ALEKS首席產品官Wilmot Lampros：人工智慧學習和評估系統ALEKS的介紹

雷鋒網 AI 科技評論按：11 月 15 日，「全球 AI+智適應教育峰會」在北京嘉里中心大酒店盛大開幕，峰會由雷鋒網聯合乂學教育松鼠 AI，以及 IEEE（美國電氣電子工程師學會）教育工程和自適應教育標準工作組共同舉辦，匯聚國內外頂尖陣容。

在大會上午主論壇上，ALEKS前主席，現首席產品Wilmot Lampros進行了演講《人工智慧學習和評估系統ALEKS的介紹》。以下為他的演講內容，雷鋒網 AI 科技評論整理。

大家好，我必須要拿紙質版的演講稿，別人說我邏輯性非常強，但是我的記憶力不太好，所以這對我來說是一個挑戰。今天我來跟大家分享一下在ALEKS工作方面的經驗。

我之前是這家公司的主席，但是之後這家公司被收購了。ALEKS是一個產品，它是以AI為基礎的。在美國的教育當中，我們也正在接受這樣的產品。今天我們會跟大家談一談當前我們AI教育面臨的挑戰，以及AI運用在這個產品當中的挑戰。我不知道對AI教育的抵觸在中國會不會發生，我當然不希望發生，但是我覺得在美國我們還是有這樣的一些挑戰，很多人對此有著抵觸情緒。

有很多人比較保守，我們要克服這種抵觸情緒，讓產品真正的使用起來。在很多情景下，我們面臨著這樣的現實，就是很多人不喜歡這樣的產品。那ALEKS到底是什麼呢？有些人可能不太了解ALEKS，包括ALEKS的運作方式，還有一些細節。

1.ALEKS是一種基於知識理論的人工智慧學習評估系統

我們知道今天的很多觀眾都是來自於數學和自動化領域的，但是我們是以知識為基礎對學生進行評估。這是一種人工智慧的評估系統，通過對學生進行提問來評估學生的學習情況，了解學生已經掌握的知識點以及接下來需要學習那些知識。剛剛提到了知識點，我們希望能用人工智慧來發掘哪個知識點、哪個知識層面、哪個話題學生已經掌握了，哪些學生還沒有準備好學習，或者哪些學生已經準備好學習了，所以我們也在不斷的優化學生評估的整個過程。

ALEKS的理論框架是基於知識的理論，那麼什麼是基於知識的理論呢？我們用知識空間來描述需要學習的知識，如知識域或者是主題。比如說今天很多人數學學得都很好，我們會把領域做一個模型，會以每個話題進行建模，就是話題類型、問題類型。當前的挑戰就是我們要把每個主題都進行建模，而且要做得非常完整，與此同時學生可以掌握所有的話題，能夠非常詳細的掌握話題中的所有問題。所以在傳統的教學上，我們會發現在一本書中有的話題會有一兩萬個問題，但是老師只會選擇其中一些問題來解釋。因為其中會有很多變數，老師自己會選擇一些問題讓學生來解決，所以學生只能按照老師選擇的問題來學習。但是在人工智慧體系中我們會有這樣的假設，我們希望學生能掌握所有的類型的問題。

如何來應用人工智慧呢？我們會構建這樣一個架構，換句話說，對於一個真正的學生來講可能會掌握哪些問題類型，把這樣一些問題類型進行架構的構建。因為我們知道，對於一個學生來講不可能有所有的知識狀態，也不是每一個知識狀態都是可行的。其中一個不可行的方法比如說我們不應該有一些邏輯或者教學方法相關的內容，不應該以教學方法和邏輯為基礎。如果還沒有學會簡單的運算的話，就來學習有符號的正負數的運算，那就是不符合邏輯的。

