乂學教育產品合伙人張棲銘：如何打造一個虛擬的特級教師

雷鋒網按：在傳統教育里，學生按照時間進行升學，但或許一個八年級的學生，因為沒有掌握好一個六年級的知識點，從而變成一個差生。AI 或許將徹底改變這一傳統教學模式下的弊端。乂學教育產品合伙人張棲銘，日前在 FMI人工智慧於大數據高峰論壇上，以《人工智慧時代下的自適應學習》為題做了演講，並向雷鋒網在內的媒體和觀眾講述了乂學教育部署自適應學習系統的理念和方法。

以下為乂學教育產品合伙人張棲銘演講，雷鋒網()在不改變原意的基礎上做了精編：

簡單介紹一下我們研究的課題，實際上是希望能夠把我們的系統打造成一個虛擬的特級教師，在正常的學校里，特級教師的數量很少，當你真正接觸到一個特級教師的時候，會發現教小孩子學習的思路、思維的，可能跟普通的新手老師會有很大的不一致。我們希望能夠把系統收集到的特級教師的經驗，結合數據，模擬一個特級教師，我們也會做一些學生畫像的建立，包括學生個人的畫像，學生群體的畫像，在這個基礎上做個性化的匹配，優化整個教育模式。

這是一個比較常見的一個自適應學習產品的框架，分為三個部分：用戶交互層，學習系統，自適應引擎。

前兩個部分，市面上絕大部分的自適應產品基本上差不多。因為學生的學習場景、老師的教學場景基本都是類似的，自適應學習當中主要的不同點在於學習目標的規劃。傳統的教學模式當中，老師講什麼大家聽什麼，就像現在我站在台上講什麼大家沒有辦法點播，只能我講什麼大家聽什麼，自適應系統可以做到動態的，學習目標是什麼？學習目標就是一個學生需要學什麼。

在傳統教學過程中，老師講什麼學生就得學什麼，例如一個八年級的孩子，他有可能底子比較弱，六年級的東西都沒有學好，你讓他直接學八年級的內容是有問題的，所以我們整個學習目標要進行動態規劃。

自適應學習引擎方面主要分成三個方面：

• 內容推薦

簡單來說，就是這個孩子下面需要學什麼，需要做題還是測試，各種各樣不同的推薦，內容推薦跟學習規劃有一致性，對不同學科，不同學段的建模，不同學科在整個學習的路徑，學習的思路上面都有一些不一樣，包括不同的學段（國小生、國中生、高中生），對於學科的認知、學習的模型都是不一樣的，我們需要針對不同的學段和學科構建模型。

• 學情分析

學情分析就是這個學生曾經學過什麼，做過什麼，跟老師做過什麼交流，交流了哪些東西，他以前的情況是什麼？其實整個諮詢當中，絕大部分是做學情分析，剛才我說的是一個個體，針對群體，我們怎麼樣把這些東西分析的到位，更好的做內容推薦？

• 內容分析

構建好學習的模型以後，可能幹了很多事情，怎麼保證推了這套題，他作對，就能夠說明這個學生知識點掌握了？當你有內容組合出來的時候，同樣的題目展現出來的難度效果是不一樣的，如果大家對於教育了解的多一點，可能有比較清晰的認識。

舉一個大家都能理解的例子，做口語評測的時候，我們拿到了整個所有人講口語的數據，是可以做一個打分的，但當你對一個帶有重口音地區的人進行打分，按照全國統一的模型來打，是有問題的，針對這個地方打分的時候，可能就是矮子當中選個將軍。這題目當中內容分析是相對比較類似的。

我們現在主要的基礎和理論，除了人工智慧技術，還有大數據分析技術，核心還會應用到一些教育測量系統，這也是人工智慧的一個特點。

整個智能引擎方面，從功能層面來講我們主要是五大功能，但如果用最簡單的方式來劃分，核心就是兩點：

• 預測

• 推薦

預測就是我們預測出一個學生，他當前的狀態是怎麼樣的；推薦，就是推薦最符合他當前狀態，需要學習的東西和內容。

說到教育，大家首先會聯想到，教育是個什麼樣的東西？

我們從國小上到高中，上到大學，很大程度上我們學什麼取決於國家，國家是怎麼定義整個課程的，上大學哪一些專業是熱推的。培養什麼人，是國家從最大層面上考慮的，怎麼讓國家更有競爭力，怎麼保證經濟正常發展，怎麼跟美國在各個領域上競爭，這個國家從大的層面定義。

