welcome to Calculus.
75
228605
1213
(Βίντεο)
Ρόμπερτ Γκριστ: Καλώς ήλθατε στη Λογισμική.
Ρόμπερτ Γκριστ: Καλώς ήλθατε στη Λογισμική.
04:05
Ezekiel Emanuel: Fifty million people are uninsured.
76
229818
1880
Εζεκιήλ Εμανουέλ: Πενήντα εκατομμύρια άνθρωποι είναι ανασφάλιστοι.
04:07
Scott Page: Models help us design more effective institutions and policies.
77
231698
3271
Σκοτ Πέϊτζ: Τα μοντέλα μας βοηθούν να σχεδιάσουμε περισσότερο αποτελεσματικούς θεσμούς και πολιτικές.
04:10
We get unbelievable segregation.
78
234969
2408
Παίρνουμε απίστευτους διαχωρισμούς.
04:13
Scott Klemmer: So Bush imagined that in the future,
79
237377
1792
Σκοτ Κλεμμερ: Ο Μπους φαντάστηκε ότι στο μέλλον,
04:15
you'd wear a camera right in the center of your head.
80
239169
2378
θα φορούσαμε μια κάμερα στο κέντρο του κεφαλιού μας.
04:17
Mitchell Duneier: Mills wants the student of sociology to develop the quality of mind ...
81
241547
4254
Μίτσελ Ντενέιερ: Ο Μιλς θέλει οι φοιτητές της κοινωνιολογίας να αναπτύξουν τη νοητική ποιότητα...
04:21
RG: Hanging cable takes on the form of a hyperbolic cosine.
82
245801
3665
Ρ.Τζ.: Το αιωρούμενο καλώδιο παίρνει τη μορφή ενός υπερβολικού συνημίτονου.
04:25
Nick Parlante: For each pixel in the image, set the red to zero.
83
249466
3071
Νικ Πάρλαντ: Για κάθε πίξελ της εικόνας, βάλτε το κόκκινο στο μηδέν.
04:28
Paul Offit: ... Vaccine allowed us to eliminate polio virus.
84
252537
2977
Πολ Όφιτ:...Με τα εμβόλια μπορέσαμε να εξουδετερώσουμε τον ιό της πολυομελίτιδας.
04:31
Dan Jurafsky: Does Lufthansa serve breakfast and San Jose? Well, that sounds funny.
85
255514
3623
Νταν Τζουράφσκι: Είναι αλήθεια ότι η Λουφτχάνσα σερβίρει πρωινό και Σαν Χοσέ; Αστείο ακούγεται.
04:35
Daphne Koller: So this is which coin you pick, and this is the two tosses.
86
259137
3616
Δάφνη Κόλερ: Έτσι αυτό είναι το νόμισμα που επιλέγεις, και αυτές είναι δύο ρίψεις.
04:38
Andrew Ng: So in large-scale machine learning, we'd like to come up with computational ...
87
262753
3687
Άντριου Νγκ: Σε μηχανική μάθηση μεγάλης κλίμακας θα θέλαμε να ασχοληθούμε με υπολογιστικά...
04:42
(Applause)
88
266440
5609
(Χειροκρότημα)
04:47
DK: It turns out, maybe not surprisingly,
89
272049
2274
Δ.Κ.: Φαίνεται, χωρίς να μας εκπλήσσει,
04:50
that students like getting the best content
90
274323
2238
ότι στους φοιτητές αρέσει να παίρνουν
04:52
from the best universities for free.
91
276561
2887
το καλύτερο περιεχόμενο από τα καλύτερα πανεπιστήμια δωρεάν.
04:55
Since we opened the website in February,
92
279448
2522
Από το Φεβρουάριο που ανοίξαμε την ιστοσελίδα,
04:57
we now have 640,000 students from 190 countries.
93
281970
4358
έχουμε ήδη 640.000 φοιτητές από 190 χώρες.
05:02
We have 1.5 million enrollments,
94
286328
2152
Έχουμε 1.5 εκατομμύρια εγγραφές,
05:04
6 million quizzes in the 15 classes that have launched
95
288480
2850
6 εκατομμύρια κουίζ έχουν υποβληθεί στα 15 τμήματα που ξεκίνησαν
05:07
so far have been submitted, and 14 million videos have been viewed.
96
291330
4916
και έχουν δει 14 εκατομμύρια βίντεο.
05:12
But it's not just about the numbers,
97
296246
2518
Δεν είναι όμως θέμα μόνο αριθμών,
05:14
it's also about the people.
98
298764
1641
είναι και θέμα ατόμων.
05:16
Whether it's Akash, who comes from a small town in India
99
300405
2976
Είτε πρόκειται για τον Ακάς, από μια μικρή πόλη της Ινδίας
05:19
and would never have access in this case
100
303381
2175
όπου δε θα είχε ποτέ πρόσβαση σε κάτι τέτοιο
05:21
to a Stanford-quality course
101
305556
1489
δηλαδή σε μια ποιοτική σειρά μαθημάτων στο Στάνφορντ
05:22
and would never be able to afford it.
102
307045
2515
και που δε θα μπορούσε ποτέ να διαθέσει χρήματα για κάτι τέτοιο.
05:25
Or Jenny, who is a single mother of two
103
309560
2038
Είτε για την Τζένυ, που είναι ανύπαντρη μητέρα δυο παιδιών
05:27
and wants to hone her skills
104
311598
1967
και επιθυμεί να οξύνει τις δεξιότητές της
05:29
so that she can go back and complete her master's degree.
105
313565
3135
ώστε να επιστρέψει και να ολοκληρώσει το μεταπτυχιακό της.
05:32
Or Ryan, who can't go to school,
106
316700
3136
Είτε για τον Ράιαν, που δε μπορεί να πάει στο σχολείο,
05:35
because his immune deficient daughter
107
319836
1865
διότι δε μπορεί να ρισκάρει τη μεταφορά μικροβίων στο σπίτι
05:37
can't be risked to have germs come into the house,
108
321701
3383
με την κόρη του που έχει ανοσοποιητική ανεπάρκεια
05:40
so he couldn't leave the house.
109
325084
1840
κι ο ίδιος δε μπορεί να βγει από το σπίτι.
05:42
I'm really glad to say --
110
326924
1632
Με χαρά σας λέω--
05:44
recently, we've been in correspondence with Ryan --
111
328556
2252
πρόσφατα, επικοινωνούσαμε με τον Ράιαν--
05:46
that this story had a happy ending.
112
330808
1932
ότι η ιστορία του είχε ευτυχή κατάληξη.
05:48
Baby Shannon -- you can see her on the left --
113
332740
1903
Η Σάνον, το μωρό--τη βλέπετε εδώ αριστερά--
05:50
is doing much better now,
114
334643
1351
είναι καλύτερα τώρα,
05:51
and Ryan got a job by taking some of our courses.
115
335994
4198
και ο Ράιν βρήκε δουλειά αφού παρακολούθησε τα μαθήματά μας.
05:56
So what made these courses so different?
116
340192
2244
Τι είναι, λοιπόν, αυτό που ξεχώριζε αυτές τις σειρές μαθημάτων;
05:58
After all, online course content has been available for a while.