基本上來講，ALEKS這個產品是有這樣一個假設，也就是說，所有的知識狀態都是可以被描述的，而且在這個過程中我們認為在學生和知識之間是存在某種函數關係的，應該可以被利用，當然它仍然還需要認證、驗證。也就是說這個學生知道這個話題不知道另外的話題，他知道這個話題的60%或90%，這也是沒有什麼意義的，表示沒有完全掌握這一個概念。所以我們必須要理解哪一個知識狀態是可行的，哪一個是不可行的。比如說我們會發現，對於一個數學學生來講，如果他還沒有掌握求解線性方程，那麼他就沒有辦法掌握線性不等式，這都是通過數據來計算的。

我想跟大家說一下學習空間這個概念。學習空間也是一個系統的理論概念，是一個分級良好的知識空間，比如說在數學方面它也是可訪問的知識空間。我們在這方面也要構建非常複雜的數學系統和模型，這種複雜的數學模型就是要創造相應的軟體，創造AI的軟體幫助學生學習。

其中一個原則使用的是邊緣定理，也就是說，如果你知道這個學生學習的知識系統，知道掌握了哪些知識，你就能知道下一步要學習哪些知識，這也是ALEKS的關鍵點，ALEKS這個系統能時刻知道這個學生下一步應該要學習哪些知識。

比如說有500個、600個、700個不同的主題在同一個學科下，我們假設每一個學生都掌握了300個主題，也就是1/2個主題，這樣我們就可能有數百億個掌握知識點的組合。比如一個班上有30個學生，他們掌握的這300個不同的主題，肯定不是完全相同的，他們真正掌握的知識點肯定是不一樣的。所以我們以此推理的話，就可以看到不同的學生下一步可以學習什麼，或者準備好了學習什麼，這也是基於數學的框架，而不是基於原來直覺的框架。

我們可以看到這樣的微型知識空間，就像我剛才所講的，我們的關鍵就是要弄明白這種知識空間之間的關係。比如說一個學生處在一個知識空間，可以移動到哪些其他的知識狀態中，或者可以學習哪些技術的東西。如果說一個學生學習了話題J，我們就會把J放在他的知識狀態里，也可能是學習I或者H，再往下走可能會學J、H或者I、J。如果學習了J、H這兩個主題，接下來可能會學J、H、I，再往後進一步學習。從這個架構來講主要是兩個話題，一個是A一個是C，如果這個學生學了A之後，就可以再學習C，會學A、C、I、J。或者他學了C，就會變成C、I、J、H，在這種微型知識空間中，學生是一步一步的把知識點掌握了，有五個知識點在裡面。

對於這五個知識點，我們可以看到它也有很多不同的排列組合，在這裡一共有32個小的框框，也就是說有32個可能的學習狀態。在實踐中我們也知道，這樣完美的或者是純理論的情況也是不存在的。在很多的微型知識空間中，比如在這裡我們只有40個學習主題，有5000個學習狀態，大家可以看到這才是真正的學習架構的狀態。

微型知識空間是因為我們知道對任何一個學科來講不可能只有40個主題，這只是一個假設的情況，還有可能有的學科有1萬億甚至更多的主題，這樣的話它的知識狀態就會更多。

比如說在11年級數學學科中有400多個問題類型，這個過程中學生就可能有數千億不同的知識狀態，也就是說，我們怎麼樣來找到某一個學生到底處在哪一個知識狀態呢？在這個過程中我們就有這樣基於概率論的演算法，可以確定學生的知識狀態，就是基於計算機的演算法來實時的評估學生的知識狀態。對於ALEKS這個產品來講，最有名的就是它的初步評估體系，首先會問學生一系列的問題，讓他們來解決問題，比如說一個數學問題。而且我們在這個過程中不會用多選題，結果就是他掌握了或者是沒掌握這個題。

對於幾萬億個的知識狀態來講，如果我們要通過25個問題就找到所處的知識狀態的話，那麼每個問題都是非常關鍵的，不能浪費，所以我們會針對不同的人群制定不同的問題。對於ALEKS上面的問題，答對的話我們就會問下面的問題。每答對一個問題就可以縮小知識狀態的範圍，一步一步的縮小，最終就能找到支持它的知識狀態，這應該是非常簡單的過程，也是我們初步評估演算法所採用的方式。

