美国时间4月8日，第十届ASU+GSV全球教育科技峰会在美国加州圣地亚哥召开。ASU+GSV
是由亚利桑那州立大学和全球硅谷(GSV)于2010年开始合作举办，通过规模化创新提升学习和职业成果，现如今已经成为全美乃至世界高规格的教育科技盛会。
松鼠AI松鼠AI创始人栗浩洋受邀参加今年ASU+GSV峰会，与新东方创始人俞敏洪、扎克伯格-陈计划基金创始人普莉希拉·陈等在内的4500余名全球科教从业人士畅谈科教创新。同时，松鼠AI团队也在峰会期间组织了两场研讨会，和ASU+GSV与会者深入探讨了AI+教育的行业发展和未来创新。
人工智能教育标准化
第一个研讨会是围绕电汽和电子工程师协会IEEE的自适应教学系统，讨论人工智能在教育中的标准化机会。
参与讨论的嘉宾包括;
Richard Tong，松鼠AI首席架构师;
Bob Sottilare, IEEE智适应教学系统工作组主席(Chair of IEEE AIS Workgroup, Science Director, Intelligent Training at Soar Tech);
Avron Barr, IEEE学习技术标准委员会现任主席(Chair of IEEE Learning Technology Standards Committee);
Robby Robson, IEEE 标准协会董事会成员，前IEEE智适应教学系统工作组主席(Member of Board of Governors, IEEE Standards Association (IEEE-SA))
在该演讲讨论中，四位演讲人分别介绍和讨论与IEEE 相关的自适应指令系统设计、标准化和实施最佳实践的现状，探索标准化所用组件和流程的机会在应用AI的教育系统中，包括AI自适应学习技术，基于AI的推荐引擎，以及使用机器学习来模拟学生交互和偏好以改善学习成果的系统。
Richard Tong：AI重新定义教育行业
作为开场嘉宾，松鼠AI首席架构师Richard Tong的演讲围绕在教育领域应用人工智能的意义和影响。
松鼠AI首席架构师Richard Tong发表技术演讲
Richard认为，教育技术对行业主要带来了四个技术层面的影响：
替代，像黑板到白板的转变;增强，一种技术来替代已经存在的东西;修改，拥有那些学习路径，比如行为或基于项目的学习。重新定义。
Richard进一步解释道，“我们认为人工智能将要做的就是我们所说的重新定义阶段，重新定义意味着我们实际上正在围绕教育的方式进行范式转换，整个过程本身实际上发生了变化。因此，我们不是基于工厂化流水线的学习模型，而是谈论可以真正扩展的个性化模型，我们在工作中看到了AI对于教育的意义，这就是为什么我们带来标准化的全部承诺。”
Richard认为，实现成功的AI需要四个元素：商业模式、专业知识、数据、计算。计算能力是一个广泛的概念，不仅体现在GPU的数量和多少云服务，还有体现在堆栈、以及背后的基本计算设施。
Robby Robson：为什么要标准化自适应教学系统(AIS)?
IEEE 标准协会董事会成员、前IEEE智适应教学系统工作组主席Robby Robson的演讲围绕自适应教学系统标准化的意义和影响。
Robby提出，实现标准化有三个重要原因：
降低供应链中的摩擦。从商业角度来看，标准的作用是真正降低了消费者的成本，增加生产者的创新。一切的创新和范式转变，都可以先从标准化入手起步。有利于行业更好地识别技术质量。由于人工智能热度过高，这个词目前已经成为一种变相的营销术语。Bob Sottilare批评了许多市面上夸大人工智能作用的教育公司，认为他们只是把AI当成了内容营销工具。为研究和分析提供基准线。
Robby也简单介绍了IEEE的背景。作为一个庞大的全球机构，IEEE拥有超过45万会员，旗下分不同类别学科的协会。Robson所在的IEEE标准协会，是一个由7000多会员和300多个企业会员组成的全球机构，关心行业共识标准，关注行业采用和市场相关性，提供相应的法律和道德保护。
Avron Barr：AI的关键在于数据重组与整合
IEEE学习技术标准委员会现任主席Avron Barr的演讲围绕自适应教学系统的数据。“市场必须调整自身以使适应性教学系统和其他AI增强型产品在经济上可行，而关键问题是：所有这些AI系统需要的数据在哪里?”