2500年前，孔子就說過因材施教，教無定法。他當初就提出來，要因材施教，教無定法，針對群體的情況一定會存在很多很多的問題。

現代標準化教育的奠基，我們通常情況下會認為，是因為普法戰爭，普魯士戰敗以後做了一個大學，定義了整個標準化教育的情況，大家按統一的年齡入學，進去以後所有的學科全部分好，每堂課45分鐘，分年級，一層一層的考核。其實這裡面會存在很多問題，可能一對一或者個性化的東西相對是更好的。

標準化可以做到，大範圍把全民的基本素質都做一些提升，形成這個效益體系是非常有意義的，但弊端相對比較明顯，標準化的課堂是一個老師站在那裡講，底下有無數的學生，老師怎麼去講呢？學生剛入學的時候，大家做一個摸底考試，大概知道學生是什麼樣的水平，摸底考試以後，老師批改完，知道這幫學生這些知識點掌握的好，那些知識點掌握的不好，那上課的時候就按中等偏上的水平來講，大概中等的水平是什麼樣子的，按這個來講。

實際講的過程，老師在台上問，1+1等於幾，有一些人可能在玩手機，有一些人在打岔，一個反映特別快的孩子說1+1=2，老師特別開心，覺得這幫孩子還不錯，繼續往下講，講完一堂課以後，也不管學生學的怎麼樣，繼續往下講。

對於這種情況，我們稱之為課堂黑洞，老師課堂上了解到的很多內容是比較表象的，他根本不知道絕大多數學生情況怎麼樣的，一到考試的時候就打臉。

其實就會存在很多的問題，老師講的東西絕大部分學生根本聽不懂。就會產生一種現象，我們稱之為瑞士耐勞式的學習方法，從外面看這個學生是一個整體，切開很多東西他沒有掌握好，沒有掌握好的時候，又會帶來一個問題，這個小孩學著學著突然有一天學不動了，老師就說是不是玩遊戲，很有可能是由於他八年級的一個知識點沒有學好，導致以後的學習很難進行下去。

總結一下，我們現行的教育模式希望在固定的時間裡面，讓學生能學多少是多少，但是不考核，不希望學生達到一個最高的目標。我們做自適應學習，有一個觀點，在系統裡邊制定一個最高目標，你可以花無限長的時間去學習，這也是現在標準化的課堂，很難去解決的一個問題。

標準化教育造成的一個情況，流水線、工廠式教育，所有的小孩子，原來不一樣，到學校裡面溜達一圈以後出來都是一樣的，每一個學生都是千人千面，不同類型的孩子，在真正的教育場景下有非常複雜的表現。

從1990年左右，逐漸出了一些單機版的教育，或者說一些工具以後，後面也在不停的發展，包括互聯網興起的時候，互聯網+教育，解決現實當中小孩子遇到的問題，到後面的O2O浪潮，大家都很清楚，真人一對一。再到現在人工智慧浪潮，包括在語音評測，作文批改等等，也包括我們在做的一些自適應學習，其實最近都在逐步興起。

技術在不停的發展，我們也在很仔細的考慮，人工智慧到底可以替代老師的哪些工作？我們也總結了一下單向傳播的工作可能相對比較好替代，知識傳遞方面，我們認為可以解決百分之七八十的問題。

什麼叫能力培養？其實教學體系都是為了培育學生的能力，很多人說我在學校學的很多東西，出來以後都沒有用，實際上你學習以後折射成不同的能力，因為被高度抽象了，在實際過程中我們認為可以替代到百分之七八十，偏主觀、偏體育方面的東西，這些東西是機器學習比較難替代的。