117
342436
3720
Εξάλλου, μαθήματα προσφέρονταν εδώ και καιρό στο διαδίκτυο.
06:02
What made it different was that this was real course experience.
118
346156
3712
Αυτό που τα ξεχώριζε ήταν ότι σου έδιναν μια πραγματική εμπειρία παρακολούθησης μαθημάτων.
06:05
It started on a given day,
119
349868
1726
Ξεκίναγαν μια συγκεκριμένη μέρα,
06:07
and then the students would watch videos on a weekly basis
120
351594
3634
και στη συνέχεια οι φοιτητές μπορούσαν να παρακολουθούν βίντεο σε εβδομαδιαία βάση
06:11
and do homework assignments.
121
355228
1855
και να κάνουν τις εργασίες στο σπίτι.
06:12
And these would be real homework assignments
122
357083
1791
΄Ηταν πραγματικές εργασίες
06:14
for a real grade, with a real deadline.
123
358874
3304
για πραγματικό βαθμό, με πραγματική ημερομηνία παράδοσης.
06:18
You can see the deadlines and the usage graph.
124
362178
2056
Μπορείτε να δείτε τις ημερομηνίες παράδοσης και το γράφημα της χρήσης.
06:20
These are the spikes showing
125
364234
2088
Αυτές εδώ οι αιχμές δείχνουν
06:22
that procrastination is global phenomenon.
126
366322
3789
ότι η κωλυσιεργία είναι παγκόσμιο φαινόμενο.
06:26
(Laughter)
127
370111
2576
(Γέλια)
06:28
At the end of the course,
128
372687
1672
Στο τέλος των μαθημάτων,
06:30
the students got a certificate.
129
374359
1856
οι φοιτητές έπαιρναν πιστοποιητικό.
06:32
They could present that certificate
130
376215
2160
Μπορούσαν να εμφανίσουν αυτό το πιστοποιητικό
06:34
to a prospective employer and get a better job,
131
378375
2153
σ' ένα μελλοντικό εργοδότη και να αποκτήσουν καλύτερη δουλειά,
06:36
and we know many students who did.
132
380528
2060
και ξέρουμε πολλούς φοιτητές που το έκαναν.
06:38
Some students took their certificate
133
382588
1919
Μερικοί φοιτητές παρουσίασαν το πιστοποιητικό τους
06:40
and presented this to an educational institution at which they were enrolled
134
384507
3122
στο εκπαιδευτικό ίδρυμα που είχαν εγγραφεί
06:43
for actual college credit.
135
387629
1841
και πήραν πραγματικές μονάδες.
06:45
So these students were really getting something meaningful
136
389470
2214
Αυτοί οι φοιτητές, λοιπόν, απόκτησαν πράγματι κάτι σημαντικό
06:47
for their investment of time and effort.
137
391684
2834
για το χρόνο και την προσπάθεια που επένδυσαν.
06:50
Let's talk a little bit about some of the components
138
394518
2555
Θα αναφερθώ σε μερικά από τα συστατικά
06:52
that go into these courses.
139
397073
1892
που έχουν αυτές οι σειρές μαθημάτων.
06:54
The first component is that when you move away
140
398965
2628
Το πρώτο στοιχείο είναι ότι όταν απομακρύνεσαι
06:57
from the constraints of a physical classroom
141
401593
2297
από τους περιορισμούς της τάξης όπου έχεις φυσική παρουσία
06:59
and design content explicitly for an online format,
142
403890
2840
και σχεδιάζεις το περιεχόμενο σαφώς για μια ψηφιακή πλατφόρμα
07:02
you can break away from, for example,
143
406730
2528
και μπορείς να ξεφύγεις
07:05
the monolithic one-hour lecture.
144
409258
2415
από τη μονολιθική ωριαία διάλεξη, για παράδειγμα.
07:07
You can break up the material, for example,
145
411673
1785
Μπορείς να χωρίσεις το υλικό σου,
07:09
into these short, modular units of eight to 12 minutes,
146
413458
3376
σε αυτές τις σύντομες θεματικές μονάδες διάρκειας 8-12 λεπτών,
07:12
each of which represents a coherent concept.
147
416834
2974
κάθε μια από τις οποίες εκπροσωπεί μία σαφή ενότητα.
07:15
Students can traverse this material in different ways,
148
419808
2570
Οι φοιτητές μπορούν να διαχειριστούν το υλικό με διαφορετικούς τρόπους,
07:18
depending on their background, their skills or their interests.
149
422378
3704
ανάλογα με το υπόβαθρο, τις δεξιότητες ή τα ενδιαφέροντά τους.
07:21
So, for example, some students might benefit
150
426082
2520
Έτσι, για παράδειγμα, κάποιοι φοιτητές μπορούν
07:24
from a little bit of preparatory material
151
428602
2760
να αξιοποιήσουν κάποιο προπαρασκευαστικό υλικό
07:27
that other students might already have.
152
431362
2071
που άλλοι φοιτητές γνωρίζουν ήδη.
07:29
Other students might be interested in a particular
153
433433
2440
Κάποιοι φοιτητές μπορεί να ενδιαφέρονται
07:31
enrichment topic that they want to pursue individually.
154
435873
3086
για ένα συγκεκριμένο θέμα και να θέλουν να το μελετήσουν ατομικά.
07:34
So this format allows us to break away
155
438959
3235
Αυτή, λοιπόν, η μορφοποίηση μας επιτρέπει να ξεφύγουμε
07:38
from the one-size-fits-all model of education,
156
442194
2824
από το κοινό-για-όλους μοντέλο της εκπαίδευσης
07:40
and allows students to follow a much more personalized curriculum.
157
445018
3992
και επιτρέπει τους φοιτητές να ακολουθούν ένα πιο προσωπικό πρόγραμμα.
07:44
Of course, we all know as educators
158
449010
2343
Γνωρίζουμε βεβαίως ως εκπαιδευτικοί
07:47
that students don't learn by sitting and passively watching videos.
159
451353
3360
ότι οι φοιτητές δε μαθαίνουν με το να κάθονται και να παρακολουθούν βίντεο παθητικά.
07:50
Perhaps one of the biggest components of this effort
160
454713
2945
Πιθανόν ένα από τα μεγαλύτερα συστατικά αυτής της προσπάθειας
07:53
is that we need to have students
161
457658
2592
είναι ότι χρειαζόμαστε φοιτητές
07:56
who practice with the material
162
460250
2409
που κάνουν ασκήσεις με την ύλη
07:58
in order to really understand it.
163
462659
3156
για να μπορούν να την κατανοήσουν.
08:01
There's been a range of studies that demonstrate the importance of this.
164
465815
3268
Υπάρχει μια ποικιλία μελετών που δείχνει τη σπουδαιότητα αυτού του πράγματος.
