人工智能和機器學(xué)習(xí)第一次讓我們真正有可能規(guī)模化地實現(xiàn)“因材施教”。AI+教育不僅能徹底改變輔導(dǎo)教育,顛覆6800億的K-12校外輔導(dǎo)市場,還有可能徹底改變教育市場格局及教育本身。變革前夜,在這股新興的浪潮中,我們來探究智適應(yīng)教育的國內(nèi)外成功案例,找到人工智能教育領(lǐng)域的專家來剖析智適應(yīng)技術(shù)的內(nèi)核做對比研究。
上月,亞太地區(qū)第二場“教育界AlphaGo”對人類教師的人機大戰(zhàn)在成都上演,對壘雙方是乂學(xué)教育的松鼠AI教學(xué)機器人與平均教齡近20年的三名高級教師、優(yōu)質(zhì)課競賽一等獎名師、中考命題組成員。
比賽結(jié)果:教學(xué)機器人組的學(xué)生取得的成績提升比優(yōu)秀教師組的學(xué)生高出了7分。
這是繼去年10月份之后,機器人又一次戰(zhàn)勝人類教師。
去年,全球最著名的兩家科技巨頭創(chuàng)始人,比爾·蓋茨和馬克·扎克伯格聯(lián)手投入1200萬美元到個性化教育,將2017年的教育市場對智能個性化方向的關(guān)注推向一個高點;國內(nèi),包括乂學(xué)教育、好未來、新東方、學(xué)霸君、一起作業(yè)網(wǎng)等30多家教育機構(gòu)相繼宣布開始轉(zhuǎn)型智適應(yīng)技術(shù)驅(qū)動的個性化教育。
本文主要從自適應(yīng)學(xué)習(xí)的概念談起,以乂學(xué)教育的松鼠AI智適應(yīng)系統(tǒng)為范例,美國的幾家人工智能自適應(yīng)企業(yè)的技術(shù)方案為參考,全面剖析智適應(yīng)技術(shù)的發(fā)展歷程,深度展示智適應(yīng)教育技術(shù)的核心理念和關(guān)鍵細(xì)節(jié)。
科技巨頭紛紛介入個性化教育,“教育界AlphaGo”教學(xué)成績超過高級教師和中考命題人
5月在成都舉辦的亞太第二場“教育界AlphaGo”對人類教師的人機大戰(zhàn),相比去年第一次在鄭州的70多名學(xué)生,這次實驗人數(shù)達(dá)到160人。對壘雙方是乂學(xué)教育的松鼠AI教學(xué)機器人與平均教齡近20年的三名高級教師、優(yōu)質(zhì)課競賽一等獎名師、中考命題組成員。
最終,教學(xué)機器人組的學(xué)生取得的成績提升比優(yōu)秀教師組的學(xué)生高出了7分。
第二次完勝優(yōu)秀教師的松鼠AI教學(xué)機器人所采用的是乂學(xué)埋頭三年研發(fā)打造的基于人工智能的自適應(yīng)學(xué)習(xí)模型。
從2014年底開始,中國迅猛地卷起了智適應(yīng)教育的浪潮,乂學(xué)教育、學(xué)吧課堂、論答、高木等等一批批新創(chuàng)智適應(yīng)公司開始落地;傳統(tǒng)線下行業(yè)巨頭也開始布局,好未來一手從BAT挖來700多人改造傳統(tǒng)線下教育模式,一手投資了乂學(xué)、Knewton、作業(yè)盒子等智適應(yīng)公司;幾乎所有的原來做題庫、作業(yè)、測評、語音識別、視頻內(nèi)容、和流量平臺、甚至一對一直播的公司都紛紛宣布轉(zhuǎn)型人工智能自適應(yīng),并且因為這個概念紛紛獲得了高額融資。
在這一場智適應(yīng)顛覆教育行業(yè)的歷史性時機,中國無論是在資本市場投入還是教育行業(yè)創(chuàng)始人的堅定性上都已經(jīng)體現(xiàn)出絲毫不遜于美國的彎道超車的態(tài)勢,但是在技術(shù)水平層面呢?
