松鼠AI亮相ASU+GSV，深入研討AI+教育行業(yè)發(fā)展

美國時間4月8日，第十屆ASU+GSV全球教育科技峰會在美國加州圣地亞哥召開。ASU+GSV

是由亞利桑那州立大學和全球硅谷(GSV)于2010年開始合作舉辦，通過規(guī)?；瘎?chuàng)新提升學習和職業(yè)成果，現(xiàn)如今已經成為全美乃至世界高規(guī)格的教育科技盛會。

松鼠AI松鼠AI創(chuàng)始人栗浩洋受邀參加今年ASU+GSV峰會，與新東方創(chuàng)始人俞敏洪、扎克伯格-陳計劃基金創(chuàng)始人普莉希拉·陳等在內的4500余名全球科教從業(yè)人士暢談科教創(chuàng)新。同時，松鼠AI團隊也在峰會期間組織了兩場研討會，和ASU+GSV與會者深入探討了AI+教育的行業(yè)發(fā)展和未來創(chuàng)新。

人工智能教育標準化

第一個研討會是圍繞電汽和電子工程師協(xié)會IEEE的自適應教學系統(tǒng)，討論人工智能在教育中的標準化機會。

參與討論的嘉賓包括;

Richard Tong，松鼠AI首席架構師;

Bob Sottilare, IEEE智適應教學系統(tǒng)工作組主席(Chair of IEEE AIS Workgroup, Science Director, Intelligent Training at Soar Tech);

Avron Barr, IEEE學習技術標準委員會現(xiàn)任主席(Chair of IEEE Learning Technology Standards Committee);

Robby Robson, IEEE 標準協(xié)會董事會成員，前IEEE智適應教學系統(tǒng)工作組主席(Member of Board of Governors, IEEE Standards Association (IEEE-SA))

在該演講討論中，四位演講人分別介紹和討論與IEEE 相關的自適應指令系統(tǒng)設計、標準化和實施最佳實踐的現(xiàn)狀，探索標準化所用組件和流程的機會在應用AI的教育系統(tǒng)中，包括AI自適應學習技術，基于AI的推薦引擎，以及使用機器學習來模擬學生交互和偏好以改善學習成果的系統(tǒng)。

Richard Tong：AI重新定義教育行業(yè)

作為開場嘉賓，松鼠AI首席架構師Richard Tong的演講圍繞在教育領域應用人工智能的意義和影響。

　　松鼠AI首席架構師Richard Tong發(fā)表技術演講

Richard認為，教育技術對行業(yè)主要帶來了四個技術層面的影響：

替代，像黑板到白板的轉變;增強，一種技術來替代已經存在的東西;修改，擁有那些學習路徑，比如行為或基于項目的學習。重新定義。

Richard進一步解釋道，“我們認為人工智能將要做的就是我們所說的重新定義階段，重新定義意味著我們實際上正在圍繞教育的方式進行范式轉換，整個過程本身實際上發(fā)生了變化。因此，我們不是基于工廠化流水線的學習模型，而是談論可以真正擴展的個性化模型，我們在工作中看到了AI對于教育的意義，這就是為什么我們帶來標準化的全部承諾。”

Richard認為，實現(xiàn)成功的AI需要四個元素：商業(yè)模式、專業(yè)知識、數(shù)據(jù)、計算。計算能力是一個廣泛的概念，不僅體現(xiàn)在GPU的數(shù)量和多少云服務，還有體現(xiàn)在堆棧、以及背后的基本計算設施。

Robby Robson：為什么要標準化自適應教學系統(tǒng)(AIS)?