如果一開始就沒有答對的話，我們就會減少它的難度，來找到那些不包含這些問題的知識狀態再進行測試。大家可以看到這就是我們知識狀態的演變概率分布，我們在這個過程中也有很多不同的問題類型，大家可以看到這樣幾個示例。比如說我們在熱動力學中會有一些不同的概念，一開始測試學生的時候就會問他一些非常基礎的問題。如果從這裡開始的話，就會發現在這個圖中，大家可以看到所有紅色的圈都是「誰知道呢」這樣的一個情況。我們也是研究了不同的人群，給了他們不同的問題選擇，對於這樣一個人群我們首先知道他可能回答正確的概率是多少，比如說對於A問題學生答對了，我們就會給他另外一個問題。比如說問他一個F的問題，如果他沒答對的話，我們就會再進行改變。最後我們完成了評估，我們的目標就是要儘可能的縮小這個知識空間的範圍，找到他的知識空間。

再給大家簡要重申一下我的觀點，ALEKS的人工智慧會建立一些知識結構，我們會使用這些知識結構來發掘學生到底了解什麼，還有哪些沒了解，應該怎麼樣來學習。

2.ALEKS是一個一體化、一站式的輔導老師

還有另外一種可能，我們已經看到了教育的一種模式。比如說學生已經掌握了Y問題的話，他掌握X問題的可能性有多大？我們需要建立自己的標準，如果學生已經掌握了X問題的話，是不是有70%的概率掌握了X問題以外相反的問題，這樣我們就能畫出它的知識結構。我們會知道所有的關係都存在著一種波動的可能性，由於這種聯繫的可能性，我們就可以追溯到知識結構和空間狀態。所以我們就是要讓機器去學一些東西，如果這些已經學到了，學生就能夠跟機器進行合作，機器就不需要人的幫助了。機器在幫人，但是人不需要幫助機器。

ALEKS到底是什麼呢？剛剛我們說了很多，我們想要強調的一點是，ALEKS是一個自動化的輔導老師，是一個一體化、一站式的輔導老師。為什麼會說是一站式呢？因為我們有很多的內容都已經把它放在了ALEKS中，我們會有自己的一些內容，內容對於ALEKS來說是非常重要的。我覺得所有的產品、理論都需要內容才能實現。我們往往會接收到非常多的內容、信息，但我們並不是把這些內容整合到我們的內容當中就是AI了。我們會有這樣一站式的服務體系，在這個服務體系的基礎就是學生適合學什麼東西、學生應該選擇什麼樣的課程或者話題。

ALEKS能夠提供所有的積極因素，讓學生能夠學到更多的科學知識。我覺得積極學習是一種非常好的現象，對於教學來說非常重要。

在美國我們並不是說要用ALEKS來取代老師，因為我們覺得學生的學習還是要有人的參與才能讓人和人類有所進步。在美，ALEKS往往是作為人類老師的助手，所以ALEKS要找到每一個學生適合學習的話題。對老師來說，他可能時間不夠，但ALEKS就能夠快速地去完成這樣的一個事情。

哪怕是面對無限數量的學生，ALEKS也可以去完成這樣的一些事情，這對ALEKS來說並不是一個非常大的挑戰。在美國往往會面臨這樣的情況，學生已經準備好學習了，ALEKS會讓學生預習這樣的課程，這樣的話學生的一些學習方面的差距就能夠提前被ALEKS找出來。但是，有的時候學生在學了之後的課程之後會忘記之前的知識點，所以我們用ALEKS幫助人類導師讓學生提前進行相關課程的預習，同時，ALEKS也可以進行作業輔導。

我們也會有翻轉課堂，美國非常地流行，也就是說在課堂中學生會跟計算機一起、跟ALEKS一起學習，但當他們有問題而ALEKS解決不了的時候，他們可以向老師求助，我覺得這是一個非常有效的模型。事實我們並不一定需要數學系的博士來幫助學生解決數學題，我覺得這種做法還是有很多優勢的。

