首页专业知识 CMU计算机学院院长Tom Mitchell：教育领域中，全球的合作和协作非常重要 | AIAED全球AI智适应教育峰会

CMU计算机学院院长Tom Mitchell：教育领域中，全球的合作和协作非常重要 | AIAED全球AI智适应教育峰会

来源：晰数塔互联网快讯时间：2019年05月24日 20:52

2019年5月24-25日，第三届AIAED全球AI智适应教育峰会召开。“人工智能+”这两年快速兴起，其中人工智能和教育因为其天然的结合基础，获得了快速融合发展。为了更好地推动人工智能教育产业的发展，打通行业信息流动通道，推动全球的科研机构、投资机构、教育机构形成合力，36氪联合乂学教育-松鼠AI等产业链头部机构举办第三届AIAED全球AI智适应教育峰会，旨在“在全球普及人工智能教育，推动人工智能技术对教育的改变和发展，为了人类更好的教育公平性和教育成果做出贡献”。

教育是一个存在已久，且可以穿越牛熊的行业。经济寒冬之中，教育作为刚需行业依然被许多人看好。在新的时代背景下，教育行业做了怎样的升级？教育和AI的结合，会为这个行业注入怎样的活力？第三届AIAED主席、CMU计算机学院院长Tom Mitchell教授认为，教育行业需要更广泛的覆盖多个场景，并且行业资源需要更加协调，才能实现全行业的高速增长。

以下是经整理后的演讲全文：

Tom Mitchell：大家好。今天我要给大家简单说一个提纲挈领的内容——AI，以及我个人是如何看AI的，以及AI的发展如何影响到教育。总而言之，我个人的看法，就是未来的十年将会是AI影响教育的十年。我在AI领域当中已经工作了几十年了，而且我也做了很多的应用，包括机器、信息采集、医疗等等，但是在看到未来十年发展的时候，我感到最兴奋的就是将AI技术放在教育上应用，这里有三个原因想和大家分享。

第一个原因，我们知道对学生个性化指导可以带来重大的益处。个性化的指导和对照组相比，分数能提高90%以上，所以这是一个非常重要的个性化指导益处。

第二个原因，我们已经知道电脑的个性化指导可以带来很大的改变。今年已经是2019年了，我们现在有很多的公司能够提供各种各样的电脑驱动指导，而且他们也可以提供各种各样的课程。我们用电脑来做这种指导，也可以在学科当中得分得到极大的提升。我们还是有很大的提升空间，这也是我们为什么有动机和动力来到这里。

第三个原因也是非常重要的一点，就是在过去的十年当中，AI技术发展得非常快，而且至少我认为在未来的十年当中，这还会是同样的趋势，因此电脑可以帮助我们更好地去识别图象，以及把语言转化成为文字，而且也可以帮助我们识别人脸、自动驾驶。

AI确实发展得非常快，三点加在一起，就能够让我们学生的分数提高很多，这就能够说明为什么我把时间花在AI技术与教育上。

其中一个重要的问题是——新的技术如何进一步改善才能适应这种教学需求。我们一般说到教学，有几种不同的模式，比如学生模式，以及不同的学科的知识领域，还有就是导师模式，以及其他的模式。然后看一下这几种技术，问哪一种技术更可能成为适合这个智适应教育的重要技术。今天我们只有这种简单的对话系统，比如说阿里巴巴和亚马逊，都有非常简单的对话模式。但随着科技的发展，它会有很大的进步。它们会成为教学模式的一部分，老师和同学可以有更开放的讨论。脑科学是另外一种非常重要的技术，它能够影响智适应教学。还有大脑成像的技术，能够去检测脑电波，显示大脑的活动。预计是能够非常灵敏的检测大脑的情绪，并且追踪学生的情感状态。机器学习和虚拟现实是另外一种非常重要的技术，现在目前已经对智适应教学的未来有非常重要的影响。

怎么在智适应上影响教学？

第一个是机器学习。在宏观层面，学生要完成这些不同的学习任务，再进行下一个，但是在每个任务当中，还有一些小步骤，学生也要完成这些小的学习任务。当大家谈到智适应教学的时候，不管是在宏观层面，还是在微观层面都能够选择学生的学习轨道。同时也能够了解学生的情感状态，这就是我们所说的智适应的意义所在。

我想如果在智适应教育当中，机器学习应该在每一个领域都有一个功能，去了解学生现在的状态，机器学习就是能够发现这个功能是什么，我们可以用机器学习来不断的修改它，这是机器学习在其中的核心作用。