08:04
This one that appeared in Science last year, for example,
165
469083
2532
Αυτή εδώ, για παράδειγμα, που παρουσιάστηκε στο περιοδικό Σάιενς πέρυσι,
08:07
demonstrates that even simple retrieval practice,
166
471615
2832
δείχνει ότι ακόμη και μια απλή άσκηση επανάληψης,
08:10
where students are just supposed to repeat
167
474447
2792
όπου οι φοιτητές χρειάζεται απλώς να επαναλάβουν
08:13
what they already learned
168
477239
1400
ό,τι έμαθαν ήδη
08:14
gives considerably improved results
169
478639
1920
δίνει σημαντικά βελτιωμένα αποτελέσματα
08:16
on various achievement tests down the line
170
480559
2269
σε πολλά τεστ
08:18
than many other educational interventions.
171
482828
4304
από ό, τι πολλές άλλες εκπαιδευτικές παρεμβάσεις.
08:23
We've tried to build in retrieval practice into the platform,
172
487132
2962
Προσπαθήσαμε να οικοδομήσουμε την πρακτική της επανάληψης στην πλατφόρμα μας,
08:25
as well as other forms of practice in many ways.
173
490094
2254
καθώς επίσης και άλλες μορφές εξάσκησης με πολλούς τρόπους.
08:28
For example, even our videos are not just videos.
174
492348
4144
Για παράδειγμα, ακόμη και τα βίντεο που δείχνουμε δεν είναι απλά βίντεο.
08:32
Every few minutes, the video pauses
175
496492
2043
Κάθε τόσο, το βίντεο διακόπτεται
08:34
and the students get asked a question.
176
498535
2151
και υποβάλλεται μια ερώτηση στους φοιτητές.
08:36
(Video) SP: ... These four things. Prospect theory, hyperbolic discounting,
177
500686
2221
(Βίντεο)
Σ.Π:...Αυτά τα τέσσερα πράγματα.Η θεωρία των προοπτικών, η υπερβολική προεξόφληση,
Σ.Π:...Αυτά τα τέσσερα πράγματα.Η θεωρία των προοπτικών, η υπερβολική προεξόφληση,
08:38
status quo bias, base rate bias. They're all well documented.
178
502907
3092
προκατάληψη υπέρ του στάτους κβο, η προκατάληψη του βασικού επιτοκίου. Είναι όλα καλά τεκμηριωμένα.
08:41
So they're all well documented deviations from rational behavior.
179
505999
2767
Είναι όλες καλά τεκμηριωμένες αποκλίσεις από την ορθολογική συμπεριφορά.
08:44
DK: So here the video pauses,
180
508766
1624
Δ.Κ.: Στο σημείο αυτό το βίντεο διακόπτεται,
08:46
and the student types in the answer into the box
181
510390
2256
και ο φοιτητής πληκτρολογεί την απάντηση στο κουτάκι
08:48
and submits. Obviously they weren't paying attention.
182
512646
3223
και την υποβάλλει. Προφανώς, η προσοχή τους ήταν μειωμένη.
08:51
(Laughter)
183
515884
869
(Γέλια)
08:52
So they get to try again,
184
516753
2010
Χρειάζεται επομένως να ξαναπροσπαθήσουν,
08:54
and this time they got it right.
185
518763
2536
και αυτή τη φορά τα κατάφεραν.
08:57
There's an optional explanation if they want.
186
521299
2193
Υπάρχει μια προαιρετική ερμηνεία, αν θέλουν.
08:59
And now the video moves on to the next part of the lecture.
187
523492
4257
Το βίντεο συνεχίζει στο επόμενο κομμάτι της διάλεξης.
09:03
This is a kind of simple question
188
527749
1878
Αυτή είναι μια κάπως απλή ερώτηση
09:05
that I as an instructor might ask in class,
189
529627
2081
που θα υπέβαλα εγώ στην τάξη, ως εκπαιδευτικός,
09:07
but when I ask that kind of a question in class,
190
531708
2500
αλλά όταν κάνω τέτοιες ερωτήσεις στην τάξη,
09:10
80 percent of the students
191
534208
1300
το 80 τοις εκατό των φοιτητών
09:11
are still scribbling the last thing I said,
192
535508
1866
γράφουν ακόμα το τελευταίο πράγμα που είχα πει,
09:13
15 percent are zoned out on Facebook,
193
537374
3321
15 τοις εκατό είναι στο Facebook,
09:16
and then there's the smarty pants in the front row
194
540695
2456
και υπάρχει και ο εξυπνάκιας στην πρώτη σειρά
09:19
who blurts out the answer
195
543151
1359
που ξεφουρνίζει την απάντηση
09:20
before anyone else has had a chance to think about it,
196
544510
2207
πριν καλά-καλά σκεφτούν οι υπόλοιποι,
09:22
and I as the instructor am terribly gratified
197
546717
2872
και ως εκπαιδευτικός είμαι ικανοποιημένη
09:25
that somebody actually knew the answer.
198
549589
1648
που κάποιος γνώριζε την απάντηση.
09:27
And so the lecture moves on before, really,
199
551237
2792
Με τον τρόπο αυτό συνεχίζεται η διάλεξη προτού
09:29
most of the students have even noticed that a question had been asked.
200
554029
3529
οι περισσότεροι φοιτητές να πάρουν είδηση ότι έχει υποβληθεί ερώτηση.
09:33
Here, every single student
201
557558
2607
Εδώ, ο κάθε φοιτητής
09:36
has to engage with the material.
202
560165
2784
πρέπει να εμπλακεί με το υλικό.
09:38
And of course these simple retrieval questions
203
562949
1936
Ασφαλώς αυτές οι απλές ερωτήσεις επανάληψης
09:40
are not the end of the story.
204
564885
1662
δεν είναι το τέλος της υπόθεσης.
09:42
One needs to build in much more meaningful practice questions,
205
566547
2970
Είναι απαραίτητο να θέσει κανείς πιο ουσιιώδεις ερωτήσεις εξάσκησης,
09:45
and one also needs to provide the students with feedback
206
569517
2353
και να παρέχει σχόλια στους φοιτητές
09:47
on those questions.
207
571870
1663
πάνω στις ερωτήσεις.
09:49
Now, how do you grade the work of 100,000 students
208
573533
2888
Τώρα, πως γίνεται η βαθμολόγηση των εργασιών 100.000 φοιτητών
09:52
if you do not have 10,000 TAs?
209
576421
3082
αν δεν έχεις 10.000 βοηθούς καθηγητών;
09:55
The answer is, you need to use technology
210
579503
2354
Η απάντηση είναι ότι η τεχνολογία
09:57
to do it for you.
211
581857
1495
θα το κάνει για εσένα.
09:59
Now, fortunately, technology has come a long way,
212
583352
2648
Ευτυχώς που η τεχνολογία έχει προχωρήσει πολύ,
10:01
and we can now grade a range of interesting types of homework.
213
586000
3268
και είμαστε σε θέση να βαθμολογούμε ένα εύρος από ενδιαφέροντες τύπους ασκήσεων.
10:05
In addition to multiple choice
214
589268
1527
Εκτός από εκείνες της πολλαπλής επιλογής
10:06
and the kinds of short answer questions that you saw in the video,
215
590795
3153
και τα είδη των σύντομων ερωτήσεων που είδατε στο βίντεο,
10:09
we can also grade math, mathematical expressions
216
593948
3260
μπορούμε να βαθμολογούμε μαθηματικά, μαθηματικές εκφράσεις
10:13
as well as mathematical derivations.
