首页 > 科技快讯 > 自适应教育:原理、落地流程与迭代

自适应教育:原理、落地流程与迭代

自适应学习/智能化教学(Adaptive Learning/Adaptive Teaching)概念,伴随上世纪70年人工智能概念而兴起。在当时人们相信计算机终将获得人类的自适应能力。一个基本前提假设是,自适应学习可以调整学生/用户的学习方法/路径,以帮助学生达到更有效的学习效果、获得更好的体验。

拆解自适应学习系统,一般包括四部分/四个模型:

专家模型。该模型存储了要授予学生的信息/知识。

学生模型。该模型可以追踪、学习学生行为数据。

指导/教学模型。该模型用以传输信息。

指导/教学环境。系统支持互动的用户界面。

最初的自适应学习是基于相对简单的逻辑树/规则进行,现在商业化落地的自适应学习应用了更为复杂的AI算法(如无特别说明,文下均指后者)。

自适应教育:原理、落地流程与迭代

来源:鲸准研究报告

在70年代,自适应学习无法普遍落地的主要障碍有两个,一是计算机成本高昂、体积庞大,并不适合落地,二是当时的用户交互界面不利于学习过程。到现在,两个障碍已经不存在,且其实现需要的算法、计算能力与数据基础越加成熟,自适应学习逐渐在教育领域实现商业化落地——国内外都出现了颇有意思的初创公司,做教育的大公司也逐渐在自适应学习上投入技术资源(文末会引用并呈现国内外对应公司的版图)。

因本文的重点厘清:自适应学习在教育领域的角色、其实现的基本原理、落地(类型、价值、迭代方向),相对而言偏向底层。下文将先梳理上述要点。应用层的商业化项目将放在文末展开。

备注:下文主要是两篇行研的笔记梳理,报告来源为艾瑞研究院、鲸准。

一、自适应学习实现的基本逻辑

自适应学习与其他AI技术在教育的落地区分

自适应学习是基于AI相关算法技术实现的,在呈现自适应学习基本原理之前,先了解AI在教育中的全版图落地,会有助于相对全面地判断自适应学习实现的意义:它所处的位置在哪里,角色的重要性如何。

借用艾瑞研究报告的整理,一图看清自适应学习与AI其他技术落地在教育中的角色区分:

自适应教育:原理、落地流程与迭代

来源:艾瑞研究报告

自适应学习与其他AI技术落地教育的场景有较明显的区分,自适应学习更多解决教学的问题,在学生学习路径、内容、能力探测与预测方面,更重在“内核”的影响,其他的更多在于“外在形式”或者工具辅助上,比如图像识别下的搜题、语音交互上的对话等。

自适应学习落地基本流程

对自适应学习落地与其他AI技术落地教育角色区别有一个大致区分后,再回到自适应学习系统的实现原理。AI算法执行的一个基本流程是:数据输入-计算分析-方案输出。

自适应学习算法执行的基本流程同理,第一步是获得训练样本(即训练的数据,然后输入)。然后对样本进行特定模型训练(即计算分析过程),在这一步,涉及的模型包括学科要素、教学方法/策略、学生认知特征等要素。

训练模型的用处在于与每个学生在学习时产生的数据(比如答题正确率、偏好、缺漏等等)对比,使学生的数据更接近理想模型。简单点理解,就是让学生进阶至理想(比如高分)模型状态,而实现这一点,就要基于学习数据推荐匹配的教学信息、方案帮助优化学生学习效率。

第三步是输出方案,即推荐给学生学习的素材和路径,或者是测评方案以及个性化分析判断。

拆解教育产品环节,自适应学习的应用

教育环节可以分为:教学内容、教学、学习、练习、辅助测评、其他。应用环节如下图:

自适应教育:原理、落地流程与迭代

来源:艾瑞研究院

教育环节对应的自适应需求,分别需要:

内容研发方面,需要比如认知科学、学习心理学、学科教研、教育测量学的配合。

教、学、练环节,需要数据与技术开发。数据供应端包括教学平台、教学工具等;技术开发不仅是将目标学习人群的数据输入,还要基于AI的多种技术算法实现自适应教、学、测等需求。

值得一提的是,现在自适应学习初创公司,分别在面向自适应管理、自适应测评、自适应练习环节切入,相对而言是较轻的。而在自适应学习教学、内容开发是难度较大,出现的明星公司有寥寥几个,且集中在k12领域,教育行业其他赛道有待更多参与者探索。

