雷鋒網(wǎng)消息，11月15日-16日，“全球AI+智適應教育峰會”在北京嘉里中心大酒店盛大開幕，峰會由雷鋒網(wǎng)聯(lián)合乂學教育松鼠AI，以及IEEE（美國電氣電子工程師學會）教育工程和自適應教育標準工作組共同舉辦，匯聚國內(nèi)外頂尖陣容。

AI 自適應學習是目前產(chǎn)學研三界關(guān)注度最高的話題之一。此次峰會邀請到美國三院院士、機器學習泰斗 Michael Jordan，全球公認機器學習之父 Tom Mitchell，斯坦福國際研究院（SRI）副總裁 Robert Pearlstein、美國大學入學考試機構(gòu) ACT 學習方案組高級研究科學家 Michael Yudelson 等頂尖學者。

在 16 日上午主論壇上，Tom Mitchell 帶來了一場精彩的主題演講。以下為他的演講內(nèi)容，雷鋒網(wǎng) AI 科技評論整理。

我認為這 10 年對自適應教學來說是最好的 10 年，因為我們開始看到技術(shù)變得成熟，越來越多的公司開始運用這些技術(shù)，我相信本次會議將是這個領(lǐng)域的轉(zhuǎn)折點。

我今天主要想跟大家談幾點想法，內(nèi)容主要關(guān)于人工智能可以如何與自適應學習產(chǎn)生聯(lián)系。

YouTube 上截取的這幾張圖片告訴我們什么是自適應學習。在自適應體系中，老師會不斷地評估學生的能力、發(fā)現(xiàn)他們的不足點、給他們設(shè)立目標、發(fā)掘他們的學習需求，甚至根據(jù)他們的學習速度來提供更好的建議。我們發(fā)現(xiàn)已經(jīng)有系統(tǒng)開始在做這件事情，然而都處于早期階段，我們接下來的工作重點應該更多放在系統(tǒng)改善上。

機器學習和人工智能，將成為自適應學習的驅(qū)動式技術(shù)

機器學習這 10 年的發(fā)展非常快。比如一開始表現(xiàn)不怎么理想的計算機視覺，后來的識別精度已經(jīng)變得幾乎跟人眼一樣；語音學習的情況也一樣；還有圍棋，AI 已經(jīng)成功打敗了世界冠軍；機器人汽車方面，我們將迎來越來越多的無人駕駛汽車。

展望未來，機器學習將如何促進 AI 的發(fā)展，進而促進自適應學習的發(fā)展呢？這里有三個問題值得我們來一起來討論：

1. 機器應該學習什么？

我們需要個性化的、基于每個學生的教學戰(zhàn)略。我們希望機器可以根據(jù)學生的退學率、學生的考試成績來提出一些建議，包括老師應該在什么時候介入，以及老師應該如何在學生和機器之間進行介入等等。

2. 應該從哪些數(shù)據(jù)中進行學習？

現(xiàn)在存在各種類型的數(shù)據(jù)，當中包括環(huán)境式的數(shù)據(jù)，比如說教室里的攝象頭、耳麥、話筒等等，通過這些環(huán)境數(shù)據(jù)我們可以更好地了解學習者的情況；身體的傳感數(shù)據(jù)，比如說智能手表、智能椅子，可以感知到學習者當下的學習狀態(tài)；還可以通過 EEG 監(jiān)測大腦的數(shù)據(jù)?？傊?，選擇什么樣的數(shù)據(jù)來源，對機器學習來說很重要。

對機器學習來說同樣很重要還有算法。

以監(jiān)督式學習為例，卡耐基梅隆大學一名博士生提出的網(wǎng)絡可以預測哪些學生會從網(wǎng)課中退學。它監(jiān)測的數(shù)據(jù)包括學生在課程上花的時間、鼠標的點擊數(shù)等等，實現(xiàn)從輸入與輸出兩端進行監(jiān)測。

由于監(jiān)督式學習對自適應教育來說很重要，所以我們需要一系列的技術(shù)來提升監(jiān)督式學習的精確度和效率，同時考慮學習環(huán)境的情景。從預測學生會從哪門網(wǎng)課中退學，從而預測該學生會不會也從其他課程中退學，是在跨任務轉(zhuǎn)移當中需要我們重點關(guān)注的。

3. 多任務處理學習

這是 20 世紀 90 年代末提出的學習理論，要想提升系統(tǒng)預測的準確度，就要將其他變量也一并考慮進來。比如說監(jiān)測哪個肺炎病人的病情將會惡化，除了肺炎本身的嚴重程度，我們還會一并考慮病人的白細胞數(shù)量、是否曾經(jīng)轉(zhuǎn)入 ICU 治療等等，通過這種方式來更好地預測病人肺炎惡化的幾率。同樣的模式運用到學生的退學率預測上，我們可以將學生的其他變量如期終考試成績等一并考慮進來。

這個技術(shù)之所以能成功，是因為它可以訓練我們的系統(tǒng)進行包含多變量的預測，在這過程中會產(chǎn)生一些歸納程序，進而有效提升系統(tǒng)的預測效果。