那么我们怎么做呢？

当我想到机器学习应用的时候，我总是会问一个问题，我们要学习什么东西？我们要学习这些智适应功能，对于现在的学生状态选择学习的内容，看它怎么代表这个学习的功能。

同时，我们想知道功能会决定我们怎么去选择下一个任务，这取决于现在学生状态。我们可以发明一个奖励，比如说学生每做出一个正确的答案，给他一个什么奖励，可能在接下来做对两到三个问题又给什么样的奖励，下周如果回来还记得这一周学习的问题，又给他们多少奖励。因此我们可以完全根据学生情况来设计，根据我们的学习目标来决定。现在我们还没有太多来自学生的数据，如果我们把这个系统规模化，我们就能够从数百万学生中获得他们的数据。并且还有一个好消息，现在已经有非常多的研究来强化学习。它已经不需要这么多的训练数据了，这些算法大多数都是由机器人应用开发的，我们让机器人学习，来做不同的任务。但是我们也能够用它来开发强化学习的算法，不那么依赖于人类的数据。

另外一个问题，就是把机器学习应用到新的领域当中，我们训练机器学习系统学习什么样的功能呢？第一个就是教学政策，建议下一个任务目标的功能，但是还有其他的一些功能，可能也能用到机器学习，比如说去预测学生的知识了解状态，他们是否了解到一个特定的概念，还有他们最近的一些行为和其他因素的功能。这是我们尝试的功能，我的答案是所有的都试一试，我们可以去训练一个神经网络，了解学生变化的情感状态，把所有这些功能都输入系统，比如说去预测老师应该采取什么样的行动，同时也去预测其他的学生学习概率。

还有一个领域也有非常深远的影响，就是实时感知人类状态的功能。这是我同事在CMU做的一个实验，有一个体系能够追踪人的面部表情。大家可以看到我们所有的面部表情都得到了追踪，并且可以看到这些面部表情的特点，我们的机器学习也是得到了训练，把所有的这些激励全都给记录下来的，所以能更好识别这些表情。我想说这个研究，其实还是比较初级的研究，主要还是想要把实时感情监测放在教学上，以及和面部表情相结合起来，但是我认为这样一个技术过了十年之后，将会进一步得到开发和发展，现在还是一些比较粗浅的尝试。

我们不单只是看面部表情，还要看学生身体的动作，肢体语言就可以告诉我们有些学生是认真的，有些学生在开小差。这些人在跳舞，然后一帧一帧，这些姿势全都给捕捉下来了，所以这个系统是能够非常细节，实时地把这些动作全都给捕捉下来。如果说一个学生在电脑面前学习，并且和电脑进行互动，这些技术就会显得非常重要。它们可以帮助我们更好的去观察这些学生，从而来看智适应学习是不是让学生从中获益。

在未来，我们最大的障碍是什么？

其实我并不知道这个答案是什么，但是我希望大家能够进行讨论。我认为最大的一个缺陷，就是现在我们并没有太多的观察能力，也就是说我们现在的能力没有太全面，没有办法特别好的进行学习者的观察，没有办法说明或者观察出来他们到底学习状态是什么样子，这在未来是非常重要的。所以我们学习用不同的图象，以及图象的分析来解决这个问题。

再就是没有足够的数据帮助我们选择最佳的辅导政策和策略。

另外，当我们和电脑进行交互的时候，其实比较低效，和人类交互相比更是如此。所以是不是电脑指导会有一个上限，这些都是需要我们回答的问题，我也希望通过把这些问题提出来，让大家进一步的讨论。

最后我想说，在未来有两个非常重要的方向，第一个是更广泛，第二个是更协调。说到更广泛，就是我们有很多不同的学科，可以在这个领域当中扮演非常重要的角色，帮助我们实现智适应的学习和教育，意味着我们必须要把所有领域的专家全部给邀请进来。

更协调是什么意思？就是我们会有更多的机遇，不单单只是做单项的研究，而是进行更多信息和数据的分享，其实现在我们开始努力这么做了，比如说在开源软件的分享上，这些其实都是为我们实现智适应教学而提供的一些重要资源。在我看来，教育其实是一个非常清晰的概念，在这个领域当中，全球的合作和协作是非常重要的，也是唯一理性解决的办法。我们所有人之所以会参加这个会议，就是进一步提升全球教育的质量。我们提升的速度越快，以及共同努力的速度越快，那我们实现的目标速度就会越快。