人工智能時代的個性化學習

冷靜 付楚昕 路曉旭

關鍵詞：人工智能;個性化學習;自適應系統;社會化學習

訪談者：非常感謝您接受我們的采訪。2016年10月，美國白宮科技政策辦公室發表的報告——《為人工智能的未來做好準備》，指出人工智能的技術手段包含機器學習、深度學習、自主自動化與人機合作。個性化學習是技術與教育深度融合的高級階段的表現，人工智能的出現對個性化學習進行了重塑和再造。您如何定義人工智能時代的個性化學習（Personalized Learning）？

邁克·沙普爾斯：首先定義一下人工智能，人工智能是研究如何模擬以及延伸人類智能的計算機科學分支。人工智能技術包括語音識別、圖像識別、自然語言處理、大數據技術、機器人以及專家系統等。教育在人工智能技術的影響下，必將發生變革。個性化學習是一個很寬泛的術語，我將“個性化學習”定義為結合學習者的需求、興趣與能力的學習。個性化學習是過去40年來的教育目標，其定義是提供學習資源和適應學習者需求和能力的活動。如今的移動技術、人工智能技術已經可以為個性化學習提供物理和社交環境，技術在教育中的運用為技術增強型學習（Technology-enhancedLearning，簡稱TEL）。隨著技術的快速發展，以及信息資源的不斷豐富，使得學習者能夠在課堂之外持續學習體驗。利用機器學習技術可以對學習者產生的數據進行分析，提供與其學習表現相匹配的教學流程，并根據不同的情境，推送不同的學習內容。

人工智能時代，可以利用相關技術手段，如機器學習、深度學習以及人機交互來支持學習。其中，機器學習和深度學習是最關鍵和基礎的技術。具體來講，通過語音識別技術和大數據分析技術，對收集到的大量數據進行分析處理，呈現出學習者的學習特征（包括知識基礎、能力水平、學習風格與認知方式、興趣愛好等），也可以稱為對學生進行數字畫像。然后通過人工智能的推送技術，為學習者量身定制學習內容、規劃學習路徑，來實現個性化學習。上述過程也可以通過建立一個或多個智能化系統輔助個性化的教與學，如自適應學習系統、智能導師系統，這些系統能夠利用機器學習和深度學習技術進行自動調節，學習者可以在系統中進行自主學習，并獲得相應的反饋、推送與評價。另外，教師和學習者之間的交互非常重要。目前智能軟件助手和機器人可以實現師生之間的交互，機器人可以幫助學習者理解主題，甚至可以幫助老師進行評估，這讓教師有更多的時間糾正錯誤或給予情感支持等。

訪談者：您上面談到了用自適應學習系統去支持個性化學習，人工智能時代，該如何利用自適應學習系統去支持個性化學習呢？

邁克·沙普爾斯：我們需要厘清一些術語。自適應教學系統是一種基于學習者表現的基礎上不斷適應與改變的系統，即學習者的之前的表現，可能會反應到最近的測試分數中。自適應教學也可以對學生的知識水平進行推測。因此，自適應教學可以對學生的行為及推斷出來的知識進行適應。另一個重要的術語是精熟學習（Mastery Learning），在達到相應的能力水準之前基于學習者的表現，向其提供反饋，或者又稱之為基于能力的學習（CompetencybasedLearning）。以往學生在家做作業，上交后通常要兩三天才能收到反饋。利用自適應學習系統能夠建立更加快速的反饋循環。系統會在學習者參加學習活動的時候一直進行監督。一個好的系統可以在學習過程中給予提示、建議與支持。同時，提供適當的反饋與支持也極具挑戰。如果一直跟學生說做錯了，會降低他們的學習積極性。好的自適應系統應該要在恰當的時候介入學習，給出有效的提示與支持。

訪談者：引入自適應學習系統之后，教師的角色應有哪些轉變？

邁克·沙普爾斯：在一般的課堂教學中，不容易實現差異化教學。教得太簡單，會讓某些學生覺得乏味;教得太難，會讓某些學生跟不上進度。因此，一個好的自適應系統應該是由教師先介紹一個話題，然后將學習者分小組進行問題解決。如果學生遇到困難的話，自適應系統會提供及時的幫助。但是，自適應系統設計出來不是為了替代教師，而是去更好地輔助教學。所以說教師承擔著非常重要的角色——介紹主題、提出問題并跟學生一起解決問題。

訪談者：您剛剛提到自適應系統不會替代教師和個性化教學的方法或策略，那現在出現的智能導師系統、智適應學習系統，對教師能力提出了一定的要求。您認為教師該如何去應對這種新變化？

