Design Lab · Modèle avancé

Coach diagnostique par ramification Coach

Une interaction de diagnostic prête pour Storyline qui aide les apprenants à cerner un problème, choisir un chemin de réponse et recevoir un coaching basé sur leur interprétation de la situation. Ce modèle est conçu pour des moments opérationnels chaotiques où la meilleure réponse dépend de ce que l'apprenant remarque en premier.

Objectif

Aidez les apprenants à diagnostiquer avant d'agir.

De nombreuses décisions en milieu de travail échouent avant l'étape d'action parce que l'apprenant interprète mal la situation. Ce modèle ralentit le moment juste assez pour aider les apprenants à identifier le signal, choisir un chemin et être coachés sur leur raisonnement.

Meilleur pour

  • Résolution de problèmes de flux de travail
  • Pratique de coaching pour les managers ou les pairs
  • Décisions de sécurité et d'escalade
  • Triage des problèmes clients
  • Interprétation des politiques sans langage de conformité lourd

Philosophie d'apprentissage

Ce modèle considère le jugement comme un processus. Il récompense l'observation, l'interprétation et la réflexion sur les prochaines étapes au lieu de faire deviner à l'apprenant ce que le designer voulait secrètement qu'il clique.

Aperçu en direct

Diagnostiquez le signal, puis choisissez le chemin de réponse.

La démonstration utilise deux étapes : d'abord, l'apprenant identifie le signal principal, puis il choisit une réponse. Les retours s'adaptent aux deux choix.

Dossier de cas

Un apprenant rapporte qu'il a terminé l'intégration, mais se sent toujours mal préparé pour son premier parcours.

Ils disent que le contenu était facile à suivre, mais ils sont nerveux quant à ce qu'il faut faire lorsque les instructions de l'application ne correspondent pas à ce qu'ils voient dans le monde réel.

Étape 01

Quel est le signal le plus fort ?

Étape 02

Quel chemin de réponse choisiriez-vous ?

Pourquoi c'est avancé

Il évalue le raisonnement, pas seulement la sélection.

Ce modèle est plus sophistiqué qu'un scénario de branchement standard car le retour d'information dépend de deux jugements connectés : ce que l'apprenant pense qu'il se passe et ce qu'il choisit d'en faire. Cela rend le coaching plus réaliste et beaucoup moins comme un quiz portant une fausse moustache.

Notes de construction de l'intrigue

Variables suggérées

Utilisez Storyline pour l'interface, les états et le contrôle des diapositives. Utilisez JavaScript pour évaluer la relation entre le diagnostic et la réponse.

selectedSignal
selectedResponse
signalClarityScore
responseFitScore
fieldUsefulnessScore
coachTitle
coachBody
coachTone
recommendedNextMove
pathLabel

Modèle d'interaction

Comment le modèle fonctionne

01

Présentez un cas réel désordonné

Le cas doit inclure suffisamment d'ambiguïté pour que l'apprenant doive interpréter la situation.

02

Demandez le signal le plus fort

L'apprenant identifie quel type de problème il pense voir avant de choisir une réponse.

03

Déverrouillez les chemins de réponse

L'apprenant choisit quoi faire ensuite. La meilleure réponse dépend du signal qu'il a identifié.

04

Encadrez le raisonnement

Le retour d'information explique si leur diagnostic et leur réponse ont fonctionné ensemble, puis recommande un prochain mouvement.

Logique de départ

Bloc de démarrage JavaScript pour Storyline

Placez ceci dans un déclencheur Exécuter JavaScript après que l'apprenant a sélectionné une réponse. Il suppose que les valeurs de signal et de réponse sont déjà stockées dans des variables Storyline.

// Branching Diagnostic Coach starter logic for Articulate Storyline
// Suggested trigger: Execute JavaScript after learner selects a response path

const player = GetPlayer();
const selectedSignal = player.GetVar("selectedSignal");
const selectedResponse = player.GetVar("selectedResponse");