智適應(yīng)學(xué)習(xí):實現(xiàn)個性化教育的最佳路徑
教育領(lǐng)域的幾個最重要的因素:學(xué)生—內(nèi)容—學(xué)習(xí),構(gòu)成了這一領(lǐng)域天然的完整閉環(huán):學(xué)生對內(nèi)容的學(xué)習(xí),實際上是用戶制造數(shù)據(jù)的場景,而教育領(lǐng)域由于其高度粘性,場景產(chǎn)生的數(shù)據(jù)反過來又能反饋用戶。人工智能技術(shù)出現(xiàn),讓以學(xué)生為核心的個性化教育成為資本、技術(shù)、市場追捧的對象。而個性化教育中,智適應(yīng)學(xué)習(xí)成為一個重要的突破口和成熟的實踐路徑。
人工智能技術(shù)加持下,教育創(chuàng)新產(chǎn)品呈現(xiàn)出百花齊放的狀態(tài)。目前,已有的智能產(chǎn)品包括語音識別、自動閱卷、拍照答題等,雖然這些教學(xué)方法部分應(yīng)用了先進(jìn)的人工智能技術(shù),但應(yīng)用場景只停留在學(xué)習(xí)過程的輔助環(huán)節(jié)上,而不會直接帶來教學(xué)質(zhì)量和效果的提升,實際上與傳統(tǒng)的線下教育并無模式上的差異。此外,各個學(xué)習(xí)知識點之間無法自動關(guān)聯(lián)。如果教學(xué)過程仍舊主要由老師完成,那么教學(xué)內(nèi)容就無法結(jié)構(gòu)化,學(xué)生的學(xué)習(xí)認(rèn)知過程也無法數(shù)據(jù)化,導(dǎo)致算法在教學(xué)核心和環(huán)節(jié)無法發(fā)揮作用。
智適應(yīng)學(xué)習(xí)的出現(xiàn),能夠解決傳統(tǒng)在線教學(xué)的痛點,是實現(xiàn)規(guī)模化個性化教育的最佳路徑。
智適應(yīng)學(xué)習(xí)在中國的先行者和范例
乂學(xué)教育創(chuàng)始人栗浩洋介紹,“松鼠AI”是基于人工智能、面向K-12群體而推出的智適應(yīng)學(xué)習(xí)平臺,是乂學(xué)教育推出的以系統(tǒng)為主導(dǎo)完成“教”和“學(xué)”的核心過程的“全循環(huán)”AI教育產(chǎn)品,完全不同于國內(nèi)其他機構(gòu)僅僅以測評、練習(xí)、作業(yè)等輔助老師教學(xué)的“邊緣性”AI教育工具。
乂學(xué)建立的是連續(xù)性的全過程的智適應(yīng)學(xué)習(xí)模型和相應(yīng)的算法,其中應(yīng)用了智能測評算法,能力診斷和學(xué)生狀態(tài)表征模型,以及應(yīng)用在學(xué)習(xí)路徑規(guī)劃和學(xué)習(xí)內(nèi)容規(guī)劃這兩個方面的推薦算法,除此之外,乂學(xué)還在研究利用深度學(xué)習(xí)進(jìn)行的學(xué)習(xí)模式選擇和預(yù)警/干預(yù)等算法。其核心是通過采集和分析學(xué)習(xí)數(shù)據(jù),讓AI結(jié)合“納米級”的知識圖譜用最少的時間檢驗/掌握與目標(biāo)相關(guān)的知識點,連續(xù)地通過學(xué)生知識狀態(tài)的衡量,建立個性化的動態(tài)學(xué)生畫像,了解每位學(xué)生的學(xué)習(xí)狀態(tài)和遇到的問題,相應(yīng)地設(shè)計測試和學(xué)習(xí)路徑,調(diào)整教學(xué)行為,并在學(xué)習(xí)過程中不斷推薦最合適的學(xué)習(xí)材料,而且衡量學(xué)習(xí)效果,并形成對AI預(yù)測能力和內(nèi)容效果的自我學(xué)習(xí)和反饋。
據(jù)乂學(xué)教育首席科學(xué)家崔煒博士介紹,乂學(xué)推出的“松鼠AI”就像AlphaGo模擬圍棋大師一樣模擬特級教師。現(xiàn)階段,乂學(xué)教育分別對用戶(學(xué)生)、場景(學(xué)習(xí))、數(shù)據(jù)(內(nèi)容)三個要素進(jìn)行建模:
針對學(xué)生的用戶畫像。即學(xué)生的個人偏好興趣、學(xué)習(xí)風(fēng)格、認(rèn)知特性、能力水平和知識狀態(tài)的掌握。
對學(xué)習(xí)內(nèi)容進(jìn)行建模,構(gòu)建“納米級”知識圖譜。把不同形式的學(xué)習(xí)資源以視頻、文字、音頻、圖片和題目的形式展現(xiàn)。同時建立算法對知識點和題目“打標(biāo)簽”,給出相應(yīng)的難度系數(shù)等。
個性化匹配。通過前述兩個步驟產(chǎn)生的數(shù)據(jù),為每個學(xué)生匹配最適合的學(xué)習(xí)路徑和課程,推薦個性化的學(xué)習(xí)內(nèi)容,最大化學(xué)習(xí)效率。
美國自適應(yīng)的探秘和借鑒
乂學(xué)的人工智能自適應(yīng)學(xué)習(xí)模型和技術(shù),代表了中國市場上的最先進(jìn)水平,很大一個原因在于乂學(xué)教育的創(chuàng)始人栗浩洋,先后引進(jìn)集結(jié)了三位全球領(lǐng)先的智適應(yīng)學(xué)習(xí)技術(shù)專家包括崔煒、Richard Tong和Dan Bindman分別作為首席科學(xué)家、首席架構(gòu)師和首席數(shù)據(jù)科學(xué)家。崔煒、Richard Tong和Dan Bindman 分別來自于全球著名的三家人工智能自適應(yīng)教育企業(yè)RealizeIT,Knewton, 和 ALEKS,他們綜合了近十年的第一手的智適應(yīng)教育技術(shù)應(yīng)用和研發(fā)經(jīng)驗,讓乂學(xué)站在了巨人的肩膀上,幫助構(gòu)建了乂學(xué)擁有自主知識產(chǎn)權(quán)的不斷進(jìn)化演變的技術(shù)壁壘。
