<mark id="oztn4"></mark>
0
2017年7月國務院發布《新一代人工智能發展規劃》，規劃中特別提到，將加快推動新型教育體系、智能校園建設以及開發智能教育助理。隨著人工智能技術的發展，AI+教育賽道受到資本追捧，好未來、新東方、VIPKID、51talk、滬江、科大訊飛、英語流利說等公司相繼宣布發力人工智能+教育， 集體打響攻堅戰； 在人工智能自適應學習領域，Knewton、乂學教育成功融資等國內外大額融資事件刺激市場關注度升溫。全國最大的中小學在線作業平臺一起教育科技也加入這一賽道，公開宣布發力人工智能自適應教育。
2018年3月20日，K12在線教育平臺一起作業宣布完成2.5億美金E輪融資，邁入10億美金估值獨角獸行列，同時，將公司品牌從“一起作業”改為“一起教育科技”，并且發布了“Socrates”智能學習系統。
官方資料表明，目前公司整體業務包括一起作業、一起學、一起公益。而本輪融資將用于投入優質的教育內容、人工智能和教育公益。截至2018年3月，一起教育科技用戶數達到6000萬，包含4000萬學生，2000萬家長以及190萬教師。用戶涵蓋中國31個省，363個城市近12萬所學校，平臺上每天會產生上億條作業行為。
該公司表示，自公司成立以來就在技術方面持續投入，2017年，成立人工智能團隊，研發改進自適應學習系統，并落地多款人工智能教育產品，全面推進人工智能方向布局。
雷鋒網來到公司總部，對一起教育科技CEO劉暢和算法產品總監羅侃進行了專訪。
2017年一起教育科技 AI 團隊成立，主要聚焦在 AI 技術在教育領域的研究和應用。研究方向主要包括語音識別、圖像識別、自然語言理解、 數據挖掘等領域。團隊自主研發了一系列 AI 成果并且應用在教育領域, 其中包括口語評測、 手寫識別、作文批改等。
談到為什么引入人工智能，劉暢說：“因為我們經常會高估技術眼前對于業務的改變，但是會低估技術對于整個教育行業，當然也包括對其他行業的改造。所以把時間線拉長來看，你也不知道作業批改的、給家長發評語的、發送報告的，是一個人還是一個機器。這些大概率會被機器取代。所以并不是今天出于某種營收或融資的壓力來做所謂的人工智能，而是基于對于行業的理解和對于用戶需求的理解，我們是基于這個預判來進行投入。”
一起教育科技人工智能產品中運用了圖像識別、語音交互、自然語言處理、深度學習等技術。人工智能團隊認為技術應該為應用服務，學習的過程中知識點掌握只是開始，學科能力也只是個性化學習路徑的中間過程，最終的目的是掌握舉一反三的跨學科綜合能力。這種能力體系的建設依賴于豐富的素質教育內容和智能診斷、智能推薦等人工智能技術的結合。在3月20日發布會上，正式將該學習系統命名為“Socrates 智能學習系統”。
現階段，人工智能在教育領域主要體現在自適應學習方向。而“Socrates 智能學習系統”，是經過改進的一套自適應學習系統。
《解碼自適應學習》的報告中定義，“自適應學習是一種教育科技手段，它通過自主提供適合每位學生的獨立幫助，在現實中與學生產生實時互動。”自適應學習的核心思想是通過構建每個學生的能力評測模型, 來對學生進行定制化的教育, 從而實現千人千面, 進一步提升學習效率。
在 Socrates 智能學習系統下，系統會根據學生的數據量身定制個性化學習路徑，以實現學生知識和能力共同發展的目標。在知識層面不超綱、不超前，讓學生用更少的時間、更有效的練習，達成知識點的掌握和跨學科思維能力的建設，學習知識的同時獲得終身受益的思維方式。
在傳統的學習規劃中, 受限于老師的人力成本, 對每個學生的能力缺乏細致的評估, 從而導致對每個學生的學習規劃是基本一致的, 同學們都在同一個進度下進行學習，如果能夠更好地對學生進行評測, 從而能夠提供匹配學生當前的能力的教材、作業、考試，這將極大的提高學生的能動性和學習效率。
從技術角度講，在線教育要想真正達到有效需要完成下面的閉環：
1. 準確評測學生水平。
2. 針對現有水平推送訓練。
3. 針對薄弱點背后訓練思維能力。
4. 再次測試學生水平。
在上述步驟當中，準確測試是基礎也是最難的步驟。只有準確知道學生真實的水平才能進行針對性學習和訓練。是后續提取知識薄弱點和背后的思維模型薄弱點的關鍵。人工智能團隊對此經歷了多個階段探索。
2015年, 一起教育科技引入了 IRT ( Item Response Theory ) 模型對學生能力進行評測。但是隨著業務的拓展, IRT 本身存在著一定的缺陷。 IRT 的目的的通過對學生的做題來評估學生的能力，IRT 假設所有題目都是獨立不相關的。 但是實際中, 做題的順序, 以及題目之間的關系對學生能力的最終評估起到了非常重要的作用。舉個例子, 如果一個學生做了100道題目, 只對了50道題目, 那么可否認為學生的能力為50分(滿分100), 如果這個學生是一開始做錯了50道題, 而后面50道題目全部做對呢?
