人工智能时代的个性化学习

冷静 付楚昕 路晓旭

关键词：人工智能;个性化学习;自适应系统;社会化学习

访谈者：非常感谢您接受我们的采访。2016年10月，美国白宫科技政策办公室发表的报告——《为人工智能的未来做好准备》，指出人工智能的技术手段包含机器学习、深度学习、自主自动化与人机合作。个性化学习是技术与教育深度融合的高级阶段的表现，人工智能的出现对个性化学习进行了重塑和再造。您如何定义人工智能时代的个性化学习（Personalized Learning）？

迈克·沙普尔斯：首先定义一下人工智能，人工智能是研究如何模拟以及延伸人类智能的计算机科学分支。人工智能技术包括语音识别、图像识别、自然语言处理、大數据技术、机器人以及专家系统等。教育在人工智能技术的影响下，必将发生变革。个性化学习是一个很宽泛的术语，我将“个性化学习”定义为结合学习者的需求、兴趣与能力的学习。个性化学习是过去40年来的教育目标，其定义是提供学习资源和适应学习者需求和能力的活动。如今的移动技术、人工智能技术已经可以为个性化学习提供物理和社交环境，技术在教育中的运用为技术增强型学习（Technology-enhancedLearning，简称TEL）。随着技术的快速发展，以及信息资源的不断丰富，使得学习者能够在课堂之外持续学习体验。利用机器学习技术可以对学习者产生的数据进行分析，提供与其学习表现相匹配的教学流程，并根据不同的情境，推送不同的学习内容。

人工智能时代，可以利用相关技术手段，如机器学习、深度学习以及人机交互来支持学习。其中，机器学习和深度学习是最关键和基础的技术。具体来讲，通过语音识别技术和大数据分析技术，对收集到的大量数据进行分析处理，呈现出学习者的学习特征（包括知识基础、能力水平、学习风格与认知方式、兴趣爱好等），也可以称为对学生进行数字画像。然后通过人工智能的推送技术，为学习者量身定制学习内容、规划学习路径，来实现个性化学习。上述过程也可以通过建立一个或多个智能化系统辅助个性化的教与学，如自适应学习系统、智能导师系统，这些系统能够利用机器学习和深度学习技术进行自动调节，学习者可以在系统中进行自主学习，并获得相应的反馈、推送与评价。另外，教师和学习者之间的交互非常重要。目前智能软件助手和机器人可以实现师生之间的交互，机器人可以帮助学习者理解主题，甚至可以帮助老师进行评估，这让教师有更多的时间纠正错误或给予情感支持等。

访谈者：您上面谈到了用自适应学习系统去支持个性化学习，人工智能时代，该如何利用自适应学习系统去支持个性化学习呢？

迈克·沙普尔斯：我们需要厘清一些术语。自适应教学系统是一种基于学习者表现的基础上不断适应与改变的系统，即学习者的之前的表现，可能会反应到最近的测试分数中。自适应教学也可以对学生的知识水平进行推测。因此，自适应教学可以对学生的行为及推断出来的知识进行适应。另一个重要的术语是精熟学习（Mastery Learning），在达到相应的能力水准之前基于学习者的表现，向其提供反馈，或者又称之为基于能力的学习（CompetencybasedLearning）。以往学生在家做作业，上交后通常要两三天才能收到反馈。利用自适应学习系统能够建立更加快速的反馈循环。系统会在学习者参加学习活动的时候一直进行监督。一个好的系统可以在学习过程中给予提示、建议与支持。同时，提供适当的反馈与支持也极具挑战。如果一直跟学生说做错了，会降低他们的学习积极性。好的自适应系统应该要在恰当的时候介入学习，给出有效的提示与支持。

访谈者：引入自适应学习系统之后，教师的角色应有哪些转变？

迈克·沙普尔斯：在一般的课堂教学中，不容易实现差异化教学。教得太简单，会让某些学生觉得乏味;教得太难，会让某些学生跟不上进度。因此，一个好的自适应系统应该是由教师先介绍一个话题，然后将学习者分小组进行问题解决。如果学生遇到困难的话，自适应系统会提供及时的帮助。但是，自适应系统设计出来不是为了替代教师，而是去更好地辅助教学。所以说教师承担着非常重要的角色——介绍主题、提出问题并跟学生一起解决问题。

访谈者：您刚刚提到自适应系统不会替代教师和个性化教学的方法或策略，那现在出现的智能导师系统、智适应学习系统，对教师能力提出了一定的要求。您认为教师该如何去应对这种新变化？