const profiles = {
  "transfer_support": {
    signalClarity: 95,
    responseFit: 94,
    fieldUsefulness: 96,
    tone: "Exactly",
    pathLabel: "Transfer gap → Field-ready support",
    title: "Strong diagnosis, strong response",
    body: "This is the most useful path. The learner is not saying the content was impossible to understand. They are saying the real-world moment still feels uncertain. A field-ready support aid helps bridge the gap between knowing and doing.",
    nextMove: "Provide a short decision guide that supports first-route judgment in context."
  },
  "transfer_repeat": {
    signalClarity: 90,
    responseFit: 45,
    fieldUsefulness: 42,
    tone: "Not exactly",
    pathLabel: "Transfer gap → Repeat content",
    title: "Good diagnosis, weak response fit",
    body: "You identified the right type of gap, but repeating the same content may not solve the problem. The learner needs help applying the content in the field, not necessarily more exposure to the original module.",
    nextMove: "Add a practice aid, checklist, or scenario-based reinforcement moment."
  },
  "transfer_escalate": {
    signalClarity: 90,
    responseFit: 62,
    fieldUsefulness: 58,
    tone: "Cautious",
    pathLabel: "Transfer gap → Escalation",
    title: "Useful only if the risk is high",
    body: "Escalation can help when the situation is unusual or risky. For a common first-route uncertainty, though, escalation may create friction. A lightweight support aid is likely more scalable.",
    nextMove: "Use escalation for exceptions, but design support for repeatable moments."
  },
  "knowledge_repeat": {
    signalClarity: 55,
    responseFit: 72,
    fieldUsefulness: 54,
    tone: "Partial",
    pathLabel: "Knowledge gap → Repeat content",
    title: "Reasonable, but check the assumption",
    body: "Repeating content can help when the issue is retention. In this case, the learner said the content was easy to follow. That suggests the bigger issue may be transfer, confidence, or real-world application.",
    nextMove: "Ask what part feels uncertain before assigning more content."
  },
  "knowledge_support": {
    signalClarity: 58,
    responseFit: 82,
    fieldUsefulness: 88,
    tone: "Useful redirect",
    pathLabel: "Knowledge gap → Field-ready support",
    title: "The response may work even if the diagnosis is off",
    body: "You may have misread the signal as a knowledge gap, but the support aid still helps the learner apply what they know. This is a good reminder that useful support can sometimes rescue an imperfect diagnosis.",
    nextMove: "Pair the aid with one question that confirms what the learner is unsure about."
  },
  "knowledge_escalate": {
    signalClarity: 50,
    responseFit: 38,
    fieldUsefulness: 35,
    tone: "Redirect",
    pathLabel: "Knowledge gap → Escalation",
    title: "This may overcomplicate the moment",
    body: "Escalation is probably too heavy for this signal. If the issue is knowledge or application, the learner needs clarity and usable support before the process gets handed off.",
    nextMove: "Clarify the gap, then provide either reinforcement or a field support aid."
  },
  "motivation_repeat": {
    signalClarity: 42,
    responseFit: 35,
    fieldUsefulness: 30,
    tone: "Redirect",
    pathLabel: "Motivation gap → Repeat content",
    title: "This path misses the main need",
    body: "The learner is not simply asking to be encouraged or sent back through content. The concern is about applying instructions when reality gets messy. Repeating the module may feel dismissive.",
    nextMove: "Focus on context, support, and practical first-route confidence."
  },
  "motivation_support": {
    signalClarity: 48,
    responseFit: 78,
    fieldUsefulness: 86,
    tone: "Useful redirect",
    pathLabel: "Motivation gap → Field-ready support",
    title: "Helpful response, but sharpen the diagnosis",
    body: "A support aid is still a useful move, but the signal is more specific than motivation. The learner needs help transferring knowledge into real-world action, especially when app guidance and field conditions feel mismatched.",
    nextMove: "Name the application gap and provide a simple decision aid."
  },
  "motivation_escalate": {
    signalClarity: 40,
    responseFit: 42,
    fieldUsefulness: 38,
    tone: "Redirect",
    pathLabel: "Motivation gap → Escalation",
    title: "This creates distance instead of clarity",
    body: "Escalating a general confidence concern may slow the learner down and make the support feel less immediate. Start with a practical aid unless there is a clear safety, policy, or technical risk.",
    nextMove: "Give immediate support first, then escalate only if the issue remains unresolved."
  }
};

const key = `${selectedSignal}_${selectedResponse}`;
const fallback = profiles["transfer_support"];
const profile = profiles[key] || fallback;

player.SetVar("signalClarityScore", profile.signalClarity);
player.SetVar("responseFitScore", profile.responseFit);
player.SetVar("fieldUsefulnessScore", profile.fieldUsefulness);
player.SetVar("coachTone", profile.tone);
player.SetVar("pathLabel", profile.pathLabel);
player.SetVar("coachTitle", profile.title);
player.SetVar("coachBody", profile.body);
player.SetVar("recommendedNextMove", profile.nextMove);

Notes de conception

Rendez l'ambiguïté utile.

Ce modèle fonctionne mieux lorsque le scénario a des distracteurs plausibles. Ne rendez pas les chemins erronés caricaturalement mauvais. La valeur d'apprentissage vient d'aider les gens à distinguer des problèmes similaires.

Idées de personnalisation

  • Ajoutez une troisième étape pour la confiance de l'apprenant.
  • Utilisez le score le plus bas pour recommander un chemin de remédiation.
  • Suivez plusieurs décisions diagnostiques à travers un scénario complet.
  • Utilisez des états pour révéler un arbre de décision visuel à mesure que l'apprenant progresse.
  • Adaptez le modèle pour le coaching des managers, la sécurité, l'intégration ou le dépannage.

Design Lab

Construisez un apprentissage qui enseigne aux gens comment lire la pièce.

Utilisez ce modèle lorsque les apprenants doivent diagnostiquer le contexte, pas seulement se souvenir du contenu. Il est conçu pour le jugement pratique, la clarté opérationnelle et la confiance dans le monde réel.

Retour au Design Lab