為了更好的表示時序特征序列, 2016年引入BKT (Bayesian Knowledge Tracing ) 和 DKT(Deep Knowledge Tracing ) 模型。
BKT 模型在很長一段時間內作為最受歡迎的刻畫學生學習過程的時序模型, 可以基于答題記錄具體追蹤到某個知識點掌握程度上的改變，這個刻畫對某些類型的產品（應試教育類）是相當合適的， 但是缺點在于參數估計穩定性其實并不好，EM 算法下并不能保證居合道唯一參數，并且在單體多知識點的處理上面, 會遇到參數爆炸的問題。
一起教育科技結合了兩種模型的特點采用兩層 LSTMP 來替換 DKT 最初模型的 RNN 模型。LSTMP 可以通過 gate 來控制關鍵時序序列的信號, 使模型能夠有更長的時序表征。同時在大數據訓練情況下, 可以有效的避免梯度消失和梯度爆炸現象。
對于 IRT 而言，模型迭代后，擬合出來 theta 值以及題目集的參數，通過這些參數可以擬合出對特定知識點的掌握程度。而DKT則是在訓練結束的 sigmod 層可以算出來學生對每個知識點的掌握程度，取數學數據舉例, 一起科技在小學數學和中學數學上分別計算對學生答題的預測準確度。 DKT 在 AUC 上要明顯好于 IRT的評測效果。進一步 , 針對每個學生, 可以計算出在時刻 T 上該學生的能力分布圖。
以上是針對學生個體構建能力分布圖, 基于 DKT 模型對題目進行建模( Chris Piech NIPS 2015 )，可以基于一組時序做題歷史記錄來預估某道題的被掌握可能性。 另外, 結合教研, 對題目本身進行進一步抽象歸納, 例如 知識點、考點、錯因等，可以進一步挖掘知識點(考點、錯因)之間的關系。通過關聯度的統計分析, 可以進一步挖掘出重要的知識點以及考點, 例如對前置權重的統計加成, 可以得到關鍵知識點。基于權重的無監督聚類, 則可以幫助發現知識點之間的冗余性。
例如下圖，圖中心位置的知識點為一元二次方程的解法-配方法，從此知識點出發，與其相關度很高的是一元二次方程根判別式和一元二次方程解法-公式法，其后便是開始接觸三角形類的知識點以及勾股定理，而其前置便是一元一次方程類的知識點。從機器所學習出來的結果上看，一元二次方程的解法-配方法是一個承上啟下的知識點，這個不但符合現行的教學大綱，而且從出題的知識點組合的出現概率來看，也是很高頻的一個考察點。
一般情況下, 教學知識點都是以樹狀的形式展現出來, 這樣可以很好的體現出教學的進度以及概念的分層, 但是卻很難發現知識點與知識點的內在關系, 通過構建圖的方式, 而 DKT 模型可以將知識點圖譜和知識點樹有效的結合起來, 為學生提供更豐富的學習路徑。
大數據為人工智能算法提供燃料
從技術上講，一起教育科技數據持續并且準確。每個 ID 都是實名綁定，可以精確獲得教材版本、學生班級、授課老師、學習進度、作業情況，并且隨著學生年級提高數據持續更新。根據2018年3月份最新數據，公司擁有6000萬用戶，其中包含4000萬中小學生，數據量本大，測試周期大幅度縮短，為后續人工智能打下良好基礎。雷鋒網下載了一起作業學生端App嘗試注冊，注冊頁面顯示需要輸入老師給的號碼才能加入，點擊“沒有老師號”按鈕，自動出現彈框顯示”需要輸入老師號，來找到你的班級，若你的老師未提供，請詢問老師。”以這樣的設置，保證了數據的真實性和有效性。
數據體系分為三層：
1. 內容層（Content Level）：包含有知識點、能力、難度等標簽，各個標簽之間構建依存關系繼而上匯總而成的一張知識圖譜。
2. 用戶屬性層（User Profiling Level）：主要包含用戶的屬性數據，如ID所屬地區、學校、教材以及用戶畫像標簽。
3. 用戶行為層（User Behavior Level）：主要是指用戶在日常使用的形成的行為數據，例如同地區用戶使用的題目。
推薦策略整體上會通過多層數據，更加科學推送老師和學生所需的內容。比如說針對知識面窄而深度能力達標的用戶更多匹配知識面角度設計的推題，而針對知識面廣深度不夠的學生逐步從能力體系角度進行階梯型推題。保證每道題都讓學生既保持做題的興趣，又不至于難到無從下手。此外，推送策略會同時兼顧“德才知行”四個方面進行考量，會對素質教育相關內容以及提升學科核心素養的內容有更強的側重。