IEEE 標準協(xié)會董事會成員、前IEEE智適應教學系統(tǒng)工作組主席Robby Robson的演講圍繞自適應教學系統(tǒng)標準化的意義和影響。

Robby提出，實現(xiàn)標準化有三個重要原因：

降低供應鏈中的摩擦。從商業(yè)角度來看，標準的作用是真正降低了消費者的成本，增加生產者的創(chuàng)新。一切的創(chuàng)新和范式轉變，都可以先從標準化入手起步。有利于行業(yè)更好地識別技術質量。由于人工智能熱度過高，這個詞目前已經成為一種變相的營銷術語。Bob Sottilare批評了許多市面上夸大人工智能作用的教育公司，認為他們只是把AI當成了內容營銷工具。為研究和分析提供基準線。

Robby也簡單介紹了IEEE的背景。作為一個龐大的全球機構，IEEE擁有超過45萬會員，旗下分不同類別學科的協(xié)會。Robson所在的IEEE標準協(xié)會，是一個由7000多會員和300多個企業(yè)會員組成的全球機構，關心行業(yè)共識標準，關注行業(yè)采用和市場相關性，提供相應的法律和道德保護。

Avron Barr：AI的關鍵在于數(shù)據(jù)重組與整合

IEEE學習技術標準委員會現(xiàn)任主席Avron Barr的演講圍繞自適應教學系統(tǒng)的數(shù)據(jù)。“市場必須調整自身以使適應性教學系統(tǒng)和其他AI增強型產品在經濟上可行，而關鍵問題是：所有這些AI系統(tǒng)需要的數(shù)據(jù)在哪里?”

為了支撐一個開放的、基于AI的生態(tài)系統(tǒng)，整個社會必須建立一個新的基礎設施，重新收集、共享、整合數(shù)據(jù)。這些數(shù)據(jù)主要來自五個方面：身份管理(個人信息)、歷史(過去做過什么，想要做什么)、資格(能力)、活動數(shù)據(jù)(比如社交媒體上的信息，地緣信息等等)、還有內容。相關的數(shù)據(jù)擁有機構，比如學校、政府、學區(qū)、企業(yè)，都需要參與進來，分享他們的數(shù)據(jù)，形成一個規(guī)模龐大的數(shù)據(jù)庫。

Avron介紹說，學習技術標準委員會參與了許多標準化制定和討論，其中包括SCORM(共享式內容對象參考模型)的十年更新、xAPI 2.0、學生數(shù)據(jù)治理、聯(lián)邦機器學習等等。

Bob Sottilare：自適應系統(tǒng)的標準和建議實踐

自適應系統(tǒng)是基于計算機的程序，通過在領域學習目標的背景下根據(jù)每個學習者或團隊的目標、需求和偏好定制教學和推薦來指導學習體驗，包括智能輔導系統(tǒng)，智能導師，智能媒體。

作為IEEE智適應教學系統(tǒng)工作組主席，Bob歡迎教育從業(yè)人士加入到他的工作：發(fā)展概念方法，制定互操作性標準，給與教育者推薦實踐方法。

在研討會上，Richard Tong也介紹了今年一些關于人工智能和教育的相關活動和會議：

ICICLE 2019, 全稱為2019 ICICLE Conference on Learning Engineering，大會將于5月20日-5月23日在弗吉尼亞的艾靈頓舉辦。該大會主要討論學習工程，并對學習、知識對學習經驗的設計、學習條件以及支持技術進行深入探討，并探索新興學習工程如何解決隱私與個性化問題。

AIAED 2019，全稱為2019 Artificial Intelligence + Adaptive Education (AIAED)，大會將于今年5月24日和25日在北京召開。這個為學術研究人員和行業(yè)領導者舉辦的國際論壇，討論應用于下一代教育的人工智能等重要技術以及這些技術如何影響人類自適應學習。

AIED 2019， 全稱為International Conference on Artificial Intelligence in Education，大會將于6月25日至29日在芝加哥舉辦。本次大會的主題是“二十一世紀全民教育”，討論如何使用人工智能和先進技術幫助實現(xiàn)全民平等教育。

IJCAI 2019的研討會：基于人工智能的多模態(tài)分析，用于在現(xiàn)實世界教育環(huán)境研討會中理解人類學習。

基于知識結構的自適應學習系統(tǒng)