Richard Tong
Dan Bindman
崔煒博士
Richard曾先后任Amplify Education (News Corp) 的方案架構(gòu)總監(jiān)和Knewton亞太區(qū)方案實施總負(fù)責(zé)人,擔(dān)任SIF Association 國際技術(shù)委員會委員,從2011年起領(lǐng)導(dǎo)著包括評估和鑒定管理工作組在內(nèi)的兩個工作小組,是美國K-12教育領(lǐng)域公認(rèn)的專家和領(lǐng)導(dǎo)者。
而DanBindman從PhD開始就研究人工智能,在2002年UC Irvine博士畢業(yè)后就直接加入了ALEKS的智適應(yīng)產(chǎn)品初創(chuàng)團(tuán)隊,并領(lǐng)導(dǎo)規(guī)劃/實施了ALEKS整體的知識點和關(guān)聯(lián)知識圖譜(百萬級別的圖譜數(shù)據(jù)連接參數(shù)體系);2015-2017年擔(dān)任Ready4的數(shù)據(jù)科學(xué)總監(jiān)。
在上個月乂學(xué)聯(lián)合新智元等媒體舉辦的全球第一屆人工智能自適應(yīng)教育峰會上,三位全球頂級專家的深度演講吸引了近千人參會,其中參會的近百家基金的總計規(guī)模超過2000億。
更值得一提的是,很多中國同行往往將海外專家聘為顧問,而乂學(xué)的這三位專家卻全部是全職加入,用全部工作時間投入到技術(shù)研究和開發(fā)之中,下面是他們對Knewton、ALEKS和RealizeIt的介紹和技術(shù)分析:
Knewton
Knewton是一家自適應(yīng)學(xué)習(xí)平臺公司,2008年由Jose Ferreira (自適應(yīng)教育這一名詞的締造者)創(chuàng)立于美國紐約,目前估值近10億美金。核心產(chǎn)品是自適應(yīng)學(xué)習(xí)引擎,使用個性化數(shù)據(jù)展現(xiàn)學(xué)生的特征,在學(xué)生學(xué)習(xí)數(shù)據(jù)搜集、個性化學(xué)習(xí)內(nèi)容推送等技術(shù)上處于世界領(lǐng)先地位。其目標(biāo)是為發(fā)行商、學(xué)校及全球的學(xué)生提供預(yù)測性分析及個性化推薦。其學(xué)習(xí)效果經(jīng)過數(shù)次十萬人次以上的實驗和實地使用的顯著性論證,得到國際教育界的廣泛引用,是自適應(yīng)領(lǐng)域的標(biāo)桿型企業(yè)。
在學(xué)習(xí)過程中,Knewton提供了三種核心服務(wù):向?qū)W生提供建議;向教師和學(xué)生提供分析服務(wù);向出版商和編輯提供內(nèi)容方面的見解。在合作伙伴的數(shù)字化課程中,Knewton平臺對學(xué)生個體的能力偏好進(jìn)行推斷,并在此推斷和導(dǎo)師定義的目標(biāo)基礎(chǔ)上,建議學(xué)生如何開展下一步學(xué)習(xí)。
Knewton自適應(yīng)學(xué)習(xí)平臺的基本流程
在自適應(yīng)學(xué)習(xí)技術(shù)上,Knewton的最大貢獻(xiàn)是結(jié)合算法和知識圖譜來規(guī)模化地實現(xiàn)以學(xué)習(xí)目標(biāo)為導(dǎo)向的連續(xù)人工智能自適應(yīng)推薦引擎。通過細(xì)分每個知識點,不斷評估每個學(xué)生對材料的掌握程度,對學(xué)習(xí)路徑和內(nèi)容進(jìn)行動態(tài)推薦,下面是Knewton采用的一些基本算法和理論出發(fā)點:
1) 概率圖模型 Probabilistic Graphical Models (PGMs)
概率圖模型可以分成兩大類,分別是貝葉斯網(wǎng)絡(luò)和馬爾可夫網(wǎng)絡(luò)。Knewton使用貝葉斯網(wǎng)絡(luò)計算相關(guān)聯(lián)的知識點之間的關(guān)聯(lián)度,并推導(dǎo)學(xué)生在關(guān)聯(lián)知識點上的掌握度以及置信區(qū)間。貝葉斯網(wǎng)絡(luò)的應(yīng)用,也是推薦算法的核心。
2)層級聚簇分類法 Hierarchical Agglomerative Clustering
Knewton使用機器學(xué)習(xí)過程中常用的層級聚簇分類法對學(xué)生進(jìn)行實時分組和分類,從而形成適宜其相應(yīng)程度的學(xué)習(xí)環(huán)境。
3) 知識圖譜 (Knowledge Graph)
Knewton建立了知識圖譜結(jié)構(gòu)模型,并應(yīng)用標(biāo)準(zhǔn)化的圖譜體系來建立完整可復(fù)制的內(nèi)容體系(測試內(nèi)容和教學(xué)內(nèi)容)和系統(tǒng)宏信息(Metadata, Meta Information Model,比如學(xué)習(xí)目標(biāo),知識體系,教材大綱,考綱等)直接的關(guān)聯(lián),并以此驅(qū)動人工智能產(chǎn)品的方向和軌跡。
4) 連續(xù)型的智適應(yīng) ,而非單點自適應(yīng)(Continuous, as opposed to single-point adaptivity)