217
597208
1952
και μαθηματικά παράγωγα.
10:15
We can grade models, whether it's
218
599160
2874
Μπορούμε να βαθμολογούμε μοντέλα, είτε είναι
10:17
financial models in a business class
219
602034
2176
οικονομικού χαρακτήρα σε τμήμα επιχειρήσεων
10:20
or physical models in a science or engineering class
220
604210
2984
είτε πραγματικά σε τμήμα θετικών επιστημών ή μηχανικής
10:23
and we can grade some pretty sophisticated programming assignments.
221
607194
3744
και μπορούμε να βαθμολογούμε κάποιες αρκετά πολύπλοκες εργασίες προγραμματισμού.
10:26
Let me show you one that's actually pretty simple
222
610938
1919
Θα σας δείξω κάτι που είναι πράγματι πολύ απλό
10:28
but fairly visual.
223
612857
1480
αλλά αρκετά εμφανές.
10:30
This is from Stanford's Computer Science 101 class,
224
614337
2477
Προέρχεται από το τμήμα Επιστήμη Υπολογιστών 101 του Στάνφορντ
10:32
and the students are supposed to color-correct
225
616814
1604
και οι φοιτητές έπρεπε να χρωματίσουν --να διορθώσουν
10:34
that blurry red image.
226
618418
1592
αυτή τη θολή κόκκινη εικόνα.
10:35
They're typing their program into the browser,
227
620010
2018
Πληκτρολογούν το πρόγραμμα τους στον περιηγητή,
10:37
and you can see they didn't get it quite right, Lady Liberty is still seasick.
228
622028
4058
και βλέπετε δεν το πέτυχαν εντελώς, η Κυρία Λίμπερτυ έχει ακόμη ναυτία.
10:41
And so, the student tries again, and now they got it right, and they're told that,
229
626086
3756
Ο φοιτητής, επομένως κάνει και άλλη προσπάθεια, και τώρα το πέτυχε, και τότε τους λένε,
10:45
and they can move on to the next assignment.
230
629842
2359
ότι μπορούν να περάσουν στην επόμενη εργασία.
10:48
This ability to interact actively with the material
231
632201
3148
Αυτή η ικανότητα να αλληλεπιδράς ενεργά με το υλικό
10:51
and be told when you're right or wrong
232
635349
1684
και και να σου λένε αν το κάνεις σωστά ή λάθος
10:52
is really essential to student learning.
233
637033
3126
είναι πράγματι ουσιαστική στη μάθηση.
10:56
Now, of course we cannot yet grade
234
640159
2275
Ασφαλώς δεν έχουμε ακόμη βαθμολογήσει
10:58
the range of work that one needs for all courses.
235
642434
2834
το εύρος της εργασίας που χρειάζεται κανείς για όλες τις σειρές των μαθημάτων.
11:01
Specifically, what's lacking is the kind of critical thinking work
236
645268
3301
Συγκεκριμένα, αυτή η έλλειψη είναι πάνω στην κριτική σκέψη
11:04
that is so essential in such disciplines
237
648569
1922
που είναι τόσο ουσιαστική σε κλάδους
11:06
as the humanities, the social sciences, business and others.
238
650491
3597
όπως οι ανθρωπιστικές, οι κοινωνικές, οι επιχειρησιακές κλπ σπουδές.
11:09
So we tried to convince, for example,
239
654088
2249
Προσπαθήσαμε να πείσουμε, για παράδειγμα,
11:12
some of our humanities faculty
240
656337
1616
κάποιους από τους κλάδους των ανθρωπιστικών σπουδών
11:13
that multiple choice was not such a bad strategy.
241
657953
2696
ότι η πολλαπλή επιλογή δεν ήταν τόσο κακή στρατηγική.
11:16
That didn't go over really well.
242
660649
2191
Αυτό δεν πήγε και τόσο καλά.
11:18
So we had to come up with a different solution.
243
662840
2433
Έπρεπε, επομένως, να βρούμε διαφορετική λύση.
11:21
And the solution we ended up using is peer grading.
244
665273
3074
Η λύση που καταλήξαμε ήταν η βαθμολόγηση από συμφοιτητές.
11:24
It turns out that previous studies show,
245
668347
2422
Αποδεικνύεται από παλαιότερες μελέτες,
11:26
like this one by Saddler and Good,
246
670769
1672
όπως αυτή εδώ των Σάντλερ και Γκουντ,
11:28
that peer grading is a surprisingly effective strategy
247
672441
2488
ότι η βαθμολόγηση από συναδέλφους είναι μια εκπληκτικά αποτελεσματική στρατηγική
11:30
for providing reproducible grades.
248
674929
3214
για την παροχή αναπαραγώγιμων βαθμολογήσεων.
11:34
It was tried only in small classes,
249
678143
1770
Δοκιμάστηκε σε μικρές μόνο τάξεις,
11:35
but there it showed, for example,
250
679913
1487
και εκεί φάνηκε, για παράδειγμα,
11:37
that these student-assigned grades on the y-axis
251
681400
2482
ότι αυτές οι βαθμολογίες που υποβλήθηκαν απ' τους φοιτητές στον άξονα Υ
11:39
are actually very well correlated
252
683882
1311
έχουν μεγάλη συχέτιση
11:41
with the teacher-assigned grade on the x-axis.
253
685193
2296
με τη βαθμολογία που υποβλήθηκε απ' τους καθηγητές στον άξονα Χ.
11:43
What's even more surprising is that self-grades,
254
687489
3160
Αυτό που είναι πιο εντυπωσιακό είναι ότι η αυτο-βαθμολόγηση,
11:46
where the students grade their own work critically --
255
690649
2311
όταν οι φοιτητές βαθμολογούν την δική τους δουλειά,
11:48
so long as you incentivize them properly
256
692960
1737
όσο έχουν τα κατάλληλα κίνητρα
11:50
so they can't give themselves a perfect score --
257
694697
1938
έτσι ώστε να μη δώσουν στον εαυτό τους άριστα--
11:52
are actually even better correlated with the teacher grades.
258
696635
3191
στην πραγματικότητα συσχετίζονται καλύτερα με τους βαθμούς των καθηγητών.
11:55
And so this is an effective strategy
259
699826
1607
Αυτή, λοιπόν, είναι μια αποτελεσματική στρατηγική
11:57
that can be used for grading at scale,
260
701433
2104
που μπορεί να χρησιμοποιηθεί στη βαθμολόγηση μεγάλων αριθμών,
11:59
and is also a useful learning strategy for the students,
261
703537
2736
και αποτελεί και μια χρήσιμη στρατηγική μάθησης για τους φοιτητές,
12:02
because they actually learn from the experience.
262
706273
2255
διότι στην πραγματικότητα μαθαίνουν από την εμπειρία.
12:04
So we now have the largest peer-grading pipeline ever devised,
263
708528
4649
Έχουμε, επομένως, τον μεγαλύτερο αγωγό βαθμολόγησης από ομότιμους που έχει επινοηθεί,
12:09
where tens of thousands of students
264
713177
2504
όπου δεκάδες χιλιάδες φοιτητές
12:11
are grading each other's work,
265
715681
1198
βαθμολογούν ο ένας τη δουλειά του άλλου,
12:12
and quite successfully, I have to say.
