Instructor's Role in Adaptive Learning
 |
| Netgear XS716E 16埠 10Gb 簡單網管交換器 SWITCH |
leiphone 作者：黄善清
11月15日-16日，「全球AI+智適應教育峰會」在對岸中國北京嘉里中心大酒店盛大開幕。
AI 自適應學習是目前產學研三界關注度最高的話題之一。此次峰會邀請到美國三院院士、機器學習泰斗 Michael Jordan，全球公認機器學習之父 Tom Mitchell，史丹佛國際研究院（SRI）副總裁 Robert Pearlstein、美國大學入學考試機構 ACT 學習方案組高級研究科學家 Michael Yudelson 等頂尖學者。
但台灣在自適應學習，這方面的探討並不多見。在 16 日上午主論壇上，Tom Mitchell 帶來了一場精彩的主題演講。以下為他的演講內容，雷鋒網 AI 科技評論整理。
我認為這 10 年對自適應教學來說，是最好的 10 年，因為我們開始看到技術變得成熟，越來越多的公司開始運用這些技術，我相信本次會議，將是這個領域的轉捩點。
我今天主要想跟大家談幾點想法，內容主要關於人工智慧可以如何，與自適應學習產生聯繫。
YouTube 上截取的這幾張圖片告訴我們，什麼是自適應學習。在自適應體系中，老師會不斷地評估學生的能力、發現他們的不足點、給他們設立目標、發掘他們的學習需求，甚至根據他們的學習速度，來提供更好的建議。
我們發現已經有系統，開始在做這件事情，然而都處於早期階段，我們接下來的工作重點，應該更多放在系統改善上。
機器學習和人工智慧，將成為自適應學習的驅動式技術
機器學習這 10 年的發展非常快。比如一開始表現不怎麼理想的電腦視覺，後來的辨識精度已經變得幾乎跟人眼一樣；語音學習的情況也一樣；還有圍棋，AI 已經成功打敗了世界冠軍；機器人汽車方面，我們將迎來越來越多的無人駕駛汽車。
展望未來，機器學習將如何促進 AI 的發展，進而促進自適應學習的發展呢？這裡有三個問題值得我們來一起來討論：
1. 機器應該學習什麼？
我們需要個性化的、基於每個學生的教學策略。我們希望機器可以根據學生的退學率、學生的考試成績，來提出一些建議，包括老師應該在什麼時候介入，以及老師應該如何在學生和機器之間，進行介入等等。
2. 應該從哪些數據中進行學習？
現在存在各種類型的數據，當中包括環境式的數據，比如說教室裡的攝影機、耳麥、話筒等等，透過這些環境數據，我們可以更好地瞭解學習者的情況；身體的傳感數據，比如說智慧手錶、智慧椅子，可以感知到學習者當下的學習狀態；還可以透過 EEG 監測大腦的數據。總之，選擇什麼樣的數據來源，對機器學習來說很重要。
對機器學習來說同樣很重要還有算法。
以監督式學習為例，卡耐基梅隆大學一名博士生提出的網路，可以預測哪些學生會從網課中退學。它監測的數據，包括學生在課程上花的時間、滑鼠的點擊數等等，實現從輸入與輸出兩端進行監測。
由於監督式學習對自適應教育來說很重要，所以我們需要一系列的技術，來提升監督式學習的精確度和效率，同時考慮學習環境的情景。
從預測學生會從哪門網課中退學，從而預測該學生會不會也從其他課程中退學，是在跨任務轉移當中，需要我們重點關注的。
從預測學生會從哪門網課中退學，從而預測該學生會不會也從其他課程中退學，是在跨任務轉移當中，需要我們重點關注的。
3. 多任務處理學習
這是 20 世紀 90 年代末提出的學習理論，要想提升系統預測的準確度，就要將其他變量也一並考慮進來。比如說監測哪個肺炎病人的病情將會惡化，除了肺炎本身的嚴重程度，我們還會一並考慮病人的白細胞數量、是否曾經轉入 ICU 治療等等，透過這種方式，來更好地預測病人肺炎惡化的幾率。
同樣的模式運用到學生的退學率預測上，我們可以將學生的其他變量，如期終考試成績，等一並考慮進來。
同樣的模式運用到學生的退學率預測上，我們可以將學生的其他變量，如期終考試成績，等一並考慮進來。
這個技術之所以能成功，是因為它可以訓練我們的系統，進行包含多變量的預測，在這過程中會產生一些歸納程序，進而有效提升系統的預測效果。
另外一個有意思的算法是非監督式學習。
這是我的同事在卡耐基梅隆大學做的研究，他們根據學生回答問題的正確率，對學生進行分類。大家可以看到圖中，有三種不同顏色的曲線。
綠色一組最開始的表現特別好，後來表現突然下降了，之後再沒之前的表現好。對於非監督式學習，只要發現一個規律後，我們就可以進行干預，比如我們可以預測，這三組學生的期末考試成績，以便更好地指導其他學生。
