人工智能教育领域的专家来剖析智适应技术的内核做对比研究.docx

人工智能教育领域的专家来剖析智适应技术的内核做对比研究.docx

《人工智能教育领域的专家来剖析智适应技术的内核做对比研究.docx》由会员分享，可在线阅读，更多相关《人工智能教育领域的专家来剖析智适应技术的内核做对比研究.docx（12页珍藏版）》请在冰豆网上搜索。

人工智能教育领域的专家来剖析智适应技术的内核做对比研究

人工智能教育领域的专家来剖析智适应技术的内核做对比研究

欢迎下载

人工智能和机器学习第一次让我们真正有可能规模化地实现“因材施教”。

AI+教育不仅能彻底改变辅导教育，颠覆6800亿的K-12校外辅导市场，还有可能彻底改变教育市场格局及教育本身。

变革前夜，在这股新兴的浪潮中，我们来探究智适应教育的国内外成功案例，找到人工智能教育领域的专家来剖析智适应技术的内核做对比研究。

上月，亚太地区第二场“教育界AlphaGo”对人类教师的人机大战在成都上演，对垒双方是乂学教育的松鼠AI教学机器人与平均教龄近20年的三名高级教师、优质课竞赛一等奖名师、中考命题组成员。

比赛结果：

教学机器人组的学生取得的成绩提升比优秀教师组的学生高出了7分。

这是继去年10月份之后，机器人又一次战胜人类教师。

去年，全球最著名的两家科技巨头创始人，比尔·盖茨和马克·扎克伯格联手投入1200万美元到个性化教育，将2017年的教育市场对智能个性化方向的关注推向一个高点；国内，包括乂学教育、好未来、新东方、学霸君、一起作业网等30多家教育机构相继宣布开始转型智适应技术驱动的个性化教育。

本文主要从自适应学习的概念谈起，以乂学教育的松鼠AI智适应系统为范例，美国的几家人工智能自适应企业的技术方案为参考，全面剖析智适应技术的发展历程，深度展示智适应教育技术的核心理念和关键细节。

科技巨头纷纷介入个性化教育，“教育界AlphaGo”教学成绩超过高级教师和中考命题人

5月在成都举办的亚太第二场“教育界AlphaGo”对人类教师的人机大战，相比去年第一次在郑州的70多名学生，这次实验人数达到160人。

对垒双方是乂学教育的松鼠AI教学机器人与平均教龄近20年的三名高级教师、优质课竞赛一等奖名师、中考命题组成员。

最终，教学机器人组的学生取得的成绩提升比优秀教师组的学生高出了7分。

第二次完胜优秀教师的松鼠AI教学机器人所采用的是乂学埋头三年研发打造的基于人工智能的自适应学习模型。

从2014年底开始，中国迅猛地卷起了智适应教育的浪潮，乂学教育、学吧课堂、论答、高木等等一批批新创智适应公司开始落地；传统线下行业巨头也开始布局，好未来一手从BAT挖来700多人改造传统线下教育模式，一手投资了乂学、Knewton、作业盒子等智适应公司；几乎所有的原来做题库、作业、测评、语音识别、视频内容、和流量平台、甚至一对一直播的公司都纷纷宣布转型人工智能自适应，并且因为这个概念纷纷获得了高额融资。

在这一场智适应颠覆教育行业的历史性时机，中国无论是在资本市场投入还是教育行业创始人的坚定性上都已经体现出丝毫不逊于美国的弯道超车的态势，但是在技术水平层面呢？

智适应学习：

实现个性化教育的最佳路径

教育领域的几个最重要的因素：

学生—内容—学习，构成了这一领域天然的完整闭环：

学生对内容的学习，实际上是用户制造数据的场景，而教育领域由于其高度粘性，场景产生的数据反过来又能反馈用户。

人工智能技术出现，让以学生为核心的个性化教育成为资本、技术、市场追捧的对象。

而个性化教育中，智适应学习成为一个重要的突破口和成熟的实践路径。

人工智能技术加持下，教育创新产品呈现出百花齐放的状态。

目前，已有的智能产品包括语音识别、自动阅卷、拍照答题等，虽然这些教学方法部分应用了先进的人工智能技术，但应用场景只停留在学习过程的辅助环节上，而不会直接带来教学质量和效果的提升，实际上与传统的线下教育并无模式上的差异。

