AI+教育系統如何顛覆學習？這有三類應用幫你詳解

雷鋒網按：近日，CNNIC（中國互聯網路信息中心）發布最新中國網路發展狀況統計報告表示，AI技術正驅動教育產業升級。在這一浪潮下，一大批教育企業正拼盡全力加入AI+教育的陣營，以期爭當第一批吃螃蟹的「王者」。本文由雷鋒網編譯於培生集團發布的關於AI+教育的研究報告《Intelligence Unleashed: an argument for AI in education》，作者為來自UCL（倫敦大學學院）的Rose Luckin、 Wayne Holmes，以及培生集團的Mark Griffiths、Laurie B. Forcier。

眾所周知，很多AI+教育的應用已經被大中小學校等機構所使用。許多包含AI+教育和教育數據挖掘（EDM）技術也被用來追蹤學生的行為。

舉個例子，通過收集課堂上學生的出勤率和任務提交的數據，以便了解學生是否處於無心學習的狀態。還有其他AI研究員正在探索更具創意的用戶界面，如 NLP（自然語言處理）、演講和姿態、眼球追蹤和其他物理感測器。

然而，在這篇文章里，我們將著重專註於三類已經可以直接用來支持學習的AI+教育軟體應用：

? 為學習者提供個性化指導；

? 為協作學習提供智能支持；

? 虛擬現實輔助學習。

自適應系統丨AI+教育可以為每個人提供智能化、個性化指導

在實體教學中，一對一指導往往被認為是最有效的途徑。但是這個方法對所有學生而言並不完全適用。原因有二：一來沒有這麼多老師，二來學生也擔負不起這麼高的輔導費用。

所以這就給大家提出了一個難題：我們如何將一對一指導的積極影響提供給所有科目的所有學生。

這也是ITS（智能輔導系統）接入的地方。ITS 利用 AI 技術，可模擬一對一指導，提供最適合學員認知需求的學習任務，並提供針對性的及時反饋意見。而這個過程都不需要老師的出席。

一些ITS系統還能幫助學員管理自己的學習狀態，從而培養 自律能力。還有一部分人可使用教學策略來管理學習，以便在學習中可以獲得適當的挑戰和支持。

20世紀70年代，第一批AI系統提供了 個性化和自適應指導。以 BUGGY 為例，這是一個旨在指導加減法的開創性系統，使用了一個學習者在程序運算中可能會弄混淆的模型。這個「錯誤庫」，是該系統中一個有效的主導模型，用於診斷學員們犯的每一個錯誤，以便提供適當的指導。最初，它受到可以識別的錯誤的限制，而這些 bug 已經包含在原始代碼中。隨著時間 的推移，額外的誤解被發現並被添加到這個「錯誤庫」里。

除了這些模型，最近很多 ITS 系統還使用了機器學習技術、基於大數據集的自我訓練演算法和神經網路，它們可為這些學習者提供正在學習的內容 並作出適當的決策。然而，通過這個方式，依然很難讓這些決定變得合理又明確。

相較而言，基於現代模型的自適應 系統則要靈活得多。它們可以讓系統作出的每一項決定，都 能被人類正確的理解，從而更適用於課堂教學。在過去十年中，隨著學習者和教育學家的日益複雜性，主導模型也被引入到許多自適應系統中以支持個性化學習推薦。

例如， iTalk2Learn 系統，旨在幫助年輕學生學習數學的「分數」部分，並使用了一個學 習者模型，其中包含了學習者的數學知識水平、認知需求、情感狀態，以及他們收到的反饋和對反饋的反應等信息。

基於自適應學習可以包括一系列AI+教育的工具：

? 學習者認知和情感狀態的模型。

? 利用對話讓學生參與涉及探究和討論、提問和回答的學習體驗。

? 包括開放式學習者模型，以促進學習者的反思和自我意識。

? 採用元認知架構（如，通過提供動態幫助或使用敘述框架）來增強學習者的動機和參與度。

? 使用社會模擬模型——例如，通過了解社會 規範和文化，讓語言學習的學生可以更好地與目標語言的演講者交流。

協作學習丨AI+教育可為協作學習提供智能支持

幾十年的研究表明，對於協作學習來說，無論是在一 起參與項目的兩位學生之間，還是一起參與在線課程的社團里的學生之間，都比單獨學習 要有更 好的學習成果。協作學習是有效的， 因為其能鼓勵參與者表達和加強他們的想法，並通過建設 性的對話來消除分歧，並對共享的知識提出新的 理解。此外，協作學習還能加強動機——如果學生關注 所在的小組，他們 將更積極地參與到該項任務中去，並實現更好地學習成果。

然而，研究也表明，在學習者之間的協作 學習並不會自發的發生。比如，小組成員可能並不具備協作所需要的社會互動技能。這在線上合作的 各協作方之間很 少有線下交流的背 景下就顯得尤為困難。而這點正是AI+ 教育可以切入的地方。根據我們調查的結果，主要專註以下四個方面：自適應小組的形成；專家簡易化；智能虛擬助理；智能審核。

自適應小組的形成

該系統一般使用 AI 技術和知識來管理獨立的參與者，最常見於學習者模型，以形成最適合特定協作任務的小組。目的可 能在於讓這個小組裡的學生在認知水平和興趣上具有相似性，或者參 與者之間能互相為彼此帶來不同但互補的知識和技能。