266
716879
3069
και με μεγάλη επιτυχία, οφείλω να πω.
12:15
But this is not just about students
267
719948
2260
Αλλά δεν είναι μόνο οι φοιτητές
12:18
sitting alone in their living room working through problems.
268
722208
3041
που κάθονται μόνοι στο καθιστικό τους και επεξεργάζονται προβλήματα.
12:21
Around each one of our courses,
269
725249
1807
Γύρω από την κάθε σειρά μαθημάτων μας,
12:22
a community of students had formed,
270
727056
2160
έχει διαμορφωθεί μια κοινότητα φοιτητών,
12:25
a global community of people
271
729216
1880
μια παγκόσμια κοινότητα ανθρώπων
12:26
around a shared intellectual endeavor.
272
731096
2532
που μοιράζονται μια διανοητική προσπάθεια.
12:29
What you see here is a self-generated map
273
733628
2652
Βλέπετε έναν αυτοδημιούργητο χάρτη
12:32
from students in our Princeton Sociology 101 course,
274
736280
2961
από φοιτητές στο μάθημα Κοινωνιολογία 101 του Πρίνστον,
12:35
where they have put themselves on a world map,
275
739241
2759
που έβαλαν τον εαυτό τους σε έναν παγκόσμιο χάρτη,
12:37
and you can really see the global reach of this kind of effort.
276
742000
2960
και μπορείτε να δείτε την παγκόσμια εμβέλεια αυτής της προσπάθειας.
12:40
Students collaborated in these courses in a variety of different ways.
277
744960
4567
Οι φοιτητές συνεργάζονται με πολλούς τρόπους σε αυτά τα μαθήματα.
12:45
First of all, there was a question and answer forum,
278
749527
2639
Πρώτα απ' όλα, υπήρξε ένα φόρουμ ερωτήσεων και απαντήσεων,
12:48
where students would pose questions,
279
752166
2144
στο οποίο φοιτητές θα έθεταν ερωτήσεις,
12:50
and other students would answer those questions.
280
754310
2424
και άλλοι φοιτητές θα έδιναν απαντήσεις.
12:52
And the really amazing thing is,
281
756734
1713
Το εκπληκτικό πράγμα είναι,
12:54
because there were so many students,
282
758447
1670
ότι επειδή ήταν τόσοι πολλοί,
12:56
it means that even if a student posed a question
283
760117
2365
ακόμη και αν ένας φοιτητής έθετε μια ερώτηση
12:58
at 3 o'clock in the morning,
284
762482
1632
στις 3 το πρωί,
13:00
somewhere around the world,
285
764114
1582
κάπου στον κόσμο,
13:01
there would be somebody who was awake
286
765696
2074
θα υπήρχε κάποιος που ήταν ξυπνητός
13:03
and working on the same problem.
287
767770
2313
και εργαζόταν πάνω στο ίδιο πρόβλημα.
13:05
And so, in many of our courses,
288
770083
1958
'Έτσι λοιπόν, σε πολλά από τα μαθήματά μας,
13:07
the median response time for a question
289
772041
2329
ο μέσος χρόνος απάντησης για μια ερώτηση
13:10
on the question and answer forum was 22 minutes.
290
774370
3418
στο φόρουμ ερωτήσεων και απαντήσεων ήταν 22 λεπτά.
13:13
Which is not a level of service I have ever offered to my Stanford students.
291
777788
4577
Στα μαθήματά μου στο Στάνφορντ δε φτάνω σε αυτό το επίπεδο.
13:18
(Laughter)
292
782365
1341
(Γέλια)
13:19
And you can see from the student testimonials
293
783706
1942
Μπορείτε να δείτε από τις μαρτυρίες των φοιτητών
13:21
that students actually find
294
785648
1687
ότι οι φοιτητές βρίσκουν την απάντηση
13:23
that because of this large online community,
295
787335
2521
χάρη σε αυτή τη μεγάλη ψηφιακή κοινότητα,
13:25
they got to interact with each other in many ways
296
789856
2599
κατάφεραν να αλληλεπιδρούν με πολλούς τρόπους
13:28
that were deeper than they did in the context of the physical classroom.
297
792455
4193
που ήταν βαθύτεροι από ό, τι έκαναν στο πλαίσιο της φυσικής τάξης.
13:32
Students also self-assembled,
298
796648
2344
Επίσης, οι φοιτητές αυτο-οργανώθηκαν
13:34
without any kind of intervention from us,
299
798992
1863
σε μικρές ομάδες
13:36
into small study groups.
300
800855
1903
χωρίς καμιά δική μας παρέμβαση.
13:38
Some of these were physical study groups
301
802758
2362
Κάποιες από αυτές ήταν ομάδες μελέτης με φυσική παρουσία
13:41
along geographical constraints
302
805120
1826
στα πλαίσια γεωγραφικών περιορισμών
13:42
and met on a weekly basis to work through problem sets.
303
806946
2722
και συναντιόταν σε εβδομαδιαία βάση για να δουλέψουν πάνω σε προβλήματα.
13:45
This is the San Francisco study group,
304
809668
1900
Εδώ βλέπετε μια ομάδα μελέτης στο Σαν Φρανσίσκο,
13:47
but there were ones all over the world.
305
811568
2319
αλλά υπήρξαν παρόμοιες σε όλο τον κόσμο.
13:49
Others were virtual study groups,
306
813887
2032
Υπήρξαν και ομάδες μελέτης μέσω υπολογιστών,
13:51
sometimes along language lines or along cultural lines,
307
815919
2989
άλλες στη βάση κάποιας γλώσσας και άλλες στη βάση κάποιων πολιτισμικών στοιχείων,
13:54
and on the bottom left there,
308
818908
1444
και εκεί κάτω αριστερά,
13:56
you see our multicultural universal study group
309
820352
3796
βλέπετε την πολυπολιτισμική διεθνή μας ομάδα μελέτης
14:00
where people explicitly wanted to connect
310
824148
1763
στην οποία οι άνθρωποι σαφώς ήθελαν να συνδεθούν
14:01
with people from other cultures.
311
825911
3006
με ανθρώπους από άλλες κουλτούρες.
14:04
There are some tremendous opportunities
312
828917
2111
Υπάρχουν τρομερές ευκαιρίες
14:06
to be had from this kind of framework.
313
831028
3325
σε ένα τέτοιο πλαίσιο δουλειάς.
14:10
The first is that it has the potential of giving us
314
834353
3654
Η πρώτη είναι ότι έχει τη δυνατότητα να μας δώσει
14:13
a completely unprecedented look
315
838007
2434
μια εντελώς πρωτόγνωρη ματιά
14:16
into understanding human learning.
316
840441
2289
στην κατανόηση της μάθησης.
14:18
Because the data that we can collect here is unique.
317
842730
3463
Επειδή τα δεδομένα που συλλέγουμε είναι μοναδικά.
14:22
You can collect every click, every homework submission,
318
846193
4009
Μπορούμε να καταγράψουμε κάθε κλικ, κάθε υποβολή εργασίας,
14:26
every forum post from tens of thousands of students.
