教育领域中的人工智能：数据比收入更珍贵

在过去两年中，公众对构建自动学习和改进自己的操作或经验（而不是显式编程）的复杂算法的兴趣不断增加。我们称之为 “ 人工智能 ” 或更好地“ 机器学习 ”。事实上，这样的工作已经持续了数十年。例如，人工智能提升协会是从1979年开始，一些想法可以回溯到希腊时代，或至少到20世纪40年代就处于可编程数字电脑时代的早期阶段。

最近，Bloomberg Beta的投资者Shivon Zilis一直在建立一个机器学习应用于其他行业的景观图，教育为其制定了列表。一些技术人员担心某些危险，比如埃隆·马斯克（Elon Musk），正如纽约客所写的那样，他对于结果已经有了糟糕的预测。他在上一周与一位更加乐观的人——马克·扎克伯格（Mark Zuckerberg）相遇。

但投资者仍在大步向前：本周，中国语言学习创业公司——流利说，利用人工智能机器学习算法向4500万中国学生教授英语，筹集了近1亿美元来加快工作。

EdSurge 在过去一周在旧金山与 Adam Blum（OpenEd首席执行官）、Armen Pischdotchian（IBM Watson的学术技术导师）、Kathy Benemann（EruditeAI的首CEO）还有 Kirill Kireyev（instaGrok的创始人，TextGenome和GYANT的技术负责人）进行了会谈。 EdSurge的Tony Wan主持了会议。以下是谈话中的几个摘录：

EdSurge：人工智能有望改变下一代人的教育方式。最接近的改变程度是多少呢？与现在的相比有什么不同？

Benemann：数据比以往任何时候都多。在EruditeAI，对于我们来说，数据比收入更珍贵。有了更好的数据，我们可以更好的训练我们的算法，但是有重要的一点一定要记住，AI的制造者最终是我们的人类。

Pischdotchian：如果你回想起早年的教育模式，我们称之为工厂模式。 教师广泛地教授所有学生同样的学科。 这不是我们今天所说的话。 诸如Chan Zuckerberg Initiative等组织正在寻求大修这个模式。 根据工厂模型将不能再完成学习， 因为这种方式是不可持续的。 工厂若要求当下的孩子们积极开展我们称之为“ 新领 ”的工作结果又将会如何？

Kireyev：教育内容数据的爆炸式增长，无论是针对学生还是来自学生反馈的数据， 我们想要看到学生在做什么，都要比过去快得多。 例如，当孩子们玩Scratch时，他们的工作是基于网络的；当他们无聊时，可以看到他们什么时候开始观看视频，什么时候停止。 你能从他们的行为中洞察很多的东西。 透明的数据收集是非常有价值的， 而且技术的可用性更大，是可以从字面上使用的东西。 所以更多的人正在尝试用AI和机器学习来做事情。

好的，我们听说过数据的爆炸，还有关于改变学校模式的必要性。 那接下来会如何发展呢？

Blum：接下来有两个大的趋势 ，恰好我们处于刚开始的过程中。 我们与IMS全球学习合作。第一，在技术标准方面，如Caliper和xAPI（或Experience API）正在起飞。 第二，在这有很多的领域，教育只是其中之一，但是你没有长期的数据。 所以如果你想为学生挑选下一个最好的事情时，你必须使用一种不同的方法——强化学习法。 所以如果我没有百万个数据记录，我可以随时去探索。 这也是Google如何解决AlphaGo挑战的。

我们在教育中能看到哪些AI的应用程序？ 我们是否已经开始使用？

Pischdotchian：这是关于如何在学习经验中找到模式。 如果一个人在数学上非常强，系统该如何识别这个问题并把它反馈给老师，以至于为学生提供更好的导师工作服务？ IBM正在与芝麻街合作，他们正将大学作为机器学习开发的测试平台。我们在麻省理工学院进行了一黑客马拉松的测试，所有的教室都安装了相机（学生们都知道）， 如果一位教授正在讲课，他可能不会看出班上有没有人睡着，但我们可以使用面部识别来描绘情绪（如无聊），并发送给教授一个消息告知他。

Benemann：你看到的每一个地方，人们都在质疑AI教育和关于它的一切。 AI应用在教室里是什么样的？ 是否有一天会放开使用？ AI会替代老师吗？ AI会帮助老师放松自己的时间，让他们成为学生的“指导”吗？ 自适应平台（如ALEKS或Knewton）可以帮助学生学习事实并使老师能够指导吗？