此外，各个学习知识点之间无法自动关联。

如果教学过程仍旧主要由老师完成，那么教学内容就无法结构化，学生的学习认知过程也无法数据化，导致算法在教学核心和环节无法发挥作用。

智适应学习的出现，能够解决传统在线教学的痛点，是实现规模化个性化教育的最佳路径。

智适应学习在中国的先行者和范例

乂学教育创始人栗浩洋介绍，“松鼠AI”是基于人工智能、面向K-12群体而推出的智适应学习平台，是乂学教育推出的以系统为主导完成“教”和“学”的核心过程的“全循环”AI教育产品，完全不同于国内其他机构仅仅以测评、练习、作业等辅助老师教学的“边缘性”AI教育工具。

乂学建立的是连续性的全过程的智适应学习模型和相应的算法，其中应用了智能测评算法，能力诊断和学生状态表征模型，以及应用在学习路径规划和学习内容规划这两个方面的推荐算法，除此之外，乂学还在研究利用深度学习进行的学习模式选择和预警/干预等算法。

其核心是通过采集和分析学习数据，让AI结合“纳米级”的知识图谱用最少的时间检验/掌握与目标相关的知识点，连续地通过学生知识状态的衡量，建立个性化的动态学生画像，了解每位学生的学习状态和遇到的问题，相应地设计测试和学习路径，调整教学行为，并在学习过程中不断推荐最合适的学习材料，而且衡量学习效果，并形成对AI预测能力和内容效果的自我学习和反馈。

据乂学教育首席科学家崔炜博士介绍，乂学推出的“松鼠AI”就像AlphaGo模拟围棋大师一样模拟特级教师。

现阶段，乂学教育分别对用户（学生）、场景（学习）、数据（内容）三个要素进行建模：

针对学生的用户画像。

即学生的个人偏好兴趣、学习风格、认知特性、能力水平和知识状态的掌握。

对学习内容进行建模，构建“纳米级”知识图谱。

把不同形式的学习资源以视频、文字、音频、图片和题目的形式展现。

同时建立算法对知识点和题目“打标签”，给出相应的难度系数等。

个性化匹配。

通过前述两个步骤产生的数据，为每个学生匹配最适合的学习路径和课程，推荐个性化的学习内容，最大化学习效率。

美国自适应的探秘和借鉴

乂学的人工智能自适应学习模型和技术，代表了中国市场上的最先进水平，很大一个原因在于乂学教育的创始人栗浩洋，先后引进集结了三位全球领先的智适应学习技术专家包括崔炜、RichardTong和DanBindman分别作为首席科学家、首席架构师和首席数据科学家。

崔炜、RichardTong和DanBindman分别来自于全球著名的三家人工智能自适应教育企业RealizeIT，Knewton,和ALEKS，他们综合了近十年的第一手的智适应教育技术应用和研发经验，让乂学站在了巨人的肩膀上，帮助构建了乂学拥有自主知识产权的不断进化演变的技术壁垒。

RichardTong

DanBindman

崔炜博士

Richard曾先后任AmplifyEducation（NewsCorp）的方案架构总监和Knewton亚太区方案实施总负责人，担任SIFAssociation国际技术委员会委员，从2011年起领导着包括评估和鉴定管理工作组在内的两个工作小组，是美国K-12教育领域公认的专家和领导者。

而Dan Bindman从PhD开始就研究人工智能，在2002年UCIrvine博士毕业后就直接加入了ALEKS的智适应产品初创团队，并领导规划/实施了ALEKS整体的知识点和关联知识图谱（百万级别的图谱数据连接参数体系）；2015-2017年担任Ready4的数据科学总监。

在上个月乂学联合新智元等媒体举办的全球第一届人工智能自适应教育峰会上，三位全球顶级专家的深度演讲吸引了近千人参会，其中参会的近百家基金的总计规模超过2000亿。

更值得一提的是，很多中国同行往往将海外专家聘为顾问，而乂学的这三位专家却全部是全职加入，用全部工作时间投入到技术研究和开发之中，下面是他们对Knewton、ALEKS和RealizeIt的介绍和技术分析：