319
850202
4363
κάθε μήνυμα σε φόρουμ από δεκάδες χιλιάδες φοιτητές.
14:30
So you can turn the study of human learning
320
854565
2343
Μπορούμε, λοιπόν, να αλλάξουμε τον τρόπο μελέτης της ανθρώπινης μάθησης
14:32
from the hypothesis-driven mode
321
856908
1933
από θεωρώντας πλέον ως γνώμονα όχι την υπόθεση
14:34
to the data-driven mode, a transformation that,
322
858841
2858
αλλά τα δεδομένα, μια μετατροπή που, για παράδειγμα,
14:37
for example, has revolutionized biology.
323
861699
3041
έχει φέρει επανάσταση στη βιολογία.
14:40
You can use these data to understand fundamental questions
324
864740
3424
Μπορούμε να χρησιμοποιήσουμε αυτά τα δεδομένα για την κατανόηση θεμελιωδών ερωτημάτων
14:44
like, what are good learning strategies
325
868164
1880
όπως, ποιες είναι καλές στρατηγικές μάθησης
14:45
that are effective versus ones that are not?
326
870044
2696
που είναι αποτελεσματικές απέναντι σε εκείνες που δεν είναι;
14:48
And in the context of particular courses,
327
872740
2240
Και στο πλαίσιο συγκεκριμένων μαθημάτων,
14:50
you can ask questions
328
874980
1537
μπορούμε να θέσουμε ερωτήματα
14:52
like, what are some of the misconceptions that are more common
329
876517
3255
όπως ποιες είναι οι παρανοήσεις που είναι πιο συχνές
14:55
and how do we help students fix them?
330
879772
2177
και πώς βοηθάμε τους φοιτητές να τις ρυθμίσουν;
14:57
So here's an example of that,
331
881949
1424
Ορίστε ένα παράδειγμα,
14:59
also from Andrew's Machine Learning class.
332
883373
2016
που προέρχεται επίσης από την τάξη Μηχανική Μάθηση, του Άντριου.
15:01
This is a distribution of wrong answers
333
885389
2208
Είναι μια κατανομή λανθασμένων απαντήσεων
15:03
to one of Andrew's assignments.
334
887597
1610
σε κάποιες εργασίες που ανέθεσε ο Άντριου.
15:05
The answers happen to be pairs of numbers,
335
889207
1893
Οι απαντήσεις συμβαίνει να είναι ζευγάρια αριθμών,
15:07
so you can draw them on this two-dimensional plot.
336
891100
2271
έτσι ώστε να μπορούμε να τα καταχωρήσουμε σ' αυτό το δισδιάστατο γράφημα.
15:09
Each of the little crosses that you see is a different wrong answer.
337
893371
3778
Κάθε ένας μικρός σταυρός που βλέπετε είναι μια διαφορετική λανθασμένη απάντηση.
15:13
The big cross at the top left
338
897149
2406
Ο μεγάλος σταυρός επάνω αριστερά
15:15
is where 2,000 students
339
899555
2148
είναι εκεί που 2000 φοιτητές
15:17
gave the exact same wrong answer.
340
901703
3045
έδωσαν ακριβώς την ίδια λανθασμένη απάντηση.
15:20
Now, if two students in a class of 100
341
904748
2327
Τώρα, αν δυο φοιτητές σε μια τάξη των 100
15:22
give the same wrong answer,
342
907075
1287
δώσουν την ίδια λανθασμένη απάντηση,
15:24
you would never notice.
343
908362
1351
δε θα το προσέχαμε ποτέ.
15:25
But when 2,000 students give the same wrong answer,
344
909713
2560
Όταν όμως 2000 φοιτητές δίνουν την ίδια λαθεμένη απάντηση,
15:28
it's kind of hard to miss.
345
912273
1697
δεν είναι εύκολο να σου διαφύγει.
15:29
So Andrew and his students went in,
346
913970
2192
Ο ΄Αντριου, λοιπόν, και οι φοιτητές του
15:32
looked at some of those assignments,
347
916162
1520
εξέτασαν κάποιες απο εκείνες τις εργασίες
15:33
understood the root cause of the misconception,
348
917682
4088
κατανόησαν την βασική αιτία αυτής της παρανόησης,
15:37
and then they produced a targeted error message
349
921770
2520
και στη συνέχεια παρήγαγαν ένα στοχευμένο μήνυμα
15:40
that would be provided to every student
350
924290
2249
που θα έφτανε σε κάθε φοιτητή
15:42
whose answer fell into that bucket,
351
926539
2179
του οποίου η απάντηση έπεφτε σ' αυτή την κατηγορία,
15:44
which means that students who made that same mistake
352
928718
2084
που σημαίνει ότι οι φοιτητές που έκαναν το ίδιο λάθος
15:46
would now get personalized feedback
353
930802
2026
θα έπαιρναν πλέον προσωπικά σχόλια
15:48
telling them how to fix their misconception much more effectively.
354
932828
4399
που θα τους έλεγαν πώς να διορθώσουν την παρανόηση πολύ πιο αποτελεσματικά.
15:53
So this personalization is something that one can then build
355
937227
3811
Αυτή, λοιπόν, η προσωπική επαφή είναι κάτι που μπορεί να καταφέρει κανείς
15:56
by having the virtue of large numbers.
356
941038
3140
έχοντας το πλεονέκτημα των μεγάλων αριθμών.
16:00
Personalization is perhaps
357
944178
2312
Η εξατομίκευση είναι ίσως
16:02
one of the biggest opportunities here as well,
358
946490
2423
μια από τις μεγαλύτερες ευκαιρίες που έχουμε,
16:04
because it provides us with the potential
359
948913
2345
διότι μας παρέχει τη δυνατότητα
16:07
of solving a 30-year-old problem.
360
951258
2690
να λύσουμε ένα πρόβλημα 30 ετών.
16:09
Educational researcher Benjamin Bloom, in 1984,
361
953948
3349
Ο ερευνητής εκπαίδευσης Μπέντζιαμιν Βλουμ, το 1984,
16:13
posed what's called the 2 sigma problem,
362
957297
2251
έθεσε αυτό που ονομάζεται πρόβλημα 2 σίγμα,
16:15
which he observed by studying three populations.
363
959548
3062
το οποίο παρατήρησε μετά από μελέτη τριών πληθυσμιακών ομάδων.
16:18
The first is the population that studied in a lecture-based classroom.
364
962610
3608
Η πρώτη είναι μια ομάδα που φοιτούσε σε μια τάξη με μορφή διάλεξης
16:22
The second is a population of students that studied
365
966218
2777
Η δεύτερη είναι μια ομάδα που φοιτούσε
16:24
using a standard lecture-based classroom,
366
968995
1719
σε μια τυπική τάξη με μορφή διάλεξης,
16:26
but with a mastery-based approach,
367
970714
2080
αλλά με προσέγγιση πλήρους ελέγχου,
16:28
so the students couldn't move on to the next topic
368
972794
1920
έτσι ώστε οι φοιτητές δε μπορούσαν να περάσουν στο επόμενο θέμα
16:30
before demonstrating mastery of the previous one.