所以知識結構中我們會有一站式的服務，我們會有導師制的方式，所以導師還是要控制他們學習的進度。老師也必須要犧牲對主題選擇和時間的控制，這是我們體系當中的一個問題。

我們也會對學習的內容有一個檢查，每次他們學了20到25個題的時候我們就會進行檢查。首先我們會進行回顧，在這方面也是做了很多的研究，同時我們也用這樣的一個檢查來進行對學生掌握知識的核實，這樣一個非常仔細的核實來看一下他們是否丟掉了一些主題的知識。在最開始的階段，我們是想要ALEKS和真正的教育系統相適應，我們想要讓教師可以使用這些內容。比如有400個課程，或者是600個話題或問題的類型，我們在這個過程中就需要讓老師參與進來，讓他們看一下哪些問題類型是有用的，怎麼樣把它們進行區分，或者是進行挑選，讓AI進行後續的工作。這樣的一個過程也是非常有意義的，而且也非常地成功，我們讓老師來添加和刪除內容。但對老師來講，有時候他們做的決定也不是很明智，所以，有的時候也會刪除一些他們選擇的材料。

3.ALEKS可以幫助老師對學生進行差異化輔導

另外，ALEKS這樣的一個概念是基於知識空間理論的，我們當時是覺得人群是類似的，可是即使是在一個班級，這樣的一個小的團體里也能看到個體的差異是非常大的。大家都在學七年級的數學我們就把他們放在一個資料庫裡面，在我們的資料庫裡面就包含了很多不同的學生，讓機器學習一下他們是如何學習的，以及他們學習的方式、獲得知識的方式。我們通過大量的數據來進行分析，但是AI在這方面有時候會沒有辦法確定優先關係，或者是確定好學生的知識狀態。可能一開始有10億的知識狀態，後來由於數據量的增大變成了1萬億的知識狀態，對它的知識結構的界定也是有很大的挑戰的。在這個過程中我們投入了大量的人力物力來發展相應的軟體、硬體，來應對這樣大的數據。

再說一下下一個方面，我們還有一個另外的適應過程就是對知識檢查和演算法進行重新的設計，它事實上也能夠看一下學生的在學率，看一下他們學習的效果，這是一個非常複雜的演算法。它並不是對先前掌握知識的嚴格的檢查，而是另外一種學習的工具。

在座的各位，我希望你們不需要來接觸這一點，也就是在軟體方面的功能。事實上我們想讓這些軟體特別簡單，就像我們20年前使用的那樣，讓它越簡單越好。我們想讓教師可以跳出AI，就像和其他沒有AI的國家一樣來進行他們自己對學生的評估。有的時候他們做的這樣的評估可能也沒有辦法真正地幫助學生。

從我的角度來看，我覺得有一點非常有意思，就是不知道我們的老師怎麼想，事實上如果我是教一單元的話，我只想讓我的孩子多學點一單元，我也不希望別的學生來學這節課。這個可能是AI的一個優勢，因為AI知道現在學生在學哪個單元，但是老師卻不知道，雖然老師教的一單元但他不知道學生學的哪單元。但這方面老師事實上是非常在意的，他想知道學生到底現在在學什麼。所以這方面我們開發了另外的一個技術，也就是說讓學生在某一個階段只可以學習老師教的這部分的內容，這樣的話就能夠很好地滿足老師的需求。同時，我們也可以讓AI來幫助老師進行教學。

ALEKS可能現在是唯一的一家在這方面的使用AI並且惠及不同的學生的美國公司，可能還有一兩家其他的公司，但現在我都記不得他們的名字了，當然我可能還需要謙虛一點。今天早上也說了，在2018年前9個月，我們已經有300多萬名學生在使用軟體了，這是一個非常大的規模，這就是我的報告。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！