<mark id="oztn4"></mark>
0
| 本文作者： 李秀琴 | 2017-08-08 19:13 |
圖：Aleutie / Shutterstock
雷鋒網按：日前，科大訊飛輪值總裁吳曉如表示，「人工智能在一些細分領域的應用，目前已經進入深水期」。雖然其認為人工智能并非無所不能，但它在教育領域卻大有作為。吳曉如持這個觀點，確實有跡可循。不管是從科大訊飛已經在AI+教育領域取得的成績來看，還是從整個AI+產業鏈的結合中，教育作為首當其沖的角色，早已成為AI的最直接獲益領域之一。而與這一趨勢相呼應，國內外關于AI+教育的主題的討論也是不絕于耳。本文由雷鋒網編譯于國外科技媒體 EdSurge 的《Real Questions About Artificial Intelligence in Education》，作者 Tony Wan。
在過去兩年中，大眾對構建自主“學習”和改進自己的操作或經驗（而不是顯示編程）的復雜算法的興趣不斷在增加。AI、機器學習等詞匯在 Google Trends 上的熱度不斷攀升，甚至在2016年的10月份直接「登頂」。
圖/EdSurge
近日，國內外公司在AI+教育領域的動作可謂頻頻，國外不僅有 Bloomberg Beta 一直在建立一個機器學習應用于其他行業的概略圖，教育赫然在列；而在國內則有在線教育公司英語流利說剛剛完成1億美元的新一輪融資。
為了進一步理清AI及機器學習可在教育行業發揮的作用，EdSurge 在過去一周舉辦了一次面談會，將OpenEd（一家提供 K12 教育資源 搜索服務的公司，2016年被美國考試服務商 ACT 收購）的 CEO Adam Blum、IBM Watson 的學術研究員 Armen Pischdotchian，以及 EruditeAI （一家面向K12領域的在線教育公司，是 IBM Watson AI XPRIZE的參與單位之一）的 CEO Kathy Benemann 和 instaGrok 的創始人 Kirill Kireyev 集結在了一起，記者 Tony Wan 就這一主題和四位進行了交談。以下是此次談話的部分摘錄：
EdSurge：AI已經有希望改變幾代人的教育。目前離這一目標的實現還有多遠？
Benemann：眾所周知，現在產生的數據比以往任何時候都要多得多。對我們 EruditeAI 而言，數據比公司營收還要重要。有了更好的數據，我們才能更好的訓練算法。不管AI如何發展，我們都要記住，人類才是AI的最終締造者。
Pischdotchian：如果我們回想早些年的教育模式，會將其稱為“工廠模式”。即老師們總是向學生們教授相同的科目，教無定法，有教無類，一視同仁。雖然這也是教學的初衷，但并不適用于「雖然年齡一致，但認知、智力等水平參差不齊」的學生，特別是在AI+產業鏈結合應用的大環境下。一些組織，如 Chan Zuckerberg（小扎的妻子）領導的團體正試圖對這一模式進行改革。目前來看，由于“工廠模式”的不可持續發展性，其已十分不適用于教育。對于現在的學生而言，認清未來工作的需求更為重要。
Kireyev：如 Benemann 所說，AI+教育的內容正呈爆炸式增長，無論是關于學生的還是從學生得到的。通過這些數據，我們可以知道學生們都在做些什么，而這一了解的速度要比過去快得多。比如，當孩子們用 Scratch（麻省理工媒體實驗室開發的一套電腦編程平臺）工作時，由于其工作是基于網絡，我們可以得到關于孩子們行為的各種信息，如他 們什么時候開始觀看視頻、什么時候停下來等。清晰明了的數據是非常有價值的，而且在其基礎上的技術可用性也會更大。所以這也是越來越多的人開始使用AI和機器學習來做事情的一大原因。
EdSurge：剛才大家說了「數據的爆炸」，也說了改變「工廠教學模式」的必要性。除此之外，還有其他趨勢嗎？
Blum：這有兩大趨勢——雖然暫時都處于初始階段。第一，OpenEd 目前也在和 IMS Global 合作，而技術標準，如 Caliper、xAPI（或Experience API）也是 剛剛實施。第二，教育領域的數據，是沒有長期性的（因為超過3個月的數據，其實就沒有多大效用了。特別是對自適應學習系統來說，更應該強調實時性）。所以，如果你想將機器學習應用于教育，就必須使用另一種途徑——強化學習。
EdSurge：目前有哪些AI+教育的應用已經被實際應用？
Pischdotchian：這個問題的重點應該是「如何在學習經驗中發現痛點、總結模式」。這也給大家提出一個挑戰——如果一個人的數學成績很好，那么，系統該如何識別這一要點，并將其反饋給老師，以便老師為學生提供更好的指導？為此，IBM 正在和芝麻街（一檔兒童教育電視節目）合作，二者作為伙伴關系利用大學將其作為機器學習發展的試驗平臺。同時，老師們也被派上了用場——我們在 MIT（麻省理工學院）進行了一次測試，并在學生知情的情況下為每間 教室配備了攝像頭。教授在講課時，無需再抬頭數教室里有多少學生在睡覺，而是通過系統的面部識別技術來捕捉情緒（如「無聊」），教授通過系統的信息提示，即可知曉。
圖：EdSurge