Knewton

Knewton是一家自适应学习平台公司，2008年由JoseFerreira（自适应教育这一名词的缔造者）创立于美国纽约，目前估值近10亿美金。

核心产品是自适应学习引擎，使用个性化数据展现学生的特征，在学生学习数据搜集、个性化学习内容推送等技术上处于世界领先地位。

其目标是为发行商、学校及全球的学生提供预测性分析及个性化推荐。

其学习效果经过数次十万人次以上的实验和实地使用的显著性论证，得到国际教育界的广泛引用，是自适应领域的标杆型企业。

在学习过程中，Knewton提供了三种核心服务：

向学生提供建议；向教师和学生提供分析服务；向出版商和编辑提供内容方面的见解。

在合作伙伴的数字化课程中，Knewton平台对学生个体的能力偏好进行推断，并在此推断和导师定义的目标基础上，建议学生如何开展下一步学习。

Knewton自适应学习平台的基本流程

在自适应学习技术上，Knewton的最大贡献是结合算法和知识图谱来规模化地实现以学习目标为导向的连续人工智能自适应推荐引擎。

通过细分每个知识点，不断评估每个学生对材料的掌握程度，对学习路径和内容进行动态推荐，下面是Knewton采用的一些基本算法和理论出发点：

1）概率图模型 ProbabilisticGraphicalModels（PGMs）

概率图模型可以分成两大类，分别是贝叶斯网络和马尔可夫网络。

Knewton使用贝叶斯网络计算相关联的知识点之间的关联度，并推导学生在关联知识点上的掌握度以及置信区间。

贝叶斯网络的应用，也是推荐算法的核心。

2）层级聚簇分类法HierarchicalAgglomerativeClustering

Knewton使用机器学习过程中常用的层级聚簇分类法对学生进行实时分组和分类，从而形成适宜其相应程度的学习环境。

3）知识图谱（KnowledgeGraph）

Knewton建立了知识图谱结构模型，并应用标准化的图谱体系来建立完整可复制的内容体系（测试内容和教学内容）和系统宏信息（Metadata，MetaInformationModel，比如学习目标，知识体系，教材大纲，考纲等）直接的关联，并以此驱动人工智能产品的方向和轨迹。

4）连续型的智适应，而非单点自适应（Continuous,asopposedtosingle-pointadaptivity）

Knewton连续型的自适应模型和相应的算法引擎，始终不断地伴随学生行为进行实时计算和预测，并随时推荐内容，活动和调整学习路径。

5）间隔重复和间隔加强等针对记忆曲线的应用（SpacedRepetition，SpacedReinforcementandMemoryCurve）

针对记忆性较强的语言学习类课程，Knewton采用了针对基于记忆曲线和遗忘曲线设计的间隔重复和间隔加强算法，来保证学生的有效深度学习。

Knewton的强项在于平台化的算法运营和完善的B2B服务，这使其快速地占有了自适应市场，获取的大量第一手数据和产品经验。

但这又使其受到合作方的内容和运营模式掣肘，无法充分发挥自适应的潜力。

ALEKS

ALEKS（AssessmentandLEarninginKnowledgeSpaces）是一个基于人工智能自适应的评估和学习系统，最初由美国加州大学欧文分校于20世纪90年代末的教授、博士生、软件工程师、数学家和认知科学家组成的团队开发，获得来自美国国家科学基金会的数百万美元的资助。

ALEKS基于一种名为“知识空间理论”的算法，该理论最初由纽约大学Jean-ClaudeFalmagne博士在20世纪80年代开始开发，并一直延续到ALEKS的创建和全面开发。

[法尔马涅博士是ALEKS的董事长和创始人。

]了解更多：

https:

//en.wikipedia/wiki/Knowledge_space

ALEKS的主要学科是数学（从小学算术到大学微积分之间的所有数学课程）和化学，同时还有一些会计和其他各种课程。

在开始ALEKS的课程时，学生通常都要从20到30个问题开始进行适应性初步评估，ALEKS使用这些问题的结果来快速准确地确定学生已经掌握课程中的哪些知识点、未掌握哪些知识点。

然后，ALEKS仅指导学生他尚未掌握但已经准备好可以开始学习的知识点。

这些是学生已具备了所有先行知识点，但尚未掌握的知识点。

对于学生而言，其他被认为