<mark id="oztn4"></mark>
0
在教育領域，自適應教育是一種主張“因材施教”，針對不同的學生進行個性化教育的教育方式。然而要做要千人千面，其背后需要數據分析、人工智能等技術支持，因此自適應教育也有智能程度之分。
為了與傳統的自適應教育區分，目前做人工智能自適應教育的公司都傾向于稱自己為“智·適應教育”。智適應教育從哪兒來？又將到哪兒去？如何做好一個真正的AI智適應教育平臺？人工智能算法如何更好地為智適應教育產業服務？
近日，2018全球AI智適應教育峰會在京舉行，中國、美國三大AI+教育的代表公司：Knewton、ALEKS、乂學教育同臺對話，解答了以上關于智適應教育的問題，雷鋒網亦來到現場。
關于教育的演進，Knewton的創始人Jose Ferreira有著自己的看法——人類教育事業的發展中間有幾次較大的變革，第一次是印刷術的出現，推動了文化教育的普及；第二次是線上教育與移動教育，可以將一些好的教師課堂進行錄像，然后在全球范圍內播放，從而達到了兩個方面的效果：獲取教育與提升教育質量。而最近的一次顛覆性的革命就是“AI+教育”，它會像當年的鋼鐵戰艦摧毀木質戰艦那樣所向披靡的，并對所有行業的競爭對手造成碾壓。
Jose Ferreira認為，“移動互聯網可以提供并挖掘數據，有了數據就可以個性化，有了個性化可以改變教育的質量。智適應教育可以挖掘學生的數據，幫助學生學習，利用產生的數據進行個性化教育。”
在人工智能的幫助下，個性化教育的步伐在不斷加快，但Jose同樣覺察到，“當今的AI雖然已經處理了海量數據及千百億次的測試，但是并沒有實現真正智能化的生活。當前的人工智能還處于所謂的模擬智能階段。”冒牌的假智適應并沒有智能算法匹配，在知識點的拆分方面也比較粗獷，而真正的“智適應的系統就不一樣，有非常好的材料和工具，而且可以根據學生的情況實時變化、更新和重新設計。”因而，冒牌的假智適應必將會被高質量的智適應教育所取代。
如何把這種智適應學習帶入市場呢？Jose認為初創企業還是很有機會的，雖然它們不具備規模優勢，但他們的反應速度較快，可以較好的進入到終端市場，獲得用戶的反饋。而在這個方面，亞洲尤其是中國的發展速度更快，因為中國市場B2C補習學校業務模式已經得到眾多用戶的認可，十分有利于智適應教育場景的落地實施。
Jose還提到，隨著人工智能技術的演進，未來一些崗位將會被人工智能所取代，而智適應學習則可以根據每個人的不同狀況，為其提供更有針對性的再就業教育與培訓，不至于淪為科技進步的犧牲品。
雷鋒網了解到，長期以來，中國教育界流行著一種“興趣教學法”，通過游戲等各種方式提高學生的學習興趣，最終達到教學預期目標。但學生的精力是有限的，且教學的過程是不可量化的，致使無法去真正測評教學的完成度。
在乂學教育創始人栗浩洋看來，不應該是用趣味性解決教育的問題，應該用學習成長的成就感去解決教育問題。智適應教育系統不僅要在作業流程上進行量化考核，并且要深入到學生的課前測試、學習流程、練習流程、課后測試等各個環節，不斷尋找學生的最佳學習策略，進行針對性教學，從而提高效率，促進學生學習的成就感。
那么，如何做一個真正的智適應教育系統呢？栗浩洋認為，“如果你只有極少數的知識點和規則的路徑，是不可能做到的”。所以，知識點拆分就成為一個非常大的難題。但“當我們把知識點拆分成細膩顆粒度時，可以通過更細致的診斷，判斷出學生的程度，進行定位和針對性教學，節省學生的學習時間，提升學習效率。”
栗浩洋表示，教育不應該是一門玄學，通過人工算法的知識點拆分，乂學教育的智適應教育系統不僅可以將數理化、語文等學科進行數據化，而且還可以做到錯因重構知識地圖以及找到非關聯性知識點，將教育變成一個可定義、可量化、可傳授的一門科學。并且，在這個學習的過程中，學生的學習能力與創造能力都可以得到大幅度的增長。
雷鋒網了解到，乂學教育已經開始研究用AI系統實現創造力培養。“我們把創造力也拆分成分可量化、可規則化、可模塊化的描述。通過這些描述，不斷采用機器對學生的啟發式的人機對話，來獲得學生的反饋和感受。通過NLP的語義理解，知道學生的反饋是在哪個層面，然后給到他不同的回答。”
AI智適應系統也需要不斷的找到學生的學習最佳策略，通過人工智能的對抗系統，乂學教育能夠不斷的大幅度提升算法準確度，給到每個孩子的精準的知識內容推薦和學習路徑推薦。乂學教育根據大量的學生反饋顯示，每個學生對智適應系統的感受都不一樣，他們覺得整個智適應系統是人性化的，是根據自己的水平去定制的。
智適應學習系統依賴于人工智能底層技術的發展，這方面來自ALEKS前首席數據科學家的 Dan Bindman有著自己獨到的見解，并從技術角度解答了智適應學習系統構建的相關問題。他認為：“高質量的內容、智能AI給所有學生繪制知識轉化的狀態圖譜，以及量身定做的選擇材料”，是智適應學習系統的重要支撐點。
Dan Bindman說：“最開始處理知識圖表，要檢查數據是否正確，系統是否奏效。當時真的是到了瘋狂的地步，幾千幾萬個鏈接，要看到每一個點、線連接繪圖方面的問題。但是，這樣的系統分年級卻并不適用，所以需要我們建立一套模型，不完全依賴于知識點的知識圖表，能夠處理繪圖中大部分能處理的問題。”
究竟什么樣的算法模型最合適呢？Dan Bindman認為，與傳統的IRT和KST等其他模型相比，多軌道模型更有優勢，“通過對學生的知識狀態PKS評估可以分析出學生的情況，確定他掌握知識的程度，并跟學生產生互動，繼而產生的數據預測精準度就比較高。”“根據模型，可以了解在任何時候學生回答問題有三個因素，一個是學生在知識軌道的能力，二個是問題的權重，第三個是問題的中心概率值。我們通過等式就可以了解學生在某一個知識軌上，他掌握的問題權重，就可以得到他所回答的問題來。”由此看來，多軌道算法模型通過大數據、機器學習算出來的準確度更高，并且能夠不斷根據學生的成長度來調整學習狀態，對智適應學習平臺的構建具有十分重要的意義。
相關文章：
以人工智能升級傳統教育，乂學教育累計融資2.7億，開店500余家
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