Knewton連續(xù)型的自適應(yīng)模型和相應(yīng)的算法引擎,始終不斷地伴隨學(xué)生行為進(jìn)行實時計算和預(yù)測,并隨時推薦內(nèi)容,活動和調(diào)整學(xué)習(xí)路徑。
5) 間隔重復(fù)和間隔加強等針對記憶曲線的應(yīng)用 (Spaced Repetition, Spaced Reinforcement and Memory Curve)
針對記憶性較強的語言學(xué)習(xí)類課程,Knewton采用了針對基于記憶曲線和遺忘曲線設(shè)計的間隔重復(fù)和間隔加強算法,來保證學(xué)生的有效深度學(xué)習(xí)。
Knewton的強項在于平臺化的算法運營和完善的B2B服務(wù),這使其快速地占有了自適應(yīng)市場,獲取的大量第一手?jǐn)?shù)據(jù)和產(chǎn)品經(jīng)驗。但這又使其受到合作方的內(nèi)容和運營模式掣肘,無法充分發(fā)揮自適應(yīng)的潛力。
ALEKS
ALEKS(Assessment and LEarning in Knowledge Spaces)是一個基于人工智能自適應(yīng)的評估和學(xué)習(xí)系統(tǒng),最初由美國加州大學(xué)歐文分校于20世紀(jì)90年代末的教授、博士生、軟件工程師、數(shù)學(xué)家和認(rèn)知科學(xué)家組成的團(tuán)隊開發(fā),獲得來自美國國家科學(xué)基金會的數(shù)百萬美元的資助。ALEKS基于一種名為“知識空間理論”的算法,該理論最初由紐約大學(xué)Jean-Claude Falmagne博士在20世紀(jì)80年代開始開發(fā),并一直延續(xù)到ALEKS的創(chuàng)建和全面開發(fā)。[ 法爾馬涅博士是ALEKS的董事長和創(chuàng)始人。]了解更多:https://en.wikipedia.org/wiki/Knowledge_space
ALEKS的主要學(xué)科是數(shù)學(xué)(從小學(xué)算術(shù)到大學(xué)微積分之間的所有數(shù)學(xué)課程)和化學(xué),同時還有一些會計和其他各種課程。 在開始ALEKS的課程時,學(xué)生通常都要從20到30個問題開始進(jìn)行適應(yīng)性初步評估,ALEKS使用這些問題的結(jié)果來快速準(zhǔn)確地確定學(xué)生已經(jīng)掌握課程中的哪些知識點、未掌握哪些知識點。然后,ALEKS僅指導(dǎo)學(xué)生他尚未掌握但已經(jīng)準(zhǔn)備好可以開始學(xué)習(xí)的知識點。 這些是學(xué)生已具備了所有先行知識點,但尚未掌握的知識點。 對于學(xué)生而言,其他被認(rèn)為太難的知識點將被“鎖住”,直到學(xué)生掌握了掌握所有先行知識點后再打開。 當(dāng)學(xué)生通過課程學(xué)習(xí)時,ALEKS會定期重新評估學(xué)生,以確保已經(jīng)學(xué)習(xí)過的知識點也得以牢固掌握。
圖:ALESK-1
ALEKS最獨特的特點是或許就是它構(gòu)建了一個精確的知識圖譜,確切地在一個非常精細(xì)的知識點級別表明學(xué)生到底掌握了什么。學(xué)生知識映射的關(guān)鍵是每門課程的知識圖譜。 知識圖譜是連接主題的有向圖。 一個典型的ALEKS課程可能由500個這樣的知識點組成,對于這些知識點中的任何一個,系統(tǒng)隨時都會對學(xué)生做出(通常是準(zhǔn)確的)預(yù)測,以了解該知識點是已經(jīng)被掌握、已經(jīng)準(zhǔn)備好可以開始學(xué)習(xí)、尚未掌握,還是還沒有準(zhǔn)備好開始學(xué)習(xí)。這種精確的,高分辨率的學(xué)生知識映射,(1)使系統(tǒng)能夠提供一個非常強大的自適應(yīng)學(xué)習(xí)環(huán)境,學(xué)生在這里不會浪費時間處理那些太容易(已經(jīng)掌握)或太困難的知識點( 還沒有準(zhǔn)備好學(xué)習(xí)),以及(2)很多教育工作者非常看重每個學(xué)生在課程中知識的精確診斷。
在很多情況下,知識點是由邏輯順序連接的。 例如,“同分母分?jǐn)?shù)加法”知識點是“異分母分?jǐn)?shù)加法”的邏輯先決條件。 但是,知識點也可以通過經(jīng)驗聯(lián)系起來。 例如,“根據(jù)圓方程通用式畫圓”和“同分母分?jǐn)?shù)加法”這兩個知識點在邏輯上并不相關(guān),但實際上,我們可以99%確定知道根據(jù)圓方程通用式畫圓知識點的學(xué)生也知道同分母分?jǐn)?shù)加法知識點,相反,如果學(xué)生不知道同分母分?jǐn)?shù)加法知識點,我們可以99%確定他也不知道圖形知識點。 所以同分母分?jǐn)?shù)加法知識點可能是圖形界知識點的經(jīng)驗先決條件。為了建立每門課程的知識圖譜,除了內(nèi)容專家的專業(yè)知識之外,ALEKS還使用學(xué)生數(shù)據(jù),找到所有應(yīng)該包含的強連接,同時避免弱連接,因為這可能會導(dǎo)致錯誤的推論。