迈克·沙普尔斯：首先我认为教师需要了解他/她的学科领域，他们需要知道学生会犯什么类型的错误。我认为教师的真正职责是以问题化的方式引入主题并帮助学生理解。比方说教编程时，教师应该解释为什么需要学编程？编程是干什么的？为什么编程是一项有价值的技能？特别是，小组协作是一种很强大的学习方式，因为学生在组内可以互相帮助，并利用自适应系统进行练习、测试知识掌握的程度。然后教师可以进入系统查看进度，根据情况来决定是否需要给予个别学生额外的支持。

访谈者：在采用协作学习时，由于每个人能力水平以及对协作学习的态度的不同，很容易造成有的人付出多而有的人敷衍了事的现象，成绩好或者付出多的学生通常不情愿拿到跟其他组员同样的分数，教师也常常为小组成员评价问题而苦恼。关于小组协作的评价问题，您是否有更好的解决方案？

迈克·沙普尔斯：是的，在英国和其它欧洲国家也有同样的问题。我认为针对这个问题有三种解决办法。第一种方式中小组协作不纳入评价，只是用小组协作巩固与应用知识。第二种方式是教师根据小组的协作情况为每位学生写一份成绩报告单。或者基于小组项目做一项针对个人的测验，这个方法在英国经常使用。第三种方式更有意思一点，给每一组评定分数，然后让小组成员决定在此基础上进行打分，也称作区别化打分（DifferentialMarking）。比如，老师给一个组的项目打了70分，允许学生基于这70分加减5分，表现好的可以高达75分，表现不佳的可以打65分。由于最后需要学生决定谁对该组的贡献更大，这种评分方式实施起来有点困难，比较适合大学生。

近30年来教育的最大成功之一就是协同工作（Collaborative Work）。直到19世纪60年代，美国的大部分学校全都采用个人学习的方式。从70年代起，开始采用团队合作或小组合作，而这种方式也获得了真正的成功。如今，美国和欧洲的大部分学校都采用小组协作学习，因为这是一种成功的学习方式。因此，不采用小组协作学习也就意味着和真正的自适应学习切断了关系。我能够理解有的学生不想被其他差生拖后腿。另一个看待此事的方式是，一旦采用了协作学习每个人都能得更高的分数，因为大家既分享了知识，又共同协作解决了问题。

访谈者：社会化学习是否能更加促进学生的参与？

迈克·沙普尔斯：是的。但有些平台，比如NovoED①，就是基于团队协作的。研究发现当MOOC平台中将学生组队之后，滞留率（Retention Rate）会更高。所以有小组协作的平台确实会有更高的滞留率。在小组协作时，会有来自同伴的压力。因此，有团队协作的在线平台中学生滞留率会更高。我认为，这两种学习方式都很有价值，真正的挑战是如何将个性化学习和社会化学习整合起来。要知道反馈、个性化、自适应教学以及个别辅导都非常有效;同时协同合作、协作及同伴支持也很重要。关键是如何将两者结合起来，这真的是一个挑战。

访谈者：您提到成功的个性化学习三要素之一是学生分组（Student Grouping），如何分组是令人头疼的问题，通常需要考虑学生的能力水平、性格特点等等。除此之外，在保证相对公平的基础上，还要确保小组协作的效果和效率，您可以推荐一些分组策略吗？

迈克·沙普尔斯：我认为有三种方式。第一种是随机分组，即随意选择学生组成小组，这种方式通常是较好的，因为小组里的成员会有不同的特点。第二种是关系密切的学生组成一组（AffinityGroup），学生与自己合得来的同伴分为一组。不过这种方式有一个问题，就是通常会有学生会落单，这样就得重新分组。第三种分组方式是基于学生之前的表现使用算法进行分组。比如，通过观察学生最近的学习行为以及是否寻求过帮助等等。

实现成功的个性化学习的另外两个关键要素是学习空间（Learning Space）和讨论数据（DiscussData）。在过去，老师要带学生离开教室去机房上课，不仅麻烦且非常耗时。更理想的是找到一种办法将个性化学习融合到教室里。为了节省时间，需要设置灵活的空间让学生进行个性化学习，比如根据相应教学法来设计教学空间或者将学生进行分组学习。

关于讨论数据，这个概念是由朱迪·凯（JudyKay）在讲开放学习者模型（Open Learner Model）时提出。通过语音识别、行为记录等技术，可以收集学习者的行为数据，包括学生讨论的数据，然后利用大数据分析，对数据进行反复分析处理，呈现出学习者的学习特征。他们也可以和教师进行讨论、随时查看学习进度以及发现隐藏的问题。个性化学习的三要素来自于RAND研究②。成功的个性化学习都具备这三个要素。

访谈者：个性化学习涉及到各种不同的领域，如语文、数学、生物领域等等，您认为个性化学習和领域知识的关系是什么呢？如何根据不同的领域去设计一个完整的模型，从而促进学习者的个性化学习呢？