2007年開始，當時很多公司在做，比爾蓋茨基金研究完以後覺得這是當下最需要的東西。

時間有限，說一下我們的過程，在上課的時候，假設出一個虛擬角色叫小明，他數學課聽不懂，拋物線聽不懂，解析式根本不會，在這種情況下，我們來做一些抽象，假如數學只有5個知識點，那可能性應該是32個，每一個知識點都有會跟不會兩種，2的5次方，把所有的狀態，知識點的組合狀態全部弄出來了，就會發現一些比較有意思的問題。

如果會A知識點才會B知識點的時候，這裡面的很多情況是不存在的。這種情況下我們可以把很多不可能的狀態去掉，這是我後續拼出來的13種狀態，大家發現只有學完A以後才能去學D和C，A和B知識點可以同時來學的，這樣的一個技術，我們要構建一個知識圖譜，知識圖譜的意思就是把很多知識點儘可能的細分，把它的前後的關係整理出來，整理出來，我們就有一個比較好的點，我們可以把很多不可能的狀態去掉，這樣可以極大的降低整個系統的計算量。

從實際情況來說，其實數學是有非常多知識點的，就像我們自己整理出來的數學，一個年級所學的基本上可以達到400個知識點以上，這些知識點可以做到足夠細分，每一個點都代表知識圖譜上的一個狀態點，這張圖出來以後，針對不同的學分，因為每一個學分都是不同的類型，對同樣的內容，都有一些不一樣的反饋。這樣的情況下，我們會生成他的學習狀態，去決定，你在當前的狀態的時候，你下面有哪一些可能的學習狀態。

簡單來說，我們會找出任何一個學生的能力邊緣，如果按一條線來划的話，左邊是全會的，右邊是都不會的，從不會的裡面挑選最匹配要學習的內容，或者學習最高效的，這些也是根據學習目標會有不同的策略。

數據分析方面來看，搜集一些，預測一些，分析一些，核心就是預測，針對不同類型，去搜集數據，並且分析每一個角色的人可以看到他的報表，針對他做個人最匹配的東西。通過知識狀態框架，利用二次方程可以作為一個知識點，我以聯合到十字相乘法，只有通過這種方式才能更精準的定位到一個學生的基本理論掌握狀態。

從個性化匹配方面，結合學生畫像，內容側寫，機器學習和概率圖模型，個性化學習內容和路徑匹配，我們真正和棋盤對比，發現知識點的數量，遠遠多餘棋盤的數量，題目的組合，其實是非常多的。

個性化學習路徑方面，大家可以理解成百度地圖導航，百度地圖的導航可以實時的切換，可以做到比老司機更好，我們的系統也是希望做到比特級教師更強的狀態，而且發揮比特級教師發揮更穩定，當你有一個系統的時候，每招一個學生，增加的成本很低，特級教師很難遍及到全世界學校的每一個角落。

我們針對每一個知識點都會做知識點的講義，知識點的錯誤分析，在這種情況下分析教學內容的時候，大量的數據進來，可以分析一些因果關係，你看了哪些東西，學習出來的效果更好，通過這種再對學生做個性化匹配的學習內容。

當知識圖譜形成以後，發現八年級的東西不會，我很有可能追溯到七年級甚至六年級。很多時候生物當中學習的東西，一個小孩生物學不好，有可能是數學不好，這種跨學科追根溯源方面的東西，也在逐步的探索。

從學生專註度方面來說，很多小孩子學習不好的時候，表現出來的就是調皮，我們在杭州的校區裡面遇到一個小孩子每次考試都考0分，家長強迫他到我們那邊學習一段時間以後，學習了一個多月問他，要不要繼續交錢讓你繼續學，孩子說可以，家長問他你為什麼繼續學，他說學校講的所有東西他是完全聽不懂的，但是在我們這邊的時候，當我們發現他的底子很差，他是八年級學生，我可以一直給他推到六年級，到更低的年齡的時候，他感覺推出來的東西是他會的，這時候他的專註度和成就感是完全不一樣的，這是自適應學習，真正能夠匹配學生當前能力的點。

雷鋒網原創文章，未經授權禁止轉載。詳情見轉載須知。