機器學習教父 Tom Mitchell：人工智慧將成為自適應學習的驅動式技術｜全球AI+智適應教育峰會

雷鋒網消息，11月15日-16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。

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，斯坦福國際研究院（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。

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折點。

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計算機視覺，後來的識別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戰略。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，比如說教室里的攝象頭、耳麥、話筒等等，通過這些環境數據我們可以更好地了解學習者的情況；身體的感測數據，比如說智能手錶、智能椅子，可以感知到學習者當下的學習狀態；還可以通過 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演算法。

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。

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，就要將其他變數也一併考慮進來。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，我們還會一併考慮病人的白細胞數量、是否曾經轉入 ICU 治療等等，通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數如期終考試成績等一併考慮進來。

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數的預測，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。

另外一個有意思的演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，這種演算法的特殊性在於，我們會在不同的時間點給予不同的行動指示，比如 AlphaGo 就是通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，我們通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，我們通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，這些沉澱下來的抽樣方法、演算法選擇、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，讓人可以跟計算機產生互動。這個系統可以做到每一秒都在追蹤人類的面部表情和語音，從而推斷出這個人的情感狀態，熒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。

這個技術一旦實現，老師可以根據系統每秒鐘的反饋，找出哪一名學生需要被指導。研究發現，教師延時的反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，通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，教導由計算機扮演的模擬學生。模擬學生通過屏幕徵求人類的解答，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，教學督導將及時進行記錄和指導。

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計算機進行教學的系統。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。

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。

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。

中國在此擁有獨一無二的優勢，有望在 AI 教育領域成為世界的領航者，能夠向其他國家展示如何運用這方面的知識。

最後感謝大家的聆聽，謝謝！

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！