为了支撑一个开放的、基于AI的生态系统，整个社会必须建立一个新的基础设施，重新收集、共享、整合数据。这些数据主要来自五个方面：身份管理(个人信息)、历史(过去做过什么，想要做什么)、资格(能力)、活动数据(比如社交媒体上的信息，地缘信息等等)、还有内容。相关的数据拥有机构，比如学校、政府、学区、企业，都需要参与进来，分享他们的数据，形成一个规模庞大的数据库。
Avron介绍说，学习技术标准委员会参与了许多标准化制定和讨论，其中包括SCORM(共享式内容对象参考模型)的十年更新、xAPI 2.0、学生数据治理、联邦机器学习等等。
Bob Sottilare：自适应系统的标准和建议实践
自适应系统是基于计算机的程序，通过在领域学习目标的背景下根据每个学习者或团队的目标、需求和偏好定制教学和推荐来指导学习体验，包括智能辅导系统，智能导师，智能媒体。
作为IEEE智适应教学系统工作组主席，Bob欢迎教育从业人士加入到他的工作：发展概念方法，制定互操作性标准，给与教育者推荐实践方法。
在研讨会上，Richard Tong也介绍了今年一些关于人工智能和教育的相关活动和会议：
ICICLE 2019, 全称为2019 ICICLE Conference on Learning Engineering，大会将于5月20日-5月23日在弗吉尼亚的艾灵顿举办。该大会主要讨论学习工程，并对学习、知识对学习经验的设计、学习条件以及支持技术进行深入探讨，并探索新兴学习工程如何解决隐私与个性化问题。
AIAED 2019，全称为2019 Artificial Intelligence + Adaptive Education (AIAED)，大会将于今年5月24日和25日在北京召开。这个为学术研究人员和行业领导者举办的国际论坛，讨论应用于下一代教育的人工智能等重要技术以及这些技术如何影响人类自适应学习。
AIED 2019， 全称为International Conference on Artificial Intelligence in Education，大会将于6月25日至29日在芝加哥举办。本次大会的主题是“二十一世纪全民教育”，讨论如何使用人工智能和先进技术帮助实现全民平等教育。
IJCAI 2019的研讨会：基于人工智能的多模态分析，用于在现实世界教育环境研讨会中理解人类学习。
基于知识结构的自适应学习系统
第二个研讨会的演讲人是松鼠AI首席数据科学家Dan Bindman博士。
Bindman博士于2002年获得加州大学尔湾分校数学行为科学研究所的博士学位。之后，他加入了美国在线自适应学习的领先机构ALEKS，专注于数学和化学，并成为ALEKS数学产品的编辑主任和首席架构师，2018年加入松鼠AI。
松鼠AI首席数据科学家Dan Bindman发表技术演讲
Bindman博士带来的演讲主题是“理解基于知识结构的自适应学习系统的优缺点，以及解决这些弱点的新方法”。他的演讲可以分成两个部分：
首先，基于知识结构的自适应学习模型有哪些优缺点，并阐述了包括知识点结构、知识点状态和它们之间的区别以及知识点结构中的逻辑连接等;
其次，着重介绍了Bindman博士研发的PKS优化模型，该模型由多层学生能力组构成，包含超过20000个模型参数的PKS模型，可以准确判断学生个体和群体的实时学习情况并为他们量身定制适合每个学生的个性化学习内容，可以解决此类系统的许多弱点，同时保留其所有优势。
什么是知识结构?
知识结构本质上是将课程中的问题联系起来。例如，一门典型的代数课程可能包含500到1000个问题(也就是俗称的“知识点”)。一个问题可能是“解决某个方程”，另一个问题可能是“计算某个斜率”。
彼此高度相关的问题可以联系在一起，在这门课程中将这些问题全部连接在一起，就会形成一个知识结构，这对有效评估学生知识和学习能力起到关键作用。
什么是知识状态?
学生知识状态可以表示成一个向量，代表学生对课程中所有问题的知识或掌握。值得注意的是，学生掌握知识的状态对于所有问题而言都是二元(二进制)的，即“已知”或“未知”，或者可以看成“1”或者“0”。
比如，一门课程包含1000个问题，学生掌握知识的程度通过向量可以表达为 {0,1,1,……,1,1}。
知识状态和知识结构什么关系?