一個知識圖譜代表一個學(xué)科主題的知識體系,不同的學(xué)生對知識掌握程度不同,對應(yīng)的知識狀態(tài)也不一樣。一個知識點數(shù)量較少的簡單知識圖譜可以較快窮盡所有可能的知識狀態(tài),如圖ALEKS-1所示為含有五個知識點的圖譜窮盡出來的所有可能的知識狀態(tài)。但是含有數(shù)百個知識點的復(fù)雜知識圖譜是很難以窮盡所有可能的知識狀態(tài),圖ALEKS-2很形象的形容了含有45個知識點的圖譜窮盡知識狀態(tài)的復(fù)雜性。圖中不同顏色代表不同的知識點,圖中每一個點代表一個知識狀態(tài)。
圖:ALEKS-2
ALEKS AI的優(yōu)勢在于僅采用20至30個問題就能有效地確定學(xué)生對300至500個知識點的掌握情況。 需要指出的是,知識圖譜中的知識點前后置關(guān)系越多,評估就越有效率。 因此,在過去的5到10年中,該模型得到了擴(kuò)展和改進(jìn),以包含其他更復(fù)雜的鏈接,這些鏈接進(jìn)一步減少了知識狀態(tài),幾乎不犧牲評估準(zhǔn)確性。 我們不會在這里討論這個更復(fù)雜的系統(tǒng),但會注意到這些鏈接涉及與先決條件相關(guān)的“或”關(guān)系:意思是知識點Z可以具有X或Y兩個先行知識點,這意味著XZ,YZ ,以及XYZ都是包括Z的有效狀態(tài),但是Z單獨不是有效狀態(tài),因為掌握Z之前學(xué)生必須掌握X或Y。圖ALEKS-3描述了評測過程中,ALEKS-AI系統(tǒng)對學(xué)生知識狀態(tài)的更新和調(diào)整。
圖ALEKS-3
知識圖譜控制了大部分學(xué)生的學(xué)習(xí)。 雖然學(xué)生通常會得到多個可以進(jìn)行下一步學(xué)習(xí)的知識點的選擇,但許多知識點也被分為已掌握的(在這種情況下,學(xué)生在該知識點上努力是浪費時間)或者未掌握,未準(zhǔn)備好可以學(xué)習(xí)的(在這種情況下,由于學(xué)生沒有掌握學(xué)習(xí)的先決條件知識,所以學(xué)習(xí)這個知識點是浪費時間)。 通過這種方式,ALEKS為學(xué)生提供了一個強大的適應(yīng)性學(xué)習(xí)環(huán)境,涵蓋了學(xué)生學(xué)習(xí)的“甜蜜點”(既不困難也不太容易)的知識點。一般來說,當(dāng)ALEKS為學(xué)生提供一個新的知識點時,他們平均成功率達(dá)到95%。
ALEKS的另一個將其與其他學(xué)習(xí)系統(tǒng)區(qū)分開來重要特征是,它再每個知識點上面的題目設(shè)計方式,以及當(dāng)學(xué)生在學(xué)習(xí)某一個知識點的時候如何為學(xué)生推題。 現(xiàn)在,當(dāng)學(xué)生在ALEKS中學(xué)習(xí)一個知識點時,他們通常會連續(xù)做多個該知識點的題目,努力作答他們認(rèn)為自己知道該怎么做的題目,并在他們不知道該怎么做時點擊“Explanation”。 如果他們能夠表明他們大部分時間都能正確回答而不需要“Explanation”,那么ALEKS將會“過關(guān)”這些題目,從而有效地確定學(xué)生已經(jīng)充分掌握了該知識點,至少現(xiàn)在“已經(jīng)掌握”(直到后來的評估與此相矛盾)。一般來說,一個ALEKS的知識點包含數(shù)百甚至數(shù)千或數(shù)百萬個算法生成的題目,對于任何特定的知識點,在問題之間的太多變化和太少之間存在微妙的平衡。 變化太小會導(dǎo)致學(xué)生表面的“教科書”式學(xué)習(xí),而這種學(xué)習(xí)方式長時間不能很好地保持,但是太多的變化可能會給知識結(jié)構(gòu)和人工智能造成嚴(yán)重的問題,同時也可能導(dǎo)致想要 以特定順序教授課題。 因此,ALEKS內(nèi)容人員花費了大量的時間和精力來成功地平衡這些因素。
RealizeIT
Realizeit是由CCKF公司開發(fā)的人工智能自適應(yīng)學(xué)習(xí)產(chǎn)品,旨在幫助每一個學(xué)生實現(xiàn)自己的學(xué)習(xí)目標(biāo),為每個學(xué)習(xí)者提供新一代的學(xué)習(xí)體驗,既能適應(yīng)個人學(xué)習(xí)風(fēng)格,又能使學(xué)習(xí)者自身能力得到提升。Realizeit不僅是一個個性化學(xué)習(xí)平臺,還是一個包含智能學(xué)習(xí)引擎的一體化系統(tǒng),能夠通過任何相關(guān)的內(nèi)容占據(jù)任何目標(biāo)知識空間,并為每個學(xué)生提供自適應(yīng)學(xué)習(xí)體驗,幫助每個學(xué)習(xí)者實現(xiàn)真正的個性化學(xué)習(xí)。
Realizeit模擬了教師一對一教學(xué)過程。Realizeit將內(nèi)容和課程分離,課程代表了一類相關(guān)的概念,用于指引學(xué)習(xí)方向,課程內(nèi)容能夠?qū)⒅R傳達(dá)給個人。正如每個教師可以同多種方式傳達(dá)相同的概念,Realizeit可將多種內(nèi)容匹配到課程中的每個概念,實現(xiàn)將多種內(nèi)容匹配到課程,從而模擬教師平衡課程、內(nèi)容、個人之間的相互關(guān)系的過程和方法,確保學(xué)習(xí)的有效性和高效性。
Realizeit的課程通過知識先決網(wǎng)絡(luò)這種多維結(jié)構(gòu)補充了知識和概念的層級表示法,這是一種有向無環(huán)圖,通過知識先決網(wǎng)絡(luò)促進(jìn)在Realizeit系統(tǒng)中的學(xué)習(xí),捕獲學(xué)習(xí)者的整個畫面,給學(xué)生量身定制自己的學(xué)習(xí)方式。