第二個研討會的演講人是松鼠AI首席數(shù)據(jù)科學家Dan Bindman博士。

Bindman博士于2002年獲得加州大學爾灣分校數(shù)學行為科學研究所的博士學位。之后，他加入了美國在線自適應學習的領先機構ALEKS，專注于數(shù)學和化學，并成為ALEKS數(shù)學產品的編輯主任和首席架構師，2018年加入松鼠AI。

松鼠AI首席數(shù)據(jù)科學家Dan Bindman發(fā)表技術演講

Bindman博士帶來的演講主題是“理解基于知識結構的自適應學習系統(tǒng)的優(yōu)缺點，以及解決這些弱點的新方法”。他的演講可以分成兩個部分：

首先，基于知識結構的自適應學習模型有哪些優(yōu)缺點，并闡述了包括知識點結構、知識點狀態(tài)和它們之間的區(qū)別以及知識點結構中的邏輯連接等;

其次，著重介紹了Bindman博士研發(fā)的PKS優(yōu)化模型，該模型由多層學生能力組構成，包含超過20000個模型參數(shù)的PKS模型，可以準確判斷學生個體和群體的實時學習情況并為他們量身定制適合每個學生的個性化學習內容，可以解決此類系統(tǒng)的許多弱點，同時保留其所有優(yōu)勢。

什么是知識結構?

知識結構本質上是將課程中的問題聯(lián)系起來。例如，一門典型的代數(shù)課程可能包含500到1000個問題(也就是俗稱的“知識點”)。一個問題可能是“解決某個方程”，另一個問題可能是“計算某個斜率”。

彼此高度相關的問題可以聯(lián)系在一起，在這門課程中將這些問題全部連接在一起，就會形成一個知識結構，這對有效評估學生知識和學習能力起到關鍵作用。

什么是知識狀態(tài)?

學生知識狀態(tài)可以表示成一個向量，代表學生對課程中所有問題的知識或掌握。值得注意的是，學生掌握知識的狀態(tài)對于所有問題而言都是二元(二進制)的，即“已知”或“未知”，或者可以看成“1”或者“0”。

比如，一門課程包含1000個問題，學生掌握知識的程度通過向量可以表達為 {0,1,1,……,1,1}。

知識狀態(tài)和知識結構什么關系?

這取決于不同問題之間是否有聯(lián)系，Bindman博士列舉了兩種極端的可能性：“完全無聯(lián)系”或者“全部互相聯(lián)系。”

假設一門課程中有3個問題，如果它們之間完全沒有關系，那么一個學生掌握這些問題的可能性是“3的二次方”，也就是8種(從{0,0,0}, {0,0,1}...{1,1,1})。

可如果這三個問題之間是互相聯(lián)系、難度遞增的關系，那意味著學生只要掌握難度高的問題，那難度相對低的問題也就不在話下了，他的知識狀態(tài)就可以減少到4種({0,0,0}, {1,0,0}, {1,1,0}, {1,1,1})。

這樣依次類推：問題的聯(lián)系越多，知識狀態(tài)的可能性就越少;相反，問題之間毫無聯(lián)系，知識狀態(tài)的可能性就越多。

由此Bindman博士衍生出下一個問題：你需要問多少個問題才能獲悉學生的知識狀態(tài)?

結合之前得出的結論，如果問題之間毫無聯(lián)系，那你需要依次提問1000個問題才能知道答案;相反，如果問題之間互相聯(lián)系、難度遞增，那你只要問10個問題就可以了：先問第500個，如果學生答對了，那就可以問更難的問題，問第750個;如果回答不出，則往反方向去中間數(shù)提問即可。

那么如何將知識結構用于自適應學習?