369
974714
3354
προτού αποδείξουν ότι κατέχουν το προηγούμενο.
16:33
And finally, there was a population of students
370
978068
2294
Και, τέλος, υπήρχε μια ομάδα φοιτητών
16:36
that were taught in a one-on-one instruction using a tutor.
371
980362
4528
στους οποίους η διδασκαλία ήταν ατομική από καθηγητή.
16:40
The mastery-based population was a full standard deviation,
372
984890
3272
Ο πληθυσμός που βασιζόταν σε πλήρη έλεγχο, είχε πλήρη απόκλιση
16:44
or sigma, in achievement scores better
373
988162
2288
ή σίγμα, με σκορ επίδοσης καλύτερα
16:46
than the standard lecture-based class,
374
990450
2394
από την κλασική τάξη διάλεξης,
16:48
and the individual tutoring gives you 2 sigma
375
992844
2144
και η ατομική διδασκαλία μας δίνει
16:50
improvement in performance.
376
994988
1830
βελτίωση 2 σίγμα σε απόδοση.
16:52
To understand what that means,
377
996818
1463
Για να καταλάβουμε τι σημαίνει,
16:54
let's look at the lecture-based classroom,
378
998281
1833
ας κοιτάξουμε την τάξη της διάλεξης,
16:56
and let's pick the median performance as a threshold.
379
1000114
2919
και ας επιλέξουμε τη μέση επίδοση σαν όριο.
16:58
So in a lecture-based class,
380
1003033
1338
Έτσι λοιπόν, στην τάξη διάλεξης,
17:00
half the students are above that level and half are below.
381
1004371
3879
οι μισοί φοιτητές είναι πάνω από αυτό το επίπεδο και οι μισοί κάτω από αυτό.
17:04
In the individual tutoring instruction,
382
1008250
2098
Στην προσωπική διδασκαλία,
17:06
98 percent of the students are going to be above that threshold.
383
1010348
4801
98 τοις εκατό των φοιτητών θα να είναι πάνω από αυτό το όριο.
17:11
Imagine if we could teach so that 98 percent of our students
384
1015149
3920
Φανταστείτε να μπορούσαμε να διδάσκουμε έτσι ώστε 98 τοις εκατό των φοιτητών μας
17:14
would be above average.
385
1019069
2198
να ήταν πάνω από το μέσο όρο.
17:17
Hence, the 2 sigma problem.
386
1021267
3423
Εξ ου και το πρόβλημα 2 σίγμα.
17:20
Because we cannot afford, as a society,
387
1024690
2399
Διότι, ως κοινωνία, δεν έχουμε τα μέσα
17:22
to provide every student with an individual human tutor.
388
1027089
3072
να παρέχουμε σε κάθε φοιτητή ατομικό δάσκαλο.
17:26
But maybe we can afford to provide each student
389
1030161
2249
Μπορούμε ίσως να παρέχουμε σε κάθε φοιτητή
17:28
with a computer or a smartphone.
390
1032410
2019
έναν υπολογιστή ή ένα έξυπνο κινητό τηλέφωνο.
17:30
So the question is, how can we use technology
391
1034429
2189
Το θέμα λοιπόν είναι πως μπορούμε να χρησιμοποιήσουμε την τεχνολογία
17:32
to push from the left side of the graph, from the blue curve,
392
1036618
3375
για να σπρώξουμε από το αριστερό μέρος του γραφήματος, από τη μπλε καμπύλη,
17:35
to the right side with the green curve?
393
1039993
2738
στη δεξιά μεριά με την πράσινη καμπύλη;
17:38
Mastery is easy to achieve using a computer,
394
1042731
2337
Ο έλεγχος της γνώσης είναι εύκολο να επιτευχθεί με τη χρήση ενός υπολογιστή,
17:40
because a computer doesn't get tired
395
1045068
1405
διότι ο υπολογιστής δεν κουράζεται
17:42
of showing you the same video five times.
396
1046473
3073
να σου δείχνει το ίδιο βίντεο πέντε φορές.
17:45
And it doesn't even get tired of grading the same work multiple times,
397
1049546
3251
Ούτε κουράζεται να βαθμολογεί την ίδια εργασία πολλές φορές,
17:48
we've seen that in many of the examples that I've shown you.
398
1052802
3026
το είδαμε σε πολλά από τα παραδείγματα που σας έδειξα.
17:51
And even personalization
399
1055828
1854
Και ακόμη και αν η εξατομίκευση
17:53
is something that we're starting to see the beginnings of,
400
1057682
2136
είναι στο αρχικό της στάδιο,
17:55
whether it's via the personalized trajectory through the curriculum
401
1059818
3192
είτε γίνεται μέσω της εξατομικευμένης πορείας μέσω του προγράμματος σπουδών
17:58
or some of the personalized feedback that we've shown you.
402
1063010
3264
είτε με τα προσωπικά που σας έχουμε δείξει.
18:02
So the goal here is to try and push,
403
1066274
2488
Ο στόχος, λοιπόν, εδώ είναι να προσπαθήσουμε να ωθήσουμε,
18:04
and see how far we can get towards the green curve.
404
1068762
3497
και να δούμε που μπορούμε να φτάσουμε στην κατεύθυνση της πράσινης καμπύλης.
18:08
So, if this is so great, are universities now obsolete?
405
1072259
5359
Αν αυτό είναι τόσο σπουδαίο, σημαίνει ότι τα πανεπιστήμια είναι πλέον περιττά;
18:13
Well, Mark Twain certainly thought so.
406
1077618
2992
Αυτή ήταν ασφαλώς η άποψη του Μαρκ Τουέιν.
18:16
He said that, "College is a place where a professor's lecture notes
407
1080610
2545
Είπε, «Κολλέγιο είναι ένα μέρος όπου οι σημειώσεις διάλεξης κάποιου καθηγητή
18:19
go straight to the students' lecture notes,
408
1083155
1703
πηγαίνουν κατευθείαν στις σημειώσεις των φοιτητών,
18:20
without passing through the brains of either."
409
1084858
2376
χωρίς να έχουν περάσει από τα μυαλά ούτε του μεν ούτε των δε».
18:23
(Laughter)
410
1087234
4047
(Γέλια)
18:27
I beg to differ with Mark Twain, though.
411
1091281
2668
Διαφοροποιούμαι ωστόσο από τον Μαρκ Τουέιν.
18:29
I think what he was complaining about is not
412
1093949
2665
Νομίζω ότι δεν ήταν τα πανεπιστήμια για τα οποία διαμαρτύρονταν,
18:32
universities but rather the lecture-based format
413
1096614
2750
αλλά το σχήμα παράδοσης που βασίζεται στη διάλεξη
18:35
that so many universities spend so much time on.
414
1099364
2784
στο οποίο τόσα πολλά πανεπιστήμια ξοδεύουν τόσο χρόνο.
18:38
So let's go back even further, to Plutarch,
415
1102148
3159
Ας κάνουμε μια αναδρομή στον Πλούταρχο,
18:41
who said that, "The mind is not a vessel that needs filling,
416
1105307
2227
που είπε: «Το μυαλό δεν είναι ένα δοχείο που χρειάζεται να το γεμίζουμε,
18:43
but wood that needs igniting."