Realizeit的內(nèi)容是不可知的,它適用于任何學(xué)習(xí)領(lǐng)域,并提供任何形式的學(xué)習(xí)內(nèi)容。它為每個單獨的知識項提供豐富的學(xué)習(xí)內(nèi)容庫,在學(xué)生的學(xué)習(xí)過程中生成內(nèi)容要素,并將其反饋給學(xué)生。每一項內(nèi)容都是根據(jù)學(xué)生個人的認(rèn)知特性和學(xué)習(xí)風(fēng)格特別定制的。Realizeit提供基礎(chǔ)結(jié)構(gòu),讓內(nèi)容具有關(guān)聯(lián)性和適應(yīng)性,將自適應(yīng)智能引擎用于每個單獨的學(xué)生,通過智能引擎并將內(nèi)容個性化。
Realizeit以自適應(yīng)智能引擎為基礎(chǔ)模擬教師一對一教學(xué)過程。Realizeit首次實現(xiàn)了學(xué)習(xí)者個人技能的判斷方法,在學(xué)生學(xué)習(xí)的每一個步驟中,根據(jù)學(xué)生的學(xué)習(xí)成果和模式為其提供最佳課程指導(dǎo),實現(xiàn)了為每一位學(xué)習(xí)者選擇最佳學(xué)習(xí)路徑,保證最有效的學(xué)習(xí)。最后以自適應(yīng)學(xué)習(xí)引擎為基礎(chǔ)觀察并適應(yīng)每個學(xué)生的可變技能、行為和學(xué)習(xí)偏好,利用自身的精確性和高性能確保每個學(xué)生能夠接受最全面的個性化學(xué)習(xí)體驗,從本質(zhì)上模仿一對一的教師-學(xué)生學(xué)習(xí)情境。
另外,RealizeIt的智能自適應(yīng)引擎具備兩個重要特征。第一:當(dāng)新的用戶、課程或內(nèi)容添加到Realizeit中時,智能引擎能夠在未提供數(shù)據(jù)的情況下做出智能決策。第二:智能引擎能夠根據(jù)采集的學(xué)生數(shù)據(jù)提升自身的準(zhǔn)確性、效能和效率。
學(xué)生畫像的維度包括以下幾個方面:
學(xué)習(xí)者的自信程度/自我評估
完成自適應(yīng)課程練習(xí)的時間
回答學(xué)習(xí)問題時的表現(xiàn)
學(xué)習(xí)方式偏好
對先前的學(xué)習(xí)目標(biāo)的掌握
具有相似學(xué)習(xí)檔案的學(xué)生過去的表現(xiàn)
距上次接觸相關(guān)內(nèi)容的時間
個人學(xué)習(xí)模塊中取得的成效
4. Realizeit收集關(guān)鍵數(shù)據(jù)點,采用學(xué)習(xí)分析法將商業(yè)智能方法和策略用于教師和教育機構(gòu)的分析,不僅可以幫助教師進(jìn)行學(xué)習(xí)者分析和評估學(xué)生,利用學(xué)習(xí)者(作為評估結(jié)果)和新型算法、工具之間的聯(lián)系,確保迅速獲取學(xué)生能力和學(xué)習(xí)過程的整體概況,以便隨時可用,實現(xiàn)教學(xué)定制化;還可以幫助教育機構(gòu)收集不同層級的課程、學(xué)校、部門和機構(gòu)數(shù)據(jù),從而提供實時的學(xué)習(xí)狀態(tài)瀏覽以及各層級的信息,從而引導(dǎo)其作出正確的決策。
Realizeit實現(xiàn)了教學(xué)課程定制化
教師可添加其他課程軟件中的內(nèi)容或問題
教師可設(shè)置或修改課程軟件中分級的范圍或分?jǐn)?shù)
教師可設(shè)置課程軟件的“門檻”
教師可將不同的任務(wù)分配給每個學(xué)生
教師可選擇能力目標(biāo)和學(xué)習(xí)目標(biāo)、添加特定的提問模板、設(shè)計學(xué)生評估流程、導(dǎo)入學(xué)習(xí)材料、創(chuàng)建規(guī)則等
研究結(jié)果表明:使用Realizeit系統(tǒng)學(xué)習(xí)的學(xué)生總體表現(xiàn)優(yōu)于使用傳統(tǒng)方法和在校教學(xué)模式的學(xué)生表現(xiàn)。總體而言,使用Realizeit的學(xué)生對這個系統(tǒng)都相當(dāng)滿意。83.7%的學(xué)生認(rèn)為還會再次使用Realizeit系統(tǒng),82.8%認(rèn)為與其他教學(xué)模式下的課程相比,Realizeit使得他們能夠更好地學(xué)習(xí)課程材料。與其他學(xué)習(xí)群組相比,使用Realizeit學(xué)習(xí)系統(tǒng)的學(xué)生對教學(xué)方法的滿意度更高。
調(diào)查中其他問題的結(jié)果也解釋了為何得出這么高的百分比。89.4%的學(xué)生認(rèn)為Realizeit使用方便,并且能提供清晰、有用的反饋和指導(dǎo);91.2%的學(xué)生認(rèn)為Realizeit的教學(xué)方法清晰明了;86.9%的學(xué)生認(rèn)為Realizeit系統(tǒng)提供的反饋對其后續(xù)的學(xué)習(xí)有幫助。Realizeit便于使用,并且提供了有用的、清晰的反饋和指導(dǎo)。89.4%的學(xué)生認(rèn)為Realizeit學(xué)習(xí)系統(tǒng)便于使用,而91.2%的學(xué)生認(rèn)為Realizeit的教學(xué)方法明確。
學(xué)生信任Realizeit:77.7%的學(xué)生認(rèn)為Realizeit給出的成績評估方法有效,80.9%的學(xué)生認(rèn)為Realizeit能準(zhǔn)確衡量他們的水平。73.5%的學(xué)生認(rèn)為隨著時間的推移,Realizeit能提供個人定制的學(xué)習(xí)。80.9%的學(xué)生認(rèn)為Realizeit提高了他們的參與度。
