國外專家談“AI+教育”如何更好地應用？

編者按：

近兩年，人們對人工智能、機器學習的關注度提高。其實人工智能已經誕生數十年了。為了探索機器學習在教育領域的潛力，《EdSurge》近期在舊金山與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）的 CEO Kathy Benemann 和 instaGrok 的創(chuàng)始人Kirill Kireyev舉行一次會面。《Edsurge》的記者 Tony Wan 圍繞這一主題和四位進行了交談。下文是此次談話的部分摘錄。

“AI+教育”內容正呈爆炸式增長

《EdSurge》：AI有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，我們才能更好地訓練算法。不管AI如何發(fā)展，我們都要記住，人類才是AI的最終制造者。

Pischdotchian：回想早些年的教育模式，我們將其稱為“工廠模式”。即老師們總是向學生們教授相同的科目。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(yè)鏈結合應用的大環(huán)境下。一些組織，如 Chan Zuckerberg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(xù)發(fā)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(fā)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。

兩大趨勢正在探索中開展

《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：將有兩個大的趨勢，恰好我們正處于初始階段。我們OpenEd 目前在和 IMS Global 合作，第一，技術標準方面，如 Caliper、xAPI（或 Experience API）也是剛剛實施。第二，教育領域沒有長期性的數據，特別是對自適應學習系統(tǒng)來說，更應該強調實時性。所以，如果你想為學生挑選下一個最好的方法時，你必須使用另一種途徑，它被稱為“強化學習”。

《EdSurge》：目前有哪些AI+教育的應用已經被實際應用？

Pischdotchian：這是關于如何在學習經驗中發(fā)現痛點、總結模式的問題。我們注意到，如果一個人的數學成績很好，那么，系統(tǒng)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(jié)目）合作，將大學作為機器學習發(fā)展的試驗平臺。同時，這對老師們也有益：我們在 MIT（麻省理工學院）進行了一次測試，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(tǒng)的面部識別技術來捕捉情緒（例如無聊的情緒），教授通過系統(tǒng)的信息提示，即可知曉。

Benemann：看看我們的周圍，人們都在問教育什么方面可以被人工智能所改變。很多人都在問著差不多的問題：未來的教室會是什么樣？它能讓學生的一天都自由嗎？ AI 會完全取代老師嗎？AI 能幫助老師騰出時間，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？

《EdSurge》：這是否意味著，如果沒有AI，市場上的“自適應技術”并不是真正的“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”，具備適應能力的就自稱已經是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(jié)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(fā)工作開發(fā)，即進一步開發(fā)以人工智能為基礎的詞匯。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(tǒng)確定了學生在哪些知識點處于空白地帶，什么是幫助學生學習的最佳教輔資料？我們想提供給你的不僅僅是 ACT 材料。據此，我們想為學生提供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(tǒng)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，但你不能很好地向外界解釋。所以，在此其中，一個重要的挑戰(zhàn)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(jiān)管嚴格的市場，如醫(yī)療和教育，就需要開發(fā)更多的解釋性工具。

以“大學使用統(tǒng)計模型來挑選入學課程”為例。假如有一個神經網絡或一些機器學習程序，可以很好地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”。

人工智能以后，藝術、心理學、歷史、辯論課、戲劇等涉及情感和創(chuàng)造力要素的工作變得更加重要，而這些都不是AI擅長的地方。

實踐中，老師學生都關注的問題

《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：這個問題與發(fā)現能力和解釋能力有關。如果一些公司打上“AI”標簽，我們往往可以關于這個話題問得更多，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(tǒng)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，其更關心的是，有了AI的輔助，課堂效率能提高多少，減少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(yè)標準的制定和完善。比如，行業(yè)標準規(guī)定企業(yè)可以利用哪些方面的數據，而哪些方面是不可以侵犯的。

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(yī)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?；驒C構是否可以訪問數據。

《EdSurge》：AI取代人類職業(yè)，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(yè)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(chuàng)造性的工作，更好地去把孩子們教好，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(yè)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(yè)的供應鏈。我們應該更加專注這些方面，并讓職業(yè)教育變得更好。

Pischdotchian：這就是為什么我們強調 STEAM （科學、技術、工程、藝術和數學），而不僅僅是 STEM 的重要性。人工智能以后，藝術、心理學、歷史、辯論課、戲劇等涉及情感和創(chuàng)造力要素的工作變得更加重要，而這些都不是AI擅長的地方。至少在我們的一生中，歷史、辯論課、戲劇等都是很重要的。

（來源：《EdSurge》 作者：Tony Wan）