资讯 业界

好未来 AI Lab 负责人刘子韬:AI + 教育中的四大挑战 | CCF-GAIR 2019

作者:I/O
2019/07/19 16:11

好未来 AI Lab 负责人刘子韬:AI + 教育中的四大挑战 | CCF-GAIR 2019

雷锋网(公众号:雷锋网)按:7 月 12 日至 7 月 14 日,2019 第四届全球人工智能与机器人峰会(CCF-GAIR 2019)于深圳正式召开。峰会由中国计算机学会(CCF)主办,雷锋网、香港中文大学(深圳)承办,深圳市人工智能与机器人研究院协办,得到了深圳市政府的大力指导,是国内人工智能和机器人学术界、工业界及投资界三大领域的顶级交流博览盛会,旨在打造国内人工智能领域极具实力的跨界交流合作平台。

7 月 14 日,伴随着议程进入到第三天,本次大会也迎来了为期一天的智慧教育专场。在这个专场中,好未来 AI 实验室负责人刘子韬博士登台,做了题为《Building The Next Generation of Smart Classroom》的主题演讲。

好未来 AI Lab 负责人刘子韬:AI + 教育中的四大挑战 | CCF-GAIR 2019

在演讲中,刘子韬从好未来在智慧课堂上的探索和研究实践出发,谈到了 AI+ 教育的发展过程中数据获取的复杂性,并由此谈到了 AI + 教育中的四个挑战,分别是:

由此,刘子韬谈到了好未来在面对挑战的过程中提出的 AI 相关解决方案,并给出了相应的案例;比如说数据众包打标签、作业辅助批改和在线课堂监控等。最后,刘子韬给出了自己的观点:AI 在参与到教育应用的过程中所遇见的很多问题都是不曾被研究过的,这其中有很多的挑战,当然也有很多的机遇。

在演讲结束后,刘子韬接受了雷锋网的采访。

针对 AI 如何究竟赋能教育的问题,刘子韬表示,AI 作为一项技术本身其重大作用在于提升效率,就像 Google 提升了人们搜索并获取信息的效率,AI 同样也能在教育领域提升效率,比如说作业的自动批改、教育领域的运营管理(比如说培训机构)等等;不仅如此,AI 还能够在教育范围内改善产品的体验,是学生们在学习过程中获得更好的体验,比如说智能教室等。

以下是刘子韬在 CCF-GAIR 大会上的演讲内容,雷锋网对其进行了不改变原意的编辑整理:

大家早上好!今天我代表好未来跟大家分享好未来在智慧课堂上的探索和研究,今天我主要讲一下我们的进展和整个过程中遇到的困难和挑战。

好未来是一个以智慧教育和开放平台为主体, 以素质教育和课外辅导为载体, 在全球范围内服务公办教育,助力民办教育,探索未来教育新模式的科技教育公司。

好未来的人工智能实验室,是好未来在集团范围内的 AI  Lab,它的职责就是通过 AI 技术来赋能好未来的各个事业线,让好未来的各个事业部拥有先进的 AI 技术。对于好未来的 AI 来说我们要达到什么样的目的?我们有四个愿景:一是希望通过 AI 可以提供更优质的教学内容;二是希望通过 AI 能提供更有效的教学体验;三是希望提供更科学的评测体系;四是更公平的教育资源。

我们提到教育或 AI+ 教育的时候,最重要的是什么?我们想中间最重要的是教学环境,也就是 Learning Environments。

当我们说教学场景的时候,我们可以做一个简单的划分,比如说选三个维度:   

好未来 AI Lab 负责人刘子韬:AI + 教育中的四大挑战 | CCF-GAIR 2019

不同的维度可以把场景进行细致的划分,其中每一块都有它的独特性,比如说在教小学线上一对一和教传统线下大班高中生,其实有很大的差别。学习场景会不一样,产生的数据不一样,教学设计的理念会不一样。针对不同的教学场景 AI 需要针对每一块进行优化和定制。   

教育和 AI 最宝贵的是什么?就是丰富的数据,数据是在各个场景中能产生的数据。这些数据的产生也选两个维度划分一下: 

上面一行是数据什么时候产生。首先是上课之前产生什么样的数据,除了一些学生的课前侧,还会包括家长、销售、学生之间的沟通记录;其次是课中,课中会产生很宝贵的数据;再次是课后,课后会产生学生的课后练习题、家长的反馈和给家长的报告。   