接下來談一下增強學習，這種算法的特殊性在於，我們會在不同的時間點，給予不同的行動指示，比如 AlphaGo 就是透過這種方式，不斷增強自身能力，最終打敗了圍棋冠軍。
簡單來說，圍棋上的每個點、走的每步棋都是決策過程，我們透過設置一個獎勵機制，不停地告訴系統，應該如何做才能取得成功，在這過程中將產生數百萬個行動的序列，我們透過這種方式，反覆對網路進行訓練。
簡單來說，圍棋上的每個點、走的每步棋都是決策過程，我們透過設置一個獎勵機制，不停地告訴系統，應該如何做才能取得成功，在這過程中將產生數百萬個行動的序列，我們透過這種方式，反覆對網路進行訓練。
這種方式其實是跟自適應學習非常類似，在自適應學習中，也存在不同的狀態和行動，這個狀態指的是學生的學習狀態、心理狀態等；而行動則指教學行為，比如我們應該進行考試、視頻播放還是學習評估。我們可以定義獎勵機制，讓機器告訴我們什麼樣的行動，更能促進學生的學習。
增強學習在過去 5 年取得了很大的進展，過程中產生了很多富有變化兼具個性化的模型。在機器學習的研究人員來看，這些沈澱下來的抽樣方法、算法選擇、數據選擇，對於發展AI + 教育而言是個寶藏。
機器學習 + 教育的探索
我們來看一些更加具體的研究。這是我同事正在做的，讓人可以跟電腦產生互動。這個系統可以做到，每一秒都在追蹤人類的臉部表情和語音，從而推斷出這個人的情感狀態，螢幕上的紅點在不斷地移動，反映的是這個人的情感狀態。
當系統推斷出學生存在沮喪和消極的情緒，這時老師就會介入提供幫助。當老師與學生一同將問題解決時，系統檢測到了學生的積極情緒。
當系統推斷出學生存在沮喪和消極的情緒，這時老師就會介入提供幫助。當老師與學生一同將問題解決時，系統檢測到了學生的積極情緒。
這個技術一旦實現，老師可以根據系統每秒鐘的回饋，找出哪一名學生需要被指導。研究發現，教師延時的回饋和負面影響，是有正相關關係的。
這是我給大家舉的一個例子，可能會對教育界產生非常大的影響。
另外一個很有意思的研究方向，是探索新的教學互動方式。我們發現，透過教別人，我們自己反而能學得好。因此，我們考慮讓學生充當老師的角色，教導由電腦扮演的模擬學生。模擬學生，透過螢幕徵求人類的解答，而學生則負責教導模擬學生正確答題，在這過程中，我們會引入教學督導的角色，一旦學生在教導的過程中遇到問題時，教學督導將即時進行記錄和指導。
我們發現這種方式比傳統的教學更加有效，然而只有人工智慧技術發展到一定程度，我們才能實現這種教學。
為此，我的團隊試圖建立一個，能讓學生對電腦進行教學的系統。這個想法最初跟教育沒什麼關係，我們主要想讓手機用戶，能夠對手機進行重新編程。
比如我們跟機器說「四點鐘的時候我們要開會」，機器會說「我不知道四點鐘開會是什麼意思」，然後接著說「你想要教我的話你就教我」，我們會跟系統解釋「下午四點開會」是什麼意思，接下來分別要做什麼事情，系統經過訓練之後，他們在第二次就會快速理解這主人的指示，這是自然語言學習向來的做法。
比如我們跟機器說「四點鐘的時候我們要開會」，機器會說「我不知道四點鐘開會是什麼意思」，然後接著說「你想要教我的話你就教我」，我們會跟系統解釋「下午四點開會」是什麼意思，接下來分別要做什麼事情，系統經過訓練之後，他們在第二次就會快速理解這主人的指示，這是自然語言學習向來的做法。
這裡要強調兩個理念，第一個是每句話的句式，都是可以被執行的，我們可以對句式進行翻譯，並且變成可執行的代碼。第二個是系統會不停學習新的步驟，最開始它可能不知道「告訴」是什麼意思，而現在它知道了。
這個研究最開始只是一個小想法，並沒有想到要應用到教育上，後來我們發現如果能把這種想法，與當前的教育行業結合起來，當中的潛力是很大的。
這個研究最開始只是一個小想法，並沒有想到要應用到教育上，後來我們發現如果能把這種想法，與當前的教育行業結合起來，當中的潛力是很大的。
最後給大家做一個總結，這是對自適應教育來說，最好的一個時代，人工智慧會是這個時代的主要驅動力，將方方面面改變數據的本質，我們會收集到非常多人與電腦之間的互動性數據，這些都可以應用到對話式學習上。
過去我們會覺得教育，是老師和學生之間的事情，現在我覺得它老師、學生和電腦之間三方的事情。
最後感謝大家的聆聽，謝謝！
過去我們會覺得教育，是老師和學生之間的事情，現在我覺得它老師、學生和電腦之間三方的事情。
最後感謝大家的聆聽，謝謝！
0 comments:
張貼留言