雷锋网按：近日，CNNIC（中国互联网络信息中心）发布最新中国网络发展状况统计报告表示，AI技术正驱动教育产业升级。在这一浪潮下，一大批教育企业正拼尽全力加入AI+教育的阵营，以期争当第一批吃螃蟹的“王者”。本文由雷锋网编译于培生集团发布的关于AI+教育的研究报告《Intelligence Unleashed: an argument for AI in education》，作者为来自UCL（伦敦大学学院）的Rose Luckin、 Wayne Holmes，以及培生集团的Mark Griffiths、Laurie B. Forcier。
众所周知，很多AI+教育的应用已经被大中小学校等机构所使用。许多包含AI+教育和教育数据挖掘（EDM）技术也被用来追踪学生的行为。
举个例子，通过收集课堂上学生的出勤率和任务提交的数据，以便了解学生是否处于无心学习的状态。还有其他AI研究员正在探索更具创意的用户界面，如 NLP（自然语言处理）、演讲和姿态、眼球追踪和其他物理传感器。
然而，在这篇文章里，我们将着重专注于三类已经可以直接用来支持学习的AI+教育软件应用：
▪ 为学习者提供个性化指导；
▪ 为协作学习提供智能支持；
▪ 虚拟现实辅助学习。
自适应系统丨AI+教育可以为每个人提供智能化、个性化指导
在实体教学中，一对一指导往往被认为是最有效的途径。但是这个方法对所有学生而言并不完全适用。原因有二：一来没有这么多老师，二来学生也担负不起这么高的辅导费用。
所以这就给大家提出了一个难题：我们如何将一对一指导的积极影响提供给所有科目的所有学生。
这也是ITS（智能辅导系统）接入的地方。ITS 利用 AI 技术，可模拟一对一指导，提供最适合学员认知需求的学习任务，并提供针对性的及时反馈意见。而这个过程都不需要老师的出席。
一些ITS系统还能帮助学员管理自己的学习状态，从而培养 自律能力。还有一部分人可使用教学策略来管理学习，以便在学习中可以获得适当的挑战和支持。
20世纪70年代，第一批AI系统提供了 个性化和自适应指导。以 BUGGY 为例，这是一个旨在指导加减法的开创性系统，使用了一个学习者在程序运算中可能会弄混淆的模型。这个“错误库”，是该系统中一个有效的主导模型，用于诊断学员们犯的每一个错误，以便提供适当的指导。最初，它受到可以识别的错误的限制，而这些 bug 已经包含在原始代码中。随着时间 的推移，额外的误解被发现并被添加到这个“错误库”里。
除了这些模型，最近很多 ITS 系统还使用了机器学习技术、基于大数据集的自我训练算法和神经网络，它们可为这些学习者提供正在学习的内容 并作出适当的决策。然而，通过这个方式，依然很难让这些决定变得合理又明确。
相较而言，基于现代模型的自适应 系统则要灵活得多。它们可以让系统作出的每一项决定，都 能被人类正确的理解，从而更适用于课堂教学。在过去十年中，随着学习者和教育学家的日益复杂性，主导模型也被引入到许多自适应系统中以支持个性化学习推荐。
例如， iTalk2Learn 系统，旨在帮助年轻学生学习数学的「分数」部分，并使用了一个学 习者模型，其中包含了学习者的数学知识水平、认知需求、情感状态，以及他们收到的反馈和对反馈的反应等信息。
基于自适应学习可以包括一系列AI+教育的工具：
▪ 学习者认知和情感状态的模型。
▪ 利用对话让学生参与涉及探究和讨论、提问和回答的学习体验。
▪ 包括开放式学习者模型，以促进学习者的反思和自我意识。
▪ 采用元认知架构（如，通过提供动态帮助或使用叙述框架）来增强学习者的动机和参与度。
▪ 使用社会模拟模型——例如，通过了解社会 规范和文化，让语言学习的学生可以更好地与目标语言的演讲者交流。
协作学习丨AI+教育可为协作学习提供智能支持
几十年的研究表明，对于协作学习来说，无论是在一 起参与项目的两位学生之间，还是一起参与在线课程的社团里的学生之间，都比单独学习 要有更 好的学习成果。协作学习是有效的， 因为其能鼓励参与者表达和加强他们的想法，并通过建设 性的对话来消除分歧，并对共享的知识提出新的 理解。此外，协作学习还能加强动机——如果学生关注 所在的小组，他们 将更积极地参与到该项任务中去，并实现更好地学习成果。
然而，研究也表明，在学习者之间的协作 学习并不会自发的发生。比如，小组成员可能并不具备协作所需要的社会互动技能。这在线上合作的 各协作方之间很 少有线下交流的背 景下就显得尤为困难。而这点正是AI+ 教育可以切入的地方。根据我们调查的结果，主要专注以下四个方面：自适应小组的形成；专家简易化；智能虚拟助理；智能审核。
自适应小组的形成