邁克·沙普爾斯：首先我認為教師需要了解他/她的學科領域，他們需要知道學生會犯什么類型的錯誤。我認為教師的真正職責是以問題化的方式引入主題并幫助學生理解。比方說教編程時，教師應該解釋為什么需要學編程？編程是干什么的？為什么編程是一項有價值的技能？特別是，小組協作是一種很強大的學習方式，因為學生在組內可以互相幫助，并利用自適應系統進行練習、測試知識掌握的程度。然后教師可以進入系統查看進度，根據情況來決定是否需要給予個別學生額外的支持。

訪談者：在采用協作學習時，由于每個人能力水平以及對協作學習的態度的不同，很容易造成有的人付出多而有的人敷衍了事的現象，成績好或者付出多的學生通常不情愿拿到跟其他組員同樣的分數，教師也常常為小組成員評價問題而苦惱。關于小組協作的評價問題，您是否有更好的解決方案？

邁克·沙普爾斯：是的，在英國和其它歐洲國家也有同樣的問題。我認為針對這個問題有三種解決辦法。第一種方式中小組協作不納入評價，只是用小組協作鞏固與應用知識。第二種方式是教師根據小組的協作情況為每位學生寫一份成績報告單。或者基于小組項目做一項針對個人的測驗，這個方法在英國經常使用。第三種方式更有意思一點，給每一組評定分數，然后讓小組成員決定在此基礎上進行打分，也稱作區別化打分（DifferentialMarking）。比如，老師給一個組的項目打了70分，允許學生基于這70分加減5分，表現好的可以高達75分，表現不佳的可以打65分。由于最后需要學生決定誰對該組的貢獻更大，這種評分方式實施起來有點困難，比較適合大學生。

近30年來教育的最大成功之一就是協同工作（Collaborative Work）。直到19世紀60年代，美國的大部分學校全都采用個人學習的方式。從70年代起，開始采用團隊合作或小組合作，而這種方式也獲得了真正的成功。如今，美國和歐洲的大部分學校都采用小組協作學習，因為這是一種成功的學習方式。因此，不采用小組協作學習也就意味著和真正的自適應學習切斷了關系。我能夠理解有的學生不想被其他差生拖后腿。另一個看待此事的方式是，一旦采用了協作學習每個人都能得更高的分數，因為大家既分享了知識，又共同協作解決了問題。

訪談者：社會化學習是否能更加促進學生的參與？

邁克·沙普爾斯：是的。但有些平臺，比如NovoED①，就是基于團隊協作的。研究發現當MOOC平臺中將學生組隊之后，滯留率（Retention Rate）會更高。所以有小組協作的平臺確實會有更高的滯留率。在小組協作時，會有來自同伴的壓力。因此，有團隊協作的在線平臺中學生滯留率會更高。我認為，這兩種學習方式都很有價值，真正的挑戰是如何將個性化學習和社會化學習整合起來。要知道反饋、個性化、自適應教學以及個別輔導都非常有效;同時協同合作、協作及同伴支持也很重要。關鍵是如何將兩者結合起來，這真的是一個挑戰。

訪談者：您提到成功的個性化學習三要素之一是學生分組（Student Grouping），如何分組是令人頭疼的問題，通常需要考慮學生的能力水平、性格特點等等。除此之外，在保證相對公平的基礎上，還要確保小組協作的效果和效率，您可以推薦一些分組策略嗎？

邁克·沙普爾斯：我認為有三種方式。第一種是隨機分組，即隨意選擇學生組成小組，這種方式通常是較好的，因為小組里的成員會有不同的特點。第二種是關系密切的學生組成一組（AffinityGroup），學生與自己合得來的同伴分為一組。不過這種方式有一個問題，就是通常會有學生會落單，這樣就得重新分組。第三種分組方式是基于學生之前的表現使用算法進行分組。比如，通過觀察學生最近的學習行為以及是否尋求過幫助等等。

實現成功的個性化學習的另外兩個關鍵要素是學習空間（Learning Space）和討論數據（DiscussData）。在過去，老師要帶學生離開教室去機房上課，不僅麻煩且非常耗時。更理想的是找到一種辦法將個性化學習融合到教室里。為了節省時間，需要設置靈活的空間讓學生進行個性化學習，比如根據相應教學法來設計教學空間或者將學生進行分組學習。

關于討論數據，這個概念是由朱迪·凱（JudyKay）在講開放學習者模型（Open Learner Model）時提出。通過語音識別、行為記錄等技術，可以收集學習者的行為數據，包括學生討論的數據，然后利用大數據分析，對數據進行反復分析處理，呈現出學習者的學習特征。他們也可以和教師進行討論、隨時查看學習進度以及發現隱藏的問題。個性化學習的三要素來自于RAND研究②。成功的個性化學習都具備這三個要素。

訪談者：個性化學習涉及到各種不同的領域，如語文、數學、生物領域等等，您認為個性化學習和領域知識的關系是什么呢？如何根據不同的領域去設計一個完整的模型，從而促進學習者的個性化學習呢？

