国外专家谈“AI+教育”如何更好地应用？

国外专家谈“AI+教育”如何更好地应用？

编者按：

近两年，人们对人工智能、机器学习的关注度提高。其实人工智能已经诞生数十年了。为了探索机器学习在教育领域的潜力，《EdSurge》近期在旧金山与OpenEd（一家提供 K12 教育资源搜索服务的公司，2016年被美国考试服务商 ACT 收购）的 CEO Adam Blum、IBM Watson的学术研究员 Armen Pischdotchian，以及EruditeAI（一家面向K12领域的在线教育公司）的 CEO Kathy Benemann 和 instaGrok 的创始人Kirill Kireyev举行一次会面。《Edsurge》的记者 Tony Wan 围绕这一主题和四位进行了交谈。下文是此次谈话的部分摘录。

“AI+教育”内容正呈爆炸式增长

《EdSurge》：AI有望改变几代人的教育。目前离这一目标的实现还有多远？

Benemann：众所周知，现在产生的数据比以往任何时候都要多得多。对我们 EruditeAI 而言，数据比公司营收还要重要。有了更好的数据，我们才能更好地训练算法。不管AI如何发展，我们都要记住，人类才是AI的最终制造者。

Pischdotchian：回想早些年的教育模式，我们将其称为“工厂模式”。即老师们总是向学生们教授相同的科目。虽然这也是教学的初衷，但并不适用于“虽然年龄一致，但认知、智力等水平参差不齐”的学生，特别是在AI+产业链结合应用的大环境下。一些组织，如 Chan Zuckerberg领导的团体正试图对这一模式进行改革。目前来看，由于“工厂模式”的不可持续发展性，其已十分不适用于教育。对于现在的学生而言，认清未来工作的需求更为重要。

Kireyev：如 Benemann 所说，AI+教育的内容正呈爆炸式增长，无论是关于学生的还是从学生得到的。通过这些数据，我们可以知道学生们都在做些什么，而这一了解的速度要比过去快得多。比如，当孩子们用 Scratch（麻省理工媒体实验室开发的一套电脑编程平台）工作时，由于其工作是基于网络，我们可以得到关于孩子们行为的各种信息，如他们什么时候开始观看视频、什么时候停下来等。清晰明了的数据是非常有价值的，而且在其基础上的技术可用性也会更大。所以这也是越来越多的人开始使用AI和机器学习来做事情的一大原因。

两大趋势正在探索中开展

《EdSurge》：刚才大家说了“数据的爆炸”，也说了改变“工厂教学模式”的必要性。除此之外，还有其他趋势吗？

Blum：将有两个大的趋势，恰好我们正处于初始阶段。我们OpenEd 目前在和 IMS Global 合作，第一，技术标准方面，如 Caliper、xAPI（或 Experience API）也是刚刚实施。第二，教育领域没有长期性的数据，特别是对自适应学习系统来说，更应该强调实时性。所以，如果你想为学生挑选下一个最好的方法时，你必须使用另一种途径，它被称为“强化学习”。

《EdSurge》：目前有哪些AI+教育的应用已经被实际应用？

Pischdotchian：这是关于如何在学习经验中发现痛点、总结模式的问题。我们注意到，如果一个人的数学成绩很好，那么，系统该如何识别这一要点，并将其反馈给老师，以便老师为学生提供更好的指导？为此，IBM 正在和芝麻街（一档儿童教育电视节目）合作，将大学作为机器学习发展的试验平台。同时，这对老师们也有益：我们在 MIT（麻省理工学院）进行了一次测试，在学生知情的情况下为每间教室配备了摄像头。教授在讲课时，无需再抬头数教室里有多少学生在睡觉，而是通过系统的面部识别技术来捕捉情绪（例如无聊的情绪），教授通过系统的信息提示，即可知晓。

Benemann：看看我们的周围，人们都在问教育什么方面可以被人工智能所改变。很多人都在问着差不多的问题：未来的教室会是什么样？它能让学生的一天都自由吗？ AI 会完全取代老师吗？AI 能帮助老师腾出时间，从而为学生提供更具意义的指导吗？自适应学习平台（如Aleks、Knewton）能帮助学生学到知识吗？

《EdSurge》：这是否意味着，如果没有AI，市场上的“自适应技术”并不是真正的“自适应”？

Benemann：这里涉及到“范围”的概念。有些只是因为所用工具涉及到“自适应”，具备适应能力的就自称已经是AI公司，不过我们自有判别的方法。

Kireyev：我可以说说我公司的例子。 Instagrok 是一个视觉搜索引擎。我们主要使用机器学习来识别重要的事实和概念，并确保学生可以以正确的方向学习，学生可以按照自己的节奏来安排学习。TextGeonome 是另外一个项目。我们正在建立基础设施，以便基于 AI 实现深入的词汇开发工作开发，即进一步开发以人工智能为基础的词汇。我们考虑的问题是，学生的年级水平以及其在下一阶段需要掌握的词汇量。