自适应教育:原理、落地流程与迭代

自适应学习落地的两个类型

了解完自适应学习的基本原理,来看看其落地教育的基本模式/类型。

基于教育环节的拆解,不难将练习、测评环节归类为题库类,这一类对应的是题库、测评与作业类自适应公司。测、练、学、教的全过程要基于算法执行,以采集学生数据并实现优化效率的学习方案推荐等,这一类对应的是自适应系统服务商,比如为学校、企业提供自适应学习系统的公司等。

二、自适应学习在教育领域落地的价值

传统的学习路径相对而言,是单一的。比如教科书每一章节顺序是固定的、每个年级的方案是固定区分的。所有学生统一路径。但在自适应学习的应用下,新的学习、教学方案是立体多维的,智能算法可以基于每个学生的学习行为数据,形成个性化学习路径。

对于学生而言,自适应可以提供个性化的学习方案,其好处在于:相对精准发现缺漏知识、并获得补充方案;相对匹配水平的学习节奏。借用一家自适应教育公司的图片,以作面向学生端的效果:

自适应教育:原理、落地流程与迭代

来源:乂学教育

对于教师而言,作业的推送和批改可以获得相对解放,且多个学生数据相对清晰、成体系地获得并了解。对于教学机构,相对减轻了对教师的重依赖——自适应系统可以帮助提高教学方案推荐/指导学生的质量,降低师资成本。

三、自适应学习的迭代方向

在上文提及自适应学习落地流程的三个环节。其对应的迭代方向,基于三个环节分别对应:

数据输入环节。在样本数据获得/输入后,需要更细粒度的维度拆解,进而对人群画像更细粒度区分,进而为之后更精准的推荐方案提供基础

计算处理环节。训练模型在模型构建上需要更接近真实人学生人群特征、学科要素、学科方法论等。在训练算法上需要更高效。

输出方案。需要在学习内容丰富度、测评效果准确度、学习方案调整智能水平上进行不断优化。

以上迭代思路来自:

自适应教育:原理、落地流程与迭代

从自适应落地难度来看,上面也提及测评、练习,即题库类的自适应学习应用落地是相对容易的。而更难的在于自适应内容的构建——需要颗粒度更细、内容品质更高(使其具备面向千人、乃至万人级别学生的质量要求)的内容研发与构建。

自适应教育:原理、落地流程与迭代

四、一些实例

自适应学习头部公司最受关注之一Knewton,其为高校、公司等提供教学自适应产品,目前融资额达1.82亿美元。去年在中国布道过自适应学习在课外作业辅导的高效性。其实现流程,主要为:一、拆解学习内容、形成关联的知识图谱(这一部分的难度较高,前文已提及)。二、搜集、分析学生学习数据。三、基于学生行为数据,推荐个性化学习方案、设置任务与目标。

如下图:

自适应教育:原理、落地流程与迭代

来源:鲸准

国外其他自适应教育公司版图可参考下图,从图中不难看出,自适应学习方案在k12、高教的应用相对高。另外值得一提的是,语言培训公司Duolingo在2016年转型自适应教学技术公司后,获得8000万美元融资,是一个典型的传统培训教育公司转型新技术教育公司的案例。

自适应教育:原理、落地流程与迭代

国内也有松鼠AI面向K12的自适应学习解决方案,目前累计融资近10亿元,已经在全国30多个省市自治区、直辖市签署了1800家合作学校。另外一个案例是:智课网,其教学系统在学、练、改、测上引入了自适应学习技术,是一个典型传统教育公司从主打名师、到主打服务,升级主打智能自适应系统的教育(国际留学等业务类)的案例。

其他国内自适应公司暂不展开,值得继续关注一个维度在于在不同教育领域的落地:现在主要在k12和语言培训,上文已提及。那在其他领域相对亮眼的公司可能性如何?比如Knewton(K12+高教)等,国内的对标可能在哪?其他如早幼教、企培、职教又如何?

题图来自网络。

新技术可能驱动教育行业各领域产品变革,欢迎业界朋友交流相关。

相关推荐

自适应教育:原理、落地流程与迭代
自适应教育走向何方
观察+ | 从“自适应”到“智适应”,一个新的AI教育时代
AI 在教育里的想像与边界
新基建下的AI+教育:互联网“AI算命”换皮,教育没有AI ?
AI+教育,是生意还是公益?
机器阅读理解快速迭代,人机交互场景持续落地
STEAM教育产品难以落地,「怀特海教育」从材料入手主打高频高覆盖的普及化教育
解决磁共振检查中最棘手的成像问题,全流程AI磁共振技术平台「智简AI」落地
创新工场看 2019 年教育的两个关键词:“AI+教育”和“人才的供与求”

网址: 自适应教育:原理、落地流程与迭代 http://m.xishuta.com/newsview2582.html

所属分类:互联网创业