迈克·沙普尔斯：个性化学习中有一些是各个学科领域都通用的特性。举例来说，控制课堂的进度——确保课堂进展不会过快或过慢，还有“反馈”“熟练”等概念。但如果要有特定的教学内容，则需要一个模型，这个模型是关于一个主题图谱以及将这个主题各个方面整合到一起。设计这个模型是很难的，因为做主题图谱要花很长时间。要构建一个完整的个性化学习模型，需要知道学生现有的知识结构，这些可以通过大数据分析技术进行判断。然后要针对学生对该领域的认知来进行教学和指导，这就包括：如何进行有效教学？是否要举一些示例？是否给出辅导？

访谈者：能分享一些您先前工作中成功的个性化学习案例吗？

迈克·沙普尔斯：我们之前做了的一项个性化科学学习（Personalized Science Learning）的课题，开发了一个叫做nQuire③的软件来指导个性化学习。nQuire支持教师进行创建、编排以及监控科学探究，也为学生执行、配置和检查探究提供支持。nQuire主要针对11—14岁的青少年，在正式和非正式环境中进行科学调查来了解他们的科学学习程度。孩子们使用超级移动个人电脑（UMPC）和课堂技术实施的新型脚本探究学习方法来收集和评估证据，并参与有根据的辩论。

这个项目会让教师提前设置一些问题，或是让学生主动提出探究问题，比如“我吃的健康吗？”“我的饮食健康吗？”，有的人会提出“动物会受城市污染的影响吗？”提出问题后，开始探究如何与教师一起调查这些问题。在这里教师是十分重要的，他们需要找到进行调查的好方法，然后去搜集数据。调查小鸟时，他们把喂食器放在校园的各个地方，然后用声级计确定学校的吵闹的地方与安静的地方。接着需要测量喂食器的重量、食物的重量以及小鸟两天内吃了多少食物，这样便可以知道校园里吵闹与安静的地方分别剩多少食物。这是一个很好的科学实验案例，这既涉及到教师的工作，也涉及学生个人的工作。有些学生在自家花园做这个小鸟喂食器的研究，和家长一同完成任务，然后将数据带回课堂。同样地，他们也要写喂食日志，比如每天拍摄食物的照片，计算食物的营养含量等等。这是一种教师引导与个人探究混合的方式。学生经历了一个完整的探究过程——从构建探究框架，到选择方式，开展研究，明确问题的本质，分享与讨论结果，到最后进行反思。

访谈者：基于成功的个性化学习实践案例，您认为该采取什么措施扩大个性化教学的规模呢？

迈克·沙普尔斯：我觉得有几个不同的方法可以使用。一种是自下而上的方式，即先收集一些成功典型案例，然后通过教师网络（共同体）分享这些优秀案例。另一种方式是自上而下，例如新加坡就是这种模式。新加坡政府决定要增强21世纪能力的培养，如协作能力、智力技能等;然后通过教师教育/师资培训学院对教师进行培训，并利用技术支持教师专业的发展。我去过台湾地区的一所小学，绝大部分的教室里，学生都是成排坐着。只有一两间教室经过改造，这是部分师生可以使用平板电脑进行探究项目的地方。孩子们真的很喜欢项目学习方式，因为这是一种和以往完全不同的教学方式。我认为自上而下的策略是可行的，即政府先在一些课堂进行试点，然后看这种形式是否可行再进行推广，但前提是必须对教师进行培训。或者也可以自下而上，先尝试在1—2个班级试点，然后全面推广。

访谈者：有研究指出，基于自适应学习平台促进学生的个性化学习，对学习者的学习成绩提高影响并不显著。而很多教师采用智能化教学手段的初衷还是为了提高学生的学业表现，对此您怎么看？

迈克·沙普尔斯：我认为如果只关注考试成绩是不可取的。而实施教学干预并不一定会导致考试成绩的改变。现在的考试是对现有教室里教学的反映，这是实施教育创新遇到的最大问题。每次都有教师都抱怨说因为课程安排太密集等原因而导致没有教学创新空间。其实好的学校有一定的灵活性，并已找到了实施教学创新的空间。现在的教学方式与30年前的方式完全不同，教师应该要不断尝试新的教学方式，获得支持后继续创新，否则我们仍然会像50年代或30年代那样教学。另外，教育领域的最大进步并不在于技术，而是在新的教学法，如协作学习、反馈和探究式学习。