引入人工智能效果如何？
至于如何能提高學生做題專注度和效率，羅侃打開一起作業學生端App，一邊演示并向雷鋒網(公眾號：雷鋒網)解釋：“我們其實在iOS和安卓 App里都設有訪問限制，從和老師對接的時候，就引導他們讓孩子在做題時可以把這個訪問性限制打開。所謂訪問性限制，就是你只能開這幾個App，其他是鎖定的。還有一個方法是我們每次布置作業，系統會大概率估算每一次作業的時間。比如說這次作業10分鐘做完，如果這個孩子做了30分鐘，系統就認為這個孩子是不是在偷玩什么別的，否則為什么10分鐘的題他30分鐘才做完，是不是遇到什么困難，會有措施來解決這個問題。”
此外，為了激發學生學習的興趣，在App里設置了基于自適應學習闖關類產品，羅侃談到：“我們會根據學生的練習結果，實時計算并調整下一個關卡練習的內容范圍以及難度。比方說學有余力的孩子練習的關卡數量就會更少，練習的題目也會更難。”
談到這款產品背后的技術，羅侃說：“自適應學習其中一個非常重要的基礎是學生的測評結果，只有知道學生當前掌握的情況才能給出更加精準的練習內容。目前已經被驗證過的模型就是 IRT 模型。2014年我們就在線上系統里面引入了 IRT 模型。國外很多測評公司例如GRE，都是用這個模型去做測評。這個模型能夠通過學生的做題記錄，去評估學生的能力以及題目的難度。而且整個過程是不需要人去介入，通過 EM 算法實現，這是一種無監督學習算法。先假設學生的能力一樣，去估算題的難度，然后再通過學生做題的結果，再去估算這個學生的能力，通過若干輪的迭代逐步收斂到局部最優解。”
“當然在實際使用中 IRT 模型還是有一些問題，例如它沒有考慮到學生練習過程中做題順序的影響。此外，整個過程是假設學生的能力不變的。我們在16年開始探索基于時間序列的模型，例如 BKT 和 DKT 模型。基本上對于新的模型我們都會跟進，嘗試把這個模型應用到我們現有的產品里。”
上圖是上海市今日中學倪佳青老師在使用一起作業后的前后對比，使用后的學生在完成率和正確率上都有明顯的提升。同樣的兩個班級，使用在線作業的實驗班完成預習作業的比例是70% ，對照班只有25% ;實驗班課后練習的正確率是 96.7% ，對照班則是 78.6% 。倪老師發現，這是因為班里的學生 98% 都是打工子弟，水平參差不齊，傳統作業很難做到給不同的學生布置不同的內容，而在線作業通過對每個同學布置個性化的作業，提高了學生做作業的積極性。
據介紹，在學生實際使用基于自適應學習模型構建的做題產品之后，學習成績、完成率、積極性都有所提高。“基于我們的算法能夠更好提升學習效果，此前收集到的數據是提升15%，目前在做更大規模的測試。”
至于公司商業模式和營收情況，一起作業是學校教育場景產品，流量來源，屬于免費產品。一起學是家庭教育場景產品，里面有幫助學生學習能力提高的付費產品。據介紹，一起教育科技通過切入學校獲取了大的流量、數據，商業化的做了兩個，一是個性化做題，二是直播上課，這兩個模式讓小學業務已經實現了盈利。總體上來說，目前已經做到盈虧平衡。
前段時間，有研究人士分析了365種職業在未來被人工智能“淘汰”的概率，其中，教師的被淘汰概率是0.4%。看上去教師擁有自身難以被機器簡單替代的獨特性。但也有不同聲音，教育部副部長杜占元認為“人機結合可能將是我們迎接智能時代最普遍的形式。”惠靈頓學院院長安東尼·謝爾頓爵士認為，10年之內教師將失去其傳統角色，只能成為助教。給學生們教授知識這一重要的工作將完全由人工智能計算機完成。
人工智能是否可以取代教師，一起教育科技的回答是：“我們其實對一起作業的定位是公立教育的好幫手，我們從來沒有想過去取代老師，或者我們來教孩子。因為我們始終認為，機器在教育這一塊是無法完全取代人的。”
現在關注“雷鋒網”微信公眾號（leiphone-sz），回復關鍵詞【2018】，隨機抽送價值 3999 元的參會門票 3 張
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