專家簡易化

這些有效的合作模式，統稱為「協作模式」，一般用於為協作學生提供互動式知識。這些模式由系統作者提供，也由先前的協作方式衍化而來。例如，如機器學習、馬爾科夫模型等 AI 技術，已被用於識別有效解決問題的協作策略。這些可以用來訓練系統，以幫助學生更好的理解彼此分享的知識和概念，或者在正確的時間為正確形式提供有針對性的支持。

智能虛擬助理

這種方法涉及引入到協作過程中的智能虛擬助手。這些AI助手可能會調解學生的線上互動，或者簡單的通過以下方式促成對話：

? 專家參與者（一位教練或導師）

? 虛擬小夥伴（類似一位和該學生處於相同認知水平的虛擬同學，但是這位小夥伴能引入小說創意）

? 或者學生自己——例如，虛擬小夥伴可能存在理解不當的問題，從而為學生提供替代性觀點，以刺激更有創造力的論證和反思的產出。

智能審核

由於有大量的學生處在多個協作小組中工作，所以一個人不可能弄明白參與者們在討論過程中產生的大量數據。這時候就需要智能審核的方法。其通過 AI 技術，如機器學習和淺層文本處理，來分析和總結這一討論，從而讓人類教師能夠引導學生進行有效的協作。例如，系統可以向人類教師提供警報，以向他們通報可能需要其干預或支持的重大事件，如學生在做題過程中脫離主題或出現重複的錯誤。

VR輔助丨VR可用於真實環境中輔助學習

AI 首次出現是在 1979 年的數字遊戲中，當時 Pac-Man 的開發者使用了一種稱為「狀態機」的技術（可根據條件在各州之間轉換）來控制 物體的朝向是面向還是遠離玩家。現代大多數數字遊戲中的AI也都是基於這種簡單的方法。隨著基於遊戲 故事的展開，自主的 非玩家角色從遊戲和玩家中獲取信息，並且在該信息的基礎上，使用AI演算法來確定最合適的動作。

VR 也是基於類似的方法被應用於學習和工作中。它為 用戶提供了一種在現實世界無法切實訪問的（例如一些危險環境）身臨其境的體驗。研究表明，這種方式可以為學生提供一種和模擬世界探索和互動的機會，從而可以把在真實世界裡學到的知識成功轉移。

例如，虛擬潛艇可能允許用戶可縮小到微觀層面，以調查在 岩石池表面發生的自然過程，或者學生有可能借其探索核電站、古羅馬或者外部行星。

一方面，當 VR 遇見 AI 時可以變得更加「智能」。AI 可以被簡單的用於增強虛擬世界，使其能夠以更自然的方式與用戶的行為進行交互和響應。或者，藉助智能 輔導系統，AI 也可能被整合，以提供持續的智能支持和指導，從而確保學習者能與預期的學習目標正確匹配，而不至於迷茫。

虛擬教學助理也被囊括其中。其可以作為教師、學習輔導員或者學生小夥伴的角色參與到協作學習的任務中。這些助理角色可以提供可替代的觀點、提出問題，並提供反饋，所有這些都是基於適當的、指定的教學模式。

許多研究表明，沉浸在 VR 中可以增強教學效果，使學生能夠建立一套對探索世界的主觀理解。甚至還有一些學生在此過程中被挖掘出隱藏的潛力，而變得更加自信。

此外，虛擬世界中的智能合成人物可以在學習者處 於過於危險或不愉 快的環境中發揮作用。例如，FearNot 是一個基於學校的智能虛擬環境，可以虛擬戲劇的方式呈現欺凌事件。受欺凌的受害學生，可在戲劇中扮演這位被欺凌的學生的朋友。在該系統中，學 習者提供了在戲劇情節之間應該做出怎樣的行為的角色建議，並就此探索欺凌問題和有效的應對策略。

另一方面，VR也可以用於智能團隊培訓。據雷鋒網了解，目前的虛擬人類也能對單一事件進行推理，從而採取行動，給出談判方案，以指導人類進行類似的評估，如維和方案等等。

......

結語

總而言之，這三種類型的應用程度已被用於各種學習環境 中。在 AI 的助力下，這些學習環境不僅更加個性化，而且也更具包容性和吸引力。比如，它們不僅 可以為有特殊教育需求的學習者提供額外的幫助，還能激勵一些處於不利環境的人群更好地 專註學習。

AI+ 教育的應用同時也比替代方案更加靈活。因為它們很多被部署在線上，學習者從而可 以根據時間來安排學習。不過，AI+ 教育領域的研究人員還在探索更多的移動設備，以便學 習者可在任何時間、任何地點，學習自適應系統上的材料或者參與協作學習，進行社交。

不過我們也要意識到這樣一個事實，雖然 AI+ 教育已經取得了很大的進步，但目前依然處於初級階段。隨著 AI 技術的發展和 成熟，並被進一步運用到實際應用中，AI+ 教育的 前景將不可限量。事實上，這一趨勢在今年也變得 尤為突出，一大批在線教育公司正力求擺脫互聯網的標籤，全力湧入AI陣營中去。

註：圖片皆來源於網路

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！