Blum：以 ACT 为例，我们主要关注这些问题：如果系统确定了学生在哪些知识点处于空白地带，什么是帮助学生学习的最佳教辅资料？我们想提供给你的不仅仅是 ACT 材料。据此，我们想为学生提供能找到的最好的教学资源。而这个过程都需要机器学习来实行精准定位。

在教育的某些领域，如果不使用机器学习的相关预测模型，学生很有可能就错失上大学的机会。

事实上，当你从统计评估模型转移到深度学习，包括神经网络，这个过程中不能保持步调的就是“可解释性”。虽然用到了神经网络，但你不能很好地向外界解释。所以，在此其中，一个重要的挑战就在于，预测模型算法提升了，而“可解释性”却下降了。特别是在一些监管严格的市场，如医疗和教育，就需要开发更多的解释性工具。

以“大学使用统计模型来挑选入学课程”为例。假如有一个神经网络或一些机器学习程序，可以很好地预测学生的学习成绩。事实上，目前也有一些大学已经在用这些应用。我们能确定的是他们确实使用了机器学习来挑选入学课程，但是我们还需要一些总结性工具来解释这些选择。即使深度学习很复杂，但为了让这些预测的结论被谈论以及被接受，我们必须解释好这一问题，即“他们如何做到”。

人工智能以后，艺术、心理学、历史、辩论课、戏剧等涉及情感和创造力要素的工作变得更加重要，而这些都不是AI擅长的地方。

实践中，老师学生都关注的问题

《EdSurge》：有人担心，“AI”可能会成为一些公司用以谋利的噱头。如果我是一名教师，一家教育科技公司跟我说，“我们的数学工具使用了AI技术”，我该问些什么？

Blum：这个问题与发现能力和解释能力有关。如果一些公司打上“AI”标签，我们往往可以关于这个话题问得更多，让他们谈谈背后使用的技术。如果对方只是单纯强调“AI”概念，而没有深入的解释，其实也没有多大的可信度。

Benemann：供应商更应该多谈谈学生使用这些系统获得的学习成果，或者老师实操的问题。而不要总是谈论 AI ，这毕竟只是让学生学习和老师实践的另一种方法。对于老师来说，其更关心的是，有了AI的辅助，课堂效率能提高多少，减少多少被浪费的时间的问题。

《EdSurge》：在保护敏感学生的隐私和数据安全性的同时，如何平衡AI工具对数据的需求？

Blum：我们正处于没有 PII( Personally identifiable information：个人识别信息）的阶段。如果你拥有足量的数据和信息，就能精准的刻画用户画像。面对这一需求和用户隐私可能被侵犯之间的矛盾，其实就非常需要行业标准的制定和完善。比如，行业标准规定企业可以利用哪些方面的数据，而哪些方面是不可以侵犯的。

Benemann：我们需要思考这样一个问题，数据到底掌握在谁的手里？以医疗为例，在其细分领域越来越呈现这样一个趋势：患者掌握的自己的数据越来越多。同理，学生是其数据的拥有者，而我们需要弄清楚其掌握的数据的源头，并将决定权交给他们，由其或其父母决定学校或机构是否可以访问数据。

《EdSurge》：AI取代人类职业，是很多人都在担心的一个问题。你们认为AI将对教师和其他职业带来哪些影响？

Kireyev：这个问题其实已经被谈了很多。事实上，我认为在AI 的助力下，教师这个角色将完成更好的转移，他们正逐渐成为领导者和指导者。越来越多的老师可以更专注于更具创造性的工作，更好地去把孩子们教好，而不仅仅是周而复始的解释方程式的数学原理。

Blum：个人认为，AI 在职业教育的应用没有被充分利用，对此我们需要多一些前瞻性的思考。如，10年内成为卡车司机将意味着什么？AI 将如何影响跨行业的供应链。我们应该更加专注这些方面，并让职业教育变得更好。

Pischdotchian：这就是为什么我们强调 STEAM （科学、技术、工程、艺术和数学），而不仅仅是 STEM 的重要性。人工智能以后，艺术、心理学、历史、辩论课、戏剧等涉及情感和创造力要素的工作变得更加重要，而这些都不是AI擅长的地方。至少在我们的一生中，历史、辩论课、戏剧等都是很重要的。

（来源：《EdSurge》 作者：Tony Wan）