在教育领域，自适应教育是一种主张“因材施教”，针对不同的学生进行个性化教育的教育方式。然而要做要千人千面，其背后需要数据分析、人工智能等技术支持，因此自适应教育也有智能程度之分。
为了与传统的自适应教育区分，目前做人工智能自适应教育的公司都倾向于称自己为“智·适应教育”。智适应教育从哪儿来？又将到哪儿去？如何做好一个真正的AI智适应教育平台？人工智能算法如何更好地为智适应教育产业服务？
近日，2018全球AI智适应教育峰会在京举行，中国、美国三大AI+教育的代表公司：Knewton、ALEKS、乂学教育同台对话，解答了以上关于智适应教育的问题，雷锋网亦来到现场。
关于教育的演进，Knewton的创始人Jose Ferreira有着自己的看法——人类教育事业的发展中间有几次较大的变革，第一次是印刷术的出现，推动了文化教育的普及；第二次是线上教育与移动教育，可以将一些好的教师课堂进行录像，然后在全球范围内播放，从而达到了两个方面的效果：获取教育与提升教育质量。而最近的一次颠覆性的革命就是“AI+教育”，它会像当年的钢铁战舰摧毁木质战舰那样所向披靡的，并对所有行业的竞争对手造成碾压。
Jose Ferreira认为，“移动互联网可以提供并挖掘数据，有了数据就可以个性化，有了个性化可以改变教育的质量。智适应教育可以挖掘学生的数据，帮助学生学习，利用产生的数据进行个性化教育。”
在人工智能的帮助下，个性化教育的步伐在不断加快，但Jose同样觉察到，“当今的AI虽然已经处理了海量数据及千百亿次的测试，但是并没有实现真正智能化的生活。当前的人工智能还处于所谓的模拟智能阶段。”冒牌的假智适应并没有智能算法匹配，在知识点的拆分方面也比较粗犷，而真正的“智适应的系统就不一样，有非常好的材料和工具，而且可以根据学生的情况实时变化、更新和重新设计。”因而，冒牌的假智适应必将会被高质量的智适应教育所取代。
如何把这种智适应学习带入市场呢？Jose认为初创企业还是很有机会的，虽然它们不具备规模优势，但他们的反应速度较快，可以较好的进入到终端市场，获得用户的反馈。而在这个方面，亚洲尤其是中国的发展速度更快，因为中国市场B2C补习学校业务模式已经得到众多用户的认可，十分有利于智适应教育场景的落地实施。
Jose还提到，随着人工智能技术的演进，未来一些岗位将会被人工智能所取代，而智适应学习则可以根据每个人的不同状况，为其提供更有针对性的再就业教育与培训，不至于沦为科技进步的牺牲品。
雷锋网了解到，长期以来，中国教育界流行着一种“兴趣教学法”，通过游戏等各种方式提高学生的学习兴趣，最终达到教学预期目标。但学生的精力是有限的，且教学的过程是不可量化的，致使无法去真正测评教学的完成度。
在乂学教育创始人栗浩洋看来，不应该是用趣味性解决教育的问题，应该用学习成长的成就感去解决教育问题。智适应教育系统不仅要在作业流程上进行量化考核，并且要深入到学生的课前测试、学习流程、练习流程、课后测试等各个环节，不断寻找学生的最佳学习策略，进行针对性教学，从而提高效率，促进学生学习的成就感。
那么，如何做一个真正的智适应教育系统呢？栗浩洋认为，“如果你只有极少数的知识点和规则的路径，是不可能做到的”。所以，知识点拆分就成为一个非常大的难题。但“当我们把知识点拆分成细腻颗粒度时，可以通过更细致的诊断，判断出学生的程度，进行定位和针对性教学，节省学生的学习时间，提升学习效率。”
栗浩洋表示，教育不应该是一门玄学，通过人工算法的知识点拆分，乂学教育的智适应教育系统不仅可以将数理化、语文等学科进行数据化，而且还可以做到错因重构知识地图以及找到非关联性知识点，将教育变成一个可定义、可量化、可传授的一门科学。并且，在这个学习的过程中，学生的学习能力与创造能力都可以得到大幅度的增长。
雷锋网了解到，乂学教育已经开始研究用AI系统实现创造力培养。“我们把创造力也拆分成分可量化、可规则化、可模块化的描述。通过这些描述，不断采用机器对学生的启发式的人机对话，来获得学生的反馈和感受。通过NLP的语义理解，知道学生的反馈是在哪个层面，然后给到他不同的回答。”
AI智适应系统也需要不断的找到学生的学习最佳策略，通过人工智能的对抗系统，乂学教育能够不断的大幅度提升算法准确度，给到每个孩子的精准的知识内容推荐和学习路径推荐。乂学教育根据大量的学生反馈显示，每个学生对智适应系统的感受都不一样，他们觉得整个智适应系统是人性化的，是根据自己的水平去定制的。
智适应学习系统依赖于人工智能底层技术的发展，这方面来自ALEKS前首席数据科学家的 Dan Bindman有着自己独到的见解，并从技术角度解答了智适应学习系统构建的相关问题。他认为：“高质量的内容、智能AI给所有学生绘制知识转化的状态图谱，以及量身定做的选择材料”，是智适应学习系统的重要支撑点。
Dan Bindman说：“最开始处理知识图表，要检查数据是否正确，系统是否奏效。当时真的是到了疯狂的地步，几千几万个链接，要看到每一个点、线连接绘图方面的问题。但是，这样的系统分年级却并不适用，所以需要我们建立一套模型，不完全依赖于知识点的知识图表，能够处理绘图中大部分能处理的问题。”
究竟什么样的算法模型最合适呢？Dan Bindman认为，与传统的IRT和KST等其他模型相比，多轨道模型更有优势，“通过对学生的知识状态PKS评估可以分析出学生的情况，确定他掌握知识的程度，并跟学生产生互动，继而产生的数据预测精准度就比较高。”“根据模型，可以了解在任何时候学生回答问题有三个因素，一个是学生在知识轨道的能力，二个是问题的权重，第三个是问题的中心概率值。我们通过等式就可以了解学生在某一个知识轨上，他掌握的问题权重，就可以得到他所回答的问题来。”由此看来，多轨道算法模型通过大数据、机器学习算出来的准确度更高，并且能够不断根据学生的成长度来调整学习状态，对智适应学习平台的构建具有十分重要的意义。
相关文章：
正在生成分享图...