417
1107534
2023
αλλά ξύλο που χρειάζεται να πάρει φωτιά».
18:45
And maybe we should spend less time at universities
418
1109557
2190
Πιθανόν να χρειάζεται να ξοδεύουμε λιγότερο χρόνο στα πανεπιστήμια
18:47
filling our students' minds with content
419
1111747
2571
γεμίζοντας τα μυαλά των φοιτητών μας με περιεχόμενο
18:50
by lecturing at them, and more time igniting their creativity,
420
1114318
3800
μέσα από διαλέξεις, και περισσότερο χρόνο πυροδοτώντας τη δημιουργικότητά τους,
18:54
their imagination and their problem-solving skills
421
1118118
3255
τη φαντασία τους και τις δεξιότητες που έχουν να λύνουν προβλήματα
18:57
by actually talking with them.
422
1121373
2498
με το να συζητάμε μαζί τους.
18:59
So how do we do that?
423
1123871
1367
Με ποιό τρόπο θα το κάνουμε αυτό;
19:01
We do that by doing active learning in the classroom.
424
1125238
3431
Θα τα κάνουμε με την ενεργή μάθηση στην τάξη.
19:04
So there's been many studies, including this one,
425
1128669
2449
Υπάρχουν πολλές μελέτες, συμπεριλαμβανομένης και της παρούσας,
19:07
that show that if you use active learning,
426
1131118
2080
που δείχνουν ότι αν χρησιμοποιούμε την ενεργή μαθηση,
19:09
interacting with your students in the classroom,
427
1133198
2416
επικοινωνώντας με τους φοιτητές σας στην τάξη,
19:11
performance improves on every single metric --
428
1135614
2696
η απόδοση βελτιώνεται σε κάθε μέτρο--
19:14
on attendance, on engagement and on learning
429
1138310
2449
στην παρακολούθηση, στη συμμετοχή και στη μάθηση
19:16
as measured by a standardized test.
430
1140759
2055
όπως τις μετρούν τα κλασικά τεστ.
19:18
You can see, for example, that the achievement score
431
1142814
1864
Μπορείτε, για παράδειγμα, να δείτε το αποτέλεσμα της επίδοσης
19:20
almost doubles in this particular experiment.
432
1144678
2870
σχεδόν να διπλασιάζεται στο συγκεκριμένο πείραμα.
19:23
So maybe this is how we should spend our time at universities.
433
1147548
4401
Πιθανόν αυτός είναι ο τρόπος που πρέπει να ξοδεύουμε το χρόνο μας στα πανεπιστήμια.
19:27
So to summarize, if we could offer a top quality education
434
1151949
4577
Συνοψίζοντας, αν μπορούσαμε να προσφέρουμε εκπαίδευση υψηλής ποιότητας
19:32
to everyone around the world for free,
435
1156526
1903
σε όλους τους ανθρώπους στον κόσμο δωρεάν,
19:34
what would that do? Three things.
436
1158429
2821
τι αποτελέσματα θα είχε; Τρια πράγματα.
19:37
First it would establish education as a fundamental human right,
437
1161250
3421
Πρώτον, θα καθιστούσε την εκπαίδευση ένα βασικό ανθρώπινο δικαίωμα,
19:40
where anyone around the world
438
1164671
1366
και ο καθένας στον κόσμο
19:41
with the ability and the motivation
439
1166037
1921
που διέθετε ικανότητα και κίνητρο
19:43
could get the skills that they need
440
1167958
1951
θα μπορούσε να αποκτήσει δεξιότητες
19:45
to make a better life for themselves,
441
1169909
1585
απαραίτητες για τη βελτίωση της ζωής του,
19:47
their families and their communities.
442
1171494
2017
της οικογένειας και της κοινότητάς του.
19:49
Second, it would enable lifelong learning.
443
1173511
2631
Δεύτερο, θα έκανε δυνατή τη δια βίου μάθηση.
19:52
It's a shame that for so many people,
444
1176142
1951
Είναι ντροπή το ότι για τόσους πολλούς ανθρώπους,
19:53
learning stops when we finish high school or when we finish college.
445
1178093
3312
η μάθηση σταματά όταν τελειώνουμε το λύκειο ή το πανεπιστήμιο.
19:57
By having this amazing content be available,
446
1181405
2481
Έχοντας στη διάθεση μας αυτό το υπέροχο περιεχόμενο,
19:59
we would be able to learn something new
447
1183886
2743
θα μπορούσαμε να μαθαίνουμε καινούργια πράγματα
20:02
every time we wanted,
448
1186629
1136
όποτε θέλαμε,
20:03
whether it's just to expand our minds
449
1187765
1329
είτε για να διευρύνουμε το μυαλό μας
20:04
or it's to change our lives.
450
1189094
1959
είτε για να αλλάξουμε τη ζωή μας.
20:06
And finally, this would enable a wave of innovation,
451
1191053
3145
Τέλος, θα κινητοποιούσαμε ένα κύμα καινοτομιών,
20:10
because amazing talent can be found anywhere.
452
1194198
3072
διότι εκπληκτικό ταλέντο μπορεί να βρεθεί οπουδήποτε.
20:13
Maybe the next Albert Einstein or the next Steve Jobs
453
1197270
3008
Ισως ο επόμενος Αϊνστάιν ή ο επόμενος Στιβ Τζομπς
20:16
is living somewhere in a remote village in Africa.
454
1200278
2615
να ζει σε κάποιο απομονωμένο χωριό της Αφρικής.
20:18
And if we could offer that person an education,
455
1202893
2656
Αν μπορούσαμε να προσφέρουμε εκπαίδευση σε αυτά τα άτομα,
20:21
they would be able to come up with the next big idea
456
1205549
2356
θα ήταν σε θέση να σκεφτούν την επόμενη μεγάλη ιδέα
20:23
and make the world a better place for all of us.
457
1207905
2404
και να κάνουν τον κόσμο ένα καλύτερο μέρος για όλους μας.
20:26
Thank you very much.
458
1210309
1160
Ευχαριστώ πολύ.
20:27
(Applause)
459
1211469
7583
(Χειροκρότημα)
ABOUT THE SPEAKER
Daphne Koller - EducatorWith Coursera, Daphne Koller and co-founder Andrew Ng are bringing courses from top colleges online, free, for anyone who wants to take them.
Why you should listen
A 3rd generation Ph.D who is passionate about education, Stanford professor Daphne Koller is excited to be making the college experience available to anyone through her startup, Coursera. With classes from 85 top colleges, Coursera is an innovative model for online learning. While top schools have been putting lectures online for years, Coursera's platform supports the other vital aspect of the classroom: tests and assignments that reinforce learning.
At the Stanford Artificial Intelligence Laboratory, computer scientist Daphne Koller studies how to model large, complicated decisions with lots of uncertainty. (Her research group is called DAGS, which stands for Daphne's Approximate Group of Students.) In 2004, she won a MacArthur Fellowship for her work, which involves, among other things, using Bayesian networks and other techniques to explore biomedical and genetic data sets.
Daphne Koller | Speaker | TED.com