乂學(xué)的探索和優(yōu)勢
乂學(xué)松鼠AI智適應(yīng)學(xué)習(xí)系統(tǒng),兼各家所長,采用多種AI技術(shù),通過學(xué)生的自身特點與合適的內(nèi)容設(shè)置,平衡教學(xué)和評估在特定的時間內(nèi)的組合,解決用智能手段優(yōu)化學(xué)生的學(xué)習(xí)方法。乂學(xué)松鼠AI智適應(yīng)系統(tǒng)框架采用的人工智能技術(shù),在學(xué)習(xí)過程中的不同環(huán)節(jié)被使用。
例如,乂學(xué)可以比較學(xué)生的詳細(xì)學(xué)習(xí)歷史,收集并分析龐大的數(shù)據(jù),改善學(xué)習(xí)領(lǐng)域的檢測,診斷和熟練程度的測量。最重要的,核心的自適應(yīng)學(xué)習(xí)技術(shù)之處在于結(jié)合了多種模型來提供給學(xué)生和教師不斷個性化的建議,以直接幫助學(xué)生更好地學(xué)習(xí)和更快的自適應(yīng)模型。對于單個老師,分析學(xué)生如此龐大的數(shù)據(jù)量往往是一個困難和耗時的過程,但對于自適應(yīng)AI,特別是隨著現(xiàn)代技術(shù),如GPU加速的深度學(xué)習(xí)的幫助,這樣的過程可以自動進(jìn)行,結(jié)果可以返回更快,更準(zhǔn)確。
在乂學(xué)的模型中,采用了針對學(xué)生學(xué)習(xí)能力和對測試內(nèi)容進(jìn)行的向量擬合,再用不斷更新的實時向量估值來預(yù)測學(xué)生在什么時候回答對問題,我們把這個預(yù)測值簡稱為學(xué)生的知識狀態(tài)PKS。
比如說有兩個學(xué)生,兩個學(xué)生的PKS在下面狀態(tài)。學(xué)生1的PKS狀態(tài)在回答問題1的正確概率是0.29,回答問題4的正確概率是0.74;學(xué)生2在某一個時間回答第一個問題的正確概率是PKS=0.53,到回答第四個問題時PKS是0.35。
在這個動態(tài)過程中,不同學(xué)生的PKS是不同的,通過對PKS的評估可以分析出學(xué)生掌握知識的狀況。在任何時間點時,算出PKS值,就可以了解到他們的學(xué)習(xí)狀態(tài)。這是模型當(dāng)中采用是連續(xù)估計值,學(xué)生對某一個問題掌握程度是是用概率來估計他掌握知識的程度。學(xué)生的PKS可以完全反映他對于知識的掌握程度。
我們的假設(shè)是學(xué)生的能力和題目需要的能力,可以用知識軌道的系數(shù)來表達(dá),能力有可能是10個知識軌,也有可能是20個知識軌。舉例說我們用5個知識軌,根據(jù)模型,可以了解在任何時候?qū)W生回答問題有三個因素決定了PKS,一個是學(xué)生在各知識軌道的能力,二個是問題的權(quán)重,第三個是問題的中心概率值,我們采用PKS的CDF函數(shù)來了解一個學(xué)生回答一個問題概率準(zhǔn)確度,用一個等式來決定概率準(zhǔn)確率。
這個PKS在我們的實驗數(shù)據(jù)中得到預(yù)測效果是非常好的,76個學(xué)生相關(guān)的結(jié)果,一共1500個題的作答結(jié)果我們采用相關(guān)的參數(shù)來預(yù)測的PKS,通過數(shù)據(jù)分組,把我們排好序的PKS進(jìn)行分組校驗。
通過上面的預(yù)測對比實際數(shù)據(jù)來看,預(yù)測值和實際結(jié)果是非常接近的,也就是說,我們的模型的預(yù)測效果是相當(dāng)準(zhǔn)確的,在右邊藍(lán)點圖當(dāng)中也可以直觀地看出來相當(dāng)高的實驗擬合度。
這個模型在實際使用上,可以看出PKS可以直接應(yīng)用于智適應(yīng)學(xué)習(xí)的測試和推薦場景,在PKS有相當(dāng)?shù)臏?zhǔn)確度和清晰度的情況下,可以知道哪些課程的哪些內(nèi)容適合于學(xué)生的個性化學(xué)習(xí):
在這里,可以看到藍(lán)色代表是太容易的,綠色代表最優(yōu)化的,紅色代表太難的。通過這種方法就可以了解到,對于A學(xué)生來說這個時間點內(nèi)他的內(nèi)容應(yīng)該怎么樣去選擇。通過藍(lán)色、紅色的圖表顯示現(xiàn)在的情況,這一堂課的分布情況。比如說在這里A、B、C三門課,它的平均值是0.68、0.67、0.63,這一堂課有些問題是難的,比如說這里有0.52、0.46,有些問題對于這些學(xué)生太容易了,比如說0.87。可以看到,C課程總體太難了,PKS平均值是0.43,大部分問題對于這個學(xué)生來說是沒有辦法回答的。不僅在題目和內(nèi)容的選擇上,在學(xué)習(xí)路徑的搭配和智適應(yīng)推薦的原理上,這個模型也能夠直接和我們現(xiàn)有的模型對接和共同使用。
乂學(xué)的數(shù)據(jù)和內(nèi)容一樣,都無法單獨模仿,不僅如此,用于人工智能的教育數(shù)據(jù)的一個顯著特征是,教育數(shù)據(jù)不僅有傳統(tǒng)意義上的數(shù)量和質(zhì)量要求,而且其關(guān)聯(lián)性、維度性、時效性、場景性都極為重要。因此,由此所積累的多維度相關(guān)聯(lián)的數(shù)據(jù),采用的場景記錄,以及選用算法的相應(yīng)參數(shù)和調(diào)優(yōu)及反饋過程,都會是競爭對手很難直接復(fù)制的,這給了具有模式先發(fā)優(yōu)勢的公司制造了屏蔽性壁壘的機會。
