教學技巧、多樣性……教育機構如何跟上人工智慧的改變速度？

本文共2154字，預計閱讀3分鐘

教育領域正在尋求方法來應對人工智慧在各個領域（包括其自身）快速逼近的影響。在與普林斯頓大學計算機科學系主任Jennifer Rexford的這次對話中，她解釋了老師們不僅要教授青少年不同的技能以適應人工智慧時代的工作，還要學會運用人工智慧技術去創造出新穎的教學方式。她還重申一個共識，即用包容的心態去發展人工智慧，從而成功地運用它。

人工智慧時代的教學技巧

人工智慧時代的勞動力問題非常令人擔憂。而且，人們對於自動化及其對工作的影響更是憂心忡忡。

與之前影響勞動力發展不同的是，機器學習和人工智慧對不同領域都有著廣泛的影響。而且，突然之間，數據匯合、更好的計算能力和演算法都出現得太快，以至於這種轉變的速度比政府、公司和教育機構的反應和適應速度都要快得多。

如果你把問題反過來問，「人工智慧不擅長做什麼？」或者是「人類擅長做什麼，還有什麼留給我們去做？」有兩件事對於機器來說很難做到，其一是展現創造力，另一個是社交技能和認知能力。

看護就是一個涉及社會認知角色的好例子。你可以將一些日常中例行的事情設為自動化，但是其他的一些方面真的依賴於社交技能和認知能力，這正是機器所不具備的。

至於創造力，機器的行為可能看似富有創造力，例如當它們在下圍棋或國際象棋時表現出很睿智的舉動，但實際上，這是來自於詳盡的列舉和對底層數據評估之後的結果，並不誕生於創造力的火花之中。

人們強烈呼籲不僅要關注再培訓，而且要關注基礎教育。我們今天教育的方式，即使是在K-6或K-12階段時，都沒有足夠重視創造力、社會洞察力、設計和團隊協作能力的培養。這些在將來都是非常重要的事情，並且現在已經很重要，它們的發展速度遠比我們適應它們的速度要快得多。

為什麼多樣性對人工智慧的成功至關重要？

在STEM（科學、技術、工程、數學）所有領域中確實有一個代表性不足的問題，相較於其他領域，計算機科學佔有較高的問題比重，而相較於通用計算機科學，人工智慧又占更高的比例。因此多樣性無疑是一個很重要的問題，並且做這項工作的技術人員嚴重短缺。有一種普遍的呼聲是：「我們需要更多的人，所以我們實在不能將人才留在辦公室里。」

但是還有另一點：這個正在被創造的技術（多樣性）在各行各業中如此重要，以至於會將大量的人排除在對話之外，這將使得這些人在我們社會的各領域中失去作用，而不僅僅是計算機科學領域。

在飛往達沃斯的飛機上，我看到他們的自動肥皂分配器——需要你把手放置在下面——但這並不適用於很多非裔美國人。事實證明，很多這樣的分配器擁有低廉的感測器，它們對顏色越淺的皮膚越有識別度。他們只對一小部分人口進行了測試和評估，這不是有意識的種族主義——一些人沒必要僅僅為了讓非裔美國人很難獲得肥皂而選擇便宜的感測器——但顯然，在設計和測試上，（他們）沒有將足夠多樣性的人群考慮在內。你可以想像，如果12%的設計師和12%參與設備試驗的人都是非裔美國人的話，那麼就不會發生這種情況。

在人工智慧領域，普林斯頓是如何努力吸引多樣性的？

我們可以做一些不同的事去吸引更多的多樣性，但沒有一個極為有效的方案。但我們在普林斯頓做的一件事是提供（理科的）工程學和計算機科學（偏文科的）學士學位。在院系裡，他們是相同的，但是各自的進入路徑是不同的：大一時，工程學的學生學習物理和化學，與此同時，計算機科學學生學習的是外語或者其它人文課程。因此，這些學生在入學時不必知道他們是否想成為一名工程師，它們也不需要去學習一些相關的先修課程，因為坦白說，這些先修課程和工程學的關係比對計算機科學的關係更大一些。

通過我們的後進入路徑步入計算機科學的本科生中，有超過50%的是女性。這也暗示該項目在讓女性獲得學位上是更高效的。

過去幾年，我們看到這個項目一直飛速發展。經常發生的事是，在你大一的時候你上了計算機科學的課程，你喜歡上了它，你看到它影響你其他興趣的潛力，然後你被迷住了。

多樣化的第二種吸引方式就是我們的入門課程，有60%學生來上這門課，這是一個非常外向的課程。它集中在關於計算、藝術、音樂和科學的跨學科應用上。在這個項目中，把你在課堂上寫的東西展示給你室友或者父母，你不會感覺到尷尬，他們會覺得非常有趣。將你的電腦頁面設置成音樂界面，你可以用計算機科技中的遞推概念創造藝術。我認為它幫助我們更好地接觸電腦科學。這個課程中，有40%-50%的學生之前沒有做過編程，因此我們有單獨的討論部分，如果你之前沒有做過編碼，你可以選擇加入。

人工智慧如何改變我們教育的方式？

我們將在下學期做一個實驗，用核磁共振機器掃描一些學生，當然，這是自願的。當他們觀看錄像課程時，我們可以一窺他們是如何學習的，看學生之間、時間之間的差異，以及他們在觀看視頻時對概念的理解上有什麼差異，他們的注意力水平如何等。對人們如何學習進行研究，有希望幫助我們在教育這條路上理解得更深。

我們還可以把機器學習應用於我們收集到的神經系統科學數據，或者一些很尋常的事情，比如記錄學生回看錄像視頻的次數，他們在哪按下暫停、在哪放慢速度，看得更細緻。機器學習能夠幫助我們更準確地了解到學生們在哪塊掙扎，哪塊沒有被解釋清楚，或者兩者都有。很顯然，這些都是相關的，並且它們也能幫助我們讓學生進行個性化的學習；相較於一刀切式的課堂教育，學生們能夠在一個更有效率的路線中學習。

本文來源：McKinsey & Company

原作者：Rik Kirkland

編譯：鯨媒體格子

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！