結合Bindman博士之前的介紹，知識結構將不同問題相聯(lián)系，學生只有具備一些必備知識才能學習特定的問題。同時，知識結構可以大大減少評估學生知識所需的問題數(shù)量。當然這也會帶來問題：如果真正要評估學生的知識狀態(tài)，知識結構里必須包含大量的聯(lián)系。

聯(lián)系本身也分類別：邏輯聯(lián)系和經驗聯(lián)系。前者基于問題內容的邏輯關系;后者基于問題之間概率數(shù)據(jù)的相關度，這是通過數(shù)據(jù)收集得到的結論。比如，學會解答問題A的學生大概也懂如何解決問題B，這就是經驗聯(lián)系。

經驗聯(lián)系為什么重要?因為邏輯聯(lián)系往往是稀疏數(shù)據(jù)，你沒有足夠多的專家去做人工標注。經驗聯(lián)系可以產生大量數(shù)據(jù)，雖然這依然會產生問題，因為有些經驗聯(lián)系和課本教授知識的順序不一致。

另一個知識結構帶來的挑戰(zhàn)來自于課程形式。如果學生靠猜答對了許多問題，那么基于知識結構的評估就會出現(xiàn)誤差。相對而言，知識結構適用于需要填空的數(shù)學、化學、物理等課程;反之，不適用于語文或英語這種有大量選擇題的過程。

最后一個挑戰(zhàn)來自知識結構本身的特質。掌握知識并不絕對是一個二進制問題，有些知識你掌握了80%或者60%就能解題，這個時候知識結構就無法精確評估你到底是不是掌握了知識點。

綜上，Bindman博士得出以下結論：在自適應學習領域，知識結構可以是一個非常強大的工具， 但仍需處理許多困難：

要有足夠多的聯(lián)系來對學生知識進行有效的評估，對特定人群需要收集大量的數(shù)據(jù);對部分用戶而言，這些數(shù)據(jù)庫的經驗聯(lián)系可能很有問題，因為它的學習流程和學生自身以及教科書上教授的順序完全不同; 知識結構不適用于多選題，這基本上排除了許多課程;最后，知識結構在預測方案上能力有限，知識和聯(lián)系都是二進制， 沒有中間地帶。

為了解決以上這些問題，Bindman博士提出了他自己設計的模型：PKS。

什么是PKS?

PKS，全稱Probablitistic Knowledge State，即概率知識狀態(tài)。相比于之前的二進制“1”或者“0”來表達，Bindman博士提出，用學生在某個特定時間正確回答每個問題的概率來表達學生的知識狀態(tài)，比如：{0.29, 0.87, 0.63, 0.74……}。

任何時候任何學生的PKS完全由學生在“知識通道”上的能力決定。知識通道是模型在擬合時創(chuàng)建的純數(shù)學結構，Bindman博士表示他不知道它們代表什么，但在擬合之后，可以通過查看針對一個問題哪些通過最重要哪些渠道不重要，給研究員帶來一些啟示。

Bindman博士說，知識通道是一個黑盒(Black Box)，即你不知道它內部是怎么運行的，在某種意義上它類似于主成分分析(principal component analysis)。

PKS由三個變量決定：學生在規(guī)定時間t的回答問題的能力A(t);問題的權重W(q)，即這個問題在這個知識通道的關聯(lián)度;以及問題的中心C(q)，可以理解成是偏差(Bias)。PKS的值是PKS(q) = Φ[A(t)⋅W(q)+C(q))]，其中“Φ”是正態(tài)累積分布函數(shù)，“⋅” 是矢量點積。

通過這個方法，你可以在任何時間將這個公式用到所有問題上，在時間t內并行應用于這個等式，以便隨時獲得所有問題的完整PKS。

使用PKS的另一個好處是充分利用學生的學習歷史。當學生開始課程時，所有的能力都從零開始;伴隨著學生的不斷學習，模型將通過學習歷史調整模型中的參數(shù)，然后更精確地評估學生能力。

據(jù)Bindman博士介紹，松鼠AI已經開始將PKS模型應用在中學數(shù)學產品上。

生成海報

免責聲明：本網站內容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網站出現(xiàn)的信息，均僅供參考。本網站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。任何單位或個人認為本網站中的網頁或鏈接內容可能涉嫌侵犯其知識產權或存在不實內容時，應及時向本網站提出書面權利通知或不實情況說明，并提供身份證明、權屬證明及詳細侵權或不實情況證明。本網站在收到上述法律文件后，將會依法盡快聯(lián)系相關文章源頭核實，溝通刪除相關內容或斷開相關鏈接。