产生数据的主体是老师、学生,中间还有一个很大的环节,我们这里会称为管理者。什么样是管理者?管理者是比较泛的概念,在整个的教学全流程中,包括课前、课中、课后,教学管理者包括跟家长沟通的学习规划师,或是有些地方叫顾问,还有一些销售。包括管理老师的人,大家知道培训机构有很多老师,如何把老师管理好,让他们的教学质量一致、归一化,这些都会产生很多的数据。   

好未来 AI Lab 负责人刘子韬:AI + 教育中的四大挑战 | CCF-GAIR 2019

这里是细粒度的划分,给大家举几个例子,课中的时候,老师可以做什么?老师可以跟学生发起语音互动 Voice Interaction,可以跟学生换脸 Face Filter,直播的时候可以帮学生换脸、换场景。老师手里有什么?老师手里有很多 Pad、智能笔,学生手中会有很多的答题器,学生可以通过答题器和老师互动,课中的环节会有很多的数据。

管理者有售前的销售,给家长销售什么样的课程,以及和销售的聊天记录。课后上完以后,学习规划师会跟家长沟通、交流,会告诉你这堂课学生表现怎么样、孩子怎么样,这些都会有交流,会以数据的形式沉淀下来,数据的产生和全流程的把控对 AI 非常重要。

前面讲了教育的数据,各个环节都能产生各种各样的数据,当这些数据产生以后会是什么样?用一个比较学术上的词是 Multimodal ,也就是多模态,主流的多模态会有三种结合:一是文本数据,很多的数据以文本的形式产生出来。二是上课的时候多数会以视频的形式记录下来,会有一些视频的信息。三是还有一些语音信息,中间老师说了什么,学生回答了什么,这些数据会被记录下来。对于 AI 来说,这些都是很宝贵的资源。它一定是 Multimodal Machine Learning,今年 CMU 的教授写了一篇新的文章,文章很好地总结了 Multimodal 的问题,这里有五大问题是我们希望能解决的:

具体应用到需要的 AI 技术,这个大家都比较理解,更多是方向上的东西,Multimodal Machine Learning 需要梳理不同的数据,需要的 AI 技术也是各种各样的,它是各种融合的过程。比如说 Speech,我们需要 ASR、需要降噪的方法;比如说数据挖掘,它需要更综合的能力,我们预测学生什么时候会退费,如何给学生推荐最适合他的老师,包括做一些个性化知识图谱,它需要的各种技能是不一样的,包括很多的模型是部署在端上的,教室的资源有限,我们在端上会有一些模型的加速和优化。

前面讲了数据和大概 AI 的范畴,我们中间会遇到什么样的挑战?这里的挑战非常多:   

好未来 AI Lab 负责人刘子韬:AI + 教育中的四大挑战 | CCF-GAIR 2019

基于上面说的问题,好未来做了一些很接地气的 AI 应用,来具体解决好未来场景中解决的问题。我们部署的系统在好未来已经跑起来真正在用了,每天都会在处理成千上万节课,这些工作我们都会发表在相关的会议或是顶级的杂志上,比如说 WWW、ICDE、AIED 等,包括我们部署的系统,包括课堂的监控这些维度,以及包括我们做的中文评测表达等。   

快速举几个例子:   

第一,我们今年已经在澳门 ICDE 上发表过一篇文章,如何从众包的标签中进行学习?为什么我们要众包标签学习?我们需要大量的数据进行学习,除了需要大量的数据,我们需要很精准的标签,现实的世界中有标签的数据比较小。我们怎么办?就是找人标,这是毫无疑问的,找人标就是 Crowdsourcing,找到人标的数据一定不是海量的数据。 

基于这样的情况,如何使用现有的方法解决现有的问题?我们的数据量有限,可以做一些 Grouping,蓝色是正例,红色是负例,蓝色 100,红色 50 个,一共 150 个样本,这是无法做深度学习的;虽然样本单个很小,但是我们可以做一些组合和配对,通过组合我们可以产生很多的样本量。五个人打标签可能是 3 比 2,最简单的情况下,虽然是 3 比 2 给它一个知信度,给它 0.6,每个人打的标签不一样。我们提出了深度学习的框架,通过 Grouping 的方法和对样本标签的 Confidence,和 Model Learning,我们可以得到深度学习的模型。具体细节可以详细阅读我们的论文 Learning Effective Embeddings From Crowdsourced Labels: An Educational Case Study。   

接下来我们介绍自动批改作业。 

自动批改的场景是什么?自动批改不是你给我一个高考卷子,我给你改出多少分,只是想解决特定的问题;比如说一个学生在家解一道题,他的父母在侧面拍小视频,这个视频会传到我们的后端,后端会有程序进行自动批改,这是数据产生的场景。 

