0
| 本文作者： 李秀琴 | 2017-08-08 19:13 |
图：Aleutie / Shutterstock
雷锋网按：日前，科大讯飞轮值总裁吴晓如表示，「人工智能在一些细分领域的应用，目前已经进入深水期」。虽然其认为人工智能并非无所不能，但它在教育领域却大有作为。吴晓如持这个观点，确实有迹可循。不管是从科大讯飞已经在AI+教育领域取得的成绩来看，还是从整个AI+产业链的结合中，教育作为首当其冲的角色，早已成为AI的最直接获益领域之一。而与这一趋势相呼应，国内外关于AI+教育的主题的讨论也是不绝于耳。本文由雷锋网编译于国外科技媒体 EdSurge 的《Real Questions About Artificial Intelligence in Education》，作者 Tony Wan。
在过去两年中，大众对构建自主“学习”和改进自己的操作或经验（而不是显示编程）的复杂算法的兴趣不断在增加。AI、机器学习等词汇在 Google Trends 上的热度不断攀升，甚至在2016年的10月份直接「登顶」。
图/EdSurge
近日，国内外公司在AI+教育领域的动作可谓频频，国外不仅有 Bloomberg Beta 一直在建立一个机器学习应用于其他行业的概略图，教育赫然在列；而在国内则有在线教育公司英语流利说刚刚完成1亿美元的新一轮融资。
为了进一步理清AI及机器学习可在教育行业发挥的作用，EdSurge 在过去一周举办了一次面谈会，将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，是 IBM Watson AI XPRIZE的参与单位之一）的 CEO Kathy Benemann 和 instaGrok 的创始人 Kirill Kireyev 集结在了一起，记者 Tony Wan 就这一主题和四位进行了交谈。以下是此次谈话的部分摘录：
EdSurge：AI已经有希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，我们才能更好的训练算法。不管AI如何发展，我们都要记住，人类才是AI的最终缔造者。
Pischdotchian：如果我们回想早些年的教育模式，会将其称为“工厂模式”。即老师们总是向学生们教授相同的科目，教无定法，有教无类，一视同仁。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（小扎的妻子）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。
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：这有两大趋势——虽然暂时都处于初始阶段。第一，OpenEd 目前也在和 IMS Global 合作，而技术标准，如 Caliper、xAPI（或Experience API）也是 刚刚实施。第二，教育领域的数据，是没有长期性的（因为超过3个月的数据，其实就没有多大效用了。特别是对自适应学习系统来说，更应该强调实时性）。所以，如果你想将机器学习应用于教育，就必须使用另一种途径——强化学习。
EdSurge：目前有哪些AI+教育的应用已经被实际应用？
Pischdotchian：这个问题的重点应该是「如何在学习经验中发现痛点、总结模式」。这也给大家提出一个挑战——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，二者作为伙伴关系利用大学将其作为机器学习发展的试验平台。同时，老师们也被派上了用场——我们在 MIT（麻省理工学院）进行了一次测试，并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（如「无聊」），教授通过系统的信息提示，即可知晓。
图：EdSurge
Benemann：看看我们的周围，AI+教育应用的方方面面都在饱受质疑。很多人都在问着差不多的问题：未来的教室会是什么样？ AI 会完全取代老师吗？AI 能帮助老师解放「批改作业的双手」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？....正是它的「差不多性」，反而很好的代表了大家正在关心的 AI+教育的几大问题。
EdSurge：这是否表明，如果没有AI，市场上的「自适应技术」就不是真正的「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」，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。在此其中，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，那么帮助学生学习的最佳教辅资料是哪些？而不仅仅是 ACT 材料。据此，我们想为学生提供我们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，但你不能很好的向外界解释。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。假如这里有一个神经网络或一些机器学习程序，可以很好的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”。
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：这个问题应该回溯到「可发现性」和「可解释性」。如果一些公司蓄意打上“AI”标签，我们往往可以接入这个话题问得更多，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「有了AI的辅助，课堂效率能提高多少，又减少了多少被浪费的时间」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，行业标准就已经规定好了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，那就好办多了。
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力的工作，更好的去把孩子们教好，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 STEAM （科学、技术、工程、艺术和数学）取代了 STEM 的原因。事实上，我们也可以看到，艺术、心理学、历史、辩论课、戏剧等涉及情感和创造力等要素的工作变得越发重要，因为这些都不是AI擅长的地方。
在AI快速发展的同时，人类必然会受到一些威胁和挑战。因为「成长」与「舒适」注定无法共存。
Via EdSurge，雷锋网编译
雷峰网原创文章，未经授权禁止转载。详情见转载须知。