在智適應(yīng)學(xué)習(xí)領(lǐng)域里,乂學(xué)不僅借鑒國際先進(jìn)的理論和實踐,而且在最新研究的基礎(chǔ)上,研發(fā)了多知識軌道學(xué)習(xí)模型的預(yù)測算法。這涉及到使用對多維度知識向量的邏輯回歸,使用MLE卷積算法進(jìn)行模型擬合,與現(xiàn)有的算法相結(jié)合,能提高測評效率和預(yù)測的顆粒和精準(zhǔn)度,并在多維度知識點拆分后,形成以前無法做到的快速反饋。
國內(nèi)外智適應(yīng)學(xué)習(xí)產(chǎn)品和市場的比較
中國和美國、歐洲在智適應(yīng)教育的發(fā)展歷程不盡相同,這有其技術(shù)方面的原因,更多的是受教育產(chǎn)業(yè)國情的影響,不同的足跡和環(huán)境也造就了中國的人工智能自適應(yīng)學(xué)習(xí)產(chǎn)品的自身特色和服務(wù)模式。中國K12教培市場更加廣闊,學(xué)生基數(shù)大,學(xué)生家庭的參與度高,付費習(xí)慣要比歐美強得多。
專家們都更看好中國智適應(yīng)行業(yè)的前景,尤其是乂學(xué)這種自主研發(fā)核心算法、自主定制專為算法引擎配套的教學(xué)內(nèi)容、同時自主招生提供終端教育服務(wù)的全球獨有的三位一體模式,能最大地發(fā)揮人工智能自適應(yīng)的優(yōu)越性實現(xiàn)革命性的突破,這也是三位智適應(yīng)技術(shù)專家崔煒,Richard Tong和Dan Bindman 愿意加入乂學(xué)的根本原因。
根據(jù)最新的Research&Markerts《全球自適應(yīng)學(xué)習(xí)軟件市場報告(2017-2021年)》,自適應(yīng)學(xué)習(xí)軟件復(fù)合年增長率為31.07%。軟件市場逐年穩(wěn)定增長,作為自適應(yīng)學(xué)習(xí)平臺提供商,自適應(yīng)學(xué)習(xí)公司將內(nèi)容供應(yīng)商所提供的內(nèi)容與其獨特的技術(shù)和個性化服務(wù)對接,這塊領(lǐng)域尚是一片藍(lán)海。
《2017-2018中國互聯(lián)網(wǎng)教育發(fā)展趨勢報告》顯示,70后和80后是互聯(lián)網(wǎng)教育付費的主力軍,這兩個代際的人群,處于中國最具消費力的中產(chǎn)階層,由于受教育程度高,并有國際化視野,因此,對自我職業(yè)成長和對于孩子的教育都產(chǎn)生了集體性焦慮,由此催生了早教產(chǎn)品、K12在線課程以及職業(yè)教育的龐大需求。
這樣的需求也反映在了提供相關(guān)教育產(chǎn)品的公司的融資情況上面。目前,在中國的自適應(yīng)學(xué)習(xí)公司融資事件中,K12和語言學(xué)習(xí)兩個細(xì)分領(lǐng)域最多,占比分別達(dá)到52.2%和34.8%。其中,K12是中國教育培訓(xùn)行業(yè)中市場規(guī)模最大的一個子領(lǐng)域。
根據(jù)艾瑞咨詢發(fā)布的《2017年中國B2B2C在線教育平臺行業(yè)研究報告》,2017年中國在線教育市場規(guī)模預(yù)計達(dá)1941.2億元人民幣,同比增長22.9%。未來幾年,中國在線教育的市場規(guī)模增長勢頭保持穩(wěn)健,預(yù)計在2019年市場規(guī)模將達(dá)到2727.1億元。
AI+教育的前景不僅能徹底改變輔導(dǎo)教育,顛覆6800億的K-12校外輔導(dǎo)市場,還有可能徹底改變教育產(chǎn)業(yè)的格局,無論是教授應(yīng)試能力,還是教授素質(zhì)培養(yǎng),其AI主導(dǎo)的個性化的模式,都會是更可靠、更便宜、更有效率的。
我們已經(jīng)站在了AI+教育應(yīng)用的爆發(fā)前夜,中國的智適應(yīng)學(xué)習(xí)創(chuàng)業(yè)市場巨大,已經(jīng)至少有40家公司存在,未來不排除還有更多人入局。不可否認(rèn)的是,盡管行業(yè)融資火熱,但從行業(yè)發(fā)展階段來看,目前人工智能自適應(yīng)教育行業(yè)仍處在發(fā)展早期,誰能擁有可持續(xù)的核心產(chǎn)品研發(fā)競爭力,誰先占領(lǐng)市場贏得用戶,誰能得到充分的資金支持誰就能在未來競爭中贏得先機。
6月20日,乂學(xué)人工智能教育將在北京舉辦“松鼠AI”品牌暨產(chǎn)品發(fā)布會,屆時將會有國內(nèi)外一系列專家、學(xué)者、教授為大眾揭曉人工智能自適應(yīng)教育的巨大優(yōu)勢,國內(nèi)知名教育專家俞敏洪、松鼠AI代言人“首席好家長”吳秀波、乂學(xué)教育及松鼠AI品牌創(chuàng)始人栗浩洋、斯坦福研究中心教授、中科院教授、及頂級風(fēng)投大佬都將親臨現(xiàn)場。
-
機器人
+關(guān)注
關(guān)注
211文章
28388瀏覽量
206923 -
人工智能
+關(guān)注
關(guān)注
1791文章
47205瀏覽量
238272
原文標(biāo)題:蓋茨、扎克伯格都看好的AI智適應(yīng)教育,松鼠AI聚攏頂尖技術(shù)專家
文章出處:【微信號:AI_era,微信公眾號:新智元】歡迎添加關(guān)注!文章轉(zhuǎn)載請注明出處。
發(fā)布評論請先 登錄
相關(guān)推薦
評論