邁克·沙普爾斯：個性化學習中有一些是各個學科領域都通用的特性。舉例來說，控制課堂的進度——確保課堂進展不會過快或過慢，還有“反饋”“熟練”等概念。但如果要有特定的教學內容，則需要一個模型，這個模型是關于一個主題圖譜以及將這個主題各個方面整合到一起。設計這個模型是很難的，因為做主題圖譜要花很長時間。要構建一個完整的個性化學習模型，需要知道學生現有的知識結構，這些可以通過大數據分析技術進行判斷。然后要針對學生對該領域的認知來進行教學和指導，這就包括：如何進行有效教學？是否要舉一些示例？是否給出輔導？

訪談者：能分享一些您先前工作中成功的個性化學習案例嗎？

邁克·沙普爾斯：我們之前做了的一項個性化科學學習（Personalized Science Learning）的課題，開發了一個叫做nQuire③的軟件來指導個性化學習。nQuire支持教師進行創建、編排以及監控科學探究，也為學生執行、配置和檢查探究提供支持。nQuire主要針對11—14歲的青少年，在正式和非正式環境中進行科學調查來了解他們的科學學習程度。孩子們使用超級移動個人電腦（UMPC）和課堂技術實施的新型腳本探究學習方法來收集和評估證據，并參與有根據的辯論。

這個項目會讓教師提前設置一些問題，或是讓學生主動提出探究問題，比如“我吃的健康嗎？”“我的飲食健康嗎？”，有的人會提出“動物會受城市污染的影響嗎？”提出問題后，開始探究如何與教師一起調查這些問題。在這里教師是十分重要的，他們需要找到進行調查的好方法，然后去搜集數據。調查小鳥時，他們把喂食器放在校園的各個地方，然后用聲級計確定學校的吵鬧的地方與安靜的地方。接著需要測量喂食器的重量、食物的重量以及小鳥兩天內吃了多少食物，這樣便可以知道校園里吵鬧與安靜的地方分別剩多少食物。這是一個很好的科學實驗案例，這既涉及到教師的工作，也涉及學生個人的工作。有些學生在自家花園做這個小鳥喂食器的研究，和家長一同完成任務，然后將數據帶回課堂。同樣地，他們也要寫喂食日志，比如每天拍攝食物的照片，計算食物的營養含量等等。這是一種教師引導與個人探究混合的方式。學生經歷了一個完整的探究過程——從構建探究框架，到選擇方式，開展研究，明確問題的本質，分享與討論結果，到最后進行反思。

訪談者：基于成功的個性化學習實踐案例，您認為該采取什么措施擴大個性化教學的規模呢？

邁克·沙普爾斯：我覺得有幾個不同的方法可以使用。一種是自下而上的方式，即先收集一些成功典型案例，然后通過教師網絡（共同體）分享這些優秀案例。另一種方式是自上而下，例如新加坡就是這種模式。新加坡政府決定要增強21世紀能力的培養，如協作能力、智力技能等;然后通過教師教育/師資培訓學院對教師進行培訓，并利用技術支持教師專業的發展。我去過臺灣地區的一所小學，絕大部分的教室里，學生都是成排坐著。只有一兩間教室經過改造，這是部分師生可以使用平板電腦進行探究項目的地方。孩子們真的很喜歡項目學習方式，因為這是一種和以往完全不同的教學方式。我認為自上而下的策略是可行的，即政府先在一些課堂進行試點，然后看這種形式是否可行再進行推廣，但前提是必須對教師進行培訓?；蛘咭部梢宰韵露希葒L試在1—2個班級試點，然后全面推廣。

訪談者：有研究指出，基于自適應學習平臺促進學生的個性化學習，對學習者的學習成績提高影響并不顯著。而很多教師采用智能化教學手段的初衷還是為了提高學生的學業表現，對此您怎么看？

邁克·沙普爾斯：我認為如果只關注考試成績是不可取的。而實施教學干預并不一定會導致考試成績的改變?，F在的考試是對現有教室里教學的反映，這是實施教育創新遇到的最大問題。每次都有教師都抱怨說因為課程安排太密集等原因而導致沒有教學創新空間。其實好的學校有一定的靈活性，并已找到了實施教學創新的空間。現在的教學方式與30年前的方式完全不同，教師應該要不斷嘗試新的教學方式，獲得支持后繼續創新，否則我們仍然會像50年代或30年代那樣教學。另外，教育領域的最大進步并不在于技術，而是在新的教學法，如協作學習、反饋和探究式學習。