这取决于不同问题之间是否有联系，Bindman博士列举了两种极端的可能性：“完全无联系”或者“全部互相联系。”
假设一门课程中有3个问题，如果它们之间完全没有关系，那么一个学生掌握这些问题的可能性是“3的二次方”，也就是8种(从{0,0,0}, {0,0,1}...{1,1,1})。
可如果这三个问题之间是互相联系、难度递增的关系，那意味着学生只要掌握难度高的问题，那难度相对低的问题也就不在话下了，他的知识状态就可以减少到4种({0,0,0}, {1,0,0}, {1,1,0}, {1,1,1})。
这样依次类推：问题的联系越多，知识状态的可能性就越少;相反，问题之间毫无联系，知识状态的可能性就越多。
由此Bindman博士衍生出下一个问题：你需要问多少个问题才能获悉学生的知识状态?
结合之前得出的结论，如果问题之间毫无联系，那你需要依次提问1000个问题才能知道答案;相反，如果问题之间互相联系、难度递增，那你只要问10个问题就可以了：先问第500个，如果学生答对了，那就可以问更难的问题，问第750个;如果回答不出，则往反方向去中间数提问即可。
那么如何将知识结构用于自适应学习?
结合Bindman博士之前的介绍，知识结构将不同问题相联系，学生只有具备一些必备知识才能学习特定的问题。同时，知识结构可以大大减少评估学生知识所需的问题数量。当然这也会带来问题：如果真正要评估学生的知识状态，知识结构里必须包含大量的联系。
联系本身也分类别：逻辑联系和经验联系。前者基于问题内容的逻辑关系;后者基于问题之间概率数据的相关度，这是通过数据收集得到的结论。比如，学会解答问题A的学生大概也懂如何解决问题B，这就是经验联系。
经验联系为什么重要?因为逻辑联系往往是稀疏数据，你没有足够多的专家去做人工标注。经验联系可以产生大量数据，虽然这依然会产生问题，因为有些经验联系和课本教授知识的顺序不一致。
另一个知识结构带来的挑战来自于课程形式。如果学生靠猜答对了许多问题，那么基于知识结构的评估就会出现误差。相对而言，知识结构适用于需要填空的数学、化学、物理等课程;反之，不适用于语文或英语这种有大量选择题的过程。
最后一个挑战来自知识结构本身的特质。掌握知识并不绝对是一个二进制问题，有些知识你掌握了80%或者60%就能解题，这个时候知识结构就无法精确评估你到底是不是掌握了知识点。
综上，Bindman博士得出以下结论：在自适应学习领域，知识结构可以是一个非常强大的工具， 但仍需处理许多困难：
要有足够多的联系来对学生知识进行有效的评估，对特定人群需要收集大量的数据;对部分用户而言，这些数据库的经验联系可能很有问题，因为它的学习流程和学生自身以及教科书上教授的顺序完全不同; 知识结构不适用于多选题，这基本上排除了许多课程;最后，知识结构在预测方案上能力有限，知识和联系都是二进制， 没有中间地带。
为了解决以上这些问题，Bindman博士提出了他自己设计的模型：PKS。
什么是PKS?
PKS，全称Probablitistic Knowledge State，即概率知识状态。相比于之前的二进制“1”或者“0”来表达，Bindman博士提出，用学生在某个特定时间正确回答每个问题的概率来表达学生的知识状态，比如：{0.29, 0.87, 0.63, 0.74……}。
任何时候任何学生的PKS完全由学生在“知识通道”上的能力决定。知识通道是模型在拟合时创建的纯数学结构，Bindman博士表示他不知道它们代表什么，但在拟合之后，可以通过查看针对一个问题哪些通过最重要哪些渠道不重要，给研究员带来一些启示。
Bindman博士说，知识通道是一个黑盒(Black Box)，即你不知道它内部是怎么运行的，在某种意义上它类似于主成分分析(principal component analysis)。
PKS由三个变量决定：学生在规定时间t的回答问题的能力A(t);问题的权重W(q)，即这个问题在这个知识通道的关联度;以及问题的中心C(q)，可以理解成是偏差(Bias)。PKS的值是PKS(q) = Φ[A(t)⋅W(q)+C(q))]，其中“Φ”是正态累积分布函数，“⋅” 是矢量点积。
通过这个方法，你可以在任何时间将这个公式用到所有问题上，在时间t内并行应用于这个等式，以便随时获得所有问题的完整PKS。
使用PKS的另一个好处是充分利用学生的学习历史。当学生开始课程时，所有的能力都从零开始;伴随着学生的不断学习，模型将通过学习历史调整模型中的参数，然后更精确地评估学生能力。
据Bindman博士介绍，松鼠AI已经开始将PKS模型应用在中学数学产品上。
免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。