另外一個有意思的算法是非監(jiān)督式學習。

這是我的同事在卡耐基梅隆大學做的研究，他們根據(jù)學生回答問題的正確率，對學生進行分類。大家可以看到圖中有三種不同顏色的曲線。

綠色一組最開始的表現(xiàn)特別好，后來表現(xiàn)突然下降了，之后再沒之前的表現(xiàn)好。對于非監(jiān)督式學習，只要發(fā)現(xiàn)一個規(guī)律后我們就可以進行干預，比如我們可以預測這三組學生的期末考試成績，以便更好地指導其他學生。

接下來談一下增強學習，這種算法的特殊性在于，我們會在不同的時間點給予不同的行動指示，比如 AlphaGo 就是通過這種方式不斷增強自身能力，最終打敗了圍棋冠軍。簡單來說，圍棋上的每個點、走的每步棋都是決策過程，我們通過設(shè)置一個獎勵機制，不停地告訴系統(tǒng)應該如何做才能取得成功，在這過程中將產(chǎn)生數(shù)百萬個行動的序列，我們通過這種方式反復對網(wǎng)絡進行訓練。

這種方式其實是跟自適應學習非常類似，在自適應學習中也存在不同的狀態(tài)和行動，這個狀態(tài)指的是學生的學習狀態(tài)、心理狀態(tài)等；而行動則指教學行為，比如我們應該進行考試、視頻播放還是學習評估。我們可以定義獎勵機制，讓機器告訴我們什么樣的行動更能促進學生的學習。

增強學習在過去 5 年取得了很大的進展，過程中產(chǎn)生了很多富有變化兼具個性化的模型。在機器學習的研究人員來看，這些沉淀下來的抽樣方法、算法選擇、數(shù)據(jù)選擇，對于發(fā)展AI + 教育而言是個寶藏。

機器學習 + 教育的探索

我們來看一些更加具體的研究。這是我同事正在做的，讓人可以跟計算機產(chǎn)生互動。這個系統(tǒng)可以做到每一秒都在追蹤人類的面部表情和語音，從而推斷出這個人的情感狀態(tài)，熒幕上的紅點在不斷地移動，反映的是這個人的情感狀態(tài)。當系統(tǒng)推斷出學生存在沮喪和消極的情緒，這時老師就會介入提供幫助。當老師與學生一同將問題解決時，系統(tǒng)檢測到了學生的積極情緒。

這個技術(shù)一旦實現(xiàn)，老師可以根據(jù)系統(tǒng)每秒鐘的反饋，找出哪一名學生需要被指導。研究發(fā)現(xiàn)，教師延時的反饋和負面影響是有正相關(guān)關(guān)系的。

這是我給大家舉的一個例子，可能會對教育界產(chǎn)生非常大的影響。

另外一個很有意思的研究方向是探索新的教學互動方式。我們發(fā)現(xiàn)，通過教別人我們自己反而能學得好，因此，我們考慮讓學生充當老師的角色，教導由計算機扮演的模擬學生。模擬學生通過屏幕征求人類的解答，而學生則負責教導模擬學生正確答題，在這過程中，我們會引入教學督導的角色，一旦學生在教導的過程中遇到問題時，教學督導將及時進行記錄和指導。

我們發(fā)現(xiàn)這種方式比傳統(tǒng)的教學更加有效，然而只有人工智能技術(shù)發(fā)展到一定程度，我們才能實現(xiàn)這種教學。

為此，我的團隊試圖建立一個能讓學生對計算機進行教學的系統(tǒng)。這個想法最初跟教育沒什么關(guān)系，我們主要想讓手機用戶能夠?qū)κ謾C進行重新編程。比如我們跟機器說「四點鐘的時候我們要開會」，機器會說「我不知道四點鐘開會是什么意思」，然后接著說「你想要教我的話你就教我」，我們會跟系統(tǒng)解釋「下午四點開會」是什么意思，接下來分別要做什么事情，系統(tǒng)經(jīng)過訓練之后，他們在第二次就會快速理解這主人的指示，這是自然語言學習向來的做法。

這里要強調(diào)兩個理念，第一個是每句話的句式都是可以被執(zhí)行的，我們可以對句式進行翻譯并且變成可執(zhí)行的代碼。第二個是系統(tǒng)會不停學習新的步驟，最開始它可能不知道「告訴」是什么意思，而現(xiàn)在它知道了。這個研究最開始只是一個小想法，并沒有想到要應用到教育上，后來我們發(fā)現(xiàn)如果能把這種想法與當前的教育行業(yè)結(jié)合起來，當中的潛力是很大的。

最后給大家做一個總結(jié)，這是對自適應教育來說最好的一個時代，人工智能會是這個時代的主要驅(qū)動力，將方方面面改變數(shù)據(jù)的本質(zhì)，我們會收集到非常多人與電腦之間的互動性數(shù)據(jù)，這些都可以應用到對話式學習上。過去我們會覺得教育是老師和學生之間的事情，現(xiàn)在我覺得它老師、學生和電腦之間三方的事情。

中國在此擁有獨一無二的優(yōu)勢，有望在 AI 教育領(lǐng)域成為世界的領(lǐng)航者，能夠向其他國家展示如何運用這方面的知識。

最后感謝大家的聆聽，謝謝！

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。