訪談者：您認為哪些技術可以支持個性化學習？現有的人工智能技術是否能夠支撐個性化學習的需求，您認為人工智能技術在支撐個性化學習中會面臨哪些難題呢？

邁克· 沙普爾斯： 目前已經在特定領域已有很好的自適應教學系統。例如，教編程的Codecademy①以及可汗學院②。目前市場上也有一些成熟解決方案，不一定要開發自己的解決方案。我認為可以開發中文版的可汗學院，因為教學法是通用的，不需要每一個學校都有獨立的數學教學方法。目前關于自適應教學的研究已開展了近百年，當然在接下來的20年里，將涌現更多相關研究。所以要在前人的研究基礎上進行開發。此外，利用人工智能如數據挖掘技術對學習者數據進行分析，可以得出學習者特征。但是目前的技術無法將教師的教學過程和學生學習過程產生的數據進行完全記錄，導致采集的數據不完整，也就無法提供足夠的數據量。其次，缺乏相應的數據采集標準，導致采集的數據質量不高，機器學習技術也無法從大量繁雜、無序的數據中獲取到有用的信息。另一方面，我認為教師在支持學生個性化學習是非常重要的，人工智能技術在情感交互方面，還無法全面顧及學生的情感發展，從這一方面來看，教育領域的最大進步也并非技術。

訪談者：個性化學習被認為是一種教育理想，要成功實現個性化學習是很難的。從20世紀30年代到50年代到70年代到現在，教育者和研究的關注點一直在變化。只有在新技術的推動下，不斷的嘗試不斷的創新，才能更好地去實現真正的個性化學習，基于之前的研究，您認為人工智能時代個性化學習的核心是什么？

邁克·沙普爾斯：確實一直在變化。在30年代，西德尼·普雷西（Sidney Pressey）①做了一項開創性的工作。他開發了一個可實行基于多項選擇題目自動評卷的測試機，接著他又發現這個機器可以應用于教學。對學生提出問題，學生按下按鈕回答問題，如果回答錯誤就不能繼續。因此這個機器會給學生反饋，告知答案是否正確。這是個性化學習、自適應學習以及反饋（此處的反饋只是反映對與錯）等理念的最早期的實踐。而到了50年代，就不像30年代那樣是只有單一路徑了，學生的學習路徑取決于他們的應答情況——答對或答錯。如果學生答錯了，就給他一些矯正指導。這就叫做“分支”（Branching）。根據學生答對或答錯的情況，自適應教學機器會帶他們走不同的學習路徑。之后到了70年代，研究者開始了大量的模型建構的工作，不僅是關于學生行為的模型，一些學者還嘗試推斷學習者的想法，嘗試建構關于學習者思維的認知模型，并將這一認知模型應用于學習中。下一步就是基于知識的結構模型，將自適應系統應用于課堂中。比如學減法，你得知道怎么借位與進位，來幫助學習者習得知識。最近人們在嘗試發掘個性化學習的更靈活的方式，不僅僅是從個人學習到小組學習的轉變，還有將這些方式與課程和教學結合。這項嘗試正在進展中，不過最核心的一點是支持學習者的個人需求。

訪談者：人工智能賦予了個性化學習新的定義與活力，個性化學習將深深影響到中國教育，結合中國教育的現狀，您認為個性化學習在未來5至10年的發展方向是什么？

邁克·沙普爾斯：我覺得主要有四大方向，首先，可以借鑒一些現在最好的個性化學習方法，比如將可汗學院、Codecademy這些平臺引入到中國，并且加以改進。我不知道在中國是否有公司已經開發了類似的平臺，不需要重新創建算法，只需要在中國的特定情境中使用它。向優秀的實踐經驗學習是首要考慮的路徑。第二，即是如何在真實的教育場景和學生身上成功實現個性化學習。研究者不能只做實驗室實驗，而應該思考如何把它整合到教室里。這也是前面提到利用靈活的學習空間可以支持協作。第三點是在真實的課堂中實現個性化學習。第四點主要圍繞教師發展或教師教育，因為教師必須能夠在課堂中使用這些新的個性化學習技術。

我認為未來幾年這將是令人期待的，人工智能技術將在學校得到運用，個性化學習開始走進真實課堂。例如，美國有像亞馬遜這樣的公司，擁有基于深度學習的圖像識別技術，在人臉識別、情緒分析等方面可以支持學生的個性化學習;智能語音聊天機器人可以解答學生的疑難問題。在中國有騰訊，騰訊目前已建立了人工智能實驗室，以及騰訊云的大數據處理能力，例如智能閱卷、作業智能批改技術、語音識別技術以及人臉識別簽到等。在中國，學校如果能和公司合作并建立良好的伙伴關系，應該可以更好地支持個性化學習。一方面，公司方擁有技術和開發者;另一方面，教師擁有很多教學經驗以及知道如何在課堂上實施個性化學習。最后，個性化學習也需要政府的大力支持，中國政府想必也非常支持公司與教育的合作吧！從具體實施層面，我認為可以有一些試點學校，讓學校和企業一起協同合作，這種強強聯合充滿著無限可能。