Benemann：看看我們的周圍，AI+教育應用的方方面面都在飽受質疑。很多人都在問著差不多的問題：未來的教室會是什么樣？ AI 會完全取代老師嗎？AI 能幫助老師解放「批改作業的雙手」從而為學生提供更具意義的指導嗎？自適應學習平臺（如 Aleks、Knewton）能幫助學生學到知識嗎？....正是它的「差不多性」，反而很好的代表了大家正在關心的 AI+教育的幾大問題。
EdSurge：這是否表明，如果沒有AI，市場上的「自適應技術」就不是真正的「自適應」？
Benemann：這里涉及到「范圍」的概念。有些只是因為所用工具涉及到「自適應」，就自稱已經是 AI公司（不過我們自有判別的方法）。
Kireyev：我可以說說我公司的例子。 Instagrok 是一個視覺搜索引擎。我們主要使用機器學習來識別重要的事實和概念，并確保學生可以以正確的方向學習，學生可以按照自己的節奏來安排學習。TextGeonome 是另外一個項目——我們正在建立基礎設施，以便基于 AI 實現深入的詞匯開發工作。在此其中，我們考慮的問題是，學生的年級水平以及其在下一階段需要掌握的詞匯量。
Blum：以 ACT 為例，我們主要關注這些問題：如果系統確定了學生在哪些知識點處于空白地帶，那么幫助學生學習的最佳教輔資料是哪些？而不僅僅是 ACT 材料。據此，我們想為學生提供我們能找到的最好的教學資源。而這個過程都需要機器學習來實行精準定位。
在教育的某些領域，如果不使用機器學習的相關預測模型，學生很有可能就錯失上大學的機會。
事實上，當你從統計評估模型轉移到深度學習，包括神經網絡，這個過程中不能保持步調的就是“可解釋性”。雖然用到了神經網絡，但你不能很好的向外界解釋。所以，在此其中，一個重要的挑戰就在于，預測模型算法提升了，而“可解釋性”卻下降了。特別是在一些監管嚴格的市場，如醫療和教育，就需要開發更多的解釋性工具。
以「大學使用統計模型來挑選入學課程」為例。假如這里有一個神經網絡或一些機器學習程序，可以很好的預測學生的學習成績（事實上，目前也有一些大學已經在用這些應用）。我們能確定的是他們確實使用了機器學習來挑選入學課程，但是我們還需要一些總結性工具來解釋這些選擇。即使深度學習很復雜，但為了讓這些預測的結論被談論以及被接受，我們必須解釋好這一問題，即“他們如何做到”。
EdSurge：有人擔心，“AI”可能會成為一些公司用以謀利的噱頭。如果我是一名教師，一家教育科技公司跟我說，“我們的數學工具使用了AI技術”，我該問些什么？
Blum：這個問題應該回溯到「可發現性」和「可解釋性」。如果一些公司蓄意打上“AI”標簽，我們往往可以接入這個話題問得更多，讓他們談談背后使用的技術。如果對方只是單純強調“AI”概念，而沒有深入的解釋，其實也沒有多大的可信度。
Benemann：供應商更應該多談談學生使用這些系統獲得的學習成果，或者老師實操的問題。而不要總是談論 AI ，這畢竟只是讓學生學習和老師實踐的另一種方法。對于老師來說，其更關心「有了AI的輔助，課堂效率能提高多少，又減少了多少被浪費的時間」的問題。
EdSurge：在保護敏感學生的隱私和數據安全性的同時，如何平衡AI工具對數據的需求？
Blum：我們正處于沒有 PII（( Personally identifiable information：個人識別信息）的階段。如果你擁有足量的數據和信息，就能精準的刻畫用戶畫像。面對這一需求和用戶隱私可能被侵犯之間的矛盾，其實就非常需要「行業標準」的制定和完善。比如，行業標準就已經規定好了企業可以利用哪些方面的數據，而哪些方面是不可以侵犯的，那就好辦多了。
Benemann：我們需要思考這樣一個問題——數據到底掌握在誰的手里？以醫療為例，在其細分領域越來越呈現這樣一個趨勢：患者掌握的自己的數據越來越多。同理，學生是其數據的擁有者，而我們需要弄清楚其掌握的數據的源頭，并將決定權交給他們，由其或其父母決定學校或機構是否可以訪問數據。
EdSurge：「AI取代人類職業」，是很多人都在擔心的一個問題。你們認為AI將對教師和其他職業帶來哪些影響？
Kireyev：這個問題其實已經被談了很多。事實上，我認為在AI 的助力下，教師這個角色將完成更好的轉移，他們正逐漸成為領導者和指導者。越來越多的老師可以更專注于更具創造力的工作，更好的去把孩子們教好，而不僅僅是周而復始的解釋「方程式的數學原理」。
Blum：個人認為，AI 在職業教育的應用沒有被充分利用，對此我們需要多一些前瞻性的思考。如，10年內成為卡車司機將意味著什么？AI 將如何影響跨行業的供應鏈....我們應該更加專注這些方面，并讓職業教育變得更好。
Pischdotchian：這就是為什么 STEAM （科學、技術、工程、藝術和數學）取代了 STEM 的原因。事實上，我們也可以看到，藝術、心理學、歷史、辯論課、戲劇等涉及情感和創造力等要素的工作變得越發重要，因為這些都不是AI擅長的地方。
在AI快速發展的同時，人類必然會受到一些威脅和挑戰。因為「成長」與「舒適」注定無法共存。
Via EdSurge，雷鋒網編譯
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