（来自Shivon Zillis的机器情报状态3.0调查）

这是否表明，没有AI，市场上的“ 适应性 ”技术并不是真的具有适应性？

Benemann：一些工具是适应性的，但他们说他们是“ AI ”。

Kireyev：Instagrok是一个视觉搜索引擎。 我们正在使用机器学习来识别重要的事实、概念、然后让学生在任何方向上追求学习， 他们也可以合成它，组织它。 TextGeonome是另一个项目。 我们正在建立基础设施，以深入开展基于AI的词汇开发。 我们问：给定一个学生和年级，他们需要学习什么类型的单词？

Blum：在ACT（获得OpenEd），我们专注于以下问题：如果您确定了学习差距，帮助学生的最佳教学材料是什么？ 不仅仅是ACT材料， 我们想给你可以找到的最好的教学资源，在这个过程中，我们使用机器学习来定位那些更好的资源。

在某些地区，如果您不使用机器学习来预测模型，那么您将会失业。如，大学招生办公处。

当您从统计评估模型转移到深度机器学习（涉及神经网络）时，没有保持步调的是“ 可解释性 ”。您可能有一个神经网络，您无法解释。因此，预测算法变得更好，当您进入多层神经网络时，一个关键的挑战是可解释性下降。在一些严格监管的市场 ，例如教育和医学方面，必须开发更多的解释性工具。

假设你在一所大学：他们使用统计模型来挑选入学课程。现在，如果有一个神经网络或一些机器学习程序，就能更好地预测学生的成果。当然，有大学是这样做的，可他们不会说，因为赌注太高了。但是您可以确定他们正在使用机器学习来挑选入门课程，而我们需要一些总结工具来解释这些选择。即使深刻的学习很复杂，但为了让更多人接受，我们必须提出一些解释性的大要素：他们是如何到达的？

有人担心像“ AI ”这样的词会成为用来销售产品的标签。 假如说我是一个老师，edtech公司说“ 我的数学工具是AI支持的 ”，那我该向他询问哪些问题？

Blum：这个问题回溯到可发现性和可解释性。 如果你要拍AI标签，那我想知道更多：你在说监督的象征系统？ 自然语言处理？ 如果你只是说“AI”，没有任何进一步目标的话则会降低你的信誉。

Benemann：供应商应该谈谈学生成果和教师实践。不要说AI。这只是让学生学习和老师练习的另一种方法。你最好去说：因为你使用这个产品，我可以做个案研究，提高效率，减少教室浪费的时间。

在保护学生敏感性数据隐私和安全的同时，如何平衡AI工具的数据需求？

Blum：我们正处于一个没有PII（个人识别信息）的地步。 如果你有足够的知识，你可以解构任何人可能是谁。 所以需要有行业标准。 如果我们说“这是你可以收集和分享的东西”，“这是一个可以改善edtech开发人员工作的领域“。我提出的一些事情是需要更好的隐私标准，所以如果他们遵循了标准的话是没有人能够起诉他们的。

Benemann：谁拥有数据？ 看看健康保健。 这是一个零碎的市场，但是有一种趋势是患者越来越多的拥有自己的数据了。我想知道我们是否可以指出由学生自己（学生和他们的父母）所说而掌握的数据，“是的，学校可以访问”。

工作自动化是许多人担心的威胁，它将对教师和其他职业产生什么样的影响？

Kireyev：我看到教师的角色正在以美妙的方式转换。领导力，教学指导…这些都是我从老师那里听到的令人兴奋的事情。然后越来越多的教师将更深层次地转移到孩子中来，而不仅仅是解释方程如何工作。

Blum：为职业教育这一学习目标已经做了很多努力。但它还没有被充分利用。我们需要更多前瞻性的思考… 在10年里成为一名卡车司机的意味着是什么？跨行业的供应链是如何被影响的？我们需要努力使职业教育变得更好。

Pischdotchian：因此，以STEAM（ 科学，技术，工程，艺术和数学）替代STEM是非常重要的。因为人工智能以后，会更注重艺术，创造力，心理学，等右脑思维的发展，而不是分析和数学的左脑思维。心理学、历史、辩论班、幽默和戏剧，至少在我们的一生中，这些方面不是适合人工智能的。

AI能够很好地将某些事物变得非常容易，但还有一个大家关心的问题就是AI不能拥有和人类一样的思维方式和情感，在某些方面就会显得不自然，因此，也可以说技术的成长进步与舒适自然是不能共存的。