我们会给学生布置题目,在好未来会称为口述题,口述题想解决什么问题?众所周知,相对于外国人的开朗,中国人以前受到的教育要谦虚、低调,可能会比较木讷一些;我们希望中国人在这方面不输给外国人,我们从小培养学生的中文口语表达能力。基于这个大背景,我们希望小孩不停地说,我们希望给小学生出一道题,他能讲解这个题的过程,我们不关系这道题的答案,希望他能讲解出来,这是我们设计题的初衷。   

从具体案例来看,这个题目是很受欢迎的,效果也很不错,但背后我们遇到一些问题,就是老师改不过来了。试想一下,如果一个班如果有 30 个学生,一个学生上传两到三分钟的视频,老师听、写评语、改一下,一个学生老师要花五分钟,有三十个学生,老师凭空多花 150 分钟,非常浪费时间。

那么 AI 能不能帮老师做一些辅助批改?基于这样的初衷,我们设计了 AI 辅助批改解决方案,我们有学生的答案和老师的标准答案,我们会有两方面的文本;通过 Transformer 和 Multiway Attention,对学生提交的答案和相关的问题,进行深度的语义融合和匹配,实现口述题的辅助批改。我们做了很多实验,我们创新提出的方法,打败了传统机器学习的方法、深度学习的方法。具体的实现细节,可以参考我们今年在 AIED 上发表的论文 Automatic Short Answer Grading via Multiway Attention Networks 。

下面介绍我们在后台上线的真实系统,这个系统就是在线课堂质量管控系统。 

举一个简单的例子,这是一个传统的在线一对一的上课画面,一边是老师,一边是学生,中间是课件。其中的问题是什么?这堂课上下来只有学生知道、只有老师知道,没有其他任何人知道这堂课上的怎么样,因为家长是不会坐在边上看的;假如这个学生马上高考了,他不爱学习,成绩很差,经常在家打游戏,如果这个老师并没有很好地教学生上课,而是教学生如何打游戏,会发生什么样的情况?学生很开心,家长问学生这堂课学得怎么样?学生会说这个老师教得特别棒,教得特别好……这样的情况是我们不希望发生的。我们想杜绝这些不应该在传统课堂上发生的现象,通过人工检查的方式一定是做不到的,而这种案例是极其致命的,家长发现一次这样的情况,家长不再相信这个品牌,会产生退课和一系列的坏的口碑传播。

所以我们希望通过 AI 来监控课堂质量,学生维度和老师维度我们都会监测。在学生维度,我们希望这堂课学生频繁开口,我们会监控学生的表达次数,同时包括学生有没有主动提问,学生的提问次数、学生有没有按老师的要求记笔记等。老师纬度我们会监控更多,我们希望提高整体的教学质量,包括红线词(老师上课有没有说骂人的话),老师的静默时间,老师有没有提问学生,老师有没有带着学生记笔记,老师有没有讲和学科相关的东西,而不是闲聊等。   

第一步是简单的运营手段,有了这个我们可以有运营的管理闭环,不好的事情发生,可以对老师进行处理,这是 AI 落地教学管理运营的闭环。这不是我们的最终目的,我们的目的是用 AI 提供极致的教学体验和达到良好的教学效果。这个教学体验可以通过 AI 进行多维度量化,我们称为“四色分级”,红色是最差,绿色是最好的,上完课会对课堂打分,如果是红色说明这堂课非常差,随着课堂的演进和变化效果越来越好,希望最终都是绿色,这是课堂的量化。   

在做 AI+ 教育的过程中,有很多的挑战,也有很多的机遇。其中要解决的很多问题都是学术界不曾存在的问题,包括众包的相关问题以及很多小数据的问题;现阶段学术界很多东西才刚开始做,包括小样本学习。

我刚才介绍了 AI+ 教育的挑战以及落地的应用,很多时候里面的机会很大,还有很多的问题不曾被人研究过。这里挑战是很巨大的,同时也有很大的机遇。 

谢谢大家!


「AI投研邦」将在近期上线CCF GAIR 2019峰会完整视频与各大主题专场白皮书,包括机器人前沿专场、智能交通专场、智慧城市专场、AI芯片专场、AI金融专场、AI医疗专场、智慧教育专场等。「AI投研邦」会员们可免费观看全年峰会视频与研报内容,扫码进入会员页面了解更多,或私信助教小慕(微信:moocmm)咨询。

文章点评
相关文章