该系统一般使用 AI 技术和知识来管理独立的参与者，最常见于学习者模型，以形成最适合特定协作任务的小组。目的可 能在于让这个小组里的学生在认知水平和兴趣上具有相似性，或者参 与者之间能互相为彼此带来不同但互补的知识和技能。
专家简易化
这些有效的合作模式，统称为“协作模式”，一般用于为协作学生提供交互式知识。这些模式由系统作者提供，也由先前的协作方式衍化而来。例如，如机器学习、马尔科夫模型等 AI 技术，已被用于识别有效解决问题的协作策略。这些可以用来训练系统，以帮助学生更好的理解彼此分享的知识和概念，或者在正确的时间为正确形式提供有针对性的支持。
智能虚拟助理
这种方法涉及引入到协作过程中的智能虚拟助手。这些AI助手可能会调解学生的线上互动，或者简单的通过以下方式促成对话：
▪ 专家参与者（一位教练或导师）
▪ 虚拟小伙伴（类似一位和该学生处于相同认知水平的虚拟同学，但是这位小伙伴能引入小说创意）
▪ 或者学生自己——例如，虚拟小伙伴可能存在理解不当的问题，从而为学生提供替代性观点，以刺激更有创造力的论证和反思的产出。
智能审核
由于有大量的学生处在多个协作小组中工作，所以一个人不可能弄明白参与者们在讨论过程中产生的大量数据。这时候就需要智能审核的方法。其通过 AI 技术，如机器学习和浅层文本处理，来分析和总结这一讨论，从而让人类教师能够引导学生进行有效的协作。例如，系统可以向人类教师提供警报，以向他们通报可能需要其干预或支持的重大事件，如学生在做题过程中脱离主题或出现重复的错误。
VR辅助丨VR可用于真实环境中辅助学习
AI 首次出现是在 1979 年的数字游戏中，当时 Pac-Man 的开发者使用了一种称为「状态机」的技术（可根据条件在各州之间转换）来控制 物体的朝向是面向还是远离玩家。现代大多数数字游戏中的AI也都是基于这种简单的方法。随着基于游戏 故事的展开，自主的 非玩家角色从游戏和玩家中获取信息，并且在该信息的基础上，使用AI算法来确定最合适的动作。
VR 也是基于类似的方法被应用于学习和工作中。它为 用户提供了一种在现实世界无法切实访问的（例如一些危险环境）身临其境的体验。研究表明，这种方式可以为学生提供一种和模拟世界探索和互动的机会，从而可以把在真实世界里学到的知识成功转移。
例如，虚拟潜艇可能允许用户可缩小到微观层面，以调查在 岩石池表面发生的自然过程，或者学生有可能借其探索核电站、古罗马或者外部行星。
一方面，当 VR 遇见 AI 时可以变得更加“智能”。AI 可以被简单的用于增强虚拟世界，使其能够以更自然的方式与用户的行为进行交互和响应。或者，借助智能 辅导系统，AI 也可能被整合，以提供持续的智能支持和指导，从而确保学习者能与预期的学习目标正确匹配，而不至于迷茫。
虚拟教学助理也被囊括其中。其可以作为教师、学习辅导员或者学生小伙伴的角色参与到协作学习的任务中。这些助理角色可以提供可替代的观点、提出问题，并提供反馈，所有这些都是基于适当的、指定的教学模式。
许多研究表明，沉浸在 VR 中可以增强教学效果，使学生能够建立一套对探索世界的主观理解。甚至还有一些学生在此过程中被挖掘出隐藏的潜力，而变得更加自信。
此外，虚拟世界中的智能合成人物可以在学习者处 于过于危险或不愉 快的环境中发挥作用。例如，FearNot 是一个基于学校的智能虚拟环境，可以虚拟戏剧的方式呈现欺凌事件。受欺凌的受害学生，可在戏剧中扮演这位被欺凌的学生的朋友。在该系统中，学 习者提供了在戏剧情节之间应该做出怎样的行为的角色建议，并就此探索欺凌问题和有效的应对策略。
另一方面，VR也可以用于智能团队培训。据雷锋网(公众号：雷锋网)了解，目前的虚拟人类也能对单一事件进行推理，从而采取行动，给出谈判方案，以指导人类进行类似的评估，如维和方案等等。
......
结语
总而言之，这三种类型的应用程度已被用于各种学习环境 中。在 AI 的助力下，这些学习环境不仅更加个性化，而且也更具包容性和吸引力。比如，它们不仅 可以为有特殊教育需求的学习者提供额外的帮助，还能激励一些处于不利环境的人群更好地 专注学习。
AI+ 教育的应用同时也比替代方案更加灵活。因为它们很多被部署在线上，学习者从而可 以根据时间来安排学习。不过，AI+ 教育领域的研究人员还在探索更多的移动设备，以便学 习者可在任何时间、任何地点，学习自适应系统上的材料或者参与协作学习，进行社交。
不过我们也要意识到这样一个事实，虽然 AI+ 教育已经取得了很大的进步，但目前依然处于初级阶段。随着 AI 技术的发展和 成熟，并被进一步运用到实际应用中，AI+ 教育的 前景将不可限量。事实上，这一趋势在今年也变得 尤为突出，一大批在线教育公司正力求摆脱互联网的标签，全力涌入AI阵营中去。
注：图片皆来源于网络
本文作者：李秀琴
本文转自雷锋网禁止二次转载，原文链接