访谈者：您认为哪些技术可以支持个性化学习？现有的人工智能技术是否能够支撑个性化学习的需求，您认为人工智能技术在支撑个性化学习中会面临哪些难题呢？

迈克· 沙普尔斯： 目前已经在特定领域已有很好的自适应教学系统。例如，教编程的Codecademy①以及可汗学院②。目前市场上也有一些成熟解决方案，不一定要开发自己的解决方案。我认为可以开发中文版的可汗学院，因为教学法是通用的，不需要每一个学校都有独立的数学教学方法。目前关于自适应教学的研究已开展了近百年，当然在接下来的20年里，将涌现更多相关研究。所以要在前人的研究基础上进行开发。此外，利用人工智能如数据挖掘技术对学习者数据进行分析，可以得出学习者特征。但是目前的技术无法将教师的教学过程和学生学习过程产生的数据进行完全记录，导致采集的数据不完整，也就无法提供足够的数据量。其次，缺乏相应的数据采集标准，导致采集的数据质量不高，机器学习技术也无法从大量繁杂、无序的数据中获取到有用的信息。另一方面，我认为教师在支持学生个性化学习是非常重要的，人工智能技术在情感交互方面，还无法全面顾及学生的情感发展，从这一方面来看，教育领域的最大进步也并非技术。

访谈者：个性化学习被认为是一种教育理想，要成功实现个性化学习是很难的。从20世纪30年代到50年代到70年代到现在，教育者和研究的关注点一直在变化。只有在新技术的推动下，不断的尝试不断的创新，才能更好地去实现真正的个性化学习，基于之前的研究，您认为人工智能时代个性化学习的核心是什么？

迈克·沙普尔斯：确实一直在变化。在30年代，西德尼·普雷西（Sidney Pressey）①做了一项开创性的工作。他开发了一个可实行基于多项选择题目自动评卷的测试机，接着他又发现這个机器可以应用于教学。对学生提出问题，学生按下按钮回答问题，如果回答错误就不能继续。因此这个机器会给学生反馈，告知答案是否正确。这是个性化学习、自适应学习以及反馈（此处的反馈只是反映对与错）等理念的最早期的实践。而到了50年代，就不像30年代那样是只有单一路径了，学生的学习路径取决于他们的应答情况——答对或答错。如果学生答错了，就给他一些矫正指导。这就叫做“分支”（Branching）。根据学生答对或答错的情况，自适应教学机器会带他们走不同的学习路径。之后到了70年代，研究者开始了大量的模型建构的工作，不仅是关于学生行为的模型，一些学者还尝试推断学习者的想法，尝试建构关于学习者思维的认知模型，并将这一认知模型应用于学习中。下一步就是基于知识的结构模型，将自适应系统应用于课堂中。比如学减法，你得知道怎么借位与进位，来帮助学习者习得知识。最近人们在尝试发掘个性化学习的更灵活的方式，不仅仅是从个人学习到小组学习的转变，还有将这些方式与课程和教学结合。这项尝试正在进展中，不过最核心的一点是支持学习者的个人需求。

访谈者：人工智能赋予了个性化学习新的定义与活力，个性化学习将深深影响到中国教育，结合中国教育的现状，您认为个性化学习在未来5至10年的发展方向是什么？

迈克·沙普尔斯：我觉得主要有四大方向，首先，可以借鉴一些现在最好的个性化学习方法，比如将可汗学院、Codecademy这些平台引入到中国，并且加以改进。我不知道在中国是否有公司已经开发了类似的平台，不需要重新创建算法，只需要在中国的特定情境中使用它。向优秀的实践经验学习是首要考虑的路径。第二，即是如何在真实的教育场景和学生身上成功实现个性化学习。研究者不能只做实验室实验，而应该思考如何把它整合到教室里。这也是前面提到利用灵活的学习空间可以支持协作。第三点是在真实的课堂中实现个性化学习。第四点主要围绕教师发展或教师教育，因为教师必须能够在课堂中使用这些新的个性化学习技术。

我认为未来几年这将是令人期待的，人工智能技术将在学校得到运用，个性化学习开始走进真实课堂。例如，美国有像亚马逊这样的公司，拥有基于深度学习的图像识别技术，在人脸识别、情绪分析等方面可以支持学生的个性化学习;智能语音聊天机器人可以解答学生的疑难问题。在中国有腾讯，腾讯目前已建立了人工智能实验室，以及腾讯云的大数据处理能力，例如智能阅卷、作业智能批改技术、语音识别技术以及人脸识别签到等。在中国，学校如果能和公司合作并建立良好的伙伴关系，应该可以更好地支持个性化学习。一方面，公司方拥有技术和开发者;另一方面，教师拥有很多教学经验以及知道如何在课堂上实施个性化学习。最后，个性化学习也需要政府的大力支持，中国政府想必也非常支持公司与教育的合作吧！从具体实施层面，我认为可以有一些试点学校，让学校和企业一起协同合作，这